فهم اكتشاف الحواف في معالجة الصور

نحن البشر نتعرّف بطبيعتنا على حواف العناصر، ونتتبع منحنياتها، ونلاحظ القوام على أسطحها عند النظر إلى صورة. أما الكمبيوتر، فيبدأ فهمه على مستوى وحدات البكسل الفردية.

تخزّن وحدة البكسل، وهي أصغر وحدة في الصورة الرقمية، اللون والسطوع عند نقطة واحدة. ومن خلال تتبّع التغيرات في قيم وحدات البكسل عبر الصورة، يستطيع الكمبيوتر اكتشاف الأنماط التي تكشف تفاصيل أساسية.

وعلى وجه الخصوص، 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 بحدة، لتحديد حدود العناصر ورسم تخطيطها وإضافة بنية إليها.

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

الشكل 1. مثال يعرض الصورة الأصلية إلى جانب نواتج طرق مختلفة لاكتشاف الحواف. (المصدر)

سنتناول في هذه المقالة ماهية اكتشاف الحواف وكيفية عمله وتطبيقاته الواقعية.

مفاهيم اكتشاف الحواف#

يركز اكتشاف الحواف على البحث عن المواضع التي يتغير فيها السطوع أو اللون بوضوح من نقطة إلى أخرى في الصورة. فإذا كان التغير طفيفًا، بدت المنطقة ملساء. أما إذا كان حادًا، فغالبًا ما يشير إلى الحد الفاصل بين منطقتين مختلفتين.

إليك بعض أسباب حدوث هذه التغيرات في قيم البكسل:

• انقطاعات العمود السطحي: عندما يلتقي سطحان بزاوية، مثل زاوية جدار أو حافة صندوق، ينتج عن هذا التغير الحاد في الاتجاه حد واضح في الصورة.
• انقطاعات العمق: تظهر عندما تكون العناصر على مسافات مختلفة من الكاميرا، ما ينتج فصلًا مرئيًا يساعد النظام على التمييز بينها.
• تغيرات لون السطح أو قوامه: يحدث ذلك عندما تختلف منطقة في لونها أو قوامها عن المنطقة المجاورة، ما يؤدي إلى فصل مرئي.
• تغيرات الإضاءة: تنشأ عن تغيرات الإضاءة، بما فيها الظلال أو البقع المضيئة على الأسطح، فتُحدث 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 بتدرجات الرمادي، بحيث لا تعرض كل نقطة سوى السطوع. وهذا يسهل على الخوارزمية التركيز على الاختلافات بين المناطق الفاتحة والداكنة بدلًا من اللون.

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

ثم تواصل الخوارزمية تنقيح الصورة، فتزيل التفاصيل الصغيرة وتحتفظ بالخطوط والأشكال الأهم فقط. والنتيجة مخطط واضح وصورة ناتجة يمكن استخدامها لمزيد من التحليل.

تطور اكتشاف الحواف ومعالجة الصور#

قبل التعمق أكثر في اكتشاف الحواف، دعونا نلقِ نظرة على كيفية تطوره بمرور الوقت.

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

ساعدت تقنيات مثل ضبط التباين وتقليل الضوضاء وضبط شدة الصورة واكتشاف الحواف الأساسي على تحسين وضوح الصور المدخلة وإبراز الأشكال والقوام. وفي ستينيات وسبعينيات القرن العشرين، أتاح الانتقال من المعالجة التناظرية إلى الرقمية المجال للتحليل الحديث في مجالات مثل علم الفلك والتصوير الطبي ومراقبة الأقمار الصناعية.

بحلول ثمانينيات وتسعينيات القرن الماضي، أتاحت الحواسيب الأسرع معالجة مهام أكثر تعقيدًا، مثل استخراج السمات واكتشاف الأشكال والتعرف الأساسي على الأجسام. وقدمت خوارزميات مثل مؤثر Sobel وكاشف الحواف Canny دقة أكبر في اكتشاف الحواف، بينما استُخدم التعرف على الأنماط في تطبيقات تراوحت بين الأتمتة الصناعية وقراءة النصوص المطبوعة باستخدام التعرف الضوئي على المحارف.

اكتشاف الحواف والرؤية الحاسوبية في القرن الحادي والعشرين#

أدّت التطورات المطّردة في التكنولوجيا اليوم إلى تطوير الرؤية الحاسوبية. الذكاء الاصطناعي للرؤية، أو الرؤية الحاسوبية، فرع من الذكاء الاصطناعي يركّز على تعليم الآلات تفسير المعلومات المرئية وفهمها.

في حين أن معالجة الصور التقليدية، مثل العتبة المزدوجة (التي تجعل الصور أوضح عبر الإبقاء على الحواف القوية وإزالة الضعيفة منها) واكتشاف الحواف، اتبعت قواعد ثابتة ولم تتمكن إلا من تنفيذ مهام محددة، تستخدم الرؤية الحاسوبية نماذج قائمة على البيانات يمكنها التعلم من الأمثلة والتكيف مع المواقف الجديدة.

تتجاوز أنظمة التصوير اليوم مجرد تحسين الصور أو اكتشاف الحواف بكثير. إذ يمكنها التعرّف على الكائنات، وتتبع الحركة، وفهم سياق المشهد بأكمله.

إحدى التقنيات الرئيسية التي تتيح ذلك هي الالتفاف. والالتفاف عملية تمسح فيها مرشحات صغيرة، تُسمى أيضًا النوى، الصورة للعثور على أنماط مهمة مثل الحواف والزوايا والأنسجة. وتصبح هذه الأنماط اللبنات الأساسية التي تستخدمها نماذج الرؤية الحاسوبية للتعرف على الأجسام وفهمها.

على سبيل المثال، تستخدم نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 هذه السمات القائمة على الالتفاف لتنفيذ مهام متقدمة مثل تقسيم المثيلات. ويرتبط ذلك ارتباطًا وثيقًا باكتشاف الحواف، لأن تقسيم المثيلات يتطلب تحديد حدود كل كائن في الصورة بدقة.

يركز اكتشاف الحواف على العثور على تغيرات الشدة عند بكسلات الحواف لتحديد حواف الكائنات، بينما يبني تقسيم المثيلات على هذه الفكرة لاكتشاف الحواف وتصنيف كل كائن وفصله في منطقة مستقلة.

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

خوارزميات وأساليب اكتشاف الحواف#

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

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

لنستكشف بعد ذلك بعضًا من أكثر خوارزميات معالجة الصور شيوعًا المستخدمة لاكتشاف الحواف وكيفية عملها.

اكتشاف الحواف بطريقة Sobel#

يُعد اكتشاف الحواف بطريقة Sobel أسلوبًا أساسيًا يُستخدم للعثور على حدود الكائنات في الصورة. وبدلًا من تحليل كل التفاصيل دفعة واحدة، يركّز على المناطق التي يتغير فيها السطوع بشدة من بكسل إلى البكسل المجاور التالي.

تشير هذه التحولات المفاجئة عادةً إلى النقطة التي ينتهي عندها كائن ويبدأ آخر، أو التي يلتقي عندها كائن بالخلفية. ومن خلال عزل هذه الحواف، تحوّل Sobel صورة معقدة إلى حدود أوضح يسهل على الأنظمة الأخرى معالجتها لمهام مثل تتبع الحركة، واكتشاف الأشكال، والتعرّف على الكائنات.

يمكنك التفكير في اكتشاف الحواف بطريقة Sobel على أنه كاشف للتدرج يقيس كيفية تغير الشدة عبر الصورة. ويعتمد هذا الأسلوب أساسًا على عملية الالتفاف: إذ تُمرر مصفوفات صغيرة تُسمى نوى عبر الصورة، وتُحسب المجاميع الموزونة لقيم البكسلات المتجاورة.

صُممت هذه النوى لإبراز تغيرات السطوع في الاتجاهين الأفقي والرأسي. وعلى عكس نماذج التعلم العميق التي تتعلم النوى من البيانات، تستخدم Sobel نوى ثابتة لإبراز الحواف بكفاءة دون الحاجة إلى التدريب.

إليك نظرة أوثق على طريقة عمل أسلوب اكتشاف الحواف Sobel:

• استخدام مرشحين بحجم 3×3: يستخدم هذا الأسلوب شبكتين صغيرتين بحجم 3×3 تُسميان مرشحين. تخيلهما كقالبين ينزلقان على الصورة في الاتجاه الأفقي (اتجاه x) والاتجاه الرأسي (اتجاه y). صُممت إحدى الشبكتين لاكتشاف الحواف الأفقية، والأخرى لاكتشاف الحواف الرأسية.
• حساب التدرّج: يقيس كل مرشح مدى سرعة تغيّر السطوع على امتداد اتجاهه. ويشير التغيّر الكبير إلى احتمال وجود حافة.
• دمج النتائج: تُدمج النتيجتان الأفقية والرأسية لتحديد القوة والاتجاه الإجماليين للحافة عند كل بكسل.
• اكتشاف الحواف: تُعلَّم البكسلات ذات مقدار التدرج المرتفع بوصفها حواف قوية.
• تحديد الحدود: تساعد هذه الحواف في تحديد أشكال الكائنات وفصل المناطق المختلفة في الصورة.

الشكل 4. يمكن لاكتشاف الحواف بطريقة Sobel إبراز الحدود الرئيسية لصورة الإدخال وإنشاء خريطة للحواف. (المصدر)

اكتشاف الحواف بطريقة Canny#

يُعد اكتشاف الحواف بطريقة Canny أسلوبًا شائعًا آخر للعثور على الحواف في الصورة. ويشتهر بإنتاج حدود واضحة ودقيقة. وعلى عكس تقنيات اكتشاف الحواف الأساسية، يتبع سلسلة من الخطوات المصممة بعناية لإزالة الضوضاء، وزيادة وضوح الحدود، والتركيز على أهم الحواف.

إليك لمحة سريعة عن طريقة عمل كاشف الحواف Canny:

• تنعيم الصورة: تُموّه الصورة أولًا باستخدام مرشح Gaussian، وهي تقنية تنعيم تقلل الضوضاء والتفاصيل الصغيرة التي قد يُساء تفسيرها على أنها حواف.
• اكتشاف تغيرات السطوع: تمسح الخوارزمية الصورة بعد ذلك بحثًا عن التغيرات الحادة في السطوع، مستخدمةً 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 حوافًا واضحة ونقية.
• تصنيف الحواف: تُصنَّف كل بكسل على أنه حافة قوية أو ضعيفة أو ليس حافة، استنادًا إلى قيم العتبة لتغير السطوع.
• التنقية النهائية: يُحتفظ بالحواف الضعيفة المتصلة بحواف قوية، وتُحذف الحواف الأخرى، فلا يتبقى سوى حدود واضحة ومتصلة.

الشكل 5. الصورة الأصلية والصورة الناتجة عنها بعد استخدام كاشف الحواف Canny. (المصدر)

بفضل دقته في النتائج مع ترشيح الضوضاء، يُستخدم اكتشاف الحواف بطريقة Canny على نطاق واسع في المجالات التي تتطلب الدقة. فعلى سبيل المثال، يُستخدم في قطاعات مثل التصوير الطبي، ورسم الخرائط عبر الأقمار الصناعية، ومسح المستندات ضوئيًا، والرؤية الروبوتية.

اكتشاف الحواف القائم على التدرج مقابل القائم على غاوس#

حتى الآن، تناولنا مثالين على اكتشاف الحواف هما Sobel وCanny. وعلى الرغم من أن كليهما يهدف إلى العثور على الحواف، فإنهما يتبعان نهجين مختلفين.

تكتشف الأساليب القائمة على التدرج (مثل Sobel وPrewitt وScharr) الحواف عبر البحث عن تغيرات حادة في السطوع تُعرف بالتدرج. 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 تُفسَّر الاختلافات الطفيفة في السطوع على أنها حواف.

تضيف الأساليب القائمة على غاوس (مثل Canny أو لابلاسيان الغاوسي) خطوة إضافية لمعالجة هذه المشكلة، وهي تمويه الصورة أولًا. ويقلل هذا التنعيم، الذي يُجرى غالبًا باستخدام مرشح غاوسي، الاختلافات الصغيرة التي قد تنشئ حواف زائفة. وبعد التنعيم، تواصل هذه الأساليب البحث عن تغيرات حادة في السطوع، لكن النتائج تكون أوضح وأكثر دقة في الصور المشوشة أو منخفضة الجودة.

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

تطبيقات اكتشاف الحواف في العالم الحقيقي#

بعد أن فهمنا بصورة أفضل كيفية عمل اكتشاف الحواف، لنستكشف كيفية تطبيقه في مواقف العالم الحقيقي.

استخدام اكتشاف الحواف للتعرّف على الشقوق#

غالبًا ما يكون فحص الهياكل الخرسانية الكبيرة، مثل الجسور والمباني الشاهقة، مهمة صعبة وخطِرة. فقد تمتد هذه الهياكل لمسافات طويلة أو ترتفع إلى علو شاهق، مما يجعل عمليات الفحص التقليدية بطيئة ومكلفة ومحفوفة بالمخاطر. كما تتطلب عمليات الفحص عادةً سقالات أو الوصول بالحبال أو قياسات يدوية عن قرب أو تصويرًا فوتوغرافيًا.

