Tìm hiểu về edge detection trong xử lý hình ảnh

Là con người, chúng ta tự nhiên nhận diện được các cạnh của vật thể, theo dõi đường cong và nhận thấy kết cấu trên bề mặt của chúng khi nhìn vào một hình ảnh. Tuy nhiên, đối với máy tính, sự hiểu biết bắt đầu từ cấp độ từng điểm ảnh (pixel) đơn lẻ.

Một pixel, đơn vị nhỏ nhất của hình ảnh kỹ thuật số, lưu trữ màu sắc và độ sáng tại một điểm duy nhất. Bằng cách theo dõi những thay đổi trong các giá trị pixel này trên toàn bộ hình ảnh, máy tính có thể phát hiện các mô hình tiết lộ những chi tiết quan trọng.

Đặc biệt, xử lý hình ảnh sử dụng dữ liệu pixel để nhấn mạnh các đặc trưng thiết yếu và loại bỏ những yếu tố gây nhiễu. Một kỹ thuật xử lý hình ảnh phổ biến là phát hiện cạnh, giúp xác định các điểm nơi độ sáng hoặc màu sắc thay đổi đột ngột để phác thảo vật thể, đánh dấu ranh giới và tạo cấu trúc.

Điều này cho phép máy tính tách biệt các hình dạng, đo lường kích thước và diễn giải cách các phần của một cảnh kết nối với nhau. Phát hiện cạnh thường là bước đầu tiên trong phân tích hình ảnh nâng cao.

Hình 1. Ví dụ hiển thị hình ảnh gốc bên cạnh các kết quả đầu ra từ các phương pháp phát hiện cạnh khác nhau. (Nguồn)

Trong bài viết này, chúng ta sẽ cùng tìm hiểu phát hiện cạnh là gì, cơ chế hoạt động và các ứng dụng thực tế của nó. Hãy bắt đầu thôi!

Link to this sectionCác khái niệm về phát hiện cạnh#

Phát hiện cạnh tập trung vào việc tìm kiếm các vị trí trong hình ảnh nơi độ sáng hoặc màu sắc thay đổi rõ rệt từ điểm này sang điểm khác. Nếu sự thay đổi nhỏ, vùng đó xuất hiện trơn tru. Nếu sự thay đổi sắc nét, nó thường đánh dấu ranh giới giữa hai vùng khác nhau.

Dưới đây là một số lý do tại sao những thay đổi pixel này xảy ra:

• Sự không liên tục của pháp tuyến bề mặt: Khi hai bề mặt gặp nhau tại một góc, như góc tường hoặc mép hộp, sự thay đổi hướng đột ngột này tạo ra một ranh giới rõ ràng trong hình ảnh.
• Sự không liên tục về độ sâu: Chúng xuất hiện tại nơi các vật thể ở các khoảng cách khác nhau so với camera, tạo ra sự tách biệt có thể nhìn thấy giúp hệ thống phân biệt chúng.
• Thay đổi màu sắc hoặc kết cấu bề mặt: Điều này xảy ra khi một vùng có màu sắc hoặc kết cấu khác biệt so với vùng lân cận, tạo ra sự phân tách rõ rệt.
• Thay đổi độ sáng: Điều này phát sinh từ các thay đổi ánh sáng, bao gồm bóng đổ hoặc các điểm sáng trên bề mặt, tạo ra sự phân tách rõ rệt ngay cả khi bản thân bề mặt đó là trơn nhẵn hoặc liên tục.

Hình 2. Các loại gián đoạn cạnh khác nhau trong hình ảnh. (Nguồn)

Link to this sectionCơ chế hoạt động của nhận diện phát hiện cạnh#

Phát hiện cạnh thường bắt đầu bằng việc chuyển đổi hình ảnh màu sang ảnh thang độ xám (grayscale), để mỗi điểm chỉ thể hiện độ sáng. Điều này giúp thuật toán tập trung vào sự khác biệt giữa sáng và tối thay vì màu sắc dễ dàng hơn.

Tiếp theo, các bộ lọc đặc biệt có thể quét hình ảnh để tìm các vị trí có độ sáng thay đổi đột ngột. Các bộ lọc này tính toán mức độ thay đổi độ sáng, được gọi là gradient. Một gradient cao hơn gây ra bởi sự khác biệt lớn hơn giữa các điểm lân cận, điều này thường báo hiệu một cạnh.

Sau đó, thuật toán tiếp tục tinh chỉnh hình ảnh, loại bỏ các chi tiết nhỏ và chỉ giữ lại những đường nét và hình dạng quan trọng nhất. Kết quả là một đường phác thảo rõ ràng và hình ảnh đầu ra có thể được sử dụng để phân tích thêm.

Link to this sectionSự phát triển của phát hiện cạnh và xử lý hình ảnh#

Trước khi đi sâu hơn vào phát hiện cạnh, hãy cùng thảo luận về cách nó phát triển theo thời gian.

Xử lý hình ảnh bắt đầu với các phương pháp dựa trên quy tắc đơn giản như thresholding và lọc để làm sạch và cải thiện hình ảnh. Trong kỷ nguyên analog, điều này có nghĩa là làm việc với các bức ảnh hoặc phim bằng cách sử dụng bộ lọc quang học, kính lúp hoặc xử lý hóa học để làm nổi bật chi tiết.

Các kỹ thuật như điều chỉnh độ tương phản, khử nhiễu, điều chỉnh cường độ hình ảnh và phát hiện cạnh cơ bản đã giúp làm cho hình ảnh đầu vào rõ ràng hơn và làm nổi bật các hình dạng và kết cấu. Trong những năm 1960 và 70, sự chuyển dịch từ xử lý analog sang kỹ thuật số đã mở đường cho phân tích hiện đại trong các lĩnh vực như thiên văn học, hình ảnh y tế và giám sát vệ tinh.

Đến những năm 1980 và 90, máy tính nhanh hơn đã giúp thực hiện các nhiệm vụ phức tạp hơn như trích xuất đặc trưng, phát hiện hình dạng và nhận diện vật thể cơ bản. Các thuật toán như toán tử Sobel và Canny đã cung cấp khả năng phát hiện cạnh chính xác hơn, trong khi nhận dạng mẫu đã tìm thấy ứng dụng trong mọi lĩnh vực từ tự động hóa công nghiệp đến đọc văn bản in thông qua optical character recognition.

Link to this sectionPhát hiện cạnh và thị giác máy tính trong thế kỷ 21#

Ngày nay, những tiến bộ không ngừng trong công nghệ đã dẫn đến sự phát triển của computer vision. Vision AI, hay thị giác máy tính, là một nhánh của AI tập trung vào việc dạy máy tính diễn giải và hiểu thông tin hình ảnh.

Trong khi xử lý hình ảnh truyền thống, như ngưỡng kép (double thresholding - giúp hình ảnh rõ hơn bằng cách giữ các cạnh mạnh và loại bỏ các cạnh yếu) và phát hiện cạnh, tuân theo các quy tắc cố định và chỉ có thể xử lý các nhiệm vụ cụ thể, thì thị giác máy tính sử dụng các mô hình dựa trên dữ liệu có thể học hỏi từ các ví dụ và thích nghi với các tình huống mới.

Ngày nay, các hệ thống hình ảnh không chỉ dừng lại ở việc tăng cường hình ảnh hoặc phát hiện cạnh. Chúng có thể nhận diện vật thể, theo dõi chuyển động và hiểu ngữ cảnh của toàn bộ cảnh quan.

Một trong những kỹ thuật quan trọng tạo nên điều này là tích chập (convolution). Phép toán tích chập là một quá trình trong đó các bộ lọc nhỏ (còn gọi là kernels) quét một hình ảnh để tìm các mô hình quan trọng như cạnh, góc và kết cấu. Các mô hình này trở thành những khối xây dựng mà các mô hình thị giác máy tính sử dụng để nhận diện và hiểu vật thể.

Ví dụ, các mô hình thị giác máy tính như Ultralytics YOLO11 sử dụng các đặc trưng dựa trên tích chập này để thực hiện các nhiệm vụ nâng cao như phân đoạn thực thể (instance segmentation). Điều này có liên quan chặt chẽ đến phát hiện cạnh vì phân đoạn thực thể yêu cầu phác thảo chính xác ranh giới của từng vật thể trong hình ảnh.

Trong khi phát hiện cạnh tập trung vào việc tìm kiếm các thay đổi cường độ trong các pixel cạnh để đánh dấu ranh giới vật thể, phân đoạn thực thể xây dựng dựa trên ý tưởng đó để phát hiện cạnh, phân loại và tách biệt từng vật thể thành vùng riêng của nó.

Hình 3. Cái nhìn về việc sử dụng YOLO11 và phân đoạn thực thể. (Nguồn)

Link to this sectionCác thuật toán và phương pháp tiếp cận phát hiện cạnh#

Ngay cả với sự phát triển của thị giác máy tính, xử lý hình ảnh vẫn là một phần quan trọng của nhiều ứng dụng. Đó là vì thị giác máy tính thường dựa trên các bước tiền xử lý hình ảnh cơ bản.

Trước khi phát hiện vật thể hoặc hiểu một cảnh, các hệ thống thường làm sạch hình ảnh, giảm nhiễu và tìm cạnh để làm nổi bật các chi tiết quan trọng. Các bước này giúp các mô hình nâng cao chính xác và hiệu quả hơn.

Tiếp theo, hãy khám phá một số thuật toán xử lý hình ảnh phổ biến được sử dụng để phát hiện cạnh và cách chúng hoạt động.

Link to this sectionPhát hiện cạnh Sobel#

Phát hiện cạnh Sobel là một phương pháp quan trọng được sử dụng để tìm đường viền của các vật thể trong hình ảnh. Thay vì phân tích mọi chi tiết cùng một lúc, nó tập trung vào các vùng nơi độ sáng thay đổi sắc nét từ pixel này sang pixel lân cận tiếp theo.

Những sự thay đổi đột ngột này thường đánh dấu điểm nơi một vật thể kết thúc và vật thể khác bắt đầu, hoặc nơi một vật thể gặp nền. Bằng cách tách biệt các cạnh này, Sobel biến đổi một hình ảnh phức tạp thành một đường viền sạch hơn, giúp các hệ thống khác xử lý dễ dàng hơn cho các nhiệm vụ như theo dõi chuyển động, phát hiện hình dạng hoặc nhận diện vật thể.

Bạn có thể coi phát hiện cạnh Sobel như một bộ dò gradient đo lường cường độ thay đổi trên toàn bộ hình ảnh. Về cốt lõi, điều này hoạt động thông qua phép toán tích chập: trượt các ma trận nhỏ, gọi là kernels, trên hình ảnh và tính tổng có trọng số của các giá trị pixel lân cận.

Các kernel này được thiết kế để nhấn mạnh những thay đổi về độ sáng dọc theo các hướng ngang và dọc. Không giống như các mô hình deep learning, nơi các kernel được học từ dữ liệu, Sobel sử dụng các kernel cố định để làm nổi bật các cạnh một cách hiệu quả mà không cần đào tạo.

Dưới đây là cái nhìn sâu hơn về cách phương pháp phát hiện cạnh Sobel hoạt động:

• Sử dụng hai bộ lọc 3×3: Phương pháp này sử dụng hai lưới 3×3 nhỏ, được gọi là bộ lọc. Hãy coi chúng như những khuôn tô trượt trên hình ảnh theo phương ngang (x-direction) và phương dọc (y-direction). Một lưới được thiết kế để tìm các cạnh ngang, và lưới kia dành cho các cạnh dọc.
• Tính toán gradient: Mỗi bộ lọc tìm ra tốc độ thay đổi độ sáng và hướng gradient. Một sự thay đổi lớn đồng nghĩa với một cạnh tiềm năng.
• Kết hợp kết quả: Các kết quả ngang và dọc được kết hợp để xác định cường độ và hướng cạnh tổng thể tại mỗi pixel.
• Phát hiện các cạnh: Các pixel có cường độ gradient cao được đánh dấu là các cạnh mạnh.
• Phác thảo ranh giới: Những cạnh này giúp xác định hình dạng vật thể và tách biệt các vùng khác nhau trong hình ảnh.

Hình 4. Phát hiện cạnh Sobel có thể làm nổi bật các đường viền chính của một hình ảnh đầu vào và tạo ra bản đồ cạnh. (Nguồn)

Link to this sectionPhát hiện cạnh Canny#

Phát hiện cạnh Canny là một phương pháp phổ biến khác để tìm cạnh trong hình ảnh. Nó nổi tiếng với việc tạo ra các đường viền sạch và chính xác. Không giống như các kỹ thuật phát hiện cạnh cơ bản, nó tuân theo một chuỗi các bước được thiết kế cẩn thận để lọc nhiễu, làm sắc nét ranh giới và tập trung vào các cạnh quan trọng nhất.

Dưới đây là tổng quan nhanh về cách bộ dò cạnh Canny hoạt động:

• Làm mịn hình ảnh: Hình ảnh trước tiên được làm mờ bằng bộ lọc Gaussian, một kỹ thuật làm mịn giúp giảm nhiễu và các chi tiết nhỏ có thể bị nhầm lẫn với cạnh.
• Phát hiện thay đổi độ sáng: Sau đó, thuật toán quét các thay đổi đột ngột về độ sáng, sử dụng các tính toán gradient để đo lường cường độ và hướng của những thay đổi đó.
• Làm mỏng các cạnh: Chỉ các điểm mạnh nhất dọc theo mỗi đường được phát hiện mới được giữ lại, trong khi các điểm yếu hơn bị loại bỏ, dẫn đến các cạnh sắc nét và sạch sẽ.
• Phân loại các cạnh: Mỗi pixel được gắn nhãn là mạnh, yếu hoặc không phải là cạnh, dựa trên các giá trị ngưỡng của sự thay đổi độ sáng.
• Làm sạch cuối cùng: Các cạnh yếu kết nối với các cạnh mạnh được giữ lại; tất cả những cạnh khác bị loại bỏ, chỉ để lại các ranh giới kết nối rõ ràng.

Hình 5. Hình ảnh gốc và hình ảnh đầu ra tương ứng sau khi sử dụng bộ dò cạnh Canny. (Nguồn)

Vì mang lại kết quả chính xác trong khi lọc nhiễu, phát hiện cạnh Canny được sử dụng rộng rãi trong các lĩnh vực yêu cầu sự chính xác. Ví dụ, nó được sử dụng trong các ngành công nghiệp như hình ảnh y tế, lập bản đồ vệ tinh, quét tài liệu và thị giác robot.

Link to this sectionPhát hiện cạnh dựa trên Gradient so với dựa trên Gaussian#

Cho đến nay, hai ví dụ về phát hiện cạnh mà chúng ta đã xem xét là Sobel và Canny. Mặc dù cả hai đều nhằm mục đích tìm các cạnh, chúng tiếp cận vấn đề theo cách khác nhau.

Các phương pháp dựa trên gradient (như Sobel, Prewitt và Scharr) phát hiện cạnh bằng cách tìm kiếm những thay đổi sắc nét về độ sáng, được gọi là gradient. Chúng quét hình ảnh và đánh dấu những nơi thay đổi này mạnh nhất. Các phương pháp này đơn giản, nhanh chóng và hoạt động tốt khi hình ảnh rõ ràng. Tuy nhiên, chúng nhạy cảm với nhiễu - những biến đổi nhỏ về độ sáng có thể bị nhầm lẫn là cạnh.

Các phương pháp dựa trên Gaussian (như Canny hoặc Laplacian of Gaussian) thêm một bước bổ sung để xử lý vấn đề này: làm mờ hình ảnh trước. Sự làm mịn này, thường thực hiện với bộ lọc Gaussian, làm giảm các biến đổi nhỏ có thể tạo ra các cạnh giả. Sau khi làm mịn, các phương pháp này vẫn tìm kiếm những thay đổi độ sáng sắc nét, nhưng kết quả sạch hơn và chính xác hơn cho các hình ảnh nhiễu hoặc chất lượng thấp.

Hình 6. Phát hiện cạnh dựa trên Gradient so với dựa trên Gaussian. Ảnh của tác giả.

Link to this sectionCác ứng dụng thực tế của phát hiện cạnh#

Với sự hiểu biết tốt hơn về cách hoạt động của phát hiện cạnh, hãy cùng khám phá cách nó được áp dụng trong các tình huống thực tế.

Link to this sectionSử dụng phát hiện cạnh để xác định các vết nứt#

Việc kiểm tra các cấu trúc bê tông lớn, như cầu và tòa nhà cao tầng, thường là một công việc khó khăn và nguy hiểm. Những cấu trúc này có thể trải dài trên khoảng cách xa hoặc đạt đến độ cao lớn, làm cho việc kiểm tra truyền thống trở nên chậm chạp, tốn kém và rủi ro. Các cuộc kiểm tra này cũng thường yêu cầu giàn giáo, tiếp cận bằng dây, đo đạc thủ công ở cự ly gần hoặc nhiếp ảnh.

Một phương pháp thú vị đã được khám phá vào năm 2019, khi các nhà nghiên cứu thử nghiệm một cách an toàn và nhanh chóng hơn bằng cách sử dụng máy bay không người lái được trang bị camera độ phân giải cao để chụp ảnh đầu vào chi tiết của các bề mặt bê tông. Những hình ảnh này sau đó được xử lý bằng nhiều kỹ thuật phát hiện cạnh khác nhau để tự động xác định các vết nứt.

Nghiên cứu cho thấy phương pháp này giảm đáng kể nhu cầu tiếp cận trực tiếp của con người vào các khu vực nguy hiểm và đẩy nhanh quá trình kiểm tra. Tuy nhiên, độ chính xác của nó vẫn phụ thuộc vào các yếu tố như điều kiện ánh sáng, độ rõ nét của hình ảnh và hoạt động ổn định của máy bay không người lái. Trong một số trường hợp, vẫn cần đánh giá của con người để loại bỏ các kết quả dương tính giả.

Link to this sectionÁp dụng phát hiện cạnh trong hình ảnh y tế#

X-quang và MRI thường chứa các nhiễu loạn hình ảnh được gọi là nhiễu, điều này có thể làm cho các chi tiết nhỏ khó nhìn thấy hơn. Đây trở thành thách thức cho các bác sĩ khi cố gắng phát hiện cạnh của khối u, theo dõi đường viền của một cơ quan hoặc giám sát những thay đổi tinh vi theo thời gian.

Một nghiên cứu về hình ảnh y tế gần đây đã thử nghiệm khả năng xử lý các hình ảnh nhiễu của các phương pháp phát hiện cạnh phổ biến như Sobel, Canny, Prewitt và Laplacian. Các nhà nghiên cứu đã thêm các loại và mức độ nhiễu khác nhau vào hình ảnh và kiểm tra mức độ chính xác mà mỗi phương pháp có thể phác thảo các đặc trưng quan trọng.

Canny thường tạo ra các cạnh sạch nhất, ngay cả khi nhiễu nặng, nhưng nó không phải là tốt nhất trong mọi trường hợp. Một số phương pháp hoạt động tốt hơn với các kiểu nhiễu nhất định, vì vậy không có một giải pháp hoàn hảo duy nhất.

