مقدمه.اي بر بينايي ماشين. (Machine Vision)

واضح آرشیو وب فارسی:فان پاتوق: اشاره :
از ميان همه شاخه.هاي هوش مصنوعي، شايد كاربردي.ترين آن.ها كامپيوتري و مكانيزه كردن سيستم.هاي بينايي باشد. دامنه كاربرد اين شاخه از فناوري در حال رشد، بسيار وسيع است و از كاربردهاي عادي و معمولي مثل كنترل كيفيت خط توليد و نظارت ويدئويي گرفته تا تكنولوژي.هاي جديد مثل اتومبيل.هاي بدون راننده را دربرگرفته است. دامنه كاربردهاي اين تكنولوژي براساس تكنيك.هاي مورد استفاده در آن.ها تغيير مي.كند. دراين مقاله سعي داريم به شما نشان دهيم كه سيستم.هاي بينايي ماشين چگونه كار مي.كنند و مروري كوتاه بر اهداف، تكنيك.ها و تكنولوژي.هاي موجود داشته باشيم و سعي داريم با نحوه كار بينايي ماشين و پيشرفت آن.ها كه مطابق با سيستم بينايي انسان است، آشنا شويم. در اين متن، بررسي. خود را با دو مثال انجام مي.دهيم. اولي سيستم كنترل كيفيت خط توليد است كه شامل نحوه عكس.برداري و ذخيره و شيوه تفسير عكس.هاي گرفته شده به.صورت خودكار است و ديگري به.عنوان يك مثال پيچيده.تر، چگونگي بينايي يك ربات را توضيح مي.دهد.

كنترل كيفيت خط توليد

شكل 1- نماي ساده شده.اي از يك سيستم بينايي كنترل كيفيت خط توليد غيرواقعي
يكي از كاربردهاي بينايي ماشين در كنترل كيفيت خروجي كارخانه.ها مي.باشد. شكل 1 مثالي بسيار ساده از چنين سيستمي است. اجناس توليد.شده در كارخانه كه برروي يك نوار نقاله قرار گرفته.اند و توسط يك دوربين CCD براي آزمايش ديده مي.شوند و محصولات با كيفيتِ مناسب اجازه عبور پيدا خواهندكرد. چنانچه محصولي داراي استانداردهاي مناسب نباشد از ادامه مسير حذف مي.شود. معيار اين استانداردها مي.تواند لبه.هاي زائد، خراشيدگي و بادكردگي و تورم روي فلزات و بسياري چيزهاي ديگر باشد. در اين مثال ما در پي يافتن مكانيزم خط توليد نيستيم و فقط مي.خواهيم ببينيم كه يك شي توليدشده چگونه استاندارد تشخيص داده شده و اجازه عبور مي.يابد و برعكس چگونه به بعضي از اشياء اجازه عبور و ادامه دادن داده نمي.شود.
عكس.برداري
در اين مثال ما سعي در مكانيزه كردن فرآيندي يكنواخت داريم كه به.صورت معمول و تكراري توسط انسان انجام مي.شود. اولين مسأله و مشكل ما اين است كه چگونه عكس.هاي تهيه شده از اشيايي كه در حال حركت بر روي نوار نقاله هستند را تبديل به داده.هاي قابل فهم و تفسير براي سيستم نماييم، كه اين مشكل توسط دوربين CCD حل مي.شود. عملكرد اين دوربين را مي.توان به عملكرد چشم انسان كه قادر است سطوح مختلف نور را تشخيص دهد تشبيه نمود.
چشم انسان
چشم انسان كه در شكل 2 نشان داده شده است، تقريباً يك عدسي كروي با قطر 5/2 سانتي.متر مي.باشد كه از چندين لايه مختلف كه دروني.ترين آن.ها شبكيه نام دارد تشكيل شده است. ماهيچه.هاي اطراف چشم اندازه لنز را تنظيم مي.كنند كه اين.كار چشم را قادر به زوم (zoom) كردن روي اشياء مي.كند.

شكل 2- نماي داخلي چشم انسان
وظيفه عدسي چشم، فرم و شكل دادن به تصويري است كه توسط ميليون.ها سلول گيرنده مخروطي (Cone) و ميله.اي (rod) گرفته شده و برروي پرده شبكيه افتاده است، مي.باشد. سلول.هاي ميله.اي به يك عصب معمولي كه از انتها به شبكيه ختم مي.شود و فقط در سطح نور پايين فعال است متصلند و سلول.هاي مخروطي هر كدام به يك عصب اتصال دارند. آن.ها در نورهاي شديدتر، بيشتر فعالند و ميزان درك ما از رنگ.ها را نوع فعاليت اين. مخروط.ها مشخص مي.كند.

در ميان شبكيه ناحيه.اي به.نام نقطه كور وجود دارد كه در آن هيچ. گيرنده.اي موجود نيست. در اين ناحيه اعصاب به.صورت جداگانه به عصب بينايي كه سيگنال.هاي دريافت شده را به قشر بينايي مخ انتقال مي.دهند، وصل مي.شود.

دوربين CCD
CCD از جهت عملكرد تقريباً مانند چشم انسان كار مي.كند. نور از طريق يك عدسي وارد دوربين و برروي يك پرده مخصوص تصوير مي.شود كه تحت عنوان تراشه CCD شناخته مي.شود. تراشه Charge Coupled Device) CCD) كه تصاوير با استفاده از آن گرفته مي.شوند از تعداد زيادي سلول تشكيل شده كه همگي در يك تراشه با الگوي خاصي مرتب شده.اند و تحت عنوان پيكسل (pixels) شناخته مي.شوند.

شكل3- تصوير وسط يك نماي نزديك از چشم ماهي را نمايش مي دهد و نشان مي دهد كه هر قسمت از يك تصوير چگونه با تعدادي مقادير عددي ذخيره مي شود. به تعداد داده هاي عددي مورد نياز براي ذخيره يك فضاي كوچك از تصوير توجه كنيد.
زماني كه تراشه CCD اين اطلا
عات را دريافت مي.كند، آن.ها را به شكل سيگنال.هاي ديجيتالي از طريق كابل.هايي به سيستم دريافت.كننده مي.فرستد و بعد تصاوير در اين سيستم به صورت مجموعه.اي از اعداد ذخيره مي.شوند. همان.طور كه در شكل 3 مي.بينيد هر عدد نماينده يك پيكسل است.
درك تصوير
با هر تصوير، چه با دوربين گرفته شود و چه با چشم انسان، مقداري تحريف و تغيير شكل و
به عبارتي "نويز (noise) " وجود دارد. البته در مورد مثال ما در سيستم خط توليد اين مسأله چندان اهميت ندارد اما در موقعيت.هايي كه نياز به دقت بالا وجود دارد بايد از نورپردازي خاصي براي تصويربرداري استفاده شود.

شكل 4- ترسيم لبه. شكل اول تصوير اصلي مي.باشد. در شكل وسط نويزها با .....نمودن ا.ز بين رفته است. در نهايت شكل 3، تصوير حاصل از به.كار بردن الگوريتم ترسيم لبه مي.باشد.
انسان. براي درك تصاويري كه مي.بيند نيازي ندارد هيچ كاري در مورد ..... كردن و از بين بردن نويزهاي يك تصوير انجام دهد. مثلاً در يك روز ابري كه مه همه جا را فرا گرفته، ديد ما به شدت ضعيف و دچار مشكل مي.شود. اما هر آنچه را كه قادر به ديدنش باشيم درك مي.كنيم. يعني براي درك اشياء نيازي به حذف نويزهاي تصوير نيست. مثلاً اگر در اين روز در حال رانندگي در يك جاده باشيد و تصوير مبهمي از يك ماشين را مقابل خود ببينيد، بالطبع عكس.العمل نشان مي.دهيد و به عبارتي سرعت خود را كم مي.كنيد.

و اين يعني ما هنوز تصوير ماشين را عليرغم وجود مه مي.توانيم تشخيص دهيم و در مقابل آن عكس.العمل نشان.دهيم. و يا مثلاً زماني كه دچار سرگيجه مي.شويد، عليرغم اين.كه تصاوير اطراف خود را تار و مبهم مي.بينيد اما قادر به درك و تشخيص وسايل و تصاوير اطراف خود هستيد. يعني ابتدا صبر نمي.كنيد تا سرگيجه.تان به پايان برسد و بعد تصاوير را تشخيص دهيد و اين يعني با قدرت بينايي انسان، عليرغم خراب شدن تصاوير اطراف، مي.توانيم متوجه فضاي اطراف خود بشويم. اما براي بينايي ماشين ابتدا بايد اين نويزها طي فرآيندي كه تصفيه كردن يا .....ينگ ناميده مي.شود، از بين برود و بعد هر آنچه براي پردازش عكس لازم است انجام شود.

خوشبختانه در حال حاضر تكنيك.هايي براي انجام اين كار وجود دارد. از بين بردن نويزها به.صورت نرمال توسط تعدادي از توابع رياضي يا الگوريتم.هايي كه تحت عنوان "treshholding" يا "quantizing" ناميده مي.شود انجام مي.گردد. اين فرآيند بسيار حرفه.اي و پيچيده.اي است و نياز به دانش و پشتوانه بالاي رياضي دارد. زماني كه خرابي.ها از بين رفت، مي.توانيم پردازش عكس.ها را ادامه دهيم كه اين كار با استخراج صورت.ها و حالت.ها از يك تصوير انجام مي.شود. يك شيوه معمول كه غالباً مورد استفاده قرار مي.گيرد استخراج لبه.ها كه در شكل 4 ديده مي.شود، مي.باشد.

در مورد مثال ما در سيستم خط توليد، وظيفه اصلي يك اپراتور كنترل كيفيت اين است كه به سرتاسر محصول توليد شده نگاه كرده و با مقايسه آن با استانداردهاي مورد قبول، براي محصول توليد.شده جواز عبور يا عدم عبور صادر كنند.

اگر اين كار با استفاده از بينايي ماشين صورت گيرد بايد عكس گرفته شده از محصول توليد شده با عكسي كه از يك محصول استاندارد وجود دارد مقايسه .شود. يكي از روش.هاي انجام اين كار به اين صورت است:

براي انجام اين.كار، يك تصوير از محصول استاندارد در كامپيوتر ذخيره مي.شود و سپس از محصولا.تي كه از خط توليد عبور مي.كنند. تصوير گرفته مي.شود و به عنوان نقشه لبه ذخيره مي.شود. و بعد سيستم، تصوير گرفته شده را از چپ به راست و از بالا به پايين به.گونه.اي كه در هر زمان فقط يك رقم عبور كند، مي.لغزاند و عدد ظاهر شده در هر موقعيت را با عدد همان موقعيت در تصوير اصلي مقايسه مي.كند و در صورت تفاوت آن را اعلا.م مي.نمايد.

لذا عمليات بينايي كامپيوتر در حقيقت مقايسه دو مجموعه عدد است كه اگر تفاوت اين دو مجموعه از يك محدوده خاص فرارتر برود، از پذيرفتن محصول امتناع شده و در غير اين.صورت محصول. پذيرفته مي.شود.
يك مثال پيچيده.تر
در مثال قبل سيستم مورد مطالعه بسيار محدود بود و فقط يك تصوير دو بعدي از يك محصول را با تصوير اصلي و ايده.آل مقايسه مي.كرد و احتياجي به بررسي مقادير اندازه و زاويه نبود.

در اين مثال مي.خواهيم به سيستم بينايي كه براي يك ربات خانگي كه قادر به تميز كردن خانه، پختن غذا و ... طراحي شده نگاهي بياندازيم. اين مثال بسيار پيچيده.تر از مثال قبلي است و نياز به آگاهي از تغييرات محيط دارد. به عبارت بهتر نياز به يك سيستم هوشمندتر داريم. قبلاً ديديم كه تصاوير چگونه ذخيره و تفسير مي.شوند. غالب تكنيك.هاي گذشته دوباره در اين مثال به.كار گرفته مي.شوند. تفاوت اصلي در تفسير تصاوير گرفته شده است. در مثال قبلي فضاي سيستم بينايي فقط متشكل از يك سري محصول بود، اما در اين مثال ربات بايد از همه آنچه در اطرافش مي.گذرد باخبر بوده و اين يعني با دنياي وسيع.تر و بزرگ.تري روبروست. بدين.منظور نياز به تكنيك.هاي تشخيص پيچيده.تري وجود دارد.

