Yapay Görme: Robot Bionic Vision Teknolojileri
Yapay görme, bilgisayarların ve robotların yardımıyla çevredeki dünyanın görüntülerini görüp analiz edebildiği bir teknoloji dalıdır. Wall-E animasyonunu izlemişsinizdir; Dünya gezegeninin çorak arazisinde (küçük hamamböceğini saymazsanız) yalnız yaşayan ve artık çöplerden kuleler inşa eden sevimli küçük bir robot. Wall-E, keşif ve heyecan dolu yolculuğuna başlamadan önce, her gün programa göre çöpe gider, onları dikkatle gözlemler ve inceler, dikkatini çeken her şeyi alır ve gerisini bir çöp küpüne koyar. dönüştürür
Ancak bu tekrarlanan günlerden birinde, küçük robotumuz alışılmadık ama çarpıcı bir fenomenle, bir bitkiyle karşılaştığında hikaye ilginç bir hal alıyor. Ve Wall-E’nin heyecanlı ve maceralı yolculuğu başlar. Ama Wall-E’nin fabrikayı neden çöp gibi yok etmediğini hiç merak ettiniz mi? Cevap yapay görme teknolojisinde yatıyor.
Yapay Görme Nedir?
Yapay görme kavramını anlamanın en kolay yolu, makinenin “gözü” yerine bu teknolojiyi düşünmektir. Yapay görme, akıllı sistemlerin çevredeki ortamı aramasını ve analiz etmesini otomatik olarak sağlayan gelişmiş bir teknolojidir. Bu teknolojinin yardımıyla, görüntü işleme yoluyla çevrenin otomatik olarak ölçülmesi, süreç kontrolü ve robotik rehberlik mümkündür.
Yapay görme hakkında konuştuğumuzda, yazılım ve donanım ürünleri, entegre sistemler, eylemler, yöntemler ve çeşitli uzmanlıklar gibi teknolojinin farklı dallarında izlerini bulabileceğimizi bilmek önemlidir. Yapay görme, bilgisayar sistemleri için diğer teknolojilerle birlikte sorunları ve sorunları çözmek için yeni yollar bulmamıza yardımcı olan yeni bir yetenektir.
Tabii ki, bu kavram bilgisayarla görme ile karıştırılmamalıdır. Yapay görme, robota bağlanan ve çevredeki dünyanın görüntülerini alan bir kameraya veya benzer bir sisteme bağlıdır. Basit bir dilin daha iyi anlaşılması için makine görüşünün makinenin gözü gibi çalıştığını ve beyin gözden alınan görüntüleri işlediği için bilgisayar görüşünün çalıştığını düşünebiliriz. Sonuç olarak, bilgisayar görüşü olmadan makine görüşü yoktur! Bu noktaya kadar, makine görüşünün robotların çevrelerini görmelerini sağladığını anladık.
Wall-E’nin hikayesine dönecek olursak Wall-E, yapay görme teknolojisinin yardımıyla çevreyi ve nesneleri görebilir. Bu bilgi sayesinde beğendiği şeyleri kendine alır, geri kalanını da yok eder. Biraz daha açık olalım; Wall-E’nin eşya koleksiyonuna hızlıca bir göz atarsak, en sevdiği şeylerin her gün aynısını bulamadığı, bir şekilde “farklı” ve “nadir” olan şeyler olduğunu görürüz! Ama bir robot bunları nasıl anlar?! Bu soruyu cevaplamak için önce araba görüşünün nasıl çalıştığını görmeliyiz!
Yapay görme nasıl çalışır?
Biz insanlar yapay görme bilgisini tasarladığımızdan beri. Sonuç olarak, süreci büyük ölçüde insan görme sürecine benzer. Yapay görmenin nasıl çalıştığını hâlâ anlamadıysanız endişelenmeyin; Bunun yerine, vizyonumuzun nasıl çalıştığı hakkında biraz bilgi edelim! Bir şeyi görebilmek için önce ışığa ihtiyaç vardır. Işık cisme çarpar ve gözümüze geri döner; bu noktaya kadar insanların ve makinelerin (kameranın göz rolünü oynadığı) görme süreci aynıdır.
İnsan gözünde alıcı hücreler, nesneden aldıkları ışığı elektrik sinyaline çevirerek beyne gönderirler (evet, beynimiz de elektrikle çalışır!). Bu noktadan itibaren, beyin alınan görüntüyü işlemek, onu mevcut diğer bilgilerle karşılaştırmak ve nesnenin kimliğini tanımak için çaba sarf eder.
Aynı sürecin biraz abartı ile yapay görmede de gerçekleştiğini iddia edebiliriz. Kamera yansıyan ışığı alır, dijital sinyale dönüştürür ve işlemci devresine gönderir. Bu bölümde görüntü işleme süreci başlar ve işlemci görüntü bilgilerini halihazırda sahip olduğu verilerle karşılaştırır, eğer benzer bir öğe bulursa, nesnenin kimliğini tanır ve duyurur. Peki ya daha önce hiç böyle bir cihaz görmemişse?
Pekala, burada makine öğrenimi teknolojisini kullanmaya başlamalıyız! Makinenin denetleyici yazılımı, makine öğrenimi ile donatılmışsa, bu nesneyi yeni bir aygıt olarak kaydedecek ve esasen bu aygıtın özelliklerini “öğrenecektir”. Şimdiye kadar, makine görüşünün nasıl çalıştığını kısaca anladık, ancak şimdiye kadar tartışılan şey, bu bilimin okyanusunda bir damla! Yapay görme hakkında hâlâ bilmediğimiz çok şey var, bu yüzden nasıl çalıştığına daha yakından bakalım.
Yapay görme görüntüleme süreci
Yapay görmede ilk adım görüntülemedir. Yapay görme teknolojisiyle donatılmış bir sistem (örneğin bir robotik kol), ortamın resimlerini çekmek için bir cihaz kullanır. Bu cihaz genellikle görüntü işleme ünitesinden ayrılabilen veya bir akıllı kamera veya akıllı sensör oluşturmak için birleştirilebilen bir kamera türüdür. Kullanım amacına göre fotodirençler (fotoseller), dijital kameralar, 3D kameralar, sıcaklık kameraları, akıllı kameralar gibi çeşitli araçlar kullanılabilir.
Tipik olarak, bir yapay görme sistemi, standart aydınlatma koşulları altında geleneksel 2B görüntülemeyi kullanır. Bununla birlikte, bir parçanın ayrıntılarını tespit etmek için özel aydınlatma veya görüntüleme gerekiyorsa, multispektral görüntüleme, hiperspektral görüntüleme, kızılötesi görüntüleme, lineer görüntüleme, 3D görüntüleme ve X-ray görüntüleme kullanılabilir. Temel fark, 2B aydınlatmadan elde edilen görüntülerin genellikle tek renkli olması, karmaşık görüntülemenin ise renk, kare hızı ve çözünürlük gibi bilgileri yakalamasıdır. Hareket eden nesneleri izlemek için karmaşık görüntüleme kullanılır.
Wall-E’ye gelince, küçük robotumuzun gelişmiş kameralara sahip olduğundan neredeyse emin olabiliriz, ancak iş renk tanımaya geldiğinde emin değiliz! Neden? Niye? Aşağıdaki görsel dünyayı Wall-E perspektifinden göstermektedir ve sizin de görebileceğiniz gibi Wall-E perspektifinden dünya tek renklidir!
Wall-E bitki ile çöp arasındaki farkı nasıl bildi (ya da çok zorlama, bunun özel olduğunu!)? Yapay görmenin fotoğraf çekmekten, görüntüleri işlemekten ve nesneleri renge göre tanımaktan daha fazlası olduğunu bilmek önemlidir! Bulmacayı çözmek için bu makaleyi okumaya devam edin!
Görüntü işleme
Resim çekildikten sonra işlenmek üzere bir CPU, GPU, FPGA veya bunların bir kombinasyonuna gönderilir. Sistemin boyutuna ve karmaşıklığına göre yapay görme aracının ve sistemin işlemcisinin türü ve doğruluğu belirlenir. Örneğin, günde 12 parça denetlemek için gereken işlemci, dakikada 12 parça denetlemek gibi daha karmaşık bir işlem için uygun olan işlemciden farklı olacaktır.
