🅿️ دوره پایتون

✅ قسمت ۱۹ پردازش تصویر در #پایتون

✅ حاشیه‌نویسی تصاویر و بهبود کیفیت تصاویر

۱. حاشیه‌نویسی تصاویر

حاشیه‌نویسی تصاویر یک مهارت کلیدی در کار با داده‌های بصری است و در اینجا به چند تکنیک برای ویرایش و برچسب‌گذاری تصاویر اشاره میکنیم:

- کشیدن خطوط: اضافه کردن خطوط صاف و ساده برای برجسته کردن نواحی یا مسیرهای خاص در یک تصویر.

- کشیدن دایره‌ها: ضروری برای علامت‌گذاری اشیای مورد نظر یا تعریف نواحی درون یک تصویر.

- کشیدن مستطیل‌ها: ایجاد جعبه‌های محدودکننده برای حاشیه‌نویسی یا برجسته کردن بخش‌های خاص تصویر.

- اضافه کردن متن: نوشتن متن به‌منظور توصیف یا برچسب‌گذاری بخش‌های مختلف تصویر.

۲. بهبود کیفیت تصاویر

تکنیک‌های مختلف بهبود کیفیت تصاویر درجهت  افزایش کیفیت و وضوح تصاویر :

- عملیات ریاضی: بررسی قدرت جمع و ضرب ساده برای تنظیم روشنایی، کنتراست و وضوح تصویر.

- آستانه‌گذاری و ماسک‌گذاری: تکنیک‌هایی برای تقسیم‌بندی تصاویر، ایزوله کردن نواحی خاص و تأکید بر ویژگی‌های خاص.

- عملیات بیتی: کسب insight در مورد عملیات منطقی (AND، OR، XOR) برای ترکیب یا تغییر تصاویر در سطح پیکسل.

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

🆕️ محاسبات مبتنی بر نور: تحولی در هوش مصنوعی و پردازش تصویر

💡محاسبات مبتنی بر نور در حال redefining هوش مصنوعی است و پردازش سریع‌تر و با بهره‌وری انرژی بالاتر را ممکن می‌سازد.

〽️ پردازشگرهای فوتونیکی ، مانند شبکه‌های عصبی نانوفوتونیک، قادرند محاسبات را با سرعت نور انجام دهند.

〽️ این پیشرفت، وظایفی مانند طبقه‌بندی تصویر و شناسایی اشیاء را تسریع می‌بخشد و راه را برای خودروهای خودران، ربات‌ها و دستگاه‌های پزشکی هوشمند هموار می‌کند.

〽️ درنتیجه سیستم‌های هوش مصنوعی سریع‌تر، کارآمدتر و توانمند در پردازش داده‌های پیچیده با حداقل مصرف انرژی کار می‌کند.

+ در پست بعدی به سایر مزایای این فناوری می‌پردازیم ، با ماهمراه باشید.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

🆕️🖇 مزایای محاسبات مبتنی بر نور در هوش مصنوعی و پردازش تصویر

✴ در پست قبل در رابطه با محاسبات مبتنی بر نور در هوش مصنوعی و پردازش تصویر صحبت کردیم ، علاوه بر مزایایی که نام بردیم، موارد دیگری نیز هستند که جزو مزیت های این فناوری می‌باشند . درواقع روندی که با واقعیت مجازی و گرافیک سه‌بعدی همراه است، می‌تواند واقع‌گرایی و غوطه‌وری را افزایش دهد:

- نقشه‌برداری ۳D مبتنی بر LiDAR: اسکن‌های لیزری دقیق، محیط‌های مجازی واقع‌نما را برای آموزش و شبیه‌سازی ایجاد می‌کنند.

- رندرینگ تقویت‌شده با هوش مصنوعی: شبکه‌های عصبی داده‌های LiDAR را پردازش می‌کنند تا مدل‌های سه‌بعدی پویا را به صورت real-time تولید کنند و تعامل بین دنیای مجازی و فیزیکی را تسهیل کنند.

