Машинное зрение

 Радужная 3D камера

Наша радужная 3D камера позволяет получить непрерывное полнокадровое 3D изображение, что не достижимо для других доступных на данный момент коммерческих 3D систем при любой их стоимости. Уникальные свойства нашей радужной камеры следующие:

• радужная 3D система имеет унаследованное свойство захвата полнокадрового 3D изображения (256´256, 512´512, 1024´1024 за кадр) от ПЗС камеры (при скорости 60 кадров/сек);
• не существует теоретического лимита по скорости (т.е. как много кадров в секунду) захвата кадров нашей 3D системой. При современных достижениях технологии ПЗС камер, 3D изображающая система основанная на 3D радужном концепте с частотой более чем несколько тысяч кадров в секунду может быть реализована. Это свойство очень подходит для высокоскоростных задач и систем реального времени, таких как краш-тесты;
• в отличие от 3D сканирующей лазерной системы, в нашей системе отсутствуют механические подвижные части, т.е. конструкция будет существенно проще и надежнее, также отсутствует проблема безопасности зрения. Система может быть сконструирована очень «резко» для работы в нескольких помещениях для быстрой установки;
• §    радужная 3D камера может быть интегрирована, используя имеющиеся под рукой устройства, что приводит к очень низкой стоимости и короткому времени производства;
• радужная камера также может предоставить нормальную 2D картинку интенсивности объекта используя одну камеру. Это достигается контролированием освещения или соответствующими процедурами обработки изображений. 3D изображения и 2D изображения интенсивности получены при помощи одной и той же камеры, позволяют получить полную картину и существенно улучшают распознавание образов и т.д. в системах машинного зрения.

Высокоскоростная  камера высокого разрешения

Оптическая томография –  это интерферометрическая техника  обработки изображений, которая  позволяет получать изображения  внутренних биологических тканей. В  стандартном временном исполнении, положением зеркала осуществлялось сканирование, чтобы получить глубинный  профиль образца. Альтернативный метод  получения этой информации – используя  спектральную плотность взаимнокорреляционной функции реконструировать интерферограмму, детектируя интерференционный сигнал, как функцию длины волны. Спектральная томография также известна, как FD-OCT, не имеет необходимости в модуляции длины опорного плеча и следовательно имеет больший потенциал для высокоскоростных приложений. Несмотря на то, что этот метод был предложен и продемонстрирован, только недавно было показано, что SD-OCT может предоставить лучшую чувствительность, чем временной метод.

В этом отчете мы продемонстрировали SD-OCT с рабочим циклом 98% при использовании высокоскоростной камеры с захватчиком кадров. Заряд передается от фотодиода в регистр хранения ПЗС за 700нс, занимая 2% времени строчной развертки 34,1мкс. Шумовые характеристики и зависимость глубины от чувствительности были предоставлены. Частота захвата кадров составила 29кадров/сек, частота выводимого изображения – 10кадров/сек. 3-ехмерная реконструкция изображения сетчатки была реализована из накопленных данных.

Смежные области

Машинное зрение относится  к инженерным автоматизированным системам визуализации в промышленности и  на производстве, и в этом качестве машинное зрение, связано с самыми разными областями компьютерных наук: компьютерное зрение, оборудования для управления, базы данных, сетевые  системы и машинное обучение.

Не стоит путать машинное и компьютерное зрения. Компьютерное зрение является более общей областью исследований, тогда как машинное зрение является инженерной дисциплиной  связанной с производственными  задачами.

Рассмотрим подробнее  смежные науки и их взаимодействие с машинным зрением.

Компьютерное  зрение

Компьютерное зрение представляет собой научную дисциплину, изучающую  теорию и базовые алгоритмы анализа  изображений и сцен.

Машинное зрение следует рассматривать как гораздо более комплексную и технологическую область научных и инженерных знаний, охватывающую все проблемы разработки практических систем: выбор схем освещения исследуемой сцены, выбор характеристик датчиков, их количества и геометрии расположения, вопросы калибровки и ориентирования, выбор или разработка оборудования для оцифровки и процессорной обработки, разработка собственно алгоритмов и их компьютерная реализация – то есть весь круг сопутствующих задач.

