Το Machine Vision είναι η συγχώνευση πολλών τεχνολογιών που επιτρέπουν στον βιομηχανικό ή άλλο αυτοματοποιημένο εξοπλισμό να αντληθεί από εικόνες μια προηγμένη κατανόηση του περιβάλλοντος στο χέρι. Χωρίς λογισμικό μηχανής όρασης, ψηφιακές εικόνες με διαφορετικές τιμές χρωμάτων και τόνες εντάσεις δεν θα ήταν τίποτα περισσότερο από μια απλή, ανεξέλεγκτη συλλογή εικονοστοιχείων σε τέτοιο εξοπλισμό. Η μηχανική όραση επιτρέπει σε έναν υπολογιστή (συνήθως συνδεδεμένο με έναν ελεγκτή μηχανής) να ανιχνεύει τις άκρες και τα σχήματα σε τέτοιες εικόνες, προκειμένου να επιτρέψει σε έναν επεξεργαστή υψηλότερου επιπέδου να αναγνωρίζει ένα προκαθορισμένο αντικείμενο στόχου. Οι εικόνες με αυτή την έννοια δεν περιορίζονται σε φωτογραφικές εικόνες στο ορατό φάσμα. Μπορούν επίσης να περιλαμβάνουν εικόνες που λαμβάνονται χρησιμοποιώντας σήματα υπέρυθρων, λέιζερ, ακτίνων Χ και υπερηχητικών.
Σε βιομηχανικά περιβάλλοντα, είναι αρκετά συνηθισμένο για τις εφαρμογές μηχανικής όρασης να αναγνωρίζουν συγκεκριμένα μέρη από τα πολλά μέρη που τοποθετούνται σε μια ακαταστασία των κάδων υλικού. Εδώ, το Machine Vision βοηθά το ρομπότ pick-and-place να πάρει αυτόματα τα σωστά μέρη. Φυσικά, εάν τα μέρη είναι όλα τακτοποιημένα με τον ίδιο προσανατολισμό σε μια παλέτα, θα ήταν σχετικά απλό να τα αναγνωρίσουμε με ανατροφοδότηση απεικόνισης. Ωστόσο, οι ισχυροί αλγόριθμοι μηχανής όρασης μπορούν να αναγνωρίσουν αντικείμενα που βρίσκονται σε διαφορετικές αποστάσεις από την κάμερα (και επομένως εμφανίζονται ως διαφορετικές εικόνες μεγέθους στον αισθητήρα απεικόνισης) καθώς και αντικείμενα που δεν είναι προσανατολισμένα στην ίδια κατεύθυνση με την κάμερα.
Τα πιο εξελιγμένα συστήματα μηχανικής όρασης έχουν επιτρέψει αναδυόμενα σχέδια που είναι πολύ πιο πολύπλοκα από την επιλογή εξαρτημάτων από τους κάδους. Για παράδειγμα, μπορεί να μην υπάρχει πιο περίπλοκη ταυτοποίηση από ένα αυτοκίνητο με αυτο-οδήγηση.
Τεχνικές που σχετίζονται με την όραση της μηχανής
Ο όρος μηχανής όρασης μερικές φορές προορίζεται για αναφορά σε πιο εξελιγμένες και αποτελεσματικές μαθηματικές μεθόδους που μπορούν να εξαγάγουν πληροφορίες από εικόνες. Αντίθετα, ο όρος οράματος υπολογιστών περιγράφει τυπικά πιο σύγχρονες, υπολογιστικά απαιτητικά συστήματα, ενσωματώνοντας προσεγγίσεις μαύρου κουτιού που χρησιμοποιούν μηχανική μάθηση ή τεχνητή νοημοσύνη (AI). Ωστόσο, η μηχανική όραση μπορεί επίσης να χρησιμοποιηθεί ως όρος που περιελάμβανε όλες τις μεθόδους εξαγωγής πληροφοριών υψηλού επιπέδου από εικόνες. Σε αυτή την περίπτωση, το όραμα του υπολογιστή περιγράφει την υποκείμενη θεωρία της λειτουργίας.
