Khám phá xử lý ảnh, thị giác máy tính và thị giác máy

AI có thể được sử dụng để phân tích mọi loại dữ liệu, và khi nói đến dữ liệu trực quan như hình ảnh và video, điều này thuộc về lĩnh vực phân tích hình ảnh, bao gồm các công nghệ khác nhau. Xử lý ảnh, computer vision và machine vision giúp máy tính có thể nhìn và hiểu thế giới bằng cách phân tích hình ảnh và khung hình video. Mặc dù ba công nghệ này có vẻ tương tự nhau, nhưng những điểm khác biệt chính khiến chúng hữu ích cho nhiều ứng dụng khác nhau. Xử lý ảnh tập trung vào việc thao tác và cải thiện hình ảnh và khung hình video, trong khi computer vision tiến thêm một bước bằng cách sử dụng các processed images này để giúp máy tính diễn giải và hiểu nội dung của chúng. Ngược lại, machine vision áp dụng các computer vision techniques cụ thể vào môi trường công nghiệp, chẳng hạn như cho các tác vụ inspections and quality control.

Fig 1. Các công nghệ chính được sử dụng để phân tích dữ liệu trực quan.

Ba lĩnh vực này hỗ trợ nhiều ứng dụng trong nhiều ngành công nghiệp, chẳng hạn như healthcare, manufacturing và agriculture. Trong bài viết này, chúng ta sẽ khám phá xử lý ảnh, computer vision và machine vision cũng như thảo luận về sự khác biệt của chúng. Chúng ta cũng sẽ tìm hiểu cách thức hoạt động của chúng và cách chúng được ứng dụng trong các ngành công nghiệp khác nhau. Hãy bắt đầu nhé.

Xử lý ảnh là gì?#

Hãy bắt đầu với kỹ thuật nền tảng đằng sau cả thị giác máy tính và thị giác máy móc: xử lý ảnh. Nó liên quan đến việc sử dụng các thuật toán để thao tác và nâng cao hình ảnh kỹ thuật số, điều chỉnh các tham số như độ sáng, độ tương phản, cân bằng màu sắc, hoặc lọc nhiễu để chuẩn bị cho việc phân tích và diễn giải nâng cao hơn.

Hãy cùng xem cách nó hoạt động. Xử lý ảnh được thực hiện bằng cách chia nhỏ hình ảnh thành từng pixel riêng lẻ, sau đó thao tác các pixel này để đạt được các hiệu ứng mong muốn. Ví dụ, để làm cho hình ảnh sáng hơn, thuật toán có thể tăng cường độ của mỗi pixel. Tương tự, để phát hiện các cạnh, nó có thể tìm kiếm những thay đổi đột ngột trong giá trị pixel. Bằng cách áp dụng các phép toán và thuật toán vào các pixel này, xử lý ảnh có thể được sử dụng để cải thiện chất lượng hình ảnh, trích xuất thông tin hoặc tạo ra hình ảnh mới.

Các kỹ thuật xử lý ảnh cũng rất cần thiết cho việc xử lý dữ liệu và tạo ra các tập dữ liệu trực quan với hình ảnh rõ ràng, chất lượng cao, đồng thời giúp các hệ thống computer vision và machine vision phân tích chúng một cách chính xác. Các thư viện như OpenCV và MATLAB cung cấp các framework mạnh mẽ giúp các kỹ thuật xử lý ảnh này dễ tiếp cận đối với các nhà phát triển và nhà nghiên cứu trong nhiều lĩnh vực.

Dưới đây là một số kỹ thuật xử lý ảnh phổ biến:

• Lọc (Filtering): Lọc được áp dụng để giảm mức độ nhiễu trong hình ảnh bằng cách làm mượt các biến động và độ méo. Một số bộ lọc phổ biến bao gồm bộ lọc Gaussian để blurring và bộ lọc trung vị để loại bỏ nhiễu hạt muối tiêu, xuất hiện dưới dạng các điểm ảnh trắng và đen ngẫu nhiên.
• Phát hiện biên (Edge detection): Được sử dụng để xác định ranh giới của các đối tượng trong một hình ảnh bằng cách phát hiện các thay đổi đột ngột về cường độ điểm ảnh. Các ứng dụng như medical imaging sử dụng phát hiện biên để phác thảo cấu trúc của các cơ quan và khối u.
• Ngưỡng hóa (Thresholding): Ngưỡng hóa trong xử lý ảnh liên quan đến việc chuyển đổi một hình ảnh thang độ xám thành một hình ảnh nhị phân bằng cách thiết lập một giá trị ngưỡng. Các pixel vượt quá ngưỡng sẽ được chuyển thành màu trắng (1), và những pixel thấp hơn sẽ được chuyển thành màu đen (0).

