رؤية الحاسوب

الموسوعة الحرة

تشمل مهام رؤية الحاسوب أساليب الحصول على الصور الرقمية ومعالجتها وتحليلها وفهمها ، واستخراج البيانات عالية الأبعاد من العالم الحقيقي لإنتاج معلومات رقمية أو رمزية، على سبيل المثال في شكل قرارات. [ 1 ] [ 2 ] [ 3 ] [ 4 ] يشير مصطلح "الفهم" في هذا السياق إلى تحويل الصور المرئية إلى أوصاف للعالم تتوافق مع عمليات التفكير ويمكن أن تحفز على اتخاذ الإجراءات المناسبة. ويمكن اعتبار فهم الصور بمثابة فصل المعلومات الرمزية عن بيانات الصور باستخدام نماذج مبنية بالاستعانة بالهندسة والفيزياء والإحصاء ونظرية التعلم .

يهتم فرع علم رؤية الحاسوب بالنظرية الكامنة وراء الأنظمة الاصطناعية التي تستخلص المعلومات من الصور. تتخذ بيانات الصور أشكالًا متعددة، مثل مقاطع الفيديو، والصور الملتقطة بكاميرات متعددة، والبيانات متعددة الأبعاد من الماسح الضوئي ثلاثي الأبعاد ، وسحب النقاط ثلاثية الأبعاد من مستشعرات LiDaR ، أو أجهزة المسح الطبي. ويسعى فرع رؤية الحاسوب التقني إلى تطبيق نظرياته ونماذجه في بناء أنظمة رؤية الحاسوب.

تشمل التخصصات الفرعية لرؤية الكمبيوتر إعادة بناء المشهد ، واكتشاف الكائنات ، واكتشاف الأحداث ، والتعرف على الأنشطة ، وتتبع الفيديو ، والتعرف على الكائنات ، وتقدير الوضع ثلاثي الأبعاد ، والتعلم، والفهرسة، وتقدير الحركة ، والتحكم البصري ، ونمذجة المشهد ثلاثي الأبعاد ، واستعادة الصور .

تعريف

رؤية الحاسوب مجال متعدد التخصصات يُعنى بكيفية تمكين الحواسيب من اكتساب فهم متقدم للصور أو مقاطع الفيديو الرقمية . من منظور هندسي ، تسعى رؤية الحاسوب إلى أتمتة المهام التي يمكن للنظام البصري البشري القيام بها. [ 5 ] [ 6 ] [ 7 ] "تهتم رؤية الحاسوب بالاستخراج والتحليل والفهم التلقائي للمعلومات المفيدة من صورة واحدة أو سلسلة من الصور. وهي تتضمن تطوير أساس نظري وخوارزمي لتحقيق فهم بصري تلقائي." [ 8 ] كتخصص علمي ، تهتم رؤية الحاسوب بالنظرية الكامنة وراء الأنظمة الاصطناعية التي تستخرج المعلومات من الصور. يمكن أن تتخذ بيانات الصورة أشكالًا عديدة، مثل تسلسلات الفيديو، أو لقطات من كاميرات متعددة، أو بيانات متعددة الأبعاد من ماسح ضوئي طبي . [ 9 ] كتخصص تقني، تسعى رؤية الحاسوب إلى تطبيق نظرياتها ونماذجها لبناء أنظمة رؤية الحاسوب. أما رؤية الآلة، فتشير إلى تخصص في هندسة النظم، لا سيما في سياق أتمتة المصانع. في الآونة الأخيرة، تقاربت مصطلحات رؤية الحاسوب ورؤية الآلة بشكل أكبر. [ 10 ] : 13

تاريخ

في أواخر الستينيات، بدأ استخدام تقنية رؤية الحاسوب في الجامعات الرائدة في مجال الذكاء الاصطناعي . وكان الهدف منها محاكاة نظام الرؤية البشري كخطوة أولى نحو تزويد الروبوتات بسلوك ذكي. [ 11 ] في عام 1966، كان يُعتقد أن هذا ممكن من خلال مشروع صيفي لطلاب المرحلة الجامعية الأولى، [ 12 ] وذلك بتوصيل كاميرا بجهاز حاسوب وجعله "يصف ما يراه". [ 13 ] [ 14 ]

What distinguished computer vision from the prevalent field of digital image processing at that time was a desire to extract three-dimensional structure from images with the goal of achieving full scene understanding. Studies in the 1970s formed the early foundations for many of the computer vision algorithms that exist today, including extraction of edges from images, labeling of lines, non-polyhedral and polyhedral modeling, representation of objects as interconnections of smaller structures, optical flow, and motion estimation.[11]

The next decade saw studies based on more rigorous mathematical analysis and quantitative aspects of computer vision. These include the concept of scale-space, the inference of shape from various cues such as shading, texture and focus, and contour models known as snakes. Researchers also realized that many of these mathematical concepts could be treated within the same optimization framework as regularization and Markov random fields.[15] By the 1990s, some of the previous research topics became more active than others. Research in projective3-D reconstructions led to better understanding of camera calibration. With the advent of optimization methods for camera calibration, it was realized that a lot of the ideas were already explored in bundle adjustment theory from the field of photogrammetry. This led to methods for sparse 3-D reconstructions of scenes from multiple images. Progress was made on the dense stereo correspondence problem and further multi-view stereo techniques. At the same time, variations of graph cut were used to solve image segmentation. This decade also marked the first time statistical learning techniques were used in practice to recognize faces in images (see Eigenface). Toward the end of the 1990s, a significant change came about with the increased interaction between the fields of computer graphics and computer vision. This included image-based rendering, image morphing, view interpolation, panoramic image stitching and early light-field rendering.[11]

شهدت الدراسات الحديثة عودة ظهور الأساليب القائمة على الميزات ، والتي تُستخدم بالتزامن مع تقنيات التعلّم الآلي وأطر التحسين المعقدة. [ 16 ] [ 17 ] وقد ساهم تطور تقنيات التعلّم العميق في إضفاء حيوية جديدة على مجال رؤية الحاسوب. وتفوقت دقة خوارزميات التعلّم العميق، على العديد من مجموعات بيانات رؤية الحاسوب المعيارية، في مهام تتراوح بين التصنيف [ 18 ] والتجزئة والتدفق البصري، على دقة الأساليب السابقة. [ 19 ] [ 20 ]

اكتشاف الأجسام في الصور الفوتوغرافية

فيزياء الحالة الصلبة

يُعدّ علم فيزياء الحالة الصلبة مجالًا آخر وثيق الصلة برؤية الحاسوب. تعتمد معظم أنظمة رؤية الحاسوب على مستشعرات الصور التي تكشف الإشعاع الكهرومغناطيسي ، والذي يكون عادةً على شكل ضوء مرئي أو تحت أحمر أو فوق بنفسجي . تُصمّم هذه المستشعرات باستخدام فيزياء الكم . تُفسّر الفيزياء عملية تفاعل الضوء مع الأسطح، كما تُفسّر سلوك البصريات التي تُشكّل جزءًا أساسيًا من معظم أنظمة التصوير. حتى أن مستشعرات الصور المتطورة تتطلب ميكانيكا الكم لفهم عملية تكوين الصورة فهمًا كاملًا. [ 11 ] إضافةً إلى ذلك، يُمكن معالجة العديد من مسائل القياس في الفيزياء باستخدام رؤية الحاسوب، مثل حركة السوائل.

