شماره مناسب را دریافت کنید: پردازش تصویر برای شمارش شیء

ساخت وبلاگ

Get the Right Number: Image Processing for Object Counting

برنامه های شمارش خودکار برای خطوط تولید برای ردیابی ، شناسایی ، جداگانه و شمارش محصولات و انواع اشیاء در یک منطقه تصویر محدود طراحی و توسعه یافته اند و نتایج سریع و بسیار دقیقی را ارائه می دهند. بسیاری از سیستم های امروز به دنبال رویکردهای سنتی برای پردازش تصویر ساخته شده اند که باعث کاهش کارایی و دقت آنها می شود. سیستم شمارش خودکار که توسط تیم توسعه دهندگان اختصاص داده شده برای کارخانه نانوایی ساخته شده است ، برای یافتن ، شناسایی و شمارش اشیاء در تصویر ورودی که از پردازش فیلم دریافت می کنیم ، طراحی شده است. یکی از مهمترین مزایای این سیستم این است که قادر به جدا کردن محصولات لمس کننده قبل از شمارش است ، بنابراین نتایج در 99. 5 ٪ بسیار دقیق است.

پست امروز از یکی از کارشناسان پردازش تصویر ما مشکل رویکردهای سنتی را توصیف می کند و موارد جدیدی را معرفی می کند که موضوعاتی را که در غیر این صورت بوجود می آید از بین می برد و به سایر زمینه هایی که می تواند برای شناسایی و شمارش محصولات استفاده شود ، می پردازد.

به طور کلی ، پردازش تصویر به عنوان هر نوع پردازش سیگنال با ورودی تصویر ، مانند عکس یا قاب های ویدیویی در نظر گرفته می شود. مشکل شمارش در پردازش تصویر/فیلم تخمین تعداد اشیاء در یک تصویر ثابت یا قاب ویدیویی است. این امر در بسیاری از برنامه های دنیای واقعی از جمله شمارش سلول در تصاویر میکروسکوپی ، نظارت بر جمعیت در سیستم های نظارتی یا در مورد ما ایجاد می شود ، یا در مورد ما ، شمارش محصولات پخته شده در خطوط تولید است.

راه حل های دید کامپیوتر

به تصاویر معنی دهید ، فیلم را تجزیه و تحلیل کنید و اشیاء را با بالاترین دقت تشخیص دهید.

نسخه اولیه سیستم شمارش تولید در MATLAB طراحی و توسعه یافته و محدودیت ها و محدودیت های خاصی دارد.

  1. اگر محصولات نانوایی در حال لمس و در ردیف های ناهموار در خط تولید بودند ، دقت کم شمارش که حتی بیشتر در حال کاهش بود.
  2. بهینه بهینه شده ، سیستم به منابع زیادی نیاز داشت.
  3. محدود به پردازش فقط 4 کانال ویدیویی به طور همزمان.

بنابراین ، چگونه می توانیم آن را حل کنیم تا نتیجه دقیقی بدست آوریم؟

object counting using image processing

شکل 1. تصویر مونتاژ ساخته شده از 25 فریم ویدیویی اول

I. رویکرد پردازش تصویر سنتی

در اینجا ما به دنبال یک رویکرد سنتی برای پردازش تصویر ، شمارش شیء را پوشش می دهیم ، و اگر بخواهیم این کار را انجام دهیم با چه چالش هایی روبرو هستیم.

اولین کاری که باید انجام دهیم جدا کردن پیش زمینه و پیش زمینه است. ساده ترین راه استفاده از تقسیم بندی رنگ است ، اما پس از آن باید مشکل روشنایی ناهموار را برطرف کنیم. برای جلوگیری از آن ، بهتر است با استفاده از کانال RGB ، آستانه سازگار با الگوریتم تقسیم بندی OTSU را برای موارد ساده اعمال کنید. در نتیجه ، ما یک تصویر باینری دریافت می کنیم (جایی که هر پیکسل برابر است با 1 برای مراجعه به یک شیء ، و در غیر این صورت 0). این تصویر باینری دارای اشیاء مصنوعی زیادی با کمی مربع (حدود 1-10 پیکسل) خواهد بود به همین دلیل ما باید آنها را با استفاده از فیلتر میانه یا روشهای مورفولوژی ریاضی حذف کنیم. در مورد ما ، برای شمارش اشیاء در خط تولید ، عملیات افتتاح مورفولوژیکی انتخاب بهتری خواهد بود.

در این مرحله ، جدا کردن همه اشیاء در مناطق 4 متصل به فرد بسیار مهم است. ما یک پیکسل را به عنوان یک منطقه 4 متصل تعریف می کنیم که در آن هر پیکسل حداقل یک همسایه شمالی ، جنوبی ، شرقی یا غربی دارد.

اکنون که تصویر باینری را که مطابق با قاب داده شده است پاک کرده ایم ، به مسئله شمارش اشیاء می پردازیم. اگر قرار بود یک قاب ویدیویی داشته باشیم ، می توانیم از یک الگوریتم موج برای شمارش محصولات استفاده کنیم. با این حال ، ما باید آنها را در یک زمان خاص حساب کنیم. از این رو هر شیء در چندین فریم دنباله حضور خواهد داشت. بنابراین ، ما باید هر شیء را که از یک خط خیالی خاص عبور می کند ، که عمود بر جهت حرکت است ، حساب کنیم.

object counting using image processingobject counting using image processingobject counting using image processing object counting using image processing

شکل 2. پردازش تصویر: الف) تصویر رنگ منبع ؛ب) کانال قرمز تصویر منبع ؛ج) آستانه OTSU اعمال شده است. د) تصویر باینری پاک شده

چالش اصلی رویکرد سنتی شناسایی هر شیء و ردیابی آن برای تعیین اینکه آیا از خط عبور کرده است یا خیر. به عبارت دیگر ، به جای شمارش اشیاء ، باید مسیرهای شی را ردیابی کنیم. و برای انجام این کار می توانید یکی از تکنیک های استاندارد ردیابی ، فیلتر کالمن و غیره را اعمال کنید ، اگرچه به منابع محاسباتی بزرگی نیاز دارد و نتایج آن چندان دقیق نیست. به عنوان مثال ، تغییر در روشنایی باعث ایجاد خطایی در ردیابی یا بازپس گیری شی می شود. اینها مضرات روشنی از رویکرد استاندارد است.

بعضی اوقات آنها به جای خطوط از مناطق مورد علاقه مستطیل استفاده می کنند. ارتفاع مستطیل از ارتفاع شیء بزرگتر است و به ما امکان می دهد اشیاء موجود در داخل منطقه را به طور کامل حساب کنیم. با این وجود ، این روش برای شمارش اشیاء مشابه که فقط در یک ردیف قرار دارند ، کار می کند. بنابراین ، ما باید به دنبال راه دیگری برای شمارش اشیاء در خط تولید باشیم.

object counting using image processing

شکل 3. خط شمارش (یک خط علاقه)

ii. رویکرد ما به پردازش تصویر برای شمارش شیء

بیایید این فیلم را به عنوان دنباله ای از فریم هایی که در یک پشته از ورق های کاغذی مرتب شده اند ، در نظر بگیریم. همانطور که قبلاً نیز ذکر شد ، ما باید هر شیء را که از خط داده شده عبور می کند ، حساب کنیم. بنابراین ، فقط پیکسل هایی که برای هر فریم در این خط قرار دارند باید در نظر گرفته شود. یعنی ما باید قاب های مقطع را در امتداد خط در نظر بگیریم. این روش به عنوان یک الگوریتم دوربین اسکن شکاف شناخته می شود و به طور گسترده در ورزش برای ثبت یک برنده عبور از خط پایان و همچنین برای اهداف هنری استفاده می شود.

چگونه کار می کند؟

1) در طی یک دوره زمانی خاص ، ما فقط پیکسل ها را در امتداد خط داده شده از هر قاب کپی می کنیم و آنها را به تصویر حاصل می کنیم. بنابراین ، ما باید دوربین را به گونه ای قرار دهیم که اشیاء را به صورت افقی یا عمودی به حرکت درآورد. در این حالت ، کپی کردن یک ردیف (یا ستون به ترتیب) از هر فریم کافی است.

object counting using image processingobject counting using image processingobject counting using image processing object counting using image processing

شکل 4. شکل گیری تصویر اسکن شکاف

از دیدگاه شمارش شی ، تصویر حاصل معادل فیلم منبع است و می تواند به عنوان هش در نظر گرفته شود ، و این چیزی کاملاً عجیب است.

object counting using image processing

شکل 5. تصویر نتیجه

2) تصویر باینری از تصویر حاصل به شکلی که در بالا توضیح داده شد ساخته شده است. اکنون تخمین پس زمینه به عنوان میانگین یا متوسط برای هر ستون تصویر حاصل آسان است. هر ستون تصویری از همان نقطه است ، اما در نقاط مختلف زمان. برای پاک کردن تصویر باینری و جدا کردن هر شیء ، می توانیم از روش معمول استفاده کنیم.

object counting using image processing

object counting using image processing

object counting using image processing

object counting using image processing

شکل 6. پردازش تصویر: الف) تصویر رنگی حاصل. ب) کانال قرمز تصویر حاصل ؛ج) آستانه OTSU اعمال شده است. د) تصویر باینری پاک شده

3) اکنون ما باید با استفاده از الگوریتم موج ، 4 منطقه متصل را پیدا کنیم.

object counting using image processing

شکل 7. مناطق دارای برچسب 4

و آن را پیچیده می کند! ما یک راه حل برای شمارش اشیاء در خطوط تولید داریم.

با این حال ، در عمل ، ما با برخی از مشکلات اضافی مانند دوخت تصاویر حاصل روبرو هستیم. لازم است اشیاء بین تصاویر حاصل را در نظر بگیرید. این کار با استفاده از مورفولوژی ریاضی نیز به طور مؤثر حل می شود.

object counting using image processingobject counting using image processingobject counting using image processing

شکل 8. مثال دوخت تصویر: الف ، ب) دو تصویر حاصل از پی در پی ، قطعاتی که باید بخیه شوند با رنگ مشخص می شوند. ج) نتیجه دوخت

نتیجه

هدف اصلی این مقاله نشان دادن یک رویکرد امیدوار کننده جدید برای اجرای یک سیستم شمارش خودکار برای خطوط تولید است. مزایای اصلی رویکرد پیشنهادی چیست؟

  1. هزینه محاسباتی کم
  2. دقت بالا: دقت شمارش به 99. 5 ٪ می رسد ، زیرا قادر به جدا کردن محصولات لمس کننده در ردیف های ناهموار است
  3. راه حل انعطاف پذیر و جهانی: سیستم شمارش خودکار ما را می توان برای شمارش سایر کالاهای تولیدی در خطوط تولید از جمله محصولات دارویی ، مواد غذایی و نوشیدنی ، شمارش ، شمارش بخشی و مؤلفه و غیره اعمال کرد.

به طور کلی ، سیستم توسعه یافته با این رویکرد به نظر می رسد ساده ، انعطاف پذیر و بسیار دقیق است و می تواند برای حل مسائل در مناطق دیگر مانند شناسایی ترافیک جاده ای و نظارت اعمال شود. و در اینجا کمی نگاهی دزدگیرانه به پست آینده ما وجود دارد که به پردازش فیلم می پردازد ، و چگونه می توانیم آن را برای تجزیه و تحلیل ترافیک جاده ای اعمال کنیم.

شکل 9نمونه پردازش ویدیو برای ترافیک جاده ای: الف) یک قاب ویدیویی با خط قرمز به عنوان یک خط مورد علاقه ؛ ب) تصویر حاصل ؛ج) برآورد تصویر پس زمینه ؛د) اشیاء پیش زمینه شناسایی شده ، یعنی خودروها ، سایر اشیاء نادیده گرفته شدند.

مبانی تجارت فارکس...
ما را در سایت مبانی تجارت فارکس دنبال می کنید

برچسب : نویسنده : سحر دولتشاهی بازدید : 38 تاريخ : جمعه 4 فروردين 1402 ساعت: 19:06