मशीन विजन कई प्रौद्योगिकियों का संलयन है जो औद्योगिक या अन्य स्वचालित उपकरणों को हाथ में पर्यावरण की उन्नत समझ छवियों से प्राप्त करने में सक्षम बनाते हैं। मशीन विजन सॉफ्टवेयर के बिना, अलग -अलग रंग मूल्यों और तानवाला तीव्रता के साथ डिजिटल छवियां ऐसे उपकरणों के लिए पिक्सेल के एक सरल, असंबद्ध संग्रह से ज्यादा कुछ नहीं होंगी। मशीन विजन एक कंप्यूटर (आमतौर पर एक मशीन नियंत्रक से जुड़ा हुआ) को ऐसी छवियों में किनारों और आकृतियों का पता लगाने की अनुमति देता है ताकि उच्च-स्तरीय प्रोसेसर को पूर्व-परिभाषित लक्ष्य ऑब्जेक्ट को पहचानने की अनुमति मिल सके। इस अर्थ में छवियां दृश्यमान स्पेक्ट्रम में फोटोग्राफिक छवियों तक सीमित नहीं हैं; वे इन्फ्रारेड, लेजर, एक्स-रे और अल्ट्रासोनिक सिग्नल का उपयोग करके प्राप्त छवियों को भी शामिल कर सकते हैं।
औद्योगिक वातावरण में, मशीन विजन अनुप्रयोगों के लिए सामग्री डिब्बे की अव्यवस्था में रखे गए कई भागों से विशिष्ट भागों को पहचानना काफी आम है। यहां, मशीन विजन पिक-एंड-प्लेस रोबोट को स्वचालित रूप से सही भागों को लेने में मदद करता है। बेशक, यदि भागों को एक फूस पर एक ही अभिविन्यास में सभी बड़े करीने से व्यवस्थित किया जाता है, तो इमेजिंग प्रतिक्रिया के साथ उन्हें पहचानना अपेक्षाकृत सरल होगा। हालांकि, शक्तिशाली मशीन विजन एल्गोरिदम उन वस्तुओं को पहचान सकते हैं जो कैमरे से अलग -अलग दूरी पर हैं (और इसलिए इमेजिंग सेंसर पर अलग -अलग आकार की छवियों के रूप में दिखाई देते हैं) और साथ ही उन वस्तुओं को भी जो कैमरे के समान दिशा में उन्मुख नहीं हैं।
सबसे परिष्कृत मशीन विजन सिस्टम ने उभरते डिजाइनों को सक्षम किया है जो डिब्बे से भागों को लेने की तुलना में कहीं अधिक जटिल हैं; उदाहरण के लिए, स्व-ड्राइविंग कार की तुलना में अधिक जटिल पहचान नहीं हो सकती है।
मशीन विजन से संबंधित तकनीकें
मशीन विजन शब्द कभी -कभी अधिक परिष्कृत और कुशल गणितीय तरीकों के संदर्भ में आरक्षित होता है जो छवियों से जानकारी निकाल सकते हैं। इसके विपरीत, कंप्यूटर विजन शब्द आमतौर पर अधिक आधुनिक, कम्प्यूटेशनल रूप से मांग वाले सिस्टम-इनक्लूडिंग ब्लैक-बॉक्स दृष्टिकोणों का वर्णन करता है जो मशीन लर्निंग या आर्टिफिशियल इंटेलिजेंस (एआई) का उपयोग करते हैं। हालांकि, मशीन विजन का उपयोग एक सर्वव्यापी शब्द के रूप में भी किया जा सकता है जिसमें छवियों से उच्च-स्तरीय जानकारी निकालने के सभी तरीके शामिल हैं; इस मामले में, कंप्यूटर विजन संचालन के अपने अंतर्निहित सिद्धांत का वर्णन करता है।
ऐसी तकनीकें जो छवियों से उच्च-स्तरीय अर्थ निकाल सकती हैं। अनुसंधान समुदाय में, ऐसी तकनीकों को अक्सर मशीन विजन से अलग माना जाता है। वास्तव में, हालांकि, वे सभी मशीन दृष्टि को लागू करने के अलग -अलग तरीके हैं ... और वे कई मामलों में ओवरलैप करते हैं।