علم الأحياء العصبي

مثال مبسط لتدريب شبكة عصبية في مجال اكتشاف الأجسام: يتم تدريب الشبكة باستخدام صور متعددة معروفة بتصويرها لنجم البحر وقنافذ البحر ، والتي ترتبط بـ"عُقد" تمثل السمات المرئية . يتطابق نجم البحر مع نسيج حلقي وشكل نجمي، بينما تتطابق معظم قنافذ البحر مع نسيج مخطط وشكل بيضاوي. مع ذلك، فإن وجود قنفذ بحر ذي نسيج حلقي يُنشئ ارتباطًا ضعيفًا بينهما.
تشغيل الشبكة لاحقًا على صورة مُدخلة (يسار): [ 21 ] تكتشف الشبكة نجم البحر بشكل صحيح. مع ذلك، فإن الارتباط الضعيف بين النسيج الحلقي وقنفذ البحر يُعطي إشارة ضعيفة للأخير من إحدى العقدتين الوسيطتين. إضافةً إلى ذلك، تُعطي صدفة لم تُدرج في التدريب إشارة ضعيفة للشكل البيضاوي، مما ينتج عنه أيضًا إشارة ضعيفة لقنفذ البحر. قد تُؤدي هذه الإشارات الضعيفة إلى نتيجة إيجابية خاطئة لقنفذ البحر. في الواقع، لا تُمثل الأنسجة والخطوط الخارجية بعقدة واحدة، بل بأنماط أوزان مُرتبطة بعقد متعددة.

أثر علم الأحياء العصبية بشكل كبير على تطوير خوارزميات رؤية الحاسوب. فعلى مدار القرن الماضي، أُجريت دراسات مستفيضة على العيون والخلايا العصبية وبنى الدماغ، مُخصصة لمعالجة المحفزات البصرية لدى كل من البشر ومختلف الحيوانات. وقد أدى ذلك إلى وصفٍ عام، وإن كان مُعقداً، لكيفية عمل أنظمة الرؤية الطبيعية لحل بعض المهام المتعلقة بالرؤية. وقد أدت هذه النتائج إلى ظهور مجال فرعي ضمن رؤية الحاسوب، حيث تُصمم أنظمة اصطناعية لمحاكاة معالجة وسلوك الأنظمة البيولوجية بمستويات مختلفة من التعقيد. كما أن بعض الأساليب القائمة على التعلم، والمطورة في مجال رؤية الحاسوب ( مثل الشبكات العصبية وتحليل الصور والميزات وتصنيفها باستخدام التعلم العميق )، تستند إلى علم الأحياء العصبية. ويُعدّ "نيوكوجنيترون" ، وهي شبكة عصبية طُوّرت في سبعينيات القرن الماضي على يد كونيهيكو فوكوشيما ، مثالاً مبكراً على رؤية الحاسوب التي استلهمت مباشرةً من علم الأحياء العصبية، وتحديداً من القشرة البصرية الأولية ، حيث مثّلت أساساً معمارياً للشبكات العصبية الالتفافية الحديثة. [ 22 ]

ترتبط بعض فروع أبحاث رؤية الحاسوب ارتباطًا وثيقًا بدراسة الرؤية البيولوجية ، تمامًا كما ترتبط العديد من فروع أبحاث الذكاء الاصطناعي ارتباطًا وثيقًا بأبحاث الذكاء البشري واستخدام المعرفة المخزنة لتفسير المعلومات البصرية ودمجها والاستفادة منها. يدرس مجال الرؤية البيولوجية العمليات الفيزيولوجية الكامنة وراء الإدراك البصري لدى البشر والحيوانات الأخرى، ويضع نماذج لها. أما رؤية الحاسوب، فتُعنى بتطوير ووصف الخوارزميات المُطبقة في البرامج والأجهزة التي تدعم أنظمة الرؤية الاصطناعية. وقد أثبت التبادل بين التخصصات في مجالي الرؤية البيولوجية ورؤية الحاسوب جدواه لكلا المجالين. [ 23 ]

معالجة الإشارات

يُعدّ معالجة الإشارات مجالًا آخر ذا صلة برؤية الحاسوب . يمكن توسيع العديد من طرق معالجة الإشارات أحادية المتغير، وخاصةً الإشارات الزمنية، لتشمل معالجة الإشارات ثنائية المتغير أو متعددة المتغيرات في رؤية الحاسوب. مع ذلك، ونظرًا لطبيعة الصور الخاصة، توجد العديد من الطرق المُطوّرة في مجال رؤية الحاسوب والتي لا يوجد لها نظير في معالجة الإشارات أحادية المتغير. هذا، بالإضافة إلى تعدد أبعاد الإشارة، يُشكّل فرعًا من فروع معالجة الإشارات ضمن رؤية الحاسوب.

الملاحة الروبوتية

يتناول توجيه الروبوتات أحيانًا تخطيط المسار الذاتي أو دراسة كيفية تنقل الأنظمة الروبوتية في بيئة معينة . [ 24 ] ويتطلب التنقل في هذه البيئات فهمًا دقيقًا لها. ويمكن توفير معلومات عن البيئة من خلال نظام رؤية حاسوبية، يعمل كمستشعر رؤية ويقدم معلومات عالية المستوى عن البيئة والروبوت.

الحوسبة المرئية

الحوسبة المرئية مصطلح عام يشمل جميع تخصصات علوم الحاسوب التي تتعامل مع الصور والنماذج ثلاثية الأبعاد ، مثل رسومات الحاسوب ، ومعالجة الصور ، والتصوير المرئي ، ورؤية الحاسوب، والواقع الافتراضي والمعزز ، ومعالجة الفيديو ، والبصريات الحاسوبية . كما تشمل الحوسبة المرئية جوانب من التعرف على الأنماط ، والتفاعل بين الإنسان والحاسوب، والتعلم الآلي، والمكتبات الرقمية. وتتمثل التحديات الأساسية في الحصول على المعلومات المرئية (وخاصة الصور والفيديو) ومعالجتها وتحليلها وعرضها. وتشمل مجالات التطبيق مراقبة الجودة الصناعية، ومعالجة الصور الطبية وتصويرها، والمسح، والروبوتات ، وأنظمة الوسائط المتعددة، والتراث الافتراضي، والمؤثرات الخاصة في الأفلام والتلفزيون، وعلم الألعاب . كما تشمل الحوسبة المرئية الفن الرقمي ودراسات الوسائط الرقمية .

مجالات أخرى

إلى جانب الآراء المذكورة أعلاه حول رؤية الحاسوب، يمكن دراسة العديد من المواضيع البحثية ذات الصلة من منظور رياضي بحت. فعلى سبيل المثال، تعتمد العديد من أساليب رؤية الحاسوب على الإحصاء أو التحسين أو الهندسة . وأخيرًا، يُخصص جزء كبير من هذا المجال لجوانب تطبيق رؤية الحاسوب؛ أي كيفية تطبيق الأساليب الحالية في تركيبات مختلفة من البرامج والأجهزة، أو كيفية تعديل هذه الأساليب لزيادة سرعة المعالجة دون فقدان كبير في الأداء. كما تُستخدم رؤية الحاسوب في التجارة الإلكترونية للأزياء، وإدارة المخزون، والبحث عن براءات الاختراع، وصناعة الأثاث، ومستحضرات التجميل. [ 25 ]

الفروقات

تُعدّ معالجة الصور وتحليلها ورؤية الآلة من أكثر المجالات ارتباطًا برؤية الحاسوب . يوجد تداخل كبير في نطاق التقنيات والتطبيقات التي تغطيها هذه المجالات. وهذا يعني أن التقنيات الأساسية المستخدمة والمطورة فيها متشابهة، ما قد يُفسّر على أنه مجال واحد بأسماء مختلفة. من جهة أخرى، يبدو من الضروري للمجموعات البحثية والمجلات العلمية والمؤتمرات والشركات أن تُعرّف نفسها أو تُسوّق لها على أنها تنتمي تحديدًا إلى أحد هذه المجالات، ولذا، تم تقديم العديد من التوصيفات التي تُميّز كل مجال عن الآخر. في معالجة الصور، تكون المدخلات والمخرجات صورًا، بينما في رؤية الحاسوب، تكون المدخلات صورة أو فيديو، وقد تكون المخرجات صورة مُحسّنة، أو تحليلًا لمحتوى الصورة، أو حتى سلوك النظام بناءً على ذلك التحليل.

