ראיית מכונה היא מיזוג של מספר טכנולוגיות המאפשרות לציוד אוטומטי תעשייתי או אחר להפיק מתמונות הבנה מתקדמת של הסביבה העומדת לרשותך. ללא תוכנת ראיית מכונה, תמונות דיגיטליות עם ערכי צבע משתנים ועוצמות טונאליות אינן אלא אוסף פיקסלים פשוט ולא מחובר לציוד כזה. ראיית המכונה מאפשרת למחשב (בדרך כלל מחובר לבקר מכונה) לאתר קצוות וצורות בתמונות כאלה על מנת לאפשר למעבד ברמה גבוהה יותר לזהות אובייקט יעד מוגדר מראש. תמונות במובן זה אינן מוגבלות לתמונות צילום בספקטרום הגלוי; הם יכולים לכלול גם תמונות המתקבלות באמצעות אותות אינפרא אדום, לייזר, רנטגן ואולטרה סאונד.
בסביבות תעשייתיות, די מקובל כי יישומי ראיית מכונה יכירו חלקים ספציפיים מהחלקים הרבים המוצבים בעומס של פחי חומר. כאן, Machine Vision עוזר לרובוט הבחירה והמקום להרים אוטומטית את החלקים הנכונים. כמובן שאם החלקים מסודרים בצורה מסודרת באותה אוריינטציה על מזרן, זה יהיה פשוט יחסית לזהות אותם עם משוב הדמיה. עם זאת, אלגוריתמי ראיית מכונה חזקים יכולים לזהות חפצים שנמצאים במרחקים שונים מהמצלמה (ולכן מופיעים כתמונות בגודל שונה על חיישן ההדמיה) כמו גם חפצים שאינם מכוונים לאותו כיוון כמו המצלמה.
מערכות ראיית המכונה המתוחכמות ביותר אפשרו עיצובים מתעוררים המורכבים בהרבה מאשר בחירת חלקים מפחים; לדוגמה, יתכן שלא יהיה זיהוי מורכב יותר מאשר מכונית לנהיגה עצמית.
טכניקות הקשורות לראיית מכונה
המונח ראיית מכונה שמורה לעיתים להתייחסות לשיטות מתמטיות מתוחכמות ויעילות יותר שיכולות לחלץ מידע מתמונות. לעומת זאת, המונח ראיית מחשב מתאר בדרך כלל מערכות מודרניות יותר ותובעניות יותר, כולל גישות קופסאות שחורות המשתמשות בלמידה מכונה או בינה מלאכותית (AI). עם זאת, ראיית מכונה יכולה לשמש גם כמונח מקיף הכולל את כל השיטות לחילוץ מידע ברמה גבוהה מתמונות; במקרה זה, ראיית מחשב מתארת את תיאוריית הפעולה הבסיסית שלה.
טכניקות שיכולות לחלץ משמעות ברמה גבוהה מתמונות שופעות. בקהילת המחקר טכניקות כאלה נחשבות לרוב מובחנות מראיית המכונה. עם זאת, במציאות כולם דרכים שונות ליישום ראיית מכונה ... והם חופפים במקרים רבים.
עיבוד תמונה דיגיטלי הוא סוג של עיבוד אותות דיגיטליים הכולל שיפור תמונות, שיקום, קידוד ודחיסה. היתרונות על פני עיבוד תמונה אנלוגי הם צמצום הרעש והעיוות כמו גם ריבוי האלגוריתמים הקיימים. אחד הסוגים הראשונים של שיפור תמונות שימש לתיקון תמונות הקרוב הראשונות של פני הירח. בתהליך זה נעשה שימוש במיפוי פוטוגרמטרי כמו גם מסנני רעש ונעשו תיקונים לעיוותים גיאומטריים שנגרמו כתוצאה מיישור מצלמת ההדמיה למשטח הירח.
שיפור תמונות דיגיטליות כרוך בדרך כלל בהגברת הניגודיות ואולי גם תיקונים גיאומטריים לצפייה בזוויות ועיוות עדשות. דחיסה מושגת לרוב על ידי קירוב לאותות מורכבים כשילוב של פונקציות cosine-טרנספורמציה פורייה המכונה טרנספורמציית cosine דיסקרטית (DCT). תבנית קובץ JPEG היא היישום הנפוץ ביותר של ה- DCT. שיקום תמונה יכול גם להשתמש בטרנספורמציה של פורייה כדי להסיר רעש וטשטוש.