- دوربین‌های نورومورفیک: این دوربین‌ها که از دید انسان الهام گرفته‌اند، حرکات چشم را ردیابی می‌کنند و فقط آنچه را که کاربر به آن نگاه می‌کند رندر می‌کنند، که باعث کاهش تأخیر و افزایش عملکرد می‌شود.

💡نور تنها دنیای ما را روشن نمی‌کند ؛ بلکه موتور ایجاد امواج بعدی پیشرفت‌های تکنولوژیکی است.!!
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#AI_news

🖇 اجزای معماری شبکه‌ های U-Net

۱. بخش Encoder:
- این بخش از لایه‌های کانولوشنی و عملیات پایپولینگ برای استخراج ویژگی‌ها از تصویر ورودی استفاده می‌کند. این کار به تدریج وضوح فضایی را کاهش داده و تعداد کانال‌های ویژگی را افزایش می‌دهد.

۲. بخش Decoder:
   - این بخش ویژگی‌های استخراج شده را با استفاده از عملیات Up-sampling بازسازی می‌کند و آنها را با نقشه‌های ویژگی مربوطه از Encoder از طریق Skip connections ترکیب می‌کند تا وضوح تصویر اصلی را بازسازى نماید.

۳. اتصالات Skip Connections:
   - این اتصالات به Decoder اجازه می‌دهند تا به ویژگی‌های دقیق‌تر به‌دست‌آمده در Encoder دسترسی داشته باشد، که برای محلی‌سازی دقیق اشیاء در تصویر بسیار حیاتی است.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🖇📉چالش های شبکه عصبی U-Net

🔗 در پست اخیر در رابطه با شبکه های عصبی کانولوشنی U-Net صحبت کردیم که یکی از مدل‌های معروف در پردازش تصویر، به ویژه در زمینه segmentaion تصویر پزشکی است. با این حال، مانند هر مدل دیگری، U-Net نیز با چالش‌هایی مواجه است. برخی از این چالش‌ها به شرح زیر است:

۱. مبحث Overfitting:

•شبکه  U-Net به دلیل معماری پیچیده‌اش ممکن است به راحتی بر روی داده‌های آموزشی بیش‌برازش (overfit) کند، به ویژه زمانی که داده‌های آموزشی محدود باشند.

۲. عدم تعادل کلاس‌ها:

• در بسیاری از کاربردها، تعداد پیکسل‌های متعلق به کلاس‌های مختلف ممکن است بسیار متفاوت باشد که می‌تواند منجر به یادگیری نامناسب مدل شود.

۳. حجم بالای محاسبات:

•شبکه U-Net به دلیل ساختار عمیق و تعداد زیاد پارامترها ممکن است به منابع محاسباتی زیادی نیاز داشته باشد.

۴. انتقال اطلاعات:

• در برخی موارد، اطلاعات مهم ممکن است در طول مراحل down-sampling و up-sampling از دست برود.
در ادامه همراه ما باشید تا در مورد روش حل این چالش ها بیشتر صحبت کنیم.!

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

✅ راه حل چالش‌های معماری U-Net

✳ در پست های قبل در رابطه با شبکه U-Net و اهمیت این معماری در پردازش تصویر صحبت کردیم . در کنار مزایای زیادی که این‌ شبکه دارد؛چالش هایی نیز وجود دارد که به آن اشاره کردیم. در ادامه به بخشی از روش های حل این چالش ها اشاره میکنیم؛

۱. استفاده از تکنیک‌های منظم‌سازی (Regularization):

• استفاده از Dropout، L2 regularization و Augmentation داده‌ها می‌تواند به کاهش overfitting کمک کند.

۲. استفاده از Weighted Loss:

• برای مقابله با عدم تعادل کلاس‌ها، می‌توان از تابع هزینه وزنی استفاده کرد که به کلاس‌های کمتر نمایان وزن بیشتری می‌دهد.

۳. استفاده از شبکه‌های پیشرفته‌تر:

• شبکه‌هایی مانند ResNet یا DenseNet می‌توانند به عنوان پایه‌ای برای U-Net استفاده شوند تا عملکرد آن را بهبود بخشند.

۴. تکنیک‌های Skip Connections:

•شبکه  U-Net از skip connections استفاده می‌کند که می‌تواند اطلاعات مهم را در طول مراحل down-sampling و up-sampling حفظ کند. این تکنیک می‌تواند با استفاده از شبکه‌های دیگر مانند FPN (Feature Pyramid Networks) تقویت شود.

۵. استفاده از شبکه‌های پیشرفته‌تر برای segmentaion:

• شبکه‌هایی مانند DeepLab، Mask R-CNN و SegNet نیز می‌توانند به عنوان جایگزین یا مکمل U-Net مورد استفاده قرار گیرند.

💡با توجه به این چالش‌ها و راه‌حل‌ها، انتخاب بهترین روش بستگی به نوع داده و کاربرد خاص دارد.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ عملکرد موثر هوش مصنوعی در پزشکی :

✅ فناوری DxGPT مایکروسافت برای تشخیص بیماری‌های نادر
🔎🔗hooshio

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

🖇معرفی DxGPT مایکروسافت برای تشخیص بیماری‌های نادر

🔹 در دنیای امروز، هوش مصنوعی به یکی از ابزارهای کلیدی در حوزه پزشکی تبدیل شده است. یکی از جدیدترین دستاوردهای مایکروسافت، مدل DxGPT است که به‌طور خاص برای تشخیص بیماری‌های نادر طراحی شده است. این مدل می‌تواند به پزشکان در شناسایی بیماری‌های پیچیده و نادر کمک کند و امیدهایی را برای تحول در دنیای پزشکی به وجود آورد.

🔹 بیماری‌های نادر، به دلیل کمبود اطلاعات و تجربه در مورد آن‌ها، معمولاً با تأخیر در تشخیص و درمان روبه‌رو می‌شوند. این تأخیر می‌تواند عواقب جدی برای بیماران داشته باشد. با استفاده از مدل‌هایی مانند DxGPT، پزشکان می‌توانند به سرعت و دقت بیشتری به شناسایی این بیماری‌ها بپردازند و درمان‌های مناسب‌تری ارائه دهند.

🔹 مدل DxGPT با استفاده از الگوریتم‌های پیشرفته یادگیری ماشین، توانایی تحلیل داده‌های پزشکی و شناسایی الگوهای پیچیده را دارد. این مدل با بهره‌گیری از پایگاه‌های داده وسیع و اطلاعات بالینی، می‌تواند به پزشکان در تصمیم‌گیری‌های بالینی کمک کند و آن‌ها را در مسیر درست هدایت کند.

🔹 پیشرفت‌های حاصل از DxGPT نه‌تنها به تشخیص دقیق‌تر بیماری‌ها کمک می‌کند، بلکه می‌تواند به کاهش هزینه‌های درمانی و افزایش کیفیت زندگی بیماران نیز منجر شود. با گسترش استفاده از هوش مصنوعی در پزشکی، انتظار می‌رود که فرآیندهای درمانی سریع‌تر و کارآمدتر شوند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#AI_news

🆕️ آینده تصویربرداری با دوربین های هوشمند صنعتی - بخش اول

✳ دوربین‌های هوشمند صنعتی با سنسور تصویر بزرگ‌تر و پردازنده‌های داخلی پیشرفته، درهای جدیدی را در دنیای تصویربرداری باز می‌کنند. این تکنولوژی‌ها به ویژه در زمینه بینایی ماشین و Embedded Vision تأثیر بسزایی دارند.

✳ ویژگی‌های کلیدی دوربین‌های هوشمند:

• یکپارچگی: این دوربین‌ها معمولاً شامل نورپردازی، سنسور تصویر، نرم‌افزار و ورودی/خروجی (I/O) هستند که طراحی و پیاده‌سازی سامانه‌های بینایی ماشین را بسیار ساده‌تر می‌کند.

• قدرت پردازش: با پیشرفت فناوری، دوربین‌های هوشمند اکنون توانایی اجرای وظایف پیچیده‌ای مانند هوش مصنوعی و یادگیری عمیق را دارند.

• نوآوری: دوربین‌های Embedded Vision جدید به عنوان دوربین‌های هوشمند عمل می‌کنند و قابلیت‌های بیشتری را به کاربران ارائه می‌دهند.

• با ماهمراه باشید 🌱
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#visionsystem

🆕️ آینده تصویربرداری با دوربین های هوشمند صنعتی - بخش دوم

🔍 سنسورهای بزرگ‌تر در دوربین‌های هوشمند: تحولی در بینایی ماشین

✅ در سال‌های اخیر، بازار بینایی ماشین شاهد تغییرات قابل توجهی در تکنولوژی دوربین‌ها بوده است. در گذشته، دوربین‌های هوشمند با سنسورهای تصویر در محدوده VGA تا ۲ مگاپیکسل عرضه می‌شدند. اما اکنون با افزایش نیاز به تشخیص قطعات بزرگ‌تر و عیوب کوچک‌تر، رزولوشن این دوربین‌ها به طور چشمگیری افزایش یافته است.

✅ دیوید دیکودر، معمار اصلی سیستم‌های بینایی در شرکت Integro Technologies، می‌گوید: “در ۱۲ تا ۱۸ ماه گذشته، رزولوشن سنسور تصویر دوربین‌های هوشمند به طور قابل توجهی افزایش یافته است.” در حالی که رزولوشن ۵ مگاپیکسل به عنوان یک استاندارد بالا شناخته می‌شد، به زودی این رزولوشن به عنوان یک استاندارد رایج در بازار تبدیل خواهد شد. با ورود رزولوشن‌های ۹، ۱۰، ۱۲، ۱۶ و ۲۰ مگاپیکسل، شاهد تحولی در کیفیت تصویر خواهیم بود.

✅ چندین شرکت معتبر در حال توسعه دوربین‌های هوشمند با رزولوشن ۵ مگاپیکسل هستند:

• شرکت Datalogic با سری T49

• شرکت Omron Microscan با سری MicroHAWK

• شرکت Soliton Technologies با سری NUERA

• شرکت Teledyne DALSA با سری BOA2 XA5

• شرکت Vision Components با مدل‌های مختلف از جمله VCSBC nano

• شرکت Banner Engineering با مدل VE205G1A

✅ این تغییرات نشان‌دهنده پیشرفت‌های سریع در تکنولوژی بینایی ماشین و اهمیت آن در صنایع مختلف است. با افزایش کیفیت تصاویر، امکان تشخیص دقیق‌تر و سریع‌تر عیوب و قطعات فراهم می‌شود که به بهبود فرآیندهای تولید و کنترل کیفیت کمک می‌کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#visionsystems

🟡 نظریه جذاب رتینکس در دنیای نور و تصویر

⚡نظریه رتینکس (Retinex Theory) یک مدل درباره‌ی درک رنگ و روشنایی است که در دهه ۱۹۷۰ توسط لوئیس اسکولیک و بارت وسینگ توسعه یافته است.

⚡این نظریه ادعا می‌کند که تصور ما از رنگ و روشنایی در تصویر نتیجه تعامل بین ویژگی‌های نورانی سطح شیء و نور پس‌زمینه است، نه فقط میزان نور مستقیم دریافت شده از شیء.

