🚀 نظارت بر نقص‌ها در زمان واقعی با واقعیت مجازی

▪️این تصویر ، پایش دقیق و آنی ماشین‌های CNC را در صنعت نشان می‌دهد.

▪️بینایی ماشین در این کاربرد امکان شناسایی سریع و دقیق مشکلات احتمالی را فراهم می‌کند و به پاسخگویی فوری برای کاهش زمان خاموشی و بهینه‌سازی تولید کمک می‌کند.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision

🪩 معرفی پلتفرم Linus Health

◽▪️در حال حاضر بسیاری از شرکت‌های مطرح و استارتاپ‌ها در حال توسعه ابزارهای هوش مصنوعی در حوزه سلامت هستند.

◽▪️ این پلتفرم برای تشخیص سلامت مغز طراحی شده و می‌تواند ۱۵ تا ۲۰ سال زودتر از علائم قطعی آلزایمر، آن را در افراد تشخیص دهد.

◽▪️این پلتفرم با استفاده از داده‌های موجود و یادگیری ماشین توانسته با استفاده از آزمون‌ها و ارزیابی‌های شناختی دیجیتال میزان سلامت مغز را تشخیص می‌دهند. این شرکت به همین بسنده نکرده و علاوه بر این، در ادامه بر اساس اختلالات موجود سعی می‌کند مسیرهای درمانی مناسبی را پیشنهاد دهد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#top_news
#application

🌐 معرفی شبکه ی DG-Net

▪️شبکه ی DG-Net یک شبکه‌ی یادگیری عمیق است که به‌منظور بخش‌بندی دقیق تصاویر پزشکی طراحی شده است. این شبکه از دو شاخه اصلی استفاده می‌کند:

۱. شاخه‌ی توجه دوطرفه (Bilateral Attention Branch): این شاخه به شناسایی و تمرکز بر جنبه‌های مختلف تصویر، از جمله پیش‌زمینه و پس‌زمینه، کمک می‌کند تا اطلاعات مهم را بهتر استخراج کند.

۲. شاخه‌ی تجمیع مرز (Boundary Aggregation Branch): این شاخه به شناسایی مرزها و جزئیات دقیق در تصاویر کمک می‌کند و به بهبود دقت بخش‌بندی کمک می‌کند.

▪️شبکه DG-Net از ساختارهای خاصی به نام بلوک‌های FBR و BFA به عنوان اجزای اصلی استفاده می‌کند و همچنین از بلوک‌های اضافی مانند ERF، PPD و BAE برای بهبود عملکرد کلی خود بهره می‌برد.
▪️هدف نهایی DG-Net ارائه‌ی نتایج بهتر و دقیق‌تر در وظایف بخش‌بندی تصاویر نسبت به روش‌های موجود است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#deep_learning
#DG_Net

▪️medical images can be easily segmented with acceptable accuracy and execution time!

🔎 paper

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#segmentation

⚪ تحلیل حرکت خاک در فرآیندهای آماده‌سازی زمین با استفاده از الگوریتمهای نوین پردازش تصویر

◽ملاحظات اقتصادی و زیست‌محیطی کشاورزان را مجبور به مدیریت خاک‌ورزی با پیکربندی‌های بهینه ابزارها می‌کند تا شرایط مطلوب خاک را به دست آورند.
◽روش‌های کنونی برای بررسی مخلوط شدن لایه‌های خاک محدود هستند، به‌ویژه زمانی که نیاز به بررسی مخلوط شدن چند لایه وجود دارد.
◽استفاده از نشانگرهای فیزیکی رایج‌ترین روش است. اگرچه این روش می‌تواند اطلاعات مفیدی ارائه دهد، اما به دلیل اینکه نمای کاملی از نحوه حرکت یا مخلوط شدن لایه‌های خاک ارائه نمی‌دهد، برآوردهای تقریبی نادرست اجتناب‌ناپذیر است.
◽مخلوط شدن لایه‌های خاک با استفاده از شن‌های رنگی مختلف که در لایه‌های مختلف با عمق‌های متفاوت قرار داده شده بودند، بررسی میشودتابه‌طور مداوم مخلوط شدن لایه‌های خاک را مورد بررسی قرار دهد. یک الگوریتم خوشه‌بندی رنگ جدید برای تحلیل عملکرد مخلوط شدن لایه‌های چندرنگ با استفاده از خوشه‌بندی K-means و رویکرد تحلیل مؤلفه‌های اصلی (PCA) میتواند به تحلیل بهتر شرایط کمک کند.
🆔️telegram channel:
https://news.1rj.ru/str/Intellimage
#top_news

🔗مفهوم تقسیم‌بندی خوشه‌ای(Clustering)در پردازش تصویر

◽الگوریتم clustering یکی از روش‌های مهم در پردازش تصاویر پزشکی است که به منظور شناسایی نواحی خاص و تحلیل ساختارهای موجود در تصاویر به کار می‌رود. این روش معمولاً به‌عنوان یک تکنیک بدون نظارت شناخته می‌شود که در آن داده‌ها به خوشه‌های مشابه تقسیم می‌شوند.

