آیا تا به‌حال به نحوه جداسازی قطعات خراب از سالم به صورت کاملاً هوشمند در یک کارخانه تولید قطعات صنعتی توجه کرده‌اید؟ تا به‌حال به این مسئله فکر کرده‌اید که وجود یک قطعه خراب چقدر بر میزان فروش یک کارخانه تاثیر منفی می‌گذارد؟ امروزه تکنیک پردازش تصاویر (Image Processing) در بسیاری از پروژه‌های صنعتی کاربرد دارند. هر تصویر داستان خاص خود را دارد و حاوی اطلاعات مفیدی است. این اطلاعات را می‌توان با کمک تکنیک پردازش تصویر به دست آورد.
در این مقاله، ابتدا مفهوم پردازش تصویر را یاد می‌گیرید، سپس با کاربردهای صنعتی آن آشنا می‌شوید و در پایان الگوریتم‌های کلاسیک و مدرن پردازش یک تصویر را می‌آموزید. اگر می‌خواهید با پردازش تصویر، روش‌ها و کاربردهای آن بیشتر آشنا شوید، این مقاله را تا انتها دنبال کنید.
برای آشنایی بیشتر با ارکان اصلی اتوماسیون صنعتی و چگونگی تاثیر آن بر صنعت به دوره آموزش اتوماسیون صنعتی مراجعه کنید.
پردازش تصویر چیست؟
پردازش تصویر به روش پردازشی گفته می‌شود، که به تصویر دیجیتال اعمال می‌کنید، تا کیفیت آن را بهبود داده و یا اطلاعات مهمی از آن استخراج کنید. این تکنیک نوعی پردازش سیگنال (Signal Processing) است. در این فرایند، یک تصویر را در ورودی خواهید داشت و در خروجی یک تصویر یا ویژگی‌های مرتبط با تصویرِ ورودی را دریافت می‌کنید. این فناوری به شما کمک می‌کند تا:
- کیفیت تصاویر را بهبود دهید.
- نویز تصاویر را حذف کنید.
- اجزا و ویژگی‌های تصویر را تشخیص دهید و آن‌ها را استخراج کنید.
- تصاویر را ویرایش کنید.
- در فشرده‌سازی تصویر، از آن استفاده کنید.
بنابراین، به فرایند تبدیل یک تصویر به فرم دیجیتال و استخراج اطلاعات از آن، پردازش تصویر می‌گویند.
پردازش تصویر بخش اصلی فناوری بینایی کامپیوتر (Computer Vision) است. از جمله کاربردهای پردازش تصویر در صنعت می‌توان به موارد زیر اشاره کرد:
- اتوماسیون صنعتی
- رباتیک
- ماشین‌های خودران
- تشخیص اشیاء
در فرایند پردازش تصویر امکان تغییر و دست‌کاری (Manipulate) هم‌زمان هزاران تصویر و استخراج اطلاعات مفید در کسری از ثانیه وجود دارد. در این فرایند می‌توان از تکنیک‌های مختلفی در جهت رسیدن به اهداف مختلف استفاده کرد. خروجی نهایی می‌تواند به‌صورت تصویر پردازش شده یا ویژگی (Feature) مربوط به آن باشد.
لازم است بدانید ویژگی، یک مشخصه بصری از تصویر است که می‌تواند از رنگ، بافت، شکل یا لبه‌های تصویر استخراج شود. در واقع، استخراج ویژگی، فرایند تبدیل مقدارهای خام پیکسل‌های یک تصویر به اطلاعات مفید و معنادار است.
در فرایند پردازش تصویر معمولاً با تمام تصاویر به‌صورت سیگنال‌هایی دو بعدی رفتار شده و عملیات مختلفی از پردازش سیگنال را بر آن‌ها اعمال می‌شود. رفتار دو بعدی یعنی برای پردازش یک تصویر ابتدا به نوع تصویر توجه می‌شود. سپس در صورت بیشتر بودن ابعاد تصویر (به عنوان مثال، تصویر رنگی)، آن تصویر را ابتدا به حالت دو بعدی (یعنی تصویر خاکستری) تبدیل می‌کند، و پس از آن عملیات پردازش را روی تصویر انجام می‌دهد.