डिजिटल छवि प्रसंस्करण डिजिटल सिग्नल प्रोसेसिंग का एक रूप है जिसमें छवि वृद्धि, बहाली, कोडिंग और संपीड़न शामिल हैं। एनालॉग इमेज प्रोसेसिंग पर लाभ शोर और विरूपण का कम से कम है और साथ ही साथ उपलब्ध एल्गोरिदम की भीड़ भी है। पहले प्रकार के छवि वृद्धि में से एक का उपयोग चंद्र सतह के पहले क्लोज़-अप छवियों को ठीक करने के लिए किया गया था। इस प्रक्रिया में, फोटोग्रामेट्रिक मैपिंग के साथ -साथ शोर फिल्टर का उपयोग किया गया था और इमेजिंग कैमरे के चंद्र सतह के संरेखण के कारण होने वाले ज्यामितीय विकृतियों के लिए सुधार किए गए थे।
डिजिटल छवि वृद्धि में आमतौर पर कोण और लेंस विरूपण देखने के लिए विपरीत और संभवतः ज्यामितीय सुधार शामिल होते हैं। संपीड़न को अक्सर कॉम्प्लेक्स सिग्नल को कोसाइन फ़ंक्शंस के संयोजन के रूप में अनुमानित किया जाता है, एक फूरियर ट्रांसफॉर्म को असतत कोसाइन ट्रांसफॉर्म (डीसीटी) के रूप में जाना जाता है। जेपीईजी फ़ाइल प्रारूप डीसीटी का सबसे आम अनुप्रयोग है। छवि बहाली शोर और धुंधला को हटाने के लिए फूरियर ट्रांसफॉर्म का भी उपयोग कर सकती है।
Photogrammetry छवियों से माप निकालने के लिए कुछ प्रकार की सुविधा मान्यता का उपयोग करता है। इन मापों में 3 डी जानकारी शामिल हो सकती है जब एक ही दृश्य की कई छवियों को विभिन्न स्थानों से प्राप्त किया जाता है। सबसे सरल फोटोग्रामेट्रिक सिस्टम एक छवि में दो बिंदुओं के बीच की दूरी को मापने के लिए एक पैमाने का उपयोग करते हैं। ऐसा करने के लिए, छवि में एक ज्ञात संदर्भ पैमाने को शामिल करना अक्सर आवश्यक होता है।
फ़ीचर डिटेक्शन कंप्यूटर को छवि में किनारों, कोनों या बिंदुओं को पहचानने की अनुमति देता है। यह फोटोग्राममेट्री के लिए और वस्तुओं और गति को पहचानने के लिए आवश्यक पहला कदम है। ब्लोब का पता लगाने से किनारों वाले क्षेत्रों की पहचान की जाती है जो किनारे या कोने का पता लगाने के लिए बहुत चिकनी हैं।
विशिष्ट वस्तुओं को पहचानने के लिए पैटर्न मान्यता का उपयोग किया जाता है। सबसे सरल मामले में, इसका मतलब हो सकता है कि एक कन्वेयर बेल्ट पर एक अच्छी तरह से परिभाषित विशिष्ट यांत्रिक भाग ढूंढना।
3 डी पुनर्निर्माण 2 डी छवि से किसी वस्तु के 3 डी आकार को निर्धारित करता है। इस सुविधा को फोटोग्राममेट्रिक विधियों द्वारा महसूस किया जा सकता है। इस मामले में, सामान्य विशेषताओं की ऊंचाइयों (विभिन्न अवलोकन बिंदुओं से छवियों में निर्धारित) को त्रिभुज का उपयोग करके निर्धारित किया जाता है। अकेले 2 डी छवियों का उपयोग करके 3 डी पुनर्निर्माण भी संभव है; यहां, सॉफ्टवेयर किनारों या छायांकित क्षेत्रों के बीच ज्यामितीय संबंधों की भी व्याख्या करता है।
मनुष्य केवल लाइन ड्राइंग का उपयोग करके अपने दिमाग में उन्हें संसाधित करके क्यूब्स को फिर से संगठित कर सकते हैं - छायांकित हलकों का उपयोग करके गोले को फिर से संगठित करने के लिए। छायांकन सतह के ढलान को दर्शाता है। हालांकि, यह व्युत्पत्ति प्रक्रिया एक से कहीं अधिक जटिल है, क्योंकि छायांकन एक आयामी पैरामीटर है, जबकि ढलान दो आयामी मामले में होता है। यह अस्पष्ट स्थितियों को जन्म दे सकता है - शारीरिक रूप से असंभव वस्तुओं को चित्रित करने की कला द्वारा मान्य एक तथ्य।
मशीन विजन कार्यों को कैसे अनुक्रमित किया जाता है
कई मशीन विजन सिस्टम निम्न-स्तरीय संचालन के साथ शुरू करके और फिर उच्च-स्तरीय संचालन के लिए प्रगति करके उपरोक्त तकनीकों को शामिल करते हैं। सबसे निचले स्तर पर, एक छवि के सभी पिक्सेल उच्च-बैंडविड्थ डेटा के रूप में संग्रहीत किए जाते हैं। अनुक्रम में प्रत्येक ऑपरेशन तब छवि सुविधाओं को पहचानता है और अपेक्षाकृत कम मात्रा में डेटा के साथ ब्याज की जानकारी का प्रतिनिधित्व करता है।
पहला फीचर डिटेक्शन के बाद छवि वृद्धि और बहाली का निम्न स्तर का संचालन है। इस प्रकार कई सेंसर का उपयोग करने के मामले में, निम्न-स्तरीय संचालन व्यक्तिगत सेंसर के लिए विशिष्ट वितरित प्रक्रियाओं द्वारा किया जा सकता है। एक बार व्यक्तिगत छवियों में सुविधाओं का पता चला है, अधिक उन्नत फोटोग्राममेट्री का प्रदर्शन किया जा सकता है - जैसा कि किसी भी ऑब्जेक्ट मान्यता या अन्य कार्य के साथ जो कई छवियों और सेंसर से संयुक्त डेटा पर निर्भर करता है।
प्रत्यक्ष संगणना और शिक्षण एल्गोरिदम
मशीन विजन के मामले में, प्रत्यक्ष संगणना प्रोग्रामर द्वारा परिभाषित गणितीय कार्यों का एक सेट है। ये फ़ंक्शन इनपुट जैसे कि इमेज पिक्सेल मान लेते हैं और ऑब्जेक्ट एज निर्देशांक जैसे आउटपुट का उत्पादन करते हैं। इसके विपरीत, लर्निंग एल्गोरिदम सीधे मनुष्यों द्वारा नहीं लिखे जाते हैं, लेकिन उदाहरण डेटासेट पर प्रशिक्षित होते हैं जो वांछित आउटपुट के साथ इनपुट को सहसंबंधित करते हैं। नतीजतन, लर्निंग एल्गोरिदम का उपयोग ब्लैक बॉक्स के रूप में किया जाता है। अधिकांश ऐसी मशीन लर्निंग अब गणना के लिए कृत्रिम तंत्रिका नेटवर्क के आधार पर गहरी सीख का उपयोग करती है।
औद्योगिक अनुप्रयोगों के लिए सरल मशीन लर्निंग प्रत्यक्ष गणना के आधार पर अधिक विश्वसनीय और कम कम्प्यूटेशनल रूप से मांग करता है। बेशक, प्रत्यक्ष संगणना के माध्यम से क्या प्राप्त किया जा सकता है, इसकी सीमाएं हैं। उदाहरण के लिए, किसी को कभी भी आवश्यक उन्नत मान्यता पैटर्न को पहचानने के लिए चेहरे का प्रदर्शन करने की उम्मीद नहीं करनी चाहिए, और विशेष रूप से भीड़ -भाड़ वाले सार्वजनिक स्थानों में वीडियो फुटेज से नहीं। इसके विपरीत, मशीन लर्निंग कुशलता से ऐसे अनुप्रयोगों को संभाल सकती है। इसलिए यह आश्चर्य की बात नहीं है कि मशीन लर्निंग तेजी से निम्न-स्तरीय मशीन विजन संचालन के लिए तैनात की जा रही है, विशेष रूप से छवि वृद्धि, बहाली और सुविधा का पता लगाने के लिए।
बेहतर शिक्षण विधियाँ (एल्गोरिदम नहीं)
गहरी सीखने की तकनीकों के बढ़ते परिष्कार ने यह स्पष्ट कर दिया है कि यह स्वयं सीखने वाले एल्गोरिदम नहीं है जिसे सुधारने की आवश्यकता है, बल्कि जिस तरह से एल्गोरिदम को प्रशिक्षित किया जाता है। एक बेहतर प्रशिक्षण प्रक्रिया को डेटा-केंद्रित कंप्यूटर विजन के रूप में जाना जाता है। यहां, एक गहरी शिक्षण प्रणाली हजारों, लाखों, या यहां तक कि अरबों की छवियों से युक्त एक बहुत ही मजबूत प्रशिक्षण सेट को स्वीकार करती है - और फिर प्रत्येक छवि से इसके एल्गोरिदम द्वारा निकाली गई संश्लेषित जानकारी को बचाता है। ये एल्गोरिदम उन्हें काम करने वाले उदाहरणों से जोड़कर कुशलता से सीखते हैं, और फिर यह सत्यापित करने के लिए एक "उत्तर पुस्तक" का संदर्भ लें कि सही मान प्राप्त किए गए हैं।
