فی دوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

فی دوو

مرجع دانلود فایل ,تحقیق , پروژه , پایان نامه , فایل فلش گوشی

دانلودتحقیق تغییر حساسیت بینایی با افزایش سن

اختصاصی از فی دوو دانلودتحقیق تغییر حساسیت بینایی با افزایش سن دانلود با لینک مستقیم و پر سرعت .

 دانلودتحقیق تغییر حساسیت بینایی با افزایش سن


 دانلودتحقیق تغییر حساسیت بینایی با افزایش سن

خلاصه

هدف : تعیین تغییرات حساسیت کانتراست با افزایش سن .

روش کار : از میان 110 مراجعه کننده به کلینیک بینایی سنجی پس از توضیح کامل پروژه و گرفتن رضایت اطلاعات شامل : سن ، جنس گرفته شده و در پرسشنامه مربوطه ثبت گردید .

در مرحله بعد معاینات گرفتن دید بدون عینک ، رفرکشن توسط رتینوسکوپ استاتیک ، بررسی دید با اصلاح انجام شده و از میان بیمارانی که با اصلاح ، دید کامل داشته اند تست حساسیت کانتراست پلی رابسون ابتدا تک چشمی و سپس دوچشمی در شرایط نوری گرفته شد و نتایج بررسی شد.

نتایج :بر اساس آزمون T میزان حساسیت کانتراست چشم راست، چپ و دوچشمی در گروههای سنی مختلف تفاوت معنی داری داشت .

(P-Value چشم راست = 002/0 ؛ P-Value چشم چپ = 003/0 ؛ P-Value دوچشمی = 000/0 )

نتیجه گیری : از میان فاکتورهای بررسی شده بین سن و تغییرات حساسیت کانتراست ارتباط معکوس وجود دارد به طوری که هر چه سن افزایش می یابد اندازه حساسیت کانتراست کاهش می یابد ، همچنین مقدار حساسیت کانتراست دوچشمی بیشتر از تک چشمی مشاهده شد .

در این پژوهش بین جنس ، عیوب انکساری اصلاح شده و مقدار حساسیت کانتراست با افزایش سن ارتباطی پیدا نشد .


دانلود با لینک مستقیم


دانلودتحقیق تغییر حساسیت بینایی با افزایش سن

بررسی نگاه، جایگاه دیدن و فرآیند بینایی در هنر عکاسی

اختصاصی از فی دوو بررسی نگاه، جایگاه دیدن و فرآیند بینایی در هنر عکاسی دانلود با لینک مستقیم و پر سرعت .

بررسی نگاه، جایگاه دیدن و فرآیند بینایی در هنر عکاسی


بررسی نگاه، جایگاه دیدن و فرآیند بینایی در هنر عکاسی

بررسی نگاه، جایگاه دیدن و فرآیند بینایی در هنر عکاسی          66صفحه

چشم روشنایی

رولان بارت

روئت عکاسی از دیدگاه رولان بارت

دیدن در عکاسی خواستگاه عکاس

گزینش‌ کادر

ثبت‌ عکس‌


دانلود با لینک مستقیم


بررسی نگاه، جایگاه دیدن و فرآیند بینایی در هنر عکاسی

پایان نامه مقایسه فراوانی ازدواج خویشاوندی در والدین دارای نارسایی بینایی

اختصاصی از فی دوو پایان نامه مقایسه فراوانی ازدواج خویشاوندی در والدین دارای نارسایی بینایی دانلود با لینک مستقیم و پر سرعت .

پایان نامه مقایسه فراوانی ازدواج خویشاوندی در والدین دارای نارسایی بینایی


پایان نامه مقایسه فراوانی ازدواج خویشاوندی در والدین دارای نارسایی بینایی

این فایل در قالب ورد و قابل ویرایش در 70 صفحه می باشد.

 

چکیده:

پژوهش حاضر به مقایسه فراوانی ازدواج خویشاوندی در والدین دانش آموزان دارای نارسایی بینایی مقطع ابتدایی و دبیرستان شهرتهران می‌پردازد. جامعه آماری شامل والدین کلیه دانش‌آموزان دارای نارسایی بینایی مقاطع ابتدایی و دبیرستانی مدارس استثنایی شهر تهران در سال تحصیلی 87-1386 است با استفاده از روش نمونه‌گیری تصادفی ساده گروه نمونه شامل والدین 59دانش آموز دارای نارسایی بینایی انتخاب گردید. ابزار پژوهشی نیز، پرسشنامة محقق ساختی است که یکی از والدین پرسشنامه مورد نظر را تکمیل نموده است.

نتایج پژوهش حاصل حاکی از آن است که ازدواج‌های خویشاوندی (همخون) در مقایسه با ازدواج‌های عادی در والدین دانش‌آموزان دارای نارسایی بینایی از فراوانی بیشتری برخوردار است و در زمینه نوع نسبت و در مقایسه فراوانی خویشاوندی پسر عموی - دختر عمو (5/15%) بالاترین فراوانی و پسردایی – دخترعمه(6/5) کمترین فراوانی را داشتند. ازدواج خویشاوندی در والدین دانش آموزان دارای نارسایی بینایی مقطع ابتدایی در مقایسه با مقطع دبیرستان کاهش داشته است که نشانگر تأثیر اقدامات پیشگیرانه مسوؤلان ذیربط است.


 

مقدمه

شرایط خلقت در تمامی جهان و برای تمامی کودکان یکسان است. همه ی افراد بشر به یک نحو پا به این دنیای خاکی می‌گذراند و نطفه آنان نیز به یک طریق بسته می‌شود. ولی حتی دو کودک را در این جهان پهناور نمی‌توان یافت که از نظر خصوصیات جسمانی و روانی کاملاً یکسان باشند. بررسی‌های انجام شده نشان می‌دهد که در میان مخلوقات خداوند عده ای با دیگران از نظر جسمی و روحی تفاوت‌هایی دارند، علاوه بر برخی تفاوت‌های ظاهری چون قد، رنگ مو، رنگ چشم، عده ای دیگر از ابنای بشر تفاوت‌های دیگری نیز با همنوعان خود دارند، مثلاً عده ای از نظر دید با دیگری متفاوت اند و یا از نظر شنوایی چون دیگران نیستند و گروهی از نظر هوش و استعداد فراگیری قدرت دیگران را ندارند و یا بالعکس از دیگران برترند. به طوری کلی این کودکان را کودکان استثنایی می‌نامند (پاکزاد، 1376).

درصد چشمگیری از کودکان بر اثر عوامل گوناگونی (چون: عوامل ارثی، عوامل دوره بارداری، اشکالات هنگام تولد و یا بروز بیماری‌ها و حوادث در سال‌های طفولیت) دچار نقیصه‌هایی از نظر ذهنی و جسمی (نابینایی و ناشنوایی و...) می‌گردند.

نقص بینایی بیش از هر معلولیت دیگر ناتوانی به بار می‌آورد. دلیل ترس ما از نابینایی آن است که نابینایی نمایان تر از سایر معلولیت‌هاست. دلیل دیگر نقش مهمی است که چشم‌ها در ایجاد روابط اجتماعی ایفا می‌کند. فرد نابینا در ایجاد ارتباط با دنیای اطراف خود دچار مشکل می‌شود. در شناخت بسیاری از مفاهیم و مطالب مانند رنگ‌ها و... دچار مشکل می‌گردد و میان خود و دیگران فاصله ای را احساس می‌کند که دلیل آن نقص بینایی است (محقق، 1387).

یکی از عوامل ایجاد معلولیت بینایی عوامل ارثی است که از طریق مکانیسم‌های وراثتی از نسل‌های قبل به فرد منتقل می‌گردد.

در واقع وجود ژن‌ها است که باعث تفاوت‌های گوناگون و ویژگی‌های غیر اکتسابی افراد می‌گردد. اگر ژن بیماری زایی که در روی یک کروموزوم هست در روی کروموزوم‌های جفت آن نیز یافت شود کیفیتی حاصل می‌گردد که به آن هموزیگوت می‌گویند.

عامل همخونی در ایجاد ناهنجاری‌ها تاثیر فراوان دارد زیرا بیماری‌های متعدد که از نسل‌های قبل ظاهر نشده اند، احتمال بیشتری دارند که در اثر پیوند دو همخون ظاهر و بارز شوند. هرقدر نسبت همخونی بیشتر و نزدیکتر باشد خطر احتمال بروز خصوصیات منفی و بیمارگونه بیشتر است (افروز، 1381).

