بینایی ماشین چیست؛ وقتی کامپیوتر تصویر را میفهمد
از دوربینِ پلاکخوانِ بزرگراه تا خواندنِ عکسِ صفحهی کتاب و کنترلِ کیفیتِ خطِ تولید؛ بینایی ماشین چطور کار میکند، کجا خطا میکند و چه سؤالی دربارهی حریمِ خصوصی پیش میآورد.
ساعتِ یازده شب در بزرگراهِ همت با سرعتِ زیاد رد میشوید و دو هفته بعد پیامکِ جریمه میآید. هیچ مأموری پلاکِ شما را ننوشته. یک دوربین تصویر گرفته، یک نرمافزار پلاک را پیدا کرده، حروف و عددها را خوانده و به سامانه فرستاده. این همان چیزی است که وقتی میپرسیم بینایی ماشین چیست، باید به آن اشاره کنیم: کامپیوتری که نه فقط تصویر را ذخیره میکند، بلکه میفهمد در آن چه هست.
بینایی ماشین یکی از شاخههای هوش مصنوعی است. اگر هنوز تصویرِ کلی را نداری، بخوان هوش مصنوعی چیست. اینجا روی چشمِ ماشین تمرکز میکنیم: چطور میبیند، کجا به کار میآید و کجا اشتباه میکند.
بینایی ماشین چیست و چطور میبیند
برای کامپیوتر، عکس جدولی از عدد است. هر پیکسل سه عدد دارد برای قرمز، سبز و آبی. یک عکسِ معمولیِ موبایل میلیونها پیکسل دارد. از این جدولِ عظیم باید به جملهای مثلِ «این یک گربه است» یا «این پلاکِ ۲۲ ب ۳۴۵ ایران ۱۱ است» رسید.
روشهای قدیمی قاعدهی دستی داشتند: لبهها را پیدا کن، دنبالِ مستطیل بگرد، رنگِ زرد را جدا کن. شکننده بودند. کافی بود نور عوض شود تا همهچیز خراب شود. از حدودِ سالِ ۲۰۱۲، وقتی شبکهی عصبیِ الکسنت در یک مسابقهی تشخیصِ تصویر با فاصله برنده شد، روش عوض شد. حالا بهجای نوشتنِ قاعده، به یک شبکهی عصبی هزاران نمونهی برچسبخورده نشان میدهند و خودش یاد میگیرد چه الگویی یعنی گربه و چه الگویی یعنی پلاک.
لایههای اولِ این شبکهها چیزهای ساده میبینند: خط، لبه، گوشه. لایههای بعدی اینها را ترکیب میکنند و شکل میسازند: چشم، چرخ، حرف. لایههای آخر به مفهوم میرسند.
نکتهی مهم این است که شبکه فقط همان چیزی را یاد میگیرد که نشانش دادهاند. اگر همهی عکسهای آموزشیِ پلاک از روز و زاویهی روبهرو باشند، پلاکِ کج در شب را بد میخواند. کیفیت و تنوعِ داده، بیشتر از هوشمندیِ الگوریتم، تعیین میکند سامانه در دنیای واقعی چقدر خوب کار کند. به همین دلیل شرکتهایی که روی بینایی ماشین کار میکنند بخشِ بزرگی از وقتشان را صرفِ جمعکردن و برچسبزدنِ عکس میکنند، نه نوشتنِ کد.
سه کارِ پایه: طبقهبندی، تشخیص، قطعهبندی
بیشترِ کاربردها ترکیبی از سه کارِ پایهاند. فرقشان را بدانید تا بفهمید هر ابزار دقیقاً چه قولی میدهد.
| کار | سؤالی که جواب میدهد | مثال |
|---|---|---|
| طبقهبندی | این تصویر دربارهی چیست؟ | این برگ سالم است یا آفتزده |
| تشخیصِ اشیا | چه چیزهایی کجای تصویرند؟ | کادر دورِ هر خودرو و هر عابر |
| قطعهبندی | هر پیکسل مالِ کدام چیز است؟ | مرزِ دقیقِ یک توده در تصویرِ امآرآی |
طبقهبندی سادهترین است: یک برچسب برای کلِ تصویر. تشخیص یک قدم جلوتر است و مکان را هم میدهد. قطعهبندی دقیقترین است و مرزِ هر چیز را پیکسلبهپیکسل مشخص میکند. وقتی ابزاری پسزمینهی عکسِ محصول را برمیدارد، دارد قطعهبندی میکند.
کاربردهایی که هر روز از کنارشان رد میشوید
پلاکخوانی
دوربینهای ثبتِ تخلف، ورودیِ پارکینگِ مراکزِ خرید و طرحِ ترافیک در تهران همه از پلاکخوانی استفاده میکنند. کار دو مرحله دارد: پیدا کردنِ پلاک در تصویر (تشخیص) و خواندنِ حروف و عددها (OCR). گلِ روی پلاک، زاویهی تند و نورِ چراغِ ماشینِ پشتی رایجترین دلیلِ خطاست.
خواندنِ متن از عکس
عکس از صفحهی کتاب، فاکتورِ خرید یا نامهی اداری میگیرید و متنِ قابلِویرایش تحویل میگیرید. فارسی برای این کار سختتر از انگلیسی است: حروف به هم میچسبند، شکلِ هر حرف در اول و وسط و آخرِ کلمه فرق دارد و نقطهها کوچکاند. جزئیاتِ عملی و ترفندهای عکسگرفتن را در تبدیلِ عکس به متنِ فارسی نوشتهایم.