تعریف تصویر خاکستری و رنگی
پس از پرداختن به چیستی پردازش تصویر، باید با انواع و مفهوم یک تصویر در این تکنیک آشنا شوید. به طور کلی در پردازش تصاویر مختلف دو نوع تصویر وجود دارد:
- تصویر در مقیاس خاکستری (Grayscale): این تصاویر دارای سایه‌های سیاه و سفید هستند و تنها یک کانال دارند. تعریف تصویر در مقیاس خاکستری را در شکل ۱ می‌بینید.
- تصویر رنگی (RGB): همان‌طور که در شکل ۲ و ۳ نشان داده شده است، تصویر رنگی شامل سه لایه تصویر دو بعدی است، که این لایه‌ها کانال‌های قرمز (R)، سبز (G) و آبی (B) هستند.
یک تصویر خاکستری را می‌توان به‌صورت یک تابع دو بعدی (F(x,y نشان داد که در آن x و y مختصات پیکسل‌ها هستند. به طور کلی، یک تصویر، ماتریسی از پیکسل‌ها است که در ستون‌ها و ردیف‌ها مرتب شدهاند.
هر پیکسل حاوی اطلاعاتی درباره شدت و رنگ هستند. دامنه F در یک مقدار خاص x و y به‌عنوان شدت تصویر در آن نقطه شناخته می‌شود. اگر x و y مقادیر دامنه محدودی داشته باشند (مثلاً تصاویر باینری که تنها از مقادیر صفر و یک تشکیل شدهاند)، آن را تصویر دیجیتال می‌نامیم.
یک تصویر می‌تواند به‌صورت سهبعدی (F(x,y,z نیز نمایش داده شود که در آن y ،x و z به‌عنوان مختصات سهبعدی شناخته می‌شوند. تصور کنید که پیکسل‌ها در قالب یک ماتریس سهبعدی مرتب شدهاند (مطابق شکل ۳)، این ماتریس سهبعدی به‌عنوان یک تصویر رنگی یا همان RGB شناخته می‌شود که سه کانال سبز، زرد و قرمز دارد.
در نتیجه، تصویر یک آرایه دو یا سه بعدی است که از اعدادی بین ۰ تا ۲۵۵ تشکیل شده است. در شکل‌های ۱، ۲ و ۳ حالت‌های تابع دو و سه بعدی یک تصویر را مشاهده می‌کنید.
دقت کنید که تصویر خاکستری یک آرایه دو بعدی است که از اعداد بین ۰ تا ۲۵۵ تشکیل شده است. در حالی که تصویر باینری تنها از مقادیر ۰ و ۱ ساخته می‌شود.
کاربردهای پردازش تصویر در صنعت
قبل از آشنایی با الگوریتم‌های مختلف پردازش تصویر، دانستن کاربردهای مختلف این الگوریتم‌ها اهمیت زیادی دارد. از این تکنیک برای کشف الگوها و ویژگی‌های مختلف در تصاویر استفاده می‌شود. به عنوان مثال، شناسایی الگو در تجزیه و تحلیل دست‌خط، تشخیص چهره و تشخیص‌‌های پزشکی به کمک کامپیوتر از جمله کاربردهای پردازش تصویر است. در ادامه، تعدادی از کاربردهای پردازش تصویر را می‌بینید:
- تصحیح تصویر (Image Correction) در فناوری‌های پزشکی
- تیز کردن (Sharpening) یا شفاف‌سازی تصویر در بازرسی عیوب ورق‌های فلزی و پلیمری در صنایع انتقال نفت و گاز و پتروشیمی
- تصحیح وضوح (Resolution Correction) در فیلترهای موجود در برنامه‌های ویرایشگر و شبکه‌های اجتماعی
- تشخیص الگو (Pattern recognition) در رابط‌های تبدیل گفتار به متن
- پردازش ویدئو در بازرسی لیبل و خواندن بارکد
- بینایی ماشین/کامپیوتر (Computer/Machine Vision) در اتوماسیون صنعتیِ صنایع تولیدی و اسکن سهبعدی
اگر با اتوماسیون صنعتی آشنا نیستید و مزایای آن را نمی‌دانید، مقاله «اتوماسیون صنعتی چیست؟» را بخوانید.
استفاده از پردازش تصویر در فیلترهای استفاده شده در برنامه‌های ویرایشگر و شبکه‌های اجتماعی
از دیرباز انسان آرزو داشت که بتواند تصاویر قدیمی را بهبود بخشد. این امر امروزه با استفاده از تکنولوژی پردازش تصاویر امکان‌پذیر است. به‌عنوان مثال، زوم کردن، تیز کردن (Sharp) تصویر، تشخیص لبه و ویرایش تصویر، در این دسته قرار می‌گیرند. تمامی این مراحل به بهبود تصویر کمک می‌کنند. اکثر نرم‌افزارهای ویرایشگر و تصحیح تصویر می‌توانند این عملیات را به راحتی انجام دهند.
در شکل ۴، نمونه‌ای از تصویر اصلی و تصویر فیلتر شده را می‌بینید. استفاده از فیلترها باعث جذاب‌تر شدن تصاویر از نظر بصری (ظاهری) می‌شود. فیلترها معمولاً مجموعه‌ای از عملکردها هستند که رنگ‌ها و سایر جنبه‌های یک تصویر را تغییر می‌دهند. این امر باعث می‌شود که تصویر متفاوت به نظر برسد. فیلترها یکی از کاربردهای جذاب پردازش تصویر هستند.
استفاده از پردازش تصویر در فناوری‌های پزشکی و مهندسی پزشکی
در زمینه پزشکی، پردازش تصویر برای کاربردهای مختلفی مانند موارد زیر استفاده می‌شود:
- اسکن PET) Positron Emission Tomography scan)
- تصویربرداری اشعه ایکس
- CT پزشکی (Medical CT)
- تصویربرداری UV
- پردازش تصویر سلول‌های سرطانی
معرفی فناوری پردازش تصویر به حوزه فناوری پزشکی، فرایند تشخیص را بسیار بهبود بخشیده است.
در شکل ۵ تصویر سمت چپ، تصویر اصلی و تصویر سمت راست، تصویر پردازش شده است. می‌بینید که تصویر پردازش شده به مراتب کیفیت بهتری دارد و می‌توان برای تشخیص بهتر از آن استفاده کرد.
استفاده از پردازش تصویر در بینایی ماشین
یکی از جالب‌ترین و کاربردی‌ترین کاربردهای پردازش تصویر در بینایی کامپیوتر (Computer Vision) است. در فناوری بینایی ماشین/کامپیوتر برای این که کامپیوتر ببیند، اشیاء را شناسایی کند و کل محیط را پردازش کند، از پردازش تصویر استفاده می‌شود.
از کاربردهای مهم بینایی ماشین می‌توان به موارد زیر اشاره کرد:
- اتومبیل‌های خودران
- هواپیماهای بدون سرنشین
- رادارها
- ربات‌های صنعتی
- جداسازی قطعات معیوب
- بازرسی عیوب در خطوط انتقال
- دسته‌بندی و درجه‌بندی محصولات صنعتی یا تولیدات کشاورزی
- میکروسکوپ و تلسکوپ‌های دیجیتال
- هدایت ربات‌های زمینی، هوایی، دریایی و انسان‌نما
این فناوری به تشخیص موانع، تشخیص مسیر و درک محیط کمک می‌کند. بینایی ماشینِ معمولی روشی است که در کنترل‌کننده خودکار خودرو استفاده می‌شود. در این تکنولوژی، کامپیوتر فیلمی را به‌صورت زنده از محیط تصویربرداری کرده و سپس با استفاده از پردازش تصویرِ خودروهای دیگر، جاده و دیگر موانع را تجزیه و تحلیل می‌کند.
استفاده از پردازش تصویر در تشخیص الگو و پردازش ویدیو
تشخیص الگو (Pattern Recognition) بخشی از پردازش تصویر است. این تکنیک شامل ترکیب هوش مصنوعی و یادگیری ماشین است. عموما از Pattern Recognition برای کشف الگوها و جنبه‌های مختلف در تصاویر استفاده می‌شود. به‌عنوان مثال، از تشخیص الگو برای تجزیه و تحلیل دست‌خط، تشخیص و تصحیح تصویر و کمک به تشخیص پزشکی دقیق، استفاده می‌شود.
الگوریتم‌های کلاسیک پردازش تصویر
اکنون که با چیستی پردازش تصویر آشنا شدید، لازم است الگوریتم‌های کلاسیک تصویر را بشناسید. الگوریتم‌های کلاسیک پردازش تصویر به روش‌های پردازش تصویری گفته می‌شود، که از دهه 1970 میلادی تا امروز به‌عنوان پایه و اساس عملیات پردازش تصویر به کار می‌رود. به‌طور کلی، الگوریتم‌های پردازش تصویر به دو دسته الگوریتم‌های کلاسیک پردازش تصویر و الگوریتم‌های پردازش تصویر با هوش مصنوعی تقسیم می‌شوند.
اگر به مباحث هوش مصنوعی علاقمند هستید، مقاله «هوش مصنوعی چیست؟» را بخوانید. در ادامه معرفی انواع الگوریتم‌های کلاسیک پردازش تصویر را می‌آموزید.
معمولاً الگوریتم‌های پردازش تصویر به پنج دسته زیر تقسیم می‌شوند:
- پردازش تصویر مورفولوژیکی
- پردازش تصویر گاوسی
- پردازش تصویر با استفاده از تبدیل فوریه
- پردازش تصویر با استفاده از شناسایی لبه
- پردازش تصویر موجک
در ادامه ساختار کلی هر یک از این الگوریتم‌ها را می‌آموزید.
پردازش تصویر مورفولوژیکی
پردازش تصویر مورفولوژیکی (Morphological Image Processing) سعی در حذف نواقص از تصاویر باینری دارد، زیرا مناطق باینری تولید شده توسط آستانه ساده (Simple Threshold) (مانند مرزهای اشیاء در تصویر)، می‌توانند به‌وسیله نویز، تخریب یا دست‌کاری شوند.
این الگوریتم به صاف کردن تصویر با استفاده از عملیات باز و بسته کردن (Opening and Closing)، کمک می‌کند. این دو عملیات از مهم‌ترین فرایندها روی تصاویر باینری هستند که از ترکیب مختلف دو تکنیک سایش (Erosion) و گسترش (Dilation) تصاویر بدست می‌آیند. عملیات مورفولوژیکی را می‌توان در تصاویر خاکستری که به مقادیر عددی پیکسل‌ها بستگی دارد، نیز به کار برد.
پردازش تصویر مورفولوژیکی، یک تصویر را با استفاده از یک الگوی کوچک به نام عنصرِ ساختاری (Structuring Element)، تجزیه و تحلیل می‌کند. یک عنصرِ ساختاری، ماتریسی کوچک با مقادیر ۰ یا ۱ است که مرکز آن در مکان‌های مختلفی در تصویر قرار می‌گیرد و با پیکسل‌های همسایه‌اش مقایسه می‌شود.
در تکنیک پردازش مورفولوژیک، دو عملیات اساسی پردازش تصویر شامل گسترش و سایش انجام می‌شود.
- در عملیات گسترش، پیکسل‌هایی به مرزهای جسم در یک تصویر اضافه می‌شوند.
- در عملیات فرسایش، پیکسل‌هایی از مرزهای شی حذف می‌شوند.
لازم به ذکر است که تعداد پیکسل‌های حذف شده یا اضافه شده به تصویر اصلی به اندازه عنصر ساختاری بستگی دارد. ماتریس عنصر ساختاری می‌تواند هر شکل و اندازه دلخواهی داشته باشد. برای مثال، همان‌گونه که در شکل ۹ می‌بینید، فرض می‌شود نقاط آبی رنگ، شی مورد نظر در تصویر است. در این تصویر، عنصر ساختاری مربع A، کاملاً در شیء قرار می‌گیرد. عنصر ساختاری B، شیء مورد نظر را قطع کرده و عنصر ساختاری C، خارج از شیء است.
لازم است بدانید، در صنایع دفاعی برای تشخیص صحیح اشیاء و مرزهای هر شیء در تصویر از تکنیک پردازش مورفولوژیکی استفاده می‌شود.
پردازش تصویر گاوسی
تکنیک محو شدگی گاوسی (Gaussian blur)، به هموارسازی گاوسی نیز معروف است. این تکنیک معمولاً برای کاهش نویز و کاهش جزئیات در تصویر کاربرد دارد. تکنیک گاوسی در کاربردهای صنعتی مانند سیستم‌های اطلاعات جغرافیایی (که نیاز به افزایش کیفیت تصویر یا ویدیو دارد)، برای بهبود تصویر در مقیاس‌های مختلف به کار برده می‌شود. کاهش کیفیت در اثر استفاده از تجهیزات قدیمی در کاربردهایی که از بینایی کامپیوتر (Computer Vision) استفاده می‌شود، رخ می‌دهد. این تکنیک به‌عنوان راه‌حلی برای تقویت و بهبود داده در یادگیری عمیق (Deep Learning) استفاده می‌شود.
در شکل 10 نمونه‌ای از تصویر محو شده با فیلتر گاوسی را می‌بینید. در تصویر سمت راست، نویز گاوسی موجود در تصویر سمت چپ حذف شده است.
لازم است بدانید، از پردازش تصویر گاوسی در اپلیکیشن‌های مختلف برای تار کردن زمینه عکس و یا ویدیو در هنگام تماس تصویری، استفاده می‌شود.
پردازش تصویر با استفاده از تبدیل فوریه
تبدیل فوریه، یک تبدیل ریاضی است که تابع یا سیگنال در حوزه زمان را به حوزه فرکانس انتقال می‌دهد. در پردازش تصویر، تبدیل فوریه یک تصویر را به اجزای سینوسی و کسینوسی تجزیه می‌کند. این تکنیک شامل چندین عملگر مانند بازسازی تصویر (Image Reconstruction)، فشرده‌سازی تصویر (Image Compression) یا فیلتر تصویر (Image Filtering) است.
از آن‌جایی که در مورد استفاده از تبدیل فوریه در پردازش تصاویر صحبت می‌شود، نوع تبدیل مورد استفاده اهمیت ویژه‌ای دارد. در تجزیه و تحلیل تصاویر، معمولاً از تبدیل فوریه گسسته استفاده می‌شود.
یک موج سینوسی از سه جزء اندازه، فرکانس و فاز تشکیل شده است. پارامتر اندازه، به کنتراست (contrast)، فرکانس و روشنایی تصویر وابسته است. در حالی درحالی که پارامتر فاز، به اطلاعات رنگ تصویر مربوط است. تصویر در حوزه فرکانس به صورت شکل 11 است.
لازم است بدانید، تکنیک پردازش تصویر با استفاده از تبدیل فوریه، در صنعت بازرسی خطوط انتقال نفت، با هدف افزایش وضوح و هموارسازی تصاویر، کاربرد ویژه‌ای دارد.