يعني در اين مثال، يك صحنه فرضي شامل ده.ها يا حتي صدها شي مختلف در معرض ديد است. اين اشياء در اندازه.ها و تحت زواياي مختلف كه متأثر از نوع نورپردازي هم هستند به نمايش درمي.آيند و به همين دليل براي تشخيص اين اشياء نياز به تكنيك.هاي هوش.مصنوعي (Ai) مي.باشد.
پردازش اطلاعات در مغز

شكل 5 - تصوير به نظر دو مثلث مي.آيد كه در جهت عكس هم و برروي هم قرار داده شده.اند، ولي از نظر رياضي هيچ مثلثي رسم نشده است و فقط سه دسته از خطوط وجود دارند.
در مورد بينايي انسان متذكر شديم كه شايد يكي از قسمت.هايي از مغز كه بيشتر فعاليت درك تصوير را انجام مي.دهد ناحيه visual Cortex باشد. همان.طور كه ديده.ايم، اين.جا ناحيه.اي است كه اطلاعات منتقل شده در طول عصب بينايي در آن پردازش مي.شود. البته اين را هم مدنظر داشته باشيد كه قسمتي از فعاليت پردازش اطلاعات در ناحيه شبكيه چشم قبل از اين.كه اطلاعات به مغز برسند، انجام مي.شود.

البته خود ناحيه شبكيه به.عنوان قسمتي از مغز شمرده مي.شود. در ضمن اين مسأله هم قبلاً مشخص شده است كه نواحي مختلف قشر بينايي مخ در مقابل تصاوير مختلف عكس.العمل نشان مي.دهد. به عبارت ديگر هر قسمت از اين ناحيه مربوط به يك حالت خاص است. مثلاً نواحي معين و مشخصي در مقابل رنگ.هاي متفاوت عكس.العمل. نشان مي.دهند و يا مثلاً نواحي وجود دارند كه سلول.هايشان در مقابل جزييات دقيق موجود در يك تصوير عكس.العمل نشان مي.دهند. مثلاً در شكل 5 شما مي.توانيد يك مثلث سفيد كه به.طور واضح سه راس آن مشخص نشده است را ببيند،

شكل 6- مثلث Penrose: عدم هماهنگي هندسي در لبه.ها باعث عدم درك صحيح شكل مي.شود.

عليرغم اين.كه به.طور واضح و مجزا اين مثلث مشخص نشده است. اما سلول.هاي موجود در قشر بينايي مي.توانند تكه.هاي اين خطوط را كنار هم گذاشته و از آن يك مثلث استنتاج كنند.

زماني كه اطلاعات مربوط به چيزي كه ديده مي.شود را دريافت كرديم، مثل شكل ظاهري، لبه.ها و غيره، مغز نياز به رمزگشايي و كشف اطلاعات به.دست آمده دارد تا دقيقاً نتيجه.گيري كند كه آنچه در صحنه مي.گذرد چيست. اينجا قسمتي است كه ما خيلي كم در رابطه با آن مي.دانيم و مشخص نيست كه دقيقاً مغز چگونه اين كار را انجام مي.دهد. اما مسأله مشخص اين است كه سيستم بينايي ما چندان مبرا از خطا نيست و به.راحتي دچار اشتباه مي.شود. موارد بسيار زيادي وجود دارد كه اطلاعات كسب شده مي..توانند مبهم و يا حتي اشتباه باشند، مانند مثال.هايي كه در شكل 6 و 7 مشاهده مي.كنيد.

شكل 7- خطاي ديد: در شكل سمت چپ عليرغم نحوه ظهور خطوط همه آن.ها با هم موازيند. در شكل سمت راست كه به خطاي Muller-Lyer معروف است دو خط ظاهر شده به نظر داراي طول.هاي متفاوت مي.آيند. اما در حقيقت هم.اندازه.اند.

به.طور خلاصه، با توجه به اين.كه سيستم بينايي انسان در بسياري موارد دچار خطا مي.شود، نياز به درنظرگرفتن شيوه.اي متفاوت براي بينايي ماشين هستيم.
با استفاده از تكنيك.هايي كه قبلاً ذكر كرديم، ربات مي.تواند شناسايي تركيبات و صورت.هاي گوناگون موجود در اطراف خود را با استفاده از شيوه همانند.سازي الگو انجام دهد. هر چند تعداد زيادي صورت
و تركيبات گوناگون (template matching) ديگر وجود دارند كه نياز به اخذ شيوه.هاي متفاوت ديگري براي نمايش آن.ها وجود دارد. و در اين جاست كه نياز به استفاده از تكنيك.هاي هوش مصنوعي مطرح مي.شود.

نمايش دانش
متخصصين هوش مصنوعي انواع سيستم.ها را با استفاده از برنامه.هاي معمول كامپيوتري و تفاوت قايل.شدن بين پردازش اطلاعات (information) و پردازش دانش (knowledge)، شناسايي مي.كنند. اين.كار منجر به ايجاد سيستم.هاي مبتني بر دانش كه كاربرد بسيار زيادي در هوش مصنوعي دارد مي.شود.

شكل 8- يك شبكه معنايي براي نمايش قسمتي از آشپزخانه.
ربات ما نياز به داشتن اطلاعات يا "دانش" از دنياي اطراف خود دارد تا سيستم بينايي.اش به درستي عمل كند. ما به.طور خلاصه بعضي تكنيك.هايي كه توسط مهندسين دانش (knowledgc engineer) براي نمايش و پردازش اين اطلاعات به.كار مي.رود را آزمايش مي.كنيم.

يك شبكه معنايي (Semantic network) يك تكنيك خوش ساخت براي نمايش اشياء يا ماهيت موجود در يك دنيا و ارتباطاتي كه بين.شان موجود است، مي.باشد. مثلاً قسمتي از دنياي ربات ما آشپزخانه است.

استفاده از يك شبكه معنايي مي.تواند راه مناسبي براي نمايش اطلاعات باشد. بدين.ترتيب آشپزخانه را تحت عنوان يك سري از اشياء و روابط بين.شان فرض كنيم. يك شبكه مي.تواند جزييات موجود را به.خوبي نمايش داده و ما را قادر به كاوش بيشتر و بهتر در روابط موجود بين اشياء كند. براي مثال، همان.طور كه از شكل شماره 8 مي..توان ديد، گوشت.هاي سرد در يخچال. نگهداري مي.شوند. اين آيتم.ها تحت عنوان غذاها مي.توانند دسته.بندي شوند. اگر چه همه غذاها در يخچال نگهداري نمي.شوند، اما همه محصولات گوشتي ملزم به نگهداري يخچال هستند.

مشخص است كه اين شبكه بايد براي نمايش دنياي اطراف ربات ما به.خوبي گسترش يابد و نياز به نمايش دقيق.تر و جزيي.تري از اشياء و ارتباطات وجود دارد و همچنين اين شبكه بايد اتاق.ها، افراد، اشياء موجود و غيره را هم نمايش دهد.

پس از ساخته شدن شبكه معنايي ما قادر به ساخت يك پايگاه داده از دانش حاصل از شبكه معنايي در مورد اشياء موجود در دنياي مربوطه هستيم. در مورد مثال ما، ورودي.هاي مناسب مي.تواند به شكل زير باشد:

(سيب - شكل - گرد) (سيب - رنگ - قرمز) (سيب - نما - براق)

(همبرگر- شكل - گرد) (همبرگر- رنگ - قهوه.اي) (همبرگر نما - گوشتي)

(يخچال - شكل - مستطيل) (يخچال - رنگ- سفيد) (يخچال - نما - فلزي)

(ظرف.ميوه - شكل - بيضي) (ظرف.ميوه - رنگ- نقره.اي) (ظرف ميوه - نما - فلزي)

((ميوه) نگهداري - در (ظرف ميوه))

((سيب) هست - يك (خوردني))

توجه كنيد كه ورودي.هاي اين پايگاه دانش بايد به.گونه.اي باشد كه منجر به سردرگمي ماشين نشود. مثلاً در مورد مثال ما، سيب يك شي براق قرمز گرد معرفي شده است. اشياء زيادي هستند كه ممكن است چنين مشخصه.اي داشته باشند و اگر مثلاً شما ربات خود را بفرستيد كه براي شما يك سيب تازه بياورد امكان دارد ربات با يك توپ نزد شما باز گردد.

اين پايگاه دانش تحت عنوان حافظه كاريِ سيستم شناخته مي.شود. به منظور استفاده كارا و مناسب از اطلاعات موجود در اين پايگاه، سيستم نياز به داشتن تعدادي قانون دارد. بدين.ترتيب پس از ساخت پايگاه دانش نياز به ساخت يك پايگاه از قوانين براي برخورد مناسب با اطلاعات موجود در پايگاه دانش هستيم. اگر شما از قبل با زبان.هاي برنامه.نويسي آشنايي داشته باشيد، با عبارتي مثل If Statement Then آشنا هستيد مثلا If cold Then wear coat ما از چنين ساختاري براي ايجاد پايگاه قوانين استفاده مي.كنيم. قسمت IF عبارت تحت عنوان راس قانون و قسمت عمليات يعني قسمت Then تحت عنوان بدنه قانون شناخته مي.شوند.