Hình 2. Một hình ảnh thang độ xám trước và sau khi ngưỡng hóa.

Khám phá một ứng dụng của xử lý ảnh#

Image restoration là một ví dụ tuyệt vời về ứng dụng của xử lý ảnh. Nó liên quan đến việc khôi phục một hình ảnh đã bị suy giảm chất lượng theo thời gian. Các kỹ thuật như lọc và khử nhiễu được sử dụng để loại bỏ các vết bẩn, vết xước, vết ố, hao mòn và khôi phục hình ảnh bị suy giảm về chất lượng ban đầu. Phục hồi ảnh đặc biệt hữu ích trong các tình huống hình ảnh có chất lượng thấp hoặc bị hư hỏng, như các bức ảnh cũ.

Fig 3. Xử lý ảnh có thể được sử dụng để khôi phục các hình ảnh cũ bị hỏng.

Thị giác máy tính là gì?#

Không giống như xử lý ảnh, vốn tập trung vào việc thay đổi và nâng cao hình ảnh, thị giác máy tính mang lại cho máy tính khả năng nhìn và hiểu thế giới thực. Nhiều ứng dụng sử dụng thị giác máy tính để xác định và hiểu các đối tượng và con người trong ảnh hoặc khung hình video. Nó mô phỏng thị giác con người và cố gắng tái tạo cách chúng ta hiểu những gì chúng ta nhìn thấy xung quanh mình.

Computer vision có thể được sử dụng để tự động hóa các tác vụ như surveillance. Nó cũng có nhiều ứng dụng thực tế rộng rãi như facial recognition, medical imaging và autonomous vehicles. Các model computer vision được huấn luyện bằng các kỹ thuật deep learning để trích xuất và xác định các đặc trưng và mẫu phức tạp từ các image datasets quy mô lớn. Sau đó, các ngành công nghiệp khác nhau sử dụng các model đã được huấn luyện này, chẳng hạn như Ultralytics YOLOv8, cho các tác vụ khác nhau như object detection và object tracking.

Fig 4. Ví dụ về việc sử dụng Ultralytics YOLOv8 để object detection.

Ví dụ, các self-driving cars như Tesla sử dụng computer vision để điều hướng trong thế giới thực. Đoạn phim được ghi lại bởi các camera trên xe được xử lý bằng computer vision. Các tác vụ computer vision như object detection, tracking và segmentation đóng vai trò quan trọng trong việc understanding traffic và môi trường xung quanh chúng. Một ứng dụng thú vị khác là nhận diện khuôn mặt. Computer vision có thể được sử dụng để phân tích và nhận dạng các đặc điểm khuôn mặt trong hình ảnh bằng cách chụp khuôn mặt của một người từ image hoặc video, xác định các đặc điểm chính và so sánh chúng với cơ sở dữ liệu lưu trữ dữ liệu khuôn mặt.

Thị giác máy móc là gì?#

Machine vision is used in industrial settings như các nhà máy sản xuất lớn hoặc cơ sở sản xuất cho các ứng dụng như đảm bảo chất lượng sản phẩm và kiểm tra tính chính xác của nhãn và mã vạch trên thành phẩm. Machine vision là một nhánh chuyên specialized của computer vision dựa trên phần cứng bền bỉ để hoạt động hiệu quả trong các điều kiện khắc nghiệt. Vì các hệ thống này được tích hợp với các ứng dụng công nghiệp, tốc độ cao và độ chính xác thời gian thực là vô cùng cần thiết.

Hãy cùng xem cách thức hoạt động của nó. Đầu tiên, dữ liệu được thu thập bằng cách sử dụng một hoặc nhiều camera độ phân giải cao. Các camera này cũng có thể bao gồm các tính năng chuyên dụng như hồng ngoại hoặc thermal imaging. Sau đó, collected data được phân tích bằng các kỹ thuật computer vision để trích xuất thông tin cần thiết. Thông tin được trích xuất thường bao gồm các chi tiết như nhận dạng đối tượng, hình dạng, kích thước, chuyển động, mẫu và bất kỳ điểm bất thường nào có mặt trong khung cảnh, tùy thuộc vào ứng dụng cụ thể.

Hiểu một ứng dụng của thị giác máy móc#

Kiểm soát chất lượng trong các dây chuyền manufacturing production đảm bảo rằng chỉ những sản phẩm chất lượng cao mới đến tay khách hàng, dẫn đến sự hài lòng của khách hàng lớn hơn và lợi nhuận tăng lên. Các phương pháp truyền thống thường dựa trên việc kiểm tra thủ công, có thể tốn rất nhiều thời gian và dễ xảy ra lỗi con người. Kiểm soát chất lượng kém cũng có thể dẫn đến chậm trễ sản xuất và tổn thất tài chính, ảnh hưởng đến uy tín của công ty. Một giải pháp tuyệt vời là tự động hóa các tác vụ như kiểm tra bề mặt, xác minh nhãn và định vị đối tượng với sự trợ giúp của machine vision.

Ví dụ, trong pharmaceutical industry, chất lượng sản phẩm là tối quan trọng và các quy định nghiêm ngặt được thi hành để duy trì các tiêu chuẩn cao. Machine vision có thể được sử dụng để đảm bảo rằng các vỉ thuốc chứa đúng số lượng viên thuốc, xác minh rằng mỗi vỉ có chính xác số lượng phù hợp, chẳng hạn như mười viên trong một vỉ 10 viên. Một model computer vision như YOLOv8 có thể được sử dụng để xác định và count the pills using object detection.

Fig 5. Machine vision có thể được sử dụng để kiểm soát chất lượng trong ngành dược phẩm.

Tuy nhiên, điều quan trọng cần lưu ý là có một số hạn chế cần cân nhắc khi làm việc với machine vision. Các hệ thống machine vision thường cần điều kiện ánh sáng tuyệt vời để illuminate các sản phẩm trong môi trường công nghiệp. Các camera chất lượng cao, processors, and hardware accelerators cũng cần thiết để thu thập dữ liệu và tăng tốc quá trình phân tích. Kết quả trực tiếp của việc các hệ thống này được thiết kế đặc biệt cho các tác vụ thực tế trong môi trường công nghiệp là chúng có thể tốn kém để thiết lập.

Sự khác biệt chính giữa xử lý ảnh, thị giác máy tính và thị giác máy móc#

Bây giờ chúng ta đã thảo luận về cả ba công nghệ một cách riêng biệt và xem xét một số ứng dụng của chúng, hãy cùng xem xét kỹ hơn chúng khi đặt cạnh nhau.

Fig 6. So sánh song song giữa xử lý ảnh, computer vision và machine vision.

Xử lý ảnh tốt nhất cho các tác vụ như điều chỉnh độ sáng hoặc lọc nhiễu, đòi hỏi ít sức mạnh tính toán hơn và không yêu cầu khả năng hiểu thông tin trực quan phức tạp. Mặt khác, computer vision xuất sắc trong việc trích xuất các thông tin chi tiết có ý nghĩa từ hình ảnh và xử lý các khung cảnh phức tạp, nhưng nó đòi hỏi nhiều tài nguyên tính toán và độ phức tạp hơn. Trong khi đó, machine vision được thiết kế riêng cho các ứng dụng công nghiệp, chẳng hạn như kiểm tra tự động, và thường được hỗ trợ bởi các hệ thống chuyên dụng và tốn kém.

Nhìn vào bức tranh lớn hơn#

Mặc dù xử lý ảnh, thị giác máy tính và thị giác máy móc có liên quan mật thiết với nhau, mỗi loại phục vụ các mục đích riêng biệt. Xử lý ảnh tăng cường và thao tác hình ảnh ở cấp độ pixel, khiến nó rất hữu ích cho các tác vụ như tái tạo hình ảnh.

Mặt khác, thị giác máy tính tiến xa hơn một chút bằng cách mang lại cho máy tính khả năng hiểu và nắm bắt ý nghĩa của dữ liệu hình ảnh. Nó rất quan trọng cho các trường hợp sử dụng như nhận diện khuôn mặt và xe tự lái. Hơn nữa, thị giác máy móc được sử dụng cụ thể cho các ứng dụng công nghiệp. Nó tự động hóa các quy trình công nghiệp như kiểm tra và kiểm soát chất lượng.

Bằng cách hiểu các công nghệ này và sự khác biệt của chúng, bạn có thể chọn loại phù hợp nhất cho các ứng dụng của mình, dẫn đến hiệu quả được cải thiện và kết quả tốt hơn.

Hãy cùng học hỏi và khám phá nhé! Hãy xem GitHub repository của chúng tôi để thấy những đóng góp của chúng tôi cho AI, và đừng quên tương tác với community của chúng tôi. Hãy xem cách chúng tôi định nghĩa lại các ngành công nghiệp như manufacturing và healthcare bằng công nghệ AI tiên tiến.