Τεχνικές που μπορούν να εξαγάγουν έννοια υψηλού επιπέδου από εικόνες αφθονούν. Στην ερευνητική κοινότητα, τέτοιες τεχνικές θεωρούνται συχνά ξεχωριστές από την όραση της μηχανής. Στην πραγματικότητα, όμως, όλοι τους είναι διαφορετικοί τρόποι εφαρμογής της μηχανικής όρασης ... και επικαλύπτονται σε πολλές περιπτώσεις.
Η ψηφιακή επεξεργασία εικόνας είναι μια μορφή ψηφιακής επεξεργασίας σήματος που περιλαμβάνει βελτίωση της εικόνας, αποκατάσταση, κωδικοποίηση και συμπίεση. Τα πλεονεκτήματα έναντι της αναλογικής επεξεργασίας εικόνας είναι η ελαχιστοποίηση του θορύβου και της παραμόρφωσης, καθώς και ο πλήθος των διαθέσιμων αλγορίθμων. Ένας από τους πρώτους τύπους βελτίωσης της εικόνας χρησιμοποιήθηκε για να διορθωθεί οι πρώτες κοντινές εικόνες της σεληνιακής επιφάνειας. Σε αυτή τη διαδικασία, χρησιμοποιήθηκαν φωτογραμμετρική χαρτογράφηση καθώς και φίλτρα θορύβου και έγιναν διορθώσεις για γεωμετρικές στρεβλώσεις που προκλήθηκαν από την ευθυγράμμιση της κάμερας απεικόνισης στην σεληνιακή επιφάνεια.
Η βελτίωση της ψηφιακής εικόνας συνήθως συνεπάγεται την αύξηση της αντίθεσης και ενδεχομένως γεωμετρικών διορθώσεων για την παραμόρφωση των γωνιών και του φακού. Η συμπίεση επιτυγχάνεται συχνά με την προσέγγιση σύνθετων σημάτων ως συνδυασμού λειτουργιών συνημιτονίου-ενός μετασχηματισμού Fourier, γνωστού ως μετασχηματισμού διακριτού συνημιτονίου (DCT). Η μορφή αρχείου JPEG είναι η πιο κοινή εφαρμογή του DCT. Η αποκατάσταση εικόνων μπορεί επίσης να χρησιμοποιήσει το μετασχηματισμό Fourier για να αφαιρέσει το θόρυβο και τη θολότητα.
Η φωτογραμμετρία χρησιμοποιεί κάποιο είδος αναγνώρισης χαρακτηριστικών για την εξαγωγή μετρήσεων από εικόνες. Αυτές οι μετρήσεις μπορούν να περιλαμβάνουν πληροφορίες 3D όταν έχουν αποκτηθεί πολλαπλές εικόνες της ίδιας σκηνής από διαφορετικές τοποθεσίες. Τα απλούστερα φωτογραμμετρικά συστήματα χρησιμοποιούν μια κλίμακα για να μετρήσουν την απόσταση μεταξύ δύο σημείων σε μια εικόνα. Για να γίνει αυτό, είναι συχνά απαραίτητο να συμπεριληφθεί μια γνωστή κλίμακα αναφοράς στην εικόνα.
Η ανίχνευση χαρακτηριστικών επιτρέπει στον υπολογιστή να αναγνωρίζει τις άκρες, τις γωνίες ή τα σημεία της εικόνας. Αυτό είναι το πρώτο βήμα που απαιτείται για τη φωτογραμμετρία και για την αναγνώριση των αντικειμένων και της κίνησης. Η ανίχνευση BLOB προσδιορίζει περιοχές με άκρες που είναι πολύ ομαλές για ανίχνευση άκρων ή γωνιών.
Η αναγνώριση προτύπων χρησιμοποιείται για την αναγνώριση συγκεκριμένων αντικειμένων. Στην απλούστερη περίπτωση, αυτό μπορεί να σημαίνει την εύρεση ενός σαφώς καθορισμένου συγκεκριμένου μηχανικού τμήματος σε έναν μεταφορικό ιμάντα.
Η ανακατασκευή 3D καθορίζει το 3D σχήμα ενός αντικειμένου από μια εικόνα 2D. Αυτή η λειτουργία μπορεί να πραγματοποιηθεί με φωτογραμμετρικές μεθόδους. Σε αυτή την περίπτωση, τα ύψη των κοινών χαρακτηριστικών (που καθορίζονται σε εικόνες από διαφορετικά σημεία παρατήρησης) καθορίζονται χρησιμοποιώντας τριγωνισμό. Η 3D ανακατασκευή είναι επίσης δυνατή χρησιμοποιώντας μόνο 2D εικόνες. Εδώ, το λογισμικό εξηγεί επίσης τις γεωμετρικές σχέσεις μεταξύ των άκρων ή των σκιασμένων περιοχών.
Οι άνθρωποι μπορούν να ανακατασκευάσουν τους κύβους απλά με την επεξεργασία τους στο μυαλό τους χρησιμοποιώντας σχέδιο γραμμής - χρησιμοποιώντας σκιασμένους κύκλους για να ανακατασκευάσουν τις σφαίρες. Η σκίαση δείχνει την κλίση της επιφάνειας. Ωστόσο, αυτή η διαδικασία παραγωγής είναι πολύ πιο περίπλοκη από ό, τι μπορεί κανείς να σκεφτεί, καθώς η σκίαση είναι μια μονοδιάστατη παράμετρος, ενώ η κλίση συμβαίνει σε μια δισδιάστατη περίπτωση. Αυτό μπορεί να οδηγήσει σε διφορούμενες καταστάσεις - γεγονός που επικυρώνεται από την τέχνη της απεικόνισης φυσικά αδύνατων αντικειμένων.
Πώς οι εργασίες μηχανικής όρασης αλληλουχίζονται
Πολλά συστήματα μηχανικής όρασης ενσωματώνουν τις παραπάνω τεχνικές σταδιακά ξεκινώντας με λειτουργίες χαμηλού επιπέδου και στη συνέχεια προχωρούν σε επιχειρήσεις υψηλότερου επιπέδου. Στο χαμηλότερο επίπεδο, όλα τα εικονοστοιχεία μιας εικόνας αποθηκεύονται ως δεδομένα υψηλού εύρους ζώνης. Κάθε λειτουργία στην ακολουθία αναγνωρίζει στη συνέχεια χαρακτηριστικά εικόνας και αντιπροσωπεύει τις πληροφορίες που ενδιαφέρουν με μια σχετικά μικρή ποσότητα δεδομένων.
Η πρώτη είναι η λειτουργία χαμηλού επιπέδου της βελτίωσης της εικόνας και της αποκατάστασης που ακολουθείται από ανίχνευση χαρακτηριστικών. Έτσι, σε περίπτωση χρήσης πολλαπλών αισθητήρων, οι λειτουργίες χαμηλού επιπέδου μπορούν να πραγματοποιηθούν με κατανεμημένες διαδικασίες εξειδικευμένες για μεμονωμένους αισθητήρες. Μόλις εντοπιστούν χαρακτηριστικά σε μεμονωμένες εικόνες, μπορεί να πραγματοποιηθεί πιο προηγμένη φωτογραμμετρία - όπως και με οποιαδήποτε αναγνώριση αντικειμένων ή άλλη εργασία που βασίζεται σε συνδυασμένα δεδομένα από πολλαπλές εικόνες και αισθητήρες.
Άμεσοι αλγόριθμοι υπολογισμού και μάθησης
Στην περίπτωση της μηχανικής όρασης, ο άμεσος υπολογισμός είναι ένα σύνολο μαθηματικών λειτουργιών που ορίζονται από τον προγραμματιστή. Αυτές οι λειτουργίες λαμβάνουν εισροές όπως τιμές εικονοστοιχείων εικόνας και παράγουν εξόδους, όπως συντεταγμένες ακμής αντικειμένου. Αντίθετα, οι αλγόριθμοι μάθησης δεν γράφονται απευθείας από τον άνθρωπο, αλλά εκπαιδεύονται σε παραδείγματα σύνολα δεδομένων που συσχετίζουν εισροές με τις επιθυμητές εξόδους. Ως αποτέλεσμα, οι αλγόριθμοι μάθησης χρησιμοποιούνται ως μαύρα κουτιά. Οι περισσότερες τέτοιες μηχανικές εκμάθησης χρησιμοποιούν τώρα βαθιά μάθηση με βάση τα τεχνητά νευρωνικά δίκτυα για υπολογισμό.
Η απλή μηχανική μάθηση για βιομηχανικές εφαρμογές τείνει να είναι πιο αξιόπιστη και λιγότερο υπολογιστική απαιτούμενη όταν βασίζεται σε άμεσο υπολογισμό. Φυσικά, υπάρχουν όρια σε ό, τι μπορεί να επιτευχθεί μέσω άμεσου υπολογισμού. Για παράδειγμα, κανείς δεν πρέπει ποτέ να ελπίζει να εκτελέσει πρόσωπα για να αναγνωρίσει τα προχωρημένα πρότυπα αναγνώρισης που απαιτούνται και ειδικά όχι από τα βίντεο σε πολυσύχναστους δημόσιους χώρους. Αντίθετα, η μηχανική μάθηση μπορεί να χειριστεί επιδέξια τέτοιες εφαρμογές. Επομένως, δεν προκαλεί έκπληξη το γεγονός ότι η μηχανική μάθηση αναπτύσσεται ολοένα και περισσότερο για λειτουργίες μηχανικής όρασης χαμηλού επιπέδου, συγκεκριμένα ενίσχυση της εικόνας, αποκατάσταση και ανίχνευση χαρακτηριστικών.
Βελτιωμένες μεθόδους διδασκαλίας (όχι αλγόριθμοι)
Η αυξανόμενη πολυπλοκότητα των τεχνικών βαθιάς μάθησης έχει καταστήσει σαφές ότι δεν είναι οι ίδιοι οι αλγόριθμοι μάθησης που πρέπει να βελτιωθούν, αλλά ο τρόπος με τον οποίο οι αλγόριθμοι εκπαιδεύονται. Μία βελτιωμένη διαδικασία κατάρτισης είναι γνωστή ως όραση υπολογιστών με επίκεντρο τα δεδομένα. Εδώ, ένα σύστημα βαθιάς μάθησης δέχεται ένα πολύ ισχυρό σετ κατάρτισης που αποτελείται από χιλιάδες, εκατομμύρια ή ακόμα και δισεκατομμύρια εικόνες - και στη συνέχεια εξοικονομεί τις συνθετικές πληροφορίες που εξάγονται από κάθε εικόνα από τους αλγόριθμους του. Αυτοί οι αλγόριθμοι μαθαίνουν αποτελεσματικά συνδέοντάς τους με παραδείγματα εργασίας και στη συνέχεια αναφέρονται σε ένα "βιβλίο απαντήσεων" για να επαληθεύσουν ότι έχουν προκύψει οι σωστές τιμές.
