برق. قدرت. کنترل. الکترونیک. مخابرات. تاسیسات.

دایره المعارف تاسیسات برق (اطلاعات عمومی برق)

از میان همه شاخه‌های هوش مصنوعی، شاید كاربردی‌ترین آن‌ها كامپیوتری و مكانیزه كردن سیستم‌های بینایی باشد. دامنه كاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از كاربردهای عادی و معمولی مثل كنترل كیفیت خط تولید و نظارت ویدئویی گرفته تا تكنولوژی‌های جدید مثل اتومبیل‌های بدون راننده را دربرگرفته است. دامنه كاربردهای این تكنولوژی براساس تكنیك‌های مورد استفاده در آن‌ها تغییر می‌كند. دراین مقاله سعی داریم به شما نشان دهیم كه سیستم‌های بینایی ماشین چگونه كار می‌كنند و مروری كوتاه بر اهداف، تكنیك‌ها و تكنولوژی‌های موجود داشته باشیم و سعی داریم با نحوه كار بینایی ماشین و پیشرفت آن‌ها كه مطابق با سیستم بینایی انسان است، آشنا شویم. در این متن، بررسی‌ خود را با دو مثال انجام می‌دهیم. اولی سیستم كنترل كیفیت خط تولید است كه شامل نحوه عكس‌برداری و ذخیره و شیوه تفسیر عكس‌های گرفته شده به‌صورت خودكار است و دیگری به‌عنوان یك مثال پیچیده‌تر، چگونگی بینایی یك ربات را توضیح می‌دهد.



كنترل كیفیت خط تولید

شكل 1- نمای ساده شده‌ای از یك سیستم بینایی كنترل كیفیت خط تولید غیرواقعی

یكی از كاربردهای بینایی ماشین در كنترل كیفیت خروجی كارخانه‌ها می‌باشد. شكل 1 مثالی بسیار ساده از چنین سیستمی است. اجناس تولید‌شده در كارخانه كه برروی یك نوار نقاله قرار گرفته‌اند و توسط یك دوربین CCD برای آزمایش دیده می‌شوند و محصولات با كیفیتِ مناسب اجازه عبور پیدا خواهندكرد. چنانچه محصولی دارای استانداردهای مناسب نباشد از ادامه مسیر حذف می‌شود. معیار این استانداردها می‌تواند لبه‌های زائد، خراشیدگی و بادكردگی و تورم روی فلزات و بسیاری چیزهای دیگر باشد. در این مثال ما در پی یافتن مكانیزم خط تولید نیستیم و فقط می‌خواهیم ببینیم كه یك شی تولیدشده چگونه استاندارد تشخیص داده شده و اجازه عبور می‌یابد و برعكس چگونه به بعضی از اشیاء اجازه عبور و ادامه دادن داده نمی‌شود.

عكس‌برداری
در این مثال ما سعی در مكانیزه كردن فرآیندی یكنواخت داریم كه به‌صورت معمول و تكراری توسط انسان انجام می‌شود. اولین مسأله و مشكل ما این است كه چگونه عكس‌های تهیه شده از اشیایی كه در حال حركت بر روی نوار نقاله هستند را تبدیل به داده‌های قابل فهم و تفسیر برای سیستم نماییم، كه این مشكل توسط دوربین CCD حل می‌شود. عملكرد این دوربین را می‌توان به عملكرد چشم انسان كه قادر است سطوح مختلف نور را تشخیص دهد تشبیه نمود.

چشم انسان
چشم انسان كه در شكل 2 نشان داده شده است، تقریباً یك عدسی كروی با قطر 5/2 سانتی‌متر می‌باشد كه از چندین لایه مختلف كه درونی‌ترین آن‌ها شبكیه نام دارد تشكیل شده است. ماهیچه‌های اطراف چشم اندازه لنز را تنظیم می‌كنند كه این‌كار چشم را قادر به زوم (zoom) كردن روی اشیاء می‌كند.


شكل 2- نمای داخلی چشم انسان

وظیفه عدسی چشم، فرم و شكل دادن به تصویری است كه توسط میلیون‌ها سلول گیرنده مخروطی (Cone) و میله‌ای (rod) گرفته شده و برروی پرده شبكیه افتاده است، می‌باشد. سلول‌های میله‌ای به یك عصب معمولی كه از انتها به شبكیه ختم می‌شود و فقط در سطح نور پایین فعال است متصلند و سلول‌های مخروطی هر كدام به یك عصب اتصال دارند. آن‌ها در نورهای شدیدتر، بیشتر فعالند و میزان درك ما از رنگ‌ها را نوع فعالیت این‌ مخروط‌ها مشخص می‌كند.

در میان شبكیه ناحیه‌ای به‌نام نقطه كور وجود دارد كه در آن هیچ‌ گیرنده‌ای موجود نیست. در این ناحیه اعصاب به‌صورت جداگانه به عصب بینایی كه سیگنال‌های دریافت شده را به قشر بینایی مخ انتقال می‌دهند، وصل می‌شود.

دوربین CCD
CCD از جهت عملكرد تقریباً مانند چشم انسان كار می‌كند. نور از طریق یك عدسی وارد دوربین و برروی یك پرده مخصوص تصویر می‌شود كه تحت عنوان تراشه CCD شناخته می‌شود. تراشه Charge Coupled Device) CCD) كه تصاویر با استفاده از آن گرفته می‌شوند از تعداد زیادی سلول تشكیل شده كه همگی در یك تراشه با الگوی خاصی مرتب شده‌اند و تحت عنوان پیكسل (pixels) شناخته می‌شوند.


شكل3- تصویر وسط یك نمای نزدیك از چشم ماهی را نمایش می دهد و نشان می دهد كه هر قسمت از یك تصویر چگونه با تعدادی مقادیر عددی ذخیره می شود. به تعداد داده های عددی مورد نیاز برای ذخیره یك فضای كوچك از تصویر توجه كنید.

زمانی كه تراشه CCD این اطلا



عات را دریافت می‌كند، آن‌ها را به شكل سیگنال‌های دیجیتالی از طریق كابل‌هایی به سیستم دریافت‌كننده می‌فرستد و بعد تصاویر در این سیستم به صورت مجموعه‌ای از اعداد ذخیره می‌شوند. همان‌طور كه در شكل 3 می‌بینید هر عدد نماینده یك پیكسل است.

درك تصویر
با هر تصویر، چه با دوربین گرفته شود و چه با چشم انسان، مقداری تحریف و تغییر شكل و
به عبارتی "نویز (noise) " وجود دارد. البته در مورد مثال ما در سیستم خط تولید این مسأله چندان اهمیت ندارد اما در موقعیت‌هایی كه نیاز به دقت بالا وجود دارد باید از نورپردازی خاصی برای تصویربرداری استفاده شود.


شكل 4- ترسیم لبه. شكل اول تصویر اصلی می‌باشد. در شكل وسط نویزها با فیلترنمودن ا‌ز بین رفته است. در نهایت شكل 3، تصویر حاصل از به‌كار بردن الگوریتم ترسیم لبه می‌باشد.

انسان‌ برای درك تصاویری كه می‌بیند نیازی ندارد هیچ كاری در مورد فیلتر كردن و از بین بردن نویزهای یك تصویر انجام دهد. مثلاً در یك روز ابری كه مه همه جا را فرا گرفته، دید ما به شدت ضعیف و دچار مشكل می‌شود. اما هر آنچه را كه قادر به دیدنش باشیم درك می‌كنیم. یعنی برای درك اشیاء نیازی به حذف نویزهای تصویر نیست. مثلاً اگر در این روز در حال رانندگی در یك جاده باشید و تصویر مبهمی از یك ماشین را مقابل خود ببینید، بالطبع عكس‌العمل نشان می‌دهید و به عبارتی سرعت خود را كم می‌كنید.

و این یعنی ما هنوز تصویر ماشین را علیرغم وجود مه می‌توانیم تشخیص دهیم و در مقابل آن عكس‌العمل نشان‌دهیم. و یا مثلاً زمانی كه دچار سرگیجه می‌شوید، علیرغم این‌كه تصاویر اطراف خود را تار و مبهم می‌بینید اما قادر به درك و تشخیص وسایل و تصاویر اطراف خود هستید. یعنی ابتدا صبر نمی‌كنید تا سرگیجه‌تان به پایان برسد و بعد تصاویر را تشخیص دهید و این یعنی با قدرت بینایی انسان، علیرغم خراب شدن تصاویر اطراف، می‌توانیم متوجه فضای اطراف خود بشویم. اما برای بینایی ماشین ابتدا باید این نویزها طی فرآیندی كه تصفیه كردن یا فیلترینگ نامیده می‌شود، از بین برود و بعد هر آنچه برای پردازش عكس لازم است انجام شود.


خوشبختانه در حال حاضر تكنیك‌هایی برای انجام این كار وجود دارد. از بین بردن نویزها به‌صورت نرمال توسط تعدادی از توابع ریاضی یا الگوریتم‌هایی كه تحت عنوان 'treshholding' یا 'quantizing' نامیده می‌شود انجام می‌گردد. این فرآیند بسیار حرفه‌ای و پیچیده‌ای است و نیاز به دانش و پشتوانه بالای ریاضی دارد. زمانی كه خرابی‌ها از بین رفت، می‌توانیم پردازش عكس‌ها را ادامه دهیم كه این كار با استخراج صورت‌ها و حالت‌ها از یك تصویر انجام می‌شود. یك شیوه معمول كه غالباً مورد استفاده قرار می‌گیرد استخراج لبه‌ها كه در شكل 4 دیده می‌شود، می‌باشد.

در مورد مثال ما در سیستم خط تولید، وظیفه اصلی یك اپراتور كنترل كیفیت این است كه به سرتاسر محصول تولید شده نگاه كرده و با مقایسه آن با استانداردهای مورد قبول، برای محصول تولید‌شده جواز عبور یا عدم عبور صادر كنند.

اگر این كار با استفاده از بینایی ماشین صورت گیرد باید عكس گرفته شده از محصول تولید شده با عكسی كه از یك محصول استاندارد وجود دارد مقایسه ‌شود. یكی از روش‌های انجام این كار به این صورت است:

برای انجام این‌كار، یك تصویر از محصول استاندارد در كامپیوتر ذخیره می‌شود و سپس از محصولا‌تی كه از خط تولید عبور می‌كنند. تصویر گرفته می‌شود و به عنوان نقشه لبه ذخیره می‌شود. و بعد سیستم، تصویر گرفته شده را از چپ به راست و از بالا به پایین به‌گونه‌ای كه در هر زمان فقط یك رقم عبور كند، می‌لغزاند و عدد ظاهر شده در هر موقعیت را با عدد همان موقعیت در تصویر اصلی مقایسه می‌كند و در صورت تفاوت آن را اعلا‌م می‌نماید.

لذا عملیات بینایی كامپیوتر در حقیقت مقایسه دو مجموعه عدد است كه اگر تفاوت این دو مجموعه از یك محدوده خاص فرارتر برود، از پذیرفتن محصول امتناع شده و در غیر این‌صورت محصول‌ پذیرفته می‌شود.

یك مثال پیچیده‌تر
در مثال قبل سیستم مورد مطالعه بسیار محدود بود و فقط یك تصویر دو بعدی از یك محصول را با تصویر اصلی و ایده‌آل مقایسه می‌كرد و احتیاجی به بررسی مقادیر اندازه و زاویه نبود.

در این مثال می‌خواهیم به سیستم بینایی كه برای یك ربات خانگی كه قادر به تمیز كردن خانه، پختن غذا و ... طراحی شده نگاهی بیاندازیم. این مثال بسیار پیچیده‌تر از مثال قبلی است و نیاز به آگاهی از تغییرات محیط دارد. به عبارت بهتر نیاز به یك سیستم هوشمندتر داریم. قبلاً دیدیم كه تصاویر چگونه ذخیره و تفسیر می‌شوند. غالب تكنیك‌های گذشته دوباره در این مثال به‌كار گرفته می‌شوند. تفاوت اصلی در تفسیر تصاویر گرفته شده است. در مثال قبلی فضای سیستم بینایی فقط متشكل از یك سری محصول بود، اما در این مثال ربات باید از همه آنچه در اطرافش می‌گذرد باخبر بوده و این یعنی با دنیای وسیع‌تر و بزرگ‌تری روبروست. بدین‌منظور نیاز به تكنیك‌های تشخیص پیچیده‌تری وجود دارد.

یعنی در این مثال، یك صحنه فرضی شامل ده‌ها یا حتی صدها شی مختلف در معرض دید است. این اشیاء در اندازه‌ها و تحت زوایای مختلف كه متأثر از نوع نورپردازی هم هستند به نمایش درمی‌آیند و به همین دلیل برای تشخیص این اشیاء نیاز به تكنیك‌های هوش‌مصنوعی (Ai) می‌باشد.

پردازش اطلاعات در مغز

شكل 5 - تصویر به نظر دو مثلث می‌آید كه در جهت عكس هم و برروی هم قرار داده شده‌اند، ولی از نظر ریاضی هیچ مثلثی رسم نشده است و فقط سه دسته از خطوط وجود دارند.

در مورد بینایی انسان متذكر شدیم كه شاید یكی از قسمت‌هایی از مغز كه بیشتر فعالیت درك تصویر را انجام می‌دهد ناحیه visual Cortex باشد. همان‌طور كه دیده‌ایم، این‌جا ناحیه‌ای است كه اطلاعات منتقل شده در طول عصب بینایی در آن پردازش می‌شود. البته این را هم مدنظر داشته باشید كه قسمتی از فعالیت پردازش اطلاعات در ناحیه شبكیه چشم قبل از این‌كه اطلاعات به مغز برسند، انجام می‌شود.

البته خود ناحیه شبكیه به‌عنوان قسمتی از مغز شمرده می‌شود. در ضمن این مسأله هم قبلاً مشخص شده است كه نواحی مختلف قشر بینایی مخ در مقابل تصاویر مختلف عكس‌العمل نشان می‌دهد. به عبارت دیگر هر قسمت از این ناحیه مربوط به یك حالت خاص است. مثلاً نواحی معین و مشخصی در مقابل رنگ‌های متفاوت عكس‌العمل‌ نشان می‌دهند و یا مثلاً نواحی وجود دارند كه سلول‌هایشان در مقابل جزییات دقیق موجود در یك تصویر عكس‌العمل نشان می‌دهند. مثلاً در شكل 5 شما می‌توانید یك مثلث سفید كه به‌طور واضح سه راس آن مشخص نشده است را ببیند،


شكل 6- مثلث Penrose: عدم هماهنگی هندسی در لبه‌ها باعث عدم درك صحیح شكل می‌شود.


علیرغم این‌كه به‌طور واضح و مجزا این مثلث مشخص نشده است. اما سلول‌های موجود در قشر بینایی می‌توانند تكه‌های این خطوط را كنار هم گذاشته و از آن یك مثلث استنتاج كنند.


زمانی كه اطلاعات مربوط به چیزی كه دیده می‌شود را دریافت كردیم، مثل شكل ظاهری، لبه‌ها و غیره، مغز نیاز به رمزگشایی و كشف اطلاعات به‌دست آمده دارد تا دقیقاً نتیجه‌گیری كند كه آنچه در صحنه می‌گذرد چیست. اینجا قسمتی است كه ما خیلی كم در رابطه با آن می‌دانیم و مشخص نیست كه دقیقاً مغز چگونه این كار را انجام می‌دهد. اما مسأله مشخص این است كه سیستم بینایی ما چندان مبرا از خطا نیست و به‌راحتی دچار اشتباه می‌شود. موارد بسیار زیادی وجود دارد كه اطلاعات كسب شده می‌‌توانند مبهم و یا حتی اشتباه باشند، مانند مثال‌هایی كه در شكل 6 و 7 مشاهده می‌كنید.

شكل 7- خطای دید: در شكل سمت چپ علیرغم نحوه ظهور خطوط همه آن‌ها با هم موازیند. در شكل سمت راست كه به خطای Muller-Lyer معروف است دو خط ظاهر شده به نظر دارای طول‌های متفاوت می‌آیند. اما در حقیقت هم‌اندازه‌اند.



به‌طور خلاصه، با توجه به این‌كه سیستم بینایی انسان در بسیاری موارد دچار خطا می‌شود، نیاز به درنظرگرفتن شیوه‌ای متفاوت برای بینایی ماشین هستیم.
با استفاده از تكنیك‌هایی كه قبلاً ذكر كردیم، ربات می‌تواند شناسایی تركیبات و صورت‌های گوناگون موجود در اطراف خود را با استفاده از شیوه همانند‌سازی الگو انجام دهد. هر چند تعداد زیادی صورت
و تركیبات گوناگون (template matching) دیگر وجود دارند كه نیاز به اخذ شیوه‌های متفاوت دیگری برای نمایش آن‌ها وجود دارد. و در این جاست كه نیاز به استفاده از تكنیك‌های هوش مصنوعی مطرح می‌شود.


نمایش دانش
متخصصین هوش مصنوعی انواع سیستم‌ها را با استفاده از برنامه‌های معمول كامپیوتری و تفاوت قایل‌شدن بین پردازش اطلاعات (information) و پردازش دانش (knowledge)، شناسایی می‌كنند. این‌كار منجر به ایجاد سیستم‌های مبتنی بر دانش كه كاربرد بسیار زیادی در هوش مصنوعی دارد می‌شود.


شكل 8- یك شبكه معنایی برای نمایش قسمتی از آشپزخانه.

ربات ما نیاز به داشتن اطلاعات یا "دانش" از دنیای اطراف خود دارد تا سیستم بینایی‌اش به درستی عمل كند. ما به‌طور خلاصه بعضی تكنیك‌هایی كه توسط مهندسین دانش (knowledgc engineer) برای نمایش و پردازش این اطلاعات به‌كار می‌رود را آزمایش می‌كنیم.

یك شبكه معنایی (Semantic network) یك تكنیك خوش ساخت برای نمایش اشیاء یا ماهیت موجود در یك دنیا و ارتباطاتی كه بین‌شان موجود است، می‌باشد. مثلاً قسمتی از دنیای ربات ما آشپزخانه است.

استفاده از یك شبكه معنایی می‌تواند راه مناسبی برای نمایش اطلاعات باشد. بدین‌ترتیب آشپزخانه را تحت عنوان یك سری از اشیاء و روابط بین‌شان فرض كنیم. یك شبكه می‌تواند جزییات موجود را به‌خوبی نمایش داده و ما را قادر به كاوش بیشتر و بهتر در روابط موجود بین اشیاء كند. برای مثال، همان‌طور كه از شكل شماره 8 می‌‌توان دید، گوشت‌های سرد در یخچال‌ نگهداری می‌شوند. این آیتم‌ها تحت عنوان غذاها می‌توانند دسته‌بندی شوند. اگر چه همه غذاها در یخچال نگهداری نمی‌شوند، اما همه محصولات گوشتی ملزم به نگهداری یخچال هستند.