پردازش تصویر با استفاده از شناسایی لبه
تشخیص لبه (Edge detection) یک تکنیک پردازش تصویر برای یافتن مرزهای اشیاء در تصاویر است. اساس عملکرد این الگوریتم تشخیص ناپیوستگی در میزان روشنایی پیکسل‌های تصویر است. این روش می‌تواند در زمینه استخراج اطلاعات مفید از تصویر بسیار موثر باشد، زیرا بیشتر اطلاعات تصویر در لبه‌های موجود در تصویر قرار گرفته است.
معمولاً روش‌های کلاسیکِ تشخیص لبه با تشخیص ناپیوستگی در یک میزان روشنایی کار می‌کنند. لبه‌ها به‌عنوان ماکزیمم محلیِ گرادیان تعریف می‌شوند. برای مثال، زمانی که عملیات پردازش در پیکسلِ در مرز یک شیء (در تصویر) انجام می‌شود، مقدار عددی این پیکسل، مقدار بیشتری نسبت به پیکسل‌های همسایه آن (که مرز شیء نیستند) است.
رایج‌ترین الگوریتم تشخیص لبه، الگوریتم تشخیص لبه سوبل (sobel edge detection algorithm) است. عملگرِ (operator) تشخیص سوبل از هسته‌های کانولوشنال 3*3 تشکیل شده است. به زبان ساده‌تر، این عملگر، شامل یک هسته ساده Gx و یک هسته با 90 درجه چرخشِ Gy است. اندازه‌گیری‌های جداگانه با اعمال هر دو هسته به‌صورت مجزا روی تصویر انجام می‌شود. شما در شکل 12 نمونه‌ای از فیلتر استفاده شده در آشکارساز سوبل را می‌بینید.
شکل ۱۳ نیز نمونه‌ای از تشخیص لبه با الگوریتم سوبل را نشان می‌دهد.
لازم است بدانید، در صنعت از پردازش تصویر با الگوریتم سوبل، که یک تکنیک پردازش تصویر با استفاده از شناسایی لبه است، برای بازرسی خراش‌ها و عیب‌ها، تشخیص کثیفی، اشیاء روی هم افتاده، بازرسی گوشه‌ها و لبه‌های شکسته و کالیبراسیون اتوماتیک استفاده می‌شود.
پردازش تصویر موجک (Wavelet)
در روش پردازش تصویر با استفاده از تبدیل فوریه، یک تبدیل فوریه داریم که تنها به فرکانس محدود می‌شود. اما در الگوریتم پردازش تصویر موجک‌ها، نه تنها زمان بلکه فرکانس نیز تاثیرگذار است. این تبدیل برای سیگنال‌های غیر ثابت مناسب است. سیگنال غیر ثابت سیگنالی است که خواص آماری آن در طول زمان در حال تغییر است. همان‌گونه که گفته شد، لبه‌ها از بخش‌های مهم یک تصویر هستند.
در حالی که می‌دانیم با اعمال فیلترهای سنتی، نویز حذف می‌شود اما تصویر هم تار خواهد شد. تکنیک تبدیل موجک به‌گونه‌ای طراحی شده است که وضوح فرکانس مناسبی برای اجزای فرکانس پایین تصویر بدست بیاید. در شکل ۹ نمونه‌ای از تبدیل موجک دو بعدی نمایش داده شده است.
لازم است بدانید که در صنعت، از تکنیک پردازش تصویر موجک در پردازش تصاویر سونوگرافی استفاده می‌شود.
الگوریتم‌های پردازش تصویر مدرن
امروزه علاوه بر استفاده از الگوریتم‌های کلاسیک پردازش تصویر، الگوریتم‌های مبتنی بر یادگیری ماشین و شبکه‌های عصبی در کاربردهای آکادمیک و صنعتی کاربرد بسیاری پیدا کرده‌اند. شبکه‌های عصبی، شبکه‌های چند لایه‌ای هستند که از نورون‌ها (یا همان گره‌ها) تشکیل شدهاند. در شکل ۱۰ شِمای یک شبکه عصبی ساده را می‌بینید، که در آن دایره‌های رنگی همان نورون‌ها هستند.
