بایگانی دسته ی پردازش تصویر

انسان ها موجوداتی بسیار بصری هستند. ما اکثریت قریب به اتفاق اطلاعاتی در مورد محیط، وظایف روزانه و یکدیگر را از طریق ادراک بصری جمع آوری می کنیم. در واقع، بینایی برای تجربه ما بسیار حیاتی است که تقریباً نیمی از مغز انسان به طور مستقیم یا غیرمستقیم در پردازش تصویر درگیر است.

در نتیجه، بسیاری از دنیایی که برای خود ساخته‌ایم – کاری که انجام می‌دهیم و موانعی که با آن روبرو هستیم – به نوعی از ورودی بصری بستگی دارد. از آنجایی که ما به طور فزاینده ای به هوش مصنوعی (AI) برای کمک به حل طیف وسیعی از چالش های دنیای واقعی نگاه می کنیم، این بدان معناست که بینایی کامپیوتر، بنا به ضرورت، نقش مهمی را ایفا خواهد کرد.

بینایی کامپیوتر چیست؟

در ساده ترین عبارت، Computer Vision (CV) به استفاده از یادگیری ماشین برای تجزیه و تحلیل، درک و پاسخ به تصاویر یا فیلم های دیجیتال اشاره دارد.

استفاده از الگوریتم‌های یادگیری عمیق برای ورودی از دوربین‌ها اجازه می‌دهد تا اطلاعات بصری به داده‌هایی تبدیل شوند که می‌توانند برای الگوها پردازش و ارزیابی شوند. با تجزیه و تحلیل مجموعه‌ای از تصاویر، شبکه‌های عصبی می‌توانند برای تشخیص، طبقه‌بندی و واکنش به آنچه که «می‌بینند» آموزش ببینند.

اما کامپیوترها تشخیص اشیاء را مانند انسان ها یاد نمی گیرند. هوش گسترده ما به این معنی است که می‌توانیم از طیف وسیعی از ویژگی‌ها و همچنین حواس دیگر برای شناسایی، توصیف و استنتاج در مورد بسیاری از مشاهدات به طور همزمان استفاده کنیم. ما به راحتی درک خود را با تغییرات در اندازه، زاویه، شکل یا رنگ تطبیق می دهیم.

در حالی که بینایی کامپیوتر را می توان برای حل تقریباً هر مشکل بصری آموزش داد، هر مدل از نظر قابلیت های بسیار محدود است. فقط می تواند آنچه را که به آن آموزش داده شده تشخیص دهد.

یکی از پیچیده‌ترین نمونه‌های بینایی کامپیوتری مربوط به خودروهای خودران است. اگرچه ممکن است قابلیت‌های وسایل نقلیه خودران گسترده به نظر برسد، اما آنها به صدها یا هزاران مدل CV، مدل‌های غیر CV و مدل‌های یادگیری ماشینی سطح بالاتر که با هم کار می‌کنند متکی هستند. این سیستم به طور کلی قادر به شناسایی، مکان یابی و پاسخگویی به علائم خیابان، چراغ های راهنمایی، عابران پیاده و سایر وسایل نقلیه در جاده است – اما هر عملکرد به یک الگوریتم تخصصی نیاز دارد که برای آن کار تنظیم شده است.

این عملکرد باعث می شود بینایی کامپیوتر در مقابله با چالش های فردی بسیار موثر باشد. همچنین به این معنی است که مدل‌های CV باید با دقت توسعه، آموزش و پیاده‌سازی شوند و عملکردی تخصصی در ذهن داشته باشند.

برنامه های کاربردی بینایی کامپیوتر

همانطور که تاکتیک ها پیشرفته تر می شوند و فناوری ها از دوربین های پروتکل اینترنت (IP) تا دروازه های لبه هزینه کمتری دارند، دید کامپیوتر از قلمرو امکان به دسترسی برای سازمان های مدرن تغییر یافته است. تحقیقات گراند ویو گزارش می دهد که ارزش بازار جهانی بینایی کامپیوتر تا سال 2027 به 19 میلیارد دلار می رسد که از 11 میلیارد دلار در سال 2020 بیشتر است.

بینایی کامپیوتر پتانسیل بسیار زیادی برای مقابله با چالش‌های مختلف از عملیات و تدارکات گرفته تا ایمنی کارکنان دارد، به‌ویژه در محیط‌هایی که توانایی‌های انسانی پرهزینه، از نظر فیزیکی محدود یا پرخطر هستند.

بینایی کامپیوتری می‌تواند یک کار را بارها و بارها بدون خطای انسانی ناشی از حواس‌پرتی یا خستگی انجام دهد. همچنین امکان مشاهده مکان های دورافتاده یا خطرناک را با دقت باورنکردنی در 24 ساعت شبانه روز فراهم می کند. حتی می‌توان مدل‌ها را برای پردازش اطلاعات با سرعت بالا یا در طیف‌های بصری مانند UV یا مادون قرمز که در غیر این صورت برای چشم انسان نامرئی هستند، آموزش داد.

بنابراین، چشم انداز فعلی برای بینایی کامپیوتر چگونه به نظر می رسد؟ کدام صنایع امروز و چند سال آینده برای سرمایه گذاری از این فناوری بهترین موقعیت را دارند؟

خرید دوربین پردازش تصویر

انرژی: از نیروگاه های هسته ای گرفته تا مزارع بادی، نیاز به ایمنی، کارایی و انطباق با مقررات منجر به طیف گسترده ای از موارد استفاده در صنعت انرژی شده است. سازمان‌های آینده‌نگر در حال حاضر از دید رایانه‌ای برای نظارت بر تجهیزات برای نشانه‌های فرسودگی و همچنین برای بازرسی ایمن و مؤثر وضعیت دارایی‌های خطی مانند خطوط برق یا خطوط لوله استفاده می‌کنند. ارتباط چندین مدل بینایی یا سنسورهای دیگر برای تشخیص ترک‌ها، نشتی‌ها یا چراغ‌های هشدار می‌تواند به شناسایی دقیق ناهنجاری‌ها و ارائه هشدارهای اولیه تعمیر و نگهداری کمک کند.

علاوه بر مزایای نظارت شبانه روزی تجهیزات قابل اعتماد، بینایی کامپیوتری ابزار بسیار موثری برای تنظیم “مناطق خطر” ارائه می دهد. می‌توان از آن برای شناسایی نشان‌های پرسنل مجاز در مناطق ممنوعه استفاده کرد یا حتی زمانی که فردی از آستانه ایمنی تعیین‌شده عبور کرد، هشدارهایی ارائه کرد.

تولید: خطوط تولید میزبان برخی از اولین کاربردهای بینایی کامپیوتر بوده اند، با مدل هایی که برای تنظیم ماشین آلات، شمارش محصولات یا ارزیابی کیفیت محصول آموزش دیده اند. فراتر از تشخیص ساده عیوب، ارجاع متقابل داده‌های سایر دوربین‌ها و سنسورها می‌تواند به شناسایی دقیق منبع مشکلات تولید، تسریع تعمیرات و جلوگیری از خرابی پرهزینه کمک کند. مدل‌های بینایی ماشین حتی برای مرتبط کردن بسته‌بندی با توضیحات محصول مورد استفاده قرار می‌گیرند تا از برچسب‌گذاری اشتباه یا خطاهای حمل و نقل جلوگیری شود.

همانند صنعت انرژی، بینایی کامپیوتر نیز فرصت هایی را برای بهبود ایمنی کارکنان در محیط های تولیدی فراهم می کند. مدل‌های طبقه‌بندی تصویر برای شناسایی اینکه آیا کارگران از تجهیزات مورد نیاز استفاده می‌کنند یا خیر، استفاده می‌شوند. اگر سیستمی کارمندی را بدون جلیقه ایمنی یا کلاه ایمنی تشخیص دهد، هشدارهای بصری یا اعلان‌ها می‌تواند برای انجام اقدامات اصلاحی فوری به طرف‌های مربوطه ارسال شود.

حمل و نقل: فراتر از وسایل نقلیه خودران، صنایع حمل و نقل و لجستیک نیز می توانند از کاربردهای گسسته تر بینایی ماشین بهره مند شوند. از شمارش پالت و مرتب‌سازی گرفته تا هشدارهای آسیب و نظارت بر انبار، این فناوری پتانسیل برای ساده‌سازی عملیات و کاهش اختلالات زنجیره تامین را دارد.

برای اطمینان از ایمنی و کارایی در میان ناوگان حمل‌ونقل، برخی از سازمان‌ها از مدل‌های بصری برای اطمینان از اتصال مناسب، بارگیری، سوخت‌گیری یا فشار باد تایر استفاده کرده‌اند. وسایل نقلیه هوایی مجهز به CV (پهپادها) توسط شرکت های راه آهن مدرن برای انجام بازرسی در طول هزاران مایل راه آهن مورد استفاده قرار می گیرند. این راه حل کار میدانی پرهزینه و گاه خطرناک را کاهش می دهد و به بازرسان انسانی اجازه می دهد تمرکز خود را از یافتن مشکلات به رفع آنها تغییر دهند.

خرده‌فروشی: به‌ویژه در محیط‌های خرده‌فروشی بزرگ، بینایی رایانه راه‌حل‌های مختلفی از مدیریت موجودی تا خدمات مشتری را ارائه می‌دهد. در حالی که قرار دادن دوربین ها برای نظارت بر هر قفسه در یک فروشگاه ممکن است واقع بینانه نباشد، یا در واقع مقرون به صرفه نباشد، مگر اینکه در مقیاس سازمانی اجرا شود، مدل های CV می توانند برای نظارت بر موجودی حیاتی در انبارها یا نمایشگرهای خاص مفید باشند.

همچنین می‌توان از دید رایانه برای نظارت بر محیط فروشگاه استفاده کرد و در صورت باز ماندن درب یخچال یا زمانی که صف‌های تسویه‌حساب خیلی طولانی شد، هشدار ارسال می‌کند. با افزایش محبوبیت خود پرداخت، بینایی کامپیوتر به طور فزاینده ای برای جلوگیری از انقباض و ضرر با مرتبط کردن داده های بصری با ماشین های نقطه فروش (POS) استفاده می شود تا اطمینان حاصل شود که موارد اسکن شده توسط مشتریان با توضیحات محصول مناسب مطابقت دارند.

مراقبت‌های بهداشتی: تشخیص‌های پزشکی اغلب یکی از بالاترین برنامه‌های کاربردی برای بینایی کامپیوتری هستند و محققان و غول‌های فناوری به طور یکسان در حال بررسی مزایای هوش مصنوعی برای ارزیابی خطر یا تشخیص زودهنگام بیماری هستند. اما در حالی که این ناحیه نشان دهنده پتانسیل عظیمی برای خیر است، آسیب احتمالی انسانی ناشی از تشخیص اشتباه پیامدهای بسیار بیشتری نسبت به سایر موارد استفاده از CV دارد. این بدان معناست که بسیاری از لایه‌های احتیاطی اضافی برای این مدل‌ها مورد نیاز است، از جمله آموزش شدیدتر، حاشیه‌های باریک‌تر برای خطا و مشارکت فعال‌تر انسان در فرآیند تصمیم‌گیری.

اما فراتر از تشخیص، بسیاری از برنامه‌های کاربردی دیگر در حوزه مراقبت‌های بهداشتی وجود دارد که بینایی کامپیوتر با خطر بسیار کمتری ارزش نشان داده است. از مدل‌های بینایی می‌توان برای ردیابی شستشوی دست‌ها در میان کارکنان پزشکی استفاده کرد و در صورتی که به نظر می‌رسد این مرحله از قلم افتاده است، یادآوری می‌کند. از سیستم های CV می توان برای ردیابی موجودی در داروخانه ها یا کمدهای عرضه برای جلوگیری از کم شدن موجودی استفاده کرد. تشخیص کاراکتر نوری (OCR) نیز به عنوان راهی برای خودکارسازی پردازش اسناد، کاهش بار اداری و در نهایت کاهش هزینه‌های مراقبت، در حال افزایش است.

