🖇📉 نمونه پروژه ی صنعتی با ترکیب سخت‌افزارهای تصویربرداری و نرم‌افزارهای هوشمند

✅ این پروژه بر پایه استفاده همزمان از چند دوربین CV60 GigE در حالت عملیاتی و کنار آن، بهره‌گیری از کتابخانه تصویربرداری Aurora (که قبلاً با نام Matrox Imaging Library شناخته می‌شد) است. این کتابخانه قدرتمند، یک بسته توسعه نرم‌افزار (SDK) برای ماشین ویژن است که شامل قابلیت‌های 2D، 3D و یادگیری عمیق می‌شود.

✅ هدف از این پروژه، طراحی و پیاده‌سازی راهکارهای سفارشی ماشین ویژن است که با سادگی و انعطاف‌پذیری بالا، نیازهای ردیابی، بازرسی کیفیت و کنترل فرآیند را برآورده می‌کند.

++ پورتفولیوی ماشین ویژن Zebra Technologies، مجموعه‌ای جامع است که راه‌حل‌های نرم‌افزاری و سخت‌افزاری متنوعی را برای سطوح مختلف، از مبتدی تا پیشرفته، عرضه می‌کند. این راهکارها، امکان حل مشکلات مربوط به ردیابی محصولات و تضمین کیفیت در خطوط تولید را فراهم می‌کنند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#industry

✅ معرفی #پروژه انجام شده در حوزه ی پردازش تصویر :

✳ طبقه بندی وضعیت چین های صوتی حقیقی حنجره بر اساس تصاویر لارینگوسکوپی

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

🆕️ معرفی یک مدل پایه ای و جدید در تصویربرداری MRI با توانایی بخش‌بندی خودکار و مستقل از ترتیب تصاویر (sequence-independent segmentation)

🔗📃 article

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

🖇📃 نحوه ی عملکرد مدل ارائه شده

✅ در پست قبل ، به معرفی یک مدل پایه ای و جدید برای تصویربرداری MRI پرداختیم که توانایی بخش‌بندی خودکار و مستقل از ترتیب تصاویر (sequence-independent segmentation) از آناتومی بدن را دارد.

✅ در واقع، انجام بخش‌بندی دستی در MRI معمولاً کند، متغیر و محدود به نوع سکانس است؛ اما این مدل، یعنی TotalSegmentator MRI، اولین نمونه متن‌باز است که قادر است به صورت خودکار و دقیق، بخش‌های مختلف بدن را در هر نوع اسکن MRI شناسایی و جدا کند. این مدل بر پایه آموزش چندحالت (multi-modal) و ساختن شبکه nnU-Net ساخته شده که روی هزاران تصویر واقعی از داده‌های بالینی آموزش دیده است.

✅ برخی نکات مهم:

- این مدل، بیش از ۸۰ ساختار آناتومیک را در هر نوع MRI، به صورت مستقل و بدون وابستگی به سکانس، segmentation می‌کند.

- در مقایسه با مدل‌های قبلی، عملکرد فوق‌العاده‌ای دارد و حتی عملکرد مدل‌های مخصوص CT را نیز تقریبا نزدیک می‌کند.

- در تحقیقاتی در مقیاس بزرگ، از این مدل برای بررسی روند پیری اعضای بدن روی بیش از ۸۶۷۲ تصویر MRI شکم استفاده شده است، و تغییرات حجمِ قابل اندازه‌گیری در کبد، کلیه، طحال و غدد آدرنال را شناسایی کرده است.

✅ در عین حال، آموزش این مدل‌های با وضوح بالا هزینه زیادی دارد؛ به همین دلیل، محققان ساخت چندین مدل مجزا برای ساختارهای مختلف، در ۶ گروه انجام دادند که راهکار عملی و کارآمدی ارائه شد.
🆔️ telegram channel :
https://news.1rj.ru/str/Intellimage

🖇🩻 ترجمه ی تصاویر پزشکی ؛ موضوعی کاربردی در تحلیل تصاویر

☢ همانطور که در تست قبل مشاهده کردید، برای ترجمه‌ی تصاویر پزشکی از یک نوع به نوع دیگر، چند روش متداول و موثر وجود دارد که بسته به نیاز و داده‌ها می‌توانید از آن‌ها استفاده کنید:

🟡. شبکه‌های CycleGAN یا دیگر GANهای ترجمه تصویر :

- شبکه CycleGAN بهترین گزینه در زمانی است که نیاز دارید بدون جفت‌سازی مستقیم داده‌ها، تغییر دامنه‌ی تصاویر پزشکی (مثلاً MRI به CT یا تصویربرداری‌های مختلف) انجام دهید.
این مدل‌ها می‌توانند تصاویر را به شکل واقعی و بدون نیاز به نمونه‌های جفت، ترجمه کنند.

🟡. شبکه‌های Pix2Pix :

-شبکه های Pix2Pix بر پایه‌ی GAN است و باید تصاویر جفت (مثلاً MRI و نسخه‌ی مرتبط CT) داشته باشید.برای مواردی که داده‌های جفت دارید، این روش عالی است.

🟡. شبکه‌های ترجمه‌ی مبتنی بر Unet و دیگر معماری‌های خاص :

- در موارد خاص، معماری‌هایی مانند U-Net برای segmentation و ترجمه‌های پزشکی بکار می‌روند، اما بیشتر برای segmentation است.

- در صورت نیاز به تغییر کلی، بهتر است از GANهای ترجمه تصویر استفاده کنید.

🟡. روش‌های مبتنی بر یادگیری عمیق و autoencoders :

- شبکه های Autoencoders و Variational Autoencoders (VAE) هم در ترجمه تصویر کمک می‌کنند، اما معمولا در کنار GANها و روش‌های دیگر کاربرد دارند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

✅ نمونه پردازش انجام شده با استفاده از CycleGAN برای ترجمه تصاویر پزشکی

• مزیت اصلی CycleGAN، نیاز نداشتن به داده‌های جفت‌سازی است، که در حوزه پزشکی بسیار مفید است.

• می‌توانید مجموعه‌ تصاویر MRI و CT را در دامنه‌های مختلف آموزش دهید و مدل بتواند تصاویر را ترجمه کند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

📸 معرفی دوربین های pinhole

🔶️ دوربین‌های پین هول در دو تکنولوژی تحت شبکه (IP) و آنالوگ تولید می‌شوند.
این دوربین‌ها بر اساس چگونگی عملکرد با یکدیگر متفاوت هستند.

🔶️ دوربین پین هول IP در مقایسه با دوربین پین هول آنالوگ دارای قابلیت‌های بیشتری است. دوربین‌های پین هول آنالوگ برای ضبط تصاویر، نیاز به دستگاه ضبط دارند. اما در دوربین مخفی IP برای ثبت تصاویر نیاز به دستگاه ضبط وجود ندارد.

+ دوربین‌های مینیاتوری جدید دارای قابلیت‌هایی مانند کاهش نویز در تصویر، قابلیت ضد نور و… هستند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#camera

📸🔗 ساختار دوربین های pinhole

🔶️ همانطور که در پست قبلی صحبت کردیم، دوربین مینیاتوری یا پین هول به عنوان کوچکترین دوربین مداربسته شناخته می‌شود.

🔶️ این دوربین‌ها دارای ابعاد کوچکی هستند. لنز این دوربین‌ها از نوع ثابت است. لنزهای دوربین مینیاتوری از بدنه دوربین نیز کوچکتر است.

🔶️ دوربین‌های پین هول را به دلیل ابعاد کوچکی که دارند، می‌توان در مکان‌های مختلف نصب کرد. دوربین‌های pinhole را می‌توان داخل خودرو، منزل، پشت اجسام مختلف مانند گلدان، تابلو و…. قرار داد.

🔶️ نحوه ساخت این دوربین‌ها به گونه‌ای است که افراد به راحتی نمی‌توانند دوربین جاسازی شده را تشخیص دهند.!
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#camera

📉 شبکه‌های کاملاً کانولوشنی مبتنی بر معماری Inception

🔷️ شبکه‌های کاملاً کانولوشنی (Fully Convolutional Networks یا FCNs) نوعی معماری شبکه عصبی عمیق هستند که به طور خاص برای وظایف تشخیص تصویر و پردازش تصویر طراحی شده‌اند.

🔷️ یکی از مشهورترین معماری‌ها برای این شبکه‌ها، معماری Inception است که به خاطر طراحی نوآورانه‌اش شناخته می‌شود.

🔷️ مزایای FCN مبتنی بر Inception:

- دقت بالا: به دلیل استفاده از چندین اندازه فیلتر و استخراج ویژگی‌های مختلف، FCNها می‌توانند دقت بالایی در تشخیص اشیاء و تقسیم‌بندی تصاویر داشته باشند.

- قابلیت مقیاس‌پذیری: این شبکه‌ها به راحتی می‌توانند برای ورودی‌های مختلف و اندازه‌های مختلف تصویر همانند تصاویر ویدئویی و ثابت استفاده شوند.

- کارایی: FCN های مبتنی بر Inception به طور معمول سریع‌تر از شبکه‌های متداول با لایه‌های پرکننده هستند، زیرا تعداد پارامترهای آنها کمتر است.

🔷️ در کل، شبکه‌های کاملاً کانولوشنی که بر اساس معماری Inception طراحی شده‌اند، به دلیل ترکیبی از ساختار پیچیده و قابلیت‌های پردازش تصویر عالی‌شان، به یکی از ابزارهای محبوب در یادگیری عمیق و بینایی ماشین تبدیل شده‌اند.

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

🔗📉 ویژگی‌های کلیدی FCN مبتنی بر Inception:

1️⃣. ساختار Inception:

   - معماری Inception از بلوک‌های متعددی تشکیل شده است که هر کدام تعدادی لایه کانولوشنی با اندازه‌های مختلف را به کار می‌برند. این لایه‌ها به شبکه این امکان را می‌دهند که ویژگی‌های مختلفی از تصویر را در سطوح مختلف ابعاد استخراج کند.

   - به طور مثال، یک بلوک Inception می‌تواند کانولوشن‌های ۱x۱، ۳x۳ و ۵x۵ را در کنار هم قرار دهد و نتایج را در نهایت ترکیب کند. این باعث می‌شود که شبکه به خوبی قادر به تشخیص اشیای مختلف با اندازه‌های متفاوت باشد.

2️⃣ . کانولوشن‌های کاملاً فراگیر:

   - در FCNها به جای لایه‌های پرکننده (Fully Connected Layers)، از لایه‌های کانولوشنی استفاده می‌شود که می‌توانند هر ابعادی از ورودی را پردازش کنند. این ویژگی به شبکه اجازه می‌دهد تا خروجی‌هایی به صورت نقشه‌های حرارتی (Heat Maps) ارائه دهد که اطلاعات مکانی دقیقی را در سطح پیکسل به همراه دارد.

3️⃣. بازیابی ویژگی‌ها:

   - شبکه FCN های مبتنی بر Inception می‌توانند ویژگی‌های پیچیده‌ای را از تصاویر ورودی استخراج کنند و سپس این ویژگی‌ها را برای طبقه‌بندی و تشخیص در مقیاس پیکسل استفاده نمایند. به این ترتیب، می‌توانند برای کارهایی مانند segmentation (تقسیم‌بندی تصویر) بسیار موثر باشند.

4️⃣. کاربردها:

   - این شبکه‌ها به طور گسترده‌ای در زمینه‌های مختلف پزشکی (تحلیل تصاویر پزشکی)، خودران‌ها (شناسایی موانع) و تحلیل تصاویر ماهواره‌ای (شناسایی نواحی مختلف) مورد استفاده قرار می‌گیرند.
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage

📚 #پروژه تبدیل یک پردازنده تصویر مونولیتیک به معماری میکروسرویس در Kubernetes

✳ این پروژه نشان می‌دهد چگونه یک برنامه پردازش تصویر از یک اسکریپت مونولیتیک و جمع‌وجور، به یک سیستم توزیع‌شده و مبتنی بر ابر با استفاده از Kubernetes تبدیل می‌شود.

• در پست های بعدی در مورد این پروژه بیشتر صحبت میکنیم ؛ با ماهمراه باشید🌱

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

🔗 توضیحات پروژه تبدیل یک پردازنده تصویر مونولیتیک به معماری میکروسرویس در Kubernetes - قسمت اول

1️⃣ . طراحی سیستم اولیه

• در نسخه اولیه، یک اسکریپت پایتون خطی و مونولیتیک بود که مراحل زیر را انجام می‌داد:

۱. خواندن تصاویر ورودی

۲. تغییر اندازه و تبدیل به تصویر سیاه‌وسفید

۳‌. تشخیص اشیاء با مدل یادگیری عمیق از قبل آموزش‌دیده

۴. نشانه‌گذاری و ذخیره نتیجه نهایی

✳ مشکلاتی مانند عدم مقیاس‌پذیری، محدودیت در مدیریت خطا و انعطاف‌پذیری بصورت متداول در سیستم‌های قدیمی و مونولیتیک وجود دارد در پست بعدی در رابطه با حل این مشکلات در طراحی این پروژه صحبت خواهیم کرد.

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

🔗 توضیحات پروژه تبدیل یک پردازنده تصویر مونولیتیک به معماری میکروسرویس در Kubernetes - قسمت دوم

2️⃣ طراحی جدید میکروسرویس‌ها

●○• برای حل  مشکلات سیستم های قدیمی که در پست قبل صحبت کردیم ، سیستم به پنج میکروسرویس مستقل تقسیم شد:

۱. عملیات ImageGrab: بارگذاری تصاویر و آپلود به فضای ذخیره‌سازی سازگار با S3 (مانند MinIO)

۲. عملیات Resize: کاهش رزولوشن تصویر برای بهبود عملکرد

۳. عملیات Grayscale: تبدیل تصویر رنگی به سیاه‌وسفید

۴. عملیات ObjectDetect: تشخیص اشیاء با مدل MobileNet SSD

۵. عملیات Tag: کشیدن جعبه‌های مرزبندی و برچسب‌ها روی تصویر اصلی

●○• هر سرویس مستقل عمل می‌کند و ارتباط آنها از طریق صف‌های پیام Redis است. تصاویر بین سرویس‌ها به صورت مسیریابی (آدرس‌های S3) منتقل می‌شوند تا روند کار ساده و کم‌وابسته باشد.

●○• در پست بعدی در رابطه با نتایج این پژوهش صحبت خواهیم کرد.

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

📉🔗 نتایج پروژه تبدیل یک پردازنده تصویر مونولیتیک به معماری میکروسرویس در Kubernetes - قسمت پایانی

●○• فناوری‌های مورد استفاده

- فناوری Kubernetes (k3s) برای مدیریت و ارکستراسیون

- فناوری Docker برای کانتینری کردن سرویس‌ها

- فناوری Redis برای ارتباط مبتنی بر صف‌ها

- فناوری MinIO برای فضای ذخیره‌سازی اشیاء

- زبان Python و کتابخانه‌هایی مثل OpenCV، minio، redis-py

●○• در نتیجه معماری مبتنی بر میکروسرویس‌ها منجر به:

- مقیاس‌پذیری افقی هر سرویس

- بهبود ایزوله بودن خطاها و مقاوم‌تر بودن سیستم

- راحت‌تر بودن در مشاهده و دیباگ توسط هر سرویس

- پیروی بهتر از روش‌های DevOps با استقرار بر پایه تصاویر و طراحی مناسب برای CI

●○• این پروژه نشان می‌دهد چگونه تفکیک برنامه‌های مونولیتیک به سرویس‌های مدولار و قابل نگهداری، در دنیای راهکارهای ابری و DevOps امروزی اهمیت فزاینده‌ای دارد.
سپاس از همراهی شما🌱
🆔️ telegram channel:
https://news.1rj.ru/str/Intellimage
#image_processing
#project

🩻 فایل پردازش تصویر در .NET با ImageSharp

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

🔗 توضیحات پردازش تصویر در .NET با ImageSharp

✳ کتابخانه ImageSharp ابزاری قدرتمند و قابل اعتماد برای ویرایش تصویر است:

- تغییر اندازه تصویر
- حفظ نسبت ابعاد
- افزودن فیلترها
- امکانات بیشتر

✳ کتابخانه ImageSharp از ویژگی‌های زیر پشتیبانی می‌کند:

- بارگذاری و ذخیره تصاویر در فرمت‌های مختلف
- تغییر اندازه و تبدیل‌های پیچیده
- رسم و نوشتن متن
- اعمال فیلترها و افکت‌های بصری
- ویرایش متادیتا
- مدیریت چندین پروفیل رنگ
- و بسیاری امکانات دیگر!

✅ این کتابخانه کاملاً چندسکویی و بدون نیاز به وابستگی به APIهای تصویری ویندوز است، بنابراین برای برنامه‌های مدرن ASP.NET Core بسیار مناسب است.

+ اگر با تصاویر در C# کار می‌کنید، حتما باید ImageSharp رو در ابزارهای خود داشته باشید.

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

🆕️اخبار هوش مصنوعی در روز های اخیری که گذشت ؛

■□دستیار برنامه‌نویسی گوگل Jules مبتنی بر هوش مصنوعی :

گوگل ابزار برنامه‌نویسی جدیدی به نام Jules را در نسخه بتای عمومی معرفی کرده است. این ابزار به‌صورت غیرهمزمان در فضای ابری کار می‌کند و می‌تواند وظایفی مانند نوشتن تست، رفع اشکال و تولید گزارش‌های صوتی را انجام دهد.

■□تولید ویدیوهای واقع‌گرایانه با گوگل Veo 3 :

گوگل در کنفرانس Google I/O 2025 از Veo 3 رونمایی کرد. این ابزار با استفاده از متن، ویدیوهای واقع‌گرایانه همراه با صداهای محیطی، دیالوگ و موسیقی تولید می‌کند.

■□ ابزار فیلم‌سازی گوگل Flow با هوش مصنوعی :

گوگل ابزار جدیدی به نام Flow معرفی کرده است که به کاربران امکان تولید کلیپ‌های کوتاه و سینمایی از طریق متن یا تصویر را می‌دهد. این ابزار با مدل‌های Veo 3 و Imagen 4 یکپارچه شده است.

■□ خروجی صوتی طبیعی با Gemini :

مدل Gemini 2.5 Flash گوگل اکنون می‌تواند صداهای طبیعی در بیش از ۳۰ زبان تولید کند و به احساسات و لحن کاربر پاسخ دهد.

■□ مدل هوش مصنوعی گوگل Gemma 3n برای دستگاه‌های همراه :

گوگل مدل جدیدی به نام Gemma 3n معرفی کرده است که برای عملکرد بهینه در دستگاه‌های همراه طراحی شده و قابلیت اجرای محلی دارد. این مدل از معماری MatFormer بهره می‌برد.

■□ مدل‌های پیشرفته Anthropic Claude Sonnet 4 و Opus 4 برای کدنویسی :

شرکت Anthropic مدل‌های جدید Claude Sonnet 4 و Opus 4 را معرفی کرده است که در کدنویسی و وظایف پیچیده عملکرد بالایی دارند. Opus 4 به‌ویژه در امنیت سایبری و تحقیقات زیست‌پزشکی کارآمد است.

■□ ابزار کدنویسی Anthropic Claude Code Agent در ترمینال :

ابزار Claude Code Agent در ترمینال توسعه‌دهندگان اجرا می‌شود و با درک کد، به بهبود و توسعه آن کمک می‌کند. این ابزار از مدل Claude Opus 4 استفاده می‌کند.

■□ مدل متن‌باز Mistral Devstral برای کدنویسی

شرکت Mistral مدل متن‌باز جدیدی به نام Devstral معرفی کرده است که تحت مجوز Apache 2.0 منتشر شده و در وظایف کدنویسی عملکرد برتری دارد.

■□ عامل هوش مصنوعی Microsoft GitHub Copilot Agent برای توسعه نرم‌افزار :

مایکروسافت در کنفرانس Build 2025 از عامل هوش مصنوعی جدیدی برای GitHub Copilot رونمایی کرد که وظایف پیچیده کدنویسی را انجام می‌دهد. با این حال، برخی توسعه‌دهندگان از عملکرد آن انتقاد کرده‌اند.
🔗📄smartera_academy_ai
🆔️ telegram channel :
https://news.1rj.ru/str/Intellimage
#AI_news

🔗فایل آموزش پایتون

🔰 قسمت ۲۰ پردازش تصویر در #پایتون :

✔ آموزش بخشی از ابزارها و کتابخانه ها

✅ PIL/Pillow : عملیات پایه و فیلترها

✅ OpenCV : بینایی ماشین و تشخیص ویژگی‌ها

✅ scikit-image : آنالیز علمی تصویر

✅ Matplotlib : تجسم داده‌ها و هیستوگرام‌ها

✅ NumPy : عملیات آرایه‌ای روی تصاویر

✅ ImageIO : پشتیبانی از فرمت‌های چندگانه

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

💻#پروژه ی کپی‌برداری حرکتی بصورت real time

✅ در پست قبل در رابطه با یکسری از ابزارهای مورد استفاده در پردازش تصویر صحبت کردیم؛ در ادامه شبیه سازی ای را معرفی می‌کنیم که در آن ، با استفاده از بعضی از این ابزارها مثل Python، OpenCV و MediaPipe، یک کپی رباتیک آینه‌مانند طراحی شده که هر حرکت شما را دنبال می‌کند ؛ اما با حال و هوای آینده‌نگرانه:

- افکت‌های نورانی برای ظاهر سایبرپانک
- اسکلت رباتیک در لحظه روی تصویر

✅ تکنولوژی‌های کلیدی مورد استفاده در پروژه :

• Python
• MediaPipe (برای تخمین حالت بدن)
• OpenCV (برای پردازش و نمایش تصویر)
• NumPy (برای عملیات ریاضی در منطق حرکات)

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