פוטוגרמטריה משתמשת באיזה סוג של זיהוי תכונות כדי לחלץ מדידות מתמונות. מדידות אלה יכולות לכלול מידע תלת ממדי כאשר נרכשות מספר תמונות של אותה סצנה ממקומות שונים. המערכות הפוטוגרמטריות הפשוטות ביותר משתמשות בסולם כדי למדוד את המרחק בין שתי נקודות בתמונה. לשם כך, לרוב יש צורך לכלול סולם ייחוס ידוע בתמונה.
איתור תכונות מאפשר למחשב לזהות קצוות, פינות או נקודות בתמונה. זהו הצעד הראשון הדרוש לפוטוגרמטריה ולכרת חפצים ותנועה. זיהוי BLOB מזהה אזורים עם קצוות חלקים מדי לגילוי קצה או פינתי.
זיהוי תבניות משמש לזיהוי אובייקטים ספציפיים. במקרה הפשוט ביותר, פירוש הדבר יכול להיות שמציאת חלק מכני ספציפי מוגדר היטב על מסוע.
שחזור תלת מימד קובע את צורת התלת מימד של אובייקט מתמונת דו מימדית. ניתן לממש תכונה זו בשיטות פוטוגרמטריות. במקרה זה, גובהם של התכונות הנפוצות (שנקבעו בתמונות מנקודות תצפית שונות) נקבעים באמצעות משולש. שחזור תלת מימד אפשרי גם באמצעות תמונות דו מימדיות בלבד; כאן, התוכנה מסבירה גם את היחסים הגיאומטריים בין קצוות או אזורים מוצלים.
בני אדם יכולים לשחזר קוביות פשוט על ידי עיבודם במוחם באמצעות רישום קו - באמצעות עיגולים מוצלים כדי לשחזר כדורים. ההצללה מציגה את מדרון פני השטח. עם זאת, תהליך נגזרת זה מורכב בהרבה ממה שאפשר לחשוב, מכיוון שההצללה היא פרמטר חד ממדי, בעוד שהמדרון מתרחש במקרה דו ממדי. זה יכול להוביל למצבים דו -משמעיים - עובדה שתוקפה על ידי אמנות של תיאור חפצים בלתי אפשריים פיזית.
כיצד מתרצפות משימות ראיית מכונה
מערכות ראיית מכונות רבות משלבות את הטכניקות לעיל באופן מצטבר על ידי התחלה בפעולות ברמה נמוכה ואז מתקדמות לפעולות ברמה הגבוהה יותר. ברמה הנמוכה ביותר, כל הפיקסלים של תמונה מאוחסנים כנתוני רוחב פס גבוה. לאחר מכן כל פעולה ברצף מזהה תכונות תמונה ומייצגת את מידע העניין עם כמות קטנה יחסית של נתונים.
הראשון הוא הפעולה ברמה הנמוכה של שיפור תמונות ושיקום ואחריו איתור תכונות. לפיכך, במקרה של שימוש במספר חיישנים, ניתן לבצע את הפעולות ברמה נמוכה על ידי תהליכים מופצים המתמחים לחיישנים בודדים. לאחר גילוי התכונות בתמונות בודדות, ניתן לבצע פוטוגרמטריה מתקדמת יותר - כמו בכל זיהוי אובייקט או משימה אחרת הנשענת על נתונים משולבים מתמונות וחיישנים מרובים.
אלגוריתמי חישוב ולמידה ישירים
במקרה של ראיית מכונה, חישוב ישיר הוא קבוצה של פונקציות מתמטיות שהוגדרו על ידי המתכנת. פונקציות אלה נוטלות כניסות כמו ערכי פיקסל תמונה ומייצרים יציאות כמו קואורדינטות קצה אובייקט. לעומת זאת, אלגוריתמי למידה אינם נכתבים ישירות על ידי בני אדם, אלא מאומנים על מערכי נתונים לדוגמא המתואמים תשומות עם תפוקות רצויות. כתוצאה מכך, אלגוריתמי למידה משמשים כתיבות שחורות. מרבית למידת מכונה כזו משתמשת כעת בלמידה עמוקה המבוססת על רשתות עצביות מלאכותיות לחישוב.