Υπάρχει μια παλιά προειδοποιητική ιστορία σχετικά με την αναγνώριση ψηφιακού προτύπου. Ο αμερικανικός στρατός κάποτε σκόπευε να χρησιμοποιήσει τη μηχανική όραση για αναγνώριση στόχου και η επίδειξη του αμυντικού εργολάβου εντόπισε αξιόπιστα τόσο τις αμερικανικές όσο και τις ρωσικές δεξαμενές. Οι δεξαμενές όλων των διαφορετικών ειδών θα μπορούσαν να διακριθούν σωστά, το ένα μετά το άλλο, από τις αεροφωτογραφίες του προμηθευτή. Ωστόσο, όταν δοκιμάστηκε ξανά με τη βιβλιοθήκη εικόνων του Πενταγώνου, το σύστημα συνέχισε να δίνει λανθασμένες απαντήσεις. Το πρόβλημα ήταν ότι οι εικόνες των αμυντικών εργολάβων απεικόνιζαν όλες τις αμερικανικές δεξαμενές στις ερήμους και τις ρωσικές δεξαμενές σε πράσινα πεδία. Αντί να εντοπίσει τις διαφορετικές δεξαμενές, το σύστημα ταυτοποίησε τα διαφορετικά έγχρωμο υπόβαθρο. Ποια είναι τα κριτήρια αναγνώρισης; Οι αλγόριθμοι μάθησης απαιτούν προσεκτικά επιμελημένα δεδομένα εκπαίδευσης για να λειτουργήσουν.
ΣΥΜΠΕΡΑΣΜΑ: Ένα ασφαλές όραμα για ρομποτικά κελύφη εργασίας
Η μηχανική όραση δεν είναι πλέον μια εξειδικευμένη τεχνολογία. Στην τρέχουσα μονάδα δίσκου, ο βιομηχανικός τομέας είναι ο μεγαλύτερος χώρος ανάπτυξης για την ανάπτυξη της μηχανικής όρασης. Η πιο αξιοσημείωτη εξέλιξη σε αυτόν τον τομέα είναι το πώς η μηχανική όραση ολοκληρώνει τώρα τα συστήματα ασφαλείας σε βιομηχανικά εργοστάσια, δηλαδή συστήματα που ακούγονται συναγερμό ή δίνουν φωνητικές ειδοποιήσεις όταν ένας εργαζόμενος εισέρχεται σε χώρο εργασίας χωρίς κράνος, μάσκα ή άλλα κατάλληλα προστατευτικά εργαλεία. Η μηχανική όραση μπορεί επίσης να χρησιμοποιηθεί σε συστήματα που προειδοποιούν όταν μετακινούνται μηχανήματα, όπως τα περονοφόρα ανυψωτικά, πλησιάζουν πολύ κοντά στο προσωπικό.
Αυτά και παρόμοια συστήματα μηχανικής όρασης μπορούν μερικές φορές να αντικαταστήσουν σκληρά προστατευτικά μέτρα γύρω από τα βιομηχανικά ρομπότ για να καταστήσουν τις λειτουργίες πιο αποτελεσματικές. Τα συστήματα μηχανής όρασης μπορούν επίσης να αντικαταστήσουν ή να ενισχύσουν τα συστήματα ασφαλείας που βασίζονται σε φωτεινή φύλαξη που σταματούν τα μηχανήματα που ανιχνεύεται κάθε φορά που ένας εργαζόμενος εισέρχεται στο κύτταρο εργασίας. Όταν η μηχανική όραση παρακολουθεί το πάτωμα του εργοστασίου γύρω από ένα κελί εργασίας, τα ρομπότ σε αυτό το κελί έχουν τη δυνατότητα να επιβραδύνουν σταδιακά καθώς οι άνθρωποι πλησιάζουν.
Καθώς ο σχεδιασμός των βιομηχανικών περιβαλλόντων εξελίσσεται για να φιλοξενήσει συνεργατικά ρομπότ και άλλους εξοπλισμούς εργασιών που επιτρέπουν στο προσωπικό των φυτών να περπατάει με ασφάλεια (ακόμη και όταν ο εξοπλισμός εκτελείται), αυτά και άλλα συστήματα με βάση το μηχανικό όραμα θα γίνουν ένα πιο συνηθισμένο μέρος των φυτικών διεργασιών.