Реферат на тему компьютерное зрение

Обновлено: 05.07.2024

Компьютерное зрение — революционная технология, позволяющая автоматизировать многие процессы, связанные с работой, обучением и безопасностью. В этой статье мы подробно расскажем о сферах применения компьютерного зрения и перспективах этой технологии.

Перспективы компьютерного зрения

Развитие этой технологии – важная задача, без решения которой прогресс в мире интеллектуальных технологий будет идти слишком медленно. Итак, компьютерное зрение обладает следующими перспективами:

возможность использования в качестве коммерческого продукта;
полное исключение человеческого фактора;
автоматизация контроля безопасности, возможность создания автономных систем на основе компьютерного зрения.

Беспилотные автомобили

Контроль производственных процессов на заводах и фабриках

Автоматизация производства – мечта магнатов, которые хотят сократить расходы на персонал и уменьшить травмы в процессе работы. Производственные помещения могут оснащаться специальными камерами, которые смогут следить за производством лучше человека и контролировать все помещения и процессы одновременно. Анализ материалов в таких системах происходит практически мгновенно, что делает их совершенными.

Распознавание патологий на снимках МРТ или флюорографии

Неверное диагностирование онкологии на снимках – вина неопытных специалистов, из-за действий которых гибнут тысячи людей по всему миру. Диагноз, поставленный программным обеспечением, обученным на качественных наборах данных, в 93% случаев оказывается верным. Компьютерное зрение исключает человеческий фактор, который становится решающим в вопросе излечения онкологических заболеваний.

Видеоаналитика для обеспечения безопасности

Массовые теракты – проблема, которая появилась в конце 20 века и продолжается по сей день. Камеры, оснащённые специальным программным обеспечением, могут распознавать предметы в руках людей, выделять подозрительных личностей и помечать бывших преступников, ссылаясь на полицейские базы данных.

Распознавание лиц при проходе куда-либо вместо пропуска

Места с повышенной безопасностью требуют современных решений. Если сейчас для попадания в школу, госпиталь или на военный объект используются системы пропусков и турникетов, то в будущем они будут заменены на системы распознавания лиц. Здесь всё очень просто – датчик передаёт информацию программе, которая идентифицирует посетителя и делает выбор: впустить человека или нет.

Контроль поведения учеников в школах

Проблема буллинга в школах – основная причина подростковых самоубийств и испорченной детской психики. Камеры, установленные по всему учреждению, могут фиксировать агрессию со стороны учеников и вовремя сообщать об этом психологам, родителям и администрации.

Подсчёт количества машин и пешеходов для адаптивного управления дорожным движением

Регулирование трафика при помощи технологических средств – это философия интеллектуальных транспортных систем, которые не могут существовать без компьютерного зрения. Умные камеры будут использоваться для анализа числа машин на дорогах, а также пешеходов, чтобы собирать информацию, которая будет использоваться в оптимизации дорожного движения.

Диагностика состояния искусственных сооружений

Ситуации, когда здания разваливаются на части нередки. Часто это происходит с ветхими домами, которые отжили своё, но муниципальные службы не заметили, или не захотели заметить, факт разрушения здания. Компьютерное зрение может использоваться для постоянного наблюдения за сооружениями с целью избежать нежелательного исхода в виде обвала здания. К сооружениям, за которыми нужен контроль компьютерного зрения относятся:

мосты;
эстакады;
асфальтное покрытие;
сооружения культурного значения.

Контроль калорий при приёме пищи

Ожирение – результат слишком простой и комфортной жизни, при которой человеку остаётся только кушать и спать. Для похудения используется метод дефицита калорий, когда человек тратит больше энергии, чем получает. Разрабатываемые сейчас приложения, используя камеру смартфона как датчик, могут выявлять то, какие ингредиенты были использованы для приготовления блюда и рассчитать его общую калорийность. Единственный минус такой системы – невозможность автоматического определения объёма блюда, поэтому на помощь худеющим придут кухонные электронные весы.

Видеоигры и обучение с подкреплением для ИИ-систем

OpenAI – некоммерческая организация Илона Маска, которая занимается исследованием способов обучения нейронных сетей сложным действиям. Их разработка OpenAI Five успешно используется в DOTA 2 для игры с профессиональными игроками. Система не имеет полной информации о мире игры, что делает её честной по отношению к игрокам. Бот смог победить в 99% игр, проведённых в апреле 2019 года.

Заключение

Компьютерное зрение – важнейшее направление в мире искусственного интеллекта, которое может использоваться во всех сферах, начиная медициной, и заканчивая видеоиграми.

Компьютерное зрение это новая парадигма в искусственном интеллекте (в дальнейшем ИИ), где основываются не на символьной логике, а на технологиях вычислительного интеллекта.

Область применения этой технологии достаточно широка: от считывателей криптокодов и распознавания лиц до дополненной реальности.

Пожалуй, самый, распространенный случай машинного зрения на кассе в супермаркете. Конечно, мы говорим о чтении штрих-кода, который разработан именно для этих целей, чтобы максимально упростить процесс чтения на компьютере. Но есть более сложная задача - прочитать движущийся текст (номера и т.д.), для анализа медицинских изображений, распознавание лиц и др. Также активно развивается применение компьютерного зрения для повышения реальности.

Содержание

Разница между зрением человека и компьютера

Младенец учится распознавать образы постепенно. Он ассоциирует объект со своими первичными чувствами, при каких обстоятельствах он впервые его увидел и что он ему сделал хорошего или плохого (что также зависит от уже вложенных понятий в ребенка), начинает воспринимать объект с разных сторон, выделяет типичные характеристики для этого объекта и его поведение присваивает только этому образу благодаря чему в последствии и узнает его. В дальнейшем при распознавании объектов человек ориентируется на предыдущий опыт. За всю жизнь у человека накапливается огромное количество информации, процесс обучения нейронной сети не останавливается ни на секунду. Для нас не представляет особой сложности представить объект из одной реальности в другой благодаря накопленному опыту, мы ориентируемся на него придаем объекту тот тип поведения который знаем для него в другой реальности, например из двухмерной в трехмерную, и стараемся воспринять его проецируемые признаки.

Для компьютера эти задачи гораздо сложнее. В основном из-за накопления опыта, есть конечно и другие системы, которые предлагаю универсальные алгоритмы, которые по идее должны срабатывать для любого опыта, вне зависимости от знаний клиента – так называемые экспертные системы. Но к сожалению в технологиях компьютерного зрения их сложно применить так как они представляют собой другую парадигму ИИ работающую в символьном направлении.

Мальчик или девочка?

Так при создании алгоритма (свойств, признаков и методов) для определенного образа или объекта мы также его можем применять и на других объектах. Например для того, чтобы распознать какого пола человек перед нами – в основном это задача полиморфизма кода в ООП, но тут стоит сложность с нечеткими алгоритмами и что самое интересное в человеческом мозгу нечеткость алгоритма часто и равна проценту неточностей при решении задач распознавания, а в компьютерном алгоритме часто может произойти что 50% нечеткости дают 95% правильных решений, в то время как в другом применении 5% неточности дают 80% неверных решений. Вопрос нечеткого полиморфизма кода также весьма остро стоит и сегодня, хотя уже были весьма оригинальные решения, но они были очень спецефичны и узконаправленны (представляли собой очень узкий частный случай).

Машинное обучение

В реальных задачах, которые ставятся перед системами компьютерного зрения, характеризующих свойств и методов объекта гораздо больше. Определять их вручную и просчитывать зависимости – непосильная для человека задача. Поэтому в таких случаях без машинного обучения не обойтись никак. Например, можно определить несколько десятков первоначальных факторов, а также задать положительные и отрицательные примеры. А уже зависимости между этими факторами подбираются автоматически, составляется формула, которая позволяет принимать решения. Достаточно часто и сами характеризующие свойства и методы объекта выделяются автоматически.

Изображение в цифрах

Самый распространённый формат для хранения цифровых изображений цветовое пространство RGB. В нем каждой из трех каналов присваивается свой цвет: красный, зеленый и синий. На каждый канал выделяется по 8 бит информации, соответственно, интенсивность цвета на каждой оси может принимать значения в диапазоне от 0 до 255. И в итоге все цвета получаются путем смешивания 256 оттенков одного из трех основных цветов с другими двумя оттеками.

Но RGB не всегда идеально подходит для анализа информации. Опыты показывают, что геометрическая близость цветов достаточно далека до того, как человек воспринимает близость тех или иных оттенков друг к другу.

Но существуют и другие цветовые пространства. Очень интересно в этом отношении пространство HSV(Hue, Saturation, Value). Его основные ценности, Value, т.е. количество цвета, по сути черно белая ось. Это отдельный канал, не как в RGB вычисляемый каждый раз. По сути, это черно-белый вариант изображения, которая уже работает. Hue представителем угол и отвечает за тон. От Saturation (расстояние от центра к краю)цвета зависит насыщенность.

HSV намного ближе к естественному представлению цвета человеком. Если показать нам в темноте голубой и синий объект, мы не сможет различить цвета. В HSV в итоге получается тоже саоме. Чем ближе к началу по оси V мы продвигаемся, тем меньше становится разница между оттенками, снижаемый диапазоном значений насыщенности. На схеме это представлено конусом, вершиной которого будет предельно черная точка.

Цвет и свет

Почему так нужно иметь данные о глубине света в изображении? В большинстве случаев в компьютерном зрении цвет не имеет никакого значения, так как не несет никакой важной информации. Посмотрим на две картинки: цветную и черно-белую. Узнать все объекты на черно-белой версии не намного сложнее, чем на цветной. Дополнительной нагрузки для нас цвет в данном случае не несет никакой, а вычислительных проблем создает великое множество. Когда мы работаем с цветной версией изображения, объем данных, грубо говоря, возводится в степень куба.

Цвет используется лишь в редких случаях, когда это наоборот позволяет упростить вычисления. Например, когда нужно детектировать лицо: проще сначала найти его возможное расположение на картинке, ориентируясь на диапазон телесных оттенков. Благодаря этому отпадает необходимость анализировать изображение целиком.

Локальные и глобальные признаки

Признаки, накопленные нашим опытом, и при помощи которых мы воспринимаем изображение, бывают локальными и глобальными. Смотря на эту картинку, большинство людей скажет, что на ней изображена машина:

Это подразумевает, что выделен на изображении образ и описан локальный признак цвета. По большому счету в количественном подсчете по площади на картинке изображен дорога, лес и немного автомобиля. По площади лес занимает большую часть. Но мы понимаем, что красная машина на этой картинке – самый главный объект (хотя опять же это зависит от накопленного опыта, например какой ни будь ярый биолог, может сказать, что на этой картинке самый главный объект это лес). И если человеку предложить найти похожие картинки, он будет в первую очередь отбирать изображения, на которых присутствует красная машина.

Ярким примером организации таких вычислений был робот, представленный на выставке в Ганновере целиком основанного на вычислительных технологиях интеллекта. С нейрочипами, нечеткими контроллерами, генетическими алгоритмами и средствами гибридизации. Здесь нечеткая система играет роль мозга, нейросеть играет роль глаз, а генетические алгоритмы как бы оптимизируют работу этих глаз, не позволяя им попадать в локальные экстремумы и помогая попадать в поисках глобального экстремума.

Детектирование и сегментация

Сегментация – это разделение изображения на части, связанные друг с другом семантически, либо визуально. А детектирование – это нахождение объектов или образов на изображении. Детектирование нужно четко отличать от распознавания. Допустим, на той же картинке с автомобилем нужно детектировать животное преграждающее путь, но распознать его невозможно, так как оно слишком далеко и не дает увидеть всех своих особенностей. Так же при нахождении лиц фотоаппаратом, он может определить расположение лица, а распознать уже не сможет.

Дескрипторы и визуальные слова

Также один из подходов к распознаванию такой:

На изображения сначала выбиратся " интересные " точки или "интересных" места, отличных от фона яркие пятна, переходы и др. Существует несколько алгоритмов, чтобы сделать это.

Кроме того, эти области, описаные в цифровой виде, разделяются на небольшие участки, чтобы определить, что в какую сторону получают векторы.

На картинке ниже изображено, как это примерно выглядит. Полученные данные записываются в дескрипторы.

Одинаковые дескрипторы независимо от поворота вектора в плоскости разворачиваются так, чтобы самые большие векторы были повернуты в одну сторону. Делается это далеко не всегда, только если нужно обнаружить два одинаковых объекта, расположенных в разных местах.

Дескрипторы можно записывать в числовом виде. Дескриптор можно представить в виде точки в многомерном массиве. У нас на иллюстрации двумерный массив. В него попали наши дескрипторы. И мы можем их кластеризовать – разбить на группы.

Дальше мы для каждого кластера описываем область в пространстве. Когда дескриптор попадает в эту область, для нас становится важным не то, каким он был, а то, в какую из областей он попал. И дальше мы можем сравнивать изображения, определяя, сколько дескрипторов одного изображения оказались в тех же кластерах, что и дескрипторы другого изображения. Такие кластеры можно называть визуальными словами.

Чтобы находить не просто одинаковые картинки, а изображения похожих объектов, требуется взять множество изображений этого объекта и множество картинок, на которых его нет. Затем выделить из них дескрипторы и кластеризовать их. Далее нужно выяснить, в какие кластеры попали дескрипторы с изображений, на которых присутствовал нужный нам объект. Теперь мы знаем, что если дескрипторы с нового изображения попадают в те же кластеры, значит, на нем присутствует искомый объект.

Совпадение дескрипторов – еще не гарантия идентичности содержащих их объектов. Один из способов дополнительной проверки – геометрическая валидация. В этом случае проводится сравнение расположения дескрипторов относительно друг друга.

Распознавание и классификация

Для простоты представим, что мы можем разбить все изображения на три класса: архитектура, природа и портрет. В свою очередь, природу мы можем разбить на растения животных и птиц. А уже поняв, что это птица, мы можем сказать, какая именно: сова, чайка или ворона.

Разница между распознаванием и классификацией достаточно условна. Если мы нашли на картинке сову, то это скорее распознавание. Если просто птицу, то это некий промежуточный вариант. А если только природу – это определенно классификация. Т.е. разница между распознаванием и классификацией заключается в том, насколько глубоко мы прошли по дереву. И чем дальше будет продвигаться компьютерное зрение, тем ниже будет сползать граница между классификацией и распознаванием.

B современной жизни без компьютера уже не обойтись. Кроме незаменимой помощи, компьютер отрицательно влияет на здоровье человека, особенно зрение. Но существуют способы минимизации отрицательного влияния.

Актуальность

Хорошее зрение очень важно. Природа побеспокоилась об этом: веки и ресницы защищают глаза от яркого света и пыли; если в глаз попадает соринка, её смывают слёзы; брови задерживают капельки пота, стекающие со лба, и не дают попасть им в глаза. И мы тоже должны позаботиться о том, чтобы надолго сохранить хорошее зрение.

Сейчас, почти в каждом доме стоит компьютер. Ученики выполняют домашние задания, используя новые информационные технологии. Школьники с большим интересом общаются через глобальную сеть Интернет. Компьютерные игры занимают большое время современного школьника. А ведь многие и не подозревают, что компьютер опасен для здоровья и психики человека. Зрение школьника страдает одним из первых. Необходимо задуматься, а стоит ли так рисковать своим здоровьем? А может быть пришло время узнать, как сделать так, что бы компьютер стал твоим другом, а не врагом.

Наши глаза – один из самых подвижных и самых загруженных работой органов. Он устроен как подвижная оптическая система, например фотоаппарат. Когда мы фотографируем, то для наведения на резкость двигаем линзы объектива взад и вперед. Так и хрусталик, поддерживаемый мышцами внутри глаза, двигается взад и вперед, фокусируя изображение на сетчатке. При частой смене фокусного расстояния или тогда, когда человек долго рассматривает детали удаленного предмета, мышцы глаз, сильно устают. В ответ на перегрузку происходит спазм мышц, или "спазм аккомодации", как выражаются врачи. Это и есть то, что многие называют "усталостью глаз".

Изображения на мониторе представляют собой комбинации крошечных точек света (пикселей), которые в центре ярче, чем по краям. Это затрудняет удержание фокуса на них для наших глаз, что в свою очередь приводит к напряжению и усталости глаз во время и после работы на компьютере.

Экранное изображение отличается от естественного тем, что оно:

— самосветящееся, а не отраженное;

— не непрерывное, а состоит из дискретных точек — пикселей;

— мерцающее, т. е. точки с определенной частотой зажигаются и гаснут;

— не имеет четких границ (как на бумаге), потому что пиксель имеет не ступенчатый, а плавный перепад яркости с фоном.

Из-за этого зрительная нагрузка существенно возрастает.

Тот же самый эффект имеет и необходимость постоянного перемещения взора с экрана монитора на клавиатуру и на бумажный текст. При такой постоянной нагрузке глаза человека быстро устают, особенно сильно это выражено у детей, поскольку их глаза и мышцы, которые ими управляют, еще не окрепли.

Ребенок жалуется на боль в глазах, часто моргает, избегает света, у него ухудшается зрение и все плывет перед глазами. Заболевания глаз развивающиеся при длительной работе за компьютером:

затуманивание зрения (снижение остроты зрения);

замедленная перефокусировка с ближних предметов на дальние;

быстрое утомление при чтении.

жжение в глазах;

чувство "песка" под веками;

боли в области глазниц и лба;

боли при движении глаз;

покраснение глазных яблок.

Работа за дисплеем ребенка может вызывать необратимые последствия для глаз. Оптический аппарат в подростковом и молодом возрасте еще продолжает формироваться. И при длительной работе с дисплеями часто возникает и быстро прогрессирует приобретенная близорукость.

Рассмотрим результаты анкетирования.

1.Сначала выясним, какой процент опрашиваемых (27 учащихся) имеет дома персональные компьютеры.

100% учащихся имеют персональные компьютеры дома.

2. Далее выясним чем предпочитают заниматься ученики 4 А класса в свободное время:

Прогулки на свежем воздухе – 7 человек 26%;

Общение с друзьями – 11 человек 41%;

Общение с родителями – 2 человек;

Занятия за компьютером – 8 человек.

3. Теперь выясним, сколько времени учащиеся проводят за компьютером. Общая диаграмма выглядит так.

Из диаграммы видно, что более 3-х часов за компьютером работают 11% учащихся, а если прибавить сюда ещё 4%, работающих 3 часа, что тоже много это уже 15 %. Радует, что большинство учащихся 15% проводят время за компьютером менее 30 минут.

Следующий 4 вопрос. Задумывался ли ты о защите своего зрения?

Да 23 человека-85%

Нет 4 человека-15%

5.Какие способы для защиты зрения ты знаешь?

Никакие 18 человек-67%

Свой способ. (напиши ниже) 9 человек-33%

Анализ анкет подтвердил, что учащиеся в нашей школе много времени проводят за компьютером, поэтому исследование воздействия компьютера на зрение человека и информирование учащихся по вопросу сохранения зрения – актуально.

Использование официальных данных о росте глазных заболеваний

4 А класса. Сведения любезно предоставил школьный фельдшер Шкуратова Наталья Владимировна.

Проблемы со зрением возникли у 13 человек, а это уже 48% нашего класса. Данные явно указывают на прогрессирующие развитие близорукости у школьников, что вызывает тревогу у медиков и родителей школьников.

Защитный экран.

Для производства защитных экранов может использоваться металлическая сетка, пластик или оптическое стекло. Сеточных экранов следует избегать. Они помогают защититься от электромагнитного излучения, но затрудняют зрительное восприятие.

Пластиковые экраны отлично повышают. Такой экран эффективно сокращает количество отсветов, но не защищает от электромагнитного излучения. Еще один минус пластика – в его хрупкости. Материал быстро покрывается царапинами и легко мутнеет.

Лучшим выбором является защитный экран из оптического стекла. Он улучшает качество изображения, делая его более четким, служит прекрасным барьером для электромагнитного излучения. При этом стеклянная поверхность не помутнеет от моющих средств, и устойчив к царапинам.

Защитные очки.

Отличной защитой для глаз являются компьютерные очки. Они имеют специальные линзы, предназначенные для того чтобы уменьшить симптомы, связанные с компьютерным зрительным синдромом.

Многослойный фильтр, который наносится на стекла компьютерных очков поглощает лучи сине-фиолетового спектра. Защитные очки для компьютера не имеют противопоказаний.

Кроме всего прочего в них очень комфортно находиться в помещениях с люминесцентными лампами. На улице в солнечную погоду покрытие компьютерных очков надежно защищает от ультрафиолетовых лучей. В этом случае антибликовые очки для компьютера выполняют двойную пользу для их владельцев.

Но даже самые продвинутые компьютерные очки не способны полностью защитить наши глаза от опасных симптомов, возникающих вследствие ежедневной продолжительной работы за компьютером.

По мнению окулистов, такие очки действительно способствуют снятию усталости, избавляют от головных болей, предотвращают ухудшение зрения. Тем не менее, очки – не панацея. Они помогают делать пребывание за монитором более комфортным и безопасным, но не спасают от ухудшения самочувствия, если вы нарушаете правила гигиены зрения.

Правила гигиены. Время работы за компьютером.

.5-6 лет Þ 10 минут

Высота стола должна регулироваться от 680 до 800мм, если это невозможно, стол должен быть высотой 725 мм и иметь подставку для ног. Кресло пользователя обязательно должно быть подъемно-поворотным и регулируемым по высоте и углам наклона сиденья и спинки, а также по расстоянию спинки от переднего края сиденья. Рабочее место должно быть оснащено пюпитром для документов, расположенных вблизи экрана.

Расстояние от глаз пользователя до экрана монитора должно быть не менее 50 см, оптимально – 60 – 70см.

Дополнительные источники должны использоваться только для подсветки документов и не создавать бликов на поверхности экрана. Естественный свет из окон должен падать сбоку, желательно слева.

При повышенных зрительных нагрузках хорошо помогают несложные упражнения

время от времени моргайте в течение 30 секунд. Смотрите прямо перед собой две – три секунды, затем вытяните вперёд руки и зафиксируйте взгляд на кончике среднего пальца. Через 5 секунд руки опустите. Повторите упражнение 10 раз.

Быстро поморгать, закрыть глаза и посидеть спокойно, медленно считая до 5. Повторить 4-5 раз.

Крепко зажмурить глаза, считать до трех, открыть глаза и посмотреть в даль. Повторить 4-5 раз.

Вытянуть правую руку вперед. Следить глазами не поворачивая головы, за медленными движениями указательного пальца вытянутой руки влево, вправо, вверх, вниз и по восьмерке на боку. Повторить 4-5 раз.

В среднем темпе проделать 3-4 круговых движений в правую сторону столько же в левую, расслабив глазные мышцы посмотреть в даль на счет 1-6. Повторять 2-3 раза.

Напоследок легонько помассируйте веки. Этот нехитрый комплекс способствует улучшению кровообращения, снимает утомление глаз и улучшает циркуляцию внутренней жидкости.

Не менее важное условие сохранения зрения - правильное питание. Существует множество овощей и фруктов, которые положительно воздействуют на зрение. Вот список из самых важных полезных для глаз продуктов.

Морковь содержит витамин А, недостаток которого может привести к ночной слепоте.

Шпинат : защищает глаза от болезней. В нем найден лютеин. Он защищает глаза от катаракты.

Фрукты : такие как киви, апельсины, черника полны витамина С, который выводит из организма свободные радикалы, которые могут оказать негативное влияние на зрение.

Соя : содержит незаменимые жирные кислоты, витамин Е и натуральные противовоспалительные вещества, полезные для глаз.

Чеснок : содержит серу, положительно воздействующую на глаза. Лук также богат на серу.

Абрикосы : В них много витамина А, защищающего глазки от негатива свободных радикалов. Они также содержат каротеноиды, улучшающие зрение.

Яйца : содержат серу, лютеин, цистеин, амино-кислоты. Они также защищают глаза от катаракты.

Лосось и сардины : В них много омега 3 жирных кислот, положительно воздействующих на зрение.

Брокколи : содержит вещества, полезные для глазных хрусталиков. Кроме того, эти каротиноиды защищают глазные клетки от свободных радикалов.

Черный Шоколад : Он содержит флаваноиды, которые защищают кровеносные сосуды глаз. В результате этого, роговая оболочка остаются сильной. Однако заметьте, такой эффект дает только чистый темный шоколад без примесей.

Изучая литературу, я узнал, какие заболевания по зрению, характерны для пользователей ПК, а так же что периодический перевод взгляда с экрана на клавиатуру вызывает напряжение глазных мышц, которое усиливается световой пульсацией экрана. Таким образом, нагрузка на глаза при общении с компьютером существенно отличается от нагрузки при других видах зрительной работы - чтения, например, или даже просмотра телепередачи. Поэтому работа для школьников, в том числе длительность их общения с компьютером, должна строго нормироваться.

В своей работе я показал как можно защитить свое зрение.

В исследовании приведены примеры, как можно защитить зрение от отрицательного влияния монитора при длительной работе за ПК.

Таким образом, гипотеза исследования доказана. Цель работы достигнута, задачи решены.

Полученные знания думаю, понадобятся не только мне, но и одноклассникам. В данной работе я не рассматривал все факторы влияющие на здоровье, а только зрение, но заинтересовался и в дальнейшем хочу изучить влияние компьютера на психическое состояние школьника – моё исследование будет продолжено.

А.А.Сурков. Энциклопедия. О влиянии компьютерной техники на зрение человека

Зрительный компьютерный синдром

Для проведения исследования влияния компьютера на зрение человека ответь, пожалуйста, на вопросы. Выбери один вариант ответа в каждом вопросе.

Компьютерное зрение — теория и технология создания машин, которые могут производить обнаружение, слежение и классификацию объектов.

Как научная дисциплина, компьютерное зрение относится к теории и технологии создания искусственных систем, которые получают информацию из изображений. Видеоданные могут быть представлены множеством форм, таких как видеопоследовательность, изображения с различных камер или трехмерными данными, например с устройства Kinect или медицинского сканера.

Как технологическая дисциплина, компьютерное зрение стремится применить теории и модели компьютерного зрения к созданию систем компьютерного зрения. Примерами применения таких систем могут быть:

Системы управления процессами (промышленные роботы, автономные транспортные средства)
Системы видеонаблюдения
Системы организации информации (например, для индексации баз данных изображений)
Системы моделирования объектов или окружающей среды (анализ медицинских изображений, топографическое моделирование)
Системы взаимодействия (например, устройства ввода для системы человеко-машинного взаимодействия)
Системы дополненной реальности
Вычислительная фотография, например для мобильных устройств с камерами

Компьютерное зрение также может быть описано как дополнение (но не обязательно противоположность) биологическому зрению. В биологии изучается зрительное восприятие человека и различных животных, в результате чего создаются модели работы таких систем в терминах физиологических процессов. Компьютерное зрение, с другой стороны, изучает и описывает системы компьютерного зрения, которые выполнены аппаратно или программно. Междисциплинарный обмен между биологическим и компьютерным зрением оказался весьма продуктивным для обеих научных областей.

Подразделы компьютерного зрения включают воспроизведение действий, обнаружение событий, слежение, распознавание образов, восстановление изображений и некоторые другие.

Содержание

Современное положение

Область компьютерного зрения может быть охарактеризована как молодая, разнообразная и динамично развивающаяся. И, хотя существуют более ранние работы, можно сказать, что только с конца 1970-х началось интенсивное изучение этой проблемы, когда компьютеры смогли управлять обработкой больших наборов данных, таких как изображения. Однако, эти исследования обычно начинались с других областей, и, следовательно, нет стандартной формулировки проблемы компьютерного зрения. Также, и это даже более важно, нет стандартной формулировки того, как должна решаться проблема компьютерного зрения. Вместо этого, существует масса методов для решения различных строго определённых задач компьютерного зрения, где методы часто зависят от задач и редко могут быть обобщены для широкого круга применения. Многие из методов и приложений все ещё находятся в стадии фундаментальных исследований, но все большее число методов находит применение в коммерческих продуктах, где они часто составляют часть более большой системы, которая может решать сложные задачи (например, в области медицинских изображений или измерения и контроля качества в процессах изготовления). В большинстве практических применений компьютерного зрения компьютеры предварительно запрограммированны для решения отдельных задач, но методы, основанные на знаниях, становятся все более общими.

Важную часть в области искусственного интеллекта занимает автоматическое планирование или принятие решений в системах, которые могут выполнять механические действия, такие как перемещение робота через некоторую среду. Этот тип обработки обычно нуждается в входных данных, предоставляемых системами компьютерного зрения, действующими как видеосенсор и предоставляющими высокоуровневую информацию о среде и роботе. Другие области, которые иногда описываются как принадлежащие к искусственному интеллекту и которые используются относительно компьютерного зрения, это распознавание образов и обучающие методы. В результате, компьютерное зрение иногда рассматривается как часть области искусственного интеллекта или области компьютерных наук вообще.

Физика является другой наукой, которая связана с компьютерным зрением. Значительная часть компьютерного зрения имеет дело с методами, которые требуют досконального понимания процесса, в котором электромагнитное излучение, обычно в области видимого или инфракрасного диапазона, отражается поверхностью объектов и измеряется датчиком изображения, чтобы получить видеоданные. Этот процесс основан на оптике и физике твердого тела. Более сложные датчики изображения даже требуют знания квантовой механики для полного понимания процесса формирования изображения. Также, различные проблемы измерений в физике могут быть разрешены, используя компьютерное зрение (например, относящиеся к движению в жидкостях).

Ещё одной областью, связанной с компьютерным зрением, является обработка сигналов. Многие методы обработки одномерных сигналов, обычно временных сигналов, могут быть естественным путем расширены для обработки двумерных или многомерных сигналов в компьютерном зрении. Однако, из-за своеобразной природы изображений, существует много методов, разработанных в области компьютерного зрения, не имеющих аналогов в области обработки одномерных сигналов. Особым свойством этих методов является их нелинейность, что, вместе с многомерностью сигнала, делает соответствующую подобласть в обработке сигналов частью области компьютерного зрения.

Помимо упомянутых подходов к проблеме компьютерного зрения, многие из исследуемых вопросов могут быть изучены с чисто математической точки зрения. Например, многие методы основываются на статистике, методах оптимизации или геометрии. Наконец, большие работы ведутся в области практического применения компьютерного зрения, того, как существующие методы могут быть реализованы программно и аппаратно или как они могут быть изменены с тем, чтобы достичь высокой скорости работы без существенного увеличения потребляемых ресурсов.

Связанные области

Компьютерное зрение, Обработка изображений, и Машинное зрение - тесно связанные области. Но до сих пор точно не определено, являются ли они разделами одной, более широкой. При детальном анализе может показаться, что это лишь разные названия одной и той же области. Чтобы не возникало путаницы, принято различать их как направления, сфокусированные на определённом предмете изучения. Ниже представлено описание некоторых из них, наиболее важных:

Обработка изображений или анализ изображений, в основном сосредоточены на работе с двухмерными изображениями, то есть как преобразовать одно изображение в другое. Например, попиксельные операции увеличения контрастности, операции по выделению краёв, устранению шумов или геометрические преобразования, такие как Аффинные преобразования. Данные операции предполагают, что обработка/анализ изображения действуют независимо от содержания самих изображений.

Компьютерное зрение сосредотачивается на обработке трехмерных сцен, спроектированных на одно или несколько изображений. Например, восстановлением структуры или другой информации о трехмерной сцене по одному или нескольким изображениям. Компьютерное зрение часто зависит от более или менее сложных допущений относительно того, что представлено на изображениях.

Машинное зрение сосредотачивается на применении, в основном промышленном, например, автономные роботы и системы визуальной проверки и измерений. Это значит, что технологии датчиков изображения и теории управления связаны с обработкой видеоданных для управления роботом и обработка данных в реальном времени осуществляется аппаратно или программно.

Также существует область, названная Визуализация, которая первоначально была связана с процессом создания изображений, но иногда имела дело с обработкой и анализом. Например, рентгенография работает с анализом видеоданных медицинского применения.

Наконец, распознавание образов является областью, которая использует различные методы для получения информации из видеоданных, в основном, основанные на статистическом подходе. Значительная часть этой области посвящена практическому применению этих методов.

Примеры применения компьютерного зрения

Одним из наиболее важных применений является обработка изображений в медицине. Эта область характеризуется получением информации из видеоданных для постановки медицинского диагноза пациентам. В большинстве случаев, видеоданные получают с помощью микроскопии, рентгенографии, ангиографии, ультразвуковых исследований и томографии. Примером информации, которая может быть получена из таких видеоданных является обнаружение опухолей, атеросклероза или других злокачественных изменений. Также примером может быть измерение размеров органов, кровотока и т. д. Эта прикладная область также способствует медицинским исследованиям, предоставляя новую информацию, например, о строении мозга или качеству медицинского лечения.

Другой прикладной областью компьютерного зрения является промышленность. Здесь информацию получают для целей поддержки производственного процесса. Примером может служить контроль качества, когда детали или конечный продукт автоматически проверяются на наличие дефектов. Другим примером является измерение положения и ориентации деталей, поднимаемых рукой робота.