زیرا ازدواج خویشاوندی باعث افزایش درصد هموزیگوت شدن و خالص شدن یک ژن معیوب شده، لذا میزان شیوع ناهنجاری ارثی و مادرزادی در فرزندان اینگونه زوجین بیشتر از زوجین غیر خویشاوند خواهد بود (نقل از غیاثی، 1375).

بیان مساله

خویشاوندی عبارت است از مجموعه ای از پیوندهایی که به دلیل قرابت نسبی، سببی یا رضاعی بین عده ای از افراد وجود دارد. لذا خویشاوندی دارای انواع نسبی، سببی و رضاعی است (نقل از غیاثی، 1375).

اصولاً خویشاوندی از نظر علم ژنتیک به افرادی گفته می‌شود که دارای اجداد مشترک و بالطبع ژن‌های مشترک باشند، والدین و فرزندان یا خواهران و برادران را در اصطلاح خویشاوندان درجه اول می‌نامند.

نسبت خویشاوندی این افراد برابر  است (50 درصد ژن مشترک). عموها، عمه‌ها، خاله‌ها، دایی‌ها را با توجه به برادرزاده‌ها، خواهرزاده‌ها و امثال آن‌ها خویشاوندان درجه دوم گویند. درجه خویشاوندی آن‌ها  می‌باشد. پسرعمو، دختر عمه و پسرخاله و دخترخاله و امصال آن‌ها را خویشاوندان درجه سوم می‌نامند، درجه خویشاوندی این قبیل اشخاصل نسبت به یکدیگر برابر  می‌باشد. (نقل از پلاسی زاده، 1376).

عوامل و مشکلات وراثتی باعث ایجاد اختلالات فراوان در رشد جسمی و ذهنی کودکان می‌گردد.ازدواج با همخون یا ازدواج فامیلی احتمال بروز معلولیت‌های گوناگون را بیشتر می‌کند. بدین ترتیب که هرگاه والدین با هم فامیل باشند (یعنی ناقل خصوصیات یک خانواده باشند) در صورتی که نسل‌های گذشته این خانواده ضایعه ای بروز نموده باشد احتمال بارز شدن ناهنجاری به مقدار زیادی افزایش می‌یابد . (منبع قبلی)

مسئله ای که پژوهشگر در پژوهش حاضر قصد بررسی آن را دارد این است که آیا در والدین دانش آموزان دارای نارسایی بینایی شهر تهران ، ازدواج خویشاوندی بیش از سایر علل رایج نابینایی وجود دارد و همچنین آیا فراوانی ازدواج‌های خویشاوندی در والدین دانش آموزان مقطع دبستان و دبیرستان تغییری داشته است یا خیر .

ضرورت و اهمیت پژوهش

مهمترین عامل  معلولیت زایی، ازدواج فامیلی است که علت آن عامل همخونی است که در میان اقلیت‌ها و روستاییان و خانواده‌هایی که ازدواج با نزدیکان همخون متداول است (مانند دختر عمو، پسر عمو – دختر خاله، پسر خاله و...) نابهنجاری‌های ارثی بیش از دیگران می‌باشد، هرقدر نسبت خونی بیشتر و نزدیکتر باشد احتمال بروز خصوصیات منفی و بیمارگون بیشتر است (افروز، 1381). وفراوانی ازدواج‌های خویشاوندی در حال حاضر باعث می‌گردد که سالیانه کودکان معصوم زیادی قربانی انواع معلولیت‌ها شوند. لذا انجام  پژوهش‌هایی در   زمینه  تاثیر ازدواج‌های فامیلی بر بروز نارسایی بینایی موثر خواهد بود .  با توجه به عدم آگاهی بعضی والدین از عواقب و خطرات این ازدواج‌ها ، اهمیت این گونه  پژوهش‌ها در  افزایش اطلاعات جامعه انکار ناپذیر است ، زیرا پیشگیری مقدم بر درمان محسوب می‌گردد و می‌تواند   گام موثری باشد در سالم سازی نسل آینده . با انجام مشاوره‌های ژنتیک می‌توان پیشگیری موثری از بروز این گونه اختلالات داشت و تعداد اختلالات بینایی ناشی از زادواج‌های فامیلی را کاهش داد. (محقق، 1387).

اهداف پژوهش

ازدواج‌های همخون از لحاظ ژنتیکی بسیار مهم است. چرا که نزدیک بودن زن و شوهر موجب افزای آللهای مشترک می‌شود و در نتیجه ایجاد هموزیگوت می‌کند. بیماری‌های ارثی همخون‌ها افزایش می‌یابد، لذا در برخی از جامعه‌ها قوانینی برای ازدواج وضع کرده اند که مانع از پیوستگی‌های نزدیک می‌شود. ازدواج‌های خانوادگی و همخونی علاوه بر افزایش آزارهای ارثی و بیماریهای ژنتیک در نفوس موجب اغطاط مزاجی، کوتاهی عمر، گاهی موجب عقیمی، کاهش قدرت حیات و سقط جنین می‌گردد (به علت وجود ژن‌های مرگبار) (مولوی، 1335).

از زمان داروین به خوبی می‌دانستند که همخونی‌های طولانی موجب کاهش نیرومندی و قدرت جسم و جان می‌شود و از طول عمر می‌کاهد. به علاوه زحمات سوتروتاباخ[1] نشان می‌دهد که تعداد کودکانی که مبتلا به بدشکلی و نابهنجاری هستند بیشتر از ازدواج‌های نزدیک و همخون حاصل می‌شود. فرزندان پدر و مادری که نسبت خیلی نزدیکی دارند (ازدواج با عمه، خاله، دایی، خواهر و غیره) به شکل‌هایی فراوان تری را از سایر ازدواج‌ها نشان می‌دهد. به هر حال باید دانست که ازدواج‌های نزدیک نتایج شوم و پشیمان کننده ای در بر دارد مگر این که خانواده کاملاً سالم و عاری از هر نوع بیماری باشد (مولوی، 1335).

با توجه به تعداد دانش آموزان استثنایی که هر ساله نیز بر تعداد آن‌ها افزوده می‌شود و با توجه به ازدواج‌های همخونی که در کشور صورت می‌گیرد  ، هدف پزوهش حاضر  یافتن ارتباط دو عامل خویشاوندی والدین و نارسایی‌های بینایی است تا رهنمودی باشد برای کلیه جوانانی که در آستانه ازدواج قرار دارند.


 


دانلود با لینک مستقیم


پایان نامه مقایسه فراوانی ازدواج خویشاوندی در والدین دارای نارسایی بینایی

بینایی سه بعدی با استفاده از نور ساختار یافته با الگوی رنگی 3D VISON USING STRUCTURED LIGHT WITH COLOR PATTERN

اختصاصی از فی دوو بینایی سه بعدی با استفاده از نور ساختار یافته با الگوی رنگی 3D VISON USING STRUCTURED LIGHT WITH COLOR PATTERN دانلود با لینک مستقیم و پر سرعت .

بینایی سه بعدی با استفاده از نور ساختار یافته با الگوی رنگی 3D VISON USING STRUCTURED LIGHT WITH COLOR PATTERN


 بینایی سه بعدی با استفاده از نور ساختار یافته با الگوی رنگی    3D VISON USING STRUCTURED LIGHT WITH COLOR PATTERN

فرمت فایل : word(قابل ویرایش)تعداد صفحات135

 

عنوان صفحه

چکیده . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2

فصل اول : تئوری نور ساختار یافته و کاربردهای بینایی سه بعدی
1-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1-2- روشهای غیر فعال بینایی سه بعدی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1-2-1- روش استریوفتوگرامتری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1-3- روشهای فعال بینایی سه بعدی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1-3-1- بکار گیری سنسور تماسی دربینایی سه بعدی . . . . . . . . . . . . . . . . . . . 21
1-3-2- بکار گیری سنسور غیر تماسی دربینایی سه بعدی . . . . . . . . . . . . . . . . 22
1-3-2-1- روش ارسال امواج . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1-3-2-2- روش های انعکاسی. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1-3-2-2-1- رهیافتهای غیر اپتیکی در روشهای انعکاسی . . . . . . . . . . . . . . . . . 23
1-3-2-2-2- رهیافتهای اپتیکی در روشهای انعکاسی . . . . . . . . . . . . . . . . . . . 23
1-3-2-2-2-1 رادار تصویر برداری. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

1-3-2-2-2-2- روشهای اینترفرومتریک . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
1-3-2-2-2-3- استخراج عمق از طریق تمرکز بر روش فعال . . . . . . . . . . . . . . 27
1-3-2-2-2-4- استریوی فعال . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1-3-2-2-2-5- راستراستریوفتوگرامتری . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
1-3-2-2-2-6- سیستم مجتمع تصویر برداری . . . . . . . . . . . . . . . . . . . . . . . . 29
1-3-2-2-2-7- تکنیک نور ساختار یافته . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
1-4- مقایسه روشها وتکنیکها و کاربردهای آنها . . . . . . . . . . . . . . . . . . . . . . . . . 32
1-5- نتیجه گیری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

فصل دوم : روشهای مختلف کدینگ الگو
2-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
2-2- روشهای طبقه بندی کدینگ الگوهای نوری . . . . . . . . . . . . . . . . . . . . . . 38
2-2-1- الگوهای نوری از دیدگاه درجات رنگی . . . . . . . . . . . . . . . . . . . . . . . . 39
2-2-2- الگوهای نوری از دیدگاه منطق کدینگ. . . . . . . . . . . . . . . . . . . . . . . . 40
2-2-2-1- روشهای مبتنی بر الگوهای چند زمانه (کدینگ زمانی) . . . . . . . . . . 42
2-2-2-1-1- کدینگهای باینری. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
2-2-2-1-2- کدینگ با استفاده از مفهوم n-ary. . . . . . . . . . . . . . . . . . . . . . 44
2-2-2-1-3- کدینگ با استفاده از مفهوم انتقال مکانی. . . . . . . . . . . . . . . . . . 45
2-2-2-1-4- کدینگ با استفاده از همسایگی. . . . . . . . . . . . . . . . . . . . . . . . . 46
2-2-2-2- روشهای مبتنی بر همسایگیهای مکانی(کدینگ مکانی) . . . . . . . . . 48
2-2-2-2-1- کدینگهای غیر متعارف (ابتکاری) . . . . . . . . . . . . . . . . . . . . . . . 48
2-2-2-2-2- کدینگ بر اساس دنباله De_Bruijn . . . . . . . . . . . . . . . . . . . . 50
2-2-2-2-3- کدینگ بر اساس منطق M-Arrays. . . . . . . . . . . . . . . . . . . . . 52
2-2-2-3- کدینگ مستقیم . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
2-3- نتیجه گیری. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

عنوان صفحه

فصل سوم :پیاده سازی کدینگ و پردازش تصویر
3-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
3-2- تولید کلمه های رمز با استفاده از دنباله De_Bruijn. . . . . . . . . . . . . . . . 59
3-3- تابش الگو و عکسبرداری. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
3-4- پردازش تصویر . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66
3-4-1- دوسطحی سازی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3-4-2- تشخیص لبه ها و اسکلت بندی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
3-4-3- نازک سازی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
3-4-4 نقاط تقاطع . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
3-4-5- شناسایی خطوط . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
3-5- نتیجه گیری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82

 

 

 


عنوان صفحه

فصل چهارم :
شناسایی رنگ و حل مسئله تطابق و بازسازی سه بعدی
4-1- مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
4-2- شبکه عصبی و شناسایی رنگ. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
4-2-1- مسئله تغییر رنگ . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
4-3- طراحی شبکه عصبی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 88
4-4- مسئله تطابق . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
4-5- بازسازی سه بعدی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
4-6- بررسی خطاهای موجود. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4-6-1- تغییر رنگ و خروجی غیر قطعی شبکه. . . . . . . . . . . . . . . . . . . . . . . . 103
4-6-2- ناپیوستگی های تصویر رنگی. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
4-6-3-خطای همپوشانی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 104
4-7- نتیجه گیری . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 105

 

 


عنوان صفحه

فصل پنجم : نتیجه گیری و پیشنهادات
5-1 مقدمه . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 107
5-2- انتخاب روش و پیاده سازی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108
5-3- پیشنهادات . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 108

پیوست الف : نرم افزار تهیه شده . . . . . . . . . . . . . . . . . . . . . . . . . 111
پیوست ب : مثلث بندی . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 122
مراجع . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 130

 

 

 

چکیده :
هدف از این پروژه استخراج پروفایل سه بعدی اجسام به استفاده از روش نور ساختار یافته ااست.
با توجه به بررسی های انجام شده نور ساختار یافته دارای مزایای ویژه ای می باشد . برای مثال سیستمهای مبتنی بر اُپتیک معمولا دارای هزینه پایین تری هستند . همچنین سیستم های بینایی استرﻳو ( شامل دو دوربین ) یا استریو فتو گرامتری برای سنجش برد کوتاه دارای کاربردهای زیادی می باشد . اما این سیستم در اندازه گیری فواصل کوتاه دارای نواقص و مشکلات مربوط به خود است . این مطلب باعث شده روشهای نور ساختار یافته در فواصل کوتاه بیشتر مورد توجه قرار گیرد . وجود کدینگ در نور ساختار یافته و کاربرد آن در تناظر یابی باعث بالاتر رفتن ضریب اطمینان می شود . برای راه اندازی این سیستم نیاز به یک پروژکتور LCD و یک دوربین تصویر برداری است که با توجه به الگو از آن می توان برای بازسازی اجسام متحرک نیز استفاده کرد . در این میان نقش اساسی را الگوریتم و نرم افزار نوشته شده برای پردازش ها و اندازه گیریها برعهده دارد . مراحل کاری این سیستم در فلوچارت به صورت کلی آورده شده است .
این سیستم دارای کاربردهای فراوانی در استخراج مدل سه بعدی اجسامی از قبیل آثار هنری ، ایجاد مدل کامپیوتری از عروسکها و مجسمه ها در کاربردهای انیمیشن سازی دارد . همچنین دارای کاربردهای قابل تطبیق، در سیستم های پزشکی و برخی مسائل صنعتی مانند مهندسی معکوس نیز می باشد .


دانلود با لینک مستقیم


بینایی سه بعدی با استفاده از نور ساختار یافته با الگوی رنگی 3D VISON USING STRUCTURED LIGHT WITH COLOR PATTERN

دانلود مقاله بینایی ربات ها"ماشین"

اختصاصی از فی دوو دانلود مقاله بینایی ربات ها"ماشین" دانلود با لینک مستقیم و پر سرعت .

 

 

اشاره :
از میان همه شاخه‌های هوش مصنوعی، شاید کاربردی‌ترین آن‌ها کامپیوتری و مکانیزه کردن سیستم‌های بینایی باشد. دامنه کاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از کاربردهای عادی و معمولی مثل کنترل کیفیت خط تولید و نظارت ویدئویی گرفته تا تکنولوژی‌های جدید مثل اتومبیل‌های بدون راننده را دربرگرفته است. دامنه کاربردهای این تکنولوژی براساس تکنیک‌های مورد استفاده در آن‌ها تغییر می‌کند. دراین مقاله سعی داریم به شما نشان دهیم که سیستم‌های بینایی ماشین چگونه کار می‌کنند و مروری کوتاه بر اهداف، تکنیک‌ها و تکنولوژی‌های موجود داشته باشیم و سعی داریم با نحوه کار بینایی ماشین و پیشرفت آن‌ها که مطابق با سیستم بینایی انسان است، آشنا شویم. در این متن، بررسی‌ خود را با دو مثال انجام می‌دهیم. اولی سیستم کنترل کیفیت خط تولید است که شامل نحوه عکس‌برداری و ذخیره و شیوه تفسیر عکس‌های گرفته شده به‌صورت خودکار است و دیگری به‌عنوان یک مثال پیچیده‌تر، چگونگی بینایی یک ربات را توضیح می‌دهد.

