هوش مصنوعی در پردازش تصویر

مقاله ما مروری بر امکاناتی است که در حال حاضر توسط هوش مصنوعی مبتنی بر یادگیری عمیق در پردازش تصویر صنعتی ارائه شده است. مزایا و مشکلات در مقایسه با روش‌های معمول مورد بررسی قرار گرفته‌اند. همچنین شما متوجه نقش این رویکردها در آینده نزدیک خواهید شد. روش‌های مبتنی بر یادگیری در حوزه بینایی ماشین به‌ عنوان بخشی از کارهای استاندارد تعریف‌ شده‌اند. بسیاری از تولیدکنندگان بخش بزرگی از ظرفیت‌های تحقیق و توسعه خود را به گسترش ویژگی‌های مبتنی بر یادگیری عمیق اختصاص می‌دهند. آیا استفاده از روش‌های “سنتی” برای پردازش تصویر و تجزیه‌ و تحلیل تصویر منسوخ خواهد شد؟ آیا این روش‌ها به‌طور کامل با توابع مبتنی بر یادگیری عمیق جایگزین خواهند شد؟ این مقاله، مروری بر احتمالات ارائه شده توسط هوش مصنوعی مبتنی بر یادگیری عمیق است که در پردازش تصویر صنعتی مورد استفاده قرار می‌گیرد. همچنین مزایا و معایب هوش مصنوعی مبتنی بر یادگیری عمیق در مقایسه با روش‌های سنتی مورد بررسی قرار خواهد گرفت. اصطلاح “روش‌های سنتی” شامل روش‌های ساده و مبتنی بر قانون در تجزیه‌ و تحلیل تصویر و همچنین روش‌هایی است که از طریق داده‌های تصویری و با کمک الگوریتم‌های یادگیری ماشین که مبتنی بر یادگیری عمیق نیستند؛ اشاره می‌کند.

کاربرد یادگیری عمیق در پردازش تصویر صنعتی

کاربرد اصلی یادگیری عمیق شامل تشخیص ناهنجاری، دسته‌بندی (classification) تصویر، تقسیم‌بندی (segmentation) تصویر و تشخیص شی می‌شود. شبکه‌های عصبی مصنوعی (ANN) خوب آموزش‌دیده با دقت و انعطاف بالاتر و بیشتر در مقایسه با روش‌های مرسوم تجزیه‌ و تحلیل تصویر عمل می‌کنند. بهتر است بدانید که قطعه بندی تصویر و همچنین بخش بندی تصویر بر اساس طبقه‌بندی می‌تواند به پردازش هر چه بهتر تصاویر کمک بسیار شایانی کند.

• تشخیص ناهنجاری به تقسیم کل تصاویر به “خوب” یا “بد” اشاره دارد. به‌ عنوان‌ مثال توانایی تشخیص اشیاء و ساختارهای معیوب.

• دسته‌بندی تصویر به دسته‌بندی کل تصاویر در کلاس‌های تعریف‌شده اشاره دارد. به‌ عنوان‌ مثال اختصاص تصاویر به گروهی خاص که فقط شامل یک شی واحد هستند.
• تقسیم‌بندی تصویر به دسته‌بندی پیکسل به پیکسل اشاره دارد که می‌توان برای تشخیص و موقعیت‌یابی ساختارهای معیوب سطح مورد استفاده قرار گیرد.

• تشخیص شی شامل طبقه‌بندی و موقعیت‌یابی یک یا چند شیء در یک تصویر، به‌ عنوان‌ مثال شمارش اشیاء خاص یا تعیین موقعیت و جهت‌گیری اشیاء است.

مزایای روش‌های مبتنی بر یادگیری عمیق

روش‌های مبتنی بر یادگیری عمیق برای کاربردهای بینایی ماشین، علاوه بر بهبود دقت، انعطاف و اطمینان‌پذیری بالایی فراهم می‌کنند که با روش‌های سنتی، دست‌یافتنی نیستند. در مقایسه با روش‌های سنتی یادگیری ماشین، مرحله مهندسی ویژگی حذف‌ شده است. با مهندسی ویژگی، الگوریتم یادگیری ماشین قبل از آموزش، برای تشخیص خواص مربوطه به‌ صورت دستی تنظیم می‌شوند تا اشیاء به‌ درستی تشخیص داده شوند. آنچه شبکه یادگیری عمیق را متمایز می‌کند؛ تشخیص مستقل ویژگی‌ها در طول آموزش (train) است.

• تشخیص اشیاء و ویژگی‌های مختلف: یکی از مزایای روش یادگیری عمیق، توانایی تشخیص اشیاء یا خواصی است که در اشکال مختلف ارائه‌ شده‌اند؛ مانند خش روی سطوح مختلف، محصولات طبیعی با اشکال مختلف و یا دست خط. به‌ عنوان‌ مثال برای تشخیص ناهنجاری، آموزش شبکه عصبی تنها با تصاویر نمونه بی‌عیب و نقص برای تشخیص عیوب جسم در طول زمان استفاده می‌شود.
• تشخیص مطمئن شیء: اشیاء در محیط‌های مختلف، به‌ عنوان‌ مثال آن‌هایی که دارای پیش‌زمینه متغیر، وضوح تصویر مختلف و یا روشنایی متفاوت هستند؛ قابل‌ تشخیص خواهند بود. این امر مستلزم شبکه‌های عصبی خوب آموزش‌دیده است و نیازی به آموزش مجزا و تنظیم برای تمامی حالات ممکن نیست.

هزینه‌ های استفاده از یادگیری عمیق

در مقایسه با روش‌های متداول، به‌ منظور بهره‌مندی از مزایای روش‌های مبتنی بر یادگیری عمیق سرمایه‌گذاری بیشتری در بخش سخت‌افزار مورد استفاده در پروژه و معمولاً تعداد زیاد تصویر برای آموزش شبکه عصبی مورد نیاز است.

• سخت‌افزار اضافی: معماری قدرتمند و پیچیده یادگیری عمیق با تعداد بالاتری از لایه‌های شبکه عصبی تمیز داده می‌شوند. اجرای پروژه یادگیری عمیق مستلزم حافظه بزرگ‌تر و ظرفیت بیشتر پردازشی است. فقط با برون‌سپاری وظایف محاسباتی به پردازنده اضافی -به‌ عنوان‌ مثال در GPUها (کارت‌های گرافیکی)- برای اجرای هم‌زمان محاسبات است که می‌توان به زمان کوتاه پردازشی دست پیدا کرد.
• افزایش دما، مصرف انرژی: نیاز به توان محاسباتی بالا در شبکه‌های عصبی بزرگ، مصرف انرژی برنامه را افزایش می‌دهد. در نتیجه گرما تولید می‌شود. این امر می‌تواند خصوصاً برای سیستم‌های تعبیه‌شده که اغلب انتظار می‌رود برای مصرف کم و مدیریت گرما بهینه‌ شده باشند؛ مشکل‌ساز خواهد بود.
• حجم عظیمی از داده‌های آموزشی: شناخت مطمئن اشیاء، نیاز به تعداد زیادی از تصاویر آموزش‌دیده دارد. تا همه اشیاء و خواص مختلف موجود را به تصویر بکشید و علامت‌گذاری کنید. تعداد بیشتر داده‌های تصویری برای آموزش شبکه برابر با تشخیص ساده‌تر اشیا توسط شبکه یادگیری عمیق خواهد شد. دریافت صدها و گاهی حتی چندین هزار تصویر می‌تواند بحرانی در توسعه برنامه بینایی ماشین شمرده شود.

بهینه‌سازی شبکه‌های یادگیری عمیق از طریق یک روش ترکیبی

پردازش تصویر در شبکه‌های عصبی مصنوعی می‌تواند با روش‌های مرسوم ترکیب شود و برای پردازش داده‌های تصویری مورد استفاده قرار بگیرد. ابتدا روش‌های مرسوم، تصویر را پیش‌پردازش می‌کنند. سپس شبکه عصبی مصنوعی، نتایج دلخواه را از داده‌های پیش‌پردازش شده استخراج می‌نماید. مزیت این روش کارایی بالا به همراه نیاز کم به حافظه و انرژی است. در ضمن، این رویکرد ترکیبی باعث می‌شود تا تعداد تصاویر اخذشده برای آموزش شبکه‌های یادگیری عمیق کاهش پیدا کند. بهینه‌سازی می‌تواند با روش‌های معمول حاصل شود؛ مانند کاهش اندازه تصویر، افزایش واریانس و تعداد داده‌های آموزش از طریق عملیات ساده (keyword augmentation)

کاهش اندازه تصویر

کاهش وضوح تصاویر ورودی به معنای کاهش حجم داده‌پردازشی است. در نتیجه شبکه عصبی می‌تواند با لایه‌های کمتری کار کند و به حافظه و محاسبات کمتری نیاز داشته باشد. بریدن تصویر و جداسازی هدف مربوطه (ROI – منطقه مورد نظر) می‌تواند منجر به نتیجه یکسان در وضوح پایین‌تر با همان جزئیات برای پردازش تصویر باشد. با پس‌زمینه همگن، بخش مربوطه تصویر می‌تواند از طریق مقایسه ساده رنگ و یا مقیاس خاکستری تشخیص داده شود.

به حداقل رساندن واریانس تصاویر مورد بازرسی

اگر تفاوت‌های اجتناب‌پذیر در تصاویر مورد بازرسی کاهش یابد به داده‌های کمتری برای آموزش شبکه عصبی نیاز خواهد بود. شرایط محیطی پایدار مانند روشنایی پایدار، پس‌زمینه تک‌رنگ ثابت، موقعیت ثابت اشیاء مورد بازرسی و زاویه ثابت، تشخیص اشیاء و ساختارها را با کمترین تلاش ممکن می‌سازد.

روش‌های مرسوم به کمک فیلترهای ساده و عملیات کانترست می‌توانند اطلاعات بی‌ربط را حذف نمایند. این امر به شبکه یادگیری عمیق کمک می‌کند تا به‌طور دقیق اشیاء و ساختارهای خاص را با داده و شبکه‌های کوچک‌تر تشخیص بدهند.

افزایش تعداد و واریانس داده‌های آموزشی

کمیت و تنوع داده‌های آموزشی موجود می‌تواند با تولید داده‌های آموزش اضافی افزایش یابد. به چنین عملیاتی در اصطلاح ازدیاد (augmentation) گفته می‌شود. در عملیات ازدیاد از تصاویر اصلی برای ایجاد واریانس‌های متفاوت به کمک روش‌های مرسوم استفاده می‌شود. به‌ عنوان‌ مثال با چرخش، انتقال و یا کشش تصویر اصلی. این امر به شبکه عصبی اجازه می‌دهد تا یاد بگیرند که چگونه یک شیء را به‌طور مستقل از زاویه چرخش و موقعیت در تصویر تشخیص دهد.

پروژه‌ هایی بدون نیاز به یادگیری عمیق

روش‌های مبتنی بر یادگیری عمیق در بسیاری از موارد، مزیتی بر روش‌های سنتی ندارند به جز اینکه هزینه‌های اضافی به سیستم اضافه می‌کنند. به‌ عنوان‌ مثال، راه‌اندازی و آموزش شبکه یادگیری عمیق فقط برای تمییز دادن بین اشیاء سبز و قرمز، کاری بیهوده است. این کار تنها نیاز به یک قاعده ساده مبتنی بر مقایسه رنگ دارد که بسیار مناسب‌تر و قوی‌تر از شبکه یادگیری عمیق خواهد بود. خواندن بارکد، کدهای QR و ماتریس داده‌ها نیز به‌طور کلی نیازی به شبکه یادگیری عمیق ندارد. در چنین مواردی روش‌های پیشرفته بدون یادگیری عمیق دارای عملکرد و دقت بالا بدون نیاز به حافظه و محاسبات زیاد است. موارد دیگر استفاده از الگوریتم‌های سنتی، معمولاً شامل اندازه‌گیری و فاصله‌سنجی دقیق است. روش‌های سنتی در این حوزه نیز اثبات‌شده هستند؛ در نتیجه اجرای الگوریتم یادگیری عمیق می‌تواند دشوار و بدون مزیت خاصی باشد. به‌طور کلی، پروژه‌های پیچیده بینایی ماشین شامل روش‌های سنتی به همراه الگوریتم‌های بینایی ماشین است. در بسیاری از موارد گام‌های مختلف هم‌زمان صورت می‌پذیرد. برای مثال خواندن بارکد با روش‌های مرسوم و به‌طور هم‌زمان تشخیص شی و بازرسی ساختار به کمک شبکه یادگیری عمیق صورت می‌پذیرد.