Widzenie maszynowe (computer vision)

Widzenie maszynowe to dziedzina sztucznej inteligencji, w której system rozpoznaje i interpretuje treść zdjęć oraz wideo. Analizuje piksele, aby klasyfikować scenę, wykrywać obiekty, wyznaczać ich kontury albo odczytywać tekst przez OCR. Wynikiem są etykiety, współrzędne, maski pikseli lub tekst, z których korzysta dalsza część procesu.

Jak działa widzenie maszynowe

Podczas uczenia model porównuje obrazy z etykietami przygotowanymi przez ludzi lub inne systemy. Uczy się cech pozwalających rozróżniać klasy i lokalizować obiekty. Po wdrożeniu analizuje nowe obrazy i zwraca wynik wraz z poziomem pewności.

• Klasyfikacja przypisuje kategorię całemu obrazowi.
• Wykrywanie wskazuje klasy i położenie wielu obiektów.
• Segmentacja przypisuje kategorię poszczególnym pikselom.
• OCR zamienia tekst na obrazie na znaki możliwe do przetwarzania.

Gdzie się je stosuje

W przemyśle system może wykrywać brak elementu, wadę powierzchni lub błędny montaż. W robotyce pomaga ustalić położenie przedmiotu i prowadzić manipulator. Dron może analizować obraz lokalnie, bez wysyłania całego strumienia do centrum danych, jak w opisanym przez nas projekcie autonomicznych misji dronów. W obiegu dokumentów widzenie maszynowe znajduje pola i przekazuje ich zawartość do OCR.

Model wizyjny a model multimodalny

Klasyczny model wizyjny wykonuje zwykle określone zadanie i zwraca wynik o stałej strukturze, na przykład klasę lub maskę. Model obsługujący multimodalność łączy obraz z tekstem. Może odpowiadać na pytania o zdjęcie albo wykonywać instrukcje językowe. Jest bardziej elastyczny, ale w kontroli jakości nadal wymaga testów na konkretnych kamerach i warunkach pracy.

Na co uważać

Wynik zależy od oświetlenia, odbić, kąta kamery, zabrudzenia obiektywu i jakości danych treningowych. Nietypowy produkt lub wada nieobecna w zbiorze uczącym mogą zostać pominięte. Kamera nie mierzy też bezpośrednio nacisku ani poślizgu, dlatego w precyzyjnej robotyce sam obraz bywa niewystarczający. Pokazują to opisane przez nas projekty łączące obraz z dotykiem. System trzeba testować na danych z miejsca wdrożenia i kierować niepewne przypadki do człowieka.

Zobacz też: uczenie głębokie, inferencja i physical AI.