 

کنترل کیفیت خط تولید

شکل 1- نمای ساده شده‌ای از یک سیستم بینایی کنترل کیفیت خط تولید غیرواقعی
یکی از کاربردهای بینایی ماشین در کنترل کیفیت خروجی کارخانه‌ها می‌باشد. شکل 1 مثالی بسیار ساده از چنین سیستمی است. اجناس تولید‌شده در کارخانه که برروی یک نوار نقاله قرار گرفته‌اند و توسط یک دوربین CCD برای آزمایش دیده می‌شوند و محصولات با کیفیتِ مناسب اجازه عبور پیدا خواهندکرد. چنانچه محصولی دارای استانداردهای مناسب نباشد از ادامه مسیر حذف می‌شود. معیار این استانداردها می‌تواند لبه‌های زائد، خراشیدگی و بادکردگی و تورم روی فلزات و بسیاری چیزهای دیگر باشد. در این مثال ما در پی یافتن مکانیزم خط تولید نیستیم و فقط می‌خواهیم ببینیم که یک شی تولیدشده چگونه استاندارد تشخیص داده شده و اجازه عبور می‌یابد و برعکس چگونه به بعضی از اشیاء اجازه عبور و ادامه دادن داده نمی‌شود.
عکس‌برداری
در این مثال ما سعی در مکانیزه کردن فرآیندی یکنواخت داریم که به‌صورت معمول و تکراری توسط انسان انجام می‌شود. اولین مسأله و مشکل ما این است که چگونه عکس‌های تهیه شده از اشیایی که در حال حرکت بر روی نوار نقاله هستند را تبدیل به داده‌های قابل فهم و تفسیر برای سیستم نماییم، که این مشکل توسط دوربین CCD حل می‌شود. عملکرد این دوربین را می‌توان به عملکرد چشم انسان که قادر است سطوح مختلف نور را تشخیص دهد تشبیه نمود.
چشم انسان
چشم انسان که در شکل 2 نشان داده شده است، تقریباً یک عدسی کروی با قطر 5/2 سانتی‌متر می‌باشد که از چندین لایه مختلف که درونی‌ترین آن‌ها شبکیه نام دارد تشکیل شده است. ماهیچه‌های اطراف چشم اندازه لنز را تنظیم می‌کنند که این‌کار چشم را قادر به زوم (zoom) کردن روی اشیاء می‌کند.

شکل 2- نمای داخلی چشم انسان
وظیفه عدسی چشم، فرم و شکل دادن به تصویری است که توسط میلیون‌ها سلول گیرنده مخروطی (Cone) و میله‌ای (rod) گرفته شده و برروی پرده شبکیه افتاده است، می‌باشد. سلول‌های میله‌ای به یک عصب معمولی که از انتها به شبکیه ختم می‌شود و فقط در سطح نور پایین فعال است متصلند و سلول‌های مخروطی هر کدام به یک عصب اتصال دارند. آن‌ها در نورهای شدیدتر، بیشتر فعالند و میزان درک ما از رنگ‌ها را نوع فعالیت این‌ مخروط‌ها مشخص می‌کند.
در میان شبکیه ناحیه‌ای به‌نام نقطه کور وجود دارد که در آن هیچ‌ گیرنده‌ای موجود نیست. در این ناحیه اعصاب به‌صورت جداگانه به عصب بینایی که سیگنال‌های دریافت شده را به قشر بینایی مخ انتقال می‌دهند، وصل می‌شود.

 


دوربین CCD
CCD از جهت عملکرد تقریباً مانند چشم انسان کار می‌کند. نور از طریق یک عدسی وارد دوربین و برروی یک پرده مخصوص تصویر می‌شود که تحت عنوان تراشه CCD شناخته می‌شود. تراشه Charge Coupled Device) CCD) که تصاویر با استفاده از آن گرفته می‌شوند از تعداد زیادی سلول تشکیل شده که همگی در یک تراشه با الگوی خاصی مرتب شده‌اند و تحت عنوان پیکسل (pixels) شناخته می‌شوند.

شکل3- تصویر وسط یک نمای نزدیک از چشم ماهی را نمایش می دهد و نشان می دهد که هر قسمت از یک تصویر چگونه با تعدادی مقادیر عددی ذخیره می شود. به تعداد داده های عددی مورد نیاز برای ذخیره یک فضای کوچک از تصویر توجه کنید.
زمانی که تراشه CCD این اطلاعات را دریافت می‌کند، آن‌ها را به شکل سیگنال‌های دیجیتالی از طریق کابل‌هایی به سیستم دریافت‌کننده می‌فرستد و بعد تصاویر در این سیستم به صورت مجموعه‌ای از اعداد ذخیره می‌شوند. همان‌طور که در شکل 3 می‌بینید هر عدد نماینده یک پیکسل است.
درک تصویر
با هر تصویر، چه با دوربین گرفته شود و چه با چشم انسان، مقداری تحریف و تغییر شکل و
به عبارتی "نویز (noise) " وجود دارد. البته در مورد مثال ما در سیستم خط تولید این مسأله چندان اهمیت ندارد اما در موقعیت‌هایی که نیاز به دقت بالا وجود دارد باید از نورپردازی خاصی برای تصویربرداری استفاده شود.

شکل 4- ترسیم لبه. شکل اول تصویر اصلی می‌باشد. در شکل وسط نویزها با فیلترنمودن ا‌ز بین رفته است. در نهایت شکل 3، تصویر حاصل از به‌کار بردن الگوریتم ترسیم لبه می‌باشد.
انسان‌ برای درک تصاویری که می‌بیند نیازی ندارد هیچ کاری در مورد فیلتر کردن و از بین بردن نویزهای یک تصویر انجام دهد. مثلاً در یک روز ابری که مه همه جا را فرا گرفته، دید ما به شدت ضعیف و دچار مشکل می‌شود. اما هر آنچه را که قادر به دیدنش باشیم درک می‌کنیم. یعنی برای درک اشیاء نیازی به حذف نویزهای تصویر نیست. مثلاً اگر در این روز در حال رانندگی در یک جاده باشید و تصویر مبهمی از یک ماشین را مقابل خود ببینید، بالطبع عکس‌العمل نشان می‌دهید و به عبارتی سرعت خود را کم می‌کنید.

 

و این یعنی ما هنوز تصویر ماشین را علیرغم وجود مه می‌توانیم تشخیص دهیم و در مقابل آن عکس‌العمل نشان‌دهیم. و یا مثلاً زمانی که دچار سرگیجه می‌شوید، علیرغم این‌که تصاویر اطراف خود را تار و مبهم می‌بینید اما قادر به درک و تشخیص وسایل و تصاویر اطراف خود هستید. یعنی ابتدا صبر نمی‌کنید 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 که تصفیه کردن یا فیلترینگ نامیده می‌شود، از بین برود و بعد هر آنچه برای پردازش عکس لازم است انجام شود.
خوشبختانه در حال حاضر تکنیک‌هایی برای انجام این کار وجود دارد. از بین بردن نویزها به‌صورت نرمال توسط تعدادی از توابع ریاضی یا الگوریتم‌هایی که 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 که خرابی‌ها از بین رفت، می‌توانیم پردازش عکس‌ها را ادامه دهیم که این کار با استخراج صورت‌ها و حالت‌ها از یک تصویر انجام می‌شود. یک شیوه معمول که غالباً مورد استفاده قرار می‌گیرد استخراج لبه‌ها که در شکل 4 دیده می‌شود، می‌باشد.
در مورد مثال ما در سیستم خط تولید، وظیفه اصلی یک اپراتور کنترل کیفیت این است که به سرتاسر محصول تولید شده نگاه کرده و با مقایسه آن با استانداردهای مورد قبول، برای محصول تولید‌شده جواز عبور یا عدم عبور صادر کنند.
اگر این کار با استفاده از بینایی ماشین صورت گیرد باید عکس گرفته شده از محصول تولید شده با عکسی که از یک محصول استاندارد وجود دارد مقایسه ‌شود. یکی از روش‌های انجام این کار به این صورت است:
برای انجام این‌کار، یک تصویر از محصول استاندارد در کامپیوتر ذخیره می‌شود و سپس از محصولا‌تی که از خط تولید عبور می‌کنند. 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 که در هر زمان فقط یک رقم عبور کند، می‌لغزاند و عدد ظاهر شده در هر موقعیت را با عدد همان موقعیت در تصویر اصلی مقایسه می‌کند و در صورت تفاوت آن را اعلا‌م می‌نماید.
لذا عملیات بینایی کامپیوتر در حقیقت مقایسه دو مجموعه عدد است که اگر تفاوت این دو مجموعه از یک محدوده خاص فرارتر برود، از پذیرفتن محصول امتناع شده و در غیر این‌صورت محصول‌ پذیرفته می‌شود.
یک مثال پیچیده‌تر
در مثال قبل سیستم مورد مطالعه بسیار محدود بود و فقط یک تصویر دو بعدی از یک محصول را با تصویر اصلی و ایده‌آل مقایسه می‌کرد و احتیاجی به بررسی مقادیر اندازه و زاویه نبود.
در این مثال می‌خواهیم به سیستم بینایی که برای یک ربات خانگی که قادر به تمیز کردن 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 یک سیستم هوشمندتر داریم. قبلاً دیدیم که تصاویر چگونه ذخیره و تفسیر می‌شوند. غالب تکنیک‌های گذشته دوباره در این مثال به‌کار گرفته می‌شوند. تفاوت اصلی در تفسیر تصاویر گرفته شده است. در مثال قبلی فضای سیستم بینایی فقط متشکل از یک 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 تکنیک‌های تشخیص پیچیده‌تری وجود دارد.
یعنی در این مثال، یک صحنه فرضی شامل ده‌ها یا حتی صدها شی مختلف در معرض دید است. این اشیاء در اندازه‌ها و تحت زوایای مختلف که متأثر از نوع نورپردازی هم هستند به نمایش درمی‌آیند و به همین دلیل برای تشخیص این اشیاء نیاز به تکنیک‌های هوش‌مصنوعی (Ai) می‌باشد.
پردازش اطلاعات در مغز

