Tìm hiểu về phát hiện biên trong xử lý ảnh

Con người chúng ta tự nhiên nhận biết các cạnh của vật thể, theo dõi đường cong và chú ý đến kết cấu bề mặt khi nhìn vào một ảnh. Tuy nhiên, với máy tính, quá trình hiểu ảnh bắt đầu từ cấp độ từng pixel.

Pixel, đơn vị nhỏ nhất của ảnh số, lưu trữ màu sắc và độ sáng tại một điểm. Bằng cách theo dõi sự thay đổi giá trị pixel trên ảnh, máy tính có thể phát hiện các mẫu thể hiện những chi tiết quan trọng.

Cụ thể, xử lý ảnh sử dụng dữ liệu pixel để làm nổi bật các đặc trưng thiết yếu và loại bỏ yếu tố gây nhiễu. Một kỹ thuật xử lý ảnh phổ biến là phát hiện cạnh, giúp xác định các điểm có độ sáng hoặc màu sắc thay đổi đột ngột nhằm phác họa vật thể, đánh dấu ranh giới và tạo cấu trúc.

Nhờ đó, máy tính có thể tách các hình dạng, đo kích thước và diễn giải mối liên hệ giữa các phần trong một cảnh. Phát hiện cạnh thường là bước đầu tiên trong quá trình phân tích ảnh nâng cao.

Hình 1. Ví dụ so sánh ảnh gốc với kết quả từ các phương pháp phát hiện cạnh khác nhau. (Nguồn)

Trong bài viết này, chúng ta sẽ tìm hiểu phát hiện cạnh là gì, cách thức hoạt động và các ứng dụng thực tế của phương pháp này.

Các khái niệm về phát hiện cạnh#

Phát hiện cạnh tập trung tìm những vị trí trong ảnh mà độ sáng hoặc màu sắc thay đổi đáng kể từ điểm này sang điểm kế tiếp. Nếu mức thay đổi nhỏ, vùng ảnh trông mượt mà. Nếu thay đổi đột ngột, đó thường là ranh giới giữa hai vùng khác nhau.

Dưới đây là một số nguyên nhân khiến các pixel này thay đổi:

• Gián đoạn pháp tuyến bề mặt: Khi hai bề mặt gặp nhau theo một góc, chẳng hạn góc tường hoặc cạnh hộp, sự thay đổi hướng đột ngột tạo nên ranh giới rõ ràng trong ảnh.
• Gián đoạn độ sâu: Hiện tượng này xuất hiện khi các vật thể nằm ở những khoảng cách khác nhau so với camera, tạo ra sự phân tách rõ rệt giúp hệ thống phân biệt chúng.
• Thay đổi màu sắc hoặc kết cấu bề mặt: Hiện tượng này xảy ra khi một vùng có màu sắc hoặc kết cấu khác với vùng liền kề, tạo nên ranh giới rõ ràng.
• Thay đổi độ chiếu sáng: Hiện tượng này phát sinh do ánh sáng thay đổi, bao gồm bóng đổ hoặc vùng sáng trên bề mặt, tạo ra ranh giới rõ ràng ngay cả khi bản thân các bề mặt mượt mà hoặc liên tục.

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

Quá trình phát hiện cạnh hoạt động như thế nào?#

Phát hiện cạnh thường bắt đầu bằng cách chuyển ảnh màu thành ảnh xám, để mỗi điểm chỉ thể hiện độ sáng. Nhờ đó, thuật toán tập trung vào sự khác biệt giữa vùng sáng và vùng tối thay vì màu sắc.

Tiếp theo, các bộ lọc chuyên dụng quét ảnh để tìm những vị trí có độ sáng thay đổi đột ngột. Các bộ lọc này tính toán mức độ thay đổi của độ sáng, gọi là gradient. Gradient cao xuất hiện do chênh lệch lớn giữa các điểm gần nhau và thường báo hiệu một cạnh.

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

Quá trình phát triển của phát hiện cạnh và xử lý ảnh#

Trước khi tìm hiểu sâu hơn về phát hiện cạnh, hãy cùng xem phương pháp này đã phát triển theo thời gian như thế nào.

Xử lý ảnh bắt đầu với các phương pháp đơn giản dựa trên quy tắc như phân ngưỡng và lọc để làm sạch, cải thiện hình ảnh. Trong thời kỳ analog, việc này đồng nghĩa với xử lý ảnh chụp hoặc phim bằng bộ lọc quang học, kính phóng đại hoặc phương pháp hóa học để làm nổi bật chi tiết.

Các kỹ thuật như điều chỉnh độ tương phản, giảm nhiễu, điều chỉnh cường độ ảnh và phát hiện cạnh cơ bản giúp làm rõ ảnh đầu vào, đồng thời làm nổi bật hình dạng và kết cấu. Trong thập niên 1960 và 1970, quá trình chuyển đổi từ xử lý analog sang xử lý số đã mở đường cho các phương pháp phân tích hiện đại trong những lĩnh vực như thiên văn học, chẩn đoán hình ảnh y tế và giám sát vệ tinh.

Đến thập niên 1980 và 1990, máy tính nhanh hơn cho phép xử lý các tác vụ phức tạp hơn như trích xuất đặc trưng, phát hiện hình dạng và nhận diện đối tượng cơ bản. Các thuật toán như toán tử Sobel và bộ phát hiện cạnh Canny giúp phát hiện cạnh chính xác hơn, trong khi nhận dạng mẫu được ứng dụng trong nhiều lĩnh vực, từ tự động hóa công nghiệp đến đọc văn bản in bằng nhận dạng ký tự quang học.

Phát hiện cạnh và thị giác máy tính trong thế kỷ 21#

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

Trong khi xử lý ảnh truyền thống, chẳng hạn như ngưỡng kép (giúp ảnh rõ hơn bằng cách giữ lại các cạnh mạnh và loại bỏ các cạnh yếu) và phát hiện cạnh, tuân theo các quy tắc cố định và chỉ xử lý được những tác vụ cụ thể, thì thị giác máy tính sử dụng các model dựa trên dữ liệu có thể học từ ví dụ và thích ứng với tình huống mới.

Ngày nay, các hệ thống xử lý ảnh đã vượt xa việc chỉ cải thiện ảnh hoặc phát hiện cạnh. Chúng có thể nhận diện đối tượng, theo dõi chuyển động và hiểu ngữ cảnh của toàn bộ cảnh.

Một trong những kỹ thuật chính giúp thực hiện điều này là phép tích chập. Phép tích chập là quy trình trong đó các bộ lọc nhỏ (còn gọi là kernel) quét ảnh để tìm những mẫu quan trọng như cạnh, góc và kết cấu. Những mẫu này trở thành các thành phần cơ bản mà model thị giác máy tính sử dụng để nhận diện và hiểu đối tượng.

Ví dụ, các model thị giác máy tính như Ultralytics YOLO11 sử dụng những đặc trưng dựa trên phép tích chập này để thực hiện các tác vụ nâng cao như phân đoạn instance. Tác vụ này có liên hệ chặt chẽ với phát hiện cạnh vì phân đoạn instance đòi hỏi xác định chính xác đường biên của từng đối tượng trong ảnh.

Trong khi phát hiện cạnh tập trung tìm những thay đổi cường độ tại các pixel cạnh để đánh dấu cạnh của đối tượng, phân đoạn instance phát triển từ ý tưởng đó để phát hiện cạnh, phân loại và tách từng đối tượng thành một vùng riêng.

Hình 3. Minh họa việc sử dụng Ultralytics YOLO11 và phân đoạn instance. (Nguồn)

Các thuật toán và phương pháp phát hiện cạnh#

Dù thị giác máy tính ngày càng phát triển, xử lý ảnh vẫn là một phần quan trọng trong nhiều ứng dụng. Đó là vì thị giác máy tính thường dựa trên các bước tiền xử lý ảnh cơ bản.

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

Tiếp theo, hãy cùng tìm hiểu một số thuật toán xử lý ảnh phổ biến nhất được dùng để phát hiện cạnh và cách chúng hoạt động.

Phát hiện cạnh Sobel#

Phát hiện cạnh Sobel là phương pháp quan trọng dùng để tìm đường viền của đối tượng trong ảnh. Thay vì phân tích mọi chi tiết cùng lúc, phương pháp này tập trung vào những vùng có độ sáng thay đổi đột ngột giữa một pixel và pixel lân cận tiếp theo.

Những thay đổi đột ngột này thường đánh dấu vị trí kết thúc của một đối tượng và bắt đầu của đối tượng khác, hoặc vị trí đối tượng tiếp giáp với nền. Bằng cách tách riêng các cạnh này, Sobel chuyển một ảnh phức tạp thành đường viền rõ ràng hơn, giúp các hệ thống khác dễ xử lý cho những tác vụ như theo dõi chuyển động, phát hiện hình dạng hoặc nhận diện đối tượng.

Có thể xem phát hiện cạnh Sobel như một bộ phát hiện gradient đo mức thay đổi cường độ trên toàn ảnh. Về cốt lõi, phương pháp này hoạt động thông qua phép tích chập: trượt các ma trận nhỏ, gọi là kernel, qua ảnh và tính tổng có trọng số của giá trị pixel lân cận.

Các kernel này được thiết kế để làm nổi bật những thay đổi độ sáng theo hướng ngang và dọc. Khác với các model deep learning có kernel được học từ dữ liệu, Sobel sử dụng kernel cố định để làm nổi bật cạnh một cách hiệu quả mà không cần huấn luyện.

Sau đây là phần giải thích chi tiết 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 nhỏ 3×3, gọi là bộ lọc. Hãy hình dung chúng như các khuôn mẫu trượt trên ảnh theo hướng ngang (hướng x) và hướng dọc (hướng y). Một lưới được thiết kế để tìm cạnh ngang, lưới còn lại tìm cạnh dọc.
• Tính gradient: Mỗi bộ lọc đo mức độ thay đổi nhanh của độ sáng theo hướng của bộ lọc. Mức thay đổi lớn có thể là một cạnh.
• Kết hợp kết quả: Kết quả theo hướng ngang và dọc được kết hợp để xác định cường độ và hướng tổng thể của cạnh tại mỗi pixel.
• Phát hiện cạnh: Các pixel có độ lớn gradient cao được đánh dấu là cạnh mạnh.
• Xác định đường biên: Các cạnh này giúp xác định hình dạng đối tượng và phân tách những vùng khác nhau trong ảnh.

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

Phát hiện cạnh Canny#

Phát hiện cạnh Canny là một phương pháp phổ biến khác để tìm cạnh trong ảnh. Phương pháp này nổi tiếng nhờ tạo ra đường viền rõ nét và chính xác. Khác với các kỹ thuật phát hiện cạnh cơ bản, phương pháp này thực hiện một chuỗi bước được thiết kế cẩn thận để lọc nhiễu, làm sắc nét đường biên và tập trung vào những cạnh quan trọng nhất.

Sau đây là tổng quan nhanh về cách bộ phát hiện cạnh Canny hoạt động:

• Làm mượt ảnh: Trước tiên, ảnh được làm mờ bằng bộ lọc Gaussian, một kỹ thuật làm mượt giúp giảm nhiễu và các chi tiết nhỏ có thể bị nhầm là cạnh.
• Phát hiện thay đổi độ sáng: Sau đó, thuật toán quét tìm những thay đổi độ sáng đột ngột, sử dụng phép tính gradient để đo cường độ và hướng của những thay đổi đó.
• Làm mảnh cạnh: Chỉ giữ lại những điểm mạnh nhất dọc theo mỗi đường được phát hiện, đồng thời loại bỏ các điểm yếu hơn, từ đó tạo ra cạnh sắc nét và rõ ràng.
• Phân loại cạnh: Mỗi pixel được gán nhãn là cạnh mạnh, cạnh yếu hoặc không phải cạnh, dựa trên các giá trị ngưỡng của mức thay đổi độ sáng.
• Làm sạch cuối cùng: Giữ lại các cạnh yếu nối với cạnh mạnh; loại bỏ tất cả các cạnh còn lại, chỉ để lại những đường biên rõ ràng và liên tục.

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

Nhờ cho kết quả chính xác đồng thời lọc nhiễu, phát hiện cạnh Canny được sử dụng rộng rãi trong những lĩnh vực đòi hỏi độ chính xác cao. Ví dụ, phương pháp này được dùng trong các ngành như chẩn đoán hình ảnh y khoa, lập bản đồ vệ tinh, quét tài liệu và thị giác robot.

Phát hiện cạnh dựa trên gradient và dựa trên Gaussian#

Đến đây, hai ví dụ về phát hiện cạnh mà chúng ta đã tìm hiểu là Sobel và Canny. Cả hai đều nhằm mục đích tìm cạnh, nhưng tiếp cận vấn đề theo những cách khác nhau.

Các phương pháp dựa trên gradient (như Sobel, Prewitt và Scharr) phát hiện cạnh bằng cách tìm những thay đổi độ sáng đột ngột, gọi là gradient. Các phương pháp này quét ảnh và đánh dấu những vị trí có mức thay đổi mạnh nhất. Chúng đơn giản, nhanh và hoạt động tốt khi ảnh rõ nét. Tuy nhiên, chúng nhạy với nhiễu — những biến thiên nhỏ về độ sáng có thể bị nhầm là cạnh.

Các phương pháp dựa trên Gaussian (như Canny hoặc Laplacian của Gaussian) bổ sung một bước để xử lý vấn đề này: làm mờ ảnh trước. Bước làm mượt này, thường được thực hiện bằng bộ lọc Gaussian, giúp giảm các biến thiên nhỏ có thể tạo ra cạnh giả. Sau khi làm mượt, các phương pháp này vẫn tìm những thay đổi độ sáng đột ngột, nhưng cho kết quả rõ ràng và chính xác hơn trên ảnh nhiễu hoặc chất lượng thấp.

Hình 6. Phát hiện cạnh dựa trên gradient và dựa trên Gaussian. Ảnh do tác giả thực hiện.

Ứng dụng thực tế của phát hiện cạnh#

Sau khi hiểu rõ hơn cách phát hiện cạnh hoạt động, hãy cùng tìm hiểu cách áp dụng kỹ thuật này trong thực tế.

Sử dụng phát hiện cạnh để xác định vết nứt#

Kiểm tra các kết cấu bê tông lớn như cầu và nhà cao tầng thường là công việc khó khăn và nguy hiểm. Những kết cấu này có thể kéo dài trên những khoảng cách lớn hoặc vươn lên độ cao lớn, khiến việc kiểm tra theo cách truyền thống trở nên chậm, tốn kém và rủi ro. Công việc kiểm tra cũng thường đòi hỏi giàn giáo, tiếp cận bằng dây, đo đạc thủ công ở cự ly gần hoặc chụp ảnh.

Một phương pháp đáng chú ý được nghiên cứu vào năm 2019, khi các nhà nghiên cứu thử nghiệm cách thức an toàn và nhanh hơn bằng cách sử dụng drone trang bị camera độ phân giải cao để chụp ảnh đầu vào chi tiết về bề mặt bê tông. Sau đó, những ảnh này được xử lý bằng nhiều kỹ thuật phát hiện cạnh để tự động xác định vết nứt.

Nghiên cứu cho thấy phương pháp này giúp giảm đáng kể nhu cầu con người phải trực tiếp tiếp cận khu vực nguy hiểm và đẩy nhanh quá trình kiểm tra. Tuy nhiên, độ chính xác vẫn phụ thuộc vào các yếu tố như điều kiện ánh sáng, độ rõ nét của ảnh và khả năng vận hành ổn định của drone. Trong một số trường hợp, vẫn cần con người xem xét để loại bỏ kết quả dương tính giả.

Ứng dụng phát hiện cạnh trong chẩn đoán hình ảnh y khoa#

Ảnh X-quang và MRI thường có hiện tượng nhiễu hình ảnh, gọi là nhiễu, khiến các chi tiết nhỏ khó quan sát hơn. Điều này gây khó khăn cho bác sĩ khi tìm đường biên của khối u, xác định đường viền cơ quan hoặc theo dõi những thay đổi nhỏ theo thời gian.

