فهم اكتشاف الحواف في معالجة الصور

نحن، كبشر، نتعرّف طبيعيًا على حواف الأجسام، ونتتبع منحنياتها، ونلاحظ الأنسجة على أسطحها عند النظر إلى صورة. أما الحاسوب، فيبدأ الفهم لديه على مستوى وحدات البكسل الفردية.

تخزّن البكسلة، وهي أصغر وحدة في الصورة الرقمية، اللون والسطوع في نقطة واحدة. ومن خلال تتبع التغيرات في قيم وحدات البكسل هذه عبر الصورة، يستطيع الحاسوب اكتشاف أنماط تكشف تفاصيل أساسية.

تستخدم معالجة الصور بيانات البكسل لإبراز السمات الأساسية وإزالة العناصر المشتتة. ومن تقنيات معالجة الصور الشائعة اكتشاف الحواف، الذي يحدد النقاط التي يتغير عندها السطوع أو اللون بشكل حاد لرسم حدود الأجسام، وتحديد الفواصل، وإضفاء بنية على الصورة.

يتيح ذلك للحواسيب فصل الأشكال، وقياس الأبعاد، وتفسير كيفية اتصال أجزاء المشهد. وغالبًا ما يكون اكتشاف الحواف الخطوة الأولى في تحليل الصور المتقدم.

الشكل 1. مثال يوضح الصورة الأصلية إلى جانب مخرجات طرق مختلفة لاكتشاف الحواف. (المصدر)

في هذه المقالة، سنلقي نظرة على ماهية اكتشاف الحواف، وكيفية عمله، وتطبيقاته في العالم الواقعي. فلنبدأ!

مفاهيم اكتشاف الحواف#

يركز اكتشاف الحواف على البحث عن المواضع في الصورة التي يتغير فيها السطوع أو اللون بشكل ملحوظ من نقطة إلى أخرى. إذا كان التغير صغيرًا، تبدو المنطقة ملساء. أما إذا كان التغير حادًا، فإنه غالبًا ما يشير إلى الحد الفاصل بين منطقتين مختلفتين.

فيما يلي بعض أسباب حدوث هذه التغيرات في وحدات البكسل:

• انقطاعات العمود السطحي: عندما يلتقي سطحان بزاوية، مثل زاوية جدار أو حافة صندوق، ينتج عن هذا التغير الحاد في الاتجاه حد فاصل واضح في الصورة.
• انقطاعات العمق: تظهر حيث تكون الأجسام على مسافات مختلفة من الكاميرا، فتنتج فاصلًا مرئيًا يساعد النظام على تمييزها.
• تغيرات لون السطح أو نسيجه: يحدث ذلك عندما تختلف منطقة ما في اللون أو النسيج عن المنطقة المجاورة، مما ينشئ فاصلًا مرئيًا.
• تغيرات الإضاءة: تنتج عن تغيرات الإضاءة، بما في ذلك الظلال أو اللمعان على الأسطح، فتُنشئ فواصل مرئية حتى عندما تكون الأسطح نفسها ملساء أو متصلة.

الشكل 2. أنواع مختلفة من انقطاعات الحواف في الصور. (المصدر)

كيف يعمل التعرّف على الحواف#

يبدأ اكتشاف الحواف عادةً بتحويل الصورة الملونة إلى صورة بتدرج الرمادي، بحيث تعرض كل نقطة السطوع فقط. وهذا يسهل على الخوارزمية التركيز على الفروق بين الفاتح والداكن بدلًا من اللون.

بعد ذلك، يمكن لمرشحات خاصة مسح الصورة للعثور على المواضع التي يتغير فيها السطوع فجأة. وتحسب هذه المرشحات مدى انحدار تغير السطوع، ويُسمى ذلك التدرج. وينتج التدرج الأعلى عن فرق أكبر بين النقاط المتجاورة، وهو ما يشير غالبًا إلى وجود حافة.

تواصل الخوارزمية بعد ذلك تحسين الصورة، فتزيل التفاصيل الصغيرة وتحافظ على الخطوط والأشكال الأهم فقط. والنتيجة هي مخطط واضح وصورة مخرجات يمكن استخدامها لمزيد من التحليل.

تطور اكتشاف الحواف ومعالجة الصور#

قبل أن نتعمق في اكتشاف الحواف، دعونا نناقش كيفية تطوره بمرور الوقت.

بدأت معالجة الصور بطرائق بسيطة قائمة على القواعد، مثل تحديد العتبة والترشيح، لتنقية الصور وتحسينها. وفي العصر التناظري، كان ذلك يعني التعامل مع الصور الفوتوغرافية أو الأفلام باستخدام المرشحات البصرية، والمكبرات، أو المعالجات الكيميائية لإبراز التفاصيل.

ساعدت تقنيات مثل ضبط التباين، وتقليل الضوضاء، وضبط شدة الصورة، واكتشاف الحواف الأساسي على جعل الصور المدخلة أوضح وإبراز الأشكال والأنسجة. وفي الستينيات والسبعينيات، أتاح الانتقال من المعالجة التناظرية إلى الرقمية الطريق للتحليل الحديث في مجالات مثل علم الفلك، والتصوير الطبي، ومراقبة الأقمار الصناعية.

وبحلول الثمانينيات والتسعينيات، أتاحت الحواسيب الأسرع معالجة مهام أكثر تعقيدًا، مثل استخراج السمات، واكتشاف الأشكال، والتعرّف الأساسي على الأجسام. وقدمت خوارزميات مثل مؤثر Sobel وCanny اكتشافًا أدق للحواف، بينما وجد التعرّف على الأنماط تطبيقات في كل شيء، بدءًا من الأتمتة الصناعية ووصولًا إلى قراءة النصوص المطبوعة عبر التعرّف البصري على الحروف.

اكتشاف الحواف والرؤية الحاسوبية في القرن الحادي والعشرين#

أدت التطورات المستمرة في التكنولوجيا اليوم إلى تطوير الرؤية الحاسوبية. وتُعد Vision AI، أو الرؤية الحاسوبية، فرعًا من AI يركز على تعليم الآلات تفسير المعلومات المرئية وفهمها.

في حين اتبعت معالجة الصور التقليدية، مثل تحديد العتبة المزدوج (الذي يجعل الصور أوضح من خلال الإبقاء على الحواف القوية وإزالة الضعيفة) واكتشاف الحواف، قواعد ثابتة ولم تتمكن إلا من التعامل مع مهام محددة، تستخدم الرؤية الحاسوبية نماذج قائمة على البيانات يمكنها التعلم من الأمثلة والتكيف مع المواقف الجديدة.

أما اليوم، فتتجاوز أنظمة التصوير كثيرًا مجرد تحسين الصور أو اكتشاف الحواف. إذ يمكنها التعرّف على الأجسام، وتتبع الحركة، وفهم سياق المشهد بأكمله.

تُعد الالتفافات إحدى التقنيات الأساسية التي تجعل ذلك ممكنًا. وعملية الالتفاف هي إجراء تمسح فيه مرشحات صغيرة، تُسمى أيضًا النوى، الصورة للعثور على أنماط مهمة مثل الحواف والزوايا والأنسجة. وتصبح هذه الأنماط اللبنات الأساسية التي تستخدمها نماذج الرؤية الحاسوبية للتعرّف على الأجسام وفهمها.

فعلى سبيل المثال، تستخدم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 هذه السمات القائمة على الالتفاف لتنفيذ مهام متقدمة مثل تجزئة المثيلات. ويرتبط ذلك ارتباطًا وثيقًا باكتشاف الحواف، لأن تجزئة المثيلات تتطلب رسم حدود كل جسم في الصورة بدقة.

يركز اكتشاف الحواف على العثور على تغيرات الشدة في بكسلات الحواف لتحديد حواف الأجسام، بينما تبني تجزئة المثيلات على هذه الفكرة لاكتشاف الحواف، وتصنيف كل جسم، وفصله في منطقة خاصة به.

الشكل 3. نظرة على استخدام Ultralytics YOLO11 وتجزئة المثيلات. (المصدر)

خوارزميات وأساليب اكتشاف الحواف#

حتى مع نمو الرؤية الحاسوبية، تظل معالجة الصور جزءًا مهمًا من العديد من التطبيقات. ويرجع ذلك إلى أن الرؤية الحاسوبية غالبًا ما تبني على خطوات المعالجة المسبقة الأساسية للصور.

قبل اكتشاف الأجسام أو فهم المشهد، تنظف الأنظمة الصورة عادةً، وتقلل الضوضاء، وتكتشف الحواف لإبراز التفاصيل الأساسية. وتجعل هذه الخطوات النماذج المتقدمة أكثر دقة وكفاءة.

والآن، لنستكشف بعض خوارزميات معالجة الصور الأكثر شيوعًا المستخدمة لاكتشاف الحواف وكيفية عملها.

اكتشاف الحواف باستخدام Sobel#

يُعد اكتشاف الحواف باستخدام Sobel طريقة أساسية تُستخدم للعثور على مخططات الأجسام في الصورة. وبدلًا من تحليل كل التفاصيل دفعة واحدة، يركز على المناطق التي يتغير فيها السطوع بحدة من بكسل إلى البكسل المجاور التالي.

تشير هذه التحولات المفاجئة عادةً إلى النقطة التي ينتهي عندها جسم ويبدأ آخر، أو إلى موضع التقاء جسم بالخلفية. ومن خلال عزل هذه الحواف، يحول Sobel صورة معقدة إلى مخطط أوضح يسهل على الأنظمة الأخرى معالجته لمهام مثل تتبع الحركة، واكتشاف الأشكال، أو التعرّف على الأجسام.

يمكنك التفكير في اكتشاف الحواف باستخدام Sobel على أنه كاشف للتدرج يقيس كيفية تغير الشدة عبر الصورة. ويعمل ذلك في جوهره من خلال عملية التفاف: إذ تُمرر مصفوفات صغيرة، تُسمى النوى، عبر الصورة وتُحسب المجاميع الموزونة لقيم وحدات البكسل المجاورة.

صُممت هذه النوى لإبراز التغيرات في السطوع على امتداد الاتجاهين الأفقي والرأسي. وعلى خلاف نماذج التعلم العميق، التي تتعلم النوى من البيانات، يستخدم Sobel نوى ثابتة لإبراز الحواف بكفاءة من دون الحاجة إلى التدريب.

فيما يلي نظرة أقرب على كيفية عمل طريقة اكتشاف الحواف باستخدام Sobel:

• استخدام مرشحين بحجم 3×3: تستخدم هذه الطريقة شبكتي 3×3 صغيرتين، تُسميان مرشحين. ويمكن تخيلهما كقالبين ينزلقان فوق الصورة في الاتجاه الأفقي (اتجاه x) والرأسي (اتجاه y). صُممت إحدى الشبكتين للعثور على الحواف الأفقية، والأخرى للعثور على الحواف الرأسية.
• حساب التدرج: يحدد كل مرشح سرعة تغير السطوع واتجاه التدرج. ويعني التغير الكبير وجود حافة محتملة.
• دمج النتائج: تُدمج النتائج الأفقية والرأسية لتحديد قوة الحافة الكلية واتجاهها عند كل بكسل.
• اكتشاف الحواف: تُعلَّم وحدات البكسل ذات مقدار التدرج المرتفع باعتبارها حواف قوية.
• رسم الحدود: تساعد هذه الحواف على تحديد أشكال الأجسام وفصل المناطق المختلفة في الصورة.

الشكل 4. يمكن لاكتشاف الحواف باستخدام Sobel إبراز المخططات الرئيسية للصورة المدخلة وإنشاء خريطة للحواف. (المصدر)

اكتشاف الحواف باستخدام Canny#

يُعد اكتشاف الحواف باستخدام Canny طريقة شائعة أخرى للعثور على الحواف في الصورة. ويشتهر بإنتاج مخططات نظيفة ودقيقة. وعلى خلاف تقنيات اكتشاف الحواف الأساسية، فإنه يتبع سلسلة من الخطوات المصممة بعناية لترشيح الضوضاء، وشحذ الحدود، والتركيز على الحواف الأهم.

فيما يلي نظرة سريعة على كيفية عمل كاشف الحواف Canny:

• تنعيم الصورة: تُموَّه الصورة أولًا باستخدام مرشح Gaussian، وهي تقنية تنعيم تقلل الضوضاء والتفاصيل الصغيرة التي قد يُخطأ في اعتبارها حواف.
• اكتشاف تغيرات السطوع: تمسح الخوارزمية بعد ذلك التغيرات الحادة في السطوع، باستخدام حسابات التدرج لقياس قوة تلك التغيرات واتجاهها.
• ترقيق الحواف: لا يُحتفظ إلا بأقوى النقاط على امتداد كل خط مكتشف، بينما تُزال النقاط الأضعف، مما ينتج حواف واضحة ونظيفة.
• تصنيف الحواف: تُصنَّف كل بكسلة على أنها حافة قوية أو ضعيفة أو ليست حافة، استنادًا إلى قيم عتبة تغير السطوع.
• التنقية النهائية: يُحتفظ بالحواف الضعيفة المتصلة بالحواف القوية، بينما تُهمل جميع الحواف الأخرى، فلا تبقى إلا الحدود الواضحة والمتصلة.

الشكل 5. الصورة الأصلية وصورة المخرجات المقابلة لها بعد استخدام كاشف الحواف Canny. (المصدر)

نظرًا إلى أن اكتشاف الحواف باستخدام Canny يقدم نتائج دقيقة مع ترشيح الضوضاء، فإنه يُستخدم على نطاق واسع في المجالات التي تهم فيها الدقة. فعلى سبيل المثال، يُستخدم في مجالات مثل التصوير الطبي، ورسم خرائط الأقمار الصناعية، ومسح المستندات، والرؤية الروبوتية.

اكتشاف الحواف القائم على التدرج مقابل القائم على Gaussian#

حتى الآن، تناولنا مثالين لاكتشاف الحواف، هما Sobel وCanny. وعلى الرغم من أن كليهما يهدف إلى العثور على الحواف، فإنهما يتعاملان مع المشكلة بطريقة مختلفة.

تكتشف الأساليب القائمة على التدرج (مثل Sobel وPrewitt وScharr) الحواف من خلال البحث عن التغيرات الحادة في السطوع، والمعروفة باسم التدرج. وتمسح الصورة وتحدد المواضع التي يكون فيها هذا التغير أقوى ما يمكن. وهذه الأساليب بسيطة وسريعة وتعمل جيدًا عندما تكون الصور واضحة. لكنها حساسة للضوضاء؛ إذ قد يُخطأ في اعتبار التغيرات الطفيفة في السطوع حوافًا.

تضيف الأساليب القائمة على Gaussian (مثل Canny أو Laplacian of Gaussian) خطوة إضافية لمعالجة هذه المشكلة، وهي تمويه الصورة أولًا. ويقلل هذا التنعيم، الذي يُجرى غالبًا باستخدام مرشح Gaussian، التغيرات الصغيرة التي قد تنشئ حواف زائفة. وبعد التنعيم، تواصل هذه الأساليب البحث عن التغيرات الحادة في السطوع، لكن النتائج تكون أنظف وأكثر دقة في الصور المشوشة أو منخفضة الجودة.

الشكل 6. اكتشاف الحواف القائم على التدرج مقابل القائم على Gaussian. الصورة من إعداد المؤلف.

تطبيقات اكتشاف الحواف في العالم الواقعي#

بعد أن تعرفنا بشكل أفضل على كيفية عمل اكتشاف الحواف، دعونا نستكشف كيفية تطبيقه في مواقف العالم الواقعي.

استخدام اكتشاف الحواف لتحديد الشقوق#

غالبًا ما يمثل فحص الهياكل الخرسانية الكبيرة، مثل الجسور والمباني الشاهقة، مهمة صعبة وخطيرة. فقد تمتد هذه الهياكل لمسافات طويلة أو تصل إلى ارتفاعات كبيرة، مما يجعل عمليات الفحص التقليدية بطيئة ومكلفة ومحفوفة بالمخاطر. كما تتطلب هذه الفحوص عادةً سقالات، أو وصولًا بالحبال، أو قياسات يدوية عن قرب، أو التصوير الفوتوغرافي.

في عام 2019، دُرست طريقة مثيرة للاهتمام، إذ اختبر الباحثون أسلوبًا أكثر أمانًا وسرعة باستخدام طائرات مسيّرة مزودة بكاميرات عالية الدقة لالتقاط صور مدخلة تفصيلية للأسطح الخرسانية. ثم عولجت هذه الصور باستخدام تقنيات مختلفة لـاكتشاف الحواف لتحديد الشقوق تلقائيًا.

أظهرت الدراسة أن هذه الطريقة قللت بدرجة كبيرة الحاجة إلى وصول البشر مباشرةً إلى المناطق الخطرة وسرّعت عمليات الفحص. إلا أن دقتها ظلت تعتمد على عوامل مثل ظروف الإضاءة، ووضوح الصورة، واستقرار تشغيل الطائرة المسيّرة. وفي بعض الحالات، ظلت المراجعة البشرية ضرورية للتخلص من الإيجابيات الكاذبة.

تطبيق اكتشاف الحواف في التصوير الطبي#

غالبًا ما تحتوي الأشعة السينية وصور الرنين المغناطيسي على اضطرابات مرئية تُعرف باسم الضوضاء، مما قد يجعل رؤية التفاصيل الدقيقة أكثر صعوبة. ويمثل ذلك تحديًا للأطباء عند محاولة اكتشاف حواف ورم، أو تتبع مخطط عضو، أو مراقبة التغيرات الطفيفة بمرور الوقت.

اختبرت دراسة حديثة في مجال التصوير الطبي مدى تعامل طرق اكتشاف الحواف الشائعة، مثل Sobel وCanny وPrewitt وLaplacian، مع الصور المشوشة. وأضاف الباحثون أنواعًا ومستويات مختلفة من الضوضاء إلى الصور، وتحققوا من مدى دقة كل طريقة في رسم مخططات السمات المهمة.

أنتج Canny عادةً أنظف الحواف، حتى عندما كانت الضوضاء شديدة، لكنه لم يكن الأفضل في كل حالة. فقد عملت بعض الطرق بشكل أفضل مع أنماط معينة من الضوضاء، ولذلك لا يوجد حل مثالي واحد.

الشكل 7. يوفر Canny (d–f) حواف أوضح من Sobel (g–i) مع زيادة الضوضاء. (المصدر)

يوضح ذلك سبب أهمية تقنيات مثل الرؤية الحاسوبية. فمن خلال الجمع بين الخوارزميات المتقدمة ونماذج Vision AI، يمكن لهذه الحلول تجاوز اكتشاف الحواف الأساسي وتقديم نتائج أدق وأكثر موثوقية حتى في الظروف الصعبة.

مزايا اكتشاف الحواف#

فيما يلي بعض فوائد استخدام اكتشاف الحواف ومعالجة الصور:

• ضغط بيانات أفضل: يتيح اكتشاف الحواف تمثيل الصور باستخدام السمات الأساسية فقط، مما يقلل حجم الملف مع الاحتفاظ بالمعلومات الضرورية. وهذا يجعل التخزين والنقل أكثر كفاءة.
• تحديد موضع الأجسام بدقة أكبر: من خلال تحديد حدود الأجسام بدقة، يحسن اكتشاف الحواف قدرة الأنظمة على تحديد مواقع الأجسام وتتبعها، مما يفيد تطبيقات مثل AI في الروبوتات والرَكبات ذاتية القيادة.
• اكتشاف السمات متعدد المقاييس: يمكن لتقنيات اكتشاف الحواف تحليل الصور على مقاييس مختلفة، والتقاط التفاصيل الصغيرة والأشكال الأكبر على حد سواء. وتفيد هذه المرونة في مهام متنوعة، بدءًا من تحليل النسيج ووصولًا إلى فهم المشهد.

قيود استخدام معالجة الصور لاكتشاف الحواف#

على الرغم من وجود فوائد عديدة لاكتشاف الحواف في معالجة الصور، فإنه ينطوي أيضًا على بعض التحديات. فيما يلي بعض القيود الأساسية التي ينبغي مراعاتها:

• مشكلات الأنسجة المعقدة: في الصور التي تحتوي على أنماط معقدة أو متكررة، ينتج اكتشاف الحواف غالبًا العديد من الحواف الكاذبة أو غير ذات الصلة، مما يعقد التحليل اللاحق ويقلل الموثوقية.
• الحساسية للإضاءة: قد تتسبب التغيرات في السطوع والظلال والانعكاسات في تفسير كاشفات الحواف لتغيرات الإضاءة على أنها حدود للأجسام، مما يؤدي إلى نتائج غير متسقة.
• عدم تحديد الأجسام: في حين تبرز الحواف مواضع بداية الأجسام ونهايتها، فإنها لا توضح ماهية هذه الأجسام. ويلزم إجراء معالجة إضافية لإسناد معنى أو تسميات إلى الحواف المكتشفة.

متى يمكن استخدام الرؤية الحاسوبية لاكتشاف الحواف#

يستوحي اكتشاف الحواف آليته من كيفية تعاون أعيننا وأدمغتنا لفهم العالم. وفي الرؤية البشرية، تكون الخلايا العصبية المتخصصة في القشرة البصرية شديدة الحساسية للحواف والخطوط والحدود.

تساعدنا هذه الإشارات المرئية على تحديد موضع انتهاء جسم وبدء آخر بسرعة. ولهذا يمكن التعرّف فورًا على رسم خطي بسيط؛ إذ يعتمد دماغنا بدرجة كبيرة على الحواف لتحديد الأشكال والأجسام.

تهدف الرؤية الحاسوبية إلى محاكاة هذه القدرة، لكنها تتجاوزها خطوة أخرى. فنماذج مثل Ultralytics YOLO11 تتجاوز إبراز الحواف الأساسي وتحسين الصور. ويمكنها اكتشاف الأجسام، ورسم مخططات دقيقة لها، وتتبع الحركة في الوقت الفعلي. ويجعلها هذا المستوى الأعمق من الفهم ضروريةً في السيناريوهات التي لا يكفي فيها اكتشاف الحواف وحده.

استخدام Ultralytics YOLO11 لاكتشاف الحواف بدقة أكبر#

فيما يلي بعض مهام الرؤية الحاسوبية الأساسية التي يدعمها Ultralytics YOLO11، والتي تبني على اكتشاف الحواف وتتجاوزه:

• اكتشاف الأجسام: يحدد عدة أجسام في صورة أو مقطع فيديو ويحدد مواقعها من خلال رسم مربعات إحاطة حول كل جسم، مما يوفر رؤية واضحة لما هو موجود وموضع كل جسم.
• تجزئة المثيلات: تتضمن تفكيك الأجسام إلى مستوى البكسل، وإنتاج مخططات واضحة ودقيقة حتى عندما تتداخل الأجسام أو تكون أشكالها غير منتظمة.
• تقدير الوضعية: يتمثل الهدف هنا في تحديد موضع جسم أو شخص واتجاهه أو وضعيته، مما يساعد على مراقبة الحركة أو اكتشاف التغيرات الهيكلية بمرور الوقت.
• تتبّع الأجسام: تتابع هذه المهمة جسمًا أثناء تحركه عبر إطارات الفيديو، مما يضمن تحديد هويته باستمرار لإجراء مراقبة دقيقة طويلة الأمد.
• تصنيف الصور: تُسنِد هذه العملية تسميات إلى الأجسام أو الصور بأكملها استنادًا إلى خصائصها المرئية، مما يسهّل تنظيم مجموعات البيانات الكبيرة وتفسيرها.

اكتشاف الحواف في البنية التحتية باستخدام الرؤية الحاسوبية#

من الأمثلة الجيدة على تعزيز الرؤية الحاسوبية لتطبيق كان يعتمد تقليديًا على اكتشاف الحواف، اكتشاف التشققات في البنية التحتية والأصول الصناعية. ويمكن تدريب نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 على تحديد التشققات بدقة في الطرق والجسور وخطوط الأنابيب. ويمكن تطبيق التقنية نفسها أيضًا في صيانة الطائرات، وفحص المباني، ومراقبة الجودة في التصنيع، مما يساعد على تسريع عمليات الفحص وتحسين السلامة.

الشكل 8. مثال على استخدام YOLO11 لتقسيم التشققات. (المصدر)

أهم النقاط المستخلصة#

لقد قطع اكتشاف الحواف شوطًا طويلًا، بدءًا من الأساليب المبكرة البسيطة ووصولًا إلى التقنيات المتقدمة القادرة على رصد الحدود الدقيقة حتى في الصور المعقدة. فهو يساعد على إبراز التفاصيل المهمة، وتسليط الضوء على المناطق الرئيسية، وتهيئة الصور لإجراء تحليل أعمق، مما يجعله جزءًا أساسيًا من معالجة الصور.

في مجال الرؤية الحاسوبية، يؤدي اكتشاف الحواف دورًا مهمًا في تحديد الأشكال، وفصل الأجسام، واستخراج المعلومات المفيدة. ويُستخدم في مجالات عديدة مثل التصوير الطبي، وعمليات الفحص الصناعي، والقيادة الذاتية، والأمن، لتوفير فهم بصري دقيق وموثوق.

انضم إلى مجتمعنا واستكشف مستودع GitHub الخاص بنا لمعرفة المزيد عن AI. وإذا كنت تتطلع إلى بدء مشروعك الخاص في مجال الرؤية باستخدام AI، فاطّلع على خيارات الترخيص. تعرّف على المزيد حول تطبيقات مثل AI في الرعاية الصحية والرؤية باستخدام AI في قطاع التجزئة من خلال زيارة صفحات حلولنا.