شکل 5 - تصویر به نظر دو مثلث می‌آید که در جهت عکس 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 متذکر شدیم که شاید یکی از قسمت‌هایی از مغز که بیشتر فعالیت درک تصویر را انجام می‌دهد ناحیه visual Cortex باشد. همان‌طور که دیده‌ایم، این‌جا ناحیه‌ای است که اطلاعات منتقل شده در طول عصب بینایی در آن پردازش می‌شود. البته این را هم مدنظر داشته باشید که قسمتی از فعالیت پردازش اطلاعات در ناحیه شبکیه چشم قبل از این‌که اطلاعات به مغز برسند، انجام می‌شود.
البته خود ناحیه شبکیه به‌عنوان قسمتی از مغز شمرده می‌شود. در ضمن این مسأله هم قبلاً مشخص شده است که نواحی مختلف قشر بینایی مخ در مقابل تصاویر مختلف عکس‌العمل نشان می‌دهد. به عبارت دیگر هر قسمت از این ناحیه مربوط به یک حالت خاص است. مثلاً نواحی معین و مشخصی در مقابل رنگ‌های متفاوت عکس‌العمل‌ نشان می‌دهند و یا مثلاً نواحی وجود دارند که سلول‌هایشان در مقابل جزییات دقیق موجود در یک تصویر عکس‌العمل نشان می‌دهند. مثلاً در شکل 5 شما می‌توانید یک مثلث سفید که به‌طور واضح سه راس آن مشخص نشده است را ببیند،

شکل 6- مثلث Penrose: عدم هماهنگی هندسی در لبه‌ها باعث عدم درک صحیح شکل می‌شود.

 

علیرغم این‌که به‌طور واضح و مجزا این مثلث مشخص نشده است. اما سلول‌های موجود در قشر بینایی می‌توانند تکه‌های این خطوط را کنار هم گذاشته و از آن یک مثلث استنتاج کنند.
زمانی که اطلاعات مربوط به چیزی که دیده می‌شود را دریافت کردیم، مثل شکل ظاهری، لبه‌ها و غیره، مغز نیاز به رمزگشایی و کشف اطلاعات به‌دست آمده دارد تا دقیقاً نتیجه‌گیری کند که آنچه در صحنه می‌گذرد چیست. اینجا قسمتی است که ما خیلی کم در رابطه با آن می‌دانیم و مشخص نیست که دقیقاً مغز چگونه این کار را انجام می‌دهد. اما مسأله مشخص این است که سیستم بینایی ما چندان مبرا از خطا نیست و به‌راحتی دچار اشتباه می‌شود. موارد بسیار زیادی وجود دارد که اطلاعات کسب شده می‌‌توانند مبهم و یا حتی اشتباه باشند، مانند مثال‌هایی که در شکل 6 و 7 مشاهده می‌کنید.

شکل 7- خطای دید: در شکل سمت چپ علیرغم نحوه ظهور خطوط همه آن‌ها با هم موازیند. در شکل سمت راست که 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 این‌که سیستم بینایی انسان در بسیاری موارد دچار خطا می‌شود، نیاز به درنظرگرفتن شیوه‌ای متفاوت برای بینایی ماشین هستیم.
با استفاده از تکنیک‌هایی که قبلاً ذکر کردیم، ربات می‌تواند شناسایی ترکیبات و صورت‌های گوناگون موجود در اطراف خود را با استفاده از شیوه همانند‌سازی الگو انجام دهد. هر چند تعداد زیادی صورت و ترکیبات گوناگون (template matching) دیگر وجود دارند که نیاز به اخذ شیوه‌های متفاوت دیگری برای نمایش آن‌ها وجود دارد. و در این جاست که نیاز به استفاده از تکنیک‌های هوش مصنوعی مطرح می‌شود.
نمایش دانش
متخصصین هوش مصنوعی انواع سیستم‌ها را با استفاده از برنامه‌های معمول کامپیوتری و تفاوت قایل‌شدن بین پردازش اطلاعات (information) و پردازش دانش (knowledge)، شناسایی می‌کنند. این‌کار منجر به ایجاد سیستم‌های مبتنی بر دانش که کاربرد بسیار زیادی در هوش مصنوعی دارد می‌شود.

شکل 8- یک شبکه 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 کند. ما به‌طور خلاصه بعضی تکنیک‌هایی که توسط مهندسین دانش (knowledgc engineer) برای نمایش و پردازش این اطلاعات به‌کار می‌رود را آزمایش می‌کنیم.
یک شبکه معنایی (Semantic network) یک تکنیک خوش ساخت برای نمایش اشیاء یا ماهیت موجود در یک دنیا و ارتباطاتی که بین‌شان موجود است، می‌باشد. مثلاً قسمتی از دنیای ربات ما آشپزخانه است.
استفاده از یک شبکه معنایی می‌تواند راه مناسبی برای نمایش اطلاعات باشد. بدین‌ترتیب آشپزخانه را تحت عنوان یک سری از اشیاء و روابط بین‌شان فرض کنیم. یک شبکه می‌تواند جزییات موجود را به‌خوبی نمایش داده و ما را قادر به کاوش بیشتر و بهتر در روابط موجود بین اشیاء کند. برای مثال، همان‌طور که از شکل 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 که این شبکه 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 شبکه باید اتاق‌ها، افراد، اشیاء موجود و غیره را هم نمایش دهد.
پس از ساخته شدن شبکه معنایی ما قادر به ساخت یک پایگاه داده از دانش حاصل از شبکه معنایی در مورد اشیاء موجود در دنیای مربوطه هستیم. در مورد مثال ما، ورودی‌های مناسب می‌تواند به شکل زیر باشد:
(سیب - شکل - گرد) (سیب - رنگ - قرمز) (سیب - نما - براق)
(همبرگر- شکل - گرد) (همبرگر- رنگ - قهوه‌ای) (همبرگر نما - گوشتی)
(یخچال - شکل - مستطیل) (یخچال - رنگ- سفید) (یخچال - نما - فلزی)
(ظرف‌میوه - شکل - بیضی) (ظرف‌میوه - رنگ- نقره‌ای) (ظرف میوه - نما - فلزی)
((میوه) نگهداری - در (ظرف میوه))
((سیب) هست - یک (خوردنی))
توجه کنید که ورودی‌های این پایگاه دانش باید به‌گونه‌ای باشد که منجر به سردرگمی ماشین نشود. مثلاً در مورد مثال ما، سیب یک شی براق قرمز گرد معرفی شده است. اشیاء زیادی هستند که ممکن است چنین مشخصه‌ای داشته باشند و اگر مثلاً شما ربات خود را بفرستید که برای شما یک سیب تازه بیاورد امکان دارد ربات با یک توپ نزد شما باز گردد.
این پایگاه دانش تحت عنوان حافظه کاریِ سیستم شناخته می‌شود. به منظور استفاده کارا و مناسب از اطلاعات موجود در این پایگاه، سیستم نیاز به داشتن تعدادی قانون دارد. بدین‌ترتیب پس از ساخت پایگاه دانش نیاز به ساخت یک 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 می‌کنیم. 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 که یک سیب چیست و در کجا قرار دارد. مثلاً فرض کنید یکی از کارهایی که 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.