Một nghiên cứu chẩn đoán hình ảnh y khoa gần đây đã kiểm tra khả năng xử lý ảnh nhiễu của các phương pháp phát hiện cạnh phổ biến như Sobel, Canny, Prewitt và Laplacian. Các nhà nghiên cứu thêm nhiều loại nhiễu với mức độ khác nhau vào ảnh, rồi kiểm tra độ chính xác của từng phương pháp khi xác định đường viền các đặc trưng quan trọng.

Canny thường tạo ra cạnh rõ nhất, ngay cả khi mức nhiễu cao, nhưng không phải lúc nào cũng là phương pháp tốt nhất. Một số phương pháp hoạt động tốt hơn với những dạng nhiễu nhất định, vì vậy không có giải pháp hoàn hảo duy nhất.

Hình 7. Canny (d–f) tạo ra cạnh rõ hơn Sobel (g–i) khi mức nhiễu tăng. (Nguồn)

Điều này cho thấy vì sao các công nghệ như thị giác máy tính lại quan trọng đến vậy. Bằng cách kết hợp các thuật toán nâng cao và model AI thị giác, những giải pháp như vậy có thể vượt ra ngoài khả năng phát hiện cạnh cơ bản để mang lại kết quả chính xác và đáng tin cậy hơn, ngay cả trong điều kiện khó khăn.

Ưu điểm của phát hiện cạnh#

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

• Nén dữ liệu tốt hơn: Phát hiện cạnh cho phép biểu diễn ảnh chỉ bằng những đặc trưng quan trọng, giảm kích thước tệp mà vẫn giữ lại thông tin thiết yếu. Nhờ đó, việc lưu trữ và truyền dữ liệu hiệu quả hơn.
• Định vị đối tượng chính xác hơn: Bằng cách xác định chính xác ranh giới đối tượng, phát hiện cạnh cải thiện khả năng định vị và theo dõi đối tượng của hệ thống, mang lại lợi ích cho các ứng dụng như AI thị giác trong robot và xe tự hành.
• Phát hiện đặc trưng đa tỷ lệ: Các kỹ thuật phát hiện cạnh có thể phân tích ảnh ở nhiều tỷ lệ khác nhau, nắm bắt cả chi tiết nhỏ lẫn hình dạng lớn. Tính linh hoạt này hữu ích trong nhiều tác vụ, từ phân tích kết cấu đến hiểu cảnh.

Hạn chế khi sử dụng xử lý ảnh để phát hiện cạnh#

Dù phát hiện cạnh trong xử lý ảnh có nhiều lợi ích, kỹ thuật này cũng đi kèm một số thách thức. Dưới đây là những hạn chế chính cần cân nhắc:

• Vấn đề với kết cấu phức tạp: Trong ảnh có các mẫu phức tạp hoặc lặp lại, phát hiện cạnh thường tạo ra nhiều cạnh giả hoặc không liên quan, làm phức tạp quá trình phân tích tiếp theo và giảm độ tin cậy.
• Nhạy với ánh sáng: Những biến thiên về độ sáng, bóng đổ và phản xạ có thể khiến bộ phát hiện cạnh hiểu nhầm thay đổi ánh sáng là đường biên đối tượng, dẫn đến kết quả không nhất quán.
• Không nhận diện đối tượng: Cạnh làm nổi bật vị trí bắt đầu và kết thúc của đối tượng, nhưng không cho biết đối tượng đó là gì. Cần xử lý bổ sung để gán ý nghĩa hoặc nhãn cho các cạnh được phát hiện.

Khi nào có thể sử dụng thị giác máy tính để phát hiện cạnh#

Phát hiện cạnh lấy cảm hứng từ cách mắt và não phối hợp để giúp chúng ta hiểu thế giới. Đối với thị giác của con người, các neuron chuyên biệt trong vỏ não thị giác đặc biệt nhạy với cạnh, đường thẳng và đường biên.

Những tín hiệu thị giác này giúp chúng ta nhanh chóng xác định nơi một đối tượng kết thúc và đối tượng khác bắt đầu. Vì vậy, ngay cả một hình vẽ nét đơn giản cũng có thể được nhận ra ngay lập tức — não bộ dựa nhiều vào cạnh để xác định hình dạng và đối tượng.

Thị giác máy tính hướng đến mô phỏng khả năng này nhưng tiến xa hơn một bước. Các model như Ultralytics YOLO11 không chỉ làm nổi bật cạnh cơ bản và cải thiện ảnh. Chúng có thể phát hiện đối tượng, phác họa chính xác đường viền của đối tượng và theo dõi chuyển động theo thời gian thực. Khả năng hiểu sâu hơn này khiến chúng trở nên thiết yếu trong những tình huống mà chỉ phát hiện cạnh là chưa đủ.

Sử dụng Ultralytics YOLO11 để phát hiện cạnh chính xác hơn#

Dưới đây là một số tác vụ thị giác máy tính chính được Ultralytics YOLO11 hỗ trợ, giúp phát triển và vượt xa khả năng phát hiện cạnh:

• Phát hiện đối tượng: Phương pháp này nhận diện và định vị nhiều đối tượng trong ảnh hoặc video bằng cách vẽ hộp giới hạn quanh từng đối tượng, giúp xác định rõ những gì hiện diện và vị trí của từng đối tượng.
• Phân đoạn instance: Phương pháp này phân tách đối tượng đến cấp pixel, tạo đường viền rõ ràng và chính xác ngay cả khi các đối tượng chồng lấn hoặc có hình dạng không đều.
• Phân loại ảnh: Phương pháp này gán nhãn cho đối tượng hoặc toàn bộ ảnh dựa trên đặc điểm thị giác, giúp sắp xếp và diễn giải tập dữ liệu lớn dễ dàng hơn.
• Ước tính tư thế: Mục tiêu của phương pháp này là xác định vị trí, hướng hoặc tư thế của một vật thể hay người, hỗ trợ giám sát chuyển động hoặc phát hiện thay đổi cấu trúc theo thời gian.
• Theo dõi đối tượng: Tác vụ này theo dõi một đối tượng khi đối tượng di chuyển qua các khung hình video, đảm bảo nhận diện nhất quán để quan sát dài hạn chính xác.

Phát hiện cạnh trong cơ sở hạ tầng bằng thị giác máy tính#

Một ví dụ điển hình về việc thị giác máy tính cải thiện ứng dụng vốn thường dựa vào phát hiện cạnh là phát hiện vết nứt trên cơ sở hạ tầng và tài sản công nghiệp. Các model thị giác máy tính như Ultralytics YOLO11 có thể được huấn luyện trên dataset như Crack-Seg để xác định chính xác vết nứt trên đường, cầu và đường ống. Kỹ thuật tương tự cũng có thể được áp dụng trong bảo trì máy bay, kiểm tra công trình và kiểm soát chất lượng sản xuất, giúp đẩy nhanh quá trình kiểm tra và cải thiện độ an toàn.

Hình 8. Ví dụ sử dụng YOLO11 để phân đoạn vết nứt. (Nguồn)

Điểm chính cần ghi nhớ#

Phát hiện cạnh đã phát triển đáng kể, từ những phương pháp sơ khai đơn giản đến các kỹ thuật tiên tiến có thể phát hiện cả những đường biên tinh tế trong ảnh phức tạp. Kỹ thuật này giúp làm nổi bật các chi tiết quan trọng, nhấn mạnh những khu vực then chốt và chuẩn bị ảnh cho quá trình phân tích sâu hơn, qua đó trở thành một phần cốt lõi của xử lý ảnh.

Trong thị giác máy tính, phát hiện cạnh đóng vai trò quan trọng trong việc xác định hình dạng, tách các đối tượng và trích xuất thông tin hữu ích. Kỹ thuật này được sử dụng trong nhiều lĩnh vực như chẩn đoán hình ảnh y khoa, kiểm tra công nghiệp, lái xe tự hành và an ninh để mang lại khả năng hiểu hình ảnh chính xác, đáng tin cậy.

Hãy tham gia cộng đồng của chúng tôi và khám phá repository GitHub để tìm hiểu thêm về AI. Nếu bạn muốn bắt đầu dự án AI thị giác của riêng mình, hãy xem các tùy chọn cấp phép của chúng tôi. Tìm hiểu thêm về các ứng dụng như AI trong y tế và AI thị giác trong bán lẻ bằng cách truy cập các trang giải pháp của chúng tôi.