🆕️ 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

🪩 الگوریتم Federated Learning راه حلی برای چالش‌های موجود در تشخیص اشیاء تصاویر پزشکی

◽تشخیص اشیاء پزشکی یا Medical Object Detection (MOD) یک روش پردازش تصویر مرتبط با حوزه پزشکی است که ساختارهای مورد نظر را در تصاویر با استفاده از کادرهای محدود شناسایی می‌کند.

◽مدل‌های موفق MOD نیاز به مجموعه داده‌های بزرگ و دقیق دارند که توزیع ویژگی‌های مربوط به حوزه موردنظر را منعکس کنند.محدودیت‌های قانونی حفاظت از داده‌های بیمار و تجمیع داده‌ها ؛ عملکرد و تعمیم پذیری مدل‌های MOD را مخدوش می‌کند.

✔ فدرال یادگیری (FL) راه حلی است که به آموزش مدل بدون نیاز به انتقال داده‌ها در یک مکان متمرکز امکان می‌دهد.یک چارچوب FL خود تنظیم و چندمنظوره برای MOD که Flower (چهارچوب FL) و nnDetection (چارچوب MOD پیشرفته) را ترکیب می‌کند ، می‌تواند راهبردهای ادغام FL های متعددی را فراهم کند.
🔎📄 paper

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

📽معرفی مدل هوش مصنوعی قابل توضیح یا Explainable AI


🔎 MrArtificialintelligence

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

🪩 معرفی الگوریتم‌هایExplainable AI (xAI)

✔ مدل xAI برای رسیدن به قابلیت توضیح‌پذیری از مجموعه‌ای از الگوریتم‌ها و تکنیک‌های مختلف استفاده می‌کند. برخی از مهم‌ترین این الگوریتم‌ها و تکنیک‌ها عبارتند از:

⚪. الگوریتم‌های درخت تصمیم‌گیری: این الگوریتم‌ها به طور طبیعی قابل تفسیر هستند و می‌توانند قواعد و منطق درون خود را به صورت قابل درک برای انسان توضیح دهند.

⚪. الگوریتم‌های ماشین بردار پشتیبان (SVM): با استفاده از تکنیک‌های مانند Saliency Maps و Local Interpretable Model-Agnostic Explanations (LIME) می‌توان عملکرد و نحوه تصمیم‌گیری این الگوریتم‌ها را تشریح کرد.

⚪. شبکه‌های عصبی پیشرفته (Attention Mechanisms): این تکنیک‌ها میزان اهمیت هر ورودی و نقش آن را در خروجی نهایی مشخص می‌کنند.

⚪. تکنیک‌های برجسته‌سازی (Activation Maximization): با استفاده از این تکنیک‌ها می‌توان نشان داد که مدل چه ویژگی‌هایی از ورودی را مهم تشخیص داده است.

⚪. روش‌های ترکیبی (Composite Methods): مانند Shapley Values که از ترکیب چندین روش برای توضیح‌پذیری استفاده می‌کند.

⚪. روش‌های مبتنی بر سؤال و پاسخ (QA-based): این روشها با پاسخ‌گویی به سؤالات مرتبط با مدل، توضیحات قابل فهم‌تری ارائه می‌دهند.

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

🆕️معرفی نرم افزار Virtusense بر پایه پردازش تصویر

✅ نرم افزار Virtusense یک سامانه محافظتی از بیماران است که مانند پرستار همیشه حاضر بالای سر مریضان عمل می‌کند.

✅ این نرم افزار با استفاده از پردازش تصویر در اتاق بیمار، متوجه حرکات غیر عادی یا شرایط غیر عادی بیمار می‌شود و قبل از اینکه اتفاقی رخ دهد پرستاران و پزشکان را مطلع می‌کند. هم چنین از طریق این نرم افزار پرستاران و پزشکان می‌توانند در لحظه با بیمار صحبت کنند تا درخواستی که دارند را با او در میان بگذارند.

✅ به منظور ارتباط بیشتر پزشکان با بیماران ، نرم افزار می‌تواند تصویر پزشک در همان لحظه را با بیمار به اشتراک بگذارد تا یک تماس بین این دو اتفاق بیافتد. این نرم افزار می‌تواند مراقبت از بیمار را بیشتر و راحتتر کند.

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

🩻 فیلتر ترکیبی هوشمند فازی برای حذف نویز تصاویر پزشکی

🔬این رویکرد ترکیبی، امکان حذف انواع نویزهای تصویر پزشکی را با حفظ جزئیات مهم فراهم می کند و عملکرد بهتری نسبت به فیلترهای منفرد دارد.

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

🔗 فیلتر ترکیبی هوشمند فازی برای حذف نویز تصاویر پزشکی شامل مراحل زیر است:

1️⃣. پردازش پیش زمینه:
- حذف نویزهای گوسی و ضربه ای اولیه با استفاده از فیلترهای کلاسیک.
- بهبود کنتراست و برجسته سازی ساختارهای لبه ها.

2️⃣. فیلترینگ فازی:
- استفاده از منطق فازی برای تشخیص نویز و ساختارهای لبه.
- تعریف توابع عضویت مناسب برای نویز و لبه ها.
- اعمال فیلترینگ فازی برای جداسازی نویز از اطلاعات مفید تصویر.

3️⃣. فیلترینگ هوشمند:
- استفاده از تکنیک های یادگیری ماشین برای تنظیم پارامترهای فیلترینگ فازی.
- آموزش شبکه های عصبی یا سایر مدل های یادگیری بر اساس تصاویر نمونه.
- بهینه سازی پارامترهای فیلتر برای حداکثر حذف نویز و حفظ جزئیات تصویر.

4️⃣. ترکیب فیلترها:
- ترکیب نتایج فیلترهای کلاسیک، فازی و هوشمند برای ارائه یک فیلتر ترکیبی قدرتمند.
- استفاده از روش های وزن دهی یا ادغام برای ترکیب خروجی های فیلترها.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#fuzzy_logic
#denoising

🆕️ سگمنت تصاویر بااستفاده از Cellpose

📄cellpose: a generalist algorithm for cellular segmentation with human-in-the-loop capabilities

✅ روش Cellpose یه الگوریتم است که در ابتدا برای تقسیم‌بندی سلول‌ها ساخته شد و  بدون نیاز به تنظیمات پیچیده می‌تواند انواع تصاویر سلولی را به خوبی تحلیل کند.

✅ نسخه جدید ، Cellpose 3 ، حتی اگه تصویر پر از نویز باشد یا کیفیتش پایین باشد ، می‌تواند آن را بهبود بخشد و بعد هم خیلی خوب تقسیم‌بندی را انجام دهد.
cvision
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#segmentation

🚀 عملکرد بی نظیر Roboflow در بینایی ماشین!

✅ یکی از اسیستنت های مهم در زمینه‌ی بینایی ماشین (Computer Vision) ، ابزار Roboflow می باشد.

✅ مهم‌ترین قابلیتی که Roboflow به متخصصان CV ارائه می‌دهد، قابلیت Annotate کردن تصاویر و آماده‌سازی و میزبانی دیتاست‌ است.

✅ این ابزار از مدل‌های بنیادین مثل GroundingDINO و SAM استفاده کرده و تا جای ممکن، عمل Annotation رو به‌صورت خودکار انجام می‌دهد.

✅ اخیرا SAM2 به روبوفلو اضافه شد که عملكرد فوق‌العاده آن را در تصویر می‌بینید.

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

🆕️معرفیViz.aiبه عنوان اپلیکیشن تشخیصی بر پایه AI

📈 این نرم‌افزار از هوش مصنوعی برای تجزیه و تحلیل تصاویر پزشکی مانند سی.تی.اسکن یا ام.آر.آی و شناسایی علائم سکته استفاده می‌کند و می‌تواند بلافاصله به پزشکان هشدار دهد تا بتوانند در اسرع وقت درمان را آغاز کنند.

📈 در مجموع، هوش مصنوعی با ارائه ابزارهای جدید به پزشکان، پرستاران، جراحان و سایر کارکنان درمان برای بهبود نتایج بیماران، انقلابی در زمینه پزشکی و مراقبت‌های بهداشتی ایجاد کرده است. 

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