مسرد المصطلحات

تقدير العمق

اكتشف كيف ينشئ تقدير العمق خرائط العمق من الصور - المجسمة، والتركيز الترددي الترددي، والليدار، والتعلم العميق الأحادي - لتشغيل الروبوتات والواقع المعزز/الواقع الافتراضي والإدراك ثلاثي الأبعاد.

تقدير العمق هو مهمة أساسية في الرؤية الحاسوبية (CV) التي تتضمن تحديد مسافة الأجسام في المشهد بالنسبة للكاميرا. من خلال حساب قيمة العمق لكل بكسل في الصورة, تقوم هذه العملية بتحويل البيانات القياسية ثنائية الأبعاد إلى تمثيل ثلاثي الأبعاد غني، وغالبًا ما يشار إليه باسم خريطة العمق. هذه الإمكانية ضرورية للآلات لإدراك العلاقات المكانية، مما يمكّنها من التنقل في البيئات, والتلاعب بالأشياء وفهم هندسة العالم مثلما يفعل النظام البصري البشري.

آليات تقدير العمق

يمكن تحقيق تقدير العمق من خلال طرق مختلفة، بدءاً من الاستشعار النشط كثيف الأجهزة إلى نهج التعلم العميق القائم على البرمجيات (DL).

الرؤية المجسمة: مستوحاة من الرؤية الثنائية البصرية البشرية، تستخدم أنظمة الرؤية المجسمة كاميرتين موضوعتين على مسافة قصيرة من بعضهما. من خلال تحليل التباين — الفرق في الموضع الأفقي لجسم ما بين الصورة اليسرى واليمنى — يمكن للخوارزميات حساب المسافة بطريقة هندسية. تعتمد هذه الطريقة بشكل كبير على مطابقة الميزات الموثوقة عبر الإطارات.
تقدير العمق الأحادي: تقدِّر هذه التقنية العمق من صورة واحدة ثنائية الأبعاد، وهي مهمة صعبة لأن الصورة الواحدة تفتقر إلى معلومات واضحة عن العمق. الشبكات العصبية الشبكات العصبية التلافيفية الحديثة (CNNs) الحديثة على مجموعات بيانات ضخمة للتعرف على إشارات أحادية العين، مثل حجم الجسم والمنظور والانسداد. تقدمت الأبحاث في مجال التنبؤ بالعمق الأحادي بشكل كبير, مما أتاح للكاميرات القياسية استنتاج البنى ثلاثية الأبعاد.
أجهزة الاستشعار النشطة (LiDAR و ToF): على عكس أنظمة الكاميرات السلبية، تصدر أجهزة الاستشعار النشطة إشارات لقياس المسافة. تستخدم LiDAR (الكشف عن الضوء وتحديد المدى) نبضات الليزر لإنشاء سحب نقطية ثلاثية الأبعاد دقيقة، بينما تقيس كاميرات Time-of-Flight (ToF) الوقت الذي يستغرقه الضوء للعودة إلى المستشعر. توفر هذه التقنيات بيانات أرضية عالية الدقة تُستخدم غالبًا لتدريب نماذج التعلم الآلي (ML).

تطبيقات واقعية

إن القدرة على إدراك البُعد الثالث يفتح وظائف مهمة في مختلف الصناعات.

الأنظمة المستقلة والروبوتات

في مجال المركبات ذاتية القيادة، يُعد تقدير العمق يعد تقدير العمق أمراً حيوياً للسلامة والملاحة. تدمج السيارات ذاتية القيادة بيانات الكاميرا مع الليدار detect العوائق, وتقدير المسافة إلى المركبات الأخرى، وإنشاء خريطة للطريق في الوقت الفعلي. وبالمثل، في الروبوتات، يتيح إدراك العمق للأذرع الآلية إجراء عمليات "الالتقاط والتركيب" من خلال الحكم بدقة على موضع وشكل العناصر في سير عمل أتمتة التصنيع.

الواقع المعزز (AR)

لكي تكون تجارب الواقع المعزز غامرة، يجب أن تتفاعل الكائنات الافتراضية بشكل واقعي مع العالم المادي. يتيح تقدير العمق للأجهزة المحمولة فهم هندسة الغرفة، مما يسمح بوضع الأثاث أو الشخصيات الافتراضية على الأرض أو إخفائها خلف كائنات حقيقية (الانسداد)، مما يحسن تجربة المستخدم بشكل كبير.

مثال Python : تقريب المسافة باستخدام YOLO11

بينما توجد نماذج العمق المخصصة، غالبًا ما يستخدم المطورون نماذج العمق ثنائية الأبعاد اكتشاف الأجسام إلى جانب بيانات المعايرة لـ المسافة التقريبية. إن ultralytics تبسط المكتبة ذلك من خلال وحدة الحلول الخاصة بها، مما يسمح للمستخدمين تقدير مسافة الأجسام المتعقَّبة بناءً على مواضع مربعاتها المحدودة.

يوضح الرمز التالي كيفية استخدام YOLO11track الأجسام وحساب المسافة التقريبية التقريبي من الكاميرا.

import cv2
from ultralytics import YOLO, solutions

# Load the YOLO11 model for object detection
model = YOLO("yolo11n.pt")

# Initialize the DistanceCalculation solution
# This estimates distance based on bounding box centroids
dist_obj = solutions.DistanceCalculation(names=model.names, view_img=True)

# Open a video file or camera stream
cap = cv2.VideoCapture("path/to/video.mp4")

while cap.isOpened():
    success, im0 = cap.read()
    if not success:
        break

    # Track objects and calculate distance
    tracks = model.track(im0, persist=True, show=False)
    im0 = dist_obj.start_process(im0, tracks)

    # Display result (or save/process further)
    cv2.imshow("Distance Estimation", im0)
    if cv2.waitKey(1) == ord("q"):
        break

cap.release()
cv2.destroyAllWindows()