 

اکنون هم دانش و هم قوانین مربوطه را داریم که نیاز به روش‌هایی برای تفسیرشان داریم. این کار توسط سیستم مفسر انجام می‌شود. مفسر برنامه‌ای است که قوانین را پردازش می‌کند. وظیفه آن خواندن هر قانون و بررسی این‌که موقعیت‌ها با هم همخوانی دارند یا نه می‌باشد. اگر همخوانی داشتند عمل موردنظر را انجام می‌دهد. این عمل آن‌قدر انجام می‌شود تا به عملی که دستور پایان داده‌است، برسد.
گفتیم برای استفاده از تکنیک 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 یک صندلی، به‌جای ذخیره یک صندلی از تعدادی زوایا و اندازه‌ها می‌توانیم اطلاعاتی راجع‌به برخی خواص و ظواهر صندلی نظیر جنس، دسته‌ها، پایه‌ها و ... که یک سیستم مبتنی بر دانش از آن‌ها به منظور تشخیص صندلی استفاده می‌کند، ذخیره کنیم. یک صندلی دارای چهار پایه، یک نشیمنگاه و یک تکیه‌گاه است.
از طرف دیگر میز هم چهار پایه و یک رویه دارد. بدین‌ترتیب به‌جای ذخیره تعداد زیادی عدد برای هر شی، از خواص آن شی برای توصیفش استفاده کنیم. بدین‌ترتیب نیاز به یک پایگاه دانش هست که چیزهایی نظیر اجزا (دسته‌ها، پایه‌ها، دیواره‌ها و...) خواصی که این اجزا را توصیف می‌کند (ظاهر و غیره)، و حقایقی در رابطه با اشیایی که توسط این اجزا ساخته می‌شوند (آشپزخانه چهار دیوار و یک در دارد و غیره) و همچنین یک سری قوانین به منظور پردازش این اطلاعات را نگهداری نماید.

کنترل کیفیت خط تولید

 


شکل 1- نمای ساده شده‌ای از یک سیستم بینایی کنترل کیفیت خط تولید غیرواقعی
یکی از کاربردهای بینایی ماشین در کنترل کیفیت خروجی کارخانه‌ها می‌باشد. شکل 1 مثالی بسیار ساده از چنین سیستمی است. اجناس تولید‌شده در کارخانه که برروی یک نوار نقاله قرار گرفته‌اند و توسط یک دوربین CCD برای آزمایش دیده می‌شوند و محصولات با کیفیتِ مناسب اجازه عبور پیدا خواهندکرد. چنانچه محصولی دارای استانداردهای مناسب نباشد از ادامه مسیر حذف می‌شود. معیار این استانداردها می‌تواند لبه‌های زائد، خراشیدگی و بادکردگی و تورم روی فلزات و بسیاری چیزهای دیگر باشد. در این مثال ما در پی یافتن مکانیزم خط تولید نیستیم و فقط می‌خواهیم ببینیم که یک شی تولیدشده چگونه استاندارد تشخیص داده شده و اجازه عبور می‌یابد و برعکس چگونه به بعضی از اشیاء اجازه عبور و ادامه دادن داده نمی‌شود.
عکس‌برداری
در این مثال ما سعی در مکانیزه کردن فرآیندی یکنواخت داریم که به‌صورت معمول و تکراری توسط انسان انجام می‌شود. اولین مسأله و مشکل ما این است که چگونه عکس‌های تهیه شده از اشیایی که در حال حرکت بر روی نوار نقاله هستند را تبدیل به داده‌های قابل فهم و تفسیر برای سیستم نماییم، که این مشکل توسط دوربین CCD حل می‌شود. عملکرد این دوربین را می‌توان به عملکرد چشم انسان که قادر است سطوح مختلف نور را تشخیص دهد تشبیه نمود.
چشم انسان
چشم انسان که در شکل 2 نشان داده شده است، تقریباً یک عدسی کروی با قطر 5/2 سانتی‌متر می‌باشد که از چندین لایه مختلف که درونی‌ترین آن‌ها شبکیه نام دارد تشکیل شده است. ماهیچه‌های اطراف چشم اندازه لنز را تنظیم می‌کنند که این‌کار چشم را قادر به زوم (zoom) کردن روی اشیاء می‌کند.
وظیفه عدسی چشم، فرم و شکل دادن به تصویری است که توسط میلیون‌ها سلول گیرنده مخروطی (Cone) و میله‌ای (rod) گرفته شده و برروی پرده شبکیه افتاده است، می‌باشد. سلول‌های میله‌ای به یک عصب معمولی که از انتها به شبکیه ختم می‌شود و فقط در سطح نور پایین فعال است متصلند و سلول‌های مخروطی هر کدام به یک عصب اتصال دارند. آن‌ها در نورهای شدیدتر، بیشتر فعالند و میزان درک ما از رنگ‌ها را نوع فعالیت این‌ مخروط‌ها مشخص می‌کند.

 

در میان شبکیه ناحیه‌ای به‌نام نقطه کور وجود دارد که در آن هیچ‌ گیرنده‌ای موجود نیست. در این ناحیه اعصاب به‌صورت جداگانه به عصب بینایی که سیگنال‌های دریافت شده را به قشر بینایی مخ انتقال می‌دهند، وصل می‌شود.
دوربین CCD
CCD از جهت عملکرد تقریباً مانند چشم انسان کار می‌کند. نور از طریق یک عدسی وارد دوربین و برروی یک پرده مخصوص تصویر می‌شود که تحت عنوان تراشه CCD شناخته می‌شود. تراشه Charge Coupled Device) CCD) که تصاویر با استفاده از آن گرفته می‌شوند از تعداد زیادی سلول تشکیل شده که همگی در یک تراشه با الگوی خاصی مرتب شده‌اند و تحت عنوان پیکسل (pixels) شناخته می‌شوند.
زمانی که تراشه CCD این اطلاعات را دریافت می‌کند، آن‌ها را به شکل سیگنال‌های دیجیتالی از طریق کابل‌هایی به سیستم دریافت‌کننده می‌فرستد و بعد تصاویر در این سیستم به صورت مجموعه‌ای از اعداد ذخیره می‌شوند. همان‌طور که در شکل 3 می‌بینید هر عدد نماینده یک پیکسل است.

شکل3- تصویر وسط یک نمای نزدیک از چشم ماهی را نمایش می دهد و نشان می دهد که هر قسمت از یک تصویر چگونه با تعدادی مقادیر عددی ذخیره می شود. به تعداد داده های عددی مورد نیاز برای ذخیره یک فضای کوچک از تصویر توجه کنید.
درک تصویر
با هر تصویر، چه با دوربین گرفته شود و چه با چشم انسان، مقداری تحریف و تغییر شکل و
به عبارتی "نویز (noise) " وجود دارد. البته در مورد مثال ما در سیستم خط تولید این مسأله چندان اهمیت ندارد اما در موقعیت‌هایی که نیاز به دقت بالا وجود دارد باید از نورپردازی خاصی برای تصویربرداری استفاده شود.