Одними из новых областей применения являются автономные транспортные средства, включая подводные, наземные (роботы, машины), воздушные. Уровень автономности изменяется от полностью автономных (беспилотных) до транспортных средств, где системы, основанные на компьютерном зрении, поддерживают водителя или пилота в различных ситуациях. Полностью автономные транспортные средства используют компьютерное зрение для навигации, то есть для получения информации о месте своего нахождения, для создания карты окружающей обстановки, для обнаружения препятствий. Они также могут быть использованы для определённых задач, например, для обнаружения лесных пожаров. Примерами таких систем могут быть система предупредительной сигнализации о препятствиях на машинах и системы автономной посадки самолетов. Некоторые производители машин демонстрировали системы автономного управления автомобилем, но эта технология все ещё не достигла того уровня, когда её можно запустить в массовое производство.

Другие области применения включают:

Поддержку создания видеоэффектов для кино и телевидения
Наблюдение

Типичные задачи компьютерного зрения

Каждая из областей применения компьютерного зрения, описанных выше, связана с рядом задач; более или менее хорошо определённые проблемы измерения или обработки могут быть решены с использованием множества методов. Некоторые примеры типичных задач компьютерного зрения представлены ниже.

Распознавание

Классическая задача в компьютерном зрении, обработке изображений и машинном зрении это определение содержат ли видеоданные некоторый характерный объект, особенность или активность. Эта задача может быть достоверно и легко решена человеком, но до сих пор не решена удовлетворительно в компьютерном зрении в общем случае: случайные объекты в случайных ситуациях.

Существующие методы решения этой задачи эффективны только для отдельных объектов, таких как простые геометрические объекты (например, многогранники), человеческие лица, печатные или рукописные символы, автомобили и только в определённых условиях, обычно это определённое освещение, фон и положение объекта относительно камеры.

В литературе описано различное множество проблем распознавания:

Распознавание: один или несколько предварительно заданных или изученных объектов или классов объектов могут быть распознаны, обычно вместе с их двухмерным положением на изображении или трехмерным положением в сцене.
Идентификация: распознается индивидуальный экземпляр объекта. Примеры: идентификация определённого человеческого лица или отпечатка пальцев или автомобиля.
Обнаружение: видеоданные проверяются на наличие определённого условия. Например, обнаружение возможных неправильных клеток или тканей в медицинских изображениях. Обнаружение, основанное на относительно простых и быстрых вычислениях иногда используется для нахождения небольших участков в анализируемом изображении, которые затем анализируются с помощью приемов, более требовательных к ресурсам, для получения правильной интерпретации.

Существует несколько специализированных задач, основанных на распознавании, например:

Поиск изображений по содержанию: нахождение всех изображений в большом наборе изображений, которые имеют определённое содержание. Содержание может быть определено различными путями, например в терминах схожести с конкретным изображением (найдите мне все изображения похожие на данное изображение), или в терминах высокоуровневых критериев поиска, вводимых как текстовые данные (найдите мне все изображения, на которых изображено много домов, которые сделаны зимой и на которых нет машин).
Оценка положения: определение положения или ориентации определённого объекта относительно камеры. Примером применения этой техники может быть содействие руке робота в извлечении объектов с ленты конвейера на линии сборки.
Оптическое распознавание знаков: распознавание символов на изображениях печатного или рукописного текста, обычно для перевода в текстовый формат, наиболее удобный для редактирования или индексации (например, ASCII).

Движение

Несколько задач, связанных с оценкой движения, в которых последовательность изображений (видеоданные) обрабатываются для нахождения оценки скорости каждой точки изображения или 3D сцены. Примерами таких задач являются:

Определение трехмерного движения камеры
Слежение, то есть следование за перемещениями объекта (например, машин или людей)

Восстановление сцены

Даны два или больше изображения сцены, или видеоданные. Восстановление сцены имеет задачей воссоздать трехмерную модель сцены. В простейшем случае, моделью может быть набор точек трехмерного пространства. Более сложные методы воспроизводят полную трехмерную модель.

Восстановление изображений

Задача восстановления изображений это удаление шума (шум датчика, размытость движущегося объекта и т. д.). Наиболее простым подходом к решению этой задачи являются различные типы фильтров, таких как фильтры нижних или средних частот. Более сложные методы используют представления того, как должны выглядеть те или иные участки изображения, и на основе этого их изменение.

Более высокий уровень удаления шумов достигается в ходе первоначального анализа видеоданных на наличие различных структур, таких как линии или границы, а затем управления процессом фильтрации на основе этих данных.

Системы компьютерного зрения

Реализация систем компьютерного зрения сильно зависит от области их применения, аппаратной платформы и требований по производительности. Некоторые системы являются автономными и решают специфические проблемы детектирования и измерения, тогда как другие системы составляют под-системы более крупных систем, которые уже могут содержать подсистемы контроля механических манипуляторов (роботы), информационные базы данных (поиск похожих изображений), интерфейсы человек-машина и (компьютерные игры) т.д. Однако, существуют функции, типичные для многих систем компьютерного зрения.

Читайте также: