Görüntü işleme, bilgisayarlı görü ve makine görüsünü keşfetmek

Yapay zeka her türlü veriyi analiz etmek için kullanılabilir ve konu görüntüler ve videolar gibi görsel veriler olduğunda, bu durum farklı teknolojileri içeren görüntü analitiği alanına girer. Görüntü işleme, bilgisayarlı görü ve makine görüsü, görüntüleri ve video karelerini analiz ederek bilgisayarların dünyayı görmesini ve anlamasını mümkün kılar. Bu üç teknoloji benzer görünse de, temel farklar onları çeşitli uygulamalar için kullanışlı kılar. Görüntü işleme, görüntüleri ve video karelerini manipüle etmeye ve iyileştirmeye odaklanırken, bilgisayarlı görü, bilgisayarların içeriklerini yorumlamasına ve anlamasına yardımcı olmak için bu işlenmiş görüntüleri kullanarak bir adım daha ileri gider. Makine görüsü ise, bilgisayarlı görü tekniklerini özellikle denetimler ve kalite kontrol görevleri gibi endüstriyel ortamlara uygular.

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

Bu üç alan; sağlık, üretim ve tarım gibi birçok endüstride çeşitli uygulamalara olanak tanır. Bu makalede, görüntü işleme, bilgisayarlı görü ve makine görüsü kavramlarını inceleyecek ve aralarındaki farkları tartışacağız. Ayrıca nasıl çalıştıklarını ve çeşitli endüstrilerde nasıl kullanıldıklarını ele alacağız. Hadi başlayalım.

Link to this sectionGörüntü 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 aynı zamanda veri işleme ve net, yüksek kaliteli görüntülere sahip görsel veri kümeleri oluşturmak için de gereklidir ve bilgisayarlı görü ve makine görüsü 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 sağlam çerçeveler sunar.

İşte bazı popüler görüntü işleme teknikleri:

• Filtreleme: Filtreleme, değişimleri ve bozulmaları yumuşatarak 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 kaldırmak için medyan filtreleri bulunur.
• Kenar algılama: Piksel yoğunluğundaki keskin değişimleri tespit ederek bir görüntüdeki nesnelerin sınırlarını belirlemek için kullanılır. Tıbbi görüntüleme gibi uygulamalar, organların ve tümörlerin yapısını ana hatlarıyla belirtmek için kenar algılamayı 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.

Link to this sectionBir görüntü işleme uygulamasını keşfetmek#

Görüntü restorasyonu, görüntü işlemenin harika bir uygulama örneğidir. Zamanla bozulmuş bir görüntünün kurtarılmasını içerir. Filtreleme ve gürültü azaltma gibi teknikler; izleri, çizikleri, lekeleri, aşınmayı ve yıpranmayı kaldırmak ve bozulmuş görüntüyü orijinal kalitesine geri döndürmek için kullanılır. Görüntü restorasyonu, eski fotoğraflar gibi görüntülerin düşük kaliteli veya hasarlı olduğu durumlarda özellikle yararlıdır.

Şekil 3. Görüntü işleme, eski hasarlı görüntüleri restore etmek için kullanılabilir.

Link to this sectionBilgisayarlı 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.

Bilgisayarlı görü, gözetim gibi görevleri otomatikleştirmek için kullanılabilir. Ayrıca yüz tanıma, tıbbi görüntüleme ve otonom araçlar gibi çok çeşitli pratik uygulamalara sahiptir. Bilgisayarlı görü modelleri, büyük ölçekli görüntü veri kümelerinden karmaşık özellikleri ve desenleri çıkarmak ve tanımlamak için derin öğrenme teknikleri kullanılarak eğitilir. Çeşitli endüstriler, Ultralytics YOLOv8 gibi bu eğitilmiş modelleri, nesne algılama ve nesne izleme gibi farklı görevler için kullanır.

Şekil 4. Ultralytics YOLOv8 kullanarak nesne tespiti yapmanın bir örneği.

Örneğin, Tesla gibi kendi kendine giden arabalar, gerçek dünyada gezinmek için bilgisayarlı görüyü kullanır. Arabanın yerleşik kameraları tarafından alınan görüntüler, bilgisayarlı görü kullanılarak işlenir. Nesne algılama, izleme ve segmentasyon gibi bilgisayarlı görü görevleri, trafik durumlarını ve çevrelerini anlamak için hayati önem taşır. Bir diğer ilginç uygulama da yüz tanımadır. Bilgisayarlı görü, bir kişinin yüzünü bir görüntü veya video üzerinden yakalayarak, temel özellikleri tanımlayıp bunları depolanmış yüz verileriyle karşılaştırarak görüntülerdeki yüz özelliklerini analiz etmek ve tanımak için kullanılabilir.