⚡بر اساس رتینکس، مغز انسان با مقایسه‌ی رنگ و روشنایی در قسمت‌های مختلف تصویر، کنتراست و رنگ واقعی اشیاء را تفسیر می‌کند، حتی اگر شرایط نور محیطی تغییر کند.

⚡به زبان ساده‌تر، این نظریه می‌گوید که رنگ و روشنایی در تصویر به صورت نسبتی بین قسمت‌های مختلف آن تعیین می‌شود، نه صرفا توسط شدت نور مستقیم.!

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

🖇 وجود نظریه Retinex در فناوری

🏷 در حوزه‌های فناوری، مثل تصحیح روشنایی در تصاویر، الگوریتم‌هایی بر اساس این نظریه توسعه یافته‌اند که با تفکیک تصویر به قسمت‌های بازتاب نور و منبع نور، سعی می‌کنند تصاویر کم‌نور یا نامتعادل را به حالت طبیعی و واضح‌تر برگردانند.
این تکنیک‌ها معمولا برای بهبود کیفیت تصویرهای پزشکی، فضای طبیعی و تصویربرداری‌های کم‌نور استفاده می‌شوند.

🏷 درواقع نظریه رتینکس به ما کمک می‌کند بفهمیم که چگونه مغز، به کمک روابط نسبتی، رنگ‌ها و روشنایی‌ها را تفسیر می‌کند و این در توسعه الگوریتم‌های تصویری بسیار مؤثر است.

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

2025.pdf

📚 تازه های دنیای پژوهش

🆕️ عنوان مقاله ؛
📝 Innovative adaptive edge detection for noisy images using wavelet and 
Gaussian method

📃 این مقاله که به تازگی در Nature منتشر شده در زمینه تشخیص لبه ی تصاویر نویزی به تحقیق و بررسی پرداخته است.

📖 تشخیص لبه یک موضوع مهم در پردازش تصویر هست به‌ویژه برای شناسایی و تفکیک دقیق اشکال در تصاویر دیجیتال نویزی.
این مطالعه یک روش نوآورانه برای تشخیص لبه را ارائه می‌دهد که شامل یک ماژول کاهش نویز و تکنیک آستانه‌گذاری تطبیقی است تا به‌طور مؤثری چالش‌های مربوط به نویز گاوسی در تصاویر را برطرف کند.ویژگی‌های کلیدی روش پیشنهادی شامل؛

• استفاده از توابع کاهش نویز موجک و گاوسی برای تجزیه، فیلتر و بازسازی تصویر.

• بهبود کیفیت تصویر و کاهش تأثیر نویز.

• به کارگیری روش آستانه‌گذاری تطبیقی مبتنی بر روش OTSU اصلاح شده.

📖 برای ارزیابی عملکرد، معیارهای عینی مانند MSE، و PSNR مورد استفاده قرار گرفته است. نتایج مقایسه‌ای نشان می‌دهد که روش پیشنهادی از روش‌های سنتی مانند Canny و Roberts بهتر عمل می‌کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#article

🆕️ معرفی پروژه OpenBiomedVid

✅ ویدئوهای آموزشی منبعی مناسب برای آموزش هوش مصنوعی!

🔍 پروژه OpenBiomedVid

✳ ویدیوهای پزشکی منتشر شده در پلتفرم‌های مختلف به منبع مهمی برای دانشجویان تبدیل شده‌اند. این ویدیوها با ترکیبی از تصاویر، توضیحات صوتی و نمودارها، برای آموزش انسان‌ها طراحی شده‌اند.

✳ تحقیقی جدید به بررسی این موضوع پرداخته که آیا این ویدیوها می‌توانند به مدل‌های هوش مصنوعی در یادگیری زیست‌پزشکی کمک کنند. برای این منظور، دیتاست OpenBiomedVid با ۱۰۳۱ ساعت ویدیو و محتوای مرتبط جمع‌آوری شده است.

