মেশিন ভিশন কীভাবে অটোমেশন চালাচ্ছে

মেশিন ভিশন হ'ল বেশ কয়েকটি প্রযুক্তির সংমিশ্রণ যা শিল্প বা অন্যান্য স্বয়ংক্রিয় সরঞ্জামগুলিকে চিত্রগুলি থেকে পরিবেশের একটি উন্নত বোঝার হাত থেকে তৈরি করতে সক্ষম করে। মেশিন ভিশন সফ্টওয়্যার ব্যতীত, বিভিন্ন রঙের মান এবং টোনাল তীব্রতার সাথে ডিজিটাল চিত্রগুলি এই জাতীয় সরঞ্জামগুলিতে পিক্সেলগুলির একটি সাধারণ, সংযোগহীন সংগ্রহ ছাড়া আর কিছুই হবে না। মেশিন ভিশন একটি কম্পিউটারকে (সাধারণত কোনও মেশিন কন্ট্রোলারের সাথে সংযুক্ত) এ জাতীয় চিত্রগুলিতে প্রান্ত এবং আকারগুলি সনাক্ত করতে দেয় যাতে উচ্চ-স্তরের প্রসেসরকে একটি প্রাক-সংজ্ঞায়িত লক্ষ্য অবজেক্টটি সনাক্ত করতে দেয়। এই অর্থে চিত্রগুলি দৃশ্যমান বর্ণালীতে ফটোগ্রাফিক চিত্রগুলির মধ্যে সীমাবদ্ধ নয়; এগুলি ইনফ্রারেড, লেজার, এক্স-রে এবং অতিস্বনক সংকেত ব্যবহার করে প্রাপ্ত চিত্রগুলিও অন্তর্ভুক্ত করতে পারে।

শিল্প পরিবেশে, মেশিন ভিশন অ্যাপ্লিকেশনগুলির পক্ষে উপাদান বিনের বিশৃঙ্খলার মধ্যে রাখা অনেকগুলি অংশ থেকে নির্দিষ্ট অংশগুলি সনাক্ত করা বেশ সাধারণ। এখানে, মেশিন ভিশন পিক-অ্যান্ড-প্লেস রোবটকে স্বয়ংক্রিয়ভাবে সঠিক অংশগুলি তুলতে সহায়তা করে। অবশ্যই, যদি অংশগুলি সমস্তগুলি খুব সুন্দরভাবে একটি প্যালেটের একই ওরিয়েন্টেশনে সাজানো হয় তবে তাদের ইমেজিং প্রতিক্রিয়ার সাথে স্বীকৃতি দেওয়া তুলনামূলকভাবে সহজ হবে। যাইহোক, শক্তিশালী মেশিন ভিশন অ্যালগরিদমগুলি ক্যামেরা থেকে বিভিন্ন দূরত্বে থাকা অবজেক্টগুলিকে সনাক্ত করতে পারে (এবং তাই ইমেজিং সেন্সরে বিভিন্ন আকারের চিত্র হিসাবে প্রদর্শিত হয়) পাশাপাশি এমন অবজেক্টগুলি যা ক্যামেরার মতো একই দিকে কেন্দ্রিক নয়।

সর্বাধিক পরিশীলিত মেশিন ভিশন সিস্টেমগুলি উদীয়মান ডিজাইনগুলি সক্ষম করেছে যা বিনগুলি থেকে অংশগুলি বাছাইয়ের চেয়ে অনেক জটিল; উদাহরণস্বরূপ, স্ব-ড্রাইভিং গাড়ি ছাড়া আর জটিল পরিচয় থাকতে পারে না।

মেশিন ভিশন সম্পর্কিত কৌশল

মেশিন ভিশন শব্দটি কখনও কখনও আরও পরিশীলিত এবং দক্ষ গাণিতিক পদ্ধতির রেফারেন্সের জন্য সংরক্ষিত থাকে যা চিত্রগুলি থেকে তথ্য বের করতে পারে। বিপরীতে, কম্পিউটার ভিশন শব্দটি সাধারণত মেশিন লার্নিং বা কৃত্রিম বুদ্ধিমত্তা (এআই) ব্যবহার করে এমন কালো-বাক্স পদ্ধতির সাথে আরও আধুনিক, গণনামূলকভাবে দাবিযুক্ত সিস্টেমগুলি বর্ণনা করে। তবে, মেশিন ভিশনকে একটি সর্ব-অন্তর্ভুক্ত শব্দ হিসাবেও ব্যবহার করা যেতে পারে যা চিত্রগুলি থেকে উচ্চ-স্তরের তথ্য আহরণের সমস্ত পদ্ধতি অন্তর্ভুক্ত করে; এই ক্ষেত্রে, কম্পিউটার ভিশন তার অপারেশনের অন্তর্নিহিত তত্ত্বটি বর্ণনা করে।

কৌশলগুলি যা চিত্রগুলি থেকে উচ্চ-স্তরের অর্থ বের করতে পারে। গবেষণা সম্প্রদায়ের মধ্যে, এই জাতীয় কৌশলগুলি প্রায়শই মেশিন ভিশন থেকে পৃথক হিসাবে বিবেচিত হয়। বাস্তবে, তবে এগুলি সমস্তই মেশিন ভিশন বাস্তবায়নের বিভিন্ন উপায় ... এবং এগুলি অনেক ক্ষেত্রে ওভারল্যাপ করে।

ডিজিটাল ইমেজ প্রসেসিং হ'ল ডিজিটাল সিগন্যাল প্রসেসিংয়ের একটি ফর্ম যা চিত্র বর্ধন, পুনরুদ্ধার, কোডিং এবং সংকোচনের সাথে জড়িত। অ্যানালগ চিত্র প্রক্রিয়াকরণের সুবিধাগুলি হ'ল শব্দ এবং বিকৃতি হ্রাস করার পাশাপাশি উপলব্ধ অ্যালগরিদমের ভিড়। প্রথম ধরণের চিত্র বর্ধনের একটি চন্দ্র পৃষ্ঠের প্রথম ক্লোজ-আপ চিত্রগুলি সংশোধন করতে ব্যবহৃত হয়েছিল। এই প্রক্রিয়াতে, ফটোগ্রামমেট্রিক ম্যাপিংয়ের পাশাপাশি শব্দ ফিল্টার ব্যবহার করা হয়েছিল এবং চন্দ্র পৃষ্ঠের সাথে ইমেজিং ক্যামেরার প্রান্তিককরণের কারণে জ্যামিতিক বিকৃতির জন্য সংশোধন করা হয়েছিল।

ডিজিটাল চিত্র বর্ধন সাধারণত কোণ এবং লেন্স বিকৃতি দেখার জন্য ক্রমবর্ধমান বিপরীতে এবং সম্ভবত জ্যামিতিক সংশোধন জড়িত। কোসাইন ফাংশনগুলির সংমিশ্রণ হিসাবে জটিল সংকেতগুলির প্রায় অনুমান করে সংকোচনটি প্রায়শই অর্জন করা হয়-একটি ফুরিয়ার ট্রান্সফর্মের সাথে পরিচিত কসাইন ট্রান্সফর্ম (ডিসিটি)। জেপিইজি ফাইল ফর্ম্যাটটি ডিসিটি-র সর্বাধিক সাধারণ প্রয়োগ। চিত্র পুনরুদ্ধার শব্দ এবং অস্পষ্টতা অপসারণ করতে ফুরিয়ার ট্রান্সফর্মটিও ব্যবহার করতে পারে।

ফটোগ্রামমেট্রি চিত্রগুলি থেকে পরিমাপ আহরণ করতে এক ধরণের বৈশিষ্ট্য স্বীকৃতি ব্যবহার করে। একই দৃশ্যের একাধিক চিত্রগুলি বিভিন্ন অবস্থান থেকে অর্জিত হলে এই পরিমাপগুলিতে 3 ডি তথ্য অন্তর্ভুক্ত থাকতে পারে। সহজতম ফটোগ্রামমেট্রিক সিস্টেমগুলি একটি চিত্রের দুটি পয়েন্টের মধ্যে দূরত্ব পরিমাপ করতে একটি স্কেল ব্যবহার করে। এটি করার জন্য, প্রায়শই চিত্রটিতে একটি পরিচিত রেফারেন্স স্কেল অন্তর্ভুক্ত করা প্রয়োজন।

বৈশিষ্ট্য সনাক্তকরণ কম্পিউটারকে চিত্রের প্রান্তগুলি, কোণ বা পয়েন্টগুলি সনাক্ত করতে দেয়। এটি ফটোগ্রামেট্রি এবং অবজেক্টস এবং মোশনকে স্বীকৃতি দেওয়ার জন্য প্রয়োজনীয় প্রথম ধাপ।

প্যাটার্ন স্বীকৃতি নির্দিষ্ট বস্তুগুলি সনাক্ত করতে ব্যবহৃত হয়। সবচেয়ে সহজ ক্ষেত্রে, এর অর্থ হতে পারে কোনও পরিবাহক বেল্টে একটি সু-সংজ্ঞায়িত নির্দিষ্ট যান্ত্রিক অংশ সন্ধান করা।

3 ডি পুনর্গঠন 2 ডি চিত্র থেকে কোনও বস্তুর 3 ডি আকার নির্ধারণ করে। এই বৈশিষ্ট্যটি ফটোগ্রামমেট্রিক পদ্ধতি দ্বারা উপলব্ধি করা যেতে পারে। এই ক্ষেত্রে, সাধারণ বৈশিষ্ট্যগুলির উচ্চতা (বিভিন্ন পর্যবেক্ষণ পয়েন্ট থেকে চিত্রগুলিতে নির্ধারিত) ত্রিভুজ ব্যবহার করে নির্ধারিত হয়। 3 ডি পুনর্গঠন একা 2 ডি চিত্র ব্যবহার করেও সম্ভব; এখানে, সফ্টওয়্যারটি প্রান্ত বা ছায়াযুক্ত অঞ্চলের মধ্যে জ্যামিতিক সম্পর্কগুলিও ব্যাখ্যা করে।

মানুষ কিউবকে কেবল লাইন অঙ্কন ব্যবহার করে তাদের মস্তিষ্কে প্রক্রিয়াজাত করে পুনর্গঠন করতে পারে - গোলকগুলি পুনর্গঠন করতে ছায়াযুক্ত চেনাশোনাগুলি ব্যবহার করে। শেডিং পৃষ্ঠের ope াল দেখায়। যাইহোক, এই ডেরাইভেশন প্রক্রিয়াটি যতটা ভাবেন তার চেয়ে অনেক জটিল, কারণ শেডিংটি এক-মাত্রিক প্যারামিটার, যখন ope ালটি দ্বি-মাত্রিক ক্ষেত্রে ঘটে। এটি অস্পষ্ট পরিস্থিতিগুলির দিকে পরিচালিত করতে পারে - শারীরিকভাবে অসম্ভব অবজেক্টগুলি চিত্রিত করার শিল্প দ্বারা যাচাই করা একটি সত্য।

মেশিন ভিশন কার্যগুলি কীভাবে ক্রমযুক্ত হয়

অনেক মেশিন ভিশন সিস্টেমগুলি নিম্ন-স্তরের ক্রিয়াকলাপগুলি দিয়ে শুরু করে এবং তারপরে উচ্চ-স্তরের ক্রিয়াকলাপগুলিতে অগ্রগতি করে উপরের কৌশলগুলি ক্রমবর্ধমানভাবে অন্তর্ভুক্ত করে। সর্বনিম্ন স্তরে, একটি চিত্রের সমস্ত পিক্সেল উচ্চ-ব্যান্ডউইথ ডেটা হিসাবে সংরক্ষণ করা হয়। ক্রমের প্রতিটি অপারেশন তারপরে চিত্রের বৈশিষ্ট্যগুলি স্বীকৃতি দেয় এবং তুলনামূলকভাবে অল্প পরিমাণে ডেটা সহ আগ্রহের তথ্য উপস্থাপন করে।

প্রথমটি হ'ল বৈশিষ্ট্য সনাক্তকরণের পরে চিত্র বর্ধন এবং পুনরুদ্ধারের নিম্ন স্তরের অপারেশন। সুতরাং একাধিক সেন্সর ব্যবহারের ক্ষেত্রে, নিম্ন-স্তরের ক্রিয়াকলাপগুলি পৃথক সেন্সরগুলির জন্য বিশেষায়িত বিতরণ প্রক্রিয়া দ্বারা সম্পাদন করা যেতে পারে। একবার পৃথক চিত্রগুলিতে বৈশিষ্ট্যগুলি সনাক্ত হয়ে গেলে, আরও উন্নত ফটোগ্রামমেট্রি সম্পাদন করা যেতে পারে - যেমন কোনও অবজেক্টের স্বীকৃতি বা অন্য কোনও কাজের সাথে যা একাধিক চিত্র এবং সেন্সর থেকে সম্মিলিত ডেটার উপর নির্ভর করে।

সরাসরি গণনা এবং শেখার অ্যালগরিদম

মেশিন ভিশনের ক্ষেত্রে, সরাসরি গণনা হ'ল প্রোগ্রামার দ্বারা সংজ্ঞায়িত গাণিতিক ক্রিয়াকলাপগুলির একটি সেট। এই ফাংশনগুলি চিত্র পিক্সেল মানগুলির মতো ইনপুটগুলি গ্রহণ করে এবং অবজেক্ট এজ স্থানাঙ্কের মতো আউটপুট উত্পাদন করে। বিপরীতে, লার্নিং অ্যালগরিদমগুলি সরাসরি মানুষের দ্বারা লেখা হয় না, তবে উদাহরণস্বরূপ ডেটাসেটগুলিতে প্রশিক্ষিত হয় যা কাঙ্ক্ষিত আউটপুটগুলির সাথে ইনপুটগুলিকে সংযুক্ত করে। ফলস্বরূপ, লার্নিং অ্যালগরিদমগুলি কালো বাক্স হিসাবে ব্যবহৃত হয়। এই জাতীয় বেশিরভাগ মেশিন লার্নিং এখন গণনার জন্য কৃত্রিম নিউরাল নেটওয়ার্কগুলির উপর ভিত্তি করে গভীর শিক্ষা ব্যবহার করে।

শিল্প অ্যাপ্লিকেশনগুলির জন্য সাধারণ মেশিন লার্নিং সরাসরি গণনার ভিত্তিতে যখন আরও নির্ভরযোগ্য এবং কম গণনামূলকভাবে দাবি করে থাকে। অবশ্যই, সরাসরি গণনার মাধ্যমে কী অর্জন করা যায় তার সীমাবদ্ধতা রয়েছে। উদাহরণস্বরূপ, প্রয়োজনীয় উন্নত স্বীকৃতি নিদর্শনগুলি স্বীকৃতি দেওয়ার জন্য এবং বিশেষত জনাকীর্ণ পাবলিক স্পেসে ভিডিও ফুটেজ থেকে নয় এমন মুখগুলি সম্পাদন করার আশা করা উচিত নয়। বিপরীতে, মেশিন লার্নিং দক্ষতার সাথে এই জাতীয় অ্যাপ্লিকেশনগুলি পরিচালনা করতে পারে। সুতরাং অবাক হওয়ার মতো বিষয় নয় যে মেশিন লার্নিং ক্রমবর্ধমান নিম্ন-স্তরের মেশিন ভিশন অপারেশন, বিশেষত চিত্র বর্ধন, পুনরুদ্ধার এবং বৈশিষ্ট্য সনাক্তকরণের জন্য মোতায়েন করা হচ্ছে।

উন্নত শিক্ষণ পদ্ধতি (অ্যালগরিদম নয়)

গভীর শিক্ষার কৌশলগুলির ক্রমবর্ধমান পরিশীলনের বিষয়টি পরিষ্কার করে দিয়েছে যে এটি নিজেরাই শেখার অ্যালগরিদম নয় যা উন্নত করা দরকার, বরং অ্যালগরিদমগুলি যেভাবে প্রশিক্ষিত হয়। একটি উন্নত প্রশিক্ষণ পদ্ধতি ডেটা-কেন্দ্রিক কম্পিউটার ভিশন হিসাবে পরিচিত। এখানে, একটি গভীর শিক্ষণ ব্যবস্থা হাজার হাজার, মিলিয়ন বা এমনকি কোটি কোটি চিত্র সমন্বিত একটি খুব শক্তিশালী প্রশিক্ষণ সেট গ্রহণ করে - এবং তারপরে প্রতিটি চিত্র থেকে তার অ্যালগরিদম দ্বারা নিষ্কাশিত সংশ্লেষিত তথ্য সংরক্ষণ করে। এই অ্যালগরিদমগুলি কাজের উদাহরণগুলির সাথে সংযুক্ত করে দক্ষতার সাথে শিখতে পারে এবং তারপরে সঠিক মানগুলি উত্পন্ন হয়েছে তা যাচাই করার জন্য একটি "উত্তর বই" উল্লেখ করে।

ডিজিটাল প্যাটার্ন স্বীকৃতি সম্পর্কে একটি পুরানো সতর্কতা কাহিনী রয়েছে। মার্কিন সেনা একবার লক্ষ্য স্বীকৃতির জন্য মেশিন ভিশন ব্যবহার করার ইচ্ছা করেছিল এবং একটি প্রতিরক্ষা ঠিকাদারের বিক্ষোভ নির্ভরযোগ্যভাবে মার্কিন যুক্তরাষ্ট্র এবং রাশিয়ান উভয় ট্যাঙ্কই চিহ্নিত করেছিল। সরবরাহকারীর বায়বীয় ফটোগ্রাফ থেকে একের পর এক একের পর এক বিভিন্ন ধরণের ট্যাঙ্কগুলি সঠিকভাবে আলাদা করা যেতে পারে। যাইহোক, পেন্টাগনের নিজস্ব চিত্র লাইব্রেরির সাথে আবার পরীক্ষা করা হলে, সিস্টেমটি ভুল উত্তর দিতে থাকে। সমস্যাটি হ'ল প্রতিরক্ষা ঠিকাদারদের ছবিগুলি সমস্ত মরুভূমিতে আমেরিকান ট্যাঙ্ক এবং সবুজ ক্ষেত্রগুলিতে রাশিয়ান ট্যাঙ্কগুলি চিত্রিত করেছে। বিভিন্ন ট্যাঙ্কগুলি সনাক্ত করার পরিবর্তে সিস্টেমটি বিভিন্ন রঙিন ব্যাকগ্রাউন্ড চিহ্নিত করে। স্বীকৃতি মানদণ্ড কি? অ্যালগরিদম শেখার জন্য কাজ করার জন্য সাবধানে কিউরেটেড প্রশিক্ষণ ডেটা প্রয়োজন।

উপসংহার: রোবোটিক ওয়ার্কসেলগুলির জন্য একটি নিরাপদ দৃষ্টি

মেশিন ভিশন এখন আর কুলুঙ্গি প্রযুক্তি নয়। বর্তমান ড্রাইভে, শিল্প খাতটি মেশিন ভিশন মোতায়েনের জন্য বৃহত্তম বৃদ্ধির ক্ষেত্র। এই অঞ্চলের সর্বাধিক উল্লেখযোগ্য বিকাশ হ'ল মেশিন ভিশন এখন শিল্প গাছপালা, অর্থাত্ সিস্টেমগুলিতে সুরক্ষা ব্যবস্থাগুলি কীভাবে সম্পন্ন করছে, এমন সিস্টেমগুলি যা একটি অ্যালার্ম শব্দ করে বা ভয়েস বিজ্ঞপ্তি দেয় যখন কোনও শ্রমিক হেলমেট, মুখোশ বা অন্যান্য উপযুক্ত প্রতিরক্ষামূলক গিয়ার ছাড়াই কোনও কাজের জায়গায় প্রবেশ করে। মেশিন ভিশন এমন সিস্টেমগুলিতেও ব্যবহার করা যেতে পারে যা চলমান যন্ত্রপাতি যেমন কাঁটাচামচগুলি, যেমন কর্মীদের খুব কাছাকাছি চলে যায় তখন সতর্কতা অবলম্বন করে।

এই এবং অনুরূপ মেশিন ভিশন সিস্টেমগুলি কখনও কখনও অপারেশনগুলিকে আরও দক্ষ করার জন্য শিল্প রোবটগুলির চারপাশে কঠোর প্রতিরক্ষামূলক ব্যবস্থাগুলি প্রতিস্থাপন করতে পারে। মেশিন ভিশন সিস্টেমগুলি হালকা রক্ষার উপর ভিত্তি করে সুরক্ষা সিস্টেমগুলি প্রতিস্থাপন বা উন্নত করতে পারে যা কোনও কর্মী যখনই কাজের কক্ষে প্রবেশ করে সনাক্ত করা হয় তখন যন্ত্রপাতি স্টপ মেশিনারি। যখন মেশিন ভিশন কোনও কাজের ঘরের চারপাশে কারখানার মেঝে পর্যবেক্ষণ করে, তখন সেই কক্ষের রোবটগুলির লোকেরা আসার সাথে সাথে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে ধীরে

যেহেতু শিল্প পরিবেশের নকশাটি সহযোগী রোবট এবং অন্যান্য ওয়ার্কসেল সরঞ্জামগুলিকে সামঞ্জস্য করার জন্য বিকশিত হয় যা উদ্ভিদ কর্মীদের নিরাপদে ঘুরে বেড়াতে দেয় (এমনকি সরঞ্জামগুলি চলাকালীন), এই এবং অন্যান্য মেশিন ভিশন-ভিত্তিক সিস্টেমগুলি উদ্ভিদ প্রক্রিয়াগুলির আরও সাধারণ অঙ্গ হয়ে উঠবে।