İkinci işlemci durumunda, veri miktarı büyük ölçüde arttı ve ikinci işlemci daha karmaşık ve doğru olacak. Yapay görme sistemi, makine öğrenimi ve derin öğrenme teknolojilerini uygulayacaksa, gelişmiş ve daha karmaşık bir işlemciye ihtiyaç duyacaktır. Görüntü işleme, yapay görme sürecindeki ikinci ve en önemli adımlardan biridir ve bu kısımda elde edilen bilgiler, kullanıcıya gösterilen nihai sonucu tamamlamak için kullanılır.
Tipik bir görüntü işleme süreci genellikle görüntüyü değiştirmek için uygulanan filtreler gibi araçlar kullanılarak yapılır. Ardından, görüntüdeki nesnelerin şekli ve detayları gibi özellikleri çıkarılır. Bir mağazada bir ürünün barkodu okutulması ve bilgilerinin sisteme kaydedilmesi gibi, görüntüde yer alan barkod, boyut, posta kodu gibi istenilen veriler ve diğer bilgiler okunur.
Bir sonraki adımda bu veriler işlem birimine aktarılır ve işlemci bu parça veya nesne ile ne yapılacağına karar verir. Yapay görme teknolojisi ile görüntülere çok çeşitli filtreler ve görüntü işleme yöntemleri uygulanabilir ve bunlardan çeşitli bilgiler çıkarılabilir. Hangi filtrenin ve yöntemin kullanılacağı, sistemin amacına ve uygulamasına bağlıdır. Görüntü işleme süreci aşağıdaki bölümlere ayrılmıştır:
Eşikleme ve piksel sayımı
Bu bölümde, gerekirse görüntünün bazı bölümleri kesilir. Bunu yapmak, sistemin siyah ve beyaz (yani gri) arasındaki bir renk için bir temel değer düşünmesini ve bu temel değerin yardımıyla görüntünün siyah ve beyaz kısımlarını ayırt etmesini gerektirir. Eşikleme adı verilen bu eylem, sistemin görüntüdeki nesneleri tanımasına ve bunları görüntüdeki diğer ayrıntılardan ayırmasına yardımcı olur. Eşiklemeden sonra, piksel sayma adımı başlar.
Bildiğiniz gibi dijital görüntüler, resmin tamamını oluşturan piksel adı verilen çok küçük renkli veya siyah beyaz karelerden oluşur. Piksel sayma aşamasında beyaz ve siyah evlerin sayısı ayrı ayrı sayılır; bu işlem genellikle piksel sayan sensörler yardımıyla yapılır. Otomatik paketleme sistemlerinde kullanılan piksel sayma işlemi; Bu şekilde piksel sayacı sensörü, siyah ve beyaz piksellerin kombinasyonunu kullanarak şişe etiketlerini tanır ve tüm şişenin görüntüsünü elde eder.
Segmentasyon, kenar algılama ve renk işleme
Görüntü işleme sürecinin bu bölümünde, dijital görüntü farklı parçalara bölünür, böylece görüntü basitleştirilerek veya değiştirilerek daha kolay analiz edilebilir veya ondan daha fazla anlam çıkarılabilir. Ayrıca işlemci sistemi görüntüyü segmentlere ayırarak fotoğraftaki nesneleri daha kolay bir şekilde kategorize edebiliyor. Yapay görme sistemi, kenar algılama yardımıyla fotoğraftaki herhangi bir parçanın veya nesnenin kenarlarını algılayabilir ve o cihazı diğerinden ayırt edebilir.
Basit görünebilir, ancak bilgisayarlar için nesneleri tanımak insan beyni kadar kolay değildir! Makine öğreniminde kenar algılama, sistemin farklı nesnelerin kenarlarını nasıl algılayacağını öğrenmesine ve bunları daha kolay kategorilere ayırmasına yardımcı olur. Sistem renkli kameralar veya renk algılama sensörleri ile donatılmışsa, parça ve nesneleri birbirinden ayırmak ve kategorize etmek çok daha kolaydır.
Makine öğrenimi, derin öğrenme ve sinir ağları
Burada görüntü işleme biter ve görüntüden elde edilen temel bilgiler yardımıyla bilgi işleme başlar. Makine öğrenimi, derin öğrenme ve sinir ağları olmak üzere üç teknolojinin yardımıyla, temel bilgiler yapay görme sisteminde daha yüksek hız ve doğrulukla işlenir. Üç teknoloji, yapay görme sisteminin bilgileri daha güçlü bir şekilde işlemesine yardımcı olur. Bu üç teknolojinin yardımıyla yapay görme sistemi hangi verilerin değerli olduğunu daha iyi anlayabilir. Bu yetenek, çok sayıda ve karmaşık süreçleri içeren durumlarda sisteme büyük ölçüde yardımcı olur.
Örüntü tanıma ve bilgi okuma
Yapay görme sistemi, örüntü tanımanın yardımıyla işlem sırasında belirli örüntüleri bulabilir, tanıyabilir ve sayabilir. Birbirinden farklı örüntüleri tanıma veya karmaşık örüntüleri bulma, makine öğrenimi teknolojisi veya derin öğrenme yardımıyla bir makineye öğretilebilir. Bunun örnekleri, döndürülen, başka bir nesnenin arkasına gizlenen veya farklı boyutlara sahip nesneler olabilir.
Bilgi okuma, makine görüş sisteminin QR kodu, barkod veya radyo frekansı etiketi (RFID) gibi bir veri matrisi aracılığıyla etiketler veya nesneler üzerindeki bilgileri okumasını sağlayan bir özelliktir. Bu özelliğin kullanım örnekleri mağazalarda görülebilir; Örneğin, bazı giysilerin etiketlerinde, üretildiği ülke, malzeme ve yıkama gereklilikleri gibi bilgilere erişmek için taranabilen bir barkod bulunur. Yapay görme sisteminin okuyabileceği bilgi düzeyi farklıdır; örneğin, bir RFID etiketinin içindeki bilgiler bir barkoddan daha kapsamlı ve karmaşıktır.
Karakter tanıma ve ölçüm
Bilgi okuma yeteneği gibi, karakter tanıma da sistemin metin ve ürün seri numaraları gibi sayıları okumasını sağlar. Metin ne kadar karmaşıksa, makine öğrenimi veya derin öğrenme yoluyla eğiterek makine görme sisteminin yeteneklerini geliştirmek o kadar önemli olacaktır. Ölçüm yeteneği, sistemin görüntüdeki nesnelerin boyutlarını ve boyutlarını ölçebilmesi için bu olasılığı sağlar.
Ölçüm yeteneği sayesinde sistem, nesnenin boyutlarını, piksel, inç, milimetre, uzunluk, zaman, ağırlık vb. farklı ölçüm modlarını tanımlayabilir.
Sonuca karar vermek
Bu aşamada, önceki tüm aşamalar yüklenir! Artık önceki adımlardan elde edilen bilgiler yardımıyla sistem bu kısımda ne yapılacağına karar verir. Örneğin parçanın özellikleri gerekli standartlarda ölçülür ve gerekli kaliteye sahip değilse arızalı parçaya gönderilir. Aksi takdirde üretim hattında devam edecektir. Başka bir örnek de bazen üretim hattında farklı parçalarla uğraşmamız ve bunların her birinin belirli bir hedefe yönlendirilmesi gerekiyor. Bu durumda, yapay görme sistemi her bir parçanın kimliğini tanır ve onu amaçlanan varış noktasına gönderir.
TAMAM! Artık makine görüşünün işleyişini tüm detaylarıyla anladığımıza göre, Wall-E bilmecesinin cevabını almanın zamanı geldi! Cevabı bulmaya hazır mısınız? Muhtemelen şimdiye kadar çözmüşsünüzdür, ancak emin olmak için bu bulmacanın üzerinden bir kez daha geçelim. Soru şu ki, Wall-E neden tesisi atıktan ayırdı?