تُنتج رسومات الحاسوب بيانات صورية من نماذج ثلاثية الأبعاد، وغالبًا ما تُنتج رؤية الحاسوب نماذج ثلاثية الأبعاد من بيانات صورية. [ 26 ] كما يوجد اتجاه نحو دمج هذين المجالين، كما هو الحال في الواقع المعزز .

تبدو التوصيفات التالية ذات صلة، ولكن لا ينبغي اعتبارها مقبولة عالميًا:

  • يركز معالجة الصور وتحليلها عادةً على الصور ثنائية الأبعاد، وكيفية تحويل صورة إلى أخرى، على سبيل المثال ، من خلال عمليات على مستوى البكسل مثل تحسين التباين، أو عمليات محلية مثل استخراج الحواف أو إزالة التشويش، أو تحويلات هندسية مثل تدوير الصورة. ويعني هذا أن معالجة الصور وتحليلها لا تتطلب افتراضات ولا تُنتج تفسيرات حول محتوى الصورة.
  • يشمل مجال رؤية الحاسوب تحليلًا ثلاثي الأبعاد للصور ثنائية الأبعاد. ويحلل هذا المجال المشهد ثلاثي الأبعاد المُسقط على صورة واحدة أو عدة صور، على سبيل المثال ، كيفية إعادة بناء الهيكل أو معلومات أخرى حول المشهد ثلاثي الأبعاد من صورة واحدة أو عدة صور. وتعتمد رؤية الحاسوب غالبًا على افتراضات متفاوتة التعقيد حول المشهد المصوّر في الصورة.
  • الرؤية الآلية هي عملية تطبيق مجموعة من التقنيات والأساليب لتوفير فحص آلي قائم على التصوير، والتحكم في العمليات، وتوجيه الروبوتات [ 27 ] في التطبيقات الصناعية. [ 23 ] تركز الرؤية الآلية عادةً على التطبيقات، لا سيما في مجال التصنيع، مثل الروبوتات والأنظمة القائمة على الرؤية للفحص والقياس والتقاط المنتجات (مثل التقاط المنتجات من الصناديق [ 28 ] ). وهذا يعني دمج تقنيات مستشعرات الصور ونظرية التحكم مع معالجة بيانات الصور للتحكم في الروبوت، مع التركيز على المعالجة الآنية من خلال تطبيقات فعالة في الأجهزة والبرامج. كما يعني أيضًا إمكانية التحكم في الظروف الخارجية، كالإضاءة، بشكل أفضل في الرؤية الآلية مقارنةً بالرؤية الحاسوبية العامة، مما يتيح استخدام خوارزميات مختلفة.
  • يوجد أيضًا مجال يُسمى التصوير، يركز بشكل أساسي على عملية إنتاج الصور، ولكنه يتناول أحيانًا معالجة الصور وتحليلها. على سبيل المثال، يشمل التصوير الطبي أعمالًا كبيرة في تحليل بيانات الصور في التطبيقات الطبية. وقد ساهم التقدم في الشبكات العصبية الالتفافية (CNNs) في تحسين دقة الكشف عن الأمراض في الصور الطبية، لا سيما في أمراض القلب، وعلم الأمراض، والأمراض الجلدية، والأشعة. [ 29 ]
  • وأخيرًا، يُعدّ التعرّف على الأنماط مجالًا يستخدم أساليب متنوعة لاستخلاص المعلومات من الإشارات بشكل عام، ويعتمد بشكل أساسي على الأساليب الإحصائية والشبكات العصبية الاصطناعية . [ 30 ] ويُخصّص جزء كبير من هذا المجال لتطبيق هذه الأساليب على بيانات الصور.

يتداخل علم التصوير المساحي أيضًا مع رؤية الكمبيوتر، على سبيل المثال، التصوير المساحي المجسم مقابل رؤية الكمبيوتر المجسمة .

التطبيقات

تتراوح تطبيقات رؤية الحاسوب بين مهام مثل أنظمة الرؤية الآلية الصناعية ، التي تقوم مثلاً بفحص الزجاجات التي تمر بسرعة على خط الإنتاج، وصولاً إلى أبحاث الذكاء الاصطناعي وأجهزة الحاسوب أو الروبوتات القادرة على فهم العالم المحيط بها. يوجد تداخل كبير بين مجالي رؤية الحاسوب ورؤية الآلة. تغطي رؤية الحاسوب التقنية الأساسية لتحليل الصور الآلي، والتي تُستخدم في العديد من المجالات. أما رؤية الآلة، فتشير عادةً إلى عملية دمج تحليل الصور الآلي مع أساليب وتقنيات أخرى لتوفير فحص آلي وتوجيه الروبوتات في التطبيقات الصناعية. في العديد من تطبيقات رؤية الحاسوب، تُبرمج أجهزة الحاسوب مسبقاً لحل مهمة محددة، ولكن الأساليب القائمة على التعلم أصبحت شائعة بشكل متزايد. من أمثلة تطبيقات رؤية الحاسوب أنظمة لـ:

لطالما شكّل تعلّم الأشكال ثلاثية الأبعاد تحدياً كبيراً في مجال رؤية الحاسوب. وقد مكّنت التطورات الحديثة في مجال التعلّم العميق الباحثين من بناء نماذج قادرة على توليد وإعادة بناء الأشكال ثلاثية الأبعاد من خرائط العمق أو الصور الظلية أحادية أو متعددة المشاهد بسلاسة وكفاءة. [ 26 ]

For 2024, the leading areas of computer vision were industry (market size US$5.22 billion),[35] medicine (market size US$2.6 billion),[36] military (market size US$996.2 million).[37]

Medicine

DARPA's Visual Media Reasoning concept video

One of the most prominent application fields is medical computer vision, or medical image processing, characterized by the extraction of information from image data to diagnose a patient.[38] An example of this is the detection of tumours, arteriosclerosis or other malign changes, and a variety of dental pathologies; measurements of organ dimensions, blood flow, etc. are another example. It also supports medical research by providing new information: e.g., about the structure of the brain or the quality of medical treatments. Applications of computer vision in the medical area also include enhancement of images interpreted by humans—ultrasonic images or X-ray images, for example—to reduce the influence of noise.

Machine vision

A second application area in computer vision is in industry, sometimes called machine vision, where information is extracted for the purpose of supporting a production process. One example is quality control where details or final products are being automatically inspected in order to find defects. One of the most prevalent fields for such inspecti is the Wafer industry in which every single Wafer is being measured and inspected for inaccuracies or defects to prevent a computer chip from coming to market in an unusable manner. Another example is a measurement of the position and orientation of details to be picked up by a robot arm. Machine vision is also heavily used in the agricultural processes to remove undesirable foodstuff from bulk material, a process called optical sorting.[39]

Military

The obvious examples are the detection of enemy soldiers or vehicles and missile guidance. More advanced systems for missile guidance send the missile to an area rather than a specific target, and target selection is made when the missile reaches the area based on locally acquired image data. Modern military concepts, such as "battlefield awareness", imply that various sensors, including image sensors, provide a rich set of information about a combat scene that can be used to support strategic decisions. In this case, automatic processing of the data is used to reduce complexity and to fuse information from multiple sensors to increase reliability.

Autonomous vehicles

Artist's concept of Curiosity, an example of an uncrewed land-based vehicle. The stereo camera is mounted on top of the rover.

One of the newer application areas is autonomous vehicles, which include submersibles, land-based vehicles (small robots with wheels, cars, or trucks), aerial vehicles, and unmanned aerial vehicles (UAV). The level of autonomy ranges from fully autonomous (unmanned) vehicles to vehicles where computer-vision-based systems support a driver or a pilot in various situations. Fully autonomous vehicles typically use computer vision for navigation, e.g., for knowing where they are or mapping their environment (SLAM), for detecting obstacles. It can also be used for detecting certain task-specific events, e.g., a UAV looking for forest fires. Examples of supporting systems are obstacle warning systems in cars, cameras and LiDAR sensors in vehicles, and systems for autonomous landing of aircraft. Several car manufacturers have demonstrated systems for autonomous driving of cars. There are ample examples of military autonomous vehicles ranging from advanced missiles to UAVs for recon missions or missile guidance. Space exploration is already being made with autonomous vehicles using computer vision, e.g., NASA's Curiosity and CNSA's Yutu-2 rover.

Tactile feedback

Rubber artificial skin layer with the flexible structure for the shape estimation of micro-undulation surfaces
Above is a silicon mold with a camera inside containing many different point markers. When this sensor is pressed against the surface, the silicon deforms, and the position of the point markers shifts. A computer can then take this data and determine how exactly the mold is pressed against the surface. This can be used to calibrate robotic hands in order to make sure they can grasp objects effectively.

تُستخدم مواد مثل المطاط والسيليكون في صناعة أجهزة استشعار تُتيح تطبيقاتٍ مثل رصد التموجات الدقيقة ومعايرة الأيدي الروبوتية. يُمكن استخدام المطاط لصنع قالب يُوضع على الإصبع، ويحتوي هذا القالب على عدة مقاييس إجهاد. يُوضع قالب الإصبع وأجهزة الاستشعار فوق طبقة صغيرة من المطاط تحتوي على مجموعة من دبابيس مطاطية. يرتدي المستخدم قالب الإصبع ويرسم خطوطًا على سطح ما. يقرأ الحاسوب البيانات من مقاييس الإجهاد ويقيس ما إذا كان دبوس واحد أو أكثر يندفع للأعلى. إذا اندفع دبوس للأعلى، يتعرف الحاسوب على ذلك كعيب في السطح. تُفيد هذه التقنية في الحصول على بيانات دقيقة حول العيوب على سطح كبير جدًا. [ 40 ] ومن أنواع أجهزة استشعار قالب الإصبع الأخرى، أجهزة الاستشعار التي تحتوي على كاميرا مُعلقة في السيليكون. يُشكل السيليكون قبةً حول الكاميرا، ويحتوي على علامات نقطية مُضمنة فيه بمسافات متساوية. ويمكن بعد ذلك وضع هذه الكاميرات على أجهزة مثل الأيدي الروبوتية لتمكين الكمبيوتر من تلقي بيانات لمسية عالية الدقة. [ 41 ]

تطبيقات أخرى

تشمل مجالات التطبيق الأخرى ما يلي:

المهام النموذجية

تستخدم كلٌّ من مجالات التطبيق المذكورة أعلاه مجموعةً من مهام رؤية الحاسوب؛ وهي مشاكل قياس أو معالجة محددة بدقة، يمكن حلّها باستخدام طرق متنوعة. فيما يلي بعض الأمثلة على مهام رؤية الحاسوب النموذجية.

تشمل مهام رؤية الحاسوب أساليب الحصول على الصور الرقمية ومعالجتها وتحليلها وفهمها ، واستخراج البيانات عالية الأبعاد من العالم الحقيقي لإنتاج معلومات رقمية أو رمزية، على سبيل المثال ، في شكل قرارات. [ 1 ] [ 2 ] [ 3 ] [ 4 ] ويعني الفهم في هذا السياق تحويل الصور المرئية إلى أوصاف للعالم قادرة على التفاعل مع عمليات التفكير الأخرى واستنباط الإجراءات المناسبة. ويمكن اعتبار فهم الصور هذا بمثابة فصل المعلومات الرمزية عن بيانات الصور باستخدام نماذج مبنية بمساعدة الهندسة والفيزياء والإحصاء ونظرية التعلم. [ 47 ]

تعرُّف

تتمثل المشكلة الكلاسيكية في مجال رؤية الحاسوب ومعالجة الصور والرؤية الآلية في تحديد ما إذا كانت بيانات الصورة تحتوي على كائن أو سمة أو نشاط معين أم لا. وقد وُصفت أنواع مختلفة من مشكلة التعرف في الأدبيات. [ 48 ]

  • التعرف على الأشياء (ويُسمى أيضًا تصنيف الأشياء ) - يمكن التعرف على كائن واحد أو أكثر من الكائنات أو فئات الكائنات المحددة مسبقًا أو المُتعلمة، عادةً مع مواقعها ثنائية الأبعاد في الصورة أو أوضاعها ثلاثية الأبعاد في المشهد. توفر برامج Blippar و Google Goggles وLikeThat برامج مستقلة توضح هذه الوظيفة. 
  • التعريف – يتم التعرف على نسخة فردية من شيء ما. تشمل الأمثلة التعرف على وجه شخص معين أو بصمة إصبعه، أو التعرف على الأرقام المكتوبة بخط اليد ، أو التعرف على مركبة معينة. 
  • الكشف – يتم مسح بيانات الصورة بحثًا عن أجسام محددة ومواقعها. تشمل الأمثلة الكشف عن عائق في مجال رؤية السيارة، والخلايا أو الأنسجة غير الطبيعية المحتملة في الصور الطبية، أو الكشف عن مركبة في نظام تحصيل رسوم الطرق الآلي. يُستخدم الكشف القائم على حسابات بسيطة وسريعة نسبيًا أحيانًا للعثور على مناطق أصغر من بيانات الصورة المهمة، والتي يمكن تحليلها لاحقًا بتقنيات أكثر تعقيدًا حسابيًا للوصول إلى تفسير صحيح. 

تعتمد أفضل الخوارزميات حاليًا لمثل هذه المهام على الشبكات العصبية الالتفافية . ويُعدّ تحدي ImageNet للتعرف البصري واسع النطاق مثالًا على قدراتها ؛ فهو معيارٌ في تصنيف الأجسام واكتشافها، حيث استُخدمت ملايين الصور و1000 فئة من الأجسام في المسابقة. [ 49 ] وقد اقترب أداء الشبكات العصبية الالتفافية في اختبارات ImageNet من أداء البشر. [ 49 ] لا تزال أفضل الخوارزميات تواجه صعوبةً في التعامل مع الأجسام الصغيرة أو الرقيقة، مثل نملة صغيرة على ساق زهرة أو شخص يحمل ريشة في يده. كما أنها تواجه صعوبةً في التعامل مع الصور المشوهة بالمرشحات (وهي ظاهرة شائعة بشكل متزايد في الكاميرات الرقمية الحديثة). في المقابل، نادرًا ما تُشكّل هذه الأنواع من الصور مشكلةً للبشر. ومع ذلك، يميل البشر إلى مواجهة صعوبات في مسائل أخرى. على سبيل المثال، لا يُجيدون تصنيف الأجسام إلى فئات دقيقة، مثل سلالة كلب معينة أو نوع طائر، بينما تتعامل الشبكات العصبية الالتفافية مع هذا الأمر بسهولة.

توجد العديد من المهام المتخصصة القائمة على التعرف، مثل:

  • استرجاع الصور بناءً على المحتوى - إيجاد جميع الصور ضمن مجموعة أكبر من الصور التي تحتوي على محتوى محدد. يمكن تحديد المحتوى بطرق مختلفة، على سبيل المثال من حيث التشابه مع صورة مستهدفة (أعطني جميع الصور المشابهة للصورة X) باستخدام تقنيات البحث العكسي عن الصور ، أو من حيث معايير البحث عالية المستوى المُدخلة كنص (أعطني جميع الصور التي تحتوي على العديد من المنازل، والملتقطة خلال فصل الشتاء، ولا تحتوي على سيارات). 
استخدام تقنية الرؤية الحاسوبية لأغراض عدّ الأشخاص في الأماكن العامة والمراكز التجارية

تحليل الحركة

تتضمن العديد من المهام تقدير الحركة، حيث تتم معالجة سلسلة من الصور لإنتاج تقدير للسرعة إما عند كل نقطة في الصورة أو في المشهد ثلاثي الأبعاد أو حتى سرعة الكاميرا التي تلتقط الصور. ومن أمثلة هذه المهام:

  • Egomotion - تحديد الحركة الصلبة ثلاثية الأبعاد (الدوران والانتقال) للكاميرا من سلسلة صور تنتجها الكاميرا. 
  • التتبع – هو متابعة حركات مجموعة صغيرة (عادةً) من نقاط أو أجسام محددة ( مثل المركبات، أو الأشياء، أو البشر، أو الكائنات الحية الأخرى [ 45 ] ) في سلسلة الصور. وله تطبيقات صناعية واسعة النطاق، إذ يمكن مراقبة معظم الآلات عالية الأداء بهذه الطريقة. 
  • التدفق البصري – لتحديد كيفية تحرك كل نقطة في الصورة بالنسبة لمستوى الصورة، أي حركتها الظاهرية. وتنتج هذه الحركة عن كل من كيفية تحرك النقطة ثلاثية الأبعاد المقابلة في المشهد وكيفية تحرك الكاميرا بالنسبة للمشهد. 

إعادة بناء المشهد

عند توفر صورة واحدة أو أكثر (عادةً) لمشهد ما، أو مقطع فيديو، يهدف إعادة بناء المشهد إلى حساب نموذج ثلاثي الأبعاد له. في أبسط الحالات، يمكن أن يكون النموذج عبارة عن مجموعة من النقاط ثلاثية الأبعاد. أما الطرق الأكثر تطورًا فتنتج نموذجًا كاملًا للسطح ثلاثي الأبعاد. وقد ساهم ظهور التصوير ثلاثي الأبعاد الذي لا يتطلب حركة أو مسحًا ضوئيًا، بالإضافة إلى خوارزميات المعالجة ذات الصلة، في تحقيق تقدم سريع في هذا المجال. ويمكن استخدام الاستشعار ثلاثي الأبعاد القائم على الشبكة للحصول على صور ثلاثية الأبعاد من زوايا متعددة. وتتوفر الآن خوارزميات لدمج صور ثلاثية الأبعاد متعددة معًا في سحب نقاط ونماذج ثلاثية الأبعاد. [ 26 ]

استعادة الصورة

تُصبح عملية استعادة الصور ضرورية عندما تتدهور جودة الصورة الأصلية أو تتلف نتيجة عوامل خارجية، مثل وضع العدسة غير الصحيح، أو تداخل الإرسال، أو الإضاءة المنخفضة، أو ضبابية الحركة، وما يُعرف بالتشويش. فعندما تتدهور جودة الصور أو تتلف، تتلف معها المعلومات المراد استخراجها منها. لذا، نحتاج إلى استعادة الصورة إلى حالتها الأصلية. يهدف ترميم الصور إلى إزالة التشويش (تشويش المستشعر، ضبابية الحركة، إلخ) منها. أبسط الطرق الممكنة لإزالة التشويش هي استخدام أنواع مختلفة من المرشحات، مثل مرشحات التمرير المنخفض أو مرشحات الوسيط. أما الطرق الأكثر تطورًا فتعتمد على نموذج لبنية الصورة المحلية لتمييزها عن التشويش. من خلال تحليل بيانات الصورة أولًا من حيث بنيتها المحلية، كالخطوط والحواف، ثم التحكم في الترشيح بناءً على المعلومات المحلية المُستخرجة من التحليل، نحصل عادةً على مستوى أفضل من إزالة التشويش مقارنةً بالطرق الأبسط.

ومن الأمثلة على ذلك في هذا المجال عملية إعادة بناء الصور .

أساليب النظام

يعتمد تنظيم نظام رؤية الحاسوب بشكل كبير على التطبيق. فبعض الأنظمة عبارة عن تطبيقات مستقلة تحل مشكلة قياس أو كشف محددة، بينما يشكل البعض الآخر نظامًا فرعيًا ضمن تصميم أكبر، والذي يتضمن، على سبيل المثال، أنظمة فرعية للتحكم في المحركات الميكانيكية، والتخطيط، وقواعد البيانات، وواجهات التفاعل بين الإنسان والآلة، وما إلى ذلك. كما يعتمد التنفيذ المحدد لنظام رؤية الحاسوب على ما إذا كانت وظائفه محددة مسبقًا أم يمكن تعلم جزء منها أو تعديله أثناء التشغيل. وتتميز العديد من الوظائف بخصوصيتها للتطبيق، إلا أن هناك وظائف نموذجية مشتركة بين العديد من أنظمة رؤية الحاسوب.

  • التقاط الصور – تُنتَج الصورة الرقمية بواسطة مستشعر صور واحد أو أكثر ، والتي تشمل، بالإضافة إلى أنواع مختلفة من الكاميرات الحساسة للضوء، مستشعرات المدى ، وأجهزة التصوير المقطعي، والرادار، وكاميرات الموجات فوق الصوتية، وغيرها. وبحسب نوع المستشعر، تكون بيانات الصورة الناتجة صورة ثنائية الأبعاد عادية، أو مجسمًا ثلاثي الأبعاد، أو سلسلة من الصور. وتتوافق قيم البكسل عادةً مع شدة الضوء في نطاق طيفي واحد أو أكثر (صور رمادية أو صور ملونة)، ولكن يمكن أيضًا ربطها بمقاييس فيزيائية مختلفة، مثل العمق، أو امتصاص أو انعكاس الموجات الصوتية أو الكهرومغناطيسية، أو التصوير بالرنين المغناطيسي . [ 39 ]
  • المعالجة المسبقة – قبل تطبيق أي أسلوب من أساليب رؤية الحاسوب على بيانات الصور لاستخراج معلومات محددة، عادةً ما يكون من الضروري معالجة البيانات للتأكد من استيفائها لبعض الافتراضات التي يتضمنها الأسلوب. ومن الأمثلة على ذلك:
    • إعادة أخذ العينات للتأكد من صحة نظام إحداثيات الصورة.
    • تقليل الضوضاء لضمان عدم إدخال ضوضاء المستشعر لمعلومات خاطئة.
    • تحسين التباين لضمان إمكانية اكتشاف المعلومات ذات الصلة.
    • تمثيل الفضاء المقياسي لتحسين هياكل الصورة على نطاقات مناسبة محليًا.
  • استخلاص الميزات – يتم استخلاص ميزات الصورة بمستويات تعقيد مختلفة من بيانات الصورة. [ 39 ] ومن الأمثلة النموذجية على هذه الميزات ما يلي:
قد تكون السمات الأكثر تعقيدًا مرتبطة بالملمس أو الشكل أو الحركة.
  • الكشف / التجزئة – في مرحلة ما من المعالجة، يُتخذ قرار بشأن نقاط الصورة أو مناطقها ذات الصلة بالمعالجة اللاحقة. [ 39 ] ومن الأمثلة على ذلك:
    • اختيار مجموعة محددة من نقاط الاهتمام.
    • تجزئة منطقة واحدة أو عدة مناطق من الصورة التي تحتوي على كائن معين محل اهتمام.
    • تقسيم الصورة إلى بنية مشهد متداخلة تتألف من المقدمة، ومجموعات الكائنات، والكائنات المفردة أو أجزاء الكائن البارز [ 52 ] (يشار إليها أيضًا باسم التسلسل الهرمي للمشهد التصنيفي المكاني)، [ 53 ] في حين يتم غالبًا تنفيذ البروز البصري على أنه انتباه مكاني وزماني .
    • تجزئة أو تجزئة مشتركة لفيديو واحد أو عدة فيديوهات إلى سلسلة من أقنعة المقدمة لكل إطار مع الحفاظ على استمراريتها الدلالية الزمنية. [ 54 ] [ 55 ]
  • المعالجة عالية المستوى - في هذه المرحلة، تكون المدخلات عادةً عبارة عن مجموعة صغيرة من البيانات، على سبيل المثال، مجموعة من النقاط أو منطقة من الصورة، والتي يُفترض أنها تحتوي على كائن محدد. [ 39 ] وتتناول المعالجة المتبقية، على سبيل المثال:
    • التحقق من أن البيانات تفي بالافتراضات القائمة على النموذج والافتراضات الخاصة بالتطبيق.
    • تقدير المعلمات الخاصة بالتطبيق، مثل وضعية الكائن أو حجمه.
    • التعرف على الصور – تصنيف الكائن المكتشف إلى فئات مختلفة.
    • تسجيل الصور - مقارنة ودمج صورتين مختلفتين لنفس الكائن.
  • اتخاذ القرار: اتخاذ القرار النهائي المطلوب للتطبيق، [ 39 ] على سبيل المثال:
    • اجتياز/رسوب في تطبيقات الفحص الآلي.
    • المطابقة/عدم المطابقة في تطبيقات التعرف.
    • يُشار إلى هذا الموضوع لمزيد من المراجعة البشرية في التطبيقات الطبية والعسكرية والأمنية وتطبيقات التعرف.

أنظمة فهم الصور

Image-understanding systems (IUS) include three levels of abstraction as follows: low level includes image primitives such as edges, texture elements, or regions; intermediate level includes boundaries, surfaces and volumes; and high level includes objects, scenes, or events. Many of these requirements are entirely topics for further research.

The representational requirements in the designing of IUS for these levels are: representation of prototypical concepts, concept organization, spatial knowledge, temporal knowledge, scaling, and description by comparison and differentiation.

While inference refers to the process of deriving new, not explicitly represented facts from currently known facts, control refers to the process that selects which of the many inference, search, and matching techniques should be applied at a particular stage of processing. Inference and control requirements for IUS are: search and hypothesis activation, matching and hypothesis testing, generation and use of expectations, change and focus of attention, certainty and strength of belief, inference and goal satisfaction.[56]

Hardware

A 2020 model iPad Pro with a LiDAR sensor

There are many kinds of computer vision systems; however, all of them contain these basic elements: a power source, at least one image acquisition device (camera, ccd, etc.), a processor, and control and communication cables or some kind of wireless interconnection mechanism. In addition, a practical vision system contains software, as well as a display in order to monitor the system. Vision systems for inner spaces, as most industrial ones, contain an illumination system and may be placed in a controlled environment. Furthermore, a completed system includes many accessories, such as camera supports, cables, and connectors.

Most computer vision systems use visible-light cameras passively viewing a scene at frame rates of at most 60 frames per second (usually far slower).

A few computer vision systems use image-acquisition hardware with active illumination or something other than visible light or both, such as structured-light 3D scanners, thermographic cameras, hyperspectral imagers, radar imaging, lidar scanners, magnetic resonance images, side-scan sonar, synthetic aperture sonar, etc. Such hardware captures "images" that are then processed often using the same computer vision algorithms used to process visible-light images.

بينما تعمل أنظمة البث التقليدية وأنظمة الفيديو الاستهلاكية بمعدل 30 إطارًا في الثانية، فقد أتاحت التطورات في معالجة الإشارات الرقمية وأجهزة الرسومات الاستهلاكية إمكانية الحصول على الصور ومعالجتها وعرضها بسرعة عالية لأنظمة الوقت الحقيقي بمعدل يتراوح بين مئات وآلاف الإطارات في الثانية. وتُعد أنظمة الفيديو السريعة والفورية بالغة الأهمية لتطبيقات الروبوتات، وغالبًا ما تُبسط عمليات المعالجة اللازمة لبعض الخوارزميات. وعند دمجها مع جهاز عرض عالي السرعة، يُتيح الحصول السريع على الصور إمكانية القياس ثلاثي الأبعاد وتتبع الميزات. [ 57 ]

تتكون أنظمة الرؤية الذاتية من كاميرا قابلة للارتداء تلتقط الصور تلقائيًا من منظور الشخص الأول.

اعتبارًا من عام 2016، بدأت وحدات معالجة الرؤية بالظهور كفئة جديدة من المعالجات لتكملة وحدات المعالجة المركزية ووحدات معالجة الرسومات في هذا الدور. [ 58 ]

انظر أيضاً

القوائم

مراجع

  1. 1 2 رينهارد كليت (2014). رؤية الكمبيوتر موجزة . سبرينغر. رقم ISBN 978-1-4471-6320-6.
  2. 1 2 ليندا ج. شابيرو ؛ جورج س. ستوكمان (2001). رؤية الحاسوب . برنتيس هول. ISBN 978-0-13-030796-5.
  3. 1 2 تيم موريس (2004). رؤية الحاسوب ومعالجة الصور . بالغراف ماكميلان. ISBN 978-0-333-99451-1.
  4. 1 2 بيرند يان؛ هورست هاوسيكر (2000). رؤية الحاسوب وتطبيقاتها، دليل للطلاب والممارسين . دار النشر الأكاديمية. ISBN 978-0-13-085198-7.
  5. ↑ دانا هـ. بالارد؛ كريستوفر م. براون (1982). رؤية الحاسوب . برنتيس هول. ISBN 978-0-13-165316-0.
  6. ↑ هوانغ، ت. (1996-11-19). فاندوني، كارلو إي (محرر). رؤية الحاسوب: التطور والوعد (ملف PDF) . الدورة التاسعة عشرة لمدرسة سيرن للحوسبة . جنيف: سيرن. الصفحات 21-25 . doi : 10.5170/CERN-1996-008.21 . ISBN  978-92-9083-095-5تمت أرشفة الملف (PDF) من النسخة الأصلية بتاريخ 2018-02-07.
  7. ↑ ميلان سونكا؛ فاتسلاف هلافاتش؛ روجر بويل (2008). معالجة الصور وتحليلها ورؤية الآلة . تومسون. ISBN 978-0-495-08252-1.
  8. ↑ http://www.bmva.org/visionoverview مؤرشف بتاريخ 16 فبراير 2017 في أرشيف الإنترنت (Wayback Machine). الجمعية البريطانية لرؤية الآلة وجمعية التعرف على الأنماط. تم الاطلاع عليه بتاريخ 20 فبراير 2017.
  9. ↑ مورفي، مايك (13 أبريل 2017). "جهاز المسح الطبي "تريكوردر" من مسلسل ستار تريك يقترب أكثر من أن يصبح حقيقة" . مؤرشف من الأصل في 2 يوليو 2017. تم الاطلاع عليه في 18 يوليو 2017 .
  10. ↑ مبادئ رؤية الحاسوب ، والخوارزميات، والتطبيقات، والتعلم، الطبعة الخامسة، بقلم إي آر ديفيز، دار النشر الأكاديمية، إلسيفير، 2018، رقم ISBN 978-0-12-809284-2
  11. 1 2 3 4 ريتشارد سزيليسكي (30 سبتمبر 2010). رؤية الحاسوب: الخوارزميات والتطبيقات . سبرينغر ساينس آند بيزنس ميديا. الصفحات 10-16 . ISBN  978-1-84882-935-0.
  12. ↑ سيجنوفسكي، تيرينس ج. (2018). ثورة التعلم العميق . كامبريدج، ماساتشوستس. لندن، إنجلترا: مطبعة معهد ماساتشوستس للتكنولوجيا. ص 28. ISBN  978-0-262-03803-4.
  13. ↑ بابيرت، سيمور (1966-07-01). "مشروع الرؤية الصيفية". مذكرات معهد ماساتشوستس للتكنولوجيا حول الذكاء الاصطناعي (1959 - 2004) . hdl : 1721.1/6125 .
  14. ↑ مارغريت آن بودن (2006). العقل كآلة: تاريخ العلوم المعرفية . مطبعة كلارندون. ص 781. ISBN  978-0-19-954316-8.
  15. ↑ تاكيو كانادي (6 ديسمبر 2012). الرؤية الآلية ثلاثية الأبعاد . سبرينغر ساينس آند بيزنس ميديا. ISBN 978-1-4613-1981-8.
  16. ↑ نيكو سيبي؛ إيرا كوهين؛ أشوتوش غارغ؛ توماس س. هوانغ (3 يونيو 2005). التعلم الآلي في رؤية الحاسوب . سبرينغر ساينس آند بيزنس ميديا. ISBN 978-1-4020-3274-5.
  17. ↑ ويليام فريمان؛ بيترو بيرونا؛ برنارد شولكوف (2008). "مقال افتتاحي: التعلم الآلي لرؤية الحاسوب" . المجلة الدولية لرؤية الحاسوب . 77 (1): 1. doi : 10.1007/s11263-008-0127-7 . hdl : 21.11116/0000-0003-30FB-C . ISSN 1573-1405 . 
  18. ↑ لوكون، يان؛ بينجيو، يوشوا؛ هينتون، جيفري (2015). "التعلم العميق" (ملف PDF) . مجلة نيتشر . 521 (7553): 436-444 . Bibcode : 2015Natur.521..436L . doi : 10.1038/nature14539 . PMID: 26017442. S2CID : 3074096 .  
  19. ↑ إيلج، إيدي؛ ماير، نيكولاس؛ سايكيا، تونموي؛ كيوبير، مارغريت؛ دوسوفيتسكي، أليكسي؛ بروكس، توماس (2016). "FlowNet 2.0: تطور تقدير التدفق البصري باستخدام الشبكات العميقة". arXiv : 1612.01925 [ cs.CV ].
  20. ^ جياو، ليتشنغ؛ تشانغ، فان. ليو، فانغ. يانغ، شويوان؛ لي، لينغلينغ؛ فنغ، زيكسي. تشو رونغ (2019). "مسح للكشف عن الكائنات القائم على التعلم العميق" . الوصول إلى IEEE . 7 : 128837 – 128868. أرخايف : 1907.09408 . بيب كود : 2019IEEEA...7l8837J . دوى : 10.1109/ACCESS.2019.2939201 . S2CID 198147317 . 
  21. ↑ فيري، سي.؛ كايزر، إس. (2019). الشبكات العصبية للأطفال . سورس بوكس. ISBN 978-1-4926-7120-6.
  22. ↑ فوكوشيما، كونيهيكو (1980). "نيوكوجنيترون: نموذج شبكة عصبية ذاتية التنظيم لآلية التعرف على الأنماط غير المتأثرة بتغير الموقع". علم التحكم الآلي البيولوجي . 36 (4): 193-202 . doi : 10.1007/BF00344251 .
  23. 1 2 ستيجر، كارستن؛ ماركوس أولريش؛ كريستيان فيدمان (2018). خوارزميات وتطبيقات الرؤية الآلية ( الطبعة الثانية). فاينهايم: وايلي-VCH . ص. 1. رقم ISBN   978-3-527-41365-2أُرشف من المصدر الأصلي بتاريخ 15 مارس 2023. تم الاطلاع عليه بتاريخ 30 يناير 2018 .
  24. ↑ موراي، دون، وكولين جينينغز. " رسم الخرائط والملاحة باستخدام الرؤية المجسمة للروبوتات المتنقلة. مؤرشف في 31 أكتوبر 2020 على موقع Wayback Machine ." وقائع المؤتمر الدولي للروبوتات والأتمتة. المجلد 2. معهد مهندسي الكهرباء والإلكترونيات، 1997.
  25. ↑ أندرادي، نوربرتو ألميدا. "الرؤية الحاسوبية وذكاء الأعمال في قطاع التجميل - تحليل من خلال إنستغرام" (ملف PDF) . مجلة إدارة التسويق . المعهد الأمريكي لأبحاث تطوير السياسات. مؤرشف من الأصل في 11 مارس 2024. تم الاطلاع عليه في 11 مارس 2024 .
  26. 123Soltani, A. A.; Huang, H.; Wu, J.; Kulkarni, T. D.; Tenenbaum, J. B. (2017). "Synthesizing 3D Shapes via Modeling Multi-view Depth Maps and Silhouettes with Deep Generative Networks". 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). pp. 1511–1519. doi:10.1109/CVPR.2017.269. hdl:1721.1/126644. ISBN 978-1-5386-0457-1. S2CID 31373273.
  27. ↑Turek, Fred (June 2011). "Machine Vision Fundamentals, How to Make Robots See". NASA Tech Briefs Magazine. 35 (6). pages 60–62
  28. ↑"The Future of Automated Random Bin Picking". Archived from the original on 2018-01-11. Retrieved 2018-01-10.
  29. ↑Esteva, Andre; Chou, Katherine; Yeung, Serena; Naik, Nikhil; Madani, Ali; Mottaghi, Ali; Liu, Yun; Topol, Eric; Dean, Jeff; Socher, Richard (2021-01-08). "Deep learning-enabled medical computer vision". npj Digital Medicine. 4 (1): 5. doi:10.1038/s41746-020-00376-2. ISSN 2398-6352. PMC 7794558. PMID 33420381.
  30. ↑Chervyakov, N. I.; Lyakhov, P. A.; Deryabin, M. A.; Nagornov, N. N.; Valueva, M. V.; Valuev, G. V. (2020). "Residue Number System-Based Solution for Reducing the Hardware Cost of a Convolutional Neural Network". Neurocomputing. 407: 439–453. doi:10.1016/j.neucom.2020.04.018. S2CID 219470398. Convolutional neural networks (CNNs) represent deep learning architectures that are currently used in a wide range of applications, including computer vision, speech recognition, identification of albuminous sequences in bioinformatics, production control, time series analysis in finance, and many others.
  31. ↑Wäldchen, Jana; Mäder, Patrick (2017-01-07). "Plant Species Identification Using Computer Vision Techniques: A Systematic Literature Review". Archives of Computational Methods in Engineering. 25 (2): 507–543. doi:10.1007/s11831-016-9206-z. ISSN 1134-3060. PMC 6003396. PMID 29962832.
  32. ↑ أغامامحمد إسماعيل كتاب فروش، كيميا؛ نيكان، سوده؛ أنتونيني، جورجيو؛ بيرس، جوشوا م. (يناير 2024). " تحسين الكشف عن أمراض وجودة الفراولة باستخدام محولات الرؤية والشبكات العصبية الالتفافية القائمة على الانتباه" . مجلة الأغذية . 13 (12): 1869. doi : 10.3390/foods13121869 . ISSN 2304-8158 . PMC 11202458. PMID 38928810 .   
  33. ↑ "نموذج ذكاء اصطناعي جديد طُوّر في جامعة ويسترن يكشف أمراض الفراولة، ويستهدف الحد من الهدر" . لندن . 13 سبتمبر 2024. تاريخ الاطلاع: 19 سبتمبر 2024 .
  34. ↑ "تطبيقات رؤية الحاسوب" . GeeksforGeeks . 30-06-2020 . تم الاطلاع عليه بتاريخ 27-04-2025 .
  35. ↑ "تحليل نمو سوق أنظمة الرؤية الآلية الصناعية العالمية - الحجم والتوقعات 2024-2028" . www.technavio.com . تاريخ الاطلاع: 14 مايو 2025 .
  36. ↑ لافيولا، إيرين. "ما هي رؤية الحاسوب وكيف يتم استخدامها في الرعاية الصحية؟" . هيلث تك . تم الاسترجاع في 14 مايو 2025 .
  37. ↑ "رؤية الحاسوب - الذكاء الاصطناعي في السوق العسكرية: نظرة مستقبلية" . www.grandviewresearch.com . تاريخ الاسترجاع: 14 مايو 2025 .
  38. ↑ لي، مينغ فانغ؛ جيانغ، يوان يوان؛ تشانغ، يان تشو؛ تشو، هاي شنغ (2023). "تحليل الصور الطبية باستخدام خوارزميات التعلم العميق" . مجلة فرونتيرز في الصحة العامة . 11 1273253. Bibcode : 2023FrPH...1173253L . doi : 10.3389/fpubh.2023.1273253 . ISSN 2296-2565 . PMC 10662291. PMID 38026291 .   
  39. 1 2 3 4 5 6 إي. روي ديفيز (2005). رؤية الآلة: النظرية، والخوارزميات، والتطبيقات العملية . مورغان كوفمان. ISBN 978-0-12-206093-9.
  40. ↑ أندو، ميتسوهيتو؛ تاكي، توشينوبو؛ موتشياما، هيرومي (2020-03-03). "طبقة جلدية اصطناعية مطاطية ذات بنية مرنة لتقدير شكل الأسطح ذات التموجات الدقيقة" . مجلة روبوميك . 7 (1): 11. doi : 10.1186/s40648-020-00159-0 . ISSN 2197-4225 . 
  41. ↑Choi, Seung-hyun; Tahara, Kenji (2020-03-12). "Dexterous object manipulation by a multi-fingered robotic hand with visual-tactile fingertip sensors". ROBOMECH Journal. 7 (1): 14. doi:10.1186/s40648-020-00162-5. ISSN 2197-4225.
  42. ↑Garg, Hitendra (2020-02-29). "Drowsiness Detection of a Driver using Conventional Computer Vision Application". 2020 International Conference on Power Electronics & IoT Applications in Renewable Energy and its Control (PARC). pp. 50–53. doi:10.1109/PARC49193.2020.236556. ISBN 978-1-7281-6575-2. S2CID 218564267.
  43. ↑Hasan, Fudail; Kashevnik, Alexey (2021-05-14). "State-of-the-Art Analysis of Modern Drowsiness Detection Algorithms Based on Computer Vision". 2021 29th Conference of Open Innovations Association (FRUCT). pp. 141–149. doi:10.23919/FRUCT52173.2021.9435480. ISBN 978-952-69244-5-8. S2CID 235207036. Archived from the original on 2022-06-27. Retrieved 2022-11-06.
  44. ↑Balasundaram, A; Ashokkumar, S; Kothandaraman, D; kora, SeenaNaik; Sudarshan, E; Harshaverdhan, A (2020-12-01). "Computer vision based fatigue detection using facial parameters". IOP Conference Series: Materials Science and Engineering. 981 (2) 022005. Bibcode:2020MS&E..981b2005B. doi:10.1088/1757-899x/981/2/022005. ISSN 1757-899X. S2CID 230639179.
  45. 12Bruijning, Marjolein; Visser, Marco D.; Hallmann, Caspar A.; Jongejans, Eelke; Golding, Nick (2018). "trackdem: Automated particle tracking to obtain population counts and size distributions from videos in r". Methods in Ecology and Evolution. 9 (4): 965–973. Bibcode:2018MEcEv...9..965B. doi:10.1111/2041-210X.12975. hdl:2066/184075. ISSN 2041-210X.
  46. ↑ قمر، أمان الله؛ أصغري، نيما؛ بيرس، جوشوا م. (2026-06-01). "نموذج تعلم عميق ثنائي المراحل لعدّ الأوراق غير المتلف في محاصيل الطماطم" . الحوسبة والإلكترونيات في الزراعة . 247 111717. doi : 10.1016/j.compag.2026.111717 . ISSN 0168-1699 . 
  47. ↑ ديفيد أ. فورسيث؛ جان بونس (2003). رؤية الحاسوب: منهج حديث . برنتيس هول. ISBN 978-0-13-085198-7.
  48. ↑ فورسيث، ديفيد؛ بونس، جان (2012). رؤية الحاسوب: منهج حديث . بيرسون.
  49. 1 2 روساكوفسكي، أولغا؛ دنغ، جيا؛ سو، هاو؛ كراوس، جوناثان. ساتيش، سانجيف؛ أماه، شون؛ هوانغ، تشيهينج؛ كارباثي، أندريج؛ خوسلا، أديتيا؛ بيرنشتاين، مايكل. بيرج ، ألكسندر سي. (ديسمبر 2015). "تحدي التعرف البصري على نطاق واسع من ImageNet" . المجلة الدولية للرؤية الحاسوبية . 115 (3): 211– 252. أرخايف : 1409.0575 . دوى : 10.1007/s11263-015-0816-y . اتش دي ال : 1721.1/104944 . ISSN 0920-5691 . S2CID 2930547 . مؤرشف من الأصل بتاريخ 15-03-2023 . تم الاطلاع عليه بتاريخ 2020-11-20 .  
  50. ↑ كوين، آرثر (9 أكتوبر 2022). "التعرف على الصور بالذكاء الاصطناعي: اتجاه حتمي في نمط الحياة الحديث" . TopTen.ai . مؤرشف من الأصل في 2 ديسمبر 2022. تم الاطلاع عليه في 23 ديسمبر 2022 .
  51. ↑ باريت، ليزا فيلدمان؛ أدولفس، رالف؛ مارسيلا، ستايسي؛ مارتينيز، أليكس م.؛ بولاك، سيث د. (يوليو 2019). " إعادة النظر في التعبيرات العاطفية: تحديات استنتاج العاطفة من حركات الوجه البشري" . العلوم النفسية في المصلحة العامة . 20 (1): 1-68 . doi : 10.1177/1529100619832930 . ISSN 1529-1006 . PMC 6640856. PMID 31313636 .   
  52. ↑ أ. مايتي (2015). "الكشف عن الأجسام البارزة ومعالجتها بشكل مرتجل". arXiv : 1511.02999 [ cs.CV ].
  53. ↑Barghout, Lauren. "Visual Taxometric Approach to Image Segmentation Using Fuzzy-Spatial Taxon Cut Yields Contextually Relevant RegionsArchived 2018-11-14 at the Wayback Machine." Information Processing and Management of Uncertainty in Knowledge-Based Systems. Springer International Publishing, 2014.
  54. ↑Liu, Ziyi; Wang, Le; Hua, Gang; Zhang, Qilin; Niu, Zhenxing; Wu, Ying; Zheng, Nanning (2018). "Joint Video Object Discovery and Segmentation by Coupled Dynamic Markov Networks"(PDF). IEEE Transactions on Image Processing. 27 (12): 5840–5853. Bibcode:2018ITIP...27.5840L. doi:10.1109/tip.2018.2859622. ISSN 1057-7149. PMID 30059300. S2CID 51867241. Archived from the original(PDF) on 2018-09-07. Retrieved 2018-09-14.
  55. ↑Wang, Le; Duan, Xuhuan; Zhang, Qilin; Niu, Zhenxing; Hua, Gang; Zheng, Nanning (2018-05-22). "Segment-Tube: Spatio-Temporal Action Localization in Untrimmed Videos with Per-Frame Segmentation"(PDF). Sensors. 18 (5): 1657. Bibcode:2018Senso..18.1657W. doi:10.3390/s18051657. ISSN 1424-8220. PMC 5982167. PMID 29789447. Archived(PDF) from the original on 2018-09-07.
  56. ↑Shapiro, Stuart C. (1992). Encyclopedia of Artificial Intelligence, Volume 1. New York: John Wiley & Sons, Inc. pp. 643–646. ISBN 978-0-471-50306-4.
  57. ↑Kagami, Shingo (2010). "High-speed vision systems and projectors for real-time perception of the world". 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition - Workshops. Vol. 2010. pp. 100–107. doi:10.1109/CVPRW.2010.5543776. ISBN 978-1-4244-7029-7. S2CID 14111100.
  58. ↑Seth Colaner (January 3, 2016). "A Third Type Of Processor For VR/AR: Movidius' Myriad 2 VPU". www.tomshardware.com. Archived from the original on March 15, 2023. Retrieved May 3, 2016.

Further reading