ما هو حساب الصور؟ مقدمة سريعة

عندما تمشي في مركز تجاري أو شارع عام مزدحم، تسجل الكاميرات المثبتة فوق المداخل والممرات النشاط. وهي تولد بيانات بصرية كل ثانية، وفي معظم الأحيان، لا نلاحظ ذلك حتى.

هذا التدفق المستمر للبيانات يغذي الأنظمة الحديثة التي تعمل بالذكاء الاصطناعي، من أنظمة الأمان الذكية إلى السيارات ذاتية القيادة. هذه الابتكارات مدفوعة بحوسبة الصور، وهو مجال متعدد الاستخدامات يجمع بين علوم الكمبيوتر والرياضيات والفيزياء.

تساعد الحوسبة البصرية الآلات على فهم ما تراه في الصورة. فهي تتيح للأنظمة التعرف على ما يحدث في المشهد وتحديد كيفية العمل أو الاستجابة، مثل إيقاف سيارة ذاتية القيادة عند ظهور عائق.

في هذه المقالة، سوف نستكشف ماهية الحوسبة الصورية وكيفية استخدامها في أنظمة الذكاء الاصطناعي (AI) المتطورة. هيا بنا نبدأ!

فهم حوسبة الصور

معالجة الصور هي عملية التقاط الصور ومعالجتها وتحليلها باستخدام خوارزميات متقدمة. وهي تعامل الصور كبيانات يمكن للآلات فهمها والعمل بها.

بمعنى آخر، تتم معالجة كل صورة على أنها شبكة من الأرقام. ويتم ذلك عن طريق تحويل البكسلات، وهي أصغر وحدات الصورة، إلى مصفوفة مكونة من صفوف وأعمدة. لكل بكسل قيمة عددية تخبر الجهاز بدرجة سطوع أو قتامة منطقة معينة من الصورة.

تعتمد طريقة تنظيم هذه القيم على ما إذا كانت الصورة بتدرج الرمادي أو ملونة. في الصور بتدرج الرمادي، تتراوح قيم البكسل عادةً من 0 (أسود) إلى 255 (أبيض). في الصور الملونة، تُستخدم مصفوفات متعددة لتمثيل قنوات ألوان مختلفة، مثل الأحمر والأخضر والأزرق (RGB) أو درجة اللون والتشبع والقيمة (HSV).

بالإضافة إلى مصفوفات البكسل، غالبًا ما تحتوي الصورة على معلومات سياقية مخفية، تُعرف باسم البيانات الوصفية. توفر البيانات الوصفية تفاصيل مهمة مثل دقة الصورة وعمق البت وإعدادات الكاميرا أو المستشعر والوقت المحدد لالتقاط الصورة. يتم تخزين الصور بتنسيقات ملفات محددة للحفاظ على كل من البيانات المرئية والبيانات الوصفية.

على سبيل المثال، في حوسبة الصور الطبية الحيوية، يتم تخزين الصور عادةً باستخدام تنسيق DICOM (التصوير الرقمي والاتصالات في الطب). يجمع تنسيق DICOM بين بيانات الصور المرئية ومعلومات المريض، مثل تفاصيل الهوية وإعدادات المعدات، مما يضمن دقة تحليل الصور الطبية واتساقها وأمانها.

كيف تعمل حوسبة الصور

الآن بعد أن أصبح لدينا فهم أفضل لماهية حوسبة الصور، دعونا نستعرض الخطوات المستخدمة لتحويل بث الكاميرا إلى رؤى مفيدة.

على الرغم من أن سير العمل الدقيق قد يختلف باختلاف التطبيق، فإن معظم أنظمة معالجة الصور تتبع المراحل الرئيسية التالية:

• الحصول على الصور: أولاً، يتم التقاط البيانات المرئية باستخدام الكاميرات وأجهزة الاستشعار أو جمعها من مجموعات بيانات الصور مفتوحة المصدر.
• المعالجة المسبقة للصور: بعد ذلك، يتم تغيير حجم الصور الملتقطة وإزالة الضوضاء منها وتحسينها وتحويلها إلى مساحة لونية محددة لتوحيد المدخلات.
• استخراج الميزات: تُستخدم خوارزميات التعلم العميق لتعلم الأنماط المهمة في الصورة، مثل الحواف والأشكال والأنسجة.
• التفسير: يتم تحليل الميزات المستخرجة لأداء مهام مثل اكتشاف الكائنات وتقسيم الصور وتتبع الكائنات.
• الإخراج: أخيرًا، يقوم النظام بإنشاء مخرجات منظمة، مثل تسميات الفئات أو المربعات المحيطة، ويقدمها بطريقة يسهل على الأشخاص أو الأنظمة الأخرى فهمها واستخدامها للتصور.

الحوسبة الصورية مقابل الرؤية الحاسوبية مقابل معالجة الصور

عندما تصادف مصطلح "حوسبة الصور"، قد ترى أيضًا مصطلحات مثل "معالجة الصور" و"الرؤية الحاسوبية". على الرغم من أن هذه المصطلحات غالبًا ما تستخدم بالتبادل، إلا أنها تصف طرقًا مختلفة تتفاعل بها أنظمة الذكاء الاصطناعي مع البيانات المرئية.

على سبيل المثال، تركز معالجة الصور على تحسين الصور أو تحسين جودة الصور المدخلة باستخدام عمليات أساسية مثل إزالة الضوضاء وتغيير الحجم وتعديل التباين. وفي الوقت نفسه، تعتمد الرؤية الحاسوبية، وهي أحد فروع الذكاء الاصطناعي، على معالجة الصور من خلال تمكين الآلات من التعرف على الأشياء وتفسير المشاهد وفهم ما يحدث في الصور أو مقاطع الفيديو.

تجمع الحوسبة البصرية بين معالجة الصور والرؤية الحاسوبية لتحويل البيانات المرئية إلى مخرجات مفيدة وقابلة للاستخدام في الأنظمة الذكية.

كيف يتم تنفيذ حوسبة الصور اليوم

بعد ذلك، دعونا نلقي نظرة على كيفية تنفيذ حوسبة الصور اليوم.

في المراحل الأولى من حوسبة الصور، كانت الميزات مثل الحواف والزوايا والأنسجة تُحدد يدويًا باستخدام خوارزميات قائمة على القواعد ومصممة يدويًا. ورغم أن هذه المنهجيات كانت تعمل بشكل جيد إلى حد ما في البيئات الخاضعة للرقابة، إلا أنها واجهت صعوبات في التوسع والتكيف مع الظروف المعقدة في العالم الواقعي.

تعالج أنظمة الحوسبة الحديثة للصور هذه القيود باستخدام مناهج قائمة على التعلم العميق. تتعلم نماذج مثل الشبكات العصبية التلافيفية (CNN) ومحولات الرؤية تلقائيًا الميزات ذات الصلة من مجموعات بيانات الصور الكبيرة. وهذا يتيح لها أداء مهام مثل اكتشاف الكائنات وتجزئة الحالات وتتبع الكائنات بدقة ومتانة أكبر.

اليوم، تعتمد سير عمل حوسبة الصور غالبًا على نماذج الرؤية في الوقت الفعلي المصممة للنشر في أنظمة الذكاء الاصطناعي المتطورة. على سبيل المثال، تتيح نماذج الرؤية بالذكاء الاصطناعي مثل Ultralytics إمكانات رؤية حاسوبية سريعة وفعالة مثل اكتشاف الكائنات وتقسيم الحالات عبر الأجهزة الطرفية وبيئات السحابة.

التطبيقات الواقعية لحساب الصور

يستخدم حساب الصور على نطاق واسع في التطبيقات الواقعية لفهم البيانات المرئية والتفاعل معها. دعونا نستكشف كيف يتم تطبيق حساب الصور في مختلف المجالات.

حوسبة الصور الطبية للكشف المبكر عن الأمراض

يمكن أن تساعد الحوسبة الصورية الأطباء والأخصائيين السريريين في اكتشاف الأمراض في مرحلة مبكرة وتحليل الفحوصات الطبية بشكل أكثر كفاءة. يمكن لهذه الأنظمة الصحية المبتكرة معالجة بيانات التصوير الطبي بسرعة، مثل الأشعة السينية والتصوير بالرنين المغناطيسي (MRI)، وغالبًا ما تقدم نتائج أكثر اتساقًا من المراجعة اليدوية.

على سبيل المثال، يمكن تدريب نماذج مثل Ultralytics على مجموعات كبيرة من صور الأشعة السينية للصدر لتعلم الأنماط المرتبطة بالعدوى والتشوهات. وبمجرد تدريبها، يمكن أن تساعد هذه النماذج في تحديد ما إذا كان الفحص يبدو طبيعياً أو يظهر علامات على حالات مثل الالتهاب الرئوي أو COVID-19.

حوسبة الصور للقيادة الذاتية

تستخدم المركبات ذاتية القيادة حوسبة الصور لفهم ما يحدث حولها واتخاذ قرارات القيادة. تحول هذه التقنية لقطات الكاميرا الأولية إلى معلومات في الوقت الفعلي تساعد المركبة على التحرك بأمان وسلاسة.

تُستخدم الحوسبة البصرية بشكل شائع في أنظمة المساعدة المتقدمة للسائق (ADAS). بدلاً من مجرد تسجيل الفيديو، تقوم هذه الوحدات بتحليل كل إطار لتحديد علامات حارات السير والمركبات الأخرى والمشاة والعوائق. وهذا يتيح للسيارة الاستجابة لتغيرات ظروف الطريق دون تدخل بشري يذكر.

هناك حالة استخدام شائعة أخرى تتمثل في دمج الصور من عدة كاميرات لإنشاء رؤية بزاوية 360 درجة لمحيط المركبة. تساعد حوسبة الصور على تصحيح تشوه العدسة وتحسين وضوح الصورة وموازنة السطوع واللون عبر جميع موجات الكاميرا. والنتيجة هي رؤية واضحة وسلسة تتيح للمركبة التنقل بأمان، حتى في ظروف الطقس السيئ أو الإضاءة المنخفضة.

إيجابيات وسلبيات حوسبة الصور

فيما يلي بعض مزايا الحوسبة الصورية:

• قابلية التوسع: بمجرد تدريبها، يمكن لأنظمة حوسبة الصور تحليل كميات كبيرة من البيانات المرئية بشكل مستمر وعلى نطاق واسع.
• اتخاذ القرار: يدعم التطبيقات التي تتطلب سرعة في الاستجابة مثل القيادة الذاتية والفحوصات الطبية والمراقبة الصناعية.
• الكفاءة من حيث التكلفة على المدى الطويل: على الرغم من أن الإعداد الأولي قد يكون مكلفًا، إلا أن التحليل البصري الآلي يمكن أن يقلل من تكاليف التشغيل على المدى الطويل.

على الرغم من وجود العديد من المزايا المرتبطة بحوسبة الصور، إلا أن هناك بعض القيود أيضًا. فيما يلي بعض العوامل التي يجب أخذها في الاعتبار:

• جودة البيانات: تعتمد طرق حساب الصور بشكل كبير على التسمية الدقيقة ومجموعات البيانات عالية الجودة، والتي قد يكون إنشاؤها مكلفًا ويستغرق وقتًا طويلاً.
• الحساسية تجاه الظروف: قد تؤثر التغييرات في الإضاءة أو الانسداد أو ضبابية الحركة أو الطقس أو زوايا الكاميرا سلبًا على أداء النموذج.
• قابلية التفسير المحدودة: يمكن أن تعمل نماذج الصور القائمة على التعلم العميق كصناديق سوداء، مما يجعل من الصعب تفسير كيفية اتخاذ القرارات.

النقاط الرئيسية

تطورت حوسبة الصور من معالجة الصور الأساسية إلى تقنية تسمح لأنظمة الذكاء الاصطناعي بإدراك وفهم العالم الحقيقي في الوقت الفعلي. مع استمرار تقدم التعلم العميق، أصبحت حوسبة الصور جزءًا أساسيًا من بناء مجموعات أدوات وتطبيقات أكثر ذكاءً وعمليّة.

انضم إلى مجتمعنا وتصفح مستودع GitHub الخاص بنا للتعرف على الذكاء الاصطناعي. استكشف صفحات الحلول الخاصة بنا لتقرأ عن تطبيقات الذكاء الاصطناعي في الزراعة والرؤية الحاسوبية في مجال الخدمات اللوجستية. اكتشف خيارات الترخيص المتاحة لدينا وابدأ في بناء نماذج Vision AI.