خرید دوربین پردازش تصویر باسلر

شروع کار با بینایی کامپیوتر

مزایای قابل اندازه‌گیری هزینه‌های پایین‌تر، افزایش کارایی و کاهش زمان خرابی به این معناست که بازگشت سرمایه (ROI) قابل توجهی از طریق بینایی کامپیوتری بدست می‌آید. و به لطف دموکراتیزه شدن فزاینده هوش مصنوعی، لبه های هوشمند و راه حل های ابری، این مزایا به طور فزاینده ای در دسترس هستند.

اما در حالی که سخت افزار و حتی بسیاری از معماری های CV خارج از قفسه به راحتی در دسترس هستند، چند نکته کلیدی وجود دارد که قبل از شروع پروژه آزمایشی خود باید در نظر بگیرید.

کارشناسان را درگیر کنید

اول از همه، باید مطمئن شوید که دانش و منابع لازم برای ساخت، پیاده سازی و عملیاتی کردن یک سیستم CV بسیار دقیق در مقیاس را دارید. بینایی کامپیوتر یک رشته منحصر به فرد است که به مجموعه مهارت های تخصصی نیاز دارد. اگر سازمان شما در حال حاضر تیمی از دانشمندان داده را استخدام کرده است، این یک نقطه شروع عالی است، اما مگر اینکه تیم شما یک مدل CV را در گذشته با موفقیت پیاده‌سازی کند، ارزش وقت گذاشتن را دارد تا با یک مشاور با تجربه همکاری کنید که می‌تواند پروژه شما را از ایده‌پردازی هدایت کند.
هنگامی که تیم خود را گردآوری کردید، باید مشکلی را که می‌خواهید حل کنید برای ارزیابی هرگونه ملاحظات اخلاقی، و همچنین ریسک نسبی و دقت مربوطه که مورد نیاز است، تجزیه و تحلیل کنید. در حالی که دقت بالا همیشه هدف است، ناهنجاری ها، تغییرات محیطی و سایر متغیرهای ناشناخته تا حدودی عدم قطعیت را اجتناب ناپذیر می کند. به همین دلیل، برخی چالش‌ها برای بینایی کامپیوتری مناسب‌تر از سایر چالش‌ها هستند، به‌ویژه آن‌هایی که سازمان شما را قادر می‌سازد به جای جایگزینی فرآیند تصمیم‌گیری انسانی، آن را تقویت کند.

سوییچ صنعتی موگزا

داده های آموزشی خود را بهینه کنید

همانطور که برای توسعه و آموزش یک مدل CV آماده می‌شوید، مهم است که نه تنها کمیت تصاویر مرتبط موجود، بلکه کیفیت را نیز در نظر بگیرید – از جمله نور، زاویه، اندازه، رنگ پس‌زمینه و موارد دیگر. با توجه به سختی نسبی بینایی رایانه، تشخیص اینکه چه نوع نقاط پرت منجر به شناسایی نادرست یا طبقه بندی نادرست می شود دشوار است. در نتیجه، آموزش برای بهبود نتایج باید شامل انواع مثال های مثبت و منفی باشد. یک مشاور با تجربه CV یا دانشمند تصمیم‌گیری می‌تواند به هدایت این تلاش‌ها کمک کند.

عامل انسانی را به حداکثر برسانید

صرف نظر از موارد استفاده، هر شکلی از هوش مصنوعی باید به گونه ای تولید شود که قابل تأیید باشد و توسط تصمیم گیری های انسانی پشتیبانی شود. این بدان معناست که علاوه بر آموزش مدل بینایی کامپیوتری خود، باید موثرترین راه را برای معرفی هوش حاصل به کاربران تعیین کنید.

متأسفانه، وقتی به طور مداوم هوش بسیار دقیقی به انسان ها ارائه می شود، ما به سرعت به آن وابسته می شویم و ممکن است متوجه اشتباهات آشکار نشویم. برای جلوگیری از این امر، سیستم‌های CV باید تاکتیک‌هایی را به کار گیرند که همچنان بر آنها تکیه می‌کنند و مسئولیت‌های فعال کارکنان انسانی را درگیر می‌کنند – به‌ویژه در محیط‌های مراقبت‌های بهداشتی یا نظامی که خطر عدم دقت بسیار مهم است.

مراقب باشید

هوش مصنوعی فقط به اندازه داده هایی که برای آموزش آن استفاده می شود دقیق است. متأسفانه، اما به ناچار، سوگیری های انسانی در داده های انسانی منعکس می شود، اغلب به روش هایی که درک آنها دشوار است. برای غلبه بر این چالش‌ها، توسعه‌دهندگان باید شیوه‌های هوش مصنوعی مسئول را درک کرده و به آن پایبند باشند، و اطمینان حاصل کنند که مدل‌های CV به طور آگاهانه ساختار یافته و تحت طیف وسیعی از شرایط آزمایش می‌شوند – به‌ویژه زمانی که تصاویر انسانی درگیر هستند. علاوه بر تکیه بر مشاوران مجرب در این زمینه، درگیر کردن طیف متنوعی از تصمیم‌گیرندگان می‌تواند به گسترش دیدگاه‌ها، کشف چالش‌های غیرمنتظره و محافظت در برابر تداوم تعصب در مدل شما کمک کند.

خرید دوربین صنعتی سنسوپارت

بلند مدت فکر کن

هوش مصنوعی، از جمله بینایی کامپیوتر، کل چرخه حیات کسب و کار را نشان می دهد. در نتیجه، باید مطمئن شوید که نه تنها روی مهارت‌های مورد نیاز برای توسعه یک مدل مؤثر سرمایه‌گذاری می‌کنید، بلکه زیرساخت، خط لوله و تخصص عملیاتی برای پیاده‌سازی آن مدل به گونه‌ای که واقعی و بلندمدت ایجاد می‌کند را نیز سرمایه‌گذاری می‌کنید.

جهت دریافت مشاوره در زمینه پروژه های صنعتی پردازش تصویر با شماره 02536125 در تماس باشید.

یادگیری عمیق زیر شاخه ای از یادگیری ماشین است که با الگوریتم هایی الهام گرفته شده از ساختار و عملکرد مغز به نام شبکه های عصبی مصنوعی مرتبط است.

اگر به تازگی در زمینه یادگیری عمیق شروع کرده اید یا مدتی پیش تجربه ای با شبکه های عصبی داشته اید، ممکن است گیج شوید.رهبران و متخصصان در این زمینه ایده هایی در مورد چیستی یادگیری عمیق دارند و این دیدگاه های خاص و ظریف نور زیادی را در مورد یادگیری عمیق روشن می کند.

در این پست، با خواندن نظرات طیف وسیعی از کارشناسان و رهبران این حوزه، دقیقاً متوجه خواهید شد که Deep Learning چیست.

یادگیری عمیق شبکه های عصبی بزرگ است

Andrew Ng از Coursera و دانشمند ارشد Baidu Research که به طور رسمی Google Brain را تأسیس کردند که در نهایت منجر به تولید فناوری‌های یادگیری عمیق در تعداد زیادی از خدمات Google شددرباره چیستی Deep Learning صحبت کرده و نوشته است و مکان خوبی برای شروع است.

مطلب مرتبط: لنز صنعتی آزور

اندرو در صحبت های اولیه در مورد Deep Learning، یادگیری عمیق را در زمینه شبکه های عصبی مصنوعی سنتی توصیف کرد. در سخنرانی سال 2013 با عنوان «یادگیری عمیق، یادگیری خودآموخته و یادگیری ویژه بدون نظارت» او ایده Deep Learning را اینگونه توصیف کرد:

با استفاده از شبیه سازی مغز، امیدواریم:

– استفاده از الگوریتم های یادگیری را بسیار بهتر و آسان تر کنید.

– پیشرفت های انقلابی در یادگیری ماشین و هوش مصنوعی داشته باشید.

من معتقدم این بهترین راه برای پیشرفت به سمت هوش مصنوعی واقعی است.

به گفته اندرو، هسته اصلی Deep Learning این است که ما اکنون کامپیوترهای سریع و داده کافی برای آموزش شبکه های عصبی بزرگ داریم. او هنگام بحث در مورد اینکه چرا اکنون زمان شروع یادگیری عمیق در ExtractConf 2015 است، در یک سخنرانی با عنوان “آنچه دانشمندان داده باید در مورد یادگیری عمیق بدانند”، اظهار داشت:

شبکه های عصبی بسیار بزرگی که اکنون می توانیم داشته باشیم و … حجم عظیمی از داده هایی که به آنها دسترسی داریم.

او همچنین در مورد این نکته مهم که همه چیز در مورد مقیاس است، اظهار نظر کرد. اینکه با ساخت شبکه های عصبی بزرگتر و آموزش آنها با داده های بیشتر و بیشتر، عملکرد آنها همچنان افزایش می یابد. این به طور کلی با سایر تکنیک های یادگیری ماشینی که از نظر عملکرد به سطح بالایی می رسند متفاوت است.

برای بسیاری از الگوریتم‌های نسل‌های قدیمی عملکرد بالا خواهد رفت. یادگیری عمیق اولین کلاس از الگوریتم ها است  که مقیاس پذیر است. عملکرد فقط با ارائه داده های بیشتر به آنها بهتر می شود.

در نهایت، او به وضوح اشاره می کند که مزایای یادگیری عمیق که در عمل شاهد آن هستیم، از یادگیری نظارت شده ناشی می شود. از بحث ExtractConf در سال 2015، او اظهار داشت:

امروزه تقریباً تمام ارزش Deep Learning از طریق یادگیری نظارت شده یا یادگیری از داده های برچسب گذاری شده است

او پیش از این در گفتگو با دانشگاه استنفورد با عنوان “یادگیری عمیق” در سال 2014 اظهار نظر مشابهی کرد:

یکی از دلایلی که یادگیری عمیق دیوانه وار شده است این است که در یادگیری نظارت شده فوق العاده است.

اندرو اغلب اشاره می‌کند که با بزرگ شدن میدان برای مقابله با فراوانی داده‌های بدون برچسب در دسترس، باید و شاهد مزایای بیشتری از سمت بدون نظارت مسیرها باشیم.

جف دین یک جادوگر و عضو ارشد گوگل در گروه سیستم ها و زیرساخت در گوگل است و در مقیاس گذاری و پذیرش یادگیری عمیق در گوگل نقش داشته است و شاید تا حدی مسئول آن بوده است. جف در پروژه مغز گوگل و توسعه نرم افزار Deep Learning در مقیاس بزرگ DistBelief و بعداً TensorFlow شرکت داشت.

در یک سخنرانی در سال 2016 با عنوان «یادگیری عمیق برای ساختن سیستم‌های رایانه‌ای هوشمند»، او نظری مشابه این را بیان کرد که یادگیری عمیق واقعاً در مورد شبکه‌های عصبی بزرگ است.

وقتی اصطلاح یادگیری عمیق را می شنوید، فقط به یک شبکه عصبی عمیق فکر کنید. Deep معمولاً به تعداد لایه ها اشاره دارد و بنابراین این نوع اصطلاح محبوبی است که در مطبوعات پذیرفته شده است. من به طور کلی آنها را به عنوان شبکه های عصبی عمیق فکر می کنم.

او این سخنرانی را چند بار انجام داده است، و در مجموعه‌ای از اسلایدهای اصلاح شده برای همان سخنرانی، مقیاس‌پذیری شبکه‌های عصبی را برجسته می‌کند که نشان می‌دهد نتایج با داده‌های بیشتر و مدل‌های بزرگ‌تر بهتر می‌شوند، که به نوبه خود برای آموزش به محاسبات بیشتری نیاز دارند.

مطلب مرتبط: سوییچ موگزا و کارت I/O 

یادگیری عمیق، یادگیری ویژگی سلسله مراتبی است

علاوه بر مقیاس‌پذیری، یکی دیگر از مزایای اغلب مدل‌های یادگیری عمیق، توانایی آن‌ها برای استخراج خودکار ویژگی از داده‌های خام است که یادگیری ویژگی نیز نامیده می‌شود.