شکل 4- ترسیم لبه. شکل اول تصویر اصلی می‌باشد. در شکل وسط نویزها با فیلترنمودن ا‌ز بین رفته است. در نهایت شکل 3، تصویر حاصل از به‌کار بردن الگوریتم ترسیم لبه می‌باشد.
انسان‌ برای درک تصاویری که می‌بیند نیازی ندارد هیچ کاری در مورد فیلتر کردن و از بین بردن نویزهای یک تصویر انجام دهد. مثلاً در یک روز ابری که مه همه جا را فرا گرفته، دید ما به شدت ضعیف و دچار مشکل می‌شود. اما هر آنچه را که قادر به دیدنش باشیم درک می‌کنیم. یعنی برای درک اشیاء نیازی به حذف نویزهای تصویر نیست. مثلاً اگر در این روز در حال رانندگی در یک جاده باشید و تصویر مبهمی از یک ماشین را مقابل خود ببینید، بالطبع عکس‌العمل نشان می‌دهید و به عبارتی سرعت خود را کم می‌کنید.
این یعنی ما هنوز تصویر ماشین را علیرغم وجود مه می‌توانیم تشخیص دهیم و در مقابل آن عکس‌العمل نشان‌دهیم. و یا مثلاً زمانی که دچار سرگیجه می‌شوید، علیرغم این‌که تصاویر اطراف خود را تار و مبهم می‌بینید اما قادر به درک و تشخیص وسایل و تصاویر اطراف خود هستید. یعنی ابتدا صبر نمی‌کنید 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 که تصفیه کردن یا فیلترینگ نامیده می‌شود، از بین برود و بعد هر آنچه برای پردازش عکس لازم است انجام شود.
خوشبختانه در حال حاضر تکنیک‌هایی برای انجام این کار وجود دارد. از بین بردن نویزها به‌صورت نرمال توسط تعدادی از توابع ریاضی یا الگوریتم‌هایی که 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 که خرابی‌ها از بین رفت، می‌توانیم پردازش عکس‌ها را ادامه دهیم که این کار با استخراج صورت‌ها و حالت‌ها از یک تصویر انجام می‌شود. یک شیوه معمول که غالباً مورد استفاده قرار می‌گیرد استخراج لبه‌ها که در شکل 4 دیده می‌شود، می‌باشد.
در مورد مثال ما در سیستم خط تولید، وظیفه اصلی یک اپراتور کنترل کیفیت این است که به سرتاسر محصول تولید شده نگاه کرده و با مقایسه آن با استانداردهای مورد قبول، برای محصول تولید‌شده جواز عبور یا عدم عبور صادر کنند.
اگر این کار با استفاده از بینایی ماشین صورت گیرد باید عکس گرفته شده از محصول تولید شده با عکسی که از یک محصول استاندارد وجود دارد مقایسه ‌شود. یکی از روش‌های انجام این کار به این صورت است:
برای انجام این‌کار، یک تصویر از محصول استاندارد در کامپیوتر ذخیره می‌شود و سپس از محصولا‌تی که از خط تولید عبور می‌کنند. 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 که در هر زمان فقط یک رقم عبور کند، می‌لغزاند و عدد ظاهر شده در هر موقعیت را با عدد همان موقعیت در تصویر اصلی مقایسه می‌کند و در صورت تفاوت آن را اعلا‌م می‌نماید.
لذا عملیات بینایی کامپیوتر در حقیقت مقایسه دو مجموعه عدد است که اگر تفاوت این دو مجموعه از یک محدوده خاص فرارتر برود، از پذیرفتن محصول امتناع شده و در غیر این‌صورت محصول‌ پذیرفته می‌شود.
یک مثال پیچیده‌تر
در مثال قبل سیستم مورد مطالعه بسیار محدود بود و فقط یک تصویر دو بعدی از یک محصول را با تصویر اصلی و ایده‌آل مقایسه می‌کرد و احتیاجی به بررسی مقادیر اندازه و زاویه نبود.

 

در این مثال می‌خواهیم به سیستم بینایی که برای یک ربات خانگی که قادر به تمیز کردن 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 یک سیستم هوشمندتر داریم. قبلاً دیدیم که تصاویر چگونه ذخیره و تفسیر می‌شوند. غالب تکنیک‌های گذشته دوباره در این مثال به‌کار گرفته می‌شوند. تفاوت اصلی در تفسیر تصاویر گرفته شده است. در مثال قبلی فضای سیستم بینایی فقط متشکل از یک 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 تکنیک‌های تشخیص پیچیده‌تری وجود دارد.
یعنی در این مثال، یک صحنه فرضی شامل ده‌ها یا حتی صدها شی مختلف در معرض دید است. این اشیاء در اندازه‌ها و تحت زوایای مختلف که متأثر از نوع نورپردازی هم هستند به نمایش درمی‌آیند و به همین دلیل برای تشخیص این اشیاء نیاز به تکنیک‌های هوش‌مصنوعی (Ai) می‌باشد.
پردازش اطلاعات در مغز

شکل 5 - تصویر به نظر دو مثلث می‌آید که در جهت عکس 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 متذکر شدیم که شاید یکی از قسمت‌هایی از مغز که بیشتر فعالیت درک تصویر را انجام می‌دهد ناحیه visual Cortex باشد. همان‌طور که دیده‌ایم، این‌جا ناحیه‌ای است که اطلاعات منتقل شده در طول عصب بینایی در آن پردازش می‌شود. البته این را هم مدنظر داشته باشید که قسمتی از فعالیت پردازش اطلاعات در ناحیه شبکیه چشم قبل از این‌که اطلاعات به مغز برسند، انجام می‌شود.
البته خود ناحیه شبکیه به‌عنوان قسمتی از مغز شمرده می‌شود. در ضمن این مسأله هم قبلاً مشخص شده است که نواحی مختلف قشر بینایی مخ در مقابل تصاویر مختلف عکس‌العمل نشان می‌دهد. به عبارت دیگر هر قسمت از این ناحیه مربوط به یک حالت خاص است. مثلاً نواحی معین و مشخصی در مقابل رنگ‌های متفاوت عکس‌العمل‌ نشان می‌دهند و یا مثلاً نواحی وجود دارند که سلول‌هایشان در مقابل جزییات دقیق موجود در یک تصویر عکس‌العمل نشان می‌دهند. مثلاً در شکل 5 شما می‌توانید یک مثلث سفید که به‌طور واضح سه راس آن مشخص نشده است را ببیند،

شکل 6- مثلث Penrose: عدم هماهنگی هندسی در لبه‌ها باعث عدم درک صحیح شکل می‌شود.
علیرغم این‌که به‌طور واضح و مجزا این مثلث مشخص نشده است. اما سلول‌های موجود در قشر بینایی می‌توانند تکه‌های این خطوط را کنار هم گذاشته و از آن یک مثلث استنتاج کنند.
زمانی که اطلاعات مربوط به چیزی که دیده می‌شود را دریافت کردیم، مثل شکل ظاهری، لبه‌ها و غیره، مغز نیاز به رمزگشایی و کشف اطلاعات به‌دست آمده دارد تا دقیقاً نتیجه‌گیری کند که آنچه در صحنه می‌گذرد چیست. اینجا قسمتی است که ما خیلی کم در رابطه با آن می‌دانیم و مشخص نیست که دقیقاً مغز چگونه این کار را انجام می‌دهد. اما مسأله مشخص این است که سیستم بینایی ما چندان مبرا از خطا نیست و به‌راحتی دچار اشتباه می‌شود. موارد بسیار زیادی وجود دارد که اطلاعات کسب شده می‌‌توانند مبهم و یا حتی اشتباه باشند، مانند مثال‌هایی که در شکل 6 و 7 مشاهده می‌کنید.

شکل 7- خطای دید: در شکل سمت چپ علیرغم نحوه ظهور خطوط همه آن‌ها با هم موازیند. در شکل سمت راست که به خطای Muller-Lyer معروف است دو خط ظاهر شده به نظر دارای طول‌های متفاوت می‌آیند. اما در حقیقت هم‌اندازه‌اند.
نمایش دانش
متخصصین هوش مصنوعی انواع سیستم‌ها را با استفاده از برنامه‌های معمول کامپیوتری و تفاوت قایل‌شدن بین پردازش اطلاعات (information) و پردازش دانش (knowledge)، شناسایی می‌کنند. این‌کار منجر به ایجاد سیستم‌های مبتنی بر دانش که کاربرد بسیار زیادی در هوش مصنوعی دارد می‌شود.
ربات ما نیاز به داشتن اطلاعات یا "دانش" از دنیای اطراف خود دارد تا سیستم بینایی‌اش به درستی عمل کند. ما به‌طور خلاصه بعضی تکنیک‌هایی که توسط مهندسین دانش (knowledgc engineer) برای نمایش و پردازش این اطلاعات به‌کار می‌رود را آزمایش می‌کنیم.
یک شبکه معنایی (Semantic network) یک تکنیک خوش ساخت برای نمایش اشیاء یا ماهیت موجود در یک دنیا و ارتباطاتی که بین‌شان موجود است، می‌باشد. مثلاً قسمتی از دنیای ربات ما آشپزخانه است.