◽مزایا و کاربردهای تقسیم‌بندی خوشه‌ای در تصاویر پزشکی:

۱. شناسایی نواحی آسیب‌دیده: با استفاده از خوشه‌بندی، می‌توان نواحی غیرعادی یا آسیب‌دیده در تصاویر پزشکی (مانند تومورها یا زخم‌ها) را شناسایی کرد.

۲. کاهش نویز: خوشه‌بندی می‌تواند به کاهش نویز در تصاویر کمک کند و شفافیت بیشتری به تصاویر بدهد.

۳. کمک به تشخیص بیماری: با شناسایی نواحی خاص در تصویر، پزشکان می‌توانند تشخیص دقیق‌تری از بیماری‌ها داشته باشند.

۴. تحلیل بافت: خوشه‌بندی می‌تواند به تحلیل دقیق‌تر بافت‌های مختلف در تصویر کمک کند، که این امر در تشخیص بیماری‌هایی مانند سرطان اهمیت دارد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🔗روش‌های متداول تقسیم‌بندی خوشه‌ای (clustering) در پردازش تصویر:

- الگوریتم K-means Clustering: یکی از روش‌های رایج که در آن داده‌ها به K خوشه تقسیم می‌شوند. این روش بر اساس فاصله بین نقاط داده و مرکز هر خوشه عمل می‌کند.

- الگوریتم Hierarchical Clustering: این روش خوشه‌ها را در یک ساختار درختی سازماندهی می‌کند و امکان شناسایی روابط بین خوشه‌ها را فراهم می‌آورد.

الگوریتم Mean Shift: این روش به‌دنبال نقاط با چگالی بالا می‌گردد و معمولاً برای شناسایی نواحی مناسب در تصاویر پزشکی است.

- الگوریتم DBSCAN: این الگوریتم قادر است خوشه‌های غیر کروی و شناسایی نقاط نویزی که در خوشه‌ها قرار نمی‌گیرند را بر عهده بگیرد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

⚙ معرفی حسگر تصویر CCD

🔬حسگر تصویر CCD (Charge-Coupled Device) یک نوع حسگر نوری است که برای تبدیل نور به سیگنال الکتریکی مورد استفاده قرار می‌گیرد. این حسگرها به‌طور گسترده‌ای در دوربین‌های دیجیتال، دوربین‌های فیلم‌برداری، میکروسکوپ‌ها و سایر دستگاه‌های تصویربرداری استفاده می‌شوند.

🔬این حسگر در موارد زیر مورد استفاده است:
- دوربین‌های عکاسی دیجیتال و فیلم‌برداری
- تلسکوپ‌ها و سیستم‌های تصویربرداری علمی
- تجهیزات پزشکی (مانند میکروسکوپ‌ها)
- سیستم‌های نظارت و امنیت

🔬در حال حاضر، حسگرهای تصویر CMOS به دلیل هزینه کمتر و قابلیت‌های بیشتر در بسیاری از کاربردها جایگزین CCDها شده‌اند، اما CCDها هنوز در برخی از زمینه‌ها به خاطر کیفیت تصویر بالا و حساسیت به نور، مورد استفاده قرار می‌گیرند.

با ما همراه باشید🌱

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#CCD

🎬 معرفی تصویر برداری Post-TAVI

🔳 تصویربرداری Post-TAVI به مجموعه‌ای از تکنیک‌ها و فرآیندها اطلاق می‌شود که بعد از انجام عمل ترمیم دریچه‌ای قلب برای ارزیابی وضعیت بیمار و عملکرد دریچه جدید استفاده می‌شود.

🔳 این تصویربرداری شامل موارد زیر می‌باشد:

◽. اکو کاردیوگرافی: به‌کارگیری اولتراسوند برای ارزیابی عملکرد دریچه جدید، اندازه‌گیری فشار خون و بررسی وجود نارسایی‌های احتمالی.

◽. تصویربرداری با MRI یا CT: این تکنیک‌ها برای بررسی ساختار آناتومیک قلب و عروق و همچنین ارزیابی عوارض احتمالی مانند لخته‌های خون استفاده می‌شوند.

◽. آنژیوگرافی: تصویربرداری اشعه ایکس از عروق خونی که اطلاعاتی درباره جریان خون و وجود تنگی یا انسداد ارائه می‌دهد.

+ هدف از این تصویربرداری‌ها، ارزیابی موفقیت عمل، شناسایی عوارض احتمالی و برنامه‌ریزی برای مراقبت‌های بعدی است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ پیش بینی تعمیرات لازم برای تجهیزات با استفاده از بینایی ماشین

⚙ در خطوط تولید ، از تجهیزات، ربات‌ها و دستگاه‌های مختلفی استفاده می‌شود که با توجه به استفاده‌ای که دارند نیاز به تعمیرات، تعویض قطعه یا اسقاط دارند.

⚙ انجام دیرهنگام تعمیرات می‌تواند محصولات معیوب خط را به شدت افزایش دهد و علاوه بر ضرر مالی به تولیدی‌ها، اعتبار آنها را هم خدشه دار کند. از طرفی با توجه به هزینه‌ی بالای این تعمیرات نیاز است که بهینه‌ترین زمان و هزینه را برای این کار صرف کنیم.

⚙ در هوش مصنوعی با استفاده از یادگیری ماشین، سیستم‌های اینترنت اشیا (IoT) و بینایی ماشین می‌توان به بهینه ترین زمان برای تعمیر تجهیزات رسید.

+ این مورد را دقت داشته باشید که در صورتی که زمان مناسب برای تعمیرات انتخاب نکنید و خط تولید دچار مشکل شود، کارخانه با چه ضرری روبه‌رو خواهد شد و هزینه تعمیرات به موقع به مراتب بسیار کمتر از زمانی است که مشکلات ایجاد شود.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#IOT

🔍معرفی (Single Shot MultiBox Detector (SSD

▪️ یک الگوریتم یادگیری عمیق که برای تشخیص اشیا در تصاویر استفاده می‌شود.در عمل هم مکان‌های احتمالی اشیا را پیشنهاد می‌کند و هم نوع آنها را پیش‌بینی می‌کند.

▪️مزایای استفاده از SSD :

◽ سرعت بالا: SSD بسیار سریع‌تر از بسیاری از روش‌های تشخیص اشیا دیگر است، زیرا از یک شبکه عصبی واحد برای انجام همه کارها استفاده می‌کند.

◽ دقت بالا: SSD دقت بالایی در تشخیص اشیا از اندازه‌های مختلف و در کلاس‌های مختلف دارد.

◽ انعطاف‌پذیری: SSD را می‌توان برای تشخیص اشیا در تصاویر با اندازه‌های مختلف و نسبت‌های مختلف تنظیم کرد.

▪️از SSD برای تشخیص اشیا در تصاویر ثابت استفاده می‌شود، مانند تشخیص چهره،تشخیص خودرو، تشخیص عابران پیاده و غیره.هم چنین SSD رامی‌توان برای تشخیص اشیادر ویدیوها نیز استفاده کرد، مانندسیستم‌های نظارت تصویری و خودروهای خودران.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#deep_learning
#SSD

✔ شبکه U-Net برای تحلیل تصاویر اتوسکوپی گوش


⚪ متد EAR-UNet یک روش مبتنی بر یادگیری عمیق برای جداسازی غشاء تمپان از تصاویر اتوسکوپی گوش است.

⚪ این روش از شبکه‌های عصبی عمیق استفاده می‌کند تا به طور خودکار غشاء تمپان را در تصاویر شناسایی و تفکیک کند. هدف این تحقیق بهبود دقت و سرعت در تشخیص مشکلات گوش از طریق تحلیل تصویری است.

🔎 paper

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#deep_learning
#U_Net

💠 معرفیimage segmentation در پردازش تصویر

▪️ در پردازش تصاویر دیجیتال، منظور از بخش بندی تصویر (image segmentation)یعنی تخصیص دادن یک لیبل به هر پیکسل در تصویر، به طوری که پیکسل ها با لیبل های یکسان دارای مشخصه های مشابهی باشند.

▪️ بخش بندی تصویر دارای انواع مختلفی است ازجمله:

◽· بخش بندی معنایی (semantic segmentation): تخصیص دادن یک لیبل به هر پیکسل موجود در تصویر، این لیبل ها می تواند شامل شخص، ماشین، چتر، گل و غیره باشند.

◽· بخش بندی نمونه (instance segmentation): نوعی بخش بندی است که شی هایی که تحت یک لیبل هستند را هر یک را به عنوان یک شی بخصوص و منحصر به فرد تلقی می کند.

◽.بخش بندی پانوپتیک(Panoptic segmentation):
ترکیب بخش بندی معنایی و بخش بندی نمونه است. به هر یک از پیکسل های درون تصویر دو لیبل واگذار می کند که شامل برچسب معنایی و شناسه نمونه می باشد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#segmentation

🩻 چالش های موجود برای لیبل گذاری تصاویر پزشکی

✔ لیبل گذاری صحیح و دقیق تصاویر پزشکی یک چالش بزرگ است و نیازمند دانش تخصصی و تلاش گسترده است تا مدل قابل اعتمادی پیاده سازی شود.چالش های لیبل گذاری تصاویر پزشکی شامل موارد زیر است :

◽. پیچیدگی طبیعی تصاویر پزشکی: تصاویر پزشکی مانند رادیوگرافی، MRI یا CT اسکن معمولا پیچیده و غیرواضح هستند. نشانه های بالینی در این تصاویر ممکن است لطیف و ظریف باشد که تشخیص آن ها برای افراد غیر متخصص دشوار است.

◽. تغییرپذیری در تصاویر: آناتومی افراد مختلف متفاوت است و حتی همان بیمار ممکن است در تصاویر متفاوتی تفاوت هایی داشته باشد. این تغییرپذیری سبب می شود که مشخص کردن قالب های استاندارد برای لیبل گذاری دشوار باشد.

◽. نیاز به تخصص پزشکی: تشخیص بالینی و تعیین لیبل های مناسب برای تصاویر پزشکی نیازمند دانش تخصصی پزشکی است که افراد غیر متخصص فاقد آن هستند.

◽. حساسیت اطلاعات پزشکی: تصاویر پزشکی حاوی اطلاعات حساس و محرمانه بیماران هستند که نیاز به دقت و امنیت بالایی دارد.

◽. تعداد زیاد تصاویر: مراکز پزشکی روزانه تعداد زیادی تصویر پزشکی تولید می کنند که لیبل گذاری همه آن ها کاری زمان بر و پرهزینه است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🔗 پژوهش‌هایی در زمینه لیبل گذاری خودکار تصاویر پزشکی انجام شده است و منحصرا این بررسی به چگونگی پیاده‌سازی هوش مصنوعی در لیبل گذاری تصاویر رادیولوژی، پرداخته است.

✔ محققان در این پژوهش با توسعه یک مدل هوش مصنوعی قابل توضیح (xAI) برای شناسایی پنج نشانه رادیولوژیک در عکس‌های رادیوگرافی قفسه سینه، به بررسی چگونگی برچسب‌گذاری خودکار و کارآمد بر روی مجموعه دیتاست های بزرگ پرداخته‌اند.

🔎📄 paper

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#labeling
#XAI

🌐معرفی شرکت microsure،پیشتاز در بینایی رباتیک

◽این شرکت با تولید ربات‌های جراح سعی دارد، وظایفی که پزشک قابلیت انجام آنها را ندارد را پوشش دهد.

◽در واقع کاربرد این ربات‌ها استفاده از هوش مصنوعی برای پزشکی از راه دور است. ربات‌های این شرکت از سیستم تثبیت کننده حرکت استفاده می‌کند که بسیار برای بهبود عملکرد و دقت در مراحل جراحی اهمیت بالایی دارد.

◽این ربات‌ها می‌توانند بدون خستگی با دقت کامل در تمامی مراحل جراحی کمک کننده باشند و توسط پزشکان متخصص کنترل شوند.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#machin_vision
#AI

🌐 راه حل مایکروسافت برای کمک به ترنسفورمرها

▪️ترنسفورمرها معمولا توجه زیادی به اطلاعات نامربوط دارند که این موضوع میتواند دقت آنهارا در کارهای مختلف یادگیری ماشین مثل خلاصه‌سازی متن یا پاسخ دادن به سوالات کم کند.

▪️برای حل این مشکل، محققین مایکروسافتDiff Transformer را ارائه کردند و روش جدیدی به نام مکانیزم توجه تفاضلی را مطرح کردند درواقع این روش به‌جای اینکه نمرات توجه را بطور یکپارچه محاسبه کند،از تفریق دو نگاشت توجه استفاده می‌کند.

▪️این نوآوری باعث میشود نویز و اطلاعات نامربوط حذف شود و الگوهای توجه پراکنده یا درواقع(Sparce attention) تشویق شوند.

▪️نتایج آزمایش‌ها نشان میدهد که Diff Transformerنه تنها داخل آزمایش‌ها عملکرد بهتری دارد،بلکه درکاربردهای واقعی هم مزایای زیادی دارد.مثلاً در متون طولانی، بازیابی اطلاعات کلیدی و کاهش توهمات مدل (hallucinations) در مدل‌های زبانی، پیشرفت‌های قابل‌توجهی داشته است.

🔎 📄paper

🆔️telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#deep_learning
#Transformer
#cvision

🆕️ در دستگاه رگ یاب ، پردازش تصویر به پیدا کردن رگ کمک میکند !

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#bioparspajouhaan
#image_processing
#deep_learning

🆕️ نحوه عملکرد دستگاه رگ یاب بر اساس پردازش تصویر

فرایند پردازش تصویر و تشخیص موقعیت رگ ها به صورت لحظه ای انجام میشود و نتایج به طور آنی در اختیار کاربر قرار میگیرد.

۱. گرفتن تصویر از دست یا سایر قسمت بدن: این دستگاه با استفاده از یک دوربین دیجیتال، تصویری از دست یا محل مورد نظر را گرفته و به سیستم پردازش تصویر ارسال میکند.

۲. پردازش تصویر: سیستم پردازش تصویر با استفاده از الگوریتم های پردازش تصویر، تصویر دریافتی را تحلیل میکند. این تحلیل شامل مراحلی مانند بهبود کیفیت تصویر، تشخیص لبه های رگ ها، شناسایی الگوی رگ ها و ردیابی موقعیت آنها در تصویر است.

۳. تشخیص موقعیت رگ ها: پس از تجزیه و تحلیل تصویر، موقعیت دقیق رگ های خونی در تصویر شناسایی میشود. این اطلاعات که شامل عمق و موقعیت رگ ها است، به بخش نمایش نتایج ارسال میشود.

۴. نمایش موقعیت رگ ها: با استفاده از این اطلاعات، دستگاه موقعیت رگ ها را بر روی یک نمایشگر مشخص کرده و به کاربر نشان میدهد. این به کاربر کمک میکند تا محل دقیق رگ را پیدا کرده و با دقت بیشتری آن را پانکچر کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🩻 تکنیک های استخراج ویژگی از تصاویر رنگی

🔵 این تکنیک ها به طور گسترده در برنامه های پردازش تصویر، بینایی ماشین و یادگیری ماشین مورد استفاده قرار می گیرند. انتخاب تکنیک مناسب بستگی به نوع برنامه و کاربرد خاص دارد.این موارد عبارتند از :

✔. استخراج ویژگی های رنگی:
- هیستوگرام رنگ (Color Histogram)
- متوسط رنگ (Mean Color)
- انحراف معیار رنگ (Color Standard Deviation)

✔. استخراج ویژگی های بافت:
- ماتریس همبستگی خاکستری (Gray-Level Co-Occurrence Matrix - GLCM)
- فیلترهای گابور (Gabor Filters)
- فیلترهای لاپلاسین (Laplacian Filters)

✔. استخراج ویژگی های شکل:
- ممان هندسی (Geometric Moments)
- توصیف کننده های فوریه (Fourier Denoscriptors)
- توصیف کننده های هاف (Hough Denoscriptors)

✔. استخراج ویژگی های بصری:
- ویژگی های هوش بصری (Visual Saliency Features)
- ویژگی های کانتور (Contour Features)
- ویژگی های نقاط کلیدی (Keypoint Features)

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

🪩 موضوعات پرکاربرد بینایی ماشین امروز

۱.موضوع generative AI : برنامه هایی مانند Lensa AI از مدل های تولید کننده مانند Stable Diffusion برای ایجاد پرتره های دیجیتال سفارشی با درک عمیق از ویژگی ها و پیشینه کاربران استفاده می کنند.

۲.موضوع data-centric AI: هوش مصنوعی داده محور ؛ به بکارگیری مجموعه داده ها برای بهبود عملکرد مدل تمرکز دارد.

۳. موضوع merged reality: ترکیبی از دنیای واقعی با محتوای تولید شده توسط رایانه، تجربیات بی نظیری ارائه می دهد. با توجه به پتانسیل برای کاربردهای مختلف، مانند بازی ها یا نقشه برداری فضایی (SLAM)، این فناوری یک روند هیجان انگیز برای سال بوده است.

۴.موضوع facial recognition: این فناوری از الگوریتم های هوش مصنوعی برای اسکن، شناسایی و تطبیق ویژگی های چهره از یک پایگاه داده استفاده می کند، با کاربردهای بالقوه قابل توجه در حوزه سلامت از جمله تسریع بازیابی داده های بیمار تا کمک در تشخیص اختلالات پزشکی.

+ علاوه بر این موضوعات ، بینایی ماشین به شدت مدل های 3D را نیز بهبود می بخشد.

🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#machin_vision