Yoshua Bengio یکی دیگر از رهبران یادگیری عمیق است، اگرچه با علاقه شدید به یادگیری ویژگی های خودکار که شبکه های عصبی بزرگ قادر به دستیابی به آن هستند، شروع شد.

او یادگیری عمیق را در قالب توانایی الگوریتم برای کشف و یادگیری بازنمایی های خوب با استفاده از یادگیری ویژگی توصیف می کند. او در مقاله خود در سال 2012 با عنوان “یادگیری عمیق بازنمایی ها برای یادگیری بدون نظارت و انتقالی” اظهار داشت:

الگوریتم های Deep Learning به دنبال بهره برداری از ساختار ناشناخته در توزیع ورودی به منظور کشف نمایش های خوب، اغلب در سطوح چندگانه، با ویژگی های آموخته شده سطح بالاتر که بر حسب ویژگی های سطح پایین تعریف می شوند، هستند.

چشم انداز مفصلی از یادگیری عمیق در امتداد این خطوط در گزارش فنی او در سال 2009 با عنوان “یادگیری معماری های عمیق برای هوش مصنوعی” ارائه شده است، جایی که او بر اهمیت سلسله مراتب در یادگیری ویژگی تاکید می کند.

هدف روش های یادگیری عمیق یادگیری سلسله مراتب ویژگی ها با ویژگی هایی از سطوح بالاتر سلسله مراتب است که از ترکیب ویژگی های سطح پایین تر تشکیل شده است. ویژگی‌های یادگیری خودکار در سطوح چندگانه انتزاع به یک سیستم اجازه می‌دهد تا بدون وابستگی کامل به ویژگی‌های ساخته‌شده توسط انسان، توابع پیچیده نگاشت ورودی به خروجی را مستقیماً از داده‌ها بیاموزد.

در کتابی که به زودی منتشر می شود با عنوان “آموزش عمیق” با همکاری ایان گودفلو و آرون کورویل، آنها یادگیری عمیق را بر اساس عمق معماری مدل ها تعریف می کنند.

سلسله مراتب مفاهیم به رایانه اجازه می دهد تا مفاهیم پیچیده را با ساختن آنها از مفاهیم ساده تر یاد بگیرد. اگر نموداری رسم کنیم که نشان دهد این مفاهیم چگونه روی هم ساخته شده اند، نمودار عمیق است و دارای لایه های زیادی است. به همین دلیل، ما این رویکرد را یادگیری عمیق هوش مصنوعی می نامیم.

این کتاب مهمی است و احتمالاً برای مدتی به منبع قطعی این رشته تبدیل خواهد شد. این کتاب در ادامه به توصیف پرسپترون‌های چندلایه به‌عنوان یک الگوریتم مورد استفاده در زمینه Deep Learning می‌پردازد و این ایده را ارائه می‌دهد که یادگیری عمیق شبکه‌های عصبی مصنوعی را در بر گرفته است.

مثال اصلی یک مدل یادگیری عمیق، شبکه عمیق پیشخور یا پرسپترون چند لایه (MLP) است.

پیتر نورویگ مدیر تحقیقات گوگل است و به خاطر کتاب درسی خود در زمینه هوش مصنوعی با عنوان “هوش مصنوعی: رویکرد مدرن” مشهور است.

در یک سخنرانی در سال 2016 که او با عنوان «Deep Learning و قابل درک در مقابل مهندسی نرم افزار و تأیید» ایراد کرد، یادگیری عمیق را به روشی بسیار شبیه به یوشوا تعریف کرد و بر قدرت انتزاع مجاز با استفاده از ساختار شبکه عمیق تر تمرکز کرد.

نوعی یادگیری که در آن نمایشی که شما شکل می دهید دارای چندین سطح انتزاع است، نه ورودی مستقیم به خروجی

چرا آن را “Deep Learning” می نامیم؟

جفری هینتون پیشگام در زمینه شبکه های عصبی مصنوعی است و اولین مقاله در مورد الگوریتم پس انتشار برای آموزش شبکه های پرسپترون چندلایه را منتشر کرد.

او ممکن است شروع به معرفی عبارت “عمیق” برای توصیف توسعه شبکه های عصبی مصنوعی بزرگ کرده باشد.

او در سال 2006 مقاله‌ای با عنوان «الگوریتم یادگیری سریع برای شبکه‌های باور عمیق» نوشت که در آن رویکردی برای آموزش «عمیق» (مانند بسیاری از شبکه‌های لایه‌ای) ماشین‌های محدود بولتزمن توصیف می‌کنند.

با استفاده از پیشین های مکمل، یک الگوریتم سریع و حریص را استخراج می کنیم که می تواند شبکه های اعتقادی عمیق و هدایت شده را یک لایه در یک زمان بیاموزد، مشروط بر اینکه دو لایه بالایی یک حافظه تداعی بدون جهت تشکیل دهند.

این مقاله و مقاله مرتبط جف با عنوان “ماشین‌های عمیق بولتزمن” در یک شبکه عمیق غیرمدیریت به خوبی مورد استقبال جامعه قرار گرفت (اکنون صدها بار ذکر شده است) زیرا آنها نمونه‌های موفقی از آموزش لایه‌ای حریصانه شبکه‌ها بودند که به آنها اجازه می‌داد. بسیاری از لایه های بیشتر در شبکه های پیشخور.

در یک مقاله مشترک در Science با عنوان «کاهش ابعاد داده‌ها با شبکه‌های عصبی»، آن‌ها به همان توصیف «عمیق» پایبند بودند تا رویکرد خود را برای توسعه شبکه‌هایی با لایه‌های بسیار بیشتر از آنچه قبلاً معمول بود، توصیف کنند.

ما یک روش موثر برای مقداردهی اولیه وزن ها را توصیف می کنیم که به شبکه های رمزگذار خودکار عمیق اجازه می دهد تا کدهای کم بعدی را یاد بگیرند که بسیار بهتر از تجزیه و تحلیل اجزای اصلی به عنوان ابزاری برای کاهش ابعاد داده ها کار می کنند.

