கணினி பார்வை

கணினி பார்வை

கணினி பார்வை (Computer Vision) என்பது, கணினிகள் மற்றும் பிற இயந்திரங்கள் படங்களிலிருந்து தகவல்களைப் பெறுவதற்கும், புரிந்து கொள்வதற்கும், செயல்படுவதற்கும் உதவும் ஒரு செயற்கை நுண்ணறிவு (Artificial Intelligence) துறை ஆகும். மனிதர்கள் தங்கள் கண்களால் பார்ப்பது போல, கணினிகள் கேமராக்கள் மற்றும் பிற காட்சி உணரிகள் மூலம் படங்களைப் பெற்று அவற்றை பகுப்பாய்வு செய்கின்றன. இது பல துறைகளில் முக்கிய பங்கு வகிக்கிறது, குறிப்பாக தானியங்கி வாகனங்கள், மருத்துவம், தொழிற்சாலை ஆட்டோமேஷன் மற்றும் பாதுகாப்பு போன்ற துறைகளில் இதன் பயன்பாடு அதிகரித்து வருகிறது.

கணினி பார்வையின் வரலாறு

கணினி பார்வையின் ஆரம்பகால முயற்சிகள் 1960-களில் தொடங்கின. அக்காலகட்டத்தில், ஆராய்ச்சியாளர்கள் பட பகுப்பாய்வு (Image Analysis) மற்றும் முறைப்படுத்தப்பட்ட காட்சி (Structured Vision) போன்ற சிக்கல்களைத் தீர்க்க முயன்றனர். 1980-களில், டேவிட் மார் (David Marr) போன்ற அறிஞர்கள், காட்சித் தகவலைப் பிரதிநிதித்துவப்படுத்துவதற்கான ஒரு கட்டமைப்பை உருவாக்கினர். இது கணினி பார்வை துறையில் ஒரு முக்கியமான திருப்புமுனையாக அமைந்தது. 2000-களின் பிற்பகுதியில், ஆழ்ந்த கற்றல் (Deep Learning) முறைகள் பிரபலமடைந்தன. இது கணினி பார்வையில் ஒரு புரட்சியை ஏற்படுத்தியது, மேலும் பல சிக்கலான காட்சிப் பணிகளைத் தீர்க்க வழிவகுத்தது.

அடிப்படை கருத்துக்கள்

கணினி பார்வையில் பல அடிப்படை கருத்துக்கள் உள்ளன. அவற்றில் சில முக்கியமானவை கீழே கொடுக்கப்பட்டுள்ளன:

• பட உருவாக்கம் (Image Formation): கேமராக்கள் எவ்வாறு படங்களை உருவாக்குகின்றன என்பதைப் புரிந்துகொள்வது அவசியம். ஒளி, லென்ஸ் மற்றும் சென்சார் ஆகியவற்றின் பண்புகள் பட உருவாக்கத்தில் முக்கிய பங்கு வகிக்கின்றன.
• பட செயலாக்கம் (Image Processing): இது படங்களின் தரத்தை மேம்படுத்துவதற்கும், அவற்றிலிருந்து பயனுள்ள தகவல்களைப் பிரித்தெடுப்பதற்கும் பயன்படுத்தப்படுகிறது. பட வடிகட்டிகள் (Image Filters), எல்லை கண்டறிதல் (Edge Detection) மற்றும் பட மேம்பாடு (Image Enhancement) ஆகியவை பட செயலாக்கத்தின் முக்கிய நுட்பங்களாகும்.
• அம்சப் பிரித்தெடுத்தல் (Feature Extraction): படங்களிலிருந்து முக்கியமான அம்சங்களைப் பிரித்தெடுப்பது கணினி பார்வையில் ஒரு முக்கியமான படியாகும். HOG (Histogram of Oriented Gradients), SIFT (Scale-Invariant Feature Transform) மற்றும் SURF (Speeded Up Robust Features) போன்ற அம்சப் பிரித்தெடுத்தல் முறைகள் பரவலாகப் பயன்படுத்தப்படுகின்றன.
• பொருள் கண்டறிதல் (Object Detection): படங்களில் உள்ள பொருட்களைக் கண்டறிவது மற்றும் அவற்றின் இருப்பிடத்தை நிர்ணயிப்பது பொருள் கண்டறிதலின் நோக்கமாகும். YOLO (You Only Look Once), SSD (Single Shot MultiBox Detector) மற்றும் Faster R-CNN போன்ற ஆழமான கற்றல் அடிப்படையிலான பொருள் கண்டறிதல் முறைகள் தற்போது பிரபலமாக உள்ளன.
• படப் பகுப்பாய்வு (Image Segmentation): ஒரு படத்தை பல பகுதிகளாகப் பிரிப்பது படப் பகுப்பாய்வு ஆகும். ஒவ்வொரு பகுதியும் ஒரு குறிப்பிட்ட பொருள் அல்லது பின்னணியைக் குறிக்கும். U-Net மற்றும் Mask R-CNN போன்ற முறைகள் படப் பகுப்பாய்விற்கு பயன்படுத்தப்படுகின்றன.

கணினி பார்வையில் பயன்படுத்தப்படும் தொழில்நுட்பங்கள்

கணினி பார்வையில் பல்வேறு தொழில்நுட்பங்கள் பயன்படுத்தப்படுகின்றன. அவற்றில் சில முக்கியமானவை:

• ஆழ்ந்த கற்றல் (Deep Learning): இது கணினி பார்வையில் மிகவும் பிரபலமான தொழில்நுட்பமாகும். கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள் (Convolutional Neural Networks - CNNs) படங்களை பகுப்பாய்வு செய்வதற்கும், அவற்றிலிருந்து அம்சங்களைப் பிரித்தெடுப்பதற்கும் சிறப்பாக வடிவமைக்கப்பட்டுள்ளன.
• இயந்திர கற்றல் (Machine Learning): இது கணினிகள் தரவுகளிலிருந்து கற்றுக்கொள்ள உதவும் ஒரு பரந்த துறை ஆகும். ஆதரவு திசையன் இயந்திரங்கள் (Support Vector Machines - SVMs), ரேண்டம் ஃபாரஸ்ட் (Random Forests) மற்றும் முடிவு மரங்கள் (Decision Trees) போன்ற இயந்திர கற்றல் முறைகள் கணினி பார்வையில் பயன்படுத்தப்படுகின்றன.
• பட செயலாக்கம் (Image Processing): இது படங்களின் தரத்தை மேம்படுத்துவதற்கும், அவற்றிலிருந்து பயனுள்ள தகவல்களைப் பிரித்தெடுப்பதற்கும் பயன்படுத்தப்படுகிறது.
• புள்ளியியல் (Statistics): இது தரவுகளின் பண்புகளைப் புரிந்துகொள்ளவும், மாதிரிகளை உருவாக்கவும் உதவுகிறது. கணினி பார்வையில், புள்ளியியல் முறைகள் படங்களின் அம்சங்களை பகுப்பாய்வு செய்யவும், பொருட்களை வகைப்படுத்தவும் பயன்படுத்தப்படுகின்றன.

பயன்பாட்டு பகுதிகள்

கணினி பார்வையின் பயன்பாட்டு பகுதிகள் மிகவும் பரந்தவை. சில முக்கியமான பயன்பாடுகள் கீழே கொடுக்கப்பட்டுள்ளன:

• தானியங்கி வாகனங்கள் (Autonomous Vehicles): கணினி பார்வை தானியங்கி வாகனங்களுக்கு சுற்றுப்புறத்தைப் புரிந்து கொள்ளவும், பாதைகளைத் திட்டமிடவும், பிற வாகனங்கள் மற்றும் பாதசாரிகளை அடையாளம் காணவும் உதவுகிறது.
• மருத்துவம் (Medicine): மருத்துவப் படங்களில் உள்ள கட்டிகள் மற்றும் பிற அசாதாரணங்களைக் கண்டறிய கணினி பார்வை பயன்படுத்தப்படுகிறது. இது நோய்களை முன்கூட்டியே கண்டறியவும், சிகிச்சை திட்டமிடவும் உதவுகிறது.
• தொழிற்சாலை ஆட்டோமேஷன் (Industrial Automation): கணினி பார்வை தொழிற்சாலைகளில் பொருட்களின் தரத்தை ஆய்வு செய்யவும், உற்பத்தி செயல்முறைகளை கண்காணிக்கவும், ரோபோக்களை இயக்கவும் பயன்படுத்தப்படுகிறது.
• பாதுகாப்பு (Security): கணினி பார்வை கண்காணிப்பு கேமராக்களில் இருந்து வரும் படங்களை பகுப்பாய்வு செய்து, சந்தேகத்திற்கிடமான நபர்களை அல்லது நிகழ்வுகளை அடையாளம் காண உதவுகிறது.
• விவசாயம் (Agriculture): பயிர்களின் ஆரோக்கியத்தை கண்காணிக்கவும், பூச்சிகள் மற்றும் நோய்களைக் கண்டறியவும், அறுவடை செய்ய வேண்டிய பழங்களை அடையாளம் காணவும் கணினி பார்வை பயன்படுத்தப்படுகிறது.
• முக அங்கீகாரம் (Face Recognition): இது பாதுகாப்பு அமைப்புகள், சமூக ஊடக பயன்பாடுகள் மற்றும் ஸ்மார்ட்போன்களில் பயன்படுத்தப்படுகிறது.
• பொருள் அங்கீகாரம் (Object Recognition): இது வர்த்தக நிலையங்களில் பொருட்களை அடையாளம் காணவும், பொருட்களை வகைப்படுத்தவும் பயன்படுகிறது.

சவால்கள்

கணினி பார்வையில் பல சவால்கள் உள்ளன. அவற்றில் சில முக்கியமானவை:

• ஒளி மாறுபாடு (Illumination Variation): வெவ்வேறு ஒளி நிலைகள் படங்களின் தோற்றத்தை மாற்றலாம், இது கணினி பார்வை அமைப்புகளுக்கு சவாலாக இருக்கலாம்.
• காட்சி மறைப்பு (Occlusion): ஒரு பொருளின் ஒரு பகுதி மற்றொரு பொருளால் மறைக்கப்பட்டால், அதை அடையாளம் காண்பது கடினமாக இருக்கலாம்.
• பின்னணி குழப்பம் (Background Clutter): சிக்கலான பின்னணி படங்கள் பொருள் கண்டறிதலை கடினமாக்கலாம்.
• தரவு பற்றாக்குறை (Data Scarcity): சில பயன்பாடுகளுக்கு போதுமான பயிற்சி தரவு கிடைப்பது கடினமாக இருக்கலாம்.
• கணக்கீட்டு சிக்கல்தன்மை (Computational Complexity): ஆழமான கற்றல் மாதிரிகள் அதிக கணக்கீட்டு சக்தி தேவைப்படலாம்.

எதிர்கால போக்குகள்

கணினி பார்வை துறையில் பல எதிர்கால போக்குகள் உள்ளன. அவற்றில் சில முக்கியமானவை:

• விளக்கமளிக்கும் AI (Explainable AI - XAI): கணினி பார்வை மாதிரிகள் எவ்வாறு முடிவுகளை எடுக்கின்றன என்பதைப் புரிந்துகொள்வது முக்கியம். XAI முறைகள் மாதிரிகளின் முடிவுகளை விளக்க உதவுகின்றன.
• குறைந்த தரவு கற்றல் (Few-Shot Learning): குறைந்த அளவு தரவுகளைக் கொண்டு மாதிரிகளைப் பயிற்றுவிக்கும் முறைகள் எதிர்காலத்தில் முக்கியத்துவம் பெறும்.
• சுய மேற்பார்வையிடப்பட்ட கற்றல் (Self-Supervised Learning): லேபிளிடப்படாத தரவுகளைப் பயன்படுத்தி மாதிரிகளைப் பயிற்றுவிக்கும் முறைகள் தரவு பற்றாக்குறையை சமாளிக்க உதவும்.
• 3D கணினி பார்வை (3D Computer Vision): 3D படங்களை பகுப்பாய்வு செய்வது மற்றும் 3D பொருட்களை உருவாக்குவது எதிர்காலத்தில் முக்கியத்துவம் பெறும்.
• நிகழ்நேர கணினி பார்வை (Real-Time Computer Vision): நிகழ்நேரத்தில் படங்களை பகுப்பாய்வு செய்யும் திறனை மேம்படுத்துவது தானியங்கி வாகனங்கள் மற்றும் ரோபோட்டிக்ஸ் போன்ற பயன்பாடுகளுக்கு முக்கியமானது.

தொடர்புடைய உத்திகள், தொழில்நுட்ப பகுப்பாய்வு மற்றும் அளவு பகுப்பாய்வு

• பட முன்தயாரிப்பு (Image Preprocessing): தரமான உள்ளீட்டை உறுதிப்படுத்த, இது முக்கியம்.
• அம்ச பொறியியல் (Feature Engineering): பொருத்தமான அம்சங்களைத் தேர்ந்தெடுப்பது மாதிரியின் செயல்திறனை அதிகரிக்கிறது.
• மாதிரி தேர்வு (Model Selection): குறிப்பிட்ட பணிக்கான சிறந்த மாதிரியைத் தேர்ந்தெடுப்பது அவசியம்.
• ஹைப்பர் அளவுரு சரிசெய்தல் (Hyperparameter Tuning): மாதிரியின் செயல்திறனை மேம்படுத்த இது அவசியம்.
• குறுக்கு சரிபார்ப்பு (Cross-Validation): மாதிரியின் பொதுமைப்படுத்தலை மதிப்பிட இது பயன்படுகிறது.
• செயல்திறன் அளவீடுகள் (Performance Metrics): துல்லியம், நினைவு, F1-ஸ்கோர் போன்ற அளவீடுகள் மாதிரியின் செயல்திறனை மதிப்பிட உதவுகின்றன.
• சீரற்ற காடுகள் (Random Forests): ஒரு பிரபலமான இயந்திர கற்றல் வழிமுறை.
• ஆதரவு திசையன் இயந்திரங்கள் (Support Vector Machines): வகைப்பாடு மற்றும் பின்னடைவுப் பணிகளுக்குப் பயன்படுத்தப்படுகிறது.
• கன்வல்யூஷனல் நரம்பியல் நெட்வொர்க்குகள் (Convolutional Neural Networks): பட பகுப்பாய்வில் பரவலாகப் பயன்படுத்தப்படுகிறது.
• மீண்டும் நிகழும் நரம்பியல் நெட்வொர்க்குகள் (Recurrent Neural Networks): தொடர் தரவுகளுக்கு ஏற்றது.
• ஜெனரேட்டிவ் அட்வர்சரியல் நெட்வொர்க்குகள் (Generative Adversarial Networks): புதிய படங்களை உருவாக்கப் பயன்படுகிறது.
• டிரான்ஸ்ஃபார்மர்கள் (Transformers): இயற்கை மொழி செயலாக்கத்தில் இருந்து கணினி பார்வைக்கு மாற்றப்பட்டுள்ளது.
• அட்டென்ஷன் மெக்கானிசம் (Attention Mechanism): முக்கியமான அம்சங்களில் கவனம் செலுத்த உதவுகிறது.
• பயிற்சி தரவு அதிகரிப்பு (Data Augmentation): பயிற்சி தரவின் அளவை அதிகரிக்கப் பயன்படுகிறது.
• பயிற்சி கற்றல் வளைவுகள் (Learning Curves): மாதிரியின் பயிற்சி முன்னேற்றத்தை கண்காணிக்க உதவுகிறது.

மேலும் தகவலுக்கு

• செயற்கை நுண்ணறிவு
• இயந்திர கற்றல்
• ஆழ்ந்த கற்றல்
• பட செயலாக்கம்
• பட பகுப்பாய்வு
• பொருள் கண்டறிதல்
• கன்வல்யூஷனல் நியூரல் நெட்வொர்க்குகள்
• தானியங்கி வாகனங்கள்
• மருத்துவப் பட பகுப்பாய்வு
• தொழிற்சாலை ஆட்டோமேஷன்
• முக அங்கீகாரம்
• HOG
• SIFT
• SURF
• YOLO
• SSD
• Faster R-CNN
• U-Net
• Mask R-CNN

இப்போது பரிவர்த்தனையை தொடங்குங்கள்

IQ Option-ல் பதிவு செய்யவும் (குறைந்தபட்ச டெபாசிட் $10) Pocket Option-ல் கணக்கு திறக்கவும் (குறைந்தபட்ச டெபாசிட் $5)

எங்கள் சமூகத்தில் சேருங்கள்

எங்கள் Telegram சேனலுக்கு சேர்ந்து @strategybin பெறுங்கள்: ✓ தினசரி பரிவர்த்தனை சமிக்ஞைகள் ✓ சிறப்பு உத்திகள் மற்றும் ஆலோசனைகள் ✓ சந்தை சார்ந்த அறிவிப்புகள் ✓ தொடக்க அடிப்படையிலான கல்வி பொருட்கள்