این شبکه‌ها طوری طراحی شدهاند که مانند مغز انسان عمل کنند. شبکه‌های عصبی مصنوعی داده‌های ورودی، که می‌تواند شامل تصاویر مختلفی باشند، را دریافت می‌کنند. سپس آموزش می‌بینند تا الگوهای موجود در داده‌های ورودی را تشخیص دهند و خروجی را پیش‌بینی کنند.
لازم است بدانید، امروزه از الگوریتم‌های پردازش تصویر مدرن با استفاده از الگوریتم‌های یادگیری ماشین، یادگیری عمیق در ربات‌های هوشمند صنعتی برای آموزش عملیات‌های حساس و دقیق مانند برش قطعات استفاده می‌شود.
در نتیجه با استفاده از تکنولوژی پردازش تصویر می‌توان در پروسه تولید قطعات با نصب یک دوربین در مسیر تولید قطعه، تشخیص به موقع قطعات خراب را به میزان قابل توجهی افزایش داد. به عنوان مثال در یک خط جداسازی میوه‌های سالم از خراب در یک کارخانه تولید آبمیوه طبیعی، دوربین در هر لحظه وظیفه تصویر برداری از میوه‌های روی نوار نقاله را دارد.
در این زمان تصویر اسکن شده توسط دوربین با استفاده از روش‌های مختلف پردازش تصویر تحلیل می‌شود و در صورت وجود هرگونه مشکل، سیستم کنترل صنعتی به بازوی ربات جداکننده دستور جداسازی میوه خراب موجود در مکانی مشخص را صادر می‌کند. سپس ربات با دریافت دستور عملیات جداسازی را انجام می‌دهد. تمام این عملیات در کسری از ثانیه اتفاق می‌افتد.
جمع‌بندی
پردازش تصویر قابلیت‌های فراوان و استفاده بی‌شمار در صنایع مختلف دارد، از جمله:
- اتوماسیون صنعتی در صنایع هوایی، غذایی، دارویی و نفتی
- کاربردهای زمین‌شناسی و هواشناسی
- سیستم‌های کنترل شهری
این فناوری در سال‌های اخیر توانسته است توسعه و تغییر چشم‌گیری را در صنعت ایجاد کند. در این مقاله، با مفاهیم کلی پردازش تصویر و کاربردهای آن در صنایع مختلف آشنا شدید. با ترکیب علوم هوش مصنوعی و الگوریتم‌های کلاسیک، الگوریتم‌های پردازش تصویر به طرز شگفت‌انگیزی رشد یافته است. این امر لزوم یادگیری مباحث ویژه پردازش تصویر براساس نیاز صنعت را گوشزد می‌کند.
یکی از کاربردهای مهم پردازش تصویر، استفاده آن در اتوماسیون صنعتی است. همراهی پردازش تصویر و اتوماسیون می‌تواند بر بهبود کیفیت محصولات، افزایش بهره‌وری و کاهش هزینه‌ها موثر باشد.
مراجع
https://www.researchgate.net/figure/A-digital-image-is-a-2D-array-of-pixels-Each-pixel-is-characterised-by-its-x-y_fig1_221918148
https://www.geeksforgeeks.org/matlab-rgb-image-representation/
https://www.cs.auckland.ac.nz/courses/compsci773s1c/lectures/ImageProcessing-html/topic4.htm
بی نظیر بود اینده اتوماسیون صنعتی در کنترل خواص فیزیکی حتما پردازش تصویر و بینایی ماشین است ممنون بابت مقاله عالیتون
سلام وقت بخیر ، با تشکر از همراهی شما با آکادمی ماهر
عالی و کامل🙏👍
سپاس از همراهی شما