در همان مقاله، آن‌ها نظر جالبی را ارائه می‌کنند که با نظر اندرو نگ در مورد افزایش اخیر قدرت محاسباتی و دسترسی به مجموعه‌های داده بزرگ که قابلیت استفاده‌نشده شبکه‌های عصبی را در مقیاس بزرگ‌تر رها کرده است، مطابقت دارد.

از دهه 1980 بدیهی بود که انتشار پس‌انداز از طریق رمزگذارهای خودکار عمیق برای کاهش ابعاد غیرخطی بسیار مؤثر است، مشروط بر اینکه رایانه‌ها به اندازه کافی سریع باشند، مجموعه داده‌ها به اندازه کافی بزرگ باشند و وزن‌های اولیه به اندازه کافی به یک راه‌حل خوب نزدیک باشند. اکنون هر سه شرط برآورده شده است.

جف در گفتگو با انجمن سلطنتی در سال 2016 با عنوان “Deep Learning” اظهار داشت که شبکه های باور عمیق شروع یادگیری عمیق در سال 2006 بود و اولین کاربرد موفق این موج جدید یادگیری عمیق در تشخیص گفتار در سال 2009 با عنوان ” مدل سازی آکوستیک با استفاده از شبکه های باور عمیق، دستیابی به نتایج هنر.

این نتایج بود که باعث شد تشخیص گفتار و جوامع شبکه عصبی مورد توجه قرار گیرد، استفاده از “عمیق” به عنوان یک تمایز در تکنیک های شبکه عصبی قبلی که احتمالاً منجر به تغییر نام شد.

همانطور که انتظار دارید، توضیحات مربوط به Deep Learning در سخنرانی انجمن سلطنتی بسیار پس‌پخش محور است. جالب اینجاست که او 4 دلیل برای اینکه چرا پس انتشار (بخوانید “یادگیری عمیق”) آخرین بار در دهه 1990 شروع نشد، بیان می کند. دو نکته اول با نظرات Andrew Ng در بالا در مورد کوچک بودن مجموعه داده ها و بسیار کند بودن رایانه ها مطابقت دارد.

مطلب مرتبط: لنز دوربین Computar 

Deep Learning به عنوان یادگیری مقیاس پذیر در سراسر دامنه ها

یادگیری عمیق در حوزه‌های مشکلی که ورودی‌ها (و حتی خروجی‌ها) آنالوگ هستند، عالی است. به این معنی که آنها تعداد کمی در قالب جدولی نیستند، بلکه در عوض تصاویری از داده های پیکسلی، اسناد داده های متنی یا فایل های داده های صوتی هستند.

Yann LeCun مدیر تحقیقات فیس بوک است و پدر معماری شبکه است که در تشخیص اشیا در داده های تصویری به نام شبکه عصبی کانولوشنال (CNN) برتر است. این تکنیک شاهد موفقیت بزرگی است زیرا مانند شبکه‌های عصبی پیش‌خور پرسپترون چندلایه، این تکنیک با داده‌ها و اندازه مدل مقیاس می‌شود و می‌توان آن را با انتشار پس‌انداز آموزش داد.

این باعث تعصب تعریف او از Deep Learning به عنوان توسعه CNN های بسیار بزرگ می شود که موفقیت زیادی در تشخیص اشیا در عکس ها داشته اند.

در یک سخنرانی در سال 2016 در آزمایشگاه ملی لارنس لیورمور با عنوان “تسریع درک: Deep Learning، برنامه های کاربردی هوشمند و پردازنده های گرافیکی” او یادگیری عمیق را به طور کلی به عنوان یادگیری نمایش های سلسله مراتبی توصیف کرد و آن را به عنوان یک رویکرد مقیاس پذیر برای ساختن سیستم های تشخیص اشیا تعریف کرد:

Deep Learning خط لوله ای از ماژول ها که همگی قابل آموزش هستند. عمیق زیرا [دارای] مراحل متعددی در فرآیند تشخیص یک شی است و همه آن مراحل بخشی از آموزش هستند.

یورگن اشمیدهابر پدر الگوریتم محبوب دیگری است که مانند MLP ها و CNN ها با اندازه مدل و اندازه مجموعه نیز مقیاس می شود و می توان آن را با انتشار پس زمینه آموزش داد، اما در عوض برای یادگیری داده های توالی به نام شبکه حافظه کوتاه مدت بلند مدت (LSTM) طراحی شده است. نوعی شبکه عصبی بازگشتی.

ما برخی سردرگمی ها را در عبارت این رشته به عنوان “Deep Learning” می بینیم. او در مقاله سال 2014 خود با عنوان “یادگیری عمیق در شبکه های عصبی: یک مرور کلی” در مورد نامگذاری مشکل دار حوزه و تمایز Deep Learning از کم عمق اظهار نظر می کند. او همچنین به طور جالبی عمق را بر حسب پیچیدگی مسئله توصیف می کند تا مدلی که برای حل مسئله استفاده می شود.

یادگیری کم عمق در کدام عمق مشکل به پایان می رسد و Deep Learning آغاز می شود؟ بحث و گفتگو با کارشناسان DL هنوز پاسخ قطعی به این سوال نداده است. […]، اجازه دهید من فقط برای اهداف این نمای کلی تعریف کنم: مشکلات عمق > 10 به یادگیری بسیار عمیق نیاز دارند.

دمیس حسابیس بنیانگذار DeepMind است که بعداً توسط گوگل خریداری شد. DeepMind با ترکیب تکنیک‌های یادگیری عمیق با یادگیری تقویتی برای رسیدگی به مشکلات یادگیری پیچیده مانند بازی کردن، که در بازی‌های Atari و بازی Go with Alpha Go به خوبی نشان داده شد، پیشرفت کرد.

مطابق با نامگذاری، آنها تکنیک جدید خود را Deep Q-Network نامیدند که یادگیری عمیق را با یادگیری Q ترکیب می کند. آنها همچنین نام رشته گسترده تر مطالعه را “یادگیری تقویتی عمیق” می گذارند.