למידת מכונה פשוטה ליישומים תעשייתיים נוטה להיות אמינה יותר ופחות תובענית חישובית כאשר היא מבוססת על חישוב ישיר. כמובן שיש גבולות למה שניתן להשיג באמצעות חישוב ישיר. לדוגמה, לעולם אסור לקוות לבצע פרצופים כדי להכיר בדפוסי ההכרה המתקדמים הנדרשים, ובמיוחד לא מצילומי וידיאו במרחבים ציבוריים צפופים. לעומת זאת, למידת מכונה יכולה לטפל במיומנות ביישומים כאלה. לפיכך אין זה מפתיע כי למידת מכונה נפרסת יותר ויותר לפעולות ראיית מכונה ברמה נמוכה, במיוחד שיפור תמונות, שיקום וגילוי תכונות.
שיטות הוראה משופרות (לא אלגוריתמים)
התחכום ההולך וגובר של טכניקות למידה עמוקה הבהיר כי לא האלגוריתמים הלמידה עצמם הם שצריך לשפר, אלא האופן בו מאומנים האלגוריתמים. הליך אימונים משופר אחד מכונה ראיית מחשב מרוכזת נתונים. כאן, מערכת למידה עמוקה מקבלת מערך אימונים חזק מאוד המורכב מאלפים, מיליונים או אפילו מיליארדי תמונות - ואז שומר את המידע המסונתז המופק מכל תמונה על ידי האלגוריתמים שלה. אלגוריתמים אלה לומדים ביעילות על ידי קישורם לדוגמאות עבודה ואז מתייחסים ל"ספר תשובה "כדי לוודא שהערכים הנכונים נגזרו.
יש סיפור אזהרה ישן על זיהוי תבניות דיגיטליות. הצבא האמריקני התכוון פעם להשתמש בחזון מכונה לצורך הכרת יעד, והפגנת קבלן ההגנה זיהתה באופן אמין את הטנקים האמריקניים והרוסיים. ניתן להבחין נכון בין טנקים מכל הסוגים השונים, בזה אחר זה, מתצלומי האוויר של הספק. עם זאת, כאשר נבדק שוב עם ספריית התמונות של הפנטגון, המערכת המשיכה לתת תשובות שגויות. הבעיה הייתה שתמונות של קבלני ההגנה מתארו את כל הטנקים האמריקאים במדבר ובטנקים רוסים בשדות ירוקים. במקום לזהות את הטנקים השונים, המערכת זיהתה את הרקע הצבעוני השונה. מהם קריטריוני ההכרה? אלגוריתמי למידה דורשים נתוני אימונים שאוצרים בקפידה לעבודה.
מסקנה: חזון בטוח לתאי עבודה רובוטיים
ראיית מכונה היא כבר לא טכנולוגיית נישה. בכונן הנוכחי, המגזר התעשייתי הוא אזור הצמיחה הגדול ביותר לפריסות ראיית מכונות. הפיתוח הבולט ביותר בתחום זה הוא כיצד ראיית המכונה משלימה כעת מערכות בטיחות במפעלי תעשייה, כלומר מערכות שנשמעות אזעקה או נותנות התראות קוליות כאשר עובד נכנס לאזור עבודה ללא קסדה, מסכה או ציוד מגן מתאים אחר. ניתן להשתמש בראיית מכונה גם במערכות המתריעות בעת העברת מכונות, כגון מלגזות, מתקרבות מדי לאנשי צוות.
מערכות ראיית מכונות אלה ודומות יכולות לפעמים להחליף אמצעי הגנה קשיחים סביב רובוטים תעשייתיים כדי לייעל את הפעילות. מערכות ראיית מכונות יכולות גם להחליף או לשפר מערכות בטיחות על בסיס שמירה על אור שעוצרים מכונות בכל פעם שמתגלה עובד הנכנס לתא העבודה. כאשר ראיית המכונה עוקבת אחר רצפת המפעל סביב תא עבודה, לרובוטים בתא זה יש פוטנציאל להאט בהדרגה ככל שאנשים מתקרבים.
ככל שתכנון סביבות תעשייתיות מתפתח כדי להתאים לרובוטים שיתופיים וציוד אחר של עבודה המאפשרים לאנשי המפעל להסתובב בבטחה (אפילו בזמן שהציוד פועל), מערכות אלה ואחרות מבוססות ראייה של מכונה יהפכו לחלק נפוץ יותר בתהליכי הצמח.