مشخص است كه این شبكه باید برای نمایش دنیای اطراف ربات ما به‌خوبی گسترش یابد و نیاز به نمایش دقیق‌تر و جزیی‌تری از اشیاء و ارتباطات وجود دارد و همچنین این شبكه باید اتاق‌ها، افراد، اشیاء موجود و غیره را هم نمایش دهد.

پس از ساخته شدن شبكه معنایی ما قادر به ساخت یك پایگاه داده از دانش حاصل از شبكه معنایی در مورد اشیاء موجود در دنیای مربوطه هستیم. در مورد مثال ما، ورودی‌های مناسب می‌تواند به شكل زیر باشد:

(سیب - شكل - گرد) (سیب - رنگ - قرمز) (سیب - نما - براق)

(همبرگر- شكل - گرد) (همبرگر- رنگ - قهوه‌ای) (همبرگر نما - گوشتی)

(یخچال - شكل - مستطیل) (یخچال - رنگ- سفید) (یخچال - نما - فلزی)

(ظرف‌میوه - شكل - بیضی) (ظرف‌میوه - رنگ- نقره‌ای) (ظرف میوه - نما - فلزی)

((میوه) نگهداری - در (ظرف میوه))

((سیب) هست - یك (خوردنی))

توجه كنید كه ورودی‌های این پایگاه دانش باید به‌گونه‌ای باشد كه منجر به سردرگمی ماشین نشود. مثلاً در مورد مثال ما، سیب یك شی براق قرمز گرد معرفی شده است. اشیاء زیادی هستند كه ممكن است چنین مشخصه‌ای داشته باشند و اگر مثلاً شما ربات خود را بفرستید كه برای شما یك سیب تازه بیاورد امكان دارد ربات با یك توپ نزد شما باز گردد.

این پایگاه دانش تحت عنوان حافظه كاریِ سیستم شناخته می‌شود. به منظور استفاده كارا و مناسب از اطلاعات موجود در این پایگاه، سیستم نیاز به داشتن تعدادی قانون دارد. بدین‌ترتیب پس از ساخت پایگاه دانش نیاز به ساخت یك پایگاه از قوانین برای برخورد مناسب با اطلاعات موجود در پایگاه دانش هستیم. اگر شما از قبل با زبان‌های برنامه‌نویسی آشنایی داشته باشید، با عبارتی مثل If Statement Then آشنا هستید مثلا If cold Then wear coat ما از چنین ساختاری برای ایجاد پایگاه قوانین استفاده می‌كنیم. قسمت IF عبارت تحت عنوان راس قانون و قسمت عملیات یعنی قسمت Then تحت عنوان بدنه قانون شناخته می‌شوند.

و بدین ترتیب ربات مثلاً می‌داند كه یك سیب چیست و در كجا قرار دارد. مثلاً فرض كنید یكی از كارهایی كه قرار است ربات انجام دهد رفتن به سمت یخچال و برداشتن چیزی از یخچال است، در این صورت می‌توانیم مجموعه‌ای از قوانین را به این منظور بسازیم.

اكنون هم دانش و هم قوانین مربوطه را داریم كه نیاز به روش‌هایی برای تفسیرشان داریم. این كار توسط سیستم مفسر انجام می‌شود. مفسر برنامه‌ای است كه قوانین را پردازش می‌كند. وظیفه آن خواندن هر قانون و بررسی این‌كه موقعیت‌ها با هم همخوانی دارند یا نه می‌باشد. اگر همخوانی داشتند عمل موردنظر را انجام می‌دهد. این عمل آن‌قدر انجام می‌شود تا به عملی كه دستور پایان داده‌است، برسد.

گفتیم برای استفاده از تكنیك همسان‌سازی الگو (Template matching) نیاز به ذخیره مقادیر بسیار زیادی از دانش در رابطه با هر آیتم موجود در دنیای ربات وجود دارد. با استفاده از قوانین می‌توانیم استفاده از این اطلاعات را از بین ببریم و دیگر نیازی به آن‌ها حس نمی‌شود. مثلاً در مورد یك صندلی، به‌جای ذخیره یك صندلی از تعدادی زوایا و اندازه‌ها می‌توانیم اطلاعاتی راجع‌به برخی خواص و ظواهر صندلی نظیر جنس، دسته‌ها، پایه‌ها و ... كه یك سیستم مبتنی بر دانش از آن‌ها به منظور تشخیص صندلی استفاده می‌كند، ذخیره كنیم. یك صندلی دارای چهار پایه، یك نشیمنگاه و یك تكیه‌گاه است.

از طرف دیگر میز هم چهار پایه و یك رویه دارد. بدین‌ترتیب به‌جای ذخیره تعداد زیادی عدد برای هر شی، از خواص آن شی برای توصیفش استفاده كنیم. بدین‌ترتیب نیاز به یك پایگاه دانش هست كه چیزهایی نظیر اجزا (دسته‌ها، پایه‌ها، دیواره‌ها و...) خواصی كه این اجزا را توصیف می‌كند (ظاهر و غیره)، و حقایقی در رابطه با اشیایی كه توسط این اجزا ساخته می‌شوند (آشپزخانه چهار دیوار و یك در دارد و غیره) و همچنین یك سری قوانین به منظور پردازش این اطلاعات را نگهداری نماید.

خلاصه
همان‌طور كه دیدیم، عملیات زیادی باید به منظور پردازش اطلاعات تصویری انجام شود. تصاویر غالباً دارای نویز هستند كه باعث خرابی و تحریفشان می‌شود. هر چند این مشكل چندان حادی برای سیستم بینایی انسان به حساب نمی‌آید اما برای سیستم‌های بینایی ماشین این نویزها به‌طور كامل باید فیلتر و پاكسازی شوند كه این عمل با استفاده از تعدادی الگوریتم انجام می‌شود.

همچنین دیدیم كه اشیاء چگونه با استفاده از تكنیك همسا‌ن‌سازی الگو دیده می‌شوند هر چند پس از این‌كه اشیاء داخل صحنه توسط سیستم بینایی مشخص شدند هنوز كار تمام شده است. اطلاعات حاصل باید به یك نمایش دانش مناسب‌ ترجمه شوند به‌طوری كه قابل پردازش باشند.

نتیجه‌گیری

مثال اول یك مثال محدود شده از نوعی سیستم بود كه در كاربردهای روزانه مشابه آن را فراوان می‌توان یافت. سیستم‌های بینایی اولیه روز به روز در حال گسترش هستند و هر روز كاربرد جدیدی برای آن‌ها یافت می‌شود. با توسعه این سیستم‌ها، كاربردهایی برای سایر محیط‌ها نظیر توسعه پردازش نیز یافت می‌شود. سیستم‌های بینایی مصنوعی از كاربردهای پزشكی و نظامی گرفته تا كاربردهای ساده و معمول روزمره مورد استفاده هستند. و این شاخه از هوش مصنوعی از كاربردی‌ترین شاخه‌ها می‌باشد كه هنوز مسایل حل‌نشده زیادی در خود دارد .


http://www.ml.blogfa.com/post-223.aspx

صفحات جانبی

نظرسنجی

    لطفاً نظرات خود را درمورد وبلاگ با اینجانب در میان بگذارید.(iman.sariri@yahoo.com)نتایج تاکنون15000مفید و 125غیرمفید. با سپاس


  • آخرین پستها

آمار وبلاگ

  • کل بازدید :
  • تعداد نویسندگان :
  • تعداد کل پست ها :
  • آخرین بازدید :
  • آخرین بروز رسانی :