«بینایی ماشین و بینایی کامپیوتر» یا Machine Vision و  Computer Vision به ماشین‌ها و کامپیوترهای امروزی اجازه می‌دهد تا «ببینند» و دنیای پیرامون را با توجه به این بینایی تفسیر و جستجو کنند. این پیشرفت‌ها به واسطه‌ی الگوریتم‌های یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) حاصل شده است.

تفاوت بینایی کامپیوتر با بینایی ماشین

این تکنولوژی قدرتمند و پیشرفته، به سرعت در بخش‌های مختلفی از صنعت کاربرد پیدا کرده است و تبدیل به بخشی ضروری و جدانشدنی از پیشرفت‌های حوزه‌ی تکنولوژی و تحول دیجیتال شده است.

اما کسب‌وکارها دقیقا به چه صورت از بینایی ماشین بهره می‌برند؟

در این مقاله ما مجموعه‌ای از معروف‌ترین کاربردهای این تکنولوژی را در برجسته‌ترین صنایع بررسی می‌کنیم.

مباحثی که بررسی خواهند شد شامل سرتیترهای زیر است:

۱- حمل و نقل

۲- مراقبت‌های درمانی

۳- تولید

۴- ساخت و ساز

۵- کشاورزی

۶- خرده‌فروشی

۷- کاربرد بینایی ماشین در صنایع: نکات کلیدی

حمل و نقل

نیازهای رو به افزایش حوزه‌ی حمل و نقل، پای بسیاری از پیشرفت‌های حوزه‌‌ی تکنولوژی را به این بخش کشانده است که بینایی ماشین در مرکز آن‌ها قرار دارد.

سیستم حمل و نقل هوشمند (Intelligent Transportation System) یا ITS تبدیل به حوزه‌ای کلیدی برای بهبود بهره‌وری، اثربخشی و امنیت در حمل و نقل شده است که گستره‌ی آن از وسایل نقلیه‌ی خودکار تا تشخیص ظرفیت پارکینگ را شامل می‌شود.

در ادامه تعدادی از معروف‌ترین کاربردهای بینایی ماشین در این صنعت را بررسی می‌کنیم.

ماشین‌های خودران

در سال ۲۰۲۳ میلادی، ماشین‌های خودران دیگر یک داستان علمی-تخیلی نیستند؛ در حقیقت هزاران مهندس و توسعه‌دهنده در سرتاسر جهان در حال آزمایش و بهبود میزان اتکاپذیری و امنیت این اتوموبیل‌ها هستند.

بینایی ماشین در این حوزه برای تشخیص (detection) و دسته‌بندی (classification) اشیا و محیط پیرامون (مانند علائم و چراغ‌های راهنمایی و رانندگی)، تولید نقشه‌های سه بعدی از محیط یا تخمین حرکت، نقش کلیدی‌ای ایفا کرده است که امروزه ماشین‌های خودران از رویا به واقعیت تبدیل شده‌اند.

ماشین‌های خودران با استفاده از دوربین‌ها و سنسورهای تعبیه‌شده در آن‌ها، اطلاعات لازم از محیط پیرامون خود را جمع‌آوری کرده، و بعد از تفسیر آن‌ها، واکنش خود را تعیین و اعمال می‌کنند.

محققانی که در حوزه‌ی سیستم‌های کمک‌راننده‌ی پیشرفته (Advanced Driver Assistance Systepm) یا ADAS مشغول به کار هستند؛ بینایی ماشین را با تکنیک‌های مثل تشخیص الگو (pattern recognition)، استخراج ویژگی (feature extraction)، ردیابی اشیا (object tracking) و دید سه بعدی (3D vision) ترکیب می‌کنند تا الگوریتم‌های بی‌درنگ (real-time) مناسب برای رانندگی را توسعه دهند.

این ویدیو نحوه‌ی تشخیص ترافیک با استفاده از تکنیک‌های هوش مصنوعی را در زندگی روزمره نشان می‌دهد.

تشخیص عابر پیاده

تشخیص عابر پیاده و دنبال کردن آن‌ها به علت تاثیر عظیم آن بر طراحی سیستم‌های حفاظت از عابر و شهرهای هوشمند، تبدیل به یک عرصه‌ی مهم در تحقیقات بینایی ماشین شده است.

با استفاده از دوربین‌ها، عابرهای پیاده تشخیص داده‌ شده و مکان آن‌ها در تصاویر یا ویدیوها مشخص می‌شود. این عمل با توجه به تفاوت‌های مربوط به بدن و پوشش، پوشیده‌شدن بخشی از تصویر، موقعیت، روشنایی صحنه در شرایط متفاوت و تصاویر پیش‌زمینه صورت می‌گیرد.

تشخیص عابرین پیاده در حوزه‌ی اتوموبیل‌های خودران، کنترل ترافیک، و امنیت و بهره‌وری انتقالات کاربردهای بسیاری دارد.

تشخیص جای پارک

بینایی ماشین امروزه کاربرد گسترده‌ای در تشخیص تصرف یا عدم تصرف جای پارک در سیستم‌های راهنمایی و اطلاعات جای پارک (Parking Guidance and Information) یا PGI دارد. استفاده از بینایی ماشین جایگزینی برای روش‌های مبتنی بر سنسور امروزه است که در کنار هزینه‌ی بیشتر، نیاز به نگهداری منظم هم دارند.

تشخیص تصرف یا عدم تصرف جای پارک می‌تواند با تکنولوژی‌های تشخیص پلاک ترکیب شده و برای تعیین اینکه هر جای پارک، در چه زمانی توسط چه ماشینی اشغال شده بوده است هم کارایی داشته باشد.

نکته: می‌توانید از دیتاست‌های PKLot و CNRPark-EXT برای آموزش مدل‌های تشخیص جای پارک استفاده کنید.

تحلیل جریان ترافیک

به لطف پیشرفت‌ها و توسعه‌های حوزه‌ی بینایی ماشین، امروزه دنبال کردن و تخمین جریان ترافیک با استفاده از دوربین‌ها و یا پهبادها به امری ممکن تبدیل شده است.

این الگوریتم‌ها می‌توانند به دقت تعداد ماشین را مشخص و دنبال کنند و یا میزان ترافیک را در نواحی مختلف شهری (مانند تقاطع‌ها) تحلیل کنند؛ از این طریق کمک شایانی به طراحی سیستم‌های کنترل ترافیک بهتر و پیشرفته‌تر و افزایش امنیت جاده‌ها و راه‌ها خواهد شد.

نظارت بر شرایط راه‌ها

بینایی ماشین تا به امروز به خوبی در تشخیص مشکلات و کاستی‌ها استفاده شده است. از جمله در ارزیابی کیفیت شرایط زیرساخت با نظارت بر تغییرات در بتن و آسفالت.

تشخیص خودکار آسیب‌های روسازی (Automated Pavement Distress Detection) تاثیر قابل توجهی در افزایش بهره‌وری نگهداری از راه‌ها و جاده‌ها و و کاهش خطرات و وقوع تصادفات داشته است.

الگوریتم‌های بینایی ماشین با استفاده از دیتاست‌های جمع‌آوری شده، سیستم‌هایی برای تشخیص خودکار آسیب و طبقه‌بندی آن‌ها ایجاد می‌کنند که می‌تواند برای نگهداری و پیش‌گیری هدفمند بدون دخالت انسان مورد استفاده قرار بگیرد.

مراقبت‌های درمانی

یکی از غنی‌ترین داده‌های حال حاضر، تصاویر پزشکی هستند؛ با این حال، یک نکته‌ی مهم در استفاده از این داده‌ها وجود دارد: اگر تکنولوژی درستی وجود نداشته باشد، پزشکان مجبورند ساعت‌ها به صورت دستی داده‌های هر بیمار را تحلیل کنند و مشغول به کارهای اجرایی‌ای از این دست باشند.

خوشبختانه با گذر زمان و پیشرفت تکنولوژی، صنعت مراقبت‌های درمانی تبدیل به یکی از سریع‌ترین حوزه‌ها در به‌کارگیری راه‌های خودکارسازی، از جمله بینایی ماشین، بوده است.

در ادامه برخی از مهم‌ترین کاربردهای بینایی ماشین در مراقبت‌های درمانی را بررسی می‌کنیم.

تحلیل X-Ray

در حوزه‌ی تصاویر پزشکی X-Ray، بینایی ماشین می‌تواند به خوبی برای درمان و تحقيقات، بازسازی MRI یا برنامه‌ریزی جراحی‌ها ایفای نقش کند.

با وجود اینکه پزشکان همچنان به تحلیل شخصی از تصاویر X-Ray برای تشخیص و درمان بیماری تکیه می‌کنند، بینایی ماشین می‌تواند این فرآیند را به صورت خودکار، و با افزایش بهره‌وری و دقت به انجام برساند.

سیستم‌های پردازش تصویر پیشرفته‌ی امروزی می‌توانند الگوهایی را در تصاویر X-Ray تشخیص دهند که برای دیده شدن با چشم انسان بسیار جزئی و ریز هستند.

این ویدیو مثالی از نشانه‌گذاری تصاویر X-Ray توسط V7 است.

CT و MRI

بینایی ماشین همچنین کاربرد گسترده‌ای در تحلیل تصاویر سی‌تی‌ اسن و MRI دارد. کاربردهای زیادی از طراحی سیستم‌های هوشمند برای تحلیل تصاویر رادیولوژی با دقت برابر با دقت انسان (در عین کاهش زمان تشخیص) تا الگوریتم‌های یادگیری عمیقی که می‌توانند رزولوشن تصاویر MRI را افزایش دهند، می‌توان برای بینایی ماشین در این حوزه متصور شد و آن‌ را کلید بهبود شرایط بیماران دانست.

در زیر مثالی برای حاشیه‌نویسی مغز و نخاع با استفاده از تکنیک‌های یادگیری ماشین آورده شده است.

استفاده از بینایی ماشین برای تحلیل سی‌تی اسکن و MRI می‌تواند به پزشکان در تشخیص تومورها، خون‌ریزی داخلی، گرفتگی رگ‌های خونی و سایر شرایط با خطر جانی برای بیمار کمک کند. همچنین خودکارسازی این فرآیندها توانسته است دقت را افزایش دهد، چرا که ماشین‌های امروزی می‌توانند جزئیاتی را تشخیص دهند که چشم انسان قادر به تشخیص آن‌ها نیست. این ویدیو مثالی از این کاربرد بینایی ماشین را به شما نشان می‌دهد.

تشخیص سرطان

پردازش تصویر می‌تواند به پزشکان در تشخیص ناهنجاری‌ها و تغییرات، با مقایسه‌ی سلول‌های سرطانی و غیرسرطانی کمک کند.

تشخیص خودکار می‌تواند منجر به تشخیص سریع‌تر سرطان با استفاده از تصاویر MRI شود. امروزه بینایی ماشین به صورت موفقت‌آمیز در تشخیص سرطان سینه و پوست به کار گرفته می‌شود.

تصویر زیر خال‌های ریزی را نشان می‌دهد که می‌تواند برای تشخیص سرطان پوست melanoma در روزهای اولیه استفاده شود.

اندازه‌گیری میزان خون از دست رفته

خونریزی پس از زایمان یکی از بزرگترین علل مرگ و میر در زایمان‌هاست. به صورت سنتی، پزشکان تنها قادر به حدس زدن میزان خون از دست‌رفته در حین زایمان هستند.

به لطف بینایی ماشین، پزشکان اکنون می‌توانند با استفاده از ابزارهای مجهز به هوش مصنوعی با استفاده از تجزیه و تحلیل تصاویر گرفته شده از اسفنج‌های جراحی و قوطی‌های مکش (با استفاده از iPad)، از دست دادن خون در هنگام زایمان را اندازه‌گیری کنند.

آسیب‌شناسی (pathology) دیجیتال

به لطف در دسترس قرار گرفتن اسکنرهای دیجیتال تصویربرداری کامل (Whole-Slide-Imaging) یا  WSI، بینایی ماشین اکنون می‌تواند داده‌های تصاویر پزشکی را برای شناسایی و تشخیص نوع آسیب‌شناسی پردازش کند. این روش برای کاربردهای زیر استفاده می‌شود:

• تحلیل و تفسیر تصاویر
• بررسی دقیق بافت‌های نمونه
• انواع آسیب‌شناسی مطابق با نمونه‌های پیشین
• تشخیص و درمان دقیق و به موقع

روش‌های آسیب‌شناسی منطبق بر بینایی ماشین، باعث بهبود دقت و بهره‌وری تشخیص و درمان و کمک به پزشکان برای ذخیره‌ی زمان و گرفتن تصمیمات آگاهانه‌تر شده‌اند.

تحلیل حرکت

تشخیص حالت بدن برای کمک به پزشکان در تجزیه و تحلیل حرکت بیماران و تشخیص بیماری‌های عصبی و اسکلتی-عضلانی استفاده شده است.

با وجود اینکه حجم زیادی از روش‌های تشخیص حالت بدن انسان بر افراد بالغ تمرکز دارد، این روش مبتنی بر بینایی ماشین برای کاربردهای پزشکی در تحلیل حرکت بدن نوزادان هم استفاده شده است.

با نظارت و ارزیابی حرکات ناخودآگاه یک نوزاد، پزشکان می‌توانند اختلالات رشد عصبی را در سنین بسیار پایین تشخیص داده و اقدامات لازم را انجام دهند. یک سیستم تشخیص حرکت خودکار، قادر به ضبط بسیار کارآمدتری از حرکات بدن نوزاد خواهد بود.

می‌توانید از دیتاست‌های The Moving Infancts In RGB-D (MINI-RGBD) Dataset و The KIMORE Dataset برای آموزش مدل‌های خود استفاده کنید.

تولید

صنعت تولید در حال حاضر طیف گسترده‌ای از راه حل‌های خودکارسازی یا اتوماسیون را با محوریت بینایی ماشین اتخاذ کرده است.

این روش، به کنترل کیفیت خودکار، به حداقل رساندن خطرات ایمنی و افزایش کارایی تولید کمک می کند.

در ادامه برخی از رایج‌ترین کاربردهای بینایی ماشین در صنعت تولید آورده شده است.