✳ مدل‌های Qwen-2-VL که با این دیتاست آموزش دیده‌اند، پیشرفت چشمگیری داشته‌اند؛ به‌طوری‌که مدل ۲ میلیارد پارامتری توانسته ۹۸.۷٪ در تسک‌های ویدیویی عملکرد خوبی داشته باشد. خیلی هیجان انگیز است که دو بنچمارک جدید به نام‌های MIMICEchoQA و SurgeryVideoQA برای ارزیابی بهتر این مدل‌ها معرفی شده است و مدل با امتیاز خوبی توانست از فیلم های آموزشی بیاموزد!
🔗 article
🔗GitHub
🔗neuraitex
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ دقت بالا در دوربین های فراطیفی

✅ دوربین‌های فراطیفی (Hyperspectral Cameras) ابزارهای پیشرفته‌ای هستند که قادرند طیف وسیعی از نور را در باندهای مختلف ثبت کنند. این دوربین‌ها به جای اینکه فقط رنگ‌های معمولی (قرمز، سبز و آبی) را ثبت کنند، می‌توانند اطلاعات بیشتری از طیف نوری را جمع‌آوری کنند. این ویژگی باعث می‌شود که دوربین‌های فراطیفی در کاربردهای مختلفی از جمله پزشکی، کشاورزی و محیط زیست بسیار مفید باشند.

✅ دوربین‌های فراطیفی با تجزیه و تحلیل نور منعکس شده از سطح پوست، می‌توانند اطلاعات دقیقی درباره ساختار زیرین آن ارائه دهند. این دوربین‌ها قادرند با شناسایی تفاوت‌های طیفی بین بافت‌های مختلف، رگ‌ها را از سایر بافت‌ها متمایز کنند. به عنوان مثال، رگ‌ها معمولاً رنگی تیره‌تر دارند و در نتیجه طیف نوری متفاوتی نسبت به بافت‌های اطراف خود دارند.

✅ این دوربین می‌تواند از رگ‌های دست که زیر پوست است عکس بیاندازد و اگر مشکل خاصی وجود داشته باشد، مانند یک مریضی، آن ‌را به شما نشان دهد یا اینکه داخل یک میوه و غذا را برایتان به تصویر بکشد تا بدانید مناسب خوردن است یاخیر.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ عکسبرداری از ماه با کیفیتی بهتر از قبل

✅ به طور معمول چشم ما بهتر از دوربین موبایل می‌تواند از منظره یک شب مهتابی تصویربرداری کند و عکس‌های ماه و شب معمولا کیفیت مناسبی ندارند. سال‌ها قبل برای غلبه بر این مشکل و البته گرفتن اطلاعات از زیرلایه‌های سخت، دوربین‌های «فراطیفی» (Hyperspectral) اختراع شدند که در ماهواره‌های نظامی هم از آنها استفاده می‌شود.

✅ عملکرد این دوربین فوق العاده جذاب است!دانشگاه واشنگتن موفق به ساخت دوربین «فراطیفی» شده است که می‌تواند در گوشی‌های هوشمند نیز به کار رود و از درون میوه‌ها، پوسته زمین یا حتی رگ و پوست انسان، واقعیت‌های آنها را آشکار کند.

✅ اکنون تیمی متشکل از مهندسان دانشگاه واشنگتن و مایکروسافت، موفق شده‌اند نوعی از دوربین‌های فراطیفی را بسازند که قابلیت نصب در گوشی‌های تلفن همراه را داشته باشد و قیمت آن نیز بیشتر از 50 دلار تمام نشود.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing

📸 دوربین ترموگرافی

✅ عملکرد این دوربین خاص، ترکیب و تبدیل سیگنال‌های مادون قرمز به تصاویر قابل دیدن است، و این امکان را می‌دهد که هر دو نوع تصویر (مرئی و IR) را باهم تحلیل کنیم، که در مواردی مثل تشخیص موارد پنهان یا در شب، بسیار کاربردی است. از جمله موارد قابل توجه در این دوربین شامل موارد زیر است :

- لنزهای متفاوت: مثل لنزهای تمرکزی قابل تمرکز بر تصاویر مرئی و مادون قرمز (IR).
- حسگرها: شامل حسگرهای CMOS برای گرفتن تصویر.
- حالت‌های تصویربرداری: تصاویر مرئی و IR در این سیستم پردازش میشوند تا اطلاعات بیشتری را درباره هدف‌های مورد نظر ارائه بدهد.