استكشف الباحثون نهجًا مثيرًا للاهتمام في عام 2019، إذ اختبروا طريقة أكثر أمانًا وسرعة تستخدم طائرات مسيّرة مجهزة بكاميرات عالية الدقة لالتقاط صور إدخال مفصلة للأسطح الخرسانية. ثم عولجت هذه الصور باستخدام تقنيات متنوعة لـاكتشاف الحواف للتعرّف على الشقوق تلقائيًا.

أظهرت الدراسة أن هذه الطريقة قللت كثيرًا الحاجة إلى وصول الأشخاص مباشرةً إلى المناطق الخطرة وسرّعت عمليات الفحص. لكن دقتها ظلت تعتمد على عوامل مثل ظروف الإضاءة ووضوح الصورة واستقرار تشغيل الطائرة المسيّرة. وفي بعض الحالات، ظلت المراجعة البشرية ضرورية لإزالة النتائج الإيجابية الكاذبة.

تطبيق اكتشاف الحواف في التصوير الطبي#

غالبًا ما تحتوي الأشعة السينية والتصوير بالرنين المغناطيسي على اضطرابات مرئية تُعرف بالضوضاء، مما قد يصعّب رؤية التفاصيل الدقيقة. ويشكّل ذلك تحديًا للأطباء عند محاولة رصد حواف ورم، أو تتبع حدود عضو، أو مراقبة تغيرات طفيفة بمرور الوقت.

اختبرت دراسة حديثة في التصوير الطبي مدى تعامل أساليب اكتشاف الحواف الشائعة، مثل Sobel وCanny وPrewitt ولابلاسيان، مع الصور المشوشة. وأضاف الباحثون أنواعًا ومستويات مختلفة من الضوضاء إلى الصور، ثم تحققوا من مدى دقة كل أسلوب في تحديد حدود السمات المهمة.

عادةً ما أنتج Canny أوضح الحواف حتى عندما كانت الضوضاء شديدة، لكنه لم يكن الأفضل في كل الحالات. فقد أدت بعض الأساليب أداءً أفضل مع أنماط معينة من الضوضاء، لذا لا يوجد حل مثالي واحد.

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

يوضح هذا أهمية تقنيات مثل الرؤية الحاسوبية. فمن خلال الجمع بين الخوارزميات المتقدمة ونماذج الذكاء الاصطناعي للرؤية، 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:

• تحسين ضغط البيانات: يتيح اكتشاف الحواف تمثيل الصور باستخدام السمات الرئيسية فقط، مما يقلل حجم الملف مع الاحتفاظ بالمعلومات الأساسية. وهذا يجعل التخزين والنقل أكثر كفاءة.
• تحديد مواقع الأجسام بدقة أكبر: يحسّن اكتشاف الحواف قدرة الأنظمة على تحديد مواقع الأجسام وتتبعها من خلال التعرف الدقيق على حدودها، ما يفيد تطبيقات مثل الذكاء الاصطناعي للرؤية في الروبوتات والمركبات ذاتية القيادة.
• اكتشاف السمات متعددة المقاييس: يمكن لتقنيات اكتشاف الحواف تحليل الصور بمقاييس مختلفة، والتقاط التفاصيل الصغيرة والأشكال الأكبر. وتفيد هذه المرونة في مهام متنوعة، من تحليل الأنسجة إلى فهم المشاهد.

قيود استخدام معالجة الصور لاكتشاف الحواف#

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

• مشكلات الأنسجة المعقدة: غالبًا ما ينتج اكتشاف الحواف في الصور ذات الأنماط المعقدة أو المتكررة حوافًا كثيرة زائفة أو غير ذات صلة، مما يعقّد التحليل اللاحق ويقلل الموثوقية.
• الحساسية للإضاءة: قد تؤدي الاختلافات في السطوع والظلال والانعكاسات إلى تفسير كاشفات الحواف تغيرات الإضاءة على أنها حدود للكائنات، مما يؤدي إلى نتائج غير متسقة.
• عدم التعرّف على الكائنات: توضح الحواف مواضع بداية الكائنات ونهايتها، لكنها لا تكشف ماهية هذه الكائنات. ويلزم إجراء معالجة إضافية لإسناد معنى أو تسميات إلى الحواف المكتشفة.

