الکتروهایو

هوش مصنوعی / الکترونیک / برنامه‌نویسی

دیدگاهتان را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

تصویربرداری چند طیفی، دیدی جدید فراسوی نور مرئی

تصویربرداری چند طیفی، دیدی جدید فراسوی نور مرئی - سایت الکتروهایو
در این مقاله می‌خوانید:

زمان تخمینی مطالعه: 17 دقیقه

تصویربرداری چند طیفی تکنیکی است که نور را در طیف وسیعی از باندهای طیفی، فراتر از آنچه چشم انسان می‌تواند ببیند، از جمله نور مادون قرمز و ماوراء بنفش، ثبت می‌کند. این رویکرد به طور قابل توجهی از تصویربرداری رنگی سنتی با آشکار کردن جزئیات نامرئی با چشم غیرمسلح پیشی می‌گیرد.

استفاده از این روش برای جمع آوری اطلاعات غنی، کاربردهای مختلفی از جمله تجزیه و تحلیل سلامت محصول و تشخیص بیماری‌های پوستی را به همراه دارد. قلب تصویربرداری چند طیفی بر این اصل استوار است که مواد مختلف دارای علائم طیفی متمایزی هستند (الگوهای منحصر به فرد جذب نور، انعکاس یا انتشار توسط مواد مختلف). این امضاهای خاص نشان دهنده روش‌های منحصر به فردی است که در آن یک ماده با نور در طول موج‌های مختلف برهمکنش می‌کند. در حالی که برخی از مواد، طول موج‌های خاصی را با سهولت بیشتری جذب می‌کنند، برخی دیگر ممکن است آنها را با شدت بیشتری منعکس یا منتشر کنند. با مطالعه این فعل و انفعالات، می‌توان بین مواد مختلف تمایز قائل شد.

تصویربرداری چند طیفی چگونه کار می‌کند

برای رویت اشیاء توسط چشم انسان باید ابتدا نوری به جسم برخورد کند و سپس نور منعکس شده از آن جسم توسط چشم انسان قابل رویت می‌شود. نور منعکس شده از جسم به چشم ما می‌رسد و مغز ما آن سیگنال‌ها را پردازش می‌کند و باعث می‌شود ما شی را ببینیم. این نور منعکس شده تابش الکترومغناطیسی است و شکلی از انرژی است که به صورت امواج الکتریکی و مغناطیسی منتشر می‌شود که در بسته‌های انرژی به نام فوتون‌ها حرکت می‌کنند.

طیف الکترومغناطیسی چیست؟

طیف الکترومغناطیسی طیف پیوسته‌ای از تابش الکترومغناطیسی را در بر می‌گیرد که بر اساس طول موج سازماندهی شده است. این خود به باندهایی تقسیم می‌شود که هر کدام برای تابش در فواصل طول موج مشخصی نامگذاری شده‌اند. این طیف از پرتوهای گامای بسیار کوتاه تا امواج رادیویی بسیار طولانی را در بر می‌گیرد.

طیف الکترومغناطیسی

هر باند اهداف خاصی را انجام می‌دهد و کاربردهای مختلف علمی، فناوری و عملی را ارائه می‌دهد.

– باندهای مختلف طول موج

  • تصویربرداری فرابنفش (UV): این باند تصویر از 100 تا 400 نانومتر (nm) را در بر می‌گیرد و در تجزیه و تحلیل پزشکی قانونی، بازسازی کارهای هنری و نظارت بر محیط استفاده می‌شود.
  • نور مرئی (400 تا 700 نانومتر): این بخشی از طیفی است که چشم انسان می‌تواند ببیند که شامل رنگ‌های بنفش تا قرمز است.
    • آبی (450 – 495 نانومتر): به دلیل جذب قوی توسط آب و حساسیت به ذرات اتمسفر در مطالعات جوی و تجزیه و تحلیل بدنه آب استفاده می‌شود.
    • سبز (495 – 570 نانومتر): برای تجزیه و تحلیل سلامت گیاهان استفاده می‌شود زیرا گیاهان نور سبز را منعکس می‌کنند و به آنها رنگ مشخص می‌دهند. همچنین در مطالعه آب‌های عمیق استفاده می‌شود زیرا نور سبز در عمق بیشتر از سایر طول موج‌های مرئی به آب نفوذ می‌کند.
    • قرمز (620-750 نانومتر): برای ارزیابی پوشش گیاهی از طریق تجزیه و تحلیل جذب کلروفیل حیاتی است.
  • مادون قرمز نزدیک (NIR) 700 تا 1400 نانومتر: این باند برای تحقیقات کشاورزی و اکولوژیکی قابل توجه است. گیاهان نور NIR را به شدت منعکس می‌کنند که این نور را برای ارزیابی زیست توده گیاهی، سلامتی و استرس ایده آل می‌کند.
  • موج کوتاه مادون قرمز (SWIR) 1400 تا 3000 نانومتر: این طول موج در نفوذ به مه اتمسفر دارای برتری است و کاربرد آن برای نقشه برداری زمین شناسی و شناسایی مواد معدنی را افزایش می‌دهد. این باند امکان تمایز بین مواد معدنی مختلف و ارزیابی رطوبت در خاک و پوشش گیاهی را فراهم می‌کند و در تشخیص و مدیریت آتش بسیار ارزشمند است.
  • مادون قرمز میانی (MIR) 3000 تا 8000 نانومتر: این باندها در MSI سنتی به دلیل ارتباط آنها بیشتر در تصویربرداری حرارتی کمتر مورد استفاده قرار می‌گیرند. آنها برای اندازه‌گیری تفاوت‌های دما، تشخیص ناهنجاری‌های حرارتی، و در کاربردهایی که به داده‌های حرارتی نیاز دارند مانند نظارت بر محیط‌زیست، نظارت نظامی و نظارت بر فعالیت‌های آتشفشانی مهم هستند.

باندهای خاص می‌توانند مواد را بر اساس نشانه‌های طیفی آنها شناسایی کنند زیرا مواد مختلف نور را به طور متفاوتی در سراسر طیف منعکس و جذب می‌کنند. تجزیه و تحلیل بازتاب نور در باندهای طیفی مختلف امکان تشخیص وضعیت اجسام، پوشش گیاهی و سطوح را فراهم می‌کند. به عنوان مثال، پوشش گیاهی سالم انرژی نور آبی و قرمز را برای سوخت رسانی به فتوسنتز و تولید کلروفیل جذب می‌کند. در نتیجه، گیاهی با کلروفیل بیشتر در مقایسه با یک گیاه ناسالم، انرژی نزدیک به فروسرخ بیشتری را منعکس می‌کند.

مراحل مربوط به تصویربرداری چند طیفی

سیستم‌های تصویربرداری چند طیفی تصاویر را در باندهای طیفی خاص ثبت کرده و این باندها را بر اساس الزامات برنامه و امضاهای طیفی منحصر به فرد مواد مورد نظر انتخاب می‌کنند.

نمایی انتزاعی از یک دوربین تصویربرداری چند طیفی

برخلاف دوربین‌های سنتی که تصاویر را در سه رنگ اصلی (قرمز، سبز و آبی) متناسب با طیف مرئی ثبت می‌کنند، سیستم‌های تصویربرداری چند طیفی(MSI) می‌توانند نور را در هر دو بخش مرئی و نامرئی طیف، از جمله UV، نور مرئی، و نزدیک به فروسرخ ضبط کنند. مراحل مربوط به دوربین تصویربرداری چند طیفی در ادامه آورده شده است:

  • فناوری حسگر: تصویربرداری چند طیفی(MSI) از سنسورهایی استفاده می‌کند که به بخش‌های مختلف طیف الکترومغناطیسی حساس هستند. این حسگرها انرژی منعکس شده یا ساطع شده توسط اجسام در باند طیفی خاص خود را تشخیص می‌دهند. سیستم‌های MSI می‌توانند از چرخ‌های فیلتر، آینه‌های دو رنگ یا سیستم‌های مبتنی بر منشور برای جدا کردن نور ورودی به باندهای طیفی مورد نظر قبل از رسیدن به سنسور استفاده کنند.
  • دریافت تصویر: این سیستم چندین تصویر از یک صحنه را ثبت می‌کند که هر کدام در یک باند طیفی متفاوت هستند. این کار را یا به طور همزمان، با استفاده از یک آرایه حسگر مجهز به فیلترها برای باندهای مختلف، یا به طور متوالی، با تعویض فیلترها در مقابل یک حسگر واحد یا با انجام چندین گذر بر روی ناحیه مورد نظر انجام می‌دهد.
  • پردازش داده: سپس سیستم تصاویر خام را پردازش می‌کند. این مرحله شامل تصحیح تداخل جوی و نویز حسگر است.
  • تجزیه و تحلیل و تفسیر: پس از به دست آوردن تصاویر، مرحله بعدی شامل تجزیه و تحلیل داده‌های طیفی برای شناسایی مواد و ارزیابی شرایط است. تجزیه و تحلیل با مقایسه امضاهای طیفی مشاهده شده در برابر امضاهای شناخته شده مواد خاص انجام می‌شود. علاوه بر این، شامل استفاده از الگوریتم‌های آماری و یادگیری ماشین برای طبقه‌بندی مناطق تصویر بر اساس ویژگی‌های طیفی آنها می‌شود.

انواع تنظیمات دوربین تصویربرداری چند طیفی

چندین تنظیم و پیکربندی دوربین مختلف در تصویربرداری چند طیفی استفاده می‌شود که هر کدام برای نیازها و برنامه‌های خاص طراحی شده‌اند. در اینجا برخی از رایج‌ترین تنظیمات آورده شده است:

  • تک سنسور با چرخ فیلتر: این تنظیمات شامل یک دوربین تک سنسوری است که هر بار یک طول موج را ثبت می‌کند. یک چرخ فیلتر موتوری با فیلترهای نوری مختلف در جلوی سنسور قرار داده شده است. دوربین چندین عکس را به صورت متوالی می‌گیرد که هر کدام دارای فیلتر متفاوتی هستند تا باندهای طیفی مورد نظر را پوشش دهد. این روش نسبتا کند است زیرا تصاویر را به صورت متوالی می‌گیرد، اما ساده‌تر و مقرون به صرفه‌تر است.
دوربین تک سنسور با چرخ فیلتر.
  • آرایه دوربین‌های تک رنگ: این پیکربندی از چندین دوربین استفاده می‌کند که هر کدام به فیلتر طیفی متفاوتی مجهز هستند. همه دوربین‌ها محدوده طول موج مربوطه خود را به طور همزمان ضبط می‌کنند. این روش راه‌اندازی سریع‌تری از روش چرخ فیلتر دارد، زیرا همه باندهای طیفی را به یکباره می‌گیرد، اما برای اطمینان از همپوشانی کامل تصاویر، به تراز دقیق دوربین‌ها نیاز است.
سیستم دوربین چندطیفی CAMSI
  • تقسیم‌کننده پرتو با چند سنسور: در این روش، یک تقسیم‌کننده پرتو یک ورودی نوری واحد را به چندین مسیر تقسیم می‌کند که هر کدام به یک حسگر متفاوت مجهز به فیلتر طیفی خود منتهی می‌شوند. این طراحی امکان گرفتن تصویر همزمان از همه باندهای طیفی را فراهم می‌کند، شبیه به استفاده از مجموعه‌ای از دوربین‌ها، اما از طریق تقسیم نوری و فیلتر کردن است و به تراز بهتری دست می‌یابد.
دوربین 3CCD برای تقسیم پرتو با چند سنسور
  • سنسور شبیه Foveon : برخی از سنسورهای تخصصی از طراحی لایه‌ای استفاده می‌کنند، مشابه حسگر Foveon X3 که در دوربین‌های رنگی خاص استفاده می‌شود. هر لایه به طیف متفاوتی از طول موج‌ها حساس است و به حسگر اجازه می‌دهد چندین باند طیفی را به طور همزمان در یک شات بگیرد. با این حال، این سنسورها محدودیت‌هایی در تعداد باندهایی دارند که می‌توانند ضبط کنند و در کاربردهای تصویربرداری چند طیفی کمتر رایج هستند.
  • دوربین‌های فیلتر روی تراشه: برخی از سنسورهای دوربین جدیدتر دارای مجموعه‌ای از فیلترهای میکروسکوپی مستقیماً روی تراشه حسگر هستند که به پیکسل‌های مختلف اجازه می‌دهد باندهای طیفی مختلف را ثبت کنند. در حالی که روش‌های سنتی به چندین عکس با فیلترهای مختلف و تنظیمات پیچیده با تقسیم‌کننده پرتو و سنسورهای مختلف نیاز دارند، رویکرد FoC این فرآیند را ساده‌تر می‌کند. این تنظیمات می‌تواند تصاویر چند طیفی را در یک عکس بدون نیاز به فیلترهای خارجی یا تقسیم‌کننده پرتو بگیرد، اگرچه وضوح فضایی را قربانی اطلاعات طیفی می‌کند. اختصاص هر پیکسل به یک باند طیفی خاص، وضوح مکانی موثر تصویر را کاهش می‌دهد.

ادغام با تکنولوژی‌های مختلف

دوربینهای چند طیفی در فناوری‌های مختلفی مانند هواپیماهای بدون سرنشین و ماهواره‌ها ادغام شده‌اند. این ادغام، کاربرد دوربین را افزایش می‌دهد و به آنها اجازه می‌دهد تا وظایف مختلفی را انجام دهند. در ادامه برخی ار حوزه‌های ادغام این فناوری درج شده است:

  • پهپادها (وسایل نقلیه هوایی بدون سرنشین، پهپادها): پهپادهای مجهز به دوربین‌های چند طیفی می‌توانند تصاویری با وضوح بالا از مناطق خاص ثبت کنند. به عنوان مثال، این ادغام در هواپیماهای بدون سرنشین امکان استفاده از بینایی کامپیوتر را در کشاورزی فراهم می‌کند، جایی که پهپاد برای اطلاعات دقیق در مورد سلامت محصول و شرایط خاک، نظارت بر محیط زیست و مدیریت زمین استفاده می‌شود.
  • ماهواره‌ها (سنجش از راه دور): سکوهای ماهواره‌ای مجهز به حسگرهای چند طیفی پوشش جامعی از سطح زمین را فراهم می‌کند و امکان نظارت بر تغییرات کاربری زمین، پوشش گیاهی و شرایط محیطی را در مقیاس جهانی فراهم می‌کند. ماهواره‌هایی مانند Landsat در پایش طولانی‌مدت محیط‌ زