بالنقر على "قبول جميع ملفات تعريف الارتباط"، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين تصفح الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. المزيد من المعلومات
إعدادات ملفات تعريف الارتباط
بالنقر على "قبول جميع ملفات تعريف الارتباط"، فإنك توافق على تخزين ملفات تعريف الارتباط على جهازك لتحسين تصفح الموقع وتحليل استخدام الموقع والمساعدة في جهودنا التسويقية. المزيد من المعلومات
نحن كبشر، نتعرف بشكل طبيعي على حواف الأجسام ونتتبع منحنياتها ونلاحظ القوام على أسطحها عند النظر إلى صورة ما. لكن بالنسبة للكمبيوتر، يبدأ الفهم على مستوى البكسلات الفردية.
البكسل، وهو أصغر وحدة في الصورة الرقمية، يخزن اللون والسطوع في نقطة واحدة. من خلال تتبع التغييرات في قيم البكسل هذه عبر الصورة، يمكن للكمبيوتر اكتشاف الأنماط التي تكشف عن التفاصيل الرئيسية.
على وجه الخصوص، تستخدم معالجة الصور بيانات البكسل للتأكيد على الميزات الأساسية وإزالة الانحرافات. إحدى تقنيات معالجة الصور الشائعة هي اكتشاف الحواف التي تحدد النقاط التي يتغير فيها السطوع أو اللون بشكل حاد لتحديد الأجسام وتمييز الحدود وإضافة البنية.
يمكّن ذلك أجهزة الكمبيوتر من فصل الأشكال وقياس الأبعاد وتفسير كيفية اتصال أجزاء المشهد. غالباً ما يكون اكتشاف الحواف هو الخطوة الأولى في التحليل المتقدم للصور.
الشكل 1. مثال يوضح الصورة الأصلية جنبًا إلى جنب مع مخرجات طرق مختلفة للكشف عن الحواف.(المصدر)
في هذه المقالة، سنلقي نظرة على ماهية اكتشاف الحواف وكيفية عمله وتطبيقاته في العالم الحقيقي. لنبدأ!
مفاهيم اكتشاف الحواف
يركز اكتشاف الحواف على البحث عن الأماكن في الصورة حيث يتغير السطوع أو اللون بشكل ملحوظ من نقطة إلى أخرى. إذا كان التغيير صغيراً، تظهر المنطقة ناعمة. أما إذا كان التغيير حاداً، فغالباً ما يمثل الحد الفاصل بين منطقتين مختلفتين.
فيما يلي بعض أسباب حدوث هذه التغييرات في البكسل:
الانقطاعات العمودية السطحية: عندما يلتقي سطحان بزاوية، مثل زاوية حائط أو حافة صندوق، ينتج عن هذا التغير الحاد في الاتجاه حدود واضحة في الصورة.
انقطاعات العمق: تظهر عندما تكون الأجسام على مسافات مختلفة من الكاميرا، مما ينتج عنه فصل مرئي يساعد النظام على تمييزها.
تغيرات في لون السطح أو الملمس: يحدث هذا عندما يكون لون أو ملمس منطقة ما مختلفاً عن المنطقة المجاورة، مما يخلق انفصالاً مرئياً.
تغيرات الإضاءة: تنشأ من تغيرات الإضاءة، بما في ذلك الظلال أو الإضاءات على الأسطح، مما يخلق فواصل مرئية حتى عندما تكون الأسطح نفسها ملساء أو متصلة.
الشكل 2. أنواع مختلفة من انقطاع الحواف في الصور.(المصدر)
كيف يعمل التعرف على اكتشاف الحواف
يبدأ اكتشاف الحواف عادةً بتحويل الصورة الملونة إلى صورة ذات تدرج رمادي، بحيث تظهر كل نقطة سطوعًا فقط. هذا يجعل من الأسهل على الخوارزمية التركيز على الاختلافات الفاتحة والداكنة بدلاً من الألوان.
بعد ذلك، يمكن لمرشحات خاصة مسح الصورة للعثور على الأماكن التي يتغير فيها السطوع فجأة. تقوم هذه المرشحات بحساب مدى انحدار تغيرات السطوع بشكل حاد، وهو ما يسمى التدرج. ينتج التدرج الأعلى عن اختلاف أكبر بين النقاط القريبة، وهو ما يشير غالبًا إلى وجود حافة.
ثم تستمر الخوارزمية في تنقيح الصورة وإزالة التفاصيل الصغيرة والاحتفاظ فقط بالخطوط والأشكال الأكثر أهمية. والنتيجة هي مخطط واضح ومخرجات صورة يمكن استخدامها لمزيد من التحليل.
تطور اكتشاف الحواف ومعالجة الصور
قبل أن نتعمق في اكتشاف الحواف بمزيد من التفصيل، دعنا نناقش كيفية تطورها بمرور الوقت.
بدأت معالجة الصور بأساليب بسيطة قائمة على القواعد مثل تحديد العتبة والتصفية لتنظيف الصور وتحسينها. في الحقبة التناظرية، كان هذا يعني العمل على الصور الفوتوغرافية أو الأفلام باستخدام مرشحات بصرية أو مكبرات أو معالجات كيميائية لإبراز التفاصيل.
ساعدت تقنيات مثل ضبط التباين وتقليل الضوضاء وضبط شدة الصورة والكشف عن الحواف الأساسية في جعل الصور المدخلة أكثر وضوحاً وإبراز الأشكال والقوام. في الستينيات والسبعينيات من القرن الماضي، فتح التحول من المعالجة التناظرية إلى المعالجة الرقمية الطريق أمام التحليل الحديث في مجالات مثل علم الفلك والتصوير الطبي ورصد الأقمار الصناعية.
وبحلول الثمانينيات والتسعينيات من القرن الماضي، أتاحت أجهزة الكمبيوتر الأسرع إمكانية معالجة مهام أكثر تعقيدًا مثل استخراج السمات واكتشاف الأشكال والتعرف على الأشياء الأساسية. وقدمت خوارزميات مثل مشغل Sobel و Canny اكتشافًا أكثر دقة للحواف، في حين وجد التعرف على الأنماط تطبيقات في كل شيء بدءًا من الأتمتة الصناعية إلى قراءة النصوص المطبوعة من خلال التعرف البصري على الحروف.
اكتشاف الحواف والرؤية الحاسوبية في القرن الحادي والعشرين
واليوم، أدى التقدم المطرد في التكنولوجيا إلى تطوير الرؤية الحاسوبية. الذكاء الاصطناعي البصري أو الرؤية الحاسوبية هو فرع من الذكاء الاصطناعي يركز على تعليم الآلات تفسير المعلومات البصرية وفهمها.
بينما تتبع المعالجة التقليدية للصور، مثل الحد المزدوج للعتبة (الذي يجعل الصور أكثر وضوحًا عن طريق الحفاظ على الحواف القوية وإزالة الحواف الضعيفة) واكتشاف الحواف قواعد ثابتة ويمكنها التعامل مع مهام محددة فقط، تستخدم الرؤية الحاسوبية نماذج تعتمد على البيانات يمكنها التعلم من الأمثلة والتكيف مع المواقف الجديدة.
في الوقت الحاضر، تتجاوز أنظمة التصوير في الوقت الحاضر مجرد تحسين الصور أو اكتشاف الحواف. حيث يمكنها التعرف على الأجسام وتتبع الحركة وفهم سياق المشهد بأكمله.
أحد التقنيات الرئيسية التي تجعل هذا الأمر ممكناً هو الالتفاف. عملية الالتفاف هي عملية تقوم فيها مرشحات صغيرة (تُسمى أيضًا النواة) بمسح الصورة للعثور على أنماط مهمة مثل الحواف والزوايا والأنسجة. تصبح هذه الأنماط اللبنات الأساسية التي تستخدمها نماذج الرؤية الحاسوبية للتعرف على الأشياء وفهمها.
على سبيل المثال، تستخدم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 هذه الميزات القائمة على التلافيف لأداء مهام متقدمة مثل تجزئة المثيل. يرتبط هذا الأمر ارتباطًا وثيقًا باكتشاف الحواف لأن تجزئة المثيل تتطلب تحديد حدود كل كائن في الصورة بدقة.
بينما يركز اكتشاف الحواف على العثور على تغيرات الشدة في بكسلات الحواف لتمييز حواف الكائن، يعتمد تجزئة المثيل على هذه الفكرة لاكتشاف الحواف وتصنيفها وفصل كل كائن إلى منطقته الخاصة.
الشكل 3. نظرة على استخدام YOLO11 وتجزئة المثيل.(المصدر)
خوارزميات وأساليب اكتشاف الحواف
حتى مع نمو الرؤية الحاسوبية، لا تزال معالجة الصور جزءًا مهمًا من العديد من التطبيقات. ذلك لأن الرؤية الحاسوبية غالباً ما تعتمد على خطوات المعالجة المسبقة للصور الأساسية.
قبل اكتشاف الأجسام أو فهم المشهد، عادةً ما تقوم الأنظمة بتنظيف الصورة وتقليل التشويش وإيجاد الحواف لإبراز التفاصيل الرئيسية. هذه الخطوات تجعل النماذج المتقدمة أكثر دقة وفعالية.
بعد ذلك، دعنا نستكشف بعض خوارزميات معالجة الصور الأكثر شيوعًا المستخدمة للكشف عن الحواف وكيفية عملها.
اكتشاف حافة سوبيل
يُعد اكتشاف حافة Sobel طريقة أساسية تُستخدم للعثور على الخطوط العريضة للأجسام في الصورة. بدلاً من تحليل كل التفاصيل في آنٍ واحد، فهي تركز على المناطق التي يتغير فيها السطوع بشكل حاد من بكسل إلى البكسل المجاور التالي.
عادةً ما تحدد هذه التحولات المفاجئة النقطة التي ينتهي عندها جسم ما ويبدأ جسم آخر، أو حيث يلتقي جسم ما بالخلفية. من خلال عزل هذه الحواف، يحول سوبيل الصورة المعقدة إلى مخطط أنظف يسهل على الأنظمة الأخرى معالجتها لمهام مثل تتبع الحركة أو اكتشاف الأشكال أو التعرف على الأجسام.
يمكنك التفكير في اكتشاف حافة Sobel على أنه كاشف تدرّج يقيس كيفية تغيّر الشدة عبر الصورة. يعمل هذا في جوهره من خلال عملية التلافيف: تمرير مصفوفات صغيرة، تُسمى النواة، عبر الصورة وحساب المجاميع المرجحة لقيم البكسل المجاورة.
تم تصميم هذه النواة للتأكيد على التغيرات في السطوع على طول الاتجاهات الأفقية والرأسية. على عكس نماذج التعلّم العميق، حيث يتم تعلّم النواة من البيانات، تستخدم Sobel نواة ثابتة لإبراز الحواف بكفاءة دون الحاجة إلى التدريب.
إليك نظرة عن كثب على كيفية عمل طريقة Sobel للكشف عن الحواف:
استخدام مرشحين 3×3: تستخدم هذه الطريقة شبكتين صغيرتين 3×3 تسمى مرشحات. اعتبرهما مثل الإستنسل الذي ينزلق فوق الصورة في الاتجاهين الأفقي (الاتجاه السيني) والرأسي (الاتجاه الصادي). إحدى الشبكتين مصممة للعثور على الحواف الأفقية، والأخرى للحواف الرأسية.
حساب التدرج: يجد كل مرشح مدى سرعة تغير السطوع واتجاه التدرج. التغيير الكبير يعني حافة محتملة.
دمج النتائج: يتم دمج النتائج الأفقية والرأسية لتحديد قوة الحافة الكلية واتجاهها عند كل بكسل.
اكتشاف الحواف: يتم تمييز وحدات البكسل ذات مقدار التدرج العالي كحواف قوية.
تحديد الحدود: تساعد هذه الحواف في تحديد أشكال الكائنات وفصل المناطق المختلفة في الصورة.
الشكل 4. يمكن للكشف عن حافة Sobel إبراز الخطوط العريضة الرئيسية للصورة المدخلة وإنتاج خريطة حافة. (المصدر)
اكتشاف الحافة الخفية
يعد اكتشاف الحافة الخفية طريقة شائعة أخرى للعثور على الحواف في الصورة. وهي معروفة بإنتاج حدود واضحة ودقيقة. على عكس تقنيات الكشف عن الحواف الأساسية، فهي تتبع سلسلة من الخطوات المصممة بعناية لتصفية الضوضاء وشحذ الحدود والتركيز على الحواف الأكثر أهمية.
إليك نظرة عامة سريعة على كيفية عمل كاشف الحواف Canny:
تنعيم الصورة: يتم أولاً تمويه الصورة باستخدام مرشح غاوسي، وهي تقنية تنعيم تقلل من الضوضاء والتفاصيل الصغيرة التي يمكن أن تُعتبر خطأً حوافاً.
اكتشاف تغيرات السطوع: تقوم الخوارزمية بعد ذلك بالبحث عن التغييرات الحادة في السطوع، باستخدام حسابات التدرج لقياس قوة تلك التغييرات واتجاهها.
ترقق الحواف: يتم الاحتفاظ بالنقاط الأقوى فقط على طول كل خط مكتشف، بينما تتم إزالة النقاط الأضعف، مما ينتج عنه حواف واضحة ونقية.
تصنيف الحواف: يتم تصنيف كل بكسل على أنه حافة قوية أو ضعيفة أو ليست حافة، بناءً على قيم عتبة تغير السطوع.
التنظيف النهائي: يتم الاحتفاظ بالحواف الضعيفة المتصلة بالحواف القوية؛ ويتم تجاهل جميع الحواف الأخرى، ولا يتبقى سوى الحدود الواضحة المتصلة.
الشكل 5. الصورة الأصلية وصورة الإخراج الخاصة بها بعد استخدام كاشف الحواف Canny.(المصدر)
نظرًا لأنه يقدم نتائج دقيقة أثناء تصفية الضوضاء، يتم استخدام تقنية Canny للكشف عن الحواف على نطاق واسع في المجالات التي تكون فيها الدقة مهمة. على سبيل المثال، يتم استخدامه في صناعات مثل التصوير الطبي، ورسم خرائط الأقمار الصناعية، والمسح الضوئي للمستندات، والرؤية الروبوتية.
الكشف عن الحواف القائم على التدرج مقابل الكشف عن الحواف القائم على الغاوسي
حتى الآن، المثالان اللذان نظرنا إليهما حتى الآن هما Sobel و Canny. في حين أن كلاهما يهدف إلى العثور على الحواف، إلا أنهما يتعاملان مع المشكلة بشكل مختلف.
تكتشف الأساليب القائمة على التدرج (مثل Sobel وPrewitt وScharr) الحواف من خلال البحث عن التغيرات الحادة في السطوع، والمعروفة باسم التدرج. فهي تفحص الصورة وتحدد الأماكن التي يكون فيها هذا التغيير أقوى. هذه الطرق بسيطة وسريعة وتعمل بشكل جيد عندما تكون الصور واضحة. ومع ذلك، فهي حساسة للتشويش، حيث يمكن الخلط بين الاختلافات الطفيفة في السطوع وبين الحواف.
تضيف الطرق المستندة إلى غاوسي (مثل Canny أو Laplacian of Gaussian) خطوة إضافية للتعامل مع هذه المشكلة: تشويش الصورة أولاً. هذا التنعيم، الذي غالبًا ما يتم باستخدام مرشح غاوسي، يقلل من الاختلافات الصغيرة التي يمكن أن تخلق حوافًا زائفة. بعد التنعيم، لا تزال هذه الطرق تبحث عن تغيرات السطوع الحادة، لكن النتائج تكون أنظف وأكثر دقة للصور المشوشة أو منخفضة الجودة.
الشكل 6. كشف الحافة القائم على التدرج مقابل كشف الحافة القائم على الغاوسي. الصورة للمؤلف.
التطبيقات الواقعية لاكتشاف الحواف
من خلال فهم أفضل لكيفية عمل اكتشاف الحافة، دعنا نستكشف كيفية تطبيقه في المواقف الواقعية.
استخدام كشف الحواف لتحديد التشققات
غالبًا ما يكون فحص الهياكل الخرسانية الكبيرة، مثل الجسور والمباني الشاهقة، مهمة صعبة وخطيرة. يمكن أن تمتد هذه الهياكل لمسافات طويلة أو تصل إلى ارتفاعات عالية، مما يجعل عمليات الفحص التقليدية بطيئة ومكلفة ومحفوفة بالمخاطر. كما تتطلب عمليات الفحص هذه عادةً سقالات أو الوصول بالحبال أو قياسات يدوية عن قرب أو تصوير فوتوغرافي.
تم استكشاف نهج مثير للاهتمام في عام 2019، عندما اختبر الباحثون طريقة أكثر أمانًا وسرعة باستخدام طائرات بدون طيار مزودة بكاميرات عالية الدقة لالتقاط صور مدخلات مفصلة للأسطح الخرسانية. ثم تمت معالجة هذه الصور باستخدام تقنيات مختلفة للكشف عن الحواف لتحديد الشقوق تلقائيًا.
أظهرت الدراسة أن هذه الطريقة قللت بشكل كبير من الحاجة إلى الوصول البشري المباشر إلى المناطق الخطرة وسرعت من عمليات التفتيش. ومع ذلك، فإن دقتها لا تزال تعتمد على عوامل مثل ظروف الإضاءة ووضوح الصورة والتشغيل المستقر للطائرة بدون طيار. في بعض الحالات، كانت لا تزال هناك حاجة إلى مراجعة بشرية لإزالة النتائج الإيجابية الخاطئة.
تطبيق كشف الحواف في التصوير الطبي
غالبًا ما تحتوي الأشعة السينية والتصوير بالرنين المغناطيسي على اضطرابات بصرية تُعرف باسم التشويش، والتي يمكن أن تجعل من الصعب رؤية التفاصيل الدقيقة. ويصبح هذا الأمر تحدياً للأطباء عند محاولة تحديد حواف الورم أو تتبع الخطوط العريضة للعضو أو مراقبة التغيرات الطفيفة بمرور الوقت.
اختبرت دراسة حديثة في مجال التصوير الطبي مدى قدرة طرق الكشف عن الحواف الشائعة، مثل Sobel وCanny وPrewitt وLaplacian، على التعامل مع الصور المشوشة. أضاف الباحثون أنواعاً ومستويات مختلفة من الضوضاء إلى الصور وفحصوا مدى دقة كل طريقة في تحديد السمات المهمة.
عادةً ما ينتج Canny أنظف الحواف، حتى عندما تكون الضوضاء كثيفة، لكنها لم تكن الأفضل في كل الحالات. عملت بعض الطرق بشكل أفضل مع أنماط ضوضاء معينة، لذا لا يوجد حل واحد مثالي.
الشكل 7. يوفر Canny (د-و) حوافًا أكثر وضوحًا من Sobel (ز-ط) مع زيادة الضوضاء.(المصدر)
وهذا يسلط الضوء على سبب أهمية تقنيات مثل الرؤية الحاسوبية. من خلال الجمع بين الخوارزميات المتقدمة ونماذج الذكاء الاصطناعي للرؤية، يمكن لمثل هذه الحلول أن تتجاوز مجرد الكشف عن الحواف الأساسية لتقديم نتائج أكثر دقة وموثوقية حتى في الظروف الصعبة.
مزايا اكتشاف الحواف
فيما يلي بعض فوائد استخدام اكتشاف الحواف ومعالجة الصور:
ضغط البيانات بشكل أفضل: يسمح اكتشاف الحواف بتمثيل الصور باستخدام الميزات الرئيسية فقط، مما يقلل من حجم الملف مع الاحتفاظ بالمعلومات الأساسية. وهذا يجعل التخزين والنقل أكثر كفاءة.
توطين أكثر دقة للأجسام: من خلال تحديد حدود الأجسام بدقة، يحسّن اكتشاف الحواف من قدرة الأنظمة على تحديد موقع الأجسام وتتبعها بدقة، مما يفيد تطبيقات مثل الذكاء الاصطناعي المرئي في الروبوتات والمركبات ذاتية القيادة.
اكتشاف الميزات متعددة المقاييس: يمكن لتقنيات الكشف عن الحواف تحليل الصور بمقاييس مختلفة، والتقاط كل من التفاصيل الصغيرة والأشكال الأكبر حجمًا. هذه المرونة مفيدة في مهام متنوعة، من تحليل النسيج إلى فهم المشهد.
حدود استخدام معالجة الصور للكشف عن الحواف
على الرغم من وجود العديد من الفوائد لاكتشاف الحواف في معالجة الصور، إلا أنه يأتي أيضًا مع بعض التحديات. فيما يلي بعض القيود الرئيسية التي يجب مراعاتها:
مشاكل مع الأنسجة المعقدة: في الصور ذات الأنماط المعقدة أو المتكررة، غالبًا ما ينتج عن اكتشاف الحواف العديد من الحواف الخاطئة أو غير ذات الصلة، مما يعقد المزيد من التحليل ويقلل من الموثوقية.
حساسة للإضاءة: يمكن أن تتسبب الاختلافات في السطوع والظلال والانعكاسات في إساءة تفسير التغييرات في الإضاءة على أنها حدود الجسم، مما يؤدي إلى نتائج غير متسقة.
لا يوجد تحديد للكائنات: بينما تبرز الحواف مكان بداية الكائنات ونهايتها، فإنها لا تعرض ماهية الكائنات. هناك حاجة إلى معالجة إضافية لتعيين معنى أو تسميات للحواف المكتشفة.
عندما يمكن استخدام الرؤية الحاسوبية لاكتشاف الحواف
إن اكتشاف الحواف مستوحى من كيفية عمل أعيننا ودماغنا معاً لفهم العالم. عندما يتعلق الأمر بالرؤية البشرية، تكون الخلايا العصبية المتخصصة في القشرة البصرية حساسة للغاية للحواف والخطوط والحدود.
تساعدنا هذه الإشارات البصرية على تحديد أين ينتهي جسم ما ويبدأ جسم آخر بسرعة. وهذا هو السبب في أنه حتى الرسم الخطي البسيط يمكن التعرف عليه على الفور - حيث يعتمد دماغنا بشكل كبير على الحواف لتحديد الأشكال والأشياء.
تهدف الرؤية الحاسوبية إلى محاكاة هذه القدرة ولكنها تأخذها خطوة إلى الأمام. تتخطى نماذج مثل Ultralytics YOLO11 إبراز الحواف الأساسية وتحسين الصورة. حيث يمكنها اكتشاف الأجسام وتحديدها بدقة وتتبع الحركة في الوقت الفعلي. هذا المستوى الأعمق من الفهم يجعلها ضرورية في السيناريوهات التي لا يكفي فيها اكتشاف الحواف وحده.
استخدام Ultralytics YOLO11 لاكتشاف الحواف بدقة أكبر
فيما يلي بعض مهام الرؤية الحاسوبية الرئيسية التي يدعمها YOLO11 والتي تعتمد على اكتشاف الحواف وتتجاوزها:
اكتشاف الكائنات: يقوم بتحديد الكائنات المتعددة في صورة أو مقطع فيديو وتحديد موقعها من خلال رسم مربعات محددة حول كل كائن منها، مما يعطي رؤية واضحة لما هو موجود ومكان وضع كل كائن.
تجزئة المثيل: يتضمن ذلك تقسيم الكائنات إلى مستوى البكسل، مما يؤدي إلى إنتاج مخططات واضحة ودقيقة حتى عندما تتداخل الكائنات أو يكون لها أشكال غير منتظمة.
تقدير الوضعية: الهدف هنا هو تحديد موضع أو اتجاه أو وضعية جسم أو شخص ما، مما يساعد في مراقبة الحركة أو اكتشاف التغيرات الهيكلية بمرور الوقت.
تتبع الكائن: تتبع هذه المهمة الجسم أثناء تحركه عبر إطارات الفيديو، مما يضمن تحديدًا متسقًا للمراقبة الدقيقة على المدى الطويل.
تصنيف الصور: يقوم بتعيين تسميات للأشياء أو الصور بأكملها بناءً على سماتها البصرية، مما يسهل تنظيم وتفسير مجموعات كبيرة من البيانات
اكتشاف الحواف في البنية التحتية باستخدام الرؤية الحاسوبية
من الأمثلة الجيدة على تحسين الرؤية الحاسوبية لتطبيق يعتمد تقليديًا على اكتشاف الحواف هو اكتشاف التشققات في البنية التحتية والأصول الصناعية. يمكن تدريب نماذج الرؤية الحاسوبية مثل YOLO11 على تحديد الشقوق بدقة على الطرق والجسور وخطوط الأنابيب. كما يمكن تطبيق نفس التقنية في صيانة الطائرات وفحص المباني ومراقبة جودة التصنيع، مما يساعد على تسريع عمليات الفحص وتحسين السلامة.
الشكل 8. مثال على استخدام YOLO11 لتجزئة الشقوق.(المصدر)
الوجبات الرئيسية
لقد قطع اكتشاف الحواف شوطاً طويلاً، بدءاً من الأساليب البسيطة المبكرة إلى التقنيات المتقدمة التي يمكنها اكتشاف الحدود الدقيقة في الصور المعقدة. وهي تساعد في إبراز التفاصيل المهمة وإبراز المناطق الرئيسية وإعداد الصور لتحليل أعمق، مما يجعلها جزءًا أساسيًا من معالجة الصور.
في الرؤية الحاسوبية، يلعب اكتشاف الحواف دورًا مهمًا في تحديد الأشكال وفصل الأجسام واستخراج المعلومات المفيدة. يتم استخدامه في العديد من المجالات مثل التصوير الطبي، وعمليات الفحص الصناعي، والقيادة الذاتية، والأمن لتقديم فهم بصري دقيق وموثوق.