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

🔗📸 نحوه عملکرد دوربین ترموگرافی

۱. ورودی تصویر مادون قرمز (IR)
- ورودی این سیستم، تصویر یا سیگنال مادون قرمز است که توسط سنسور IR حساس دریافت می‌شود (مثل Input IR Image در تصویر).
- این سیگنال‌ها معمولاً اطلاعات مربوط به حرارت، ویژگی‌های پنهان یا مواد خاص رو نشان می‌دهند که در دید مرئی قابل مشاهده نیستند.

۲. فوکوس و جداسازی طیف‌ها
- سیستم دارای چندین لنز است، از جمله:
- لنز مرئی (Visible focusing lens): تمرکز بر تصاویر قابل دیدن.
- لنز IR (IR focusing lens): تمرکز روی سیگنال‌های مادون قرمز.

۳. پردازش با عدسی‌های تطبیقی و فیلترهای خاص
- عدسی‌های مخصوص، این سیگنال‌ها را جمع‌آوری و تمرکز می‌کنند، و اطلاعات حاصل با توجه به نوع طول موج (مرئی یا IR) جدا می‌شود.
- در این مرحله، سیگنال‌های مرئی و IR به صورت همزمان جمع‌آوری می‌شوند.

۴. تبدیل IR به تصویر مرئی
- سیگنال‌های IR پس از عبور از فیلترهای ویژه و عدسی‌های حساس، وارد یک سیستم تبدیل IR-to-visible می‌شوند.
- در این قسمت، فناوری‌هایی مانند شبکه‌های عصبی، فیلترهای دیجیتال و الگوریتم‌های پردازش سیگنال برای ترجمه و تفسیر این داده‌های طیفی به تصاویر قابل فهم انسان، استفاده می‌شود.

۵. خروجی نهایی در قالب تصویر همزمان مرئی و IR
- سپس تصاویر مرئی و IR در کنار هم یا به صورت ترکیبی (تلفیق تصاویر) ارائه می‌شن.
- این کار اجازه می‌ده تا تحلیل جامع‌تر و دقیق‌تر انجام شود، مثلا در تشخیص هر نوع هدف، تشخیص حرارت، یا موارد تخصصی دیگر.

✅ تکنولوژی‌های کلیدی در این سیستم:
- حساسیت چندطیفی لنزها و حسگرها: برای جمع‌آوری هر دو نوع سیگنال مرئی و IR.
- عدسی‌های تطبیقی و فیلترهای تخصصی: جهت تمرکز بر طول موج‌های مختلف.
- مدارهای پردازش دیجیتال و هوشمند: برای ترجمه سیگنال‌های IR به تصاویر قابل دیدن، معمولا با کمک شبکه‌های عصبی یا الگوریتم‌های یادگیری ماشین.

✅ کاربردهای علمی و عملی:
- پزشکی: تشخیص تومورها یا مناطق گرم در بدن.
- امنیت و نظارت: دید در شب، تشخیص حرارت یا اشیای مخفی.
- در تحقیقات علمی: مطالعه مواد و خواص آنها در طیف‌های مختلف.
- نظام‌های ردیابی و ناوبری: در نظام‌های خودران یا پهپادها.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

🆕️ عملکرد مثبت مدل بالینی VLST ریه در تصویربرداری بالینی

🔗📃article

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