Yapay görme ile donatılmış sistemin (bu örnekte Wall-E) işleyişini bilerek, sistemin parçaların görüntüsünü incelediğini ve ayrıntılar yardımıyla kimliğini tanıdığını biliyoruz. Zavallı Wall-E yıllardır çöpleri ayıklıyor, bu yüzden onların özelliklerini biliyor! Gazoz kutusu, kağıt, bozuk elektronik gibi imha edilmesi gereken her türlü çöp Wall-E tarafından defalarca görülmüş ve çöp olarak hafızasına kaydedilmiştir.
Yani Wall-E, yinelenen bir çöp parçasıyla her karşılaştığında, onu yıllar önce öğrendiği çöp tanıma modeliyle (muhtemelen makine öğreniminin yardımıyla) tanır ve yok eder. Şimdi, birbirini tekrar eden günlerden birinde, Wall-E daha önce hiç görmediği bir şeyle karşılaşır; Bir bitki. Wall-E onun görüntüsünü yakalar ve onu enkaz modeliyle ve şimdiye kadar gördüğü diğer tüm cihazlarla karşılaştırır, ancak cevapsız kalır! Wall-E hafızasında santral ile ilgili herhangi bir hafıza ya da veri bulunmamaktadır!
Sonuç olarak, bitkinin çöp olarak kimliği doğrulanmaz ve Wall-E onu diğerlerinden ayırır ve makine görme bilgisi sayesinde Dünya gezegeninin kaderi değişir! Wall-E animasyonu, robotik, makine görüşü ve makine öğrenimi hakkında eksiksiz bir ders olarak kabul edilebilir; Bu filmde, yapay görme teknolojisinin abartılı görünebilecek, ancak gerçekte kökleri olan çeşitli uygulamalarını görüyoruz. Ancak günümüz dünyasında yapay görme ne için kullanılıyor?
Yapay görme uygulamaları
Yapay görme teknolojisinin birincil uygulaması, görüntü tabanlı mekanik inceleme, sıralama ve yönlendirmedir. Yapay görme teknolojisi, robotun parçaları nereye koyacağını veya alacağını anlamasına yardımcı olmak için bir robota kurulur. Bu teknolojinin yardımıyla, üretim hattı boyunca parçaları otomatik olarak kontrol eden ve analiz eden, gerektiğinde bunları çıkarıp başka bir yere yerleştiren ve son olarak tüm ürün hattını kontrol eden ve yöneten akıllı robot hatları oluşturmak mümkündür.
Diyelim ki sisteme bir spektrometre kamerası ekledik. Bu durumda robotik hat, parçaları ölçerken ve kontrol ederken renkleri tanıyabilecek ve bu bilgileri daha iyi ölçmek için kullanabilecektir. Ancak bu tür ayrıntıların eklenmesi sistemin yanıt verme süresini kısaltır çünkü işlemci kısmı bilgiyi işlemek için daha fazla zamana ihtiyaç duyacaktır. Bilimin ilerlemesiyle, yazılım programlama dünyası o kadar sınırsız hale geldi ki, gıda endüstrisinden otomobile kadar her endüstrinin özel ihtiyaçlarına göre farklı kontrol sistemleri tasarlayabilir ve uygulayabiliriz.
Yapay görme teknolojisi ile donatılmış bir sistem, istenen sektöre göre çok çeşitli nesneleri ve parçaları ölçebilir ve ilişkilendirebilir. Otomotiv, elektronik ve yarı iletkenler, yiyecek ve içecekler, karayolu trafiği, araçlar ve akıllı ulaşım sistemleri, tıbbi görüntüleme, paketleme, etiketleme ve baskı, ilaç bilimleri, geliştirme, Bilim ve TV yayıncılığı gibi çok çeşitli sektörlerde yapay görme kullanılabilir.
Bu teknoloji, derin öğrenme ve makine öğrenimi gibi diğer bilim alanlarının yanında yer alır ve işletmelerin mevcut verileri daha iyi anlamalarına ve işlemelerine yardımcı olur ve ayrıca mevcut ürünlerin verimliliğini artırmalarına yardımcı olur; Örneğin, BMW şirketi yapay zeka ve makine öğrenimi ile ilgili bu teknolojileri arabalarının performansını iyileştirmek için kullanıyor, aynı şey sürücüsüz araba üretimine odaklanan Tesla otomobil şirketinde de oluyor.
Robotikte yapay görme
Günümüzde robotların kullanımı önemli ölçüde artmış, bu nedenle yapay görme teknolojisinin robotlar üzerinde kullanımı özellikle önemli hale gelmiştir. Bu teknoloji, robotların daha yüksek doğruluk, daha iyi yönlendirme ve sorunları daha kolay anlamalarına yardımcı olur. Sonuç olarak, bir parçayı daha doğru bir şekilde inceleyebilecek, doğru konuma daha hızlı yerleştirebilecek ve daha karmaşık görevleri daha kısa sürede çözebilecekler. Bu özellik, operatörlerin robotları daha kolay ve iki hareket ekseninde kontrol etmelerini sağlar.
Çoğu durumda, robota tek bir kamera kurulur veya ürünleri ayırma veya robotik kollar yardımıyla ürünleri yerleştirme ve çıkarma gibi karmaşık işlemlerde daha yüksek doğruluk sağlamak için çift kamera sistemi kullanılır. Bununla birlikte, şerit üzerine ışık tutmak ve kusurlu ürünü belirlemek için kullanılabilecek başka bir olasılık da lazer taramadır. Benzer şekilde, 3D kameralar ürünün veya bir kısmının 3D haritasını oluşturabilir.
Günlük yaşamda yapay görme izleri
Robotların endüstride yaygın olarak kullanılmasına rağmen robotlar henüz günlük hayatımıza girmemiştir. Ancak böyle bir gün uzak değil. Bu makaleyi okurken, bilgisayar görüşünü kullanan teknolojiler etrafınızdadır. Örneğin, Google Translate yazılımı el yazısıyla yazılmış bir metnin fotoğrafını kolayca çevirebilir; akıllı telefon yüz tanıma ile açılır ve akıllı telefon sağlık uygulamalarının tümü bilgisayarla görme teknolojisini kullanır.
İnsan yaşamındaki yapay görmenin bir örneği, Cozmo adlı küçük ve tuzlu bir robottur. Çoğunlukla eğlence amaçlıdır ve konumunu tanıyabilir, hareket edebilir, oynayabilir, düşerse doğru konuma dönebilir ve bir cep telefonuna ve kişisel sesli yardımcıya bağlanabilir. Cosmo’nun tasarımının Wall-E filmindeki robotlardan birinden ilham aldığını bilmek ilginç. (Bu küçük saplantıyı hatırlıyor musunuz?) Cozmo, akıllı ev sisteminize bağlanabilir ve aydınlatma ve sıcaklık gibi çevresel özellikleri kontrol edebilir.
Bilim kurgu filmlerinden hoşlanıyorsanız, şimdiye kadar birçok kez yapay görme teknolojisine sahip karakterlerle karşılaşmışsınızdır. Matrix (1999) filminin tüm bilgisayar dünyası, Space Odyssey (1968) filminin kötü adamı veya bilgisayar Hall 9000, Yapay Zeka (2001) filminin robotik çocuğu David ve diğer birçok karakterin tümü makineden yararlandı. görüş. Bunu akılda tutarak, işte ilginç bir gerçek (bir sürprize hazır mısınız?): Bu makaleyi okumadan önce zaten makine görüşüne aşinaydınız!
Teknolojinin şaşırtıcı gelişimi hem korkutucu hem de ümit verici olabilir; Belki bir gün gelecek Matrix filminin korkunç dünyası gerçek olacak ve insanlar makinelere yenik düşecek ya da tam tersi; Bir gün, Wall-E gibi küçük bir robot, insanların bir kez daha el ele tutuşmasını ve Dünya’daki yaşamı geri yüklemek için birleşmesini sağlayabilir. Ne düşünüyorsun? Araba dünyasının gelecekteki gelişiminin ne olacağını düşünüyorsunuz? Yorumlarınızı bu sayfanın alt kısmında paylaşabilirsiniz. Yorumlarınızı bekliyoruz!