डिजिटल पैटर्न मान्यता के बारे में एक पुरानी सावधानी की कहानी है। अमेरिकी सेना ने एक बार लक्ष्य मान्यता के लिए मशीन विजन का उपयोग करने का इरादा किया था, और एक रक्षा ठेकेदार के प्रदर्शन ने अमेरिका और रूसी दोनों टैंकों दोनों की पहचान की। सभी अलग -अलग प्रकार के टैंक को सही ढंग से प्रतिष्ठित किया जा सकता है, एक के बाद एक, आपूर्तिकर्ता की हवाई तस्वीरों से। हालांकि, जब पेंटागन की अपनी छवि पुस्तकालय के साथ फिर से परीक्षण किया गया, तो सिस्टम गलत उत्तर देता रहा। समस्या यह थी कि रक्षा ठेकेदारों की तस्वीरों ने सभी अमेरिकी टैंकों को रेगिस्तान में और हरे रंग के खेतों पर रूसी टैंकों को चित्रित किया। विभिन्न टैंकों की पहचान करने के बजाय, सिस्टम ने विभिन्न रंगीन पृष्ठभूमि की पहचान की। मान्यता मानदंड क्या हैं? लर्निंग एल्गोरिदम को काम करने के लिए सावधानीपूर्वक क्यूरेट ट्रेनिंग डेटा की आवश्यकता होती है।
निष्कर्ष: रोबोटिक वर्कसेल के लिए एक सुरक्षित दृष्टि
मशीन विजन अब एक आला तकनीक नहीं है। वर्तमान ड्राइव में, औद्योगिक क्षेत्र मशीन विजन तैनाती के लिए सबसे बड़ा विकास क्षेत्र है। इस क्षेत्र में सबसे उल्लेखनीय विकास यह है कि मशीन विजन अब औद्योगिक संयंत्रों में सुरक्षा प्रणालियों को कैसे पूरा कर रहा है, अर्थात, सिस्टम जो अलार्म बजाते हैं या वॉयस नोटिफिकेशन देते हैं जब कोई कार्यकर्ता हेलमेट, मास्क, या अन्य उपयुक्त सुरक्षात्मक गियर के बिना एक कार्य क्षेत्र में प्रवेश करता है। मशीन विजन का उपयोग उन प्रणालियों में भी किया जा सकता है जो मशीनरी को स्थानांतरित करते समय सचेत करते हैं, जैसे कि फोर्कलिफ्ट्स, कर्मियों के बहुत करीब पहुंच जाते हैं।
ये और इसी तरह की मशीन विजन सिस्टम कभी -कभी औद्योगिक रोबोटों के आसपास कठिन सुरक्षात्मक उपायों को बदल सकते हैं ताकि संचालन को अधिक कुशल बनाया जा सके। मशीन विजन सिस्टम भी प्रकाश की रखवाली के आधार पर सुरक्षा प्रणालियों को प्रतिस्थापित या बढ़ा सकते हैं, जब भी किसी कार्यकर्ता को कार्य सेल में प्रवेश करने का पता लगाया जाता है। जब मशीन विजन एक काम सेल के चारों ओर कारखाने के फर्श की निगरानी करता है, तो उस सेल में रोबोट में लोगों के दृष्टिकोण के रूप में धीरे -धीरे धीमा करने की क्षमता होती है।
चूंकि औद्योगिक वातावरण का डिजाइन सहयोगी रोबोट और अन्य वर्कसेल उपकरणों को समायोजित करने के लिए विकसित होता है जो संयंत्र कर्मियों को सुरक्षित रूप से घूमने की अनुमति देते हैं (यहां तक कि उपकरण चल रहे हैं), ये और अन्य मशीन विजन-आधारित सिस्टम संयंत्र प्रक्रियाओं का एक अधिक सामान्य हिस्सा बन जाएंगे।