آنها در مقاله طبیعت خود در سال 2015 با عنوان “کنترل در سطح انسانی از طریق یادگیری تقویتی عمیق” در مورد نقش مهم شبکه های عصبی عمیق در پیشرفت آنها اظهار نظر کردند و نیاز به انتزاع سلسله مراتبی را برجسته کردند.

برای دستیابی به این هدف، ما یک عامل جدید، یک شبکه Q عمیق (DQN) توسعه دادیم که قادر است یادگیری تقویتی را با کلاسی از شبکه عصبی مصنوعی به نام شبکه‌های عصبی عمیق ترکیب کند. قابل توجه، پیشرفت‌های اخیر در شبکه‌های عصبی عمیق، که در آن چندین لایه از گره‌ها برای ساختن نمایش‌های انتزاعی‌تر از داده‌ها استفاده می‌شوند، این امکان را برای شبکه‌های عصبی مصنوعی فراهم کرده است که مفاهیمی مانند دسته‌بندی اشیا را مستقیماً از داده‌های حسی خام یاد بگیرند.

در نهایت، در چیزی که ممکن است به عنوان یک مقاله تعیین کننده در این زمینه در نظر گرفته شود، Yann LeCun، Yoshua Bengio و Geoffrey Hinton مقاله ای را در Nature با عنوان ساده “آموزش عمیق” منتشر کردند. در آن، آنها با یک تعریف تمیز از یادگیری عمیق باز می شوند که رویکرد چند لایه را برجسته می کند.

Deep Learning به مدل‌های محاسباتی که از لایه‌های پردازشی متعدد تشکیل شده‌اند اجازه می‌دهد تا نمایش داده‌ها را با سطوح انتزاعی متعدد بیاموزند.

بعداً رویکرد چند لایه از نظر یادگیری بازنمایی و انتزاع توصیف می‌شود.

روش‌های Deep Learning، روش‌های یادگیری-بازنمایی با سطوح مختلف نمایش هستند که با ترکیب ماژول‌های ساده اما غیرخطی به دست می‌آیند که هر یک نمایش را در یک سطح (شروع با ورودی خام) به نمایشی در سطح بالاتر و کمی انتزاعی‌تر تبدیل می‌کنند. . جنبه کلیدی یادگیری عمیق این است که این لایه‌های ویژگی‌ها توسط مهندسان انسانی طراحی نشده‌اند: آنها از داده‌ها با استفاده از یک روش یادگیری همه‌منظوره آموخته می‌شوند.

این یک توصیف خوب و عمومی است و به راحتی می تواند اکثر الگوریتم های شبکه عصبی مصنوعی را توصیف کند. همچنین یادداشت خوبی برای پایان دادن به آن است.

خلاصه

در این پست متوجه شدید که Deep Learning فقط شبکه‌های عصبی بسیار بزرگی است که روی داده‌های بسیار بیشتری قرار دارند و به رایانه‌های بزرگ‌تری نیاز دارند.

اگرچه رویکردهای اولیه منتشر شده توسط هینتون و همکارانش بر آموزش لایه‌ای حریصانه و روش‌های بدون نظارت مانند رمزگذارهای خودکار تمرکز دارند، یادگیری عمیق مدرن مدرن بر آموزش مدل‌های شبکه عصبی عمیق (بسیاری لایه‌ای) با استفاده از الگوریتم انتشار پس‌زمینه متمرکز است. محبوب ترین تکنیک ها عبارتند از:

شبکه های پرسپترون چند لایه
شبکه های عصبی کانولوشنال
شبکه های عصبی بازگشتی با حافظه کوتاه مدت.
امیدوارم این موضوع روشن کرده باشد که Deep Learning چیست.

دوربین و لنز دو فاکتور بسیار مهم در زمینه پردازش تصویر هستند که انتخاب صحیح آنها تاثیر بسیار مهمی بر روی نتیجه پروژه ما دارد. در این مقاله قصد داریم تا توضیح دهیم که ابتدا چرا به لنز احتیاج داریم و در ادامه با انواع لنز آشنا خواهیم شد. پس از بررسی این مطالب به این موضوع می پردازیم که چگونه انتخاب لنز صنعتی صحیح را انجام دهیم.

سنسور تصویر به کمک لنز ابتدا نور را دریافت کرده و با تبدیل آن به پالسهای الکتریکی برای کامپیوتر ارسال می کند. کامپیوتر نیز طبق برنامه نویسی انجام شده و الگوریتم های موجود آن را مورد پردازش قرار می دهد و خروجی لازم را صادر می کند. خروجی می تواند تنها ارسال یک سیگنال باشد.

همانطور که عنوان کردیم با تابش نور، تصاویر از طریق لنز دریافت می شود و این بدان معنا است که در کنار کیفیت لنز، کیفیت نور نیز بسیار مهم و موثر است. چنانچه نور مناسب نباشد، لنز حتی اگر با کیفیت هم باشد، نمی تواند تصویر مناسبی را تحویل کامپیوتر بدهد.

تمام لنزهایی که در دوربین های صنعتی بکار می روند، بخشی وجود دارد که وظیفه دارد تا نور عبوری از لنز تنظیم نماید. این بخش را آیریز | IRIS می نامیم.آیریزها به دو دسته تقسیم می شوند :AUTO IRIS, MANUAL IRIS. در ادامه قصد داریم تا به بررسی این دو نوع IRIS بپردازیم.

این دسته از لنزها قادرند تا در هر ساعت از شبانه روز بصورت اتوماتیک به وسیله موتور کوچکی که در آنها تعبیه شده است، نور مناسب را برای لنز تامین کرده و تصاویری با وضوح بالا و کیفیت مناسب شکل گیرد.

برخلاف ایریز های سری خودکار، این آیریز ها تنها در شرایطی تصاویر با کیفیت را ایجاد می کنند که نور مناسب وجود داشته باشد. نور این نوع از لنزها به صورت دستی و یا منوال تامین می گردد. در ابتدای مقاله اشاره کردیم که در پردازش تصویر، نور یکی از فاکتور های بسیار موثر و مهم در این زمینه است. در مواقعی لازم است که نور کاملا ثابت باشد تا همیشه بتوانیم نتیجه یکسانی را در خروجی به دست اوریم. این نوع از  لنزها در موارد این چنینی بسیار کارامد و مفید هستند.