متى يمكن استخدام الرؤية الحاسوبية لاكتشاف الحواف#

يستوحي اكتشاف الحواف آليته من طريقة عمل العينين والدماغ معًا لفهم العالم. ففي الرؤية البشرية، تكون الخلايا العصبية المتخصصة في القشرة البصرية شديدة الحساسية للحواف والخطوط والحدود.

تساعدنا هذه الإشارات المرئية على تحديد موضع انتهاء كائن وبداية آخر بسرعة. ولهذا يمكن التعرّف فورًا حتى على رسم خطي بسيط؛ إذ يعتمد دماغنا كثيرًا على الحواف للتعرّف على الأشكال والكائنات.

تهدف الرؤية الحاسوبية إلى محاكاة هذه القدرة، لكنها تتجاوزها خطوة إضافية. فالنماذج مثل Ultralytics YOLO11 لا تقتصر على إبراز الحواف الأساسية وتحسين الصور، بل يمكنها اكتشاف الكائنات وتحديد حدودها بدقة وتتبع حركتها في الوقت الفعلي. وهذا المستوى الأعمق من الفهم يجعلها أساسية في الحالات 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، وتستند إلى اكتشاف الحواف وتتجاوزه:

• اكتشاف الأجسام: يحدد هذا الأسلوب أجسامًا متعددة في صورة أو مقطع فيديو ويحدد مواقعها، من خلال رسم مربعات إحاطة حول كل جسم، ما يوضح الأجسام الموجودة ومواقعها.
• تقسيم الحالات: يتضمن هذا الأسلوب تحديد الأجسام على مستوى البكسل، ما ينتج حدودًا واضحة ودقيقة حتى عندما تتداخل الأجسام أو تكون أشكالها غير منتظمة.
• تصنيف الصور: يُسنِد هذا الأسلوب تسميات إلى الأجسام أو الصور بأكملها بناءً على سماتها المرئية، ما يسهّل تنظيم مجموعات البيانات الكبيرة وتفسيرها.
• تقدير الوضعية: يهدف هذا الأسلوب إلى تحديد موضع جسم أو شخص أو اتجاهه أو وضعيته، ما يساعد على مراقبة الحركة أو اكتشاف التغيرات الهيكلية بمرور الوقت.
• تتبع الأجسام: يتتبع هذا الأسلوب الجسم أثناء تحركه عبر إطارات الفيديو، مع ضمان تحديده باستمرار لإجراء مراقبة دقيقة على المدى الطويل.

اكتشاف الحواف في البنية التحتية باستخدام الرؤية الحاسوبية#

من الأمثلة الجيدة على تعزيز الرؤية الحاسوبية لتطبيق اعتمد تقليديًا على اكتشاف الحواف اكتشاف الشقوق في البنية التحتية والأصول الصناعية. ويمكن تدريب نماذج الرؤية الحاسوبية مثل Ultralytics YOLO11 على مجموعات بيانات مثل Crack-Seg لتحديد الشقوق في الطرق والجسور وخطوط الأنابيب بدقة. ويمكن تطبيق التقنية نفسها في صيانة الطائرات وفحص المباني ومراقبة الجودة في التصنيع، ما يساعد على تسريع عمليات الفحص وتحسين السلامة.

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

أبرز النقاط#

قطع اكتشاف الحواف شوطًا طويلًا، من الأساليب المبكرة البسيطة إلى التقنيات المتقدمة القادرة على رصد حتى الحدود الدقيقة في الصور المعقدة. ويساعد على إبراز التفاصيل المهمة والمناطق الأساسية وإعداد الصور لتحليل أعمق، مما يجعله جزءًا أساسيًا من معالجة الصور.

يؤدي اكتشاف الحواف في الرؤية الحاسوبية دورًا مهمًا في تحديد الأشكال وفصل الكائنات واستخراج المعلومات المفيدة. ويُستخدم في مجالات عديدة، مثل التصوير الطبي والفحوصات الصناعية والقيادة الذاتية والأمن، لتوفير فهم بصري دقيق وموثوق.

انضم إلى مجتمعنا واستكشف مستودع GitHub للتعرّف أكثر على الذكاء الاصطناعي. إذا كنت تتطلع إلى بدء مشروعك الخاص في الذكاء الاصطناعي للرؤية، فاطّلع على خيارات الترخيص لدينا. تعرّف أكثر على تطبيقات مثل الذكاء الاصطناعي في الرعاية الصحية والذكاء الاصطناعي للرؤية في قطاع التجزئة بزيارة صفحات حلولنا.