و بدين ترتيب ربات مثلاً مي.داند كه يك سيب چيست و در كجا قرار دارد. مثلاً فرض كنيد يكي از كارهايي كه قرار است ربات انجام دهد رفتن به سمت يخچال و برداشتن چيزي از يخچال است، در اين صورت مي.توانيم مجموعه.اي از قوانين را به اين منظور بسازيم.

اكنون هم دانش و هم قوانين مربوطه را داريم كه نياز به روش.هايي براي تفسيرشان داريم. اين كار توسط سيستم مفسر انجام مي.شود. مفسر برنامه.اي است كه قوانين را پردازش مي.كند. وظيفه آن خواندن هر قانون و بررسي اين.كه موقعيت.ها با هم همخواني دارند يا نه مي.باشد. اگر همخواني داشتند عمل موردنظر را انجام مي.دهد. اين عمل آن.قدر انجام مي.شود تا به عملي كه دستور پايان داده.است، برسد.

گفتيم براي استفاده از تكنيك همسان.سازي الگو (Template matching) نياز به ذخيره مقادير بسيار زيادي از دانش در رابطه با هر آيتم موجود در دنياي ربات وجود دارد. با استفاده از قوانين مي.توانيم استفاده از اين اطلاعات را از بين ببريم و ديگر نيازي به آن.ها حس نمي.شود. مثلاً در مورد يك صندلي، به.جاي ذخيره يك صندلي از تعدادي زوايا و اندازه.ها مي.توانيم اطلاعاتي راجع.به برخي خواص و ظواهر صندلي نظير جنس، دسته.ها، پايه.ها و ... كه يك سيستم مبتني بر دانش از آن.ها به منظور تشخيص صندلي استفاده مي.كند، ذخيره كنيم. يك صندلي داراي چهار پايه، يك نشيمنگاه و يك تكيه.گاه است.

از طرف ديگر ميز هم چهار پايه و يك رويه دارد. بدين.ترتيب به.جاي ذخيره تعداد زيادي عدد براي هر شي، از خواص آن شي براي توصيفش استفاده كنيم. بدين.ترتيب نياز به يك پايگاه دانش هست كه چيزهايي نظير اجزا (دسته.ها، پايه.ها، ديواره.ها و...) خواصي كه اين اجزا را توصيف مي.كند (ظاهر و غيره)، و حقايقي در رابطه با اشيايي كه توسط اين اجزا ساخته مي.شوند (آشپزخانه چهار ديوار و يك در دارد و غيره) و همچنين يك سري قوانين به منظور پردازش اين اطلاعات را نگهداري نمايد.

خلاصه
همان.طور كه ديديم، عمليات زيادي بايد به منظور پردازش اطلاعات تصويري انجام شود. تصاوير غالباً داراي نويز هستند كه باعث خرابي و تحريفشان مي.شود. هر چند اين مشكل چندان حادي براي سيستم بينايي انسان به حساب نمي.آيد اما براي سيستم.هاي بينايي ماشين اين نويزها به.طور كامل بايد ..... و پاكسازي شوند كه اين عمل با استفاده از تعدادي الگوريتم انجام مي.شود.

همچنين ديديم كه اشياء چگونه با استفاده از تكنيك همسا.ن.سازي الگو ديده مي.شوند هر چند پس از اين.كه اشياء داخل صحنه توسط سيستم بينايي مشخص شدند هنوز كار تمام شده است. اطلاعات حاصل بايد به يك نمايش دانش مناسب. ترجمه شوند به.طوري كه قابل پردازش باشند.
نتيجه.گيري
مثال اول يك مثال محدود شده از نوعي سيستم بود كه در كاربردهاي روزانه مشابه آن را فراوان مي.توان يافت. سيستم.هاي بينايي اوليه روز به روز در حال گسترش هستند و هر روز كاربرد جديدي براي آن.ها يافت مي.شود. با توسعه اين سيستم.ها، كاربردهايي براي ساير محيط.ها نظير توسعه پردازش نيز يافت مي.شود. سيستم.هاي بينايي مصنوعي از كاربردهاي پزشكي و نظامي گرفته تا كاربردهاي ساده و معمول روزمره مورد استفاده هستند. و اين شاخه از هوش مصنوعي از كاربردي.ترين شاخه.ها مي.باشد كه هنوز مسايل حل.نشده زيادي در خود دارد.

این صفحه را در گوگل محبوب کنید

[ارسال شده از: فان پاتوق]

[مشاهده در: www.funpatogh.com]

[تعداد بازديد از اين مطلب: 1693]