استكشاف معالجة الصور، والرؤية الحاسوبية، ورؤية الآلة

يمكن استخدام الذكاء الاصطناعي لتحليل جميع أنواع البيانات، وعندما يتعلق الأمر بالبيانات المرئية مثل الصور وvideos، يندرج هذا تحت مجال تحليلات الصور، والذي يتضمن تقنيات مختلفة. معالجة الصور، وcomputer vision، وmachine vision تجعل من الممكن لأجهزة الكمبيوتر رؤية وفهم العالم من خلال تحليل الصور وإطارات الفيديو. على الرغم من أن هذه التقنيات الثلاث تبدو متشابهة، إلا أن الاختلافات الرئيسية تجعلها مفيدة لمجموعة متنوعة من التطبيقات. تركز معالجة الصور على معالجة وتحسين الصور وإطارات الفيديو، بينما يذهب computer vision خطوة إلى أبعد من ذلك باستخدام هذه processed images لمساعدة أجهزة الكمبيوتر على تفسير وفهم محتواها. من ناحية أخرى، يطبق machine vision computer vision techniques خصيصاً على البيئات الصناعية، مثل مهام inspections and quality control.

Fig 1. التقنيات الرئيسية المستخدمة لتحليل البيانات المرئية.

تمكن هذه الحقول الثلاثة تطبيقات مختلفة عبر العديد من الصناعات، مثل healthcare، وmanufacturing، وagriculture. في هذه المقالة، سنستكشف معالجة الصور، وcomputer vision، وmachine vision ونناقش اختلافاتهم. سنستعرض أيضاً كيف تعمل وكيف يتم استخدامها في مختلف الصناعات. لنبدأ.

ما هي معالجة الصور؟#

لنبدأ بالتقنية الأساسية وراء كل من الرؤية الحاسوبية ورؤية الآلة: معالجة الصور. وهي تنطوي على استخدام خوارزميات لمعالجة وتحسين الصور الرقمية، وضبط معاملات مثل السطوع، والتباين، وتوازن الألوان، أو تصفية الضوضاء، لإعدادها لمزيد من التحليل والتفسير المتقدم.

دعونا نلقي نظرة على كيفية عملها. تتم معالجة الصور عن طريق تقسيم الصور إلى بكسلات فردية ثم معالجة هذه البكسلات لتحقيق التأثيرات المطلوبة. على سبيل المثال، لجعل الصورة أكثر سطوعًا، قد تزيد الخوارزمية من كثافة كل بكسل. وبالمثل، لاكتشاف الحواف، قد تبحث عن تغييرات مفاجئة في قيم البكسل. من خلال تطبيق العمليات الرياضية والخوارزميات على هذه البكسلات، يمكن استخدام معالجة الصور لتعزيز جودة الصورة، أو استخراج المعلومات، أو إنشاء صور جديدة.

تعتبر تقنيات معالجة الصور ضرورية أيضاً لمعالجة البيانات وإنشاء مجموعات بيانات مرئية ذات صور واضحة وعالية الجودة وتساعد أنظمة computer vision وmachine vision على تحليلها بدقة. توفر مكتبات مثل OpenCV وMATLAB أطراً قوية تجعل تقنيات معالجة الصور هذه في متناول المطورين والباحثين عبر مجموعة من المجالات.

إليك بعض تقنيات معالجة الصور الشائعة:

• التصفية: يتم تطبيق التصفية تقليل مستويات الضوضاء في الصورة عن طريق تنعيم التباينات والتشوهات. تتضمن بعض المرشحات الشائعة مرشحات غاوسية للـ blurring والمرشحات الوسيطة لإزالة ضوضاء الملح والفلفل، والتي تظهر كبكسلات بيضاء وسوداء عشوائية.
• اكتشاف الحواف: يُستخدم لتحديد حدود الأشياء في الصورة عن طريق اكتشاف التغيرات الحادة في شدة البكسل. تستخدم تطبيقات مثل medical imaging اكتشاف الحواف لتحديد هيكل الأعضاء والأورام.
• العتبة (Thresholding): تنطوي العتبة في معالجة الصور على تحويل صورة ذات تدرج رمادي إلى صورة ثنائية عن طريق تحديد قيمة عتبة. يتم تحويل البكسلات التي تزيد عن العتبة إلى اللون الأبيض (1)، وتلك التي تقل عنها إلى اللون الأسود (0).

الشكل 2. صورة ذات تدرج رمادي قبل وبعد تطبيق العتبة.

استكشاف أحد تطبيقات معالجة الصور#

Image restoration هو مثال رائع لتطبيق معالجة الصور. يتضمن استعادة صورة تعرضت للتدهور بمرور الوقت. يتم استخدام تقنيات مثل التصفية وتقليل الضوضاء لإزالة العلامات والخدوش والبقع والتآكل واستعادة الصورة المتدهورة إلى جودتها الأصلية. تعد استعادة الصور مفيدة بشكل خاص في المواقف التي تكون فيها الصور منخفضة الجودة أو تالفة، مثل الصور القديمة.

Fig 3. يمكن استخدام معالجة الصور لاستعادة الصور القديمة التالفة.

ما هي الرؤية الحاسوبية؟#

على عكس معالجة الصور، التي تركز على تعديل الصور وتعزيزها، تمنح الرؤية الحاسوبية الحواسيب القدرة على رؤية وفهم العالم الحقيقي. تستخدم العديد من التطبيقات الرؤية الحاسوبية لتحديد وفهم الأشياء والأشخاص في الصور أو إطارات الفيديو. فهي تحاكي الرؤية البشرية وتحاول محاكاة كيفية فهمنا لما نراه من حولنا.

يمكن استخدام computer vision لأتمتة مهام مثل surveillance. كما أن لديها مجموعة واسعة من التطبيقات العملية مثل facial recognition، وmedical imaging، وautonomous vehicles. يتم تدريب نماذج computer vision باستخدام تقنيات التعلم العميق لاستخراج وتحديد الميزات والأنماط المعقدة من image datasets واسعة النطاق. تستخدم الصناعات المختلفة بعد ذلك هذه النماذج المدربة، مثل Ultralytics YOLOv8، لمهام مختلفة مثل object detection وobject tracking.

Fig 4. مثال على استخدام Ultralytics YOLOv8 لـ object detection.

على سبيل المثال، تستخدم self-driving cars مثل Tesla رؤية الكمبيوتر للتنقل في العالم الحقيقي. تتم معالجة اللقطات التي تلتقطها كاميرات السيارة المدمجة باستخدام computer vision. تعتبر مهام computer vision مثل object detection, tracking، وsegmentation حيوية لـ understanding traffic المواقف والبيئة من حولهم. تطبيق آخر مثير للاهتمام هو التعرف على الوجه. يمكن استخدام computer vision لتحليل التعرف على ميزات الوجه في الصور عن طريق التقاط وجه الشخص من image أو video، وتحديد الميزات الرئيسية، ومقارنتها بقاعدة بيانات لبيانات الوجه المخزنة.

ما هي رؤية الآلة؟#

Machine vision is used in industrial settings مثل مصانع التصنيع الكبيرة أو مرافق الإنتاج لتطبيقات مثل ضمان جودة المنتج والتحقق من صحة الملصقات والرموز الشريطية على المنتجات النهائية. Machine vision هو فرع متخصص من computer vision يعتمد على الأجهزة المتينة لكي يعمل بفعالية في الظروف القاسية. نظراً لأن هذه الأنظمة مدمجة مع التطبيقات الصناعية، فإن السرعة العالية والدقة في الوقت الفعلي أمران ضروريان.

دعونا نرى كيف يعمل. أولاً، يتم جمع البيانات باستخدام كاميرا واحدة أو أكثر عالية الدقة. قد تتضمن هذه الكاميرات أيضاً ميزات خاصة مثل الأشعة تحت الحمراء أو thermal imaging. بعد ذلك، يتم تحليل collected data باستخدام تقنيات computer vision لاستخراج المعلومات المطلوبة. تتضمن المعلومات المستخرجة عادةً تفاصيل مثل تحديد الكائنات والأشكال والأحجام والحرکات والأنماط وأي شذوذ موجود في المشهد، اعتماداً على التطبيق المحدد.

فهم أحد تطبيقات رؤية الآلة#

مراقبة الجودة في خطوط manufacturing production تضمن وصول المنتجات عالية الجودة فقط إلى العملاء، مما يؤدي إلى زيادة رضا العملاء وزيادة الأرباح. وغالباً ما تعتمد الطرق التقليدية على الفحص اليدوي، والذي يمكن أن يكون مستهلكاً للوقت وعرضة للخطأ البشري. يمكن أن يؤدي ضعف مراقبة الجودة أيضاً إلى تأخير الإنتاج والخسائر المالية، مما يؤثر على سمعة الشركة. الحل الأمثل هو أتمتة المهام مثل فحص السطح، والتحقق من الملصقات، وتحديد موضع الكائنات بمساعدة machine vision.

على سبيل المثال، في pharmaceutical industry, جودة المنتج أمر بالغ الأهمية، ويتم فرض لوائح صارمة للحفاظ على معايير عالية. يمكن استخدام machine vision للتأكد من أن عبوات الفقاعات تحتوي على العدد الصحيح من الحبوب، والتحقق من أن كل عبوة تحتوي على الكمية الصحيحة تماماً، مثل عشر حبوب في عبوة 10 حبات. يمكن استخدام نموذج computer vision مثل YOLOv8 لتحديد وcount the pills using object detection.

Fig 5. يمكن استخدام machine vision لمراقبة الجودة في صناعة الأدوية.

ومع ذلك، من المهم أن تكون على دراية بأن هناك القليل من القيود التي يجب مراعاتها عند العمل مع machine vision. غالباً ما تحتاج أنظمة Machine vision إلى ظروف إضاءة ممتازة لـ illuminate المنتجات في البيئات الصناعية. كما يلزم توفير كاميرات عالية الجودة وprocessors, and hardware accelerators لالتقاط البيانات وتسريع عملية التحليل. والنتيجة المباشرة لتصميم هذه الأنظمة خصيصاً للمهام العملية داخل البيئات الصناعية هي أنها قد تكون باكثة الثمن في الإعداد.

الاختلافات الرئيسية بين معالجة الصور، والرؤية الحاسوبية، ورؤية الآلة#

الآن وبعد أن ناقشنا التقنيات الثلاث بشكل منفصل وألقينا نظرة على بعض تطبيقاتها، دعونا نلقي نظرة فاحصة عليها جنبًا إلى جنب.

Fig 6. مقارنة جنب إلى جنب بين معالجة الصور، وcomputer vision، وmachine vision.

تعتبر معالجة الصور هي الأفضل لمهام مثل ضبط السطوع أو تصفية الضوضاء التي تتطلب طاقة حسابية أقل ولا تتطلب القدرة على فهم المعلومات المرئية المعقدة. من ناحية أخرى، يتفوق computer vision في استخراج رؤى ذات معنى من الصور والتعامل مع المشاهد المعقدة، ولكنه يتطلب موارد حسابية وتعقيداً أكبر. وفي الوقت نفسه، فإن machine vision مخصص للاستخدامات الصناعية، مثل الفحص الآلي، وغالباً ما يدعمه أنظمة متخصصة ومكلفة.

رؤية الصورة الكبيرة#

في حين أن معالجة الصور، والرؤية الحاسوبية، ورؤية الآلة مرتبطة ارتباطًا وثيقًا، إلا أن لكل منها أغراضًا متميزة. تعمل معالجة الصور على تحسين ومعالجة الصور على مستوى البكسل، مما يجعلها مفيدة جدًا لمهام مثل إعادة بناء الصور.

من ناحية أخرى، تذهب الرؤية الحاسوبية إلى أبعد من ذلك بقليل بمنح الحواسيب القدرة على فهم البيانات المرئية واستيعابها. إنها بالغة الأهمية لحالات الاستخدام مثل التعرف على الوجوه والسيارات ذاتية القيادة. علاوة على ذلك، تُستخدم رؤية الآلة خصيصًا للتطبيقات الصناعية. فهي تقوم بأتمتة العمليات الصناعية مثل عمليات الفحص ومراقبة الجودة.

من خلال فهم هذه التقنيات واختلافاتها، يمكنك اختيار التقنية الأكثر ملاءمة لتطبيقاتك، مما يؤدي إلى تحسين الكفاءة ونتائج أفضل.

دعونا نتعلم ونستكشف معاً! تحقق من GitHub repository الخاص بنا لمعرفة مساهماتنا في الذكاء الاصطناعي، ولا تنس التفاعل مع community لدينا. تحقق من كيف نعيد تعريف صناعات مثل manufacturing وhealthcare باستخدام تقنية الذكاء الاصطناعي المتطورة.