فاصله کانونی نیز یک فاکتور مهم در فرایند پردازش تصویر است. اندازه لنز همان فاصله کانونی دوربین است که بر اساس میلی متر سنجش می شود.فاصله کانونی، زاویه دوربین صنعتی است که نقش به سزایی در تصاویر دریافتی در پردازش تصویر دارد.عددی که اندازه لنز را مشخص میکند، هر چه بزرگتر شود تصویر بسته تری را دریافت می کنیم و با هرچه کوچکتر شدن اندازه لنز، تصویر ما نیز افزایش می یابد.

به لحاظ عملکرد و کاربرد می توانیم لنزهای موجود برای دوربین های صنعتی را سه دسته تقسیم کنیم:
۱- لنزهای فیکس یا فاصله کانونی ثابت
۲- لنزهای متغییر یا وریفوکال Varifocal
۳- لنز موتورایز

۱- لنز فیکسهمانگونه که از نام این نوع از لنز ها مشخص است، ثابت هستند و امکان تغییر و یا تنظیم دلخواه را ندارند. یعنی توسط این لنز (پس از نصب شدن بر روی دوربین صنعتی) شما همواره تصویر یکسانی را دریافت خواهید.از آنجایی که زاویه دید این لنزها همواره ثابت است، می توانید در شرایطی که زاویه دید و عمق دید ثابتی دارید آنها را بکار ببرید. پس اگر شرایط شما به گونه ای است که امکان تغییر زاویه دید وجود دارد می بایست در انتخاب لنز صنعتی خود بسیار دقت کنید زیرا به هیچ عنوان استفاده از این نوع لنزها را به شما توصیه نمی کنیم.

رایج ترین و پر استفاده ترین لنزها در دسته لنزهای با فاصله کانونی ثابت لنزهای ۲٫۸ ،۳٫۶ و۴ میل­متر می باشند.

۲- لنز متغیر

نوع دیگری از لنزهای صنعتی، لنزهای وریفوکال می باشند که بر خلاف نوع پیشین، فاصله کانونی آنها متغیر است. یعنی اگر در شرایطی که قصد دارید لنز را بکار ببرید، امکان تغییر عمق دید و تغییر زاویه دید وجود دارد، می توانید در انتخاب لنز صنعتی خود به سراغ لنزهای وریفوکال بروید. این لنزها دارای دو چرخ دنده بر روی لنز هستند که با تغییر یکی از آن چرخ دنده ها زاویه دید و فاصله کانونی تنظیم می شود. چرخ دنده ی دیگر کمک می کند تا وضوح تصویر افزایش یافته و در واقع عمل Focus انجام پذیرد. نکته ای که وجود دارد این است که اگر بخواهید این دو ویژگی را بر روی لنز تنظیم کنید، لازم است تا به صورت فیزیکی تنظیمات را بر روی چرخ دنده ها انجام دهید. در واقع امکان تنظیم نرم افزاری وجود ندارد.

۳-لنز موتورایز

این لنز به لحاظ عملکرد و کارایی کاملا مشابه با لنزهای سری وریفوکال هستند. به این معنا که شما می توانید زاویه دید و فوکِس را بر روی این لنز ها به صورت دلخواه انجام دهید. تفاوت اصلی این است که در لنزهای وریفوکال کاربر مجبور است تا تنظیمات لازم را به صورت دستی و فیزیکی بر روی چرخ دنده های لنز اعمال کند، اما در این نوع لنزها امکان تنظیم از راه دور وجود دارد و شما می توانید به وسیله موتور های موجود در دوربین، از طریقه نرم افزار نیز تنظیمات را انجام دهید.

 دیافراگم چیست؟

دیگر ویژگی ای که شما باید در انتخاب لنز صنعتی به آن توجه کنید، دیافراگم لنز دوربین صنعتی است. دیافراگم روزنه ­ای است که نور را از طریق خود به دوربین هدایت می کند. f.stop واحد اندازه­ گیری دیافراگم لنز است. با کاهش میزان f.stop، دیافراگم بازتر خواهد شدو نتیجتا نور بیشتری به لنز می رسد، و بر عکس ، هرچه این عدد افزایش یابد دریچه بسته تر شده و نور کمتری نیز وارد لنز دوربین می شود.

عمق میدان لنز، وابسه به دیافراگم است. اندازه روزنه دیافراگم اثر مستقیمی بر روی  عمق میدان تصویر دارد. کوچکتر شدن روزنه دیافراگم منجر به افزایش وسعت عمق میدان می شود که این ویژگی در زوم و فوکوس کارآمد است.

زمانی که دیافراگم باز باشد اجسام نزدیک را شفاف نمایش داده و اجسام دور را بصورت تار نشان می­دهد در صورتی­که اگر دیافراگم کوچک باشد تمام قسمت­های تصویر را به شکل کاملاً شفاف نمایش می­دهد.

راهنمای انتخاب شماره فاصله کانونی لنز مناسب

یکی از دغدغه ­های کارشناسان پردازش تصویر در هنگام نصب دوربین­های صنعتی، انتخاب نوع لنز مناسب برای محل و هدف مورد نظر است. اینکه چه لنزی را برای زوم و فوکوس روی بخشی خاص از محیط انتخاب کنید.
همانطور که می­دانید لنزها در اندازه­ های متفاوتی در بازار موجودند. که متداول­ترین آن­ها لنزهای ۴٫۳ ، ۶ ، ۸ ،۱۲ و یا ۱۶ میلیمتری هستند.­
در تصاویر زیر دوربین در موقعیت یکسان و فاصله ۱۰ متری از ساختمان روبرو نصب شده است. با تغییر لنزها تصاویر را با هم مقایسه می­کنیم. با توجه به تصویر مربوط به لنز ۴٫۳ میلیمتری، واضح است که برای دید کامل­تر باید این لنز را انتخاب کنیم. هرچه به لنز ۱۶ میلیمتری پیش می­رویم زوم بیشتر شده و دامنه دید کاهش می یابد.