بینایی ماشین شاخه‌ای از هوش مصنوعی است که به رایانه‌ها قابلیت فهم و تحلیل دنیای واقعی را میدهد. با استفاده از مدلهای یادگیری عمیق، ماشینها اکنون میتوانند به طور دقیق اشیاء موجود در تصاویر دیجیتال را شناسایی و طبقه‌بندی کنند و سپس نسبت به آنچه میبینند واکنش نشان دهند. نیاز روزافزون به اتوماسیون، رباتهای هوشمند و سایر سیستمهای صنعتی خاص، استفاده گسترده از بینایی ماشین را سرعت بخشیده است. انتظار میرود که این بازار از 10/9 میلیارد دلار در سال 2019 به 17/4 میلیارد دلار در سال 2024 افزایش یابد.

 

 

منشا بینایی ماشین

بینایی ماشین اولین گامهای خود را در دهه 50 میلادی برداشت، جاییکه شبکه‌های عصبی اولیه شروع به تشخیص لبه‌های اشیاء و مرتب کردن آنها بر اساس شکل و فرم ظاهری کردند. در دهه 70، اولین کاربردهای تجاری بینایی ماشین برای تفسیر متن نوشته شده برای افراد نابینا و با استفاده از روش شناسایی کاراکتر نوری (OCR) انجام شد. همچنان که اینترنت در دهه 90 به بلوغ خود میرسید، مجموعه‌های بزرگی از تصاویر دیجیتال به صورت آنلاین برای تحلیل در دسترس عموم قرار گرفت و توسعه برنامه‌های تشخیص چهره را به دنبال داشت. در حین تحول کاربردهای بینایی ماشین، الگوریتمها برای حل مسایل خاص و مهم بر روی دسته وسیعی از کاربردها پیاده‌سازی شدند و به طور پیوسته و مداوم در طول زمان به پیچیدگی آنها افزوده شد.

امروزه، استفاده همگانی از دوربینهای تلفن همراه یک جریان دائم عکس و ویدئو را تضمین کرده و فناوری بینایی ماشین به سادگی در دسترس عام قرار گرفته است که آن را برای شرکتهای بزرگ فناوری دلپذیرتر کرده است. نرخ دقت شناسایی و کلاسبندی اشیاء از حدود 50% تا 99% در کمتر از یک دهه افزایش یافته و سیستمهای امروزی حتی از انسان نیز دقیقتر شده‌اند.

 

 

کاربردها

تاثیر فناوری بینایی ماشین بر روی طیف وسیعی از شاخه‌های علمی احساس میشود و این فناوری بر رایانه‌ها به منظور تحلیل تصاویر متکی است. این موارد شامل شاخه‌های نظامی، صنعتی، بهداشت، خودرو، داده و اطلاعات و خرده فروشی میشود. همچنان که بینایی ماشین در حال بلوغ است کاربردهای آن به نظر میرسد که پایانی ندارد. به چند نمونه در ادامه اشاره میشود.

 

 

نظامی

برای ارتشهای مدرن، بینایی ماشین فناوری حیاتی است که به سیستمهای امنیتی آنها کمک میکند تا به سرعت نیروهای دشمن را تشخیص دهند و توانایی سیستمهای موشکی را در هدف قرار دادن آنها بالا ببرد. مفاهیم نظامی همچون آگاهی وضعیتی به شدت وابسته به حسگرهای تصویری برای فراهم سازی اطلاعات هوشمند است که در تصمیم‌گیریهای تاکتیکی مورد استفاده قرار میگیرد. کاربرد دیگر بینایی ماشین در حوزه وسائل نقلیه مستقل است که نیاز به عبور از مسیرهای دشوار و تشخیص نیروهای دشمن دارند. همچنین، سیستمهای بینایی ماشین راننده‌ها و خلبانها را حمایت کرده و آنها را قادر به گریز از آتش دشمن میکنند.