شکل 8- یک شبکه معنایی برای نمایش قسمتی از آشپزخانه.
یک شبکه معنایی (Semantic network) یک تکنیک خوش ساخت برای نمایش اشیاء یا ماهیت موجود در یک دنیا و ارتباطاتی که بین‌شان موجود است، می‌باشد. مثلاً قسمتی از دنیای ربات ما آشپزخانه است.
استفاده از یک شبکه معنایی می‌تواند راه مناسبی برای نمایش اطلاعات باشد. بدین‌ترتیب آشپزخانه را تحت عنوان یک سری از اشیاء و روابط بین‌شان فرض کنیم. یک شبکه می‌تواند جزییات موجود را به‌خوبی نمایش داده و ما را قادر به کاوش بیشتر و بهتر در روابط موجود بین اشیاء کند. برای مثال، همان‌طور که از شکل 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 که این شبکه 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 شبکه باید اتاق‌ها، افراد، اشیاء موجود و غیره را هم نمایش دهد.
پس از ساخته شدن شبکه معنایی ما قادر به ساخت یک پایگاه داده از دانش حاصل از شبکه معنایی در مورد اشیاء موجود در دنیای مربوطه هستیم. در مورد مثال ما، ورودی‌های مناسب می‌تواند به شکل زیر باشد:
(سیب - شکل - گرد) (سیب - رنگ - قرمز) (سیب - نما - براق)
(همبرگر- شکل - گرد) (همبرگر- رنگ - قهوه‌ای) (همبرگر نما - گوشتی)
(یخچال - شکل - مستطیل) (یخچال - رنگ- سفید) (یخچال - نما - فلزی)
(ظرف‌میوه - شکل - بیضی) (ظرف‌میوه - رنگ- نقره‌ای) (ظرف میوه - نما - فلزی)
((میوه) نگهداری - در (ظرف میوه))
((سیب) هست - یک (خوردنی))
توجه کنید که ورودی‌های این پایگاه دانش باید به‌گونه‌ای باشد که منجر به سردرگمی ماشین نشود. مثلاً در مورد مثال ما، سیب یک شی براق قرمز گرد معرفی شده است. اشیاء زیادی هستند که ممکن است چنین مشخصه‌ای داشته باشند و اگر مثلاً شما ربات خود را بفرستید که برای شما یک سیب تازه بیاورد امکان دارد ربات با یک توپ نزد شما باز گردد.
این پایگاه دانش تحت عنوان حافظه کاریِ سیستم شناخته می‌شود. به منظور استفاده کارا و مناسب از اطلاعات موجود در این پایگاه، سیستم نیاز به داشتن تعدادی قانون دارد. بدین‌ترتیب پس از ساخت پایگاه دانش نیاز به ساخت یک 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 می‌کنیم. 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 که یک سیب چیست و در کجا قرار دارد. مثلاً فرض کنید یکی از کارهایی که 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.
اکنون هم دانش و هم قوانین مربوطه را داریم که نیاز به روش‌هایی برای تفسیرشان داریم. این کار توسط سیستم مفسر انجام می‌شود. مفسر برنامه‌ای است که قوانین را پردازش می‌کند. وظیفه آن خواندن هر قانون و بررسی این‌که موقعیت‌ها با هم همخوانی دارند یا نه می‌باشد. اگر همخوانی داشتند عمل موردنظر را انجام می‌دهد. این عمل آن‌قدر انجام می‌شود تا به عملی که دستور پایان داده‌است، برسد.
گفتیم برای استفاده از تکنیک 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 یک صندلی، به‌جای ذخیره یک صندلی از تعدادی زوایا و اندازه‌ها می‌توانیم اطلاعاتی راجع‌به برخی خواص و ظواهر صندلی نظیر جنس، دسته‌ها، پایه‌ها و ... که یک سیستم مبتنی بر دانش از آن‌ها به منظور تشخیص صندلی استفاده می‌کند، ذخیره کنیم. یک صندلی دارای چهار پایه، یک نشیمنگاه و یک تکیه‌گاه است.
از طرف دیگر میز هم چهار پایه و یک رویه دارد. بدین‌ترتیب به‌جای ذخیره تعداد زیادی عدد برای هر شی، از خواص آن شی برای توصیفش استفاده کنیم. بدین‌ترتیب نیاز به یک پایگاه دانش هست که چیزهایی نظیر اجزا (دسته‌ها، پایه‌ها، دیواره‌ها و...) خواصی که این اجزا را توصیف می‌کند (ظاهر و غیره)، و حقایقی در رابطه با اشیایی که توسط این اجزا ساخته می‌شوند (آشپزخانه چهار دیوار و یک در دارد و غیره) و همچنین یک سری قوانین به منظور پردازش این اطلاعات را نگهداری نماید.
خلاصه
همان‌طور که دیدیم، عملیات زیادی باید به منظور پردازش اطلاعات تصویری انجام شود. تصاویر غالباً دارای نویز هستند که باعث خرابی و تحریفشان می‌شود. هر چند این مشکل چندان حادی برای سیستم بینایی انسان به حساب نمی‌آید اما برای سیستم‌های بینایی ماشین این نویزها به‌طور کامل باید فیلتر و پاکسازی شوند که این عمل با استفاده از تعدادی الگوریتم انجام می‌شود.
همچنین دیدیم که اشیاء چگونه با استفاده از تکنیک همسا‌ن‌سازی الگو دیده می‌شوند هر چند پس از این‌که اشیاء داخل صحنه توسط سیستم بینایی مشخص شدند هنوز کار تمام شده است. اطلاعات حاصل باید به یک نمایش دانش مناسب‌ ترجمه شوند به‌طوری که قابل پردازش باشند.

 

نتیجه‌گیری
مثال اول یک مثال محدود شده از نوعی سیستم بود که در کاربردهای روزانه مشابه آن را فراوان می‌توان یافت. سیستم‌های بینایی اولیه روز به روز در حال گسترش هستند و هر روز کاربرد جدیدی برای آن‌ها یافت می‌شود. با توسعه این سیستم‌ها، کاربردهایی برای سایر محیط‌ها نظیر توسعه پردازش نیز یافت می‌شود. سیستم‌های بینایی مصنوعی از کاربردهای پزشکی و نظامی گرفته تا کاربردهای ساده و معمول روزمره مورد استفاده هستند. و این شاخه از هوش مصنوعی از کاربردی‌ترین شاخه‌ها می‌باشد که هنوز مسایل حل‌نشده زیادی در خود دارد .
طراحی چشم مگس در ربات ها
ربات هایی که سیستم بینایی آن ها از چشم مگس الگوبرداری شده، می توانند از مزایای سیستم بینایی این حشره، برای تشخیص لبه ها و مرزهای اجسام بهره ببرند. این قابلیت می تواند به ربات ها کمک کند تا انواع و اقسام کارها را سریع تر و دقیق تر از زمانی که در بینایی آن ها از سنسورهای سنتی استفاده می شد، انجام دهند.
به گزارش خبرگزاری برق، الکترونیک و کامپیوتر ایران (الکترونیوز) و به نقل از فیزورگ، پژوهشگران مرکز جنگ هوایی دریایی در چاینا لیک کالیفرنیا، به همراه دانشگاه وایومینگ، سنسور فیبر نوری را با الگوبرداری از چشم مرکب مگس توسعه داده اند. یکی از بزرگ ترین مزایای این طرح، تشخیص سریع و دقیق لبه ها و مرزهای تصاویر می باشد. دستگاه هایی مانند وسایل نقلیه ی بدون سرنشین، موشک های هدایت شونده و ربات های صنعتی سریع مخصوص جستجو و کاوش، می توانند از مزایای این طرح برای تشخیص دقیق اجسام ریز و متحرک استفاده کنند....

 

 

فرمت این مقاله به صورت Word و با قابلیت ویرایش میباشد

تعداد صفحات این مقاله68    صفحه

پس از پرداخت ، میتوانید مقاله را به صورت انلاین دانلود کنید


دانلود با لینک مستقیم


دانلود مقاله بینایی ربات ها"ماشین"