Hình 7. Canny (d–f) cung cấp các cạnh rõ ràng hơn Sobel (g–i) khi nhiễu tăng lên. (Nguồn)

Điều này làm nổi bật lý do tại sao các công nghệ như thị giác máy tính lại quan trọng như vậy. Bằng cách kết hợp các thuật toán nâng cao và mô hình vision AI, các giải pháp như vậy có thể vượt xa việc phát hiện cạnh cơ bản để mang lại kết quả chính xác, đáng tin cậy hơn ngay cả trong những điều kiện khó khăn.

Link to this sectionƯu điểm của phát hiện cạnh#

Dưới đây là một số lợi ích của việc sử dụng phát hiện cạnh và xử lý hình ảnh:

• Nén dữ liệu tốt hơn: Phát hiện cạnh cho phép hình ảnh được biểu diễn chỉ bằng các đặc trưng chính, làm giảm kích thước tệp trong khi vẫn giữ lại thông tin thiết yếu. Điều này giúp việc lưu trữ và truyền tải hiệu quả hơn.
• Định vị vật thể chính xác hơn: Bằng cách xác định chính xác ranh giới vật thể, phát hiện cạnh cải thiện khả năng định vị và theo dõi vật thể của các hệ thống, mang lại lợi ích cho các ứng dụng như AI trong robot và xe tự lái.
• Phát hiện đặc trưng đa quy mô: Các kỹ thuật phát hiện cạnh có thể phân tích hình ảnh ở các quy mô khác nhau, nắm bắt cả các chi tiết nhỏ và hình dạng lớn hơn. Sự linh hoạt này hữu ích cho nhiều nhiệm vụ đa dạng, từ phân tích kết cấu đến hiểu ngữ cảnh toàn cảnh.

Link to this sectionHạn chế của việc sử dụng xử lý hình ảnh cho phát hiện cạnh#

Mặc dù có nhiều lợi ích khi phát hiện cạnh trong xử lý hình ảnh, nó cũng đi kèm với một vài thách thức. Dưới đây là một số hạn chế chính cần xem xét:

• Vấn đề với các kết cấu phức tạp: Trong hình ảnh có các mô hình phức tạp hoặc lặp đi lặp lại, phát hiện cạnh thường tạo ra nhiều cạnh giả hoặc không liên quan, gây phức tạp cho phân tích sâu hơn và làm giảm độ tin cậy.
• Nhạy cảm với ánh sáng: Những thay đổi về độ sáng, bóng đổ và phản xạ có thể khiến các bộ dò cạnh hiểu sai các thay đổi về ánh sáng thành ranh giới vật thể, dẫn đến các kết quả không nhất quán.
• Không nhận diện được vật thể: Mặc dù các cạnh làm nổi bật nơi vật thể bắt đầu và kết thúc, chúng không cho thấy vật thể đó là gì. Cần xử lý bổ sung để gán ý nghĩa hoặc nhãn cho các cạnh đã phát hiện.

Link to this sectionKhi nào có thể sử dụng thị giác máy tính cho phát hiện cạnh#

Phát hiện cạnh được lấy cảm hứng từ cách mắt và não bộ của chúng ta cùng hoạt động để hiểu thế giới. Đối với thị giác con người, các neuron chuyên biệt trong vỏ não thị giác rất nhạy cảm với các cạnh, đường nét và ranh giới.

Những tín hiệu thị giác này giúp chúng ta nhanh chóng xác định nơi một vật thể kết thúc và vật thể khác bắt đầu. Đây là lý do tại sao ngay cả một bức vẽ đường nét đơn giản cũng có thể nhận diện được ngay lập tức - não bộ của chúng ta dựa rất nhiều vào các cạnh để xác định hình dạng và vật thể.

Thị giác máy tính hướng tới việc mô phỏng khả năng này nhưng còn tiến xa hơn một bước. Các mô hình như Ultralytics YOLO11 vượt xa việc làm nổi bật cạnh và tăng cường hình ảnh cơ bản. Chúng có thể phát hiện vật thể, phác thảo chúng với độ chính xác cao và theo dõi chuyển động trong thời gian thực. Mức độ hiểu biết sâu sắc này làm cho chúng trở nên cần thiết trong các tình huống mà phát hiện cạnh đơn thuần không đủ đáp ứng.

Link to this sectionSử dụng Ultralytics YOLO11 để phát hiện cạnh chính xác hơn#

Dưới đây là một số công việc thị giác máy tính chính được YOLO11 hỗ trợ, xây dựng dựa trên và vượt ra ngoài phát hiện cạnh:

• Phát hiện vật thể (Object detection): Nó nhận diện và định vị nhiều vật thể trong một hình ảnh hoặc video bằng cách vẽ các bounding box xung quanh từng vật thể, cung cấp cái nhìn rõ ràng về những gì hiện diện và vị trí của từng vật thể.
• Phân đoạn thực thể (Instance segmentation): Điều này bao gồm việc phân tách các vật thể xuống cấp độ pixel, tạo ra các đường viền sạch và chính xác ngay cả khi các vật thể chồng chéo hoặc có hình dạng bất thường.
• Pose estimation: Mục tiêu ở đây là xác định vị trí, hướng hoặc tư thế của một đối tượng hoặc con người, giúp theo dõi chuyển động hoặc phát hiện các thay đổi cấu trúc theo thời gian.
• Object tracking: Tác vụ này theo dõi một đối tượng khi nó di chuyển qua các khung hình video, đảm bảo nhận dạng nhất quán cho việc quan sát chính xác trong thời gian dài.
• Image classification: Tác vụ này gán nhãn cho các đối tượng hoặc toàn bộ hình ảnh dựa trên các đặc trưng thị giác, giúp việc tổ chức và diễn giải các tập dữ liệu lớn trở nên dễ dàng hơn.

Link to this sectionPhát hiện cạnh trong cơ sở hạ tầng với computer vision#

Một ví dụ điển hình về việc computer vision nâng cao ứng dụng vốn dựa trên edge detection truyền thống là phát hiện vết nứt trong cơ sở hạ tầng và tài sản công nghiệp. Các model computer vision như YOLO11 có thể được huấn luyện để xác định chính xác các vết nứt trên đường bộ, cầu cống và đường ống. Kỹ thuật tương tự cũng có thể được áp dụng trong bảo trì máy bay, kiểm tra tòa nhà và kiểm soát chất lượng sản xuất, giúp tăng tốc độ kiểm tra và cải thiện độ an toàn.

Hình 8. Ví dụ về việc sử dụng YOLO11 cho phân đoạn vết nứt. (Nguồn)

Link to this sectionCác điểm chính cần lưu ý#

Edge detection đã có bước tiến dài, từ các phương pháp sơ khai đơn giản đến những kỹ thuật tiên tiến có khả năng nhận diện ngay cả những ranh giới tinh vi trong các hình ảnh phức tạp. Nó giúp làm nổi bật các chi tiết quan trọng, nhấn mạnh các khu vực chính và chuẩn bị hình ảnh cho việc phân tích sâu hơn, trở thành một phần cốt lõi trong xử lý hình ảnh.

Trong computer vision, edge detection đóng một vai trò quan trọng trong việc xác định hình dạng, phân tách các đối tượng và trích xuất thông tin hữu ích. Nó được sử dụng trong nhiều lĩnh vực như chẩn đoán hình ảnh y tế, kiểm tra công nghiệp, lái xe tự động và an ninh để mang lại sự hiểu biết về thị giác chính xác và đáng tin cậy.

Hãy tham gia cộng đồng của chúng tôi và khám phá kho lưu trữ GitHub của chúng tôi để tìm hiểu thêm về AI. Nếu bạn đang muốn bắt đầu dự án vision AI của riêng mình, hãy xem qua các tùy chọn cấp phép của chúng tôi. Khám phá thêm về các ứng dụng như AI trong chăm sóc sức khỏe và vision AI trong bán lẻ bằng cách truy cập các trang giải pháp của chúng tôi.