 

 

صنعت

در تولید و ساخت، شاخه بینایی ماشین به مدت طولانی به منظور بازبینی و بازرسی کالاها، تشخیص محصولات معیوب در خط تولید و بازرسی تجهیزات از راه دور مورد استفاده قرار گرفته است. از این فناوری همچنین برای اتوماسیون و بهینه‌سازی فرآیندهای عملیاتی و کنترل از طریق نشانه‌گذاری رخدادهای غیرعادی و نامناسب، بهره گرفته شده است. مثالهایی از بینایی ماشین در صنعت شامل نگهداری تجهیزات، سرهمبندی محصول، بازرسی بسته محصول، خواندن بارکد برای تعقیب موثر محصول، تحلیل متن و کنترل کارگرهای رباتیک میشود. به طور مثال، شرکت اسپری اینفورماتیک از بینایی ماشین برای مانیتور کردن چاههای نفت دورافتاده برای از بین بردن نیاز به حضور تکنیسینها استفاده میکند و با این کار هزینه‌های مربوطه را نصف کرده است.

 

 

بهداشت

از آنجاییکه 90% اطلاعات پزشکی مبتنی بر تصویر است، کاربردهای متعددی از بینایی ماشین در بخش بهداشت و درمان ظهور کرده است. فناوری میتواند ناهنجاریها در تصویر بدست آمده از اسکنهای MRI و CAT را با دقتی بسیار بالاتر از متخصصین تشخیص دهد. توانایی این فناوری در تشخیص تومورها در مراحل اولیه، متخصصین مختلف پزشکی همچون رادیولوژیستها، کاردیولوژیستها و آنکولوژیستها را نسبت به بینایی ماشین علاقمند کرده است. همچنین فناوری بینایی ماشین به عضو مهمی از فرآیندهای تشخیصی بدل شده است. به طور مثال، شرکت گاوس سرجیکال راه‌حلی برای مانیتور کردن فرآیند از دست رفتن خون به صورت آنلاین از طریق تشخیص میزان خون موجود در اسنفنجهای جراحی ابداع کرده است. در حال حاضر فناوری بینایی ماشین در بسیاری از جراحیها استفاده میشود.

 

 

خودرو

حوزه‌ای که تخیل افراد زیادی را درگیر کرده است، ماشینهای بدون راننده است که به شدت به بینایی ماشین و یادگیری عمیق وابسته است. اگرچه هنوز به نقطه جایگزینی کامل راننده واقعی نرسیده‌ایم، ولی فناوری وسایل نقلیه خودران در طول چند سال گذشته بسیار پیشرفت کرده است. هوش مصنوعی اطلاعات جمع‌آوری شده از میلیونها راننده را دریافت کرده و از رفتار آنها برای یادگیری فرآیندهایی همچون یافتن خطوط جاده، تخمین انحنا جاده، تشخیص مکانهای خطرناک و تفسیر علامتهای ترافیکی استفاده میکند. شرکت وایمو، به عنوان مثال، الگوریتمهای یادگیری ماشین را با استفاده از رانندگی در طول 7 میلیون مایل در جاده‌های عمومی آموزش داده است.

 

 

پردازش داده

برای کمک کردن به انسان در امور شناسایی و سازماندهی اطلاعات، ابزارهای بینایی ماشین و یادگیری عمیق باید تحت آموزش قرار گیرند و برای این کار به حجم وسیعی از داده‌های نشانگذاری شده نیاز دارند. این کار معمولا توسط انسان انجام میشود که فرآیندی زمانبر، گران و با دقت نامناسب است. همچنان که الگوریتمهای یادگیری عمیق تحول می‌یابند، آنها از طریق روشی تحت عنوان تجمیع منابع تخصصی، جایگزین فرآیندهای نشانگذاری دستی میشوند. داده‌های تجمیع منابع شده، که مبحث مهمی در رایانش ابری و ژن‌شناسی است، موثرترین، دقیقترین و به لحاظ هزینه بهترین روش جمع‌آوری داده است و در حال حاضر پلتفرمهای نسل بعدی در حوزه‌های مختلف از آنها استفاده میکنند.

 

 

مسیر پیش رو

بازار کاربردهای بینایی ماشین به سرعت در حال رشد است و همچنان که فناوری مقرون به صرفه‌تر میشود، انتظار آن میرود که بیشتر از بینایی ماشین و یادگیری عمیق استفاده شود تا رویای شهرهای هوشمند به واقعیت بدل شود.

 

 

 

 

منبع: www.techsee.me