Кроме того, фигурирует такое  понятие как зрение роботов. Это  более узкая область технологий машинного зрения, а именно часть, которая обеспечивает функционирование систем машинного зрения в условиях жестких временных ограничений. Например, оборудуя роботов нового поколения мобильными камерами и  алгоритмами стерео видения, многие компании работают над созданием интеллектуальных роботов, способных не только свободно ориентироваться в квартире и узнавать своих хозяев, но и выполнять определенные задачи по дистанционно подаваемым командам.

Обработка и  анализ изображений

Обработка изображений - любая форма обработки информации, для которой входные данные представлены изображением, например, фотографиями или видеокадрами. Обработка изображений может осуществляться как для получения изображения на выходе, так и для получения другой информации (например, распознание текста, подсчёт числа и типа клеток в поле микроскопа и т. д.). Кроме статичных двухмерных изображений, обрабатывать требуется также изображения, изменяющиеся со временем, например видео.  

В последнее время традиционный термин «обработка изображений» чаще употребляется не как обозначение научной дисциплины, а как указатель на предметную область. Наметилась также тенденция использования этого термина для обозначения обработки нижнего уровня, когда результатом обработки изображения снова является изображение. В то же время термин «понимание изображений» употребляется для обработки верхнего уровня.

Цифровая фотограмметрия, бурно развивающаяся в последние годы дисциплина, пришла на смену аналитической фотограмметрии. В то время как классическая аналитическая фотограмметрия изучала в основном метрические соотношения между точками снимков и реальной сцены, современная цифровая фотограмметрия ставит самые сложные задачи анализа и 3D'описания сцены по видеоданным оптических сенсоров. Цифровая фотограмметрия концентрируется, прежде всего, не на вопросах «понимания» сцены или обнаружения объектов, а на вопросах высокоточного измерения различных ее элементов и реконструкции форм трехмерных поверхностей с использованием стерео и многокамерной съемки, а также специального структурированного подсвета.

Машинное обучение

Машинное обучение - обширный подраздел искусственного интеллекта, изучающий методы построения алгоритмов, способных обучаться. Целью машинного обучения является частичная или полная автоматизация решения сложных профессиональных задач в самых разных областях человеческой деятельности. Машинное обучение имеет широкий спектр приложений, среди которых есть приложения распознавания изображений - область, которой занимается машинное зрение.

Достоинства и  недостатки систем машинного зрения

Главным недостатком систем машинного зрения, заметно ограничивающим рост их рынка, считается отсутствие единых стандартов на оборудование и  программные интерфейсы. Пользователи систем постоянно жалуются на невозможность  использовать системы разных производителей, а интеграционные продукты в этой области стоят недешево. Кроме  того, по мере улучшения качества сканируемого изображения будет расти нужда  в эффективном системном ПО для быстрого захвата видеоданных, их очистки, сжатия и хранения. Если со временем такие функции будут реализованы аппаратно, можно предсказать рост спроса на встраиваемые системы машинного зрения.

Многообещающей выглядит концепция мультиспектральных систем машинного зрения, обрабатывающих изображения  не только в области видимого человеком  спектра, но и получаемых с помощью  радарных или лазерных установок, а  также инфракрасных камер (есть примеры  применения систем машинного зрения при распознавании тепловых полей  людей в охранных системах и при  анализе качества горячих булочек  в кондитерской промышленности). Основная помеха на этом пути развития машинного зрения - дороговизна и сложность эксплуатации соответствующих датчиков.

Продолжительна и сложна процедура калибровки систем машинного  зрения при настройке на определенную предметную область. Нередко она  требует значительного времени  и вычислительных ресурсов для обучения нейронной сети. Прикладное ПО также нередко отличается неудобным интерфейсом, а перенастройка системы на новую номенклатуру, да еще в реальном масштабе времени, на чем нередко настаивает пользователь, чаще всего невозможна. Покупателям же уже нужны системы, способные анализировать продукцию на конвейере не поштучно, а разом - осматривая все, что находится в данный момент времени на ленте, и мгновенно оценивая состояние всех изделий.

Ощущается нехватка хороших  математических алгоритмов, ориентированных  на компьютеры с высокой производительностью  и поддерживающих параллельную обработку. Остается пока нерешенной проблема распознавания  схожих, но по-разному освещенных объектов, и вряд ли с ней удастся справиться в обозримом будущем.

Негативно сказываются на рынке завышенные ожидания потребителей, не очень высокая прибыльность уже  существующих систем, небольшое число  хороших продуктов, а также возможность  решать производственные задачи другим путем - без систем машинного зрения, с помощью дешевого персонала.

Но все эти проблемы временные. Ведущие поставщики уже  договариваются о единых стандартах, для чего планируется создать  общедоступный репозиторий знаний и типовых шаблонов продуктов, определить программные интерфейсы, а также выработать соглашение по языкам описания и представления данных систем машинного зрения.

Интерес к системам машинного  зрения во многом поддерживается успехами машин в тех областях, где они  намного превосходят человека по своим возможностям. Так, компьютер  способен выявлять в изображении  тысячи градаций серого и различать  миллионы цветов, очень быстро решать типовые и хорошо формализуемые  задачи распознавания и определять мелкие детали изображений. А растущая вычислительная мощь дешевых процессоров  стимулирует выпуск общедоступных  бытовых и промышленных "зрячих" роботов, управляемых обычным ПК.

Производители электронных  систем безопасности рассчитывают научить  системы машинного зрения автоматической классификации объектов. Хорошая  система будет выявлять в видеоизображении все виды автомобильной техники и определять их марки, отыскивать в толпе конкретных людей, отслеживать траектории перемещения отдельных лиц и даже движения частей их тел, предсказывая возможное поведение, и т. д.

Мэтт Аллен, руководитель направления из компании Microscan, так описывает достоинства систем машинного зрения: "Сегодняшние технологии оперативных поставок и производства по заказу превратили информацию в один из самых ценных активов компании. Системы машинного зрения являются основой, позволяющей осуществлять автоматизацию многих производственных процессов. В качестве средств сбора данных системы машинного зрения используются в таких областях, как высокоскоростная сортировка, контроль качества продукции и слежение за ходом работ".

Заключение

Машинное зрение достаточно неоднозначная тематика. С одной  стороны, в этой области получены впечатляющие результаты и решены многие поставленные задачи. Системы машинного  зрения справляются с автоматизацией производства, видеонаблюдением, анализом медицинских снимков. С другой стороны, машинному зрению все еще далеко до человеческого. Многие высоты достигнуты, многие еще впереди. Поэтому существует два взгляда на развитие машинного зрения. Одни говорят, что машины достигнут небывалых высот и разовьют огромную мощь, опередят человека. Другие  утверждают, что машины никогда не превзойдут человека и машинное зрение так и останется непригодным для решения некоторых проблем, где необходимо вмешательство человека.

Несовершенство машинного  зрения обусловлено отчасти техническими причинами, однако идет бурное развитие информационных технологий и находится  все больше решений технических  проблем.

Системы машинного зрения становятся все более актуальны, так как призваны решать наиболее актуальные проблемы человечества, такие как безопасность, медицинские вопросы, вопросы качества продукции.

Будущее машинного зрения

Машинное зрение имеет  все шансы превзойти человеческое в ближайшие десять лет. Уже сейчас роботы видят сквозь стены и на километры вперед. Последний бастион - расшифровка видеоинформации - скоро  падет. В строй встанут роботы-автомобили, роботы-поезда и роботы-самолеты. А  еще - доктора, скальпель которых  никогда не сорвется, а зоркий глаз вовремя заметит артерию.

У систем машинного зрения достаточно хорошие перспективы. Идеальная  система машинного зрения будет  полностью построена на цифровых технологиях, станет использовать интеллектуальные камеры и недорогое оборудование, реализующее набор стандартизованных  функций обработки и распознавания  изображений. Ключевым в ее успехе будет, конечно, удобная интеллектуальная программная среда, способная гибко  и быстро настраиваться на произвольную предметную область, допускающая динамическое расширение функциональных возможностей и легко стыкующаяся с технологической аппаратурой.