کنترلِ کیفیت در کارخانه
روی خطِ تولیدِ یک کارخانهی کاشی در یزد یا یک کارخانهی بستهبندیِ خرما در بم، دوربین بالای نوار قرار میگیرد و هر قطعه را نگاه میکند: ترک، لبپریدگی، برچسبِ کج. چشمِ انسان بعد از چند ساعت خسته میشود؛ دوربین نه. ولی برای هر محصول باید با نمونههای همان کارخانه آموزش ببیند، و این مرحله وقت و هزینه دارد.
پزشکی
تحلیلِ عکسِ رادیولوژی، تصویرِ شبکیهی چشم و اسلایدهای پاتولوژی از حوزههای فعالِ بینایی ماشیناند. این ابزارها نقطهی مشکوک را علامت میزنند تا پزشک زودتر ببیند. تشخیص و تصمیمِ درمانی با پزشک است؛ ابزار دستیار است، نه جانشین.
کشاورزی
کشاورزی در ورامین از برگِ بیمارِ گوجه عکس میگیرد و میپرسد چه آفتی است. مدلهای تصویری حدسِ اولیهی خوبی میدهند، ولی برای سمپاشی هنوز باید با کارشناسِ جهادِ کشاورزی مشورت کرد؛ دو بیماریِ شبیه به هم درمانِ متفاوت دارند.
وقتی چتبات هم عکس را میبیند
نسلِ تازهی دستیارهای هوش مصنوعی فقط متن نمیخوانند. عکسِ یک نمودار را میفرستید و میپرسید «این روند چه میگوید؟»، یا عکسِ پیغامِ خطای ماشینلباسشویی را میفرستید و معنایش را میپرسید. این مدلها چندوجهیاند و بینایی ماشین را با فهمِ زبان ترکیب کردهاند؛ توضیحِ کاملش در مدلِ چندوجهی چیست آمده.
این عکس از برگهی آزمایش است.
۱. همهی عددها و واحدها را دقیقاً همانطور که در عکس هست در یک جدول بنویس.
۲. اگر عددی واضح نیست، بهجای حدس زدن بنویس «ناخوانا».
۳. هیچ تفسیرِ پزشکی نکن؛ فقط متن را استخراج کن.بندِ دوم این پرامپت مهم است. مدلهای چندوجهی گاهی عددی را که درست نمیبینند حدس میزنند و با اطمینان مینویسند.
حریمِ خصوصی؛ سؤالی که فنی نیست
تشخیصِ چهره همان فناوریای است که قفلِ گوشی را باز میکند. همان فناوری میتواند در یک خیابانِ شلوغ آدمها را بیاطلاعِ خودشان شناسایی کند. تفاوت در فناوری نیست؛ در این است که چه کسی، با چه اجازهای و برای چه کاری از آن استفاده میکند.
چند کشور محدودیتهای جدی برای تشخیصِ چهره در فضای عمومی گذاشتهاند و قانونِ هوش مصنوعیِ اتحادیهی اروپا بعضی کاربردهایش را در ردیفِ پرخطر یا ممنوع قرار داده. بحثِ حقوقیاش را در قوانینِ هوش مصنوعی در جهان دنبال کنید.
پیش از فرستادنِ عکسِ دیگران به هر ابزارِ آنلاین، بهخصوص عکسِ بچهها، کمی مکث کنید. عکسِ مدارک، کارتِ ملی و کارتِ بانکی را فقط وقتی بفرستید که واقعاً لازم است، و بخشهای غیرضروری را پیش از ارسال بپوشانید.
کجا بینایی ماشین هنوز اشتباه میکند
بینایی ماشین در شرایطی که با دادهی آموزشیاش شبیه است عالی کار میکند و بیرون از آن ناگهان خراب میشود. مدلی که روی عکسهای روزِ آفتابی آموزش دیده، در مهِ صبحِ جادهی چالوس لنگ میزند. چند برچسبِ کوچک روی تابلوی ایست میتواند یک سامانه را گیج کند. و دستخطِ فارسی، مخصوصاً شکستهنستعلیق یا یادداشتِ عجولانهی پزشک، هنوز برای بیشترِ ابزارها سخت است.
عکسهای ساختهشده با هوش مصنوعی هم مسئلهی تازهای ساختهاند: حالا باید با همین فناوری تشخیص داد کدام عکس واقعی است، و این کار همیشه موفق نیست. برای مروری کلیتر، صفحهی Computer vision در ویکیپدیا هم مفید است.
جمعبندی
اگر کسی دوباره پرسید بینایی ماشین چیست، جوابِ کوتاه این است: فناوریای که از جدولِ پیکسلها به معنا میرسد، با سه کارِ پایهی طبقهبندی، تشخیص و قطعهبندی. در پلاکخوانی، خواندنِ متن، کنترلِ کیفیت و کمک به پزشک جا افتاده. در نورِ بد، دستخط و شرایطِ ناآشنا هنوز خطا دارد، و در تشخیصِ چهره سؤالِ حریمِ خصوصی را نمیشود کنار گذاشت. برای امتحانِ سادهاش، یک عکسِ متندار را در چت بفرست و خروجی را با تصویرِ اصلی مقایسه کن.
مطالب مرتبط:
