بایگانی برچسب برای: نرم افزار کنترل تردد

رباتیک چیست؟ قسمت 1

رباتیک

رباتیک شاخه ای میان رشته ای از مهندسی و علم است که شامل مهندسی مکانیک ، مهندسی برق و علوم رایانه و چند رشته دیگر می‌شود . رباتیک شامل طراحی ، ساخت ، راه اندازی و استفاده از رباتها می شود، همچنین مانند سیستم های رایانه ای ، کنترل ، بازخورد حسگرها و پردازش اطلاعات نیز در این گروه قرار می گیرند.

برای آشنایی بیشتر با ربات میتوانید به نوشته ربات چیست مراجعه نمایید.

این فناوریها استفاده می شوند تا ماشینها را به گونه ای ارتقا دهند که جایگزین انسان گردند. رباتها می توانند در هر موقعیت و برای هر منظوری به کار بروند ولی امروزه بسیاری از آنها در محیط های خطرناک ( مانند تشخیص و غیر فعال سازی بمبها ) ، فرآیندهای تولید یا مکانهایی که انسان قادر به حیات نیست ، استفاده می شوند. رباتها می توانند به هر شکل و قیافه ای باشند ولی بعضی از آنها طراحی می شوند تا شبیه انسان به نظر برسند. گفته می‌شود که این کار به این دلیل صورت می گیرد تا رفتارهای این رباتها که از مردم عادی تقلید می‌شود ، بیشتر مورد قبول قرار گیرد. تلاش می‌شود که رباتهای انسان نما بتوانند راه رفتن ، حرف زدن ، شناختن و مخصوصا هر چیزی را که انسان می‌تواند انجام دهد ، تقلید کنند . خیلی از رباتهای امروزی که از طبیعت الهام گرفته شده اند ، در پهنه رباتهای مقلد موجودات زنده قرار می گیرند.

سیستم دست رباتی سایه

ایده ایجاد ماشینهایی که بتوانند به شکل خودکار کار کنند ، به دوران قدیم بازمی گردد ولی تحقیق اساسی در مورد به کاربرد رساندن و استفاده های بالقوه از رباتها تا قرن بیستم انجام نشده بود. در طول تاریخ بارها خاطر نشان شده است که یک روز رباتها خواهند توانست رفتار انسانها را تقلید کنند و کارها را به شیوه مشابه انسان انجام دهند . امروزه رباتیک یک حوزه از علم با رشد سریع است. ، همزمان با ادامه پیشربتهای تکنولوژی ؛ تحقیق ، طراحی و ساخت رباتهای جدید در خدمت اهداف عملی متعددی در حوزه های خانگی ، صنعتی و نظامی انجام می گیرد. بسیاری از رباتها برای انجام شغلهای خطرناک برای مردم انجام وظیفه می کنند ، مانند کار کردن در خنثی سازی بمب ، یافتن بازمانده های زیر آوارهای غیر پایدار ، مین یابی یا جستجوی کشتی های غرق شده .

رباتیک همچنین به عنوان یک هدف آموزشی در مجموعه چند گانه علم ، تکنولوژی ، مهندسی و ریاضی نیز به کار می رود.

ریشه شناسی

رباتیک از کلمه ربات مشتق شده است . خود کلمه ربات برای اولین بار توسط نویسنده ای از اهالی چکسلواکی به نام کارل چاپک و در نمایشنامه ای به اسم کارخانه ربات سازی روسوم در سال 1920 معرفی شد. کلمه روبات از واژه اسلاوی ” روبوتا ” به دست آمده است که در اصل به معنی کارگر به کار می رود. نمایشنامه در مورد یک کارخانه است که آدم های مصنوعی به نام ربات ها تولید می کند ؛ موجوداتی که می توانند با انسانها اشتباه گرفته شوند و این بسیار مشابه ایده های مدرن امروزی در مورد انسان نماها است. کارل چاپک این کلمه را متعلق به خودش نمی داند ، وی یک نامه کوتاه به قسمت ریشه شناسی لغات در فرهنگ انگلیسی آکسفورد نوشته است که در آن برادرش جوزف چاپک را به عنوان ابداع کننده اصلی این کلمه نام برده است.

مطابق فرهنگ انگلیسی آکسفورد کلمه رباتیک اولین بار در نوشته ای توسط آیزاک آسیموف ، در قسمتی از یک داستان کوتاه علمی تخیلی به نام “دروغگو” به کار برده شد. این داستان اولین بار در مجله علمی تخیلی استوندینگ چاپ شد. در آن هنگام آسیموف خودش نمی دانست که این کلمه به نام او ثبت خواهد شد ؛ وی فکر می کرد همان گونه که علم و تکنولوژی مربوط به وسایل الکترونیکی را الکترونیک می نامند ، پس رباتیک به علم و تکنولوژی مربوط به رباتها اشاره خواهد داشت . آسیموف در بعضی از آثارش خاطر نشان می کند که اولین کاربرد کلمه رباتیک در داستان کوتاه او به نام “سرگردانی” ( مجله علمی تخیلی استوندینگ ، مارس 1942 ) بوده است ولی باید توجه کرد که چاپ اصلی داستان “دروغگو” ده ماه پیش از “سرگردانی” بوده است ، بنابراین عموما داستان قدیمی تر به عنوان منشا کلمه شناخته می شود.

منبع

رباتیک، علمی با هدف راحتی انسان

اگر فردی علاقه‌مند به تکنولوژی هستید یا اخبار روز دنیا را در زمینه‌های مختلف علمی دنبال می‌کنید، حتما متوجه شده‌اید، همان گونه که امروزه ربات‌ها در بسیاری از مسائل مانند: ” صنعت، پزشکی، آتش نشانی ، حتی در خانه‌ها و ...” به کمک انسان‌ها امده و بسیاری از مشکلات را حل کرده است، تاثیر وسیعی در زندگی آینده انسان‌ها خواهند داشت.

امروزه همان طور که شاهد آن هستیم، خانواده‌ها چه در ایران و چه در خارج کشور فرزند خود را تشویق به حضور در کلاس‌های رباتیک و ساخت ربات‌ها می‌کنند و همچنین مسابقات ربات‌ها که در زمینه‌های مختلفی به انجام می‌رسد، با استقبال خوب و رو به رشدی از سوی اکثر کشورها مواجه می‌شود.همچنین رشته‌ی دانشگاهی مهندسی رباتیک و هوش مصنوعی در خارج از کشور با استقبال خوبی از سوی علاقه مندان به این حوزه رو به رو است و زمینه‌های تحقیقاتی و کاری فراوانی برای مهندسین و فارغ التحصیلان این رشته تدارک دیده اند، زیرا این موضوع برای آن‌ها روشن است، که زندگی امروز و فردا‌ی ما، جدا از ربات‌ها امکان پذیر نیست.

برای آشنایی بیشتر با هوش مصنوعی میتوانید به نوشته هوش مصنوعی چیست مراجعه نمایید.

رباتیک-تکنولوژی

دکتر کارو لوکاس قوکاسیان ، دانشمند برجسته ایرانی و از پژوهشگران به‌ نام سیستم‌های هوشمند در ایران بود. زمینه‌ی پژوهش‌های او پیش‌بینی سری‌های زمانی، مدل‌های عاطفی و منطق فازی است. وی همچنین به عنوان «پدر علم رباتیک ایران» شناخته می‌شود.صحبت‌های ایشان در زمینه رباتیک این جمله را تصدیق می‌کند که :

یکی از مهم‌ترین دستاوردهای علمی بشر، علم رباتیک است که با رشد روز افزون دانش بشری، بیشتر وارد زندگی انسان‌ها شده و آن‌ را دست‌خوش تغییر می‌کند.

رباتیک دقیقا یعنی چه؟

رباتیک علم مطالعه فن آوری مرتبط با طراحی ساخت و اصول کلی و کاربرد ربات‌ها است، که با هدف راحتی انسان و افزایش وقت مفید او به وجود آمده است، به عبارت دیگر رباتیک علم و فن آوری ماشین‌های قابل برنامه ریزی، با کاربردهای عمومی می‌باشد.

هر دستگاه الکترومکانیکی که عمل خاصی را انجام دهد ربات نامیده می‌شود که می‌تواند جهت انجام یک وظیفه خاص برنامه ریزی شود.

کلمه ربات اولین بار توسط Karel Capek نویسنده نمایشنامه R.U.R روبات‌های جهانی روسیه در سال ۱۹۲۱ ابداع شد. ریشه این کلمه، کلمه چک اسلواکی (robotnic) به معنی کارگر می‌باشد. تفاوت ربات با انسان از بسیاری جهات قابل چشم پوشی نیست. مثلا خستگی ناپذیری و انجام یک کار تکراری با دقت فراوان و یا کارهایی که توان زیادی نیاز دارند و بازوهای انسان توان لازم برای انجام آن را ندارند به راحتی از عهده ربات‌ها بر می‌آید.

ربات‌ها می‌توانند بسیار ساده و یا با ساختاری پیچیده باشند ولی در همه حالت‌ها ربات، ترکیب علوممکانیک و الکترونیک است.

برخلاف تصور عمومی از ربات‌ها که به عنوان ربات‌های انسان نما که تقریباً قابلیت انجام هر کاری را دارند، بیشتر دستگاه‌های رباتیک در مکان‌های ثابتی در کارخانه‌ها بسته شده اند و در فرایند ساخت با کمک کامپیوتر، اعمال قابل انعطاف، ولی محدودی را انجام می‌دهند.این دستگاه حداقل شامل یک کامپیوتر برای نظارت بر اعمال و عملکرد اسباب انجام دهنده عمل مورد نظر و همچنین ممکن است دارای حسگرها و تجهیزات جانبی باشد.

انواع ربات‌ها

احتمالا این سوال برایتان به‌وجود آمده که ایده اصلی ساخت ربات‌ها چگونه شکل می گیرد و هر ربات از چه قسمت‌هایی تشکیل شده است.

دو نکته در به وجود آمدن و ایده اصلی ربات اهمیت دارد، ابتدا اینکه یک مشکل یا سختی کار وجود دارد و باید حل گردد. دوم اینکه در طبیعت موجودی آن را حل کرده یا نه؟ مثلا تونل زدن زیر خاک یک مشکل بیان می‌گردد. و در طبیعت یک کرم کوچولو به راحتی می‌تواند زیر خاک حرکت نماید این دو باعث طراحی و ساخت یک ربات می‌گردد که به صورت اتوماتیک تونل کنده و پیش می‌رود.

ربات‌ها همانند کامپیوترها قابلیت برنامه ریزی دارند.بسته به نوع برنامه‌ای که شما به آن‌ها می‌دهید، کارها وحرکات مختلفی را انجام می‌دهند. رشته‌ی دانشگاهی نیز تحت عنوان رباتیک وجود دارد که به مسائلی از قبیل: “سنسورها، مدارات ، فیدبک‌ها،پردازش اطلاعات و بست و توسعه ربات‌ها” می‌پردازد.ربات‌ها انواع مختلفی دارند از قبیل: “روبات‌های شمشیر باز، ربات دنبال کننده خط یا مسیریاب، کشتی گیر، فوتبالیست، ربات‌های پرنده و ربات‌های خیلی ریز تحت عنوان «میکرو ربات‌ها» و «نانو ربات‌ها» نیز وجود دارند. ربات‌ها برای انجام کارهای سخت و دشواری که بعضی مواقع انسان‌ها از انجام آن‌ها عاجز یا انجام آن‌ها برای انسان خطرناک هستند; مثل: “ربات‌هایی که در نیروگاه‌های هسته‌ای وجود دارند” ،استفاده می‌شوند.کاری که ربات‌ها انجام می‌دهند، توسط میکرپروسسورها (microprocessors) و میکرو کنترل‌ها(microcontroller) کنترل می‌شود.

شما با تسلط در برنامه نویسی میکرو پروسسورها و میکروکنترل‌ها، می‌توانید دقیقا به ربات بگویید همان کاری را که انتظار دارید، انجام دهد.

رباتیک-ربات فوتبالیست

بعضی از ربات‌ها، ماشین‌های مکانیکی نسبتاً ساده‌ای هستند که کارهای اختصاصی مانند جوشکاری و یا رنگ افشانی را انجام می‌دهند، که سایر سیستم‌های پیچیده تر که بطور همزمان چند کار انجام می‌دهند، از دستگاههای حسی، برای جمع آوری اطلاعات مورد نیاز برای کنترل کارشان نیاز دارند.حسگرهای یک ربات ممکن است بازخورد حسی ارائه دهند، طوریکه بتوانند اجسام را برداشته و بدون آسیب زدن، در جای مناسب قرار دهند. ربات دیگری ممکن است دارای نوعی دید باشد.، که عیوب کالاهای ساخته شده را تشخیص دهد. بعضی از ربات‌های مورد استفاده در ساخت مدارهای الکترونیکی، پس از مکان یابی دیداری علامت‌های تثبیت مکان بر روی برد، می‌توانند اجزا بسیار کوچک را در جای مناسب قرار دهند.

ربات‌ها دارای سه قسمت اصلی هستند:

۱. مغز که معمولا یک کامپیوتر است.

۲. محرک و بخش مکانیکی شامل موتور، پیستون، تسمه، چرخ‌ها، چرخ‌دنده‌ها و …

۳. سنسور که می‌تواند از انواع بینایی، صوتی، تعیین دما، تشخیص نور و تماسی یا حرکتی باشد.

رباتیک-ربات های خط تولید

ربات‌هایی که امروزه بسیار در حال تکاملند، ربات‌های انسان نما (human robotic) هستند، آن‌ها قادرند اعمالی شبیه انسان را انجام دهند.حتی بعضی از آن‌ها همانند انسان دارای احساسات نیز هستند.برخی دیگر اشکال خیلی ساده‌ای دارند.آن‌ها دارای چرخ یا بازویی هستند که توسط میکروکنترلرها یا میکروپروسسورها کنترل می‌شوند.در واقع میکروکنترلر یا میکرو پروسسور به مانند مغز انسان در ربات کار می‌کند.برخی از ربات‌ها مانند انسان‌ها وجانوران خون گرم در برخورد و رویارویی با حوادث و مسائل مختلف به صورت هوشمند از خود واکنش نشان می‌دهند.یک نمونه از این ربات‌ها، ربات مامور است.

رباتیک-ربات شبه انسان

برخی ربات‌ها نیز یکسری کارها را به صورت تکراری با سرعت و دقت بالا انجام می‌دهند، مثل ربات‌هایی که در کارخانه‌های خودرو‌سازی استفاده می‌شوند.این گونه ربات‌ها، کارهایی از قبیل جوش دادن بدنه ماشین ، رنگ کردن ماشین را با دقتی بالاتر از انسان بدون خستگی و وقفه انجام می‌دهند.بیشتر ربات‌ها امروزه در کارخانه‌ها برای ساخت محصولاتی مانند اتومبیل؛ الکترونیک و همچنین برای اکتشافات زیرآب یا در سیارات دیگر مورد استفاده قرار می‌گیرد.

مکاترونیک-ربات صنعتی

بازار کار مهندس رباتیک

همان‌طور که در قبل گفته شد، پیش بینی می‌شود که رباتیک یکی از ۱۰ صنعت برتر آینده باشد. کاربرد محصولات رباتیک از محدوده کارخانجات فراتر رفته و در حال ورود به کاربردهای روزمره است.

امروزه کمتر صنعتی را می‌توان یافت که در آن از ربات استفاده نشود . بازوهای رباتیکی که بدون استراحت قطعات و محصولات را از نقطه‌ای به نقطه‌ی دیگر جا‌به‌جا می‌کنند، ربات‌های جوشکار ، ربات‌های رنگرز ، ربات‌های بسته بند ، ربات‌های تراشکار ، ربات‌های چاپگر ، ربات‌های کنترل کیفیت ، ربات‌های سوراخکار ، ربات‌های کنترل دما ، ربات‌های هشداردهنده‌ی نشت گاز ، ربات‌های غربال ، سانتریفوژهای خودکار و … همگی نمونه‌هایی از ربات‌ها در کارخانه‌ها هستند.کارخانجات برای افزایش سرعت و کیفیت و دقت و هزینه‌ی پایین تر به سمت رباتیکی کردن تمامی قسمت‌های کارخانه پیش می‌روند و در بعضی از قسمت‌ها که برای انسان خطرناک است مانند جوشکاری و رنگ پاشی و سموم شیمیایی ناچار به استفاده از ربات می‌شوند.

رباتیک-ربات‌جوشکار

مهندسی رباتیک ارتباط زیادی با مهندسی مکانیک، مهندسی کامپیوتر و مهندسی الکترونیک و علوم کامپیوتر دارد. مهندس رباتیک باید برای ساخت روبات‌ها در این علوم مهندسی مرتبط مسلط باشد به عنوان مثال باید در برنامه نویسی و تنظیم الگوریتم بهینه، طراحی مدارهای الکتریکی و الکترونیکی، طراحی کامپیوتری مدارها، طراحی سیستم آیرودینامیکی و … تبحر و تسلط کافی داشته باشد. مهندس رباتیک به کسب و کارهای مختلف راه حل‌های خودکار و اتوماتیک ارائه می‌کند تا بتوانند کارآمدتر کار کنند. کار دیگر مهندس رباتیک رفع مشکلات موجود در برنامه‌های ربات‌ها و ارائه خدمات فنی به مشتریان است.

رباتیک با مکاترونیک تفاوت های بسیاری دارد که در مقاله مهندسی مکاترونیک می‌توانید جزییات آن را مطالعه نمایید.

مهندس رباتیک فردی است که پاسخگوی نیاز صنعت در تحقیق و توسعه، طراحی، تولید، نگهداری و تعمیرات ربات‌ها می‌باشد.

یکی از شاخه‌های اصلی مهندسی رباتیک را میتوان بخش تحقیقات دانست. بنابراین در بخش رباتیک به متخصصانی نیاز است که تحقیقات کرده ، مفاهیم و کاربردهای جدید را یافته و راه‌های پیشرفت مفاهیم و کاربردهای موجود را بیابند. می‌توان گفت مهندسی رباتیک زمینه‌ای جذاب برای آنانی است که در حوزه تکنولوژی علاقه و استعداد خوبی دارند.

کار مهندس رباتیک، تحقیق و توسعه طرح‌ها، ساخت نمونه روبات‌ها و بررسی کاربردهای مختلف آن‌ها از حوزه‌های نظامی و خودرو تا حوزه پزشکی و کمک به افراد ناتوان برای رفع مشکلاتشان می‌باشد. همچنین مهندس رباتیک، ربات‌های موجود و توانمندی‌هایشان را ارتقا داده و اصلاحات لازم را روی آن‌ها انجام می‌دهد.

رباتیک-بیو‌مکاترونیک

آینده شغلی مهندس رباتیک

مهندس رباتیک می‌تواند در دو حوزه‌ صنعت و آموزش و پژوهش مشغول به کار شود. صنایع خودرو، هوافضا، تولید تجهیزات الکترونیکی، هسته‌ای، معدن، نساجی، کامپیوتر، کشاورزی و … نمونه‌هایی از حوزه‌ی صنعت هستند. علاقه‌مندان به مشاغل آموزشی وپژوهشی می‌توانند با کسب مدارک عالی در این حوزه، در دانشگاه‌ها و مراکز آموزش عالی تدریس کنند. از آن‌جایی که مهندسی رباتیک رشته‌ای نوپا در کشورمان ایران می‌باشد، فرصت‌های شغلی خوبی در بخش آموزش عالی وجود دارد.

امروزه بسیاری از صنایع کشور از جمله کارخانه‌هایی مانند فولاد ، خودروسازی ، مواد غذایی و … تقریبا تمام اتوماتیک هستند. اما متاسفانه تمام ربات‌های آن وارداتی است و حتی در برخی موارد نصب و کنترل و تعمیر آن‌ها بر عهده‌ی متخصصان خارجی می‌باشد. شرکت‌های فعال داخلی در حوزه رباتیک صرفا به واردات و در برخی از موارد تعمیرات روبات‌ها می‌پردازند.

علیرغم شرکت فعال گروه‌های دانش آموزی و دانشجویی در مسابقات مختلف رباتیک و کسب مقام‌های برتر، توجه کافی و هدفمند به استفاده ازاین نیروها در صنایع و بخش‌های مختلف کشور برای طراحی، تولید و تعمیر و نگهداری داخلی ربات‌های مورد نیاز نمی‌شود. در سال‌های قبل این مسابقات فقط در حد کسب یک مقام بوده ، نه ارتباطی با صنایع کشور داشته و نه تاثیری در تبدیل کردن ایران به یکی از قطب‌های رباتیک ایران. کشوری مثل ژاپن که به صورت فعال در بحث تحقیقات رباتیک کار می‌کند و به دنبال ساخت روبات‌های انسان نما است، از لحاظ صنعتی و تولید ربات نیز بسیار پیشرفت کرده است تا جایی که یکی از بزرگترین صادرکننده‌های ربات در جهان می‌باشد.

رباتیک-مسابقات

از دیگر مشکلاتی که در این حوزه وجود دارد، عدم شناخت و آگاهی لازم مردم به خصوص کارفرمایان و صاحبان صنایع از شغل مهندسی رباتیک است. به عنوان مثال برخی از کارفرمایان هنوز اطلاعات کاملی از رشته‌ی مهندسی رباتیک و توانمندی‌های مهندسان رباتیک ندارند و در استخدام‌های خود از مهندسان دیگر مانند برق و مکانیک استفاده می‌کنند.

در کنار این موارد حوزه رباتیک در جهان و ایران یک بخش جدید و رو به رشد است. در کشور ما نیز چند سالی است که رشته‌ی تخصصی مهندسی رباتیک ایجاد و فارغ التحصیلانی را به بازارکار ارائه کرده است. البته در بخش آموزش ضعف‌هایی وجود دارد که برای پیشرفت حوزه رباتیک باید رفع شود. یکی از مهم ترین آن‌ها تعداد محدود دانشگاه‌های دارنده رشته‌ی مهندسی رباتیک می‌باشد.

جالب است بدانید که میزان متوسط درآمد سالیانه‌ی یک مهندس رباتیک در آمریکا در سال ۲۰۱۳، حدود ۷۱.۰۰۰ دلار آمریکا و در انگلستان حدود ۵۸.۷۰۰ دلار آمریکا اعلام شده است .

اطلاعات و آمار دقیقی از میزان حقوق مهندسان رباتیک در بخش دولتی و خصوصی کشور در دسترس نمی‌باشد، ولی در بخش خصوصی میزان حقوق و درآمد مهندسان رباتیک متفاوت است. برای یک مهندس مکاترونیک در یک شرکت، بسته به مهارت و تخصص او در آشنایی با سیستم‌ها و نرم افزارهای کامیپوتری درآمد ماهانه ۲ الی ۳ میلیون تومان برای شروع کار به او پرداخت می‌شود.

مهارت در نرم‌افزارهای تخصصی مهندسی رباتیک

با توجه به آنکه شرط ورود به هر شغلی تخصص و مهارت در زمینه‌ی آن شغل است یکی از مهارت‌های لازم در مهندسی رباتیک یادگیری نرم‌افزارهای تخصصی این رشته است.

مهم‌ترین نرم‌افزارهای تخصصی و کاربردی مهندسی رباتیک

Webots
RobotWorks
Microsoft Robotics
Solidworks
Catia
ADAMS
Ansys
Cosmos
Matlab
Proteus
Protel
Orcad
LabVIEW
PicBasic
bascom
wincc

منبع

رباتیک چیست؟ قسمت 1
رباتیک چیست؟ قسمت 2

مارس 21, 2020/0 دیدگاه /توسط daliri

مسئله فروشنده دوره گرد؟

آموزش های عمومی هوش مصنوعی

مسئله فروشنده دوره‌گرد

اگر فروشنده دوره گرد از نقطه A شروع کند و فواصل بین نقاط مشخص باشد، کوتاه‌تربن مسیر که از تمام نقاط یکبار بازدید می‌کند و به A بازمی‌گردد کدام است؟

مسئله فروشنده دوره گرد (به انگلیسی: Travelling salesman problem، به‌اختصار: TSP) مسئله‌ای مشهور است که ابتدا در سده ۱۸مسائل مربوط به آن توسط ویلیام همیلتون و توماس کرکمن مطرح شد و سپس در دهه ۱۹۳۰ شکل عمومی آن به وسیله ریاضیدانانی مثلکارل منگر از دانشگاه هاروارد و هاسلر ویتنی از دانشگاه پرینستون مورد مطالعه قرار گرفت.

شرح مسئله بدین شکل است:

تعدادی شهر داریم و هزینه رفتن مستقیم از یکی به دیگری را می‌دانیم. مطلوب است کم‌هزینه‌ترین مسیری که از یک شهر شروع شود و از تمامی شهرها دقیقاً یکبار عبور کند و به شهر شروع برگردد.

تعداد جواب‌های شدنی مسئله، برابر است با ${\frac {1}{2}}(n-1)!$ برای n>۲ که n تعداد شهرها می‌باشد. در واقع این عدد برابر است با تعداددورهای همیلتونی در یک گراف کامل با n رأس.

مسئله‌های مرتبط

مسئله فروشنده دوره گرد یا Traveling Salesman Problem (به اختصار TSP)، یکی از مسائل بسیار مهم و پرکاربرد در علوم کامپیوتر و تحقیق در عملیات است.

سه روش کلی برای کد کردن راه حل‌های مسئله TSP ارائه شده‌است که در الگوریتم‌های مختلفی قابل استفاده هستند. راه حل‌های سه گاه عبارتند از:

الف) نمایش جواب به صورت رشته گسسته جایگشتی که در الگوریتم‌های زیر قابل استفاده است: الگوریتم ژنتیک یا Genetic Algorithms (به اختصار GA) شبیه‌سازی تبرید یا Simulated Annealing (به اختصار SA) جستجوی ممنوعه یا Tabu Search (به اختصار TS) جستجوی همسایگی متغیر یا Variable Neighborhood Search (به اختصار VNS) بهینه‌سازی کلونی مورچگان یا Ant Colony Optimization (به اختصار ACO) جستجوی هارمونی یا Harmony Search (به اختصار HS) و سایر الگوریتم‌های بهینه‌سازی گسسته

ب) نمایش جواب به صورت کلیدهای تصادفی یا Random Key که در الگوریتم‌های زیر قابل استفاده است: الگوریتم ژنتیک یا Genetic Algorithms (به اختصار GA) بهینه‌سازی ازدحام ذرات یا Particle Swarm Optimization (به اختصار PSO) الگوریتم رقابت استعماری یا Imperialist Competitive Algorithm (به اختصار ICA) تکامل تفاضلی یا Differential Evolution (به اختصار DE) بهینه‌سازی مبتنی بر جغرافیای زیستی یا Bio-geography Based Optimization (به اختصار BBO) استراتژی‌های تکاملی یا Evolution Strategies (به اختصار ES) برنامه‌ریزی تکاملی یا Evolutionary Programming (به اختصار EP) و سایر الگوریتم‌های بهینه‌سازی پیوسته

پ) نمایش جواب به شکل ماتریس‌های شبیه فرومون که توسط تمامی الگوریتم‌های اشاره شده در مورد (ب) قابل استفاده می‌باشد.

مسئله معادل در نظریه گراف به این صورت است که یک گراف وزن‌دار کامل داریم که می‌خواهیم کم‌وزن‌ترین دور همیلتونی را پیدا کنیم.
مسئله تنگراه فروشنده دوره‌گرد (به انگلیسی: Bottleneck traveling salesman problem، به‌اختصار: bottleneck TSP) مسئله‌ای بسیار کاربردی است که در یک گراف وزن‌دار کم‌وزن‌ترین دور همیلتونی را می‌خواهد که شامل سنگین‌ترین یال باشد.
تعمیم‌یافته مسئله فروشنده دوره‌گرد دارای ایالت‌هایی است که هر کدام حداقل یک شهر دارند و فروشنده باید از هر ایالت دقیقاً از یک شهر عبور کند. این مسئله به «مسئله سیاست‌مدار مسافر» نیز شهرت دارد.

الگوریتم‌ها

مسئله فروشنده دوره گرد جزء مسائل ان‌پی سخت است. راه‌های معمول مقابله با چنین مسائلی عبارتند از:

طراحی الگوریتم‌هایی برای پیدا کردن جواب‌های دقیق که استفاده از آن‌ها فقط برای مسائل با اندازه کوچک صورت می‌گیرد.
استفاده از الگوریتم‌های مکاشفه‌ای که جواب‌هایی به‌دست می‌دهد که احتمالاً درست هستند.
پیدا کردن زیرمسئله‌هایی از مسئله یا به عبارت دیگر تقسیم مسئله به مسئله‌های کوچکتر، تا بتوان الگوریتم‌های مکاشفه‌ای بهتر و دقیق‌تری ارائه داد.

الگوریتم‌های دقیق

سرراست‌ترین راه حل امتحان کردن تمامی جایگشتهای ممکن برای پیدا کردن ارزان‌ترین مسیر است که چون تعداد جایگشت‌ها !n است، این راه حل غیرعملی می‌شود. با استفاده از برنامه‌نویسی پویا مسئله می‌تواند با مرتبه زمانی $n^{2}2^{n}$ حل شود. راه‌های دیگر استفاده از الگوریتم‌های انشعاب و تحدید برای ۴۰ تا ۶۰ شهر، استفاده از برنامه‌نویسی خطی برای کوچکتر از ۲۰۰ شهر و استفاده از روش برش-صفحه برای اندازه‌های بزرگ است.

الگوریتم‌های مکاشفه‌ای

الگوریتم‌های تقریبی متنوعی وجود دارند که خیلی سریع جواب‌های درست را با احتمال بالا به‌دست می‌دهند که می‌توان آن‌ها را به صورت زیر دسته‌بندی کرد:

مکاشفه‌ای سازنده
بهبود تکراری
- مبادله دوبه‌دو
- مکاشفه‌ای k-opt
- مکاشفه‌ای V-opt
بهبود تصادفی

پیچیدگی محاسباتی الگوریتم فروشنده دوره گرد

این الگوریتم بطور مستقیم در مرتبه زمانی(!O(n حل می‌شود اما اگر به روش برنامه‌نویسی پویا برای حل آن استفاده کنیم مرتبه زمانی آن (O(n^2*2^n خواهد شد که جز مرتبه‌های نمایی است. باید توجه داشت علی‌رغم آنکه مرتبه نمایی مذکور زمان بسیار بدی است اما همچنان بسیار بهتر از مرتبه فاکتوریل می‌باشد. شبه کد الگوریتم فوق به صورت زیر است که در آن تعداد زیر مجموعه‌های یک مجموعه n عضوی ۲ به توان n می‌باشد و for اول یک ضریب n را نیز حاصل می‌شود که به ازای تمام شهرهای غیر مبدأ می‌باشد و حاصل (n*(2^n را پدیدمی‌آورد؛ بنابراین برای جستجوی کمترین مقدار نیاز به یک عملیات خطی از مرتبه n داریم که در زمان فوق نیز ضرب می‌شود و در نهایت زمان (n^2)*(2^n) را برای این الگوریتم حاصل می‌کند.

C({1},1) = 0
  for (S=2 to n)
  for All Subsets S subset of {1,2,3,...} of size S and containing1
  C(S,1) = &amp;amp;amp;
  for All J member of S , J&amp;amp;lt;&amp;amp;gt;1
  C (S , J) = min { C (S - { J } , i) + D i,J: i member of S , i &amp;amp;lt;&amp;amp;gt; J }
 return min j C ({1 . . . n}, J) + D J,1

شبه کد مسئله فروشنده دوره گرد

مسئله:یک تور بهینه برای یک گراف وزن دار و جهت دار مشخص نمایید. وزن‌ها اعدادی غیر منفی هستند

ورودی:یک گراف وزن دار و جهت دار و n تعداد گره‌های گراف. گراف با یک ارائه دو بعدی w مشخص می‌شود که سطرها و ستون‌هایش از ۱ تا n شاخص دهی شده‌اند و در ان [w[i][j معرف وزن لبه از گره iام به گره jام است.۴

خروجی:یک متغیر minlength که مقدار ان طول تور بهینه است و یک ارائه دو بعدی p که یک تور بهینه را از روی ان می‌توان ساخت . سطرهای p از ۱ تا n و ستونهای ان با تمامی زیر مجموعه‌های {v-{v1 شاخص دهی شده‌اند . [P[i][A شاخص اولین گره بعد از vi بر روی کوتاهترین مسیر از viتاvj است که از تمام گره‌های A دقیقاً یکبار می‌گذرد.

* Void travel ( int n ,
 *              const number W[][],
 * index p[][],
 * number&amp;amp;amp;minlength
* )
* {
* Index i, j, k;
* number D[1..n][subset of V-{vi}];
* for (i= 2 ; i&amp;amp;lt;=n;i++)
* D[i][∅} = w[i][1];
* for(k=1; k&amp;amp;lt;=n-2 ; k++)
* for (all subsets A v-{v1} containing k vertices
* for (i such that j≠1 and vi is not in A){
* D[i][A] = minimum (W[i][j]+ D[vj][A-{vj}]);
* P[i][A]= value of j that gave the minimum
* }
* D[1][v-{vi}]= minimum (W[1][j]+ D[vj][V-{v1}];
* P[1][V-{v1}]= value of j that gave the minimum ;
* Minlength = D[1][V-{v1}];
* }

الگوریتم جستجوی ممنوعه یا Tabu Search یا به اختصار TS، یکی از قوی‌ترین الگوریتم‌ها در زمینه حل مسائل بهینه‌سازی، به خصوص مسائل بهینه‌سازی مبتنی بر گراف و مسائل بهینه‌سازی ترکیباتی (Combinatorial Optimization) است. این الگوریتم در اواخر دهه ۱۹۸۰ و توسط گلووِر (Glover) و همکارانش ارائه گردید. غالباً یکی از مسائلی که برای حل آن‌ها از الگوریتم TS استفاده می‌شود، مسئله فروشنده دوره گرد یا TSP است. این الگوریتم پاسخ‌های بسیار مناسبی را برای انواع مسائل گسسته به خصوص مسئله TSP ارائه می‌کند!

منبع

در مسئله فروشنده دوره گرد در پی یافتن کوتاه ترین مسیر در بین مجموعه ای از شهر ها می باشیم، به گونه ای که هر شهر فقط یک بار در مسیر قرار گرفته و مسیر ساخته شده به شهر اولی منتهی شود.

این مسئله علاوه بر جنبه نظری از جنبه عملی نیز کاربرد فراوانی دارد به عنوان مثال در مواردی مانند مسیریابی، ساخت تراشه های الکترونیکی، زمان بندی کارها و غیره مورد استفاده قرار گیرد. اما در مواجهه با چالش حل مسائل بهینه سازی، که این نوع مسائل در دنیای واقعی بسیار زیاد هستند، روش های کلاسیک اغلب با مشکل مواجه می شوند. به همین دلیل معمولا از روشهای فرا ابتکاری همانند الگوریتم ژنتیک و سایر الگوریتم های تکاملی برای حل این نوع مسائل استفاده میشود

به صورت کلی مسئله فروشنده دوره گرد دارای 3 حالت زیر می باشد.

1- فروشنده دوره گرد متقارن

در حالت متقارن مسئله، تعدادی شهر داریم و هزینه رفتن مستقیم از یکی به دیگری را می‌دانیم .مطلوب است کم ‌هزینه‌ترین مسیری که از یک شهر شروع شود و از تمامی شهرها دقیقا یکبار عبور کند و به شهر شروع بازگردد.

2- فروشنده دوره گرد نامتقارن

مسأله ي فروشنده ي دوره گرد نامتقارن, یک TSP است که فاصله بين رئوس آن, متقارن نيست. ATSP بسيار مشکلتر از TSP است، در حقيقت در حالي که TSP متقارن, حتي در گرافهاي با چندين هزار رأس, به طور بهينه, قابل حل است, تنها نمونههاي خاصي ازATSP را که ماتريس فاصلهي آنها, تقريباً متقارن است, تنها در گرافهاي داراي چندين دوجين رأس, ميتوان به طور بهينه حل کرد. به کاربردن هوش مصنوعی براي ATSP, راحت و سر راست است. چون هيچ تغييراتي در الگوريتم اصلي, لازم ندارد. پيچيدگي محاسباتي در حلقهي الگوريتم, برنامهي کاربردي TSP, يکسان است, زيرا تنها تفاوت آنها در فاصلهها و ماتريسهاي ردپا است که در اينجا ديگر متقارن نيستند.

3- فروشنده دوره گرد با پنجره های زمانی

مسئله فروشنده دوره گرد با پنجره زمانی، شامل یافتن کوتاهترین طول توری است که به وسیله یک فروشنده دوره گرد طی می شود با این شرایط که فروشنده باید هر گره را فقط یکبار ملاقات کند و در پنجره زمانی معینی به آن سرویس دهد. به این معنا که اگر فروشنده زودتر از محدوده زمانی تعیین شده به آن گره برسد باید منتظر بماند تا بازه زمانی سرویس دهی مربوط به آن گره شروع شود. همچنین اگر دیرتر از پنجره زمانی برسد ارائه سرویس به آن گره دیگر امکان پذیر نخواهد بود.

فوریه 20, 2020/0 دیدگاه /توسط daliri

فراتفکیک پذیری چیست؟

آموزش عمومی پردازش تصویر و بینایی ماشین, دوربین (camera)

مقدمه

فراتفکیک پذیری (Super resolution)- سیستم‌های تصویربرداری دیجیتال به دلیل راحتی کاربرد و هزینه مناسب بطور چشمگیری گسترش یافته‌اند، اما هنوز به دلیل پائین بودن رزولوشن (تفکیک پذیری یا وضوح تصویری) نسبت به سیستم‌های تصویر برداری پیشین (سیستم‌های نوری)، دچار ضعف می‌باشند. تلاش‌های بسیاری جهت افزایش رزولوشن تصاویر دیجیتالی صورت گرفته که به دو بخش کلی نرم‌افزاری و سخت‌افزاری قابل تقسیم بندی می‌باشند.

در بخش سخت‌افزاری با هرچه غنی تر نمودن تعداد پیکسل‌های موجود بر روی حسگرهای دوربین‌های دیجیتالی در واحد سطح، می‌توان درجه تفکیک تصویر را افزایش داد. بعلاوه، با هرچه کوچکتر نمودن سلول‌های حسگرهای دوربین‌های دیجیتالی، مقدار نور مؤثر دریافت شده توسط هر سلول، کاهش می‌یابد؛ البته می‌توان با ایجاد شبکه‌ای از عدسی‌های محدب بر روی لایه فوقانی سلول‌های حسگر، مقدار نور مؤثر دریافتی توسط هر سلول حسگر را افرایش داد. لیکن به دلیل وجود تعداد بسیار زیاد سلول‌های حسگر، نویز ضربه ای ناشی از قطع و وصل جریان در درون این شبکه سلولی، همچنان وجود داشته و عامل مؤثری جهت کاهش کیفیت تصویر نهایی می‌گردد.

بنابراین روش سخت‌افزاری جهت رسیدن به تصاویری با کیفیت و رزولوشن بالاتر، بسیار پرهزینه و عملاً تا حدی غیر ممکن می‌باشد و معمولاً نمی‌توان از حد معینی، بدلیل محدودیت‌های تکنیکی موجود در تکنولوژی ساخت مدارات مجتمع، فراتر رفت.

استفاده از روش نرم‌افزاری، جهت افزایش رزولوشن تصاویر دیجیتالی موضوعی است که به عنوان راه حل جایگزین روش‌های سخت‌افزاری مطرح می‌گردد که از لحاظ اقتصادی مقرون به صرفه می‌باشد. هدف در چنین روش‌های نرم‌افزاری، تولید تصویر با رزولوشن بالاتر توسط همان دوربین‌های تصویر برداری دیجیتالی با رزولوشن پائین می‌باشد به طوریکه تصویر نهایی از لحاظ رزولوشن همانند تصویر برداشت شده توسط دوربینی با رزولوشن بالاتر گردد که اگر در دسترس می‌بود، می‌توان برداشت نمود.

فراتفکیک پذیری

این تکنیک از لحاظ نامگذاری بدلیل آنکه قادر خواهیم بود از محدوده توانایی سیستم تصویر برداری فراتر رویم، فرا تفکیک پذیری نامیده می‌شود؛ در این تکنیک تلفیق چندین تصویر با رزولوشن پائین تر باعث تولید تصویر نهایی با رزولوشن بالاتر می‌گردد. نکته کلیدی در این تکنیک، استفاده از در هم آمیختگی می‌باشد زیرا که هر تصویر برداشت شده از صحنه مورد نظر تنها بخشی از اطلاعات فرکانس بالای صحنه را دریافت نموده‌است و این اطلاعات فرکانس بالا در تمام تصاویر پخش شده‌است، بنابراین می‌توان از این اطلاعات توزیع شده استفاده نمود و تصویری با رزولوشن و کیفیت بالاتر ایجاد نمود. مطالعات انجام شده نشان می‌دهد که پدیده در هم آمیختگی به دلیل محدود بودن تعداد پیکسل هایِ حسگر هایِ دوربین هایِ دیجیتالی می‌باشد.
فراتفکیک پذیری، چرا و چه وقت ممکن می‌باشد؟ [ویرایش]

سوال بنیادی این می‌باشد که چه عاملی فراتفکیک پذیری را ممکن می‌سازد. این پرسش را توسط مثالی که در ادامه بدان خواهیم پرداخت، توضیح خواهیم داد؛ چنانچه حسگر دوربینی با ابعاد ۴*۴ از صحنه خاصی تصویر برداری نماید، با افزایش تعداد سلول‌های حسگر دوربین به تعداد ۱۶*۱۶، تصویر برداشت شده دارای رزولوشن بیشتری خواهد بود. حال اگر توسط همان حسگر چهار تصویر از یک صحنه یکسان برداشت نمائیم که اختلاف آنها در حد مقداری صحیح از واحد پیکسل باشد، فراتفکیک پذیری ممکن نخواهد بود، ولی چنانچه چهار تصویر دریافتی اختلافی در حد کسری از واحد پیکسل داشته باشند، فراتفکیک پذیری ممکن می‌گردد؛ زیرا که اختلاف چهار تصویر فوق در حد کسری از واحد پیکسل، اطلاعات اضافه‌ای را از صحنه برداشت شده ایجاب می‌کند که پتانسیل افزایش رزولوشن را تقویت می‌نماید.

پیکربندی تکنیک فراتفکیک پذیری

اکثر روش‌های فراتفکیک پذیری را می‌توان به دو بخش تقسیم نمود: بخش ثبت تصویر Image Registration و بخش بازسازی تصویر Image Reconstruction. دقت بسیار بالایی در بخش ثبت تصویر لازم است (در حد کسری از واحد پیکسل) تا بتوان در بخش بازسازی، تصویری با رزولوشن بالا را بطور صحیح ایجاد نمود. اگر پارامترهای ثبت تصویر بطور غلط تخمین زده شده باشند، معمولاً بهتر است که یکی از تصاویر را توسط روش‌های درونیابی به اندازه مطلوب تغییر دهیم، تا اینکه اطلاعات چندین تصویر را بطور غلط، با یکدیگر تلفیق نمائیم.

پس از آنکه تصاویر ثبت شدند، جهت بدست آوردن تصویری با رزولوشن بالا از نمونه‌های نمونه برداری شده بصورت غیریکنواخت، یک روش بازسازی تاثیر ناپذیر از نویز (Robust)، لازم می‌باشد. بخش اصلی تر، بخش ثبت تصویر می‌باشد که در تکنیک فراتفکیک پذیری از اهمیت بالایی برخوردار می‌باشد، زیرا که در این بخش تفاوت اصلی میان درونیابی و تکنیک فراتفکیک پذیری بطور آشکار مشخص می‌شود.

[عکس: Super-resolution_example_closeup.png]

ت
تصویر سمت چپ تصویر اصلی و تصویر سمت راست تصویر بعد از فراتفکیک‌پذیری است

فوریه 15, 2020/0 دیدگاه /توسط daliri

سیستم توصیه گر (Recommender System) قسمت 3

آموزش های عمومی هوش مصنوعی

7 تکنیک هیبریداسیون

وزنی (Weighted): امتیازاتی که توسط اجزای توصیه گر متفاوت داده می شود، بصورت عددی با یکدیگر ترکیب می شوند.
راه گزینی (Switching): سیستم از بین اجزای توصیه گر انتخاب کرده، و جزء انتخابی را به کار می گیرد.
مخلوط (Mixed): پیشنهادات توصیه گر های متفاوت، با هم ارائه می گردند.
ترکیب خصوصیات (Feature Combination): ویژگی های بدست آمده از منابع شناختی متفاوت، با یکدیگر ترکیب شده و یک الگوریتم پیشنهادی مجرد را ارائه می دهد.
تقویت خصوصیات(Feature Augmentation): یک فن توصیه، برای محاسبه ی یک ویژگی یا مجموعه ای از خصوصیات به کار برده می شود، که بخشی از ورودی تکنیک بعدیست.
آبشار(Cascade): به توصیه گرها اولویت اکید داده می شود؛ انهایی که از اولویت پایین تر برخوردارند برای به ثمر رساندن آنهایی که اولویت بالایی دارند، نادیده گرفته شوند.
Meta-level: یک تکنیک توصیه بکار برده شده و تعدادی مدل ایجاد می کند که پس از آن بعنوان ورودی تکنیک بعدی مورد استفاده قرار می گیرد.

سیستم توصیه گر شخصیت محور:

رهیافتی جدید که از بوتنر (Buettner) نشأت گرفت. او “توصیه گر محصول شخصیت محور” (Personality-based product recommender(PBPR)) را مطرح کرد، چارچوبی که داده های شبکه اجتماعی را تحلیل می کند تا شخصیت کاربر را پیش بینی کرده و از شخصیت کاربر پی به تمایلات او برد.

فراتر از دقت

معمولاً پژوهش در باب سیستم های توصیه گر، از بابت یافتن دقیق ترین الگوریتم های پیشنهاد، نگران است.

تنوع (Diversity): زمانیکه لیستی بلند بالا و متنوع از پیشنهادات ارائه گردد، موجب رضایت بیشتر کاربر میشود، برای مثال آیتم هایی از هنرمندان مختلف.
اصرار توصیه گر (Recommender persistence): در برخی موارد، دوباره نشان دادن توصیه ها یا اینکه رتبه بندی دوباره ی آیتم ها توسط کاربر، بسیار مؤثر تر از نشان دادن آیتم های جدید است. مثلاً، ممکن است کاربران در دفعه اول وقت کافی برای بررسی دقیق پیشنهادات نداشته اند.
حریم خصوصی(Privacy): معمولاً سیستم های توصیه گیر در رابطه با مسئله حریم خصوصی نگران هستند، چرا که کاربران مجبور به فاش کردن اطلاعات حساس هستند. ایجاد پروفایل کاربران با استفاده از پالایش گروهی می تواند از نقطه نظر حریم خصوصی، مشکل آفرین باشد. بسیاری از کشورهای اروپایی رسومی بسیار غنی از حریم خصوصی دارند، و هر تلاشی که منجر به معرفی سطحی از مشخصات کاربر شود، با عکس العمل منفی مشتری روبرو می شود. با پیشنهاد نت فلیکس برای رقابت جایزه نت فلیکس (Netflix Prize) مسائلی در رابطه با حریم خصوصی در حیطه ی مجموعه اطلاعات بوجود آمد. گرچه برای حفظ حریم خصوصی مشتری، مجوعه داده ها ناشناس بودند، در سال 2007 دو محقق از دانشگاه تگزاس با انطباق مجموعه ی داده هایی که از امتیاز دهی فیلم ها و از Internet Movie Database بدست آمده بود، توانستند کاربران را شناسایی کنند. در سال 2009 کاربر ناشناس نت فلیکس، نت فلیکس را در Doe v. Netflix شکایت کرد و مدعی شد که نت فلیکس قوانین تجارت عادلانه ی ایالات متحده و قانون حفاظت از حریم خصوصی ویدئو (Video Privacy Protection Act) را با پخش مجموعه ی داده ها، نقض کرده است. این ادعا در بخشی منجر به حذف دومین رقابت جایزه نت فلیکس سال 2010 گردید. در این مدت تحقیقات زیادی در زمینه حریم خصوصی انجام گرفته است. راماکریشنان و همکاران، در مورد موازنه ی شخصی سازی و حریم خصوصی تحقیق گسترده ای را انجام داده و دریافتند که از ترکیب روابط ضعیف (یک ارتباط غیر منتظره که بصورت اتفاقی پیشنهادات خوب و جالبی را ارائه می دهد) و دیگر منابع اطلاعاتی می توان برای کشف هویت کاربران در یک مجموعه داده ی ناشناس استفاده کرد.
جمعیت شناختی کاربر (User demographics): بیل وهمکاران، دریافتند که اطلاعات جمعیت شناختی کاربران می تواند بر میزان رضایت مندی آنها از پیشنهادات ارائه شده، تأثیر گذار باشد. آنها در مقاله خود نشان دادند که کاربران مسن تر بیشتر از کاربران جوان، علاقه مند به توصیه های ارائه شده هستند.
نیرومندی (Robustness): زمانیکه کاربران بتوانند در سیستم توصیه گر مشارکت کنند، مسئله کلاهبرداری بایستی مورد توجه قرار گیرد.
سرندی پیتی (یافتن تصادفی)(Serendipity): سرندی پیتی مقیاسی است که نشان می دهد، پیشنهادات چقدر شگفت انگیز و تعجب آور هستند. برای مثال، سیستم توصیه گری که در یک بقالی خرید شیر را به مشتری پیشنهاد می دهد، گرچه ممکن است پیشنهاد دقیقی باشد ولی پیشنهاد خوبی نیست، چرا که “خرید شیر” برای مشتری امری واضح و روشن است و نیازی به پیشنهاد ندارد.
اعتماد (Trust): سیستم توصیه گری که کاربر به آن اعتماد نداشته باشد، از ارزش بسیار پایینی برخوردار است. اعتماد توسط سیستم توصیه گر و با توصیف چگونگی ایجاد پیشنهادات و علت پیشنهاد یک آیتم، ایجاد میگردد.
برچسب گذاری (Labelling): بر چسب گذاری پیشنهادات ممکن است رضایت مندی کاربر را تحت تأثیر قرار دهد. برای مثال در مطالعه ای نرخ کلیک(click-through rate(CTR)) برای پیشنهاداتی که برچسب ” ضمانت” داشتند (CTR=5.93%) کمتر از حالتی بود که همان پیشنهادات برچسب “ارگانیک” داشتند (CTR=8.86%). نکته قابل توجه اینجاست؛ پیشنهاداتی که هیچ برچسبی نداشتند از نرخ کلیک بالاتری برخوردار بودند (CTR=9.87%).

سیستم توصیه گر سیار

تحقیق در حوزه ی سیستم های توصیه گر سیار، یکی از حیطه های تحقیقاتی در حال رشد در زمینه ی سیستم های توصیه گر است. با افزایش دسترسی اسمارت فون ها به اینترنت و همه گیر شدن آن، ارائه پیشنهادات شخصی سازی شده و حساس به محیط ممکن شده است. از آنجاییکه اطلاعات سیار بسیار پیچیده تر از داده هایی است که سیستم های توصیه گر با آن درگیر بوده اند، تحقیقات در این حیطه به مراتب دشوارتر است (مسائلی که این حیطه با آن روبروست: ناهمسانی، پر سر و صدایی، نیاز به همبستگی خودکار مکانی و زمانی ، و نیز مشکلات تأیید و عمومیت دارد). علاوه بر این سیستم های توصیه گر سیار از مشکلات جابجایی نیز متضرر هستند، چرا که ممکن است پیشنهادات ارائه شده در تمامی مناطق بکار نیاید (برای مثال، پیشنهاد یک دستور غذایی که همه ی اجزایش را نمی توان در آن منطقه فراهم کرد، پیشنهادی نابخردانه است).

سیستمی که پیشنهاد کننده مسیرهای ایده آل برای رانندگان شهریست، یک نمونه از سیستم های توصیه گر سیار است. این سیستم داده های خود را از طریق ردیابی GPS راههایی که تاکسی پیموده است، بدست می آورد که این داده ها عبارتند از؛ مکان یابی (طول و عرض جغرافیایی)، نشان دادن زمان و وضعیت اجرایی (با مسافر یا بدون مسافر). سیستم از این داده ها برای بهینه سازی زمان صرف شده برای هر مسافر (یعنی با پیشنهاد ایده آل ترین راه، مدت زمانی که مسافر در تاکسی است به کمترین میزان خود برسد) و عاید کردن سود بیشتر برای راننده تاکسی، بهره می گیرد. این نوع سیستم، وابسته به مکان است، و از آنجاییکه در دستگاههای دستی یا جاساز شده استفاده می شود نیاز محاسباتی و انرژی آن بایستی در سطح پایینی نگه داشته شود.

نمونه ای دیگر از سیستم های توصیه گر سیار، سیستمی است که برای کاربران متخصص توسعه داده شده است (بونفوف و همکاران، 2012). این سیستم با ردیابی GPS کاربر و برنامه ی کاری او، بهترین اطلاعات و پیشنهادات را بسته به موقعیت و علایق وی، ارائه می دهد. این سیستم، از فنون یادگیری ماشینی و پردازش استدلالها برای ایجاد یک سازگاری پویا بین سیستم توصیه گر سیار با سیر تحولی علایق کاربر ، بهره می برد. بانی این الگوریتم نام آن را hybrid-ε-greedyگذاشته است.

سیستم های توصیه گر سیار همچنین”Web of Data” را به عنوان منبعی برای اطلاعات ساختاری، ایجاد کرده اند. یک مثال خوب از این سیستم ها ” “SMARTMUSEUM است. این سیستم حتی زمانیکه اطلاعات کمی از کاربر ارائه شده باشد با استفاده از مدل سازی معنایی، بازیابی اطلاعات و فنون یادگیری ماشینی اقدام به توصیه ی محتوای مطابق با علایق کاربر می کند.

سیستم توصیه گر آگاه از ریسک

تمرکز عمده رهیافت های موجود بکار گرفته شده در سیستم های توصیه گر ارائه ی مرتبط ترین محتوا برای کاربران است و ریسک برآشفتن کاربر در شرایط خاص را به حساب نمی آورند. با این وجود در بسیاری از اپلیکیشن ها (مانند پیشنهاد محتوای شخصی سازی شده) ریسک پریشان کردن کاربر نیز مهم تلقی شده و از تحمیل پیشنهادات در شرایط خاصی همچون یک جلسه ی تخصصی، صبح زود یا دیر وقت ممانعت می شود. از این رو عملکرد سیستم توصیه گر در بخشی به درجه ای از ریسکی که در فرایند پیشنهاد دهی لحاظ می کند، بستگی دارد.

تعریف ریسک

در سیستم های توصیه گر واژه ی “ریسک” به احتمال ایجاد مزاحمت یا پریشان کردن کاربر که منجر به عکس العمل نامناسب وی شود، اطلاق می گردد.

در پاسخ به این چالش ها، جمعی از محققان یک سیستم توصیه گر پویا و حساس به ریسک DRARS(Dyanamic Risk-Aware Recommender system) را ابداع کردند که توصیه ی زمینه ی آگاه (context – aware) را همچون یک “مسئله ی راهزن” (bandit problem) مدلسازی کرده است. این سیستم یک تکنیک محتوا محور را به یک الگوریتم “راهزن متنی” (Contextual bandit) ترکیب کرده است. این محققان نشان دادند که DRARS با محاسبه ی بهینه ترین ارزش اکتشافی برای حفظ توازن بین اکتشاف و بهره برداری مبتنی بر سطح ریسک موقعیت کاربر، موجب بهبود خط مشی “اعتماد به نفس حد بالا” (Upper Confidence Bound(UCB)) می شود. این محققان آزمایشات خود را در یک زمینه صنعتی و با داده ها و کاربران واقعی اجرا کرده و نشان دادند که اهمیت دادن به سطح ریسک موقعیت کاربران، قدرت اجرای سیستم های توصیه گر را افزایش می دهد.

جایزه نت فلیکس

یکی از وقایعی که به تحقیقات سیستم های توصیه گر انرژی مضاعفی بخشید، جایزه نت فلیکس بود. از سال 2006 تا سال 2009 میلادی نت فلیکس اسپانسر رقابتی بود که در آن جایزه ی 1000000 دلاری به گروهی تعلق می گرفت که بتواند مجموعه ی داده ای با بیش از 100 میلیون فیلم رتبه بندی شده ارائه دهد به نحوی که بازخورد پیشنهادات 10 درصد، دقیق تر از نرم افزار موجود نت فلیکس باشد (در ارائه پیشنهادات، 10 درصد دقیق تر از نت فلیکس عمل کند). این رقابت به امر تحقیق جهت یافتن الگوریتم های جدید و دقیق تر، انرژی مضاعفی بخشید. در 21 سپتامبر 2009 جایزه یک میلیون دلاری با رعایت قانون”tiebreaking” (قانونی که در صورت مساوی شدن رقبا، طرف برنده را تعیین می کند) به تیم Bellkor’s pragmatic Chaos اهدا گردید.

در سال 2007 ترکیبی از 107 رهیافت الگوریتمی متفاوت، منجر به ایجاد دقیق ترین الگوریتم پیش بینی گردید:

زمانیکه چندین سیستم پیشگویی با یکدیگر ترکیب شوند، دقت پیشگویی به طور قابل ملاحظه ای افزایش می یابد. تجربه ی ما اینست که بیشتر تلاشها بایستی بر حصول رهیافت های مختلف معتبر متمرکز می شد نه پالایش یک تکنیک مجرد. در نتیجه راه حل ما نیز حاصل جمع آثار مجموعه ای از روش هاست.

مزایای بسیاری بخاطر پروژه نت فلیکس عاید وب شد. تعدادی از تیم فن آوریشان را گرفته و در دیگر بازارها بکار گرفتند. اعضای تیمی که به مقام دوم رسیدند یک موتور توصیه گر به نام Gravity R&Dایجاد کردند که در جامعه RecSys فعال است. 4-Tell، Inc راه حلی را که از پروژه نت فلیکس بدست آورده بودند در وبسایت های تجارت الکترونیک بکار بردند.

مسابقه ی دوم نیز طراحی شد اما نهایتاً در عکس العمل به طرح دعوایی در دادگاه و ابراز نگرانی از “کمیسیون تجارت فدرال” (Federal Trade Commission) لغو گردید.

سنجش عملکرد

در تشخیص تأثیر الگوریتم های توصیه، ارزیابی امری بسیار مهم است. متریک های معمول استفاده شده در ارزیابی الگوریتم ها، میانگین مربعات خطا و ریشه ی میانگین مربعات خطا می باشد که مورد آخر در جایزه ی نت فلیکس مورد استفاده قرار گرفت. متریک های بازیابی اطلاعات مثل معیار دقت و بازیابی یا DCG جهت ارزیابی کیفیت یک روش پیشنهادی، سودمند و کارا هستند. اخیراً تنوع، نوآوری و پوشش نیز به عنوان جنبه های مهم ارزیابی در نظر گرفته می شوند. هر چند که بسیاری از اندازه گیری های ارزیابی کلاسیک، شدیداً مورد انتقاد قرار گرفته اند. اغلب، نتایج ارزیابی های به اصطلاح آفلاین، با تشخیص واقعی رضایت کاربر هم خوانی ندارد. نویسندگان بیان کردند”ما بایستی در نتایج ارزیابی های افلاین (یا همان اندازه گیری های کلاسیک) تردید می کردیم”.

سیستم توصیه گر چند معیاره

سیستم های توصیه گر چند معیاره (MCRS) به عنوان سامانه هایی توصیف می شوند که سلایق را در چند معیار با هم متحد می سازند. به جای توسعه ی فنون پیشنهادی مبتنی بر ارزش های تک معیاره، تمامی سلایق کاربر در نظر گرفته می شود. این سیستم ها تلاش می کنند تا رتبه بندی آیتم های ناشناخته توسط کاربر را، پیش بینی کنند. این امر با بهره گیری از اطلاعات سلیقه ای و براساس معیارهای چند گانه که تمامی ارزش های سلیقه ای را تحت تأثیر قرار می دهد، ممکن شده است. چندین محقق MCRS را به عنوان یک مسئله ی تصمیم گیر چند معیاره (MCDM) در نظر گرفته و فنون و روش های MCDM را برای اجرای سیستم های MCRS بکار گرفته اند.

منبع

منابع:

fa.wikipedia.org

http://mediasoft.ir

فوریه 3, 2020/0 دیدگاه /توسط hgadmin

پردازش گفتار (صوت) قسمت 1

آموزش های عمومی هوش مصنوعی

پردازش گفتار

پردازش گفتار(صوت) – فناوری تشخیص گفتار نرم‌افزاری است که قادر است صوت را به متن تبدیل کند. فناوری تشخیص گفتار به رایانه‌ای که توانایی دریافت صدا را دارد برای مثال به یک میکروفن مجهز است این قابلیت را می‌دهد که صحبت کاربر را متوجه شود. این فناوری در تبدیل گفتار به متن یا به عنوان جایگزین برای ارتباط با رایانه کاربرد دارد. برقراری ارتباط گفتاری با رایانه‌ها به جای استفاده از صفحه کلید و ماوسیکی از زمینه‌های تحقیقاتی مهم چند دههٔ اخیر است و شرکت‌های بزرگی چون مایکروسافت ٫فیلیپس ٫ ای ال ای تی ٫ ای بی ام ٫سالانه هزینه‌های هنگفتی را برای این منظور پرداخت کرده و می‌کنند.

از جمله محدودیت‌های این نرم‌افزار این است که کلماتی که در این نرم‌افزار وجود دارد کلماتی است که از قبل به نرم‌افزار معرفی شده‌است. ضمن ان که در این نرم‌افزار کلمات محاوره‌ای قابل شناسایی نیست. از جمله کاربردهای این نرم‌افزار در ادارات و سازمان‌ها برای کاهش به کارگیری نیروی انسانی بهره برد. همچنین افزایش امنیت نیز یکی دیگر از قابلیت‌های استفاده از این نرم‌افزار است.

مقدمه

هدف بلند مدت سیستم‌های بازشناسی خودکار گفتار‚ طراحی ماشینی است که سیگنال صوتی مربوط به یک جملهٔ بیان شده را به دنباله‌ای از کلمات نوشته شده تبدیل نماید. سیستم‌های بازشناسی خودکار گفتار اطلاعات متنوعی ازمنابع دانش گوناگون را در جهت دستیابی به جملهٔ بیان شده از روی سیگنال صوتی دریافت شده، به کار می‌گیرند. پردازش گفتار به عنوان یکی از زیر شاخه‌های پردازش سیگنال ٫ به سرعت در حال گسترش است. تکنیک‌های پیچیده و نوآوری‌های روز افزون این دانش٫همگی در راستای دستیابی به این ارزو هستند که امکان بیابیم مفاهیم در قالب ابزارهای ریاضی فراهم گردد. در این مقاله٫به بیان خلاصه‌ای از انواع روش‌های پردازش گفتار می‌پردازیم:

۱-تحت تاثیر قرار گرفتن کیفیت سیگنال صوتی به وسیلهٔ نویز محیط و تابع انتقال سیستم انتقال مانند میکروفن، تلفن

۲-عدم وضوح مرز ما بین کلمات و واج‌ها در سیگنال صوتی

۳-تنوع وسیع سرعت بیان

۴-دقت ناکافی در بیان کلمات و به خصوص انتهای انها در گفتار محاوره‌ای نسبت به گفتار مجزا.

۵-تاپیر تنوعات متعدد گوینده از جمله جنسیت، شرایط فیزیولوژیک و روانی بر گفتار.

۶-به کارگیری محدودیت‌های معنایی-نهوی زبان برای گفتار زبان طبیعی به روشی مشابه ارتباط انسان با انسان در سیستم بازشناسی.

در جهت غلبه بر مشکلات مذکور تاکنون روش‌های متنوعی پیشنهاد شده‌است که از جمله انها روش‌های اماری مبتنی بر قانون تصمیم گیری بیز، روش‌های مبتنی بر شبکهٔ عصبی و در برخی موارد ترکیب روش‌های اماری و شبکهٔ عصبی است. با بررسی روش‌های فوق می‌توان دریافت که شناسایی کلمه یا واج بدون خطا بدون استفاده از دانش سطوح بالاتر به خصوص در بازشناسی گفتار پیوسته با حجم لغت نامهٔ بزرگ، امکان پذیر نیست. به عنوان یک نتیجه ‚یک سیستم بازشناسی گفتار که با انبوهی از فرض‌ها دربارهٔ واج ها، کلمات و معانی و ادراک مشخص می‌شود‚در نظر بگیرد.

در سیستم‌های مبتنی بر قانون تصمیم گیری بیز برخی از این محدودیت‌ها توسط مدل زبانی به سیستم بازشناسی اعمال می‌شود. نتایج مطالعات و بررسی‌ها نشان داده‌است که مدل‌های زبانی که در حالت کلی توالی واحدهای زبانی را مدل می‌کنند، در کاهش خطای بازشناسی نقش عمده‌ای ایفا می‌کنند. در این میان، استفاده از مدل‌های زبانی مبتنی بر شبکه‌های عصبی با وجود قابلیت این شبکه‌ها در یادگیری زنجیره نمادها و نیز به دلیل قابلیت هموارسازی و خاصیت تعمیم دهی آنها بر روش‌های اماری مزیت دارد.

تولید نرم‌افزار ترجمه گفتار

از جمله قابلیت‌های این نرم‌افزار این است که این نرم‌افزار قادر است فایلهای WAV،mp3 را مستقل از صدای گوینده به متن تبدیل کند ولی کیفیت ان کمتر از ان است که صدای فرد را به نرم‌افزار معرفی کنیم. از دیگر قابلیت‌های سیستم‌های گفتاری می‌توان به ترجمهٔ گفتار به سایر زبان‌ها اشاره کرد. از این قابلیت در جنگ امریکا و عراق استفاده شد. امریکایی‌ها سیستم‌هایی را طراحی و تولید کردند که قادر بود کلام عربی را به انگلیسی ترجمه کند. همچنین در انجام اقدامات امنیتی بهره برداری می‌کنند که می‌تواند کلمات کلیدی را برای این نرم‌افزار شناسایی کرد تا نسبت به ان کلمه خاص حساس شود تا در صورت استفاده از آن، سیستم این کلمات را رکورد کند. این قابلیت در سال ۱۹۹۴ در آمریکا طراحی و تولید شد و در سیستم‌های تلفنی به کار گرفته شد. در حال حاضر این نرم‌افزار طراحی و تولید شده‌است به گونه‌ای که در متن و گفتار کاربر، کلمهٔ خاصی را می‌توان فعال کرد و این نرم‌افزار می‌تواند ان کلمه را جستجو کند و کلمهٔ عبور کاربر ذخیره شود.

کاربردهای نرم‌افزار تشخیص گفتار (پردازش گفتار)

به عنوان یک کاربر رایانه، احتمالا با قابلیت گفتاری مجموعهٔ افیس به عنوان یکی از ویژگی‌های جذاب و تا حدی فانتزی برخورد کرده یا با ان کار کرده‌اید. به کمک این قابلیت شما به جای استفاده از صفحه کلید برای تایپ مطالبتان ‚به راحتی با خواندن متن مورد نظرتان و انتقال گفتارتان به کمک یک میکروفن معمولی به رایانه ‚مطلب مورد نظرتان را تایپ شده می‌بینید. حتی برای ذخیره کردن، کپی کردن، گذاشتن عکس در متن… به جای کلیک‌های پشت سر هم و گاهی با تعداد بالا، می‌توانید فرمان مربوطه را به کمک گفتار به نرم‌افزار داده تا کار شما را انجام دهد. جدای از اینکه توانایی درست کار کردن این قابلیت افیس چقدر باشد‚یک محدودیت بزرگ در سر راه استفاده از ان برای ما ایرانیان وجود دارد ‚این قابلیت فقط برای زبان انگلیسی است.(البته زبان‌های چینی و ژاپنی را نیز شامل می‌شود!).

ایجاد چنین سیستمی که ان را تشخیص یا بازشناسی گفتار می‌نامند، در زبان فارسی، چندین سال از تحقیقات محققان ¸اساتید و دانشجویان دانشگاه‌های مختلف کشور را به خود اختصاص داده‌است. اما جدی‌ترین جهشی که در حدود ده سال پیش در این زمینه ایجاد شد، ایجاد دادگان گفتاری فارسی دات و یک سیستم اولیه تشخیص گفتار فارسی در مرکز هوشمند علائم بوده‌است. در ادامه و در طی یکی –دو سال اخیر ¸مهم‌ترین دستاورد در این تکنولوژی برای زبان فارسی، سیستم‌های تشخیص است. در کاربردهایی مانند تشخیص گفتار تلفنی ‚سیستم لزوما باید مستقل از گوینده باشد.

در کاربردهای واقعی معمولاً سیستم را مستقل از گوینده می‌سازند و موقع استفاده به صدای گوینده خاصی ان را اصطلاحا تطبیق می‌کنند این کار در قابلیت گفتاری مجموعه افیس به کمک خواندن متون اولیه در ویزارد سیستم انجام می‌شود ‚چنین قابلیتی در سیستم نویسا نیز وجود دارد. هر چه تعداد واژگانی که سیستم می‌تواند تشخیص دهد بیش تر باشد، شباهت میان کلمات بیش تر باشدو در نتیجه کارایی سیستم به علت افزایش اشتباهات کاهش پیدا می‌کند. از این رو در کاربردهای واقعی معمولاً فقط واژگان متناسب با کاربردهای موردنظر را انتخاب می‌کنند تا محدود شود. در قابلیت گفتاری افیس هم که ادعا می‌شود اکثر کلمات انگلیسی را دارد٫ کارایی به شدت پایین است(کارایی پایین آن به علت این است که ما غیر انگلیسی زبان هستیم!)ولی در محصولات محدودتر این شرکت کارایی به مراتب بهتر است.

گفتار کاربر می‌تواند پیوسته و طبیعی یا با مکث میان کلمات همراه باشد٫ بدیهی است که حالت اول مطلوب هر کاربری است. یکی از مشکلاتی که محصولات نویسا و نیوشا تا حد زیادی ان را حل کرده‌اند٫استخراج و به کارگیری قابلیت‌های زبان ٫زبان فارسی در حد نسبتا کاملی است. این اطلاعات زبانی می‌تواند در سایر نرم‌افزارهایی که نیاز به اطلاعات زبانی دارند٫مانند مترجم‌ها نیز به کار گرفته می‌شود. اثر صداهای اضافی و ناخواسته در کاربردهای واقعی نرم‌افزارهای ocr نرم‌افزارهای تشخیص گفتار را در عمل دچار افت شدید کارایی می‌نماید٫در محصولات فارسی ارائه شده با رویکردهای مختلفی این نقصان را تا حد زیادی جبران کرده‌است.

تکنولوژی بازشناسی گفتار

تکنولوژی بازشناسی گفتار ٫ شیوه‌ای جدید برای تشخیص پیام هاو دستورهای صوتی و حاصل پژوهش جمعی از متخصصین دانشگاه صنعتی شریف در زمینهٔ پردازش گفتار است. نگارندگان این مقاله ٫ توانسته‌اند نرم‌افزارهای طراحی و پیاده سازی کنند که بتواند قابلیت‌های طرح را در سیستمی که از لحاظ سخت‌افزاری کوچک و از نظر هزینه مقرون به صرفه‌است٫پیاده سازی کند. ویژگی‌های منحصر به فرد این طرح٫ان را از جدیدترین فناوری‌های موجود دنیا در زمینهٔ پردازش گفتار٫متمایز می‌کند.

از جمله ویژگی‌های این طرح می‌توان به موارد زیر اشاره کرد:

قابل اجرا بر روی رایانه یا سخت‌افزاری مستقل
سهولت استفاده
هزینه اندک پیاده سازی
عدم وابستگی به هیج نوع زبان با گویشی
عدم حساسیت به سروصدای محیط
امکان تعریف دستورهای صوتی، مطابق با سلیقه کاربرد

فناوری بازشناسی گفتار، بر پایه این ویژگی‌ها در طیف گسترده‌ای از محصولات قابل استفاده‌است. نمونه‌هایی از زمینه‌های کاربرد آن عبارتند از:

خودرها
لوازم خانگی الکتریکی و الکترونیکی
اسباب بازی‌ها، عروسک‌ها و سرگرمی‌های رایانه‌ای
سیستم‌های دیتار افراد کم توان و سالخورده
نرم‌افزارهای رایانه‌ای مدیریتی
سیستم‌های آموزش زبان

به عنوان نمونه از این نرم‌افزار در دادن فرامین صوتی به خودرو ویژه هنگامی که راننده مشغول رانندگی است و نمی‌تواند کاربری دیگری انجام دهد، استفاده می‌شود فرامین صوتی شامل موارد ذیل می‌شوند:

۱- تنظیم آینه‌های بغل و عقب

۲- کنترل بالابر شیشه‌ها

۳- کنترل قفل کودک

۴- کنترل روغن ترمز و موتور یا بنزین در حال حرکت

۵- کنترل رادیو یا هر نوع رسانه دیگر در خودرو

۶- کنترل برف پاک کن‌ها

۷- تنظیم صندلی‌ها

۸- کنترل چراغ‌ها

۹- هر نوع دستور دیگر که انجام آن نیازمند حرکت اضافی راننده یا سرنشینان است.

این نرم‌افزار، به خوبی در محیط پرنویز، عمل می‌کند مثلاً در خودرویی با سرعت ۱۰۰ کیلومتر در ساعت با شیشه‌های باز و در بزرگراه تست شده و پاسخ مناسب گرفته‌است. دیگر مزیت این نرم‌افزار، حجم بسیار پایین آن است که به راحتی قابل برنامه ریزی برروی یک ای سی است (نسخه دمو روی pc) به راحتی تا ۱۰۰ فرمان را پردازش می‌کند) نرم‌افزار مورد بحث، با این مشخصات در ایران مشابه ندارد و موارد موجود در دنیا نیز مانند فرمانی توسط صدا حداقل نیاز به پردازنده پنتیوم با حجم زیاد حافظه دارند. نکته دیگر اینکه این نرم‌افزار، هوشمند بوده و قابل آموزش دادن است و پس از آموزش (مثلاً با صدای اعضای یک خانواده) صدار هرکدام از آنها را که بشنود (و در کل هر زمانی که کلمه یا فرمانی را بشنود) مستقل از این که چه کسی آن را ادا کرده‌است (صدای زن یا مرد، کلفت یا نازک) فرمان را اجرا می‌کند.

دیگر مزیت این نرم‌افزار، حجم بسیار پایین آن است که به راحتی قابل برنامه ریزی بر روی یک ای سی است (نسخه دمو روی کامپیوتر جیبی به راحتی تا ۱۰۰ فرمان را پردازش می‌کند. نرم‌افزار مورد بحث با این مشخصات در ایران مشابه ندارد و موارد موجود در دنیا نیز مانند وویس کامند در میکروسافت افیس٫حداقل نیاز به پردازنده پنتیوم با حجم زیاد حافظه دارند نکته دیگر اینکه این نرم‌افزار هوشمند بوده و قابل آموزش دادن است و پس از آموزش (مثلاً با صدای اعضای یک خانواده) صدای هر کدام از آنها را که بشنود (و در کل هر زمانی که کلمه یا فرمان را بشنود) مستقل از اینکه چه کسی آن را ادا کرده‌است (صدای زن با مردن، کلفت یا نازک) فرمان را اجرا می‌کند.

گزارش طرح نرم‌افزار فناوری بازشناسی گفتار (پردازش گفتار)

۱- عنوان طرح: فناوری بازشناسی گفتار مقاوم در برابر نویز ۲- توضیح عمومی و کاربرد: با استفاده از این فناوری، صدای ضبط شده توسط یک میکروفون بازشناسی شده و به فرامین برای یک دستگاه الکترونیکی یا رایانه، تبدیل می‌شوند حوزه کاربرد این فناوری تمامی دستگاه‌های الکتریکی، الکترونیکی و رایانه‌ای است که به طریقی از کاربر فرمان می‌گیرند. تمام فرامین قابل بیان با استفاده از مجموعه متناهی کلمات گسسته را می‌توان با استفاده از این فناوری توسط میکروفون به دستگاه یا رایانه داد.

۳- مزایا در مقایسه با دیگر فناوری‌های مشابه: مهمترین خصوصیات این فناوری نیاز به توان پردازشی بسیار کم و مقاومت بسیار زیاد در مقابل سرو صدای محیط (نویز) است.

۴- شرح طرح: روش ارائه شده از سه بخش اصلی تشکیل شده‌است

الف ـ بخش اول که وظیفه تبدیل سیگنال صوتی به داده‌های قابل پردازش را برای دو بخش دیگر انجام می‌دهد.

ب ـ بخش دوم که وظیفه یادگیری و توصیف کلمات را بر عهده دارد و با گرفتن نمونه‌های ضبط شده کلمات، الگوهای لازم برای بخش بازشناسی را می‌سازد.

ج ـ بخش سوم که داده‌های گرفته شده از بخش اول را با الگوهایی که در بخش دوم یاد گرفته شده‌اند مقایسه می‌کرده و شبیه‌ترین کلمه را انتخاب می‌کند.

استخراج ویژگی‌ها از سیگنال صدا:

اولین مرحله در مراحل یادگیری و بازشناسی استخراج ویژگی‌ها از سیگنال صداست. برای انجام این کار باید مراحل زیر را طی کرد:

۱- استخراج اسپکتروگرام صدا

۲- اعمال فیلترهای فیوژن ماکسیمم –ان بر روی فریم‌های اسپکتروگرام تولید شده

۳- اعمال فیلترهای شناسایی یکنواختی در طول اسپکتروگرام

الف ـ اولین مرحله در بازشناسی صدا، تبدیل سیگنال صدای ورودی به اسپکتروگرام با طول محدود است برای این کار با استفاده از الگوریتم استاندارد تبدیل سریع فوریه تبدیلات فوریه پنجره‌هایی به طول ۵۱۲ صدای ضبط شده با ۱۲۸ فریم همپوشانی گرفته و در کنار یکدیگر قرار داده می‌شود در پایان این مرحله، سیگنال یک بعدی صدا به تصویری دوبعدی تبدیل می‌شود

ب ـ سومین مرحله از بخش استخراج خصوصیات، فشرده سازی اسپکتروگرام در طول محور فرکانس است پس از اعمال این الگوریتم، مراحل تبدیل داده خام (سیگنال صدا) به داده آماده بازشناسی با یادگیری، تمام شده و می‌توان به یکی از دو بخش بعدی رفت. یادگیری برای یادگیری الگوی هر کلمه یک یا چند نمونه از ان کلمه به بخش یادگیری داده می‌شود اگر تنها یک نمونه از کلمه وجود داشته باشد آن نمونه به عنوان الگوی خروجی انتخاب می‌شود در غیر این صورت از الگوریتم کا مینز۱ برای به دست آوردن الگوهای مناسب برای دسته بندی تمامی کلمات داده شده استفاده می‌شود

بازشناسی الگوها

در این بخش الگوریتم مقایسه یک ورودی صوتی با الگوی کلماتی که از قبل یاد گرفته شده‌اند ارائه می‌شود برای این کار الگوریتم مقایسه کشسان (۱) ارائه می‌شود. برای تصمیم گیری نهایی ورودی این بخش با تمام کلماتی که قبلاً یاد گرفته شده‌اند توسط این الگوریتم مقایسه شده و کلمه‌ای که بیشترین تطابق را داشته باشد به عنوان جواب انتخاب می‌شود. الگوریتم مقایسه کشسان ساختاری مشابه ماشین حالات محدود (۲) دارد با ۳ تفاوت مهم زیر (از این به بعد این الگوریتم را ماشین تطبیق دهندهٔ قابل انعطاف یاEMM می‌نامیم.) 1- بر خلاف EMM، FSM ممکن است بیش از یک حالت فعال در هر زمان وجود داشته باشد تعداد حالات فعال در زمان‌های مختلف نیز متفاوت است. در صورتی که یک EMM به وضعیتی برسد که هیچ حالت فعالی نداشته باشد به پایان کار خود رسیده‌است. 2- در EMM حالات فعال به جز شماره حالت خصوصیات دیگری نیز دارند. فهرست این خصوصیات عبارتند از:

الف ـ میزان تطابق وضعیت (۳)‌های قبلی: این معیار مشخص می‌کند که اگر اکنون در وضعیت N ام ماشین باشیم. N-1 وضعیت قبلی با چه درجه تطابقی شناسایی شده‌است.

ب ـ میزان تطابق وضعیت قبلی: این معیار، بیانگر میزان تطابق درست بین ورودی‌هایی که به این وضعیت انتساب داده شده‌اند با الگوریتم خواسته شده برای این وضعیت است.

3- در EMM مشابه ماشین‌های حالت محدود غیرقطعی (۴) با یک ورودی و از یک وضعیت ممکن است توان حرکت به بیش از یک وضعیت دیگر وجود داشته باشد در چنین حالتی تمامی وضعیت‌های بعدی همزمان تولید و پیموده می‌شوند.

روش کار EMM به این شکل است که برای مقایسه یک کلمه (الگو) با یک ورودی Ii فریم‌های خروجی بخش پیش پردازش اطلاعات (۱-۴) برای ورودی و Pi فریم‌های خروجی بخش یادگیری برای الگو خوانده خواهند شد. برای این کار یک EMM ساخته می‌شود که به اندازه فریم‌های الگو وضعیت دارد و انتقال بین وضعیت‌ها فقط در طول محور فریم‌های الگو قابل انجام است به این ترتیب با خواندن هر فریم ورودی (Ii) یا باید در وضعیت سابق الگو بمانیم یا به وضعیتی بعد از آن منتقل شویم. به این ترتیب با رسیدن هر فریم ورودی هر وضعیت فعلی فعال EMM به دو وضعیت جدید تبدیل می‌شود اما باید به طریقی از این افزایش نمایی جلوگیری کرد برای این کار وضعیت‌هایی که درجه شناسایی درستشان از حد خاصی کمتر باشد حذف می‌شوند.

تلفن همراه SPH-P۲۰۷ ساخته شرکت سامسونگ دارای نرم‌افزاری تشخیص گفتار است. که براین اساس به پیام‌های گفتاری سریعتر از تایپ کردن آنها روی صفحه شماره گیری جواب می‌دهد وظیفه اصلی این تلفن بی سیم تبدیل گفتار انسان به سیگنال‌های دیجیتالی و بالعکس می‌باشد تلفن SPH-P۲۰۷ سامسونگ اولین تلفنی است که از فناوری تشخیص گفتار برای دیکته یک متن استفاده میشود.

ژانویه 30, 2020/0 دیدگاه /توسط daliri

صفحه شرکت بهسان اندیش در سایت لینکدین (LinkedIn)

وبلاگ

لینکدین چیست؟

در عصر ارتباطی حال حاضر، استفاده مطلوب از شبکه های اجتماعی بسیار رشد داشته و تعداد کثیری از مردم جهان روی این شبکه ها ( که اکثر این شبکه وابستگی دولتی ندارند) فعال شده اند و از این شبکه ها استفاده می کنند. شبکه های اجتماعی مجازی، بهترین ابزاری است که می تواند شما را در دستیابی به اهداف حرفه ای یاری دهد. بسیاری از افراد هستند که در دنیای کسب و کار امروز در شبکه های اجتماعی مجازی به دنبال فرد متخصص یا خدمات خود هستند.

لینکدین در واقع یک شبکه اجتماعی حرفه ای است که اساسا برای بهبود کسب و کارهای مختلف و آشنا کردن دیگران با آن ها طراحی شده است. با این حال، استفاده از لینکدین تنها به این موضوع محدود نمی شود و کاربران این شبکه اجتماعی می توانند از طریق آن، با افراد دیگری که در حوزه کاری شان فعالیت می کنند، آشنا شوند و با آن ها ارتباط برقرار کنند.

شرکت بهسان اندیش به منظور ارائه خدمات و فعالیت های خود در شبکه های اجتماعی اقدام به راه اندازی صفحه ای شخصی نموده که علاقمندان می توانند از طریق لینک زیر در سایت لینکدین ما را دنبال نمایند:

ورود به صفحه شخصی شرکت بهسان اندیش در سایت لینکدین

ژانویه 28, 2020/0 دیدگاه /توسط BehsanAndish

دوربین دیجیتال چیست؟ قسمت 1

دوربین (camera)

دوربین‌ دیجیتال

دوربین دیجیتال یک دستگاه الکترونیکی است که برای گرفتن عکس و ذخیرهٔ آن بجای فیلم عکاسی از حسگرهای حساس به نور معمولاً از نوع CCD یا CMOS استفاده می‌کند و تصویر گرفته شده توسط سنسور طی چند مرحله به حافظهٔ دوربین برای استفاده فرستاده می‌شود.

مخترع دوربین دیجیتال استیون سسون می‌باشد که در زمان اختراع این دستگاه کارمند شرکت ایستمن کداک بود و بدین ترتیب اولین دوربین دیجیتالی تاریخ، توسط این شرکت ثبت گردید. اکنون در سه قطع دوربین (دوربین قطع کوچک، دوربین قطع متوسط و دوربین قطع بزرگ) تکنولوژی دیجیتال تحولاتی ایجاد کرده به عنوان نمونه ساخت پشتی دیجیتال برای دوربین قطع متوسط که با آداپتور قابل نصب بر روی دوربین قطع بزرگ نیز می‌باشد.

در دوربین دیجیتال، تصویربرداری بر روی فیلم صورت نمی‌گیرد بلکه توسط یک حسگر حساس (دستگاه جفت‌کنندهٔ بار (CCD) یا نیم‌رسانای اکسید فلزی مکمل (CMOS)) انجام می‌پذیرد.

دوربین دیجیتال نیکون دی ۲۰۰

عملکرد

از لحاظ عملکرد کلی، دوربین‌های دیجیتال بسیار شبیه به دوربین‌های عکاسی دارای فیلم یا غیر دیجیتال می‌باشند. این دوربینها همانند دوربین‌های معمولی دارای یک منظره یاب، لنز برای کانونی کردن تصویر بر روی یک وسیله حساس به نور، وسیله‌ای برای نگهداری و انتقال چند تصویر گرفته شده در دوربین و یک جعبه در بر گیرنده تمام این تجهیزات می‌باشد. در یک دوربین معمولی فیلم حساس به نور تصویر را ذخیره می‌سازد و بعد از عملیات شیمیایی برای نگهداری تصویر از آن استفاده می‌شود. در حالی که در دوربین دیجیتال این کار با استفاده از ترکیبی از فناوری پیشرفته سنسور (حسگر) تصویر و ذخیره در حافظه انجام می‌گیرد و اجازه می‌دهد که تصاویر در شکل دیجیتال ذخیره شوند و به سرعت بدون نیاز به عملیات خاصی (نظیر عملیات شیمیایی بر روی فیلم) در دسترس باشند.

گرچه اصول کلی این دوربین‌ها شبیه به دوربین‌های فیلمی هستند، نحوه کار داخل این دوربین‌ها کاملاً متفاوت است. در این دوربین‌ها تصویر توسط یک سنسور CCD یا یک CMOS گرفته می‌شود. CCD بصورت ردیفها و ستونهایی از سنسورهای نقطه‌ای نور هستند که هر چه تعداد این نقاط بیشتر و فشرده تر باشد، تصویر دارای دقت بالاتری است) هر سنسور نور را به ولتاژی متناسب با درخشندگی نور تبدیل کرده و آن را به بخش تبدیل سیگنالهای آنالوگ به دیجیتال ADC می‌فرستد که در آنجا نوسانات دریافتی از CCD به کدهای مجزای باینری (عددهای مبنای دو بصورت صفر و یک) تبدیل می‌شود. خروجی دیجیتال از ADC به یک پردازنده سیگنال‌های دیجیتال DSP فرستاده می‌شود که کنتراست و جزئیات تصویر در آن تنظیم می‌شود و قبل از فرستادن تصویر به حافظه برای ذخیره تصویر، اطلاعات را به یک فایل فشرده تبدیل می‌کند. هر چه نور درخشنده‌تر باشد، ولتاژ بالاتری تولید شده و در نتیجه پیکسل‌های رایانه‌ای روشن‌تری ایجاد می‌شود. هر چه تعداد این سنسورها که به‌صورت نقطه هستند بیشتر باشد، وضوح تصویر به دست آمده بیشتر است و جزئیات بیشتری از تصویر گرفته می‌شود.

تمام این پروسه، پروسه‌ای هماهنگ با محیط زیست است. سنسورهای CCD یا CMOS در تمام مدت عمر دوربین در جای خود ثابت بوده و بدون نیاز به تعویض کار می‌کنند. ضمناً به علت عدم وجود قطعات متحرک عمر دوربین بسیار بیشتر می‌شود. سنسور CCD از میلیون‌ها سنسور نوری تشکیل شده است و حساسیت به نور آن از سنسورهای CMOS بهتر است. در عوض در سنسور CMOS مصرف انرژی کمتر بوده و مشکل Over Exposure کمتر بوجود می‌آید. دوربینهای دیجیتال در بطن کار، از دوربین‌های آنالوگ پیروی می‌کنند، با این تفاوت که در این دوربین‌ها، همان‌طور که از اسمشان نیز برداشت می‌شود، کنترل بخش‌های مختلف از جمله فوکوسر و … به صورت دیجیتالی انجام شده یا در صفحه حساس این دوربین‌ها، سی سی دی و سی ماس، جایگزین فیلم‌های قدیمی شده است.

دریافت و ثبت تصویر در دوربین‌های دیجیتال

صفحه‌های حساس در دوربین‌های دیجیتال حرفه‌ای، ccd یا cmos است که مختصراً به بررسی آن می‌پردازیم. حسگرهای نوری از هزاران ردیف المان نیمه‌هادی بسیار کوچک و حساس به نور تشکیل شده‌اند که می‌توانند ذرات یا فوتون‌های نور را به بار الکتریکی تبدیل کنند. حال هر چه شدت نور ورودی بیشتر یا کمتر باشد، الکتریسیته ایجاد شده متعاقباً دست‌خوش تغییر می‌شود. جنس این صفحه‌ها اغلب از عناصری از جمله سیلیسیم و ژرمانیوم است. به طور نمونه شرکت کانن در دوربین‌های SLR خود تاکنون تنها از سنسورهای CMOS استفاده کرده است، در حالی که شرکت نیکون از هر دو نوع سنسور بهره می‌گیرد. بطور کلی تفاوت کیفی زیادی بین این دو نوع سنسور وجود ندارد اما حسگرهای CMOS کم مصرف تر بوده و در شرایط کم نور و با نوردهی‌های طولانی عملکرد بهتری دارند. ضمناً از نظر فنی امکان تولید سنسورهای CCD در ابعاد فول فریم (۲۴×۳۶میلیمتر) موجود نیست.

مزیت‌های دوربین‌های دیجیتال

مخابره: شاید مهم‌ترین و اصلی‌ترین دلیل تولید دوربین دیجیتال را بتوان مخابره نامید چرا که تولید آن پس از درخواست موسسات تحقیقات فضایی از تولیدکنندگان تجهیزات عکاسی برای تصویری قابل مخابره جهت تحقیقات فضایی شکل گرفت
هزینهٔ کمتر: به لحاظ اینکه در هر دوره عکاسی دیگر احتیاج به خرید، ظهور و چاپ فیلم نیست.
مقدار خطای کمتر: به علت پیش نمایش بهتر عکس و نشان دادن عکس در همان زمان می‌توان در صورت مشاهدهٔ خطایی فاحش عکس را مجدادا ثبت کرد در صورتی که در عکاسی آنالوگ پس از مرحلهٔ ظهور می‌توان چنین تشخیصی داد که معمولاً دیر است
مقدار ریسک پایین: از بین رفتن یا افت کیفیت شدید فیلم به علت زمان، حرارت، و نور دیدگی، خطای ظهور، چاپ، تاریخ فیلم و… طبیعتاً حذف شده و جای خود را از لحاظ ریسک تنها به خطاهای الکترونیکی بسیار ناچیز می‌دهد.
نگهداری بهتر: امکان آرشیو میلیون‌ها عکس در یک فضای بسیار کم با ماندگاری بسیار طولانی‌تر
عکس‌برداری متوالی:در دوربین‌های آنالوگ به طور معمول بیشترین تعداد عکس برداری متوالی بیشتر از ۳۶ عدد (به لحاظ تعداد کاست) نمی‌شد به غیر از مواردی خاص که گاهی تا ۳۶۰ عدد اضافه می‌شد (با حجمی مزاحم) ولی با زحمتی چندین برابر برای تعویض فیلم! در صورتی که در دوربین‌های جدید دیجیتال با فشار دادن دکمه شاتر می‌توان بیش از هزاران عکس را بدون توقف در یک کارت حافظه بسیار کوچک جا داد.
گستره پویایی بیشتر از فیلم منفی

منبع

قسمتهای مختلف دوربین

چشمی یا منظره یاب

خیلی از دوربینهای کمپکت دیجیتال و آنالوگ دارای پنجره کوچکی هستند که فرد عکاس می تواند با دیدن از میان آن کادر و اجزا درون آن ، عکس خود را مشخص نماید. این پنجره کوچک که به چشمی یا منظره یاب دوربین معروف است معمولا” در کنار لنز قرار دارد. چیزی که به عنوان تصویر از درون چشمی دوربین مشاهده می کنید ، تصویری تقریبی از نظر کادر یا عکس نهایی است. اختلاف در تصویر چشمی و تصویر نهایی به خطای پارالکس معروف است.
زمانیکه مسئله کادر دقیق سوژه مهم باشد، مثل عکاسی کلوزآپ، صفحه LCD دوربین دیجیتال کمک بزرگی در این مسئله است ، چرا که گیرنده نوری دقیقا” آن چیزی را که می بینید، عکس خواهد گرفت.
شما می توانید منطقه فوکوس را با نشانه گرفتن دوربین به طرف سوژه طوری انجام دهید که مستطیل منطقه فوکوس در نقطه ای از عکس واقع شود که می خواهید فوکوس را روی آن انجام دهید. تکمه شاتر را مقدار کمی به پایین فشار دهید ، دوربین در این حالت فاصله تا سوژه را اندازه می گیرد و لنز را فوکوس می کند. در حالتیکه تکمه شاتر کماکان تا نیمه به پایین فشار داده شده است، کادرعکس خود را هم انتخاب می کنید.

صفحه LCD

فقط در دوربینهای عکاسی دیجیتال وجود دارد. این نوع چشمی با همکاری لنز دوربین، کادری که در عکس ظاهر خواهد شد را نشان می دهد. با استفاده از صفحه LCD می توان نه تنها متدی را که در بالا در مورد آن شرح دادیم (یعنی فوکوس کردن) را انجام دهید ، بلکه می توانید ببینید که عکس چگونه خواهد افتاد و مثلا” عکس چقدر روشن و یا تیره ظاهر خواهد شد. روی صفحه LCD معمولا” اطلاعات مربوط به تنظیماتی که در هنگام گرفته شدن عکس استفاده خواهند شد، مثل شاتر و اندازه دیافراگم هم نمایش داده می شوند.
در یک دوربین تک لنزی انعکاسی تصویری که درون چشمی آن مشاهده می شود، از درون لنز و یک سری آینه عبور می کند تا به پنجره چشمی در پشت دوربین می رسد. از این رو چشمی این گونه دوربینها ، کادر عکس را دقیقا” نشان داده و بعضی مواقع هم اطلاعات دیگر ، مثل سرعت شاتر و دیافراگم را در آن می توان مشاهده کرد.

شاتر

اندازه سرعت بر حسب ثانیه یا کسری از ثانیه بیان می شود. این اندازه معمولا” همراه با درجه باز بودن دیافراگم بیان می شود تا مقدار مشخص نوری که گیرنده نوری باید دریافت کند را مشخص کند. اما از این اندازه برای تاثیر حرکت در عکس هم استفاده می شود.

برای سرعتهای شاتر طولانی تر از ثانیه و جهت احتراز از لرزش دست، باید از سه پایه و یا سایر وسایل ثابت نگهداشتن دوربین استفاده کنید. حتی اگر همه کارها به طور اتوماتیک در دوربین شما انجام می شود، باز هم بهتر است که قبل از گرفتن عکس کنترلی در مورد سرعت شاتر بکنید تا بدانید که عکس شما با چه سرعتی گرفته می شود.

دیافراگم

دیافراگم اغلب در لنز جای دارد. اندازه باز بودن دیافراگم همراه با سرعت شاتر، مقدار نوری که به گیرنده نوری می رسد را تنظیم می کنند. رقم پایین تر در دیافراگم به معنی بازتر بودن دیافراگم است. برای هر پله یا گامی که دیافراگم کاهش پیدا می کند ( یعنی رقم ها افزایش پیدا می کنند) مقدار نوری که به داخل دوربین راه پیدا می کند، نصف می شود. دیافراگم 8/2 دو برابر دیافراگم 4 نور به داخل دوربین وارد می کند.
اندازه دیافراگم بازتر (رقمهای کوچک تر) همچنین باعث می شود تا عمق میدان عکس کاهش پیدا کند. این بدین معنی است که تصویر فقط در محدوده کمی به صورت واضح دیده خواهد شد و قبل و بعد از این منطقه، تصویر سوژه تار خواهد بود. عمق میدان کمتر را می توان در موارد مشخصی به کار برد ، مثلا” زمانی که عکس شخصی را می خواهیم از پس زمینه متحرک آن جدا کنیم.

لنز

در یک دوربین قطع کوچک که از فیلم mm 36×24 استفاده می کند، یک لنز mm 50 لنزی نرمال به حساب می آید. این لنز نه تصویر را بزرگتر و نه کوچکتر می کند. لنزی که باعث می شود موضوع عکس بزرگتر شود به لنز تله مشهور است که فاصله کانونی آن بیشتر از mm 50 است و اگر موضوع عکس کوچکتر از اندازه طبیعی آن شود، آن لنز ، لنزی واید است. لنزهای با فاصله کانونی متغیر به لنز زوم مشهور هستند.
در لنز نرمال، فاصله کانونی برابر اندازه قطر کادر نگاتیو است. دوربین دیجیتال دارای گیرنده نوری یا سنسوری است که اندازه آن خیلی کوچکتر از قطع یک فیلم است. از این رو لنز نرمال در دوربین دیجیتال کوچکتر از لنز نرمال در دوربینهای سنتی قطع کوچک است. فاصله کانونی لنز، معمولا” در دوربینهای دیجیتال معادل فاصله کانونی لنزهای دوربینهای قطع کوچک در نظر گرفته می شود.
زوم دیجیتال : دوربینهای دیجیتال دارای هر دو نوع زوم اپتیک و دیجیتال هستند. زوم دیجیتال به معنی این است که دوربین به طریق الکترونیکی و دیجیتالی یک تصویر را بزرگ می کند. اما در این حالت عکس نمی تواند دارای اطلاعاتی بیشتر از آن چیزی که زوم اپتیک عرضه می کند ، باشد. از این رو کیفیت زوم دیجیتال بسیار پایین تر از زوم معادل اپتیک است. جهت بزرگ کردن یک عکس می توانید از یک نرم افزار تصویری ، بعد از برداشتن عکس استفاده کنید.

فلاش

حتی دوربینهای کوچک و ساده هم، امروزه مجهز به فلاش هستند. میدان روشن کردن فلاشهای ثابت روی دوربینها محدود است ( بین 5/0 تا 3 متر ، جهت اطلاع دقیق به دفترچه دوربین خود مراجعه کنید) اما این فلاش برای فاصله های کم و کوتاه در یک محیط سربسته کفایت می کند.
کاهش خطر قرمزی چشم: فلاش ها معمولا” روی یک دوربین کوچک در کنار لنز قرار گرفته اند. اگر کسی که عکس او گرفته می شود، مستقیما” به دوربین نگاه کند، نور فلاش منعکس شده از برخورد به سرخرگهای شبکیه چشم باعث قرمز شدن چشم فرد در عکس خواهد شد که پدیده چشم قرمز مشهور است. برای مقابله با بروز این پدیده ، فلاش می تواند قبل از گرفتن عکس، نوری از خود بیرون بدهد ، در این هنگام به دلیل نور بیشتر، مردمک چشم خود را جمع می کند و سپس فلاش زده می شود. از این رو یک فاصله و وقفه ای بین هنگامیکه شاتر فشارداده می شود و زمانیکه عکس گرفته می شود، بوجود می آید. در این فاصله ، ممکن است مدل عکاسی شما خسته شود و قیافه دیگری به خود بگیرد که در عکس ظاهر شود.
از آنجایی که اکثر نرم افزار های تصحیح عکس دارای ابزارهایی برای تصحیح قرمزی چشم هستند، پس فلاشهای تاخیری شاید دارای امتیاز منفی بیشتری باشند و مشکلات بیشتری تولید کنند.

منبع

نحوه ی عملکرد دوربین دیجیتال

نقشه انفجاری یک دوربین دیجیتال را در شکل زیر مشاهده می کنید:

نقاط نشان داده شده بر روی شکل فوق عبارتند از:

1- محل رسیدن نور از جسم مورد نظر به دوربین

2- فیلترهای نصب شده بر روی دوربین برای افزایش کیفیت عکس و همچنین محافظت از لنز دوربین

3- سیستم فکوس خودکار برای جلوگیری از گرفتن عکس های تار

4- سنسور دوربین که از میلیون ها پیکسل تشکیل می شود. هر یک از این پیکسل ها میزان روشنی و رنگ نور رسیده شده به آن را اندازه گیری می نماید

5- مدارهای الکترونیکی دوربین که خروجی سنسور را به تصویر دیجیتال تبدیل می نمایند

6- صفحه نمایش دوربین که به ما این امکان را می دهد تا عکس ها را بتوانیم بلافاصله بعد از گرفته شدن مشاهده و بررسی نماییم

7- کارت حافظه دوربین برای ثبت عکس ها بر روی آن

دوربین های دیجیتال اطلاعات هر منظره را به جای این که به صورت تغییر شیمیایی بر روی فیلم های عکاسی ثبت نماید، به صورت اعداد در حافظه دوربین ذخیره می کند و لذا دیگر نیاز به ظاهر کردن و چاپ کردن ندارند و می توان آن ها را بلافاصله پس از گرفته شدن مشاهده نموده و یا حذف نمود.

برخلاف عکس های چاپ شده، کیفیت عکس های دیجیتال با گذشت زمان پایین نمی آید و لذا شما قادر خواهید بود عکس های خود را برای سال های سال نگه دارید.

دوربین های دیجیتال از لنز برای فکوس نمودن تصویر بر روی حسگر خود (به جای فیلم در دوربین های قدیمی) استفاده می کنند.

در دوربین های دیجیتال، حسگر دوربین نورهای رسیده به خود را به بارهای الکتریکی تبدیل می نماید.

اطلاعات این بارها به مدارهای الکترونیکی دوربین وارد می شود و در آن جا پس از اندازه گیری شدن به مقادیر دیجیتال تبدیل می گردد. پردازنده کامپیوتری دوربین سپس این مقادیر دیجیتال را پردازش نموده و آن ها را به صورت عکس بر روی کارت حافظه ذخیره می نماید. عکس های ذخیره شده سپس قابل انتقال به کامپیوترهای دیگر و یا چاپ شدن را دارا خواهند بود. بالا رفتن سرعت عکاسی با دوربین های دیجیتالی، انقلابی در صنعت عکاسی ایجاد نموده است.

نحوه کار حسگر دوربین های دیجیتالی:

در این بخش نحوه عملکرد حسگرهای دوربین های دیجیتالی را کمی بیشتر توضیح می دهیم. به شکل زیر دقت نمایید:

در شکل فوق، در مرحله اول شاتر دوربین در هنگام عکاسی باز می شود و اجازه می دهد تا نور به حسگر دوربین برسد.

در مرحله دوم، نور به حسگر می رسد. حسگر دوربین، شبکه ای از پیکسل ها می باشد که هر یک از آن ها مقدار نوری که به او می رسد را اندازه گیری می کند. نور رسیده به هر پیکسل ترکیبی از سه رنگ قرمز، آبی و سبز می باشد.

هر پیکسل دارای فیلترهای سبز، آبی و قرمز می باشند و هر یک از این فیلترها می توانند مانن آن چه در مرحله 3 مشاهده می شود، میزان روشنایی رنگ مربوط به خود را در نوری که به آن ها رسیده اندازه گیری نمایند.

اطلاعات به دست آمده از کلیه پیکسل ها سپس به صورت دیجیتال و در نهایت به صورت عکس درخواهند آمد.اولین دوربین دیجیتال مدل در سال 1976 توسط کداک ساخته شده ولی تا سال 1994 که اپل دوربین دیجیتال QT100 خود را عرضه نمود، به صورت همگانی درنیامد.

منبع

دوربین دیجیتال چیست؟ قسمت 1
دوربین دیجیتال چیست؟ قسمت 2
دوربین دیجیتال چیست؟ قسمت 3

ژانویه 19, 2020/0 دیدگاه /توسط daliri

تشخیص خودکار پلاک وسیله نقلیه

آموزش عمومی پردازش تصویر و بینایی ماشین, تشخيص پلاک خودرو

تشخیص خودکار پلاک خودرو سامانه‌ای برای خواندن پلاک وسیله نقلیه با استفاده از نویسه‌خوان نوری است. شماره پلاک خودرو یکی از مناسب‌ترین اقلام اطلاعاتی جهت احراز هویت خودروها می‌باشد. تشخیص خودکار شماره پلاک خودرو سامانه‌ای کاملاً مکانیزه است که با استفاده ازپردازش تصویر خودروهای عبوری از یک مکان، شماره پلاک آنها را استخراج می‌کند. برای استفاده از این سامانه، نیازی به نصب و تجهیز خودروها به وسیلهٔ دیگری (مانند GPS یا برچسب‌های رادیویی- RFID Tag) وجود ندارد. این سامانه با استفاده از دوربین‌های مخصوص، تصویری از خودرو در حال عبور اخذ می‌کند و آن تصویر را جهت پردازش توسط نرم‌افزار تشخیص پلاک خودرو به رایانه ارسال می‌کند. از این سامانه می‌توان در زمینه‌های امنیتی و ترافیکی بسیار بهره گرفت.

دوربین نصب شده تشخیص پلاک خودرو دوربین سامانهٔ تشخیص پلاک خودرو

امکانات سیستم های تشخیص پلاک خودرو به روش پردازش تصویر

امکان تشخیص تمامی اعداد و حروف پلاک و شناسایی منطقه پلاک صادرشده امکان تشخیص تمامی پلاکهای موجود در کشور امکان دریافت عکس از دوربین های رنگی و سیاه و سفید و IR تحت شبکه تشخیص محل پلاک در عکس امکان تشخیص چندین پلاک در یک عکس امکان ارتباط با بانک اطلاعاتی سیستم پارکینگ جهت کنترل تردد خودروهای تعریف شده امکان ارسال اطلاعات خودروهای ممنوعه در بانک اطلاعاتی سیستم از طریق شبکه، GPRS ، SMS و MMS

اطلاعات فنی سیستم تشخیص پلاک خودرو

امکان تشخیص پلاک از فیلم زنده در دوربین های تحت شبکه و DVR سرعت بسیار بالا در تشخیص پلاک (کمتر از 200 میلی ثانیه) دقت بالا و امکان تشخیص چندین پلاک در یک عکس

کاربردهای سامانهٔ تشخیص پلاک

کنترل و اخذ عوارض ورود به محدوده طرح ترافیک

امروزه شهرهای بسیاری ورود خودروها به منطقه مرکزی شهر را به منظور کنترل ترافیکِ آن محدود ساخته‌اند. از آنجا که استفاده از روش‌های سنتی (قرار دادن نیروهای پلیس در تمامی مبادی محدوده) هم پر هزینه و هم کم دقت است، راه حل‌های جدیدی برای کنترل و اخذ عوارض ورود به محدوده پرتردد شهرها^∗ پیشنهاد شده است. یکی از این راه حل‌ها (که برای مثال در استکهلم^[۳] و لندن^[۴] استفاده می‌شود) استفاده از فناوری تشخیص پلاک خودرو است. در این راه حل، دوربین‌های تشخیص پلاک خودرو در تمامی مبادی طرح نصب می‌شوند و ورود هر خودرو به محدوده طرح ثبت می‌شود. سپس مانند روش اخذ عوارض، فرصتی به راننده داده می‌شود تا عوارض ورود به طرح را تا زمان مقرر پرداخت کند. در غیر اینصورت، راننده طبق قانون جریمه خواهد شد.

اخذ عوارض جاده‌ها و بزرگراه‌ها به صورت خودکار

از آنجا که وجود مانع بر سر راه خودروها در عوارضی‌ها باعث کند شدن حرکت، ایجاد ترافیک، و به تبع آن آلودگی محیط زیست می‌شود، راه‌های مختلفی برای حذف موانعِ موجود در عوارضی‌ها پیشنهاد شده است. یکی از این راه‌ها استفاده از سامانهٔ تشخیص پلاک خودرو می‌باشد. در این راه حل، خودروها بدون نیاز به توقف از عوارضی‌ها عبور می‌کنند و سامانهٔ تشخیص پلاک خودرو شماره پلاک آنها را ثبت می‌کند. بر اساس شماره پلاک، عوارض مربوطه محاسبه می‌شود و راننده ملزم به پرداخت عوارض در زمان مشخصی خواهد بود. در صورت عدم پرداخت عوارض در زمان مقرر، خودرو طبق قانون جریمه خواهد شد. به این روش عوارض ویدئویی (به انگلیسی: Video Tolling) گفته می‌شود.

محاسبه مدت سفر

تخمین مدتِ زمان سفر یکی از کاربردهای مهم سیستم‌های ترافیک هوشمند می‌باشد. در این کاربرد، مسافران می‌توانند پیش از سفر به آمارها و اطلاعات مربوطه مراجعه کنند و تخمینی از مدتِ زمان سفر میان مبدا و مقصد خود داشته باشند. سامانه تشخیص پلاک خودرو یکی از راه حل‌های مناسب جهت این کاربرد به شمار می‌رود. در این راه حل، سامانهٔ تشخیص پلاک خودرو در نقاط مختلف یک جاده نصب می‌شود (برای مثال در مبدا و مقصد) و بنابراین مدت زمان سفر را به صورت تفکیک شده برای هر خودرو محاسبه می‌کند. با تحلیل آماری این مدت برای تمامی خودروها می‌توان با دقتِ مطلوبی، متوسط و تغییراتِ آن در زمان‌های مختلف روز و هفته را در جاده اندازه گرفت و برای تصمیم‌گیری در اختیار عموم قرار داد.

اندازه‌گیری سرعت متوسط خودروها

علاوه بر روش‌های معمولِ اندازه‌گیری سرعت که در یک نقطهٔ خاص سرعت خودروها را محاسبه می‌کنند، روش‌هایی نیز جهت محاسبه سرعت متوسط خودروها در یک مسیر وجود دارد. جهت اندازه‌گیریِ سرعتِ متوسط نیاز به تشخیص هویت خودروها در ابتدا و انتهای مسیر می‌باشد. تشخیص پلاک خودرو یکی از راه‌های مناسب جهت تشخیص هویت خودروها و به تبعِ آن اندازه‌گیریِ سرعت متوسط آنها می‌باشد. در این راه حل، دوربین‌های تشخیص پلاک در چندین نقطه از مسیر نصب می‌شوند و با ثبتِ زمان تردد خودرو از مقابل هر یک از آنها، امکان محاسبه سرعت متوسط خودرو میان هر دو نقطه متوالی وجود دارد. در این راه حل، حتی اگر رانندگان در مقابل این دوربین‌ها ترمز کنند تأثیر چندانی در سرعت متوسط محاسبه شده در مسیر نخواهند گذاشت و بنابراین تا حدی در مقایسه با روش‌های مبتنی بر سرعتِ نقطه‌ای برتری دارد.

دیده بانی معابر، گلوگاه‌ها و مرزها و گزارش سریع خودروهای سرقتی عبور کرده از آنها
ثبت اطلاعات ترافیکی دقیق و جامع از تردد خودروها در معابر

امکانات جانبی سامانه تشخیص خودکار شماره پلاک خودرو

در سامانه پلاک خوان امکانات جانبی بیشتر بنابر خواست خریدار نصب و به سیستم افزوده خواهد شد. امکاناتی نظیر: سنسور نوری تشخیص مانع، کارت های حافظه دار یا بارکد دو بعدی، دوربین نظارتی، دوربین ثبت چهره راننده، تابلوی نمایشگر، UPS یا باتری پشتیبان

منبع

هم چنین نوشته هایی با عناوین پروژه + آموزش تشخیص پلاک خودرو با پردازش تصویر (پلاک خوان رایگان) و مقاله بررسی سامانه های تشخیص خودکار پلاک خودرو و مقالات داخلی و خارجی در زمینه تشخیص پلاک خودرو جهت دسترسی علاقمندان در سایت قرارداده شده است.

می توانید به منظور آشنایی با یکی از دقیقترین و سریعترین سامانه های جامع کنترل تردد خودرو (پلاک خوان) به لینک :سامانه جامع کنترل تردد خودرو بهسان(پلاک خوان) مراجعه فرمایید.

ژانویه 6, 2020/0 دیدگاه /توسط daliri

مقالات داخلی و خارجی تشخیص پلاک خودرو

تشخيص پلاک خودرو, تشخیص نوری کاراکتر و تشخیص دست خط, مقالات ، سمینارها و کنفرانس های پردازش تصویر

تشخیص پلاک خودرو

چکیده– شماره پلاک خودرو یکی از مناسب ترین اقلام اطلاعات جهت احراز هویت خودروها می باشد.سامانه تشخیص پلاک خودرو یک سیستم کاملاً مکانیزه است. در این مقاله به بررسی و نحوه کار یک سیستم اتوماتیک تشخیص پلاک میپردازیم که امروزه نمی توان کاربرد مفید و چشمگیر آن را نادیده گرفت. این سیستم با استفاده از پردازش تصویر خودروهای عبوری از یک مکان، شماره پلاک آنها را استخراج کرده و به صورت عددی مورد استفاده قرار می دهد.

کلمات کلیدی– تشخیص پلاک خودرو، تشخیص کاراکتر نوری، پردازش تصویر، OCR

فایل PDF – در 7 صفحه- نویسنده : مریم زارع

تشخیص پلاک خودرو

پسورد فایل : behsanandish.com

تشخیص اتوماتیک پلاک خودرو فارسی به کمک روش های پردازش تصویر و شبکه های عصبی

چکیده- شماره پلاک خودرو یکی از مناسب ترین اقلام اطلاعاتی جهت احراز هویت خودروها می باشد. سیستم تشخیص پلاک خودرو یک سیستم مکانیزه است که با عکس گرفتن از خودروها، شماره پلاک آنها را استخراج می کند.روشی که در این مقاله استفاده شده شامل دو قسمت می باشد. در قسمت اول با استفاده از لبه یابی و عملیات مورفولوژی محل پلاک شناسایی شده و در قسمت دوم با استفاده از شبکه عصبی هاپفیلد کاراکترها شناسایی می شوند. این روش بر روی 500 تصویر مختلف از نظر پس زمینه، فاصله و زاویه دید مورد آزمایش قرار گرفته است، که نرخ استخراج صحیح پلاک را 95% و همچنین نرخ خواندن صحیح پلاک را 90% بدست آوردیم.

کلمات کلیدی– تشخیص پلاک خودرو، شبکه عصبی هاپفیلد، عملیات مورفولوژی، لبه یابی، هیستوگرام.

فایل PDF – در 8 صفحه- نویسندگان : محمدصادق معمارزاده، همایون مهدوی نسب، پیمان معلم.

تشخیص اتوماتیک پلاک خودرو فارسی به کمک روش های پردازش تصویر و شبکه عصبی

پسورد فایل : behsanandish.com

روش ﺟﺪﯾﺪ ﻣﮑﺎنﯾﺎﺑﯽ ﭘﻼك ﺧﻮدرو در ﺗﺼﺎوﯾﺮ رﻧﮕﯽ

ﭼﮑﯿﺪه – اﯾﻦ ﻣﻘﺎﻟه روش ﺟدﯾﺪی ﺟﻬﺖ ﻣﮑﺎنﯾﺎﺑﯽ ﭘﻼك ﺧﻮدرو اراﺋﻪ میﮐﻨﺪ. روش پیشنهادی ﺑﻪ ﻋﻠﺖ ﻋﺪم اﺳﺘﻔﺎده از عملیاتﻫﺎي ﭘﺮﻫﺰﯾﻨﻪ ﭘﺮدازش ﺗﺼﻮﯾﺮ، داراي ﺳﺮﻋﺖ پاسخگویی ﺑﺎلاتري نسبت ﺑﻪ روشﻫﺎی ﻣﺸﺎﺑﻪ اﺳﺖ. روش ﭘﯿﺸﻨﻬﺎدي در اﯾﻦ ﻣﻘﺎﻟﻪ، ﻣﺒﺘﻨﯽ ﺑﺮ ﺷﻨﺎﺳﺎﯾﯽ اﻟﮕﻮ و ﺑﻮده و ﺑﺎ اﺳﺘﻔﺎده از پیمایش ﺳﺘﻮﻧﯽ ﺑﺮاي ﯾﺎﻓﺘﻦ اﻟﮕﻮﯾﯽ اﺳﺘﺎﻧﺪارد در ﺗﺼﻮﯾﺮ رنگی، ﭘﻼك ﺧﻮدرو را ﻣﮑﺎن یابی و آن را از تصویر اﺳﺘﺨﺮاج می کند. از ﺧﺼﻮﺻﯿﺎت روش ﻣﺬﮐﻮر، ﺳﺮﻋﺖ ﺑﺎلای ﭘﺮدازش و ﭘﺎﺳﺦ گویی ﺳﺮﯾﻊ، قابلیت ﻧﺼﺐ و اﺟـﺮ در ریزپردازنده ها، ﻗﺎبلیت شناسایی چندین پلاک ﻣﻮﺟﻮد دریک تصویر و پردازش بر روی تصویر رنگی بدون تغییر اندازه ی آن، ﻣﯽﺑﺎﺷﺪ. روش اراﺋﻪ ﺷﺪه، دارای کاربردهای عملی از قبیل صدور برگ جریمه الکترونیکی، اﯾﺠﺎد ﺳﺎﻣﺎﻧﮥ ﻫﻮﺷﻤﻨﺪ ﭘﺮداﺧﺖ ﻋﻮارض، کنترل ﺗﻮﻧﻞ ﻫﺎ، بزرگراه ها، پارکینگ ها، ﻣﺤﺪوده ﻃﺮح ترافیک و ﻏﯿﺮه، ﻣﯽﺑﺎﺷﺪ. ﻧﺘﺎﯾﺞ آزﻣﺎﯾﺸﺎت ﺑﺮ روي ﯾﮏ ﻣﺠﻤﻮﻋﻪ داده دﻟﺨﻮاه از ﺗﺼﺎوﯾﺮ دورﺑﯿﻦﻫﺎي ﮐﻨﺘﺮل ﺳﺮﻋﺖ در ﺑﺰرﮔﺮاه ﻫﺎي ﮐﺸﻮر، ﮐﺎراﯾﯽ، دﻗﺖ، اﻃﻤﯿﻨﺎن و ﺳﺮﻋﺖ ﺳﯿﺴﺘﻢ ﭘﯿﺸﻨﻬﺎدي را ﺗﺎﯾﯿﺪ ﮐﺮد ﺑﻪ ﻃﻮري ﮐﻪ در آزﻣﺎﯾﺸﺎت دﻗـﺖ تشخیص 96 درصد را به خود اختصاص داده است.

کلمات کلیدی– مکان یابی پلاک خودرو، تشخیص پلاک خودرو، شناسایی الگو.

فایل PDF – در 6 صفحه- نویسندگان : امیرحسین اشتری و محمود فتحی.

روش جدید مکانیابی پلاك خودرو در تصاویر رنگی

پسورد فایل : behsanandish.com

شرکت بهسان اندیش تولید کننده سامانه های هوشمند مفتخر به تولید یکی از دقیقترین و سریعترین سامانه های جامع کنترل تردد خودرو می باشد که می توانید جهت آشنایی با قابلیت ها و امکانات این محصول به لینک :سامانه جامع کنترل تردد خودرو بهسان(پلاک خوان) مراجعه فرمایید.

ﺭﻭﺷﯽ ﺟﺪﻳﺪ ﻭ ﺳﺮﻳﻊ ﺑﺮﺍﯼ ﺗﺸﺨﻴﺺ ﻣﺤﻞ ﭘﻼﮎ ﺧﻮﺩﺭﻭ ﺍﺯ ﺗﺼﺎﻭﻳﺮ ﭘﻴﭽﻴﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﻋﻤﻠﻴﺎﺕ ﻣﻮﺭﻓﻮﻟﻮﮊﻳﮑﯽ

ﭼﮑﻴﺪﻩ – ﺗﺸﺨﻴﺺ ﻣﺤﻞ ﭘﻼﮎ ﺧﻮﺩﺭو ﻣﻬﻤﺘﺮﻳﻦ ﻣﺮﺣﻠﻪ ﺷﻨﺎﺳﺎﻳﯽ ﭘﻼک ﺧﻮﺩﺭو ﺩﺭ ﺳﻴﺴﺘﻤﻬﺎﯼ حمل ﻭ ﻧﻘﻞ هوشمند ﺍﺳﺖ . ﺩﺭ ﺍﻳﻦ ﻣﻘﺎﻟﻪ روشی بلادرنگ ﻭ ﺳﺮﻳﻊ ﺑﺮﺍﯼ ﭘﻴﺪﺍ ﮐﺮﺩﻥ ﭘﻼﮎ ﺧﻮﺩﺭﻭﻫﺎ ﺩﺭ ﺗﺼﺎﻭﻳﺮ ﭘﻴﭽﻴﺪﻩ ﻣﻌﺮﻓﯽ ﻣﯽ شود. ﺩﺭ ﺍﻟﮕﻮﺭﻳﺘﻢ ﭘﻴﺸﻨﻬﺎﺩﯼ ﺍﺑﺘﺪﺍ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ ﻋﻤﻠﮕﺮ ﺳﻮﺑﻞ ﺍﻗﺪﺍﻡ ﺑﻪ ﻳﺎﻓﺘﻦ لبه ﻫﺎﯼ ﻋﻤﻮﺩﯼ ﺗﺼﻮﻳﺮ می ﮐﻨﻴﻢ، ﺳﭙﺲ ﺑﺎ ﺍﺳﺘﻔﺎﺩﻩ ﺍﺯ تحلیل ﻫﻴﺴﺘﻮﮔﺮﺍﻡ ﻭ ﺗﺮﮐﻴﺒﯽ ﺍﺯ ﻋﻤﻠﮕﺮﻫﺎﯼ ﻣﻮﺭﻓﻮﻟﻮﮊیکی ﭘﻼک ﺧﻮﺩﺭﻭ ﺭﺍ ﺍﺯ ﺗﺼﻮﻳﺮ ﺍﺳﺘﺨﺮﺍﺝ می کنیم.ﺭﻭﺵ ﭘﻴﺸﻨﻬﺎﺩﯼ را ﺭﻭﯼ پاﻳﮕﺎﻩ ﺩﺍﺩﻩ ﺍﯼ ﺷﺎﻣﻞ 300 ﺗﺼﻮﻳﺮ ﻣﺨﺘﻠﻒ ﺍﺯ نظر ﭘﺲ ﺯﻣﻴﻨﻪ، ﺍﻧﺪﺍﺯﻩ، ﻓﺎﺻﻠﻪ، ﺯﺍﻭﻳﻪ ﺩﻳﺪ ﻭ ﺷﺮﺍﻳﻂ ﻧﻮﺭی ﻣﻮﺭﺩ ﺁﺯﻣﺎﻳﺶ ﻗﺮﺍﺭ ﺩﺍﺩﻩ ﻭ ﻧﺮﺥ ﺍﺳﺘﺨﺮﺍﺝ ﺻﺤﻴﺢ ﭘﻼﮎ را 81/3% بدست آوردیم.

کلمات کلیدی– تشخیص محل، پلاک خودرو، ﻫﻴﺴﺘﻮﮔﺮﺍﻡ، ﻋﻤﻠﻴﺎﺕ ﻣﻮﺭﻓﻮﻟﻮﮊﻳﮑﯽ.

فایل PDF – در 7 صفحه- نویسندگان : فرهاد فرجی و رضا صفابخش

ﺭﻭﺷﯽ ﺟﺪﻳﺪ ﻭ ﺳﺮﻳﻊ ﺑﺮﺍﯼ ﺗﺸﺨﻴﺺ ﻣﺤﻞ ﭘﻼﮎ ﺧﻮﺩﺭﻭ ﺍﺯ ﺗﺼﺎﻭﻳﺮ ﭘﻴﭽﻴﺪﻩ ﺑﺮ ﺍﺳﺎﺱ ﻋﻤﻠﻴﺎﺕ ﻣﻮﺭﻓﻮﻟﻮﮊﻳﮑﯽ

پسورد فایل : behsanandish.com

شناسایی پلاک خودروهای ایرانی با روش جایابی فازی پلاک

چکیده– یکی از مهم ترین زیرسامانه های حمل و نقل هوشمند، سامانه ی تشخیص و شناسایی پلاک خودرو است. دشواری تشخیص و شناسایی صحیح پلاک خودرو در شرایط مختلف محیطی موجب شده تا پژوهش در این زمینه ی پژوهشی هم چنان ادامه داشته باشد. مسئله ی تشخیص پلاک خودرو را می توان به سه زیر مسئله ی “جایابی پلاک”، “استخراج نویسه های پلاک” و “شناسایی نویسه ها” تقسیم کرد. در این مقاله تلاش شده به کمک قواعد فازی، الگوریتم های جایابی پلاک خودروهای ایرانی و شناسایی نویسه های آن بهبود یابد. جایابی پلاک با لبه یابی، تحلیل ریخت شناسانه و استفاده از قواعد فازی و شناسایی نویسه ها با استفاده از ماشین بردار پشتیبانی فازی انجام شده است. با آزمایش الگوریتم یاد شده بر روی پنجاه تصویر صحت جایابی پلاک خودرو 90 درصد و صحت شناسایی نویسه ها 94 درصد به دست آمد که در مقایسه با روش های مرسوم توانمندی چشمگیری دارد.

کلمات کلیدی– پلاک خودروف شناسایی الگو، ماشین بردار پشتیبانی، نظریه ی فازی.

فایل PDF – در 10 صفحه- نویسندگان : غلامعلی منتظر و محمد شایسته فر

شناسایی پلاک خودروهای ایرانی با روش جایابی فازی پلاک

پسورد فایل : behsanandish.com

Vehicle License Plate Identification & Recognition

شناسایی و به رسمیت شناختن شماره پلاک خودرو

Abstract- Existing vehicle license plate identification and recognition systems are potent for either their accuracy
or speed but not a combination of both. The algorithm proposed in this dissertation attempts to achieve
this fine balance between the accuracy and speed that such a system must posses. The mathematical
morphology operators of dilation and erosion are utilized to identify the region within an image which
contains the license plate. Using the concept of color coherence vectors, an image recognition algorithm
is presented which utilizes this extracted region and compares it as a whole to other images of license
plates, in the database. The application developed for the testing of this algorithm works with an
accuracy of eighty eight percent and an average processing time of two seconds per image.
Key Words and Phrases: Vehicle license plate recognition, color coherence vectors, mathematical
morphology

فایل PDF – در 10 صفحه- نویسندگان : SANJAY GOEL, PRIYANK SINGH

Vehicle License Plate Identification & Recognition

پسورد فایل : behsanandish.com

Sensor network based vehicle classiﬁcation and license plate identiﬁcation system

طبقه بندی وسایل نقلیه بر اساس شبکه حسگر و سیستم شناسایی پلاک وسایل نقلیه

Abstract—Typically, for energy efﬁciency and scalability purposes, sensor networks have been used in the context of environmental and trafﬁc monitoring applications in which operations at the sensor level are not computationally intensive. But increasingly, sensor network applications require data and compute intensive sensors such video cameras and microphones. In this paper, we describe the design and implementation of two such systems: a vehicle classiﬁer based on acoustic signals and a license plate identiﬁcation system using a camera. The systems are implemented in an energy-efﬁcient manner to the extent possible using commercially available hardware, the Mica motes and the Stargate platform. Our experience in designing these systems leads us to consider an alternate more ﬂexible, modular, low-power mote architecture that uses a combination of FPGAs, specialized embedded processing units and sensor data acquisition systems.
Keywords: wireless sensor networks, seismic, acoustic vehicle classiﬁcation, license plate detection

فایل PDF – در 4 صفحه- نویسندگان :Jan Frigo, Vinod Kulathumani, Sean Brennan∗, Ed Rosten, Eric Raby

Sensor network based vehicle classification and

پسورد فایل : behsanandish.com

Real Time Automatic License Plate Recognition in Video Streams

تشخیص خودکار زمان واقعی شماره پلاک وسایل نقلیه در جریان های ویدیویی

Abstract
In recent years there has been an increased commercial interest in systems for automatic license plate recognition. Some of the existing systems process single images only, some even requiring vehicles to stop in front of a gate so that a still image of good quality can be taken. This thesis presents an approach that makes it possible to process 25 images per second on a standard PC from 2004, allowing identication decisions to be based on information from several images instead of just a single one. Thus, the impact of a single bad image is reduced, and vehicles can be allowed to drive past the camera without hindrance. In order to reach the necessary processing speed, a simplied StauerGrimson background estimation algorithm has been used, enabling the system to only search for license plates on objects that are in motion. The main method for nding license plates has been a computational-wise economical connected component labeling algorithm. A basic pixel-by-pixel comparison OCR algorithm %has also been implemented. A real life test running for twelve days has shown the complete system to have a rate of successful identification at 80 .

فایل PDF – در 28 صفحه- نویسنده : Fredrik Trobro

Real Time Automatic License Plate Recognition

پسورد فایل : behsanandish.com

Proposal for Automatic License and Number Plate Recognition System for Vehicle Identification

طرح پیشنهادی برای سیستم شناسایی خودکار شماره پلاک و مجوز برای شناسایی خودرو

Abstract— In this paper, we propose an automatic and mechanized license and number plate recognition (LNPR) system which can extract the license plate number of the vehicles passing through a given location using image processing algorithms. No additional devices such as GPS or radio frequency identification (RFID) need to be installed for implementing the proposed system. Using special cameras, the system takes pictures from each passing vehicle and forwards the image to the computer for being processed by the LPR software. Plate recognition software uses different algorithms such as localization, orientation, normalization, segmentation and finally optical character recognition (OCR). The resulting data is applied to compare with the records on a database. Experimental results reveal that the presented system successfully detects and recognizes the vehicle number plate on real images. This system can also be used for security and traffic control.

(Keywords— License and number plate recognition (LNPR) system, image processing, orientation, normalization, segmentation, identification, optical character recognition (OCR

فایل PDF – در 5 صفحه- نویسنده : Hamed Saghaei

Proposal for Automatic License and Number Plate

پسورد فایل : behsanandish.com

LICENSE PLATE MATCHING TECHNIQUES

تکنیک های انطباق پلاک وسیله نقلیه

فایل PDF – در 42 صفحه- نویسنده : U.S.Department of Transportation-Federal Highway Administration(وزارت راه و ترابری آمریکا-مدیریت بزرگراه فدرال)

LICENSE PLATE MATCHING TECHNIQUES

پسورد فایل : behsanandish.com

Development of a New Automatic License Plate Recognition (LPR) System

توسعه یک سیستم تشخیص پلاک خودکار جدید

ABSTRACT In Japan, automatic license plate recognition systems have been used for more than ten years for the purposes of measuring the travel time of vehicles and for some applications which need detailed plate information identification. Due to their efficacy, they are now being utilized throughout the country. Ordinarily, compared to when used for travel time measurements, considering the types of uses for the number information, higher recognition accuracy is often desired when used for some applications which need detailed plate information identification. We have advanced the development of number plate reading for the purpose of travel time measurement applications, refining these technologies for their application to other various applications. In order to fulfill the requirements expected to be met for various applications, we have implemented a variety of innovations in both software and hardware and developed a new LPR system that has many features such as high recognition rate, low false rate, compact design and high reliability by image processing algorithms and an advanced camera unit. We will seek to expand abroad by applying these technologies.

KEYWORDS: Automatic license plate recognition, Automatic number plate recognition, Automatic vehicle identification, Image processing, Vehicle detection, Plate extraction, Character recognition

فایل PDF – در 10 صفحه- نویسنده : Takehiko Kato ,Masatoshi Asada , Kayo Tanaka , Yusuke Yasuhara, Toshihiro Asai , Yasuo Ogiuchi

Development of a New Automatic License Plate Recognition (LPR) System

پسورد فایل : behsanandish.com

Development of a License Plate Number Recognition System Incorporating LowResolution Cameras

توسعه یک سیستم شناسایی شماره پلاک شامل دوربین های با رزولوشن پایین

A multi-lane free ﬂow (MLFF) toll collection system installed on a simpliﬁed gantry requires compact cameras for supervising enforcement. Because these compact cameras have low image resolution, it is also necessary to develop vehicle license plate recognition technology that uses dynamic image processing. Mitsubishi Heavy Industries, Ltd. (MHI) has developed three technologies based on the conventional license plate recognition system using still images; these technologies improve image quality, process plural images of a single vehicle, and utilize a reference database. Laboratory evaluation tests have veriﬁed that even a lowresolution camera system can successfully recognize license plate numbers at a rate of 95% or better, comparable to results from the conventional still image system. MHI is enhancing system robustness to enable application of these technologies to actual products.

فایل PDF – در 5 صفحه- نویسنده : KENTA NAKAO, KIICHI SUGIMOTO, MAYUMI SAITOH, TAKUMA OKAZAKI

Development of a License

پسورد فایل : behsanandish.com

Automatic Number Plate Recognition System

سیستم شناسایی شماره پلاک خودکار

Abstract. Automatic recognition of car license plate number became a very important in our daily life because of the unlimited increase of cars and transportation systems which make it impossible to be fully managed and monitored by humans, examples are so many like traﬃc monitoring, tracking stolen cars, managing parking toll, red-light violation enforcement, border and customs checkpoints. Yet it’s a very challenging problem, due to the diversity of plate formats, diﬀerent scales, rotations and non-uniform illumination conditions during image acquisition. This paper mainly introduces an Automatic Number Plate Recognition System (ANPR) using Morphological operations, Histogram manipulation and Edge detection Techniques for plate localization and characters segmentation. Artiﬁcial Neural Networks are used for character classiﬁcation and recognition.
2010 Mathematics Subject Classiﬁcation. Primary 68T10; Secondary 68T45.

Key words and phrases. license plate recognition, plate region extraction, segmentation, neural networks, optical character recognition, Hough transform, ANPR.

فایل PDF – در 10 صفحه- نویسنده :Amr Badr, Mohamed M. Abdelwahab, Ahmed M. Thabet, and Ahmed M. Abdelsadek

Automatic Number Plate Recognition System

پسورد فایل : behsanandish.com

Automatic License Plate Recognition

شناسایی شماره پلاک خودکار

فایل PDF – در 5 صفحه- نویسنده :Jason Grant

Automatic License Plate Recognition

پسورد فایل : behsanandish.com

A Real-Time Mobile Vehicle License Plate Detection and Recognition

یک تشخیص و ردیابی شماره پلاک وسایل نقلیه موبایل زمان واقعی

Abstract
In this paper we present a instant and real-time mobile vehicle license plate recognition system in an open environment. Using a nonfixed video camera installed in the car, the system tries to capture the image of the car in front and to process instant vehicle license plate detection and recognition. We utilize the color characteristics of the barking lights to carry out license plate detection. We first detect the location of the two barking lights in the captured image. Then set license plate detection region using the probability distribution of the license plate between the two lights. This method can eliminate any environmental interference during the license plate detection and improve the rate of accuracy of license plate detection and recognition. Moreover, we use the morphology method Black Top-Hat to enhance the level of separation of the license plate characters. Experiments show that the system can effectively and quickly capture the vehicle image,detect and recognize the license plate whether it is in daytime, nighttime, clear day, raining day or under complicated environment.
Key Words: Real-Time, Wavelet, License Plate, Black Top-Hat

فایل PDF – در 10 صفحه- نویسنده :Kuo-Ming Hung and Ching-Tang Hsieh

A Real-Time Mobile Vehicle License Plate

پسورد فایل : behsanandish.com

اکتبر 28, 2019/1 دیدگاه/توسط daliri

تشخیص هویت زیست سنجی و بیومتریک قسمت 1

تشخیص هویت زیست سنجی

تشخیص هویت زیست‌سنجی و بیومتریک

زیست سنجی ، یا بیومتریک (به انگلیسی: Biometrics)، به نوع خاصی از روش‌های امنیتی گفته می‌شود که در آن برای کنترل دسترسی و برقراری امنیت از خواص قابل اندازه‌گیری بدن انسان یا هر موجود زندهٔ دیگر استفاده می‌شود. همانگونه که از کلمهٔ بیومتریک بر می‌آید در این روش با استفاده از الگوریتم‌های ریاضی از اندام‌ها برداشت‌های ثابت و یکتایی می‌شود که می‌توان از آن به عنوان یک کلمهٔ عبور یکسان و غیرقابل تقلید و گاه غیرقابل تغییر استفاده کرد. به هر خصوصیت زیستی یا فیزیکی که با رایانه قابل اندازه‌گیری و بازشناسی خودکار باشد زیست‌سنجه گفته می‌شود.

اگرچه ممکن است این اسم به نظر غریب و جدید بیاید اما واقعیت این است که بشر مدت زیادی‌است که از آن بهره می‌برد و مثال زندهٔ آن استفاده از عکس‌هایی‌است که در کارت‌های مختلف از آن بهره می‌بریم. در واقع در تمامی آن کارت‌ها شخص کنترل‌کننده با دیدن عکس و مقایسه آن با چهره واقعی شما از اصول اولیه زیست سنجی (بیومتری) پیروی می‌کند یکی دیگر از اینگونه مثال‌ها استفاده از اثر انگشت است که قدمتی بس طولانی در بین اذهان عمومی بشر دارد.

شرایط اصلی برای تبدیل یک خاصیت قابل اندازه‌گیری بدن به یک خاصیت مناسب جهت استفاده به عنوان یک متود شناسایی :برای اینکه یک عضو بدن بتواند به عنوان یک وسیله اندازگیری مطرح شود باید شرایط خاصی داشته باشد به عنوان مثال باید ثابت باشد مثلاً شما نمی‌توانید رنگ مو یا وزن را به عنوان یک خاصیت بیومتریک در نطر بگیرید زیرا دائماً در حال تغییر و تبدیل هستند، در ضمن خواص انتخاب شده می‌بایست نشان‌دهنده یک انسان خاص باشند و می‌بایست به سهولت قابل دسترسی باشند یعنی برای بررسی آن نیاز به زحمت زیادی نباشد.

بطور کلی ویژگی‌های بیومتریک به دو دسته تقسیم می‌شوند: ۱- خصوصیات وابسته به فیزیک انسان، این دسته از ویژگی‌ها به مجموعه‌ای از خصوصیات همراه انسان اعم از اثرانگشت، عنبیه چشم، چهره، DNA و غیره اشاره دارد، این ویژگی‌ها عمدتاً از بدو تولد انسان و گهگاه قبل از تولد انسان شروع به شکل گیری نموده و تا آخر عمر در بدن انسان ثابت و غیرقابل تغییر (گهگاه تغییرات اندک) می‌مانند.

۲- خصوصیات رفتاری انسان‌ها، این ویژگی‌ها در حقیقت خصوصیات ناشی از رفتارهای انسان هاست نظیر راه رفتن انسان، نحوه فشردن دکمه‌ها (مثلاً موبایل) و غیره که می‌تواند بیانگر مشخصات یک انسان خاص باشد نظیر راه رفتن یک انسان که گاهی با نگاه کردن آن از پشت سر می‌توان تشخیص داد که وی کدام یک از دوستانتان است.

انواع روش‌های تعیین هویت زیست سنجی موجود

تعیین هویت از طریق اثر انگشت تعیین هویت از طریق بررسی دقیق کف دست تعیین هویت از طریق رگ‌های کف دست تعیین هویت از طریق کنترل شبکیه چشم تعیین هویت از طریق کنترل رگ‌های چشم تعیین هویت از طریق صورت تعیین هویت از طریق امضا تعیین هویت از طریق شناسایی صدا تعیین هویت از طریق عنبیه چشم تعیین هویت از طریق راه رفتن تعیین هویت از طریق چهره

ارزیابی ویژگی‌های بیومتریک انسان

معمولاً ویژگی‌های انسان‌ها با ۹ پارامتر مورد ارزیابی قرار می‌گیرد که عبارتند از:

۱- عمومیت، هر شخص دارای آن ویژگی باشد.

۲- یکتایی، چه تعداد نمونه متفاوت را می‌توان تفکیک کرد.

۳- دوام، معیاری برای آنکه سنجش شود یک ویژگی چه مدت عمر می‌کند.

۴- قابلیت ارزیابی، سهولت استفاده برای ارزیابی نمونه‌های متفاوت.

۵- کارایی، دقت، سرعت و پایداری روش مورد استفاده.

۶- مقبولیت، میزان پذیرش تکنولوژی.

۷- جایگزین، سهولت در استفاده از جایگزین

۸- تصدیق هویت، در تصدیق هویت مشخصه یک فرد به پایگاه اطلاعات ارسال می‌شود و هدف بررسی آن به منظور تصدیق هویت آن فرد می‌باشد که پاسخ سیستم الزاماً مثبت یا منفی است.

۹- تشخیص هویت، در سیستم‌های تشخیص هویت مشخصه بیومتریک فرد به سیستم ارائه می‌شود و سیستم با جستجوی پایگاه اطلاعات مشخصات فرد را در صورت موجود بودن استخراج می‌کند.

مزایای استفاده از روش‌های امنیتی زیست سنجی

با این روش شما می‌توانید تقریباً مطمئن باشید که همان کسی که باید به منابع دسترسی دارد برای مثال اثر انگشت همواره یکتا و یکسان است، مشکلاتی مانند فراموش کردن رمز عبور یا گم کردن آن در این روش وجود ندارد. سرعت بسیار بالایی دارد و برای کاربران عادی نیاز به آموزش ندارد، امکان سرقت آلات بیومتری (زیست سنجشی) نیز بسیار کم است! یا در پاره ایی از مواقع صفر است.

منبع

بیومتریک

معرفی علم بیومتریک

این مقاله به معرفی سیستم‌های تشخیص هویت که مهمترین و دقیق‌ترین آنها بیومتریک است خواهد پرداخت. پس از تعریف بیومتریک به تعریف معماری سیستم‌های بیومتریک می‌پردازیم و درمی‌یابیم که هر سیستم بیومتریک با چه معماری‌ای کار می‌کند. در این مقاله همچنین در مورد چند تکنولوژی بیومتریک هم توضیح داده می‌شود مانند اثر انگشت، عنبیه چشم، نحوه راه رفتن، چهره و … اما به دلیل اینکه سیستم اثر انگشت از اهمیت بیشتری نسبت به دیگر سیستم‌ها برخوردار است بیشتر به تجزیه و تحلیل این سیستم خواهیم پرداخت و ابتدا به معرفی خطوط و نقاط مشخصه انگشت که در اصطلاح به آنها ریزه‌کاری گفته می‌شود می‌پردازیم و سپس روش‌های پردازش این نقاط برای رسیدن به الگویی برای شناسایی هویت را بیان خواهیم نمود.

پس از آن سنسورهای مختلف که همگی همراه با شکل برای فهم بیشتر مطرح شده‌اند مورد بحث قرار خواهند گرفت و سپس این سنسورها با هم مقایسه می‌شوند و مزیت هر یک بیان می‌شود. سپس به معرفی سایر سیستم‌ها خواهیم پرداخت و در انتها به معرفی مفهوم ترکیبات بیومتریک و روش‌های متنوع آن خواهیم پرداخت. استفاده از روش ترکیب بیومتریک کارایی، امنیت، دقت سیستم را افزایش می‌دهد.

علم بیومتریک اشاره دارد به تکنولوژیی برای اندازه‌گیری و آنالیز مشخصات بدن افراد جهت تشخیص هویت شخص.

همه سیستم‌های بیومتریک دارای معماری ویژه‌ای برای پردازش نمونه مورد بررسی و احراز هویت می‌باشند. روش‌های مختلفی برای تشخیص هویت در بیومتریک وجود دارد که هر یک با توجه به دقت و کارایی مورد استفاده قرار می‌گیرند. اثر انگشت به دلیل اینکه برای هر فرد منحصربه‌فرد است و با گذشت زمان هیچ گونه تغییری نمی‌کند، در میان سیستم‌های بیومتریک بیشتر مورد استفاده قرار می‌گیرد. البته سیستم‌های دیگر مانند: عنبیه چشم، شبکیه چشم و نمودار حرارتی چهره هم از فردی به فرد دیگر متفاوت هستند. برای افزایش کارایی و امنیت و دقت سیستم می‌توانیم از ترکیبات بیومتریک استفاده کنیم.

مقدمه

از دیر باز انسان برای بقا، نیاز به تشخیص دوست از دشمن داشته است و تشخیص هویت برای وی امری حیاتی بوده و هست، لذا امروزه سعی در مکانیزه سازی سیستمهای شناسایی یا تشخیص هویت شده است. «این پیشرفتها دلیل بر نیاز جامعه و جهان است». نیازی که پیشرفت در آن باعث کاهش تخلفات، افزایش امنیت، تسریع در امور روزمره و … شده است.

در گذشته جهت شناسایی جرم و جنایتکار، از روال شناسایی اثر انگشت و چهره‌نگاری استفاده می‌شده، اما اکنون سیستمهای مکانیزه‌ای ایجاد شده است.

سیستمهای تشخیص هویت

توکن معمولاً چیزی است که شما به همراه خود دارید و می‌توان گفت سند هویت شماست، مانند: کارتهای هوشمند، کارتهای مغناطیسی، کلید، پاسپورت، شناسنامه و … این اشیاء دارای نواقصی هستند همچون: گم شدن، عدم همراه بودن شخص، فرسوده شدن و جعل شدن.

دومین نوع سیستمهای شناسایی دانش نام دارد، یعنی چیزی که شما بخاطر می‌سپارید مانند: پسورد و پین کد. البته این سری نیز دارای نواقصی هستند مانند: فراموش کردن و لو رفتن.

دسته سوم سیستمهای مبتنی بر بیومتریک است. این سیستمها از خصیصه‌های فیزیولوژیکی و رفتاری انسان جهت شناسایی استفاده می‌کنند. این روش دیگر معایب روشهای قبل را ندارد و امنیت و دقت را تا حد بسیار زیادی افزایش داده است.

بیومتریک چیست؟

اندازه‌گیری و تحلیل آماری داده‌های بیولوژیکی
بیومتریک اشاره دارد به تکنولوژیی برای اندازه‌گیری و آنالیز مشخصات بدن افراد جهت تشخیص هویت شخص
شناسایی اتوماتیک یک شخص با استفاده از ویژگیهای اختصاصی (مشخصات فیزیولوژیکی یا رفتاری)(تعریف در کنسرسیوم بیومتریک)

دو اصطلاح مهم در بیومتریک: تطابق یک به یک، عمل تطابق الگوهای کاربر با داده‌های ذخیره شده. تطابق یک به چند، یافتن یک الگو از میان الگوهای ذخیره شده جهت شناسایی کاربر.

طبقه‌بندی متدهای بیومتریک

عموماً در سیستمهای بیومتریک از دو نوع ویژگی مختلف افراد جهت شناسایی استفاده می‌شود که در ذیل به آنها اشاره می‌کنیم.

(پارامترهای فیزیولوژیکی)

اساس شناسایی در این کلاس، اندازه‌گیری و آنالیز مشخصه‌های ثابت یک شخص می‌باشد.

(پارامترهای رفتاری)

شناسایی الگوهای رفتاری مشخص یک فرد

پارامترهای فیزیولوژیکی:

(اثر انگشت)
(شناسایی از روی شبکیه چشم)
(شناسایی از طرق عنبیه چشم)
(شناسایی از روی هندسه دست)

پارامترهای رفتاری:

(شناسایی از طریق امضاء)
(شناسایی از طریق صدا)
(شناسایی از روی شدت ضربه شخص بر روی کیبورد)

در این مقاله ما سعی بر معرفی این سیتمها داریم.

معماری سیستمهای بیومتریک

تمامی سیستمهای بیومتریک دارای یک معماری کلی یکسان در ساخت هستند که به آنها اشاره می‌کنیم.

درخواست داده‌ها
پردازش سیگنال
تطبیق
تصمیم‌گیری
فضای ذخیره‌سازی
محیط انتقال داده‌ها

زیر سیستم درخواست داده در این زیر سیستم داده‌های خام، که از یک فرد، توسط یک سنسور ویژه اسکن شده است، وارد سیستم می‌شود. فرایندی که در این زیر سیستم انجام می‌شود:

دریافت داده‌ها توسط سنسور
تبدیل داده‌های (سیگنالها) دریافتی از سنسورها به فرم مناسبی (A/D) جهت ارسال به زیر سیستم پردازش سیگنال

زیرسیستم پردازش سیگنال عملیات این زیر سیستم به شرح ذیل می‌باشد:

دریافت داده‌های خام از زیر سیستم جمع‌آوری داده
استخراج خصیصه
عملیات فیلترینگ جهت حذف نویز
اصلاح داده‌ها
تبدیل داده‌های دریافتی به فرم لازم (تولید الگو) برای زیر

سیستم تطبیق.

از داده‌های دریافت شده در این زیر سیستم، پس از پردازش، یک الگو از برخی ویژگیهای موجود تولید و ذخیره می‌شود. در واقع این الگوی تولید شده مورد مقایسه و شناسایی قرار می‌گیرد.

ماهیت این الگو که از روی یک شابلون از پیش تعریف شده تولید می‌شود (یک استاندارد ثابت)، ماتریسی از صفر و یک می‌باشد. در واقع این شابلون قسمتهای مورد اندازه‌گیری از یک نمونه را برمی‌گرداند.

زیرسیستم تطبیق

خروجی این زیر سیستم از مقایسه دو الگو بدست می‌آید. فرایند این زیر سیستم شامل:

دریافت داده‌های پردازش شده (الگو) از زیر سیستم قبل و دریافت الگوهای ذخیره شده مقایسه الگوی تولید شده در زیر سیستم قبل، با الگوهای موجود

زیر سیستم تصمیم‌گیری

این زیر سیستم پس از اجرای زیر سیستم قبل فراخوانی می‌شود که وظیفه آن تصمیم‌گیری بر روی تطابق انجام شده متناسب با درخواست است. در این مرحله یک حد یا آستانه در نظر گرفته شده است. اگر امتیاز بیشتر یا برابر این آستانه باشد، کاربر تأیید می‌شود در غیر اینصورت کاربر پذیرفته نمی‌شود.

زیر سیستم فضای ذخیره‌سازی

شامل الگوهایی است که در هنگام ثبت نام از کاربران بدست آمده است. ممکن است برای هر کاربر یک یا چند الگو ذخیره شده باشد.

زیر سیستم محیط انتقال

وظیفه این بخش انتقال داده‌ها، بین اجزاء یک سیستم بیومتریک است.

پارامترهای مهم در سیستم‌های بیومتریک

در همه سیستمهای بیومتریک پارامترهایی موجودند که ویژگیها و قابلیتهای سیستم شما را معرفی می‌کنند.

نرخ پذیرش اشتباه

این پارامتر تعیین کننده امکان پذیرش کاربر جعلی از کاربر اصلی می‌باشد. این پارامتر باید تا جای ممکن کوچک باشد.

نرخ عدم پذیرش اشتباه

این مقیاس نمایانگر اینست که تا چه اندازه شخص اصلی اشتباهاً پذیرش نمی‌شود (حساسیت بسیار بالا). این پارامتر نیز باید تا حد مورد نیاز کم باشد.

نرخ خطای مساوی:

کاهش نرخ پذیرش اشتباه باعث افزایش غیر تعمدی نرخ عدم پذیرش اشتباه می‌شود. نقطه‌ای که میزان نرخ عدم پذیرش اشتباه با نرخ پذیرش اشتباه برابر می‌شود نقطه نرخ خطای مساوی است. هرچه میزان این پارامتر کمتر باشد نمایانگر اینست که سیستم دارای یک حساسیت بهتر و توازن خوبی است.

نرخ ثبت نام نادرست

احتمال خطایی که در هنگام نمونه بردای جهت ثبت در پایگاه داده، در خصوص تشخیص صحیح ممکن است رخ هد.

تکنولوژیهای بیومتریک

اثر انگشت
هندسه دست
اندازه‌گیری شبکیه چشم
اندازه‌گیری عنبیه
تشخیص چهره
تشخیص امضاء
تشخیص صدا
آزمایش دی‌ان‌ای
تشخیص از روی سیاهرگ دست
نمودار حرارتی چهره
شدت ضربه بر روی صفخه کلید
شکل گوش
بوی بدن

شناسایی از طریق اثر انگشت

به دلیل اهمیت این سیستم، بیشتر به تجزیه و تحلیل آن خواهیم پرداخت. یکی از قدیمی‌ترین روشهای تشخیص هویت، روش شناسایی از طریق اثر انگشت می‌باشد. نوک انگشت دارای یکسری خطوط است که از یک طرف انگشت به طرف دیگر ادامه دارد. این خطوط دارای یکسری نقاط مشخصه می‌باشند که به آنها ریزه کاری گویند.

این ریزه کاریها شامل کمانها، مارپیچها، حلقه‌ها، انتهای لبه‌ها، انشعابها، نقطه‌ها (شیارهای نزدیک به لبه‌ها)، جزایر (دو انشعاب نزدیک به هم)، تقاطع (نقطه تلاقی دو یا چند لبه)، منفذها می‌باشند. در واقع ما در این سری از سیستمها الگوهای تولید شده از این ریزه کاریها را مورد مقایسه قرار می‌دهیم.

در تشخیص اثر انگشت دو روش عمده وجود دارد: در روش اول یک شابلون از محل قرار گیری ریزه کاریهای: “انتهای لبه‌ها، انشعابها، کمانها، مارپیچها و حلقه هاً تهیه می‌شود و الگوها بر این اساس تولید می‌شوند.

در حالت دیگر مابقی ریزه کاریهای ذکر شده نیز الگو برداری می‌شوند.”با مقایسه نوع، راستا (جهت) و ارتباط (موقعیت) ریزه کاریها عمل شناسایی انجام می‌شود. ”

در روش دوم از مقایسه نواحی در برگیرنده همه ریزه کاریهای ذکر شده و نیز علامت‌های مجزای دیگر و داده‌های حاصل از مقایسه مجموعه لبه‌ها در این نواحی، استفاده می‌شود.

عموماً سایز الگو در روش دوم دو الی سه برابر بزرگتر از روش اول می‌باشد. در روش اول تقریباً امکان ندارد که بتوان تصویر اثر انگشت را از الگوی مبنا بدست آورد به دلیل اینکه از تعدادی از ریزه کاریها الگوبرداری مشود و مابقی ترتیب اثر داده نمی‌شوند، ولی از روش دوم می‌توان به اثر انگشت نیز رسید.

مراحل پردازش تصویر در شناسایی بر اساس اثر انگشت

حالت اول شمای یک اثر انگشت پردازش نشده را نمایش می‌دهد. در مرحله دوم جهت خطوط اثر انگشت توسط متدهای خاصی تولید می‌شود تا از آن بتوان در شناخت جهت هر ریزه کاری استفاده کرد.

در حالت سوم نویزهای موجود در تصویر اول را حذف کرده سپس مرز بین لبه‌ها و شیارها مشخص می‌شود.

در مرحله چهارم میزان رنگ تصویر حاصله را کاهش می‌دهند تا نویزهای کوچک باقی‌مانده نیز حذف شوند و نیز حجم تصویر نیز کاهش یابد. در مرحله پنجم ریزه کاریها علامت گذاری می‌شوند و در مرحله آخر نیز این ریزه کاریها بیکدیگر متصل می‌گردند که ماتریس حاصل از شکل بدست آمده از این نواحی و ماتریس حصل از جهتها در شکل دوم و نیز ماتریس شامل نوع ریزه کاریهای در نظر گرفته شده، الگوی ما را تولید می‌کند. مراحل در شکل زیر به نمایش گذاشته شده‌اند:

سنسورهای مورد استفاده در روش شناسایی با استفاده از اثر انگشت:

۱-سنسور نوری

در این تکنولوژی کاربر انگشت خود را بر روی یک سطح پلاستیکی یا شیشه‌ای تمییز قرار می‌دهد، سپس یک اسکنر) CCD (شروع به اسکن کردن و تصویر برداری از انگشت می‌کند. این اسکنرها دارای تعدادی گیرنده نوری هستند که بصورت سطری در کنار یکدیگر قرار گرفته‌اند، که نوسانات و تغییرات شدت نور دریافتی را اندازه‌گیری می‌کنند. با تابش یک دسته شعاع نوری با شدت ثابت به انگشت، بازتاب این شعاع نوری توسط این دوربینهای CCD اندازه‌گیری می‌شود. این آرایه‌های CCD تصویری با رزولوشن ۷۲–۶۰۰dpi را نمایش می‌دهند؛ که البته قابلیت تصویر برداری تا ۱۰۰۰dpi را دارا می‌باشند. تصویر اثر انگشت تولیدی بصورت یکسری لبه‌های تاریک و شیارهای روشن نشان داده می‌شود که در ابتدا نامفهومند و با عملیات پردازش تصویر، تصویر واضحی از اثر انگشت تولید می‌شود

۲-سنسور خازنی

عملیات این سری از سنسورها بصورت جوشن خازنی است (یک ماتریس از خازنهای کنار هم). با تماس انگشت بر سطح سنسور، بین لبه‌های اثر انگشت و سنسور، یک ظرفیت خازنی مطابق با شکل ایجاد می‌شود که با اندازه‌گیری این سطوح خازنی و پردازش این سیگنالها، یک تصویر دیجیتالی بصورت ترکیبی از رنگهای مشکی، سفید و خاکستری (روشن و تیره) ۸بیتی بدست می‌آید. شکل زیر بیانگر این موضوع است. همان‌طور که در شکل مشاهده می‌کنید، انگشت باعث برقراری ارتباط بین دو الکترود می‌شود که این امر باعث بوجود آمدن فضای خازنی در بین این دو الکترود شده است. تغییرات فاصله‌ای که بین لبه‌ها و شیارهای انگشت وجود دارد، باعث پیدایش یک سیگنال ولتاژی در فضای خازنی می‌شود که در شکل دوم نشان داده شده است.

با توجه به اینکه فاصله بین پیک لبه و شیار از یک نقطه به یک نقطه دیگر تغییر می‌کند، داده خام برگردانده شده توسط سنسور به یک تصویر درهم که دارای یکسری سایه‌های خاکستری است، تبدیل می‌شود؛ که از یک الگوریتم دیگر جهت تکمیل و تصحیح این تصویر استفاده می‌شود رزولوشن این تصویر توسط اندازه و تقسیم‌بندی سلولهای سنسور تعیین می‌گردد. بعنوان مثال برای یک رزولوشن ۵۰۰dpi به یک سنسور با اندازه سلول ۵۰۰ میکرون نیاز است. عموماً این سری سنسورها رزولوشن ۲۵۰–۵۰۰dpi را تولید می‌کنند. دقت این سنسورها تا اندازه‌ای پایین است و نیاز به بازسازی تصویر بیشتری دارند.

۳-سنسور آلتراسوند

این سنسورها از یکسری فرستنده- گیرنده‌های صوتی استفاده می‌کنند. آنها امواج آلتراسوند را به شئ ساطع می‌کنند، سپس به حالت گیرنده رفته و امواج بازگشتی را ذخیره می‌کنند. (مطابق شکل) این امواج توسط تکنیکهای ویژه تصور صوتی پردازش می‌شوند. نحوه الگو برداری از یک سطح کثیف توسط سنسورهای آلتراسوند فرکانس ارسالی و دریافتی این سنسورها قابل تنظیم است. این ویژگی باعث می‌شود که فرکانسهای ناهمگن دریافتی را حذف کند. فرکانسهای این سنسورها را می‌توان طوری تنظیم نمود که از سلولهای بیجان عبور کنند که این یک مزیت بزرگ سنسورهای آلتراسوند است. مزایای سیستم‌های اندازه‌گیری اثر انگشت:

هر شخص دارای اثر انگشت منحصربه‌فردی است
اثر انگشت در برابر گذشت زمان مقاوم است
این تکنولوژی به بلوغ خود رسیده است
استفاده از آن بسیار راحت است
دارای نرخ خطای مساوی پایینی می‌باشد
ارزان است
عامه پسند است

شناسایی از طریق چهره

فرم هندسی یک چهره نیز از پارامترهای مورد اندازه‌گیری در سیستمهای بیومتریک است ولی نمی‌توان گفت که جزء خصیصه‌های منحصربه‌فرد افراد است لذا این سیستمها در جاهایی که تعداد کاربران کم است و نیز زمانهای الگوبرداری درازمدت نیست، این سیستمها مناسبند. از دیگر کاربردهای این سیستمها، استفاده در سیستمهای مالتی بیومتریک جهت افزایش دقت است. تصویر چهره یک کاربر می‌تواند توسط یک دوربین سیاه و سفید با استاندارد که یک رزولوشن ۲۴۰*۳۲۰ و اقلاً ۳ تا ۴ فریم را تولید کند، گرفته می‌شود. دو روند اصلی برای تشخیص چهره انجام می‌شود

روند کلی یا کل چهره
خصوصیات پایه‌ای چهره

بر شناسایی و تشخیص نقاط ثابت و معین در چهره که با مرور زمان کمترین حساسیت و تغییری را از خود نشان می‌دهند شامل: قسمتهایی از چشم، اطراف بینی و دهان و بخشهایی که استخوان گونه را احاطه کرده‌اند تکیه دارد.

یا روند کلی یا کل چهره

در این روش یک تصویر کامل و یکجا از چهره، بدون لوکالیزه کردن نقاط ویژه مورد پردازش قرار می‌گیرد. این متد از تکنولوژیهای زیرجهت پردازش چهره بهره می‌گیرد:

تحلیل آماری
شبکه‌های عصبی

در کل سیستمهای این چنینی دارای دقت بالایی نیستند به دلیل اینکه چهرها کاملاً منحصربه‌فرد نیستند و گاه اتفاق می‌افتد که دو نفر (مخصوصا دوقلوها) از نظر چهره با هم مشابهند؛ لذا از اینگونه سیستمها فقط در مکانهایی استفاده می‌شوند که امنیت تا حد بسیار زیاد مورد نظر نباشد.

تشخیص هویت زیست سنجی و بیومتریک قسمت 1
تشخیص هویت زیست سنجی و بیومتریک قسمت 2
تشخیص هویت زیست سنجی و بیومتریک قسمت 3
تشخیص هویت زیست سنجی و بیومتریک قسمت 4
تشخیص هویت زیست سنجی و بیومتریک قسمت 5

اکتبر 21, 2019/0 دیدگاه /توسط daliri