Görüntü işleme, bilgisayarlı görü ve makine görüsünü keşfetmek

Yapay zeka, her türlü veriyi analiz etmek için kullanılabilir ve işin içine resimler ve videolar gibi görsel veriler girdiğinde, bu durum farklı teknolojileri içeren görüntü analitiği alanına girer. Görüntü işleme, computer vision ve machine vision, bilgisayarların görüntüleri ve video karelerini analiz ederek dünyayı görmesini ve anlamasını mümkün kılar. Bu üç teknoloji benzer görünse de, temel farklılıklar onları çeşitli uygulamalar için yararlı kılar. Görüntü işleme, görüntüleri ve video karelerini manipüle etmeye ve geliştirmeye odaklanırken, computer vision bir adım daha ileri giderek bu işlenmiş görüntüleri bilgisayarların içeriklerini yorumlamasına ve anlamasına yardımcı olmak için kullanır. Öte yandan machine vision, computer vision tekniklerini özellikle denetimler ve kalite kontrol görevleri gibi endüstriyel ortamlara uygular.

Fig 1. Görsel Verileri Analiz Etmek İçin Kullanılan Temel Teknolojiler.

Bu üç alan; healthcare, manufacturing ve agriculture gibi birçok sektörde çeşitli uygulamaları mümkün kılar. Bu makalede görüntü işlemeyi, computer vision ve machine vision teknolojilerini inceleyip aralarındaki farkları ele alacağız. Ayrıca nasıl çalıştıklarını ve çeşitli sektörlerde nasıl kullanıldıklarını adım adım inceleyeceğiz. Haydi başlayalım.

Görüntü işleme nedir?#

Hem bilgisayarlı görü hem de makine görüsünün arkasındaki temel teknik olan görüntü işleme ile başlayalım. Bu süreç, dijital görüntüleri manipüle etmek ve iyileştirmek için algoritmalar kullanmayı, parlaklık, kontrast, renk dengesi gibi parametreleri ayarlamayı veya gürültüyü filtreleyerek onları daha gelişmiş analiz ve yorumlama için hazırlamayı içerir.

Nasıl çalıştığına bir bakalım. Görüntü işleme, görüntülerin ayrı piksellere bölünmesi ve ardından istenen etkileri elde etmek için bu piksellerin manipüle edilmesiyle yapılır. Örneğin, bir görüntüyü daha parlak hale getirmek için algoritma her pikselin yoğunluğunu artırabilir. Benzer şekilde, kenarları tespit etmek için piksel değerlerindeki ani değişimlere bakabilir. Bu piksellere matematiksel işlemler ve algoritmalar uygulayarak, görüntü işleme görüntü kalitesini artırmak, bilgi çıkarmak veya yeni görüntüler oluşturmak için kullanılabilir.

Görüntü işleme teknikleri, veri işleme ve net, yüksek kaliteli görüntülere sahip görsel veri setleri oluşturmak için de hayati önem taşır; ayrıca computer vision ve machine vision sistemlerinin bunları doğru bir şekilde analiz etmesine yardımcı olur. OpenCV ve MATLAB gibi kütüphaneler, bu görüntü işleme tekniklerini çeşitli alanlardaki geliştiriciler ve araştırmacılar için erişilebilir kılan güçlü altyapılar sunar.

İşte bazı popüler görüntü işleme teknikleri:

• Filtreleme: Filtreleme, değişimleri ve bozulmaları yumuşatarak bir görüntüdeki gürültü seviyelerini azaltmak için uygulanır. Bazı yaygın filtreler arasında bulanıklaştırma için Gauss filtreleri ve rastgele beyaz ve siyah pikseller olarak görünen tuz-biber gürültüsünü gidermek için medyan filtreleri yer alır.
• Kenar tespiti: Piksel yoğunluğundaki keskin değişimleri tespit ederek bir görüntüdeki nesnelerin sınırlarını belirlemek için kullanılır. Medical imaging gibi uygulamalar, organların ve tümörlerin yapısını ortaya çıkarmak için kenar tespitini kullanır.
• Eşikleme: Görüntü işlemede eşikleme, bir eşik değeri belirleyerek gri tonlamalı bir görüntünün ikili bir görüntüye dönüştürülmesini içerir. Eşiğin üzerindeki pikseller beyaza (1), altındakiler ise siyaha (0) döndürülür.

Şekil 2. Eşikleme öncesi ve sonrası gri tonlamalı bir görüntü.

Bir görüntü işleme uygulamasını keşfetmek#

Image restoration, görüntü işlemenin bir uygulama alanı için harika bir örnektir. Zamanla kalitesi düşmüş bir görüntünün kurtarılmasını içerir. İşaretleri, çizikleri, lekelenmeleri, aşınma ve yıpranmaları gidermek ve kalitesi düşen görüntüyü orijinal kalitesine geri döndürmek için filtreleme ve gürültü azaltma gibi teknikler kullanılır. Image restoration, özellikle eski fotoğraflar gibi görüntülerin düşük kaliteli veya hasarlı olduğu durumlarda oldukça faydalıdır.

Fig 3. Görüntü işleme, eski ve hasarlı görüntüleri onarmak için kullanılabilir.

Bilgisayarlı görü nedir?#

Görüntüleri değiştirmeye ve geliştirmeye odaklanan görüntü işlemenin aksine, bilgisayarlı görü bilgisayarlara gerçek dünyayı görme ve anlama yeteneği kazandırır. Birçok uygulama, görüntülerdeki veya video karelerindeki nesneleri ve insanları tanımlamak ve anlamak için bilgisayarlı görüyü kullanır. İnsan görüşünü taklit eder ve etrafımızda gördüklerimize nasıl anlam verdiğimizi kopyalamaya çalışır.

Computer vision, surveillance gibi görevleri otomatikleştirmek için kullanılabilir. Ayrıca facial recognition, medical imaging ve autonomous vehicles gibi çok çeşitli pratik uygulamalara sahiptir. Computer vision modelleri, büyük ölçekli image datasets verilerinden karmaşık özellikleri ve kalıpları çıkarmak ve tanımlamak için derin öğrenme teknikleri kullanılarak eğitilir. Çeşitli endüstriler daha sonra Ultralytics YOLOv8 gibi bu eğitilmiş modelleri object detection ve object tracking gibi farklı görevler için kullanır.

Fig 4. Object detection için Ultralytics YOLOv8 kullanımına bir örnek.

Örneğin, Tesla gibi self-driving cars gerçek dünyada yol almak için computer vision kullanır. Arabanın yerleşik kameraları tarafından alınan görüntüler computer vision kullanılarak işlenir. Object detection, tracking ve segmentation gibi computer vision görevleri, traffic durumlarını ve çevrelerindeki ortamı anlamak için hayati önem taşır. Bir diğer ilginç uygulama ise yüz tanımadır. Computer vision; bir kişinin yüzünü bir image veya video üzerinden yakalayarak, temel özellikleri belirleyip bunları depolanan yüz verilerinden oluşan bir veritabanıyla karşılaştırarak görüntülerdeki yüz özelliklerini analiz etmek ve tanımak için kullanılabilir.

Makine görüsü nedir?#

Machine vision is used in industrial settings; büyük üretim fabrikaları veya üretim tesisleri gibi endüstriyel ortamlarda ürün kalitesini garanti etmek, bitmiş ürünler üzerindeki etiketlerin ve barkodların doğruluğunu kontrol etmek gibi uygulamalar için kullanılır. Machine vision, zorlu koşullarda etkili bir şekilde çalışmak için dayanıklı donanıma güvenen, computer vision dalının özelleşmiş bir koludur. Bu sistemler endüstriyel uygulamalarla entegre olduğundan, yüksek hız ve gerçek zamanlı doğruluk esastır.

Nasıl çalıştığına bir bakalım. İlk olarak, bir veya daha fazla yüksek çözünürlüklü kamera kullanılarak veri toplanır. Bu kameralar ayrıca kızılötesi veya thermal imaging gibi özel özellikler de içerebilir. Ardından, toplanan veri, ihtiyaç duyulan bilgileri çıkarmak için computer vision teknikleri kullanılarak analiz edilir. Çıkarılan bilgiler, belirli uygulamaya bağlı olarak genellikle nesne tanımlama, şekiller, boyutlar, hareketler, kalıplar ve sahnede bulunan her türlü anormallik gibi ayrıntıları içerir.

Bir makine görüsü uygulamasını anlamak#

Manufacturing production hatlarındaki kalite kontrolü, yalnızca yüksek kaliteli ürünlerin müşterilere ulaşmasını sağlayarak daha yüksek müşteri memnuniyetine ve artan kârlılığa yol açar. Geleneksel yöntemler genellikle çok zaman alabilen ve insan hatasına açık olan manuel denetime dayanır. Zayıf kalite kontrolü ayrıca üretim gecikmelerine ve mali kayıplara yol açarak şirketin itibarını olumsuz etkileyebilir. Harika bir çözüm, machine vision yardımıyla yüzey denetimi, etiket doğrulama ve nesne konumlandırma gibi görevleri otomatikleştirmektir.

Örneğin, pharmaceutical industry içinde ürün kalitesi çok önemlidir ve yüksek standartları korumak için sıkı düzenlemeler uygulanır. Machine vision, blister ambalajların doğru sayıda hap içerdiğinden emin olmak, her ambalajın tam olarak doğru miktara sahip olduğunu (örneğin 10'lu bir pakette on hap) doğrulamak için kullanılabilir. YOLOv8 gibi bir computer vision modeli, object detection kullanarak hapları tanımlamak ve saymak için kullanılabilir.

Fig 5. Machine vision, ilaç sektöründe kalite kontrol amacıyla kullanılabilir.

Ancak, machine vision ile çalışırken dikkate alınması gereken birkaç sınırlama olduğunun farkında olmak önemlidir. Machine vision sistemleri genellikle endüstriyel ortamlarda ürünleri aydınlatmak için mükemmel aydınlatma koşullarına ihtiyaç duyar. Verileri yakalamak ve analiz sürecini hızlandırmak için yüksek kaliteli kameralar, işlemciler ve donanım hızlandırıcılar da gereklidir. Bu sistemlerin özellikle endüstriyel ortamlardaki pratik görevler için tasarlanmış olmasının doğrudan bir sonucu olarak, kurulum maliyetleri yüksek olabilir.

Görüntü işleme, bilgisayarlı görü ve makine görüsü arasındaki temel farklar#

Artık her üç teknolojiyi ayrı ayrı tartıştığımıza ve bazı uygulamalarına baktığımıza göre, onları yan yana daha yakından inceleyelim.

Fig 6. Görüntü işleme, computer vision ve machine vision sistemlerinin yan yana karşılaştırması.

Görüntü işleme; parlaklık ayarı veya daha az hesaplama gücü gerektiren ve karmaşık görsel bilgileri anlama yeteneği istemeyen gürültü filtreleme gibi görevler için en iyisidir. Öte yandan computer vision, görüntülerden anlamlı içgörüler çıkarmada ve karmaşık sahneleri yönetmede üstündür, ancak daha fazla hesaplama kaynağı ve karmaşıklık gerektirir. Bu arada machine vision; otomatik denetim gibi endüstriyel kullanımlar için özel olarak tasarlanmıştır ve genellikle özelleşmiş ve masraflı sistemler tarafından desteklenir.

Büyük resme bakmak#

Görüntü işleme, bilgisayarlı görü ve makine görüsü birbirleriyle yakından ilişkili olsa da, her biri farklı amaçlara hizmet eder. Görüntü işleme, görüntüleri piksel düzeyinde iyileştirir ve manipüle eder, bu da onu görüntü yeniden oluşturma gibi görevler için çok yararlı kılar.

Bilgisayarlı görü ise, bilgisayarlara görsel verileri anlama ve anlamlandırma yeteneği kazandırarak biraz daha ileri gider. Yüz tanıma ve kendi kendine giden arabalar gibi kullanım durumları için kritiktir. Ayrıca makine görüsü özellikle endüstriyel uygulamalar için kullanılır. Denetimler ve kalite kontrol gibi endüstriyel süreçleri otomatikleştirir.

Bu teknolojileri ve aralarındaki farkları anlayarak, uygulamalarınız için en uygun olanı seçebilir, bu da daha yüksek verimlilik ve daha iyi sonuçlar elde etmenizi sağlar.

Birlikte öğrenelim ve keşfedelim! Yapay zekaya yaptığımız katkıları görmek için GitHub repository sayfamıza göz atın ve community ile etkileşim kurmayı unutmayın. Son teknoloji yapay zeka teknolojisiyle manufacturing ve healthcare gibi sektörleri nasıl yeniden tanımladığımıza göz atın.