Link to this sectionMakine görüsü nedir?#

Makine görüsü, endüstriyel ortamlarda; büyük üretim fabrikaları veya tesislerinde, ürün kalitesini sağlamak ve bitmiş ürünler üzerindeki etiketlerin ve barkodların doğruluğunu kontrol etmek gibi uygulamalar için kullanılır. Makine görüsü, zorlu koşullarda etkili bir şekilde çalışmak için dayanıklı donanıma dayanan, bilgisayarlı görünün uzmanlaşmış bir dalıdır. Bu sistemler endüstriyel uygulamalarla entegre olduğundan, yüksek hız ve gerçek zamanlı doğruluk şarttır.

Nasıl çalıştığına bakalım. İlk olarak, veriler bir veya daha fazla yüksek çözünürlüklü kamera kullanılarak toplanır. Bu kameralar ayrıca kızılötesi veya termal görüntüleme gibi özel özellikler de içerebilir. Ardından, toplanan veriler, ihtiyaç duyulan bilgileri çıkarmak için bilgisayarlı görü teknikleri kullanılarak analiz edilir. Çıkarılan bilgiler, özel uygulamaya bağlı olarak genellikle nesne tanımlama, şekiller, boyutlar, hareketler, desenler ve sahnedeki tüm anomaliler gibi ayrıntıları içerir.

Link to this sectionBir makine görüsü uygulamasını anlamak#

Üretim hatlarındaki kalite kontrolü, yalnızca yüksek kaliteli ürünlerin müşterilere ulaşmasını sağlayarak müşteri memnuniyetinin artmasına ve karların yükselmesine yol açar. Geleneksel yöntemler genellikle manuel denetime dayanır, bu da çok zaman alıcı olabilir ve insan hatasına açık olabilir. Zayıf kalite kontrolü ayrıca üretim gecikmelerine ve mali kayıplara yol açarak şirketin itibarını etkileyebilir. Harika bir çözüm, makine görüsü yardımıyla yüzey denetimi, etiket doğrulama ve nesne konumlandırma gibi görevleri otomatikleştirmektir.

Örneğin, ilaç endüstrisinde ürün kalitesi çok önemlidir ve yüksek standartları korumak için katı düzenlemeler uygulanır. Makine görüsü, blister paketlerin doğru sayıda hap içerdiğinden emin olmak için kullanılabilir ve her paketin 10'lu bir pakette on hap gibi tam olarak doğru miktara sahip olduğunu doğrular. YOLOv8 gibi bir bilgisayarlı görü modeli, nesne algılama kullanarak hapları tanımlamak ve saymak için kullanılabilir.

Şekil 5. Makine görüsü, ilaç endüstrisinde kalite kontrol için kullanılabilir.

Ancak, makine görüsü ile çalışırken göz önünde bulundurulması gereken birkaç sınırlama olduğunu bilmen önemlidir. Makine görüsü sistemleri, endüstriyel ortamlardaki ürünleri aydınlatmak için genellikle mükemmel aydınlatma koşullarına ihtiyaç duyar. Ayrıca verileri yakalamak ve analiz sürecini hızlandırmak için yüksek kaliteli kameralara, işlemcilere ve donanım hızlandırıcılarına ihtiyaç duyulur. Bu sistemlerin endüstriyel ortamlardaki pratik görevler için özel olarak tasarlanmasının doğrudan bir sonucu olarak, kurulumları pahalı olabilir.

Link to this sectionGörüntü 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.

Şekil 6. Görüntü işleme, bilgisayarlı görü ve makine görüsünün yan yana karşılaştırması.

Görüntü işleme; parlaklığı ayarlama veya gürültü filtreleme gibi daha az hesaplama gücü gerektiren ve karmaşık görsel bilgileri anlama yeteneği gerektirmeyen görevler için en iyisidir. Diğer yandan bilgisayarlı görü, görüntülerden anlamlı içgörüler çıkarma ve karmaşık sahneleri yönetme konusunda mükemmeldir, ancak daha fazla hesaplama kaynağı ve karmaşıklık gerektirir. Bu arada makine görüsü otomatik denetim gibi endüstriyel kullanımlar için özel olarak tasarlanmıştır ve genellikle özel ve maliyetli sistemlerle desteklenir.

Link to this sectionBüyük 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 olan katkılarımızı görmek için GitHub depomuza göz at ve topluluğumuzla etkileşime geçmeyi unutma. En son yapay zeka teknolojisiyle üretim ve sağlık gibi endüstrileri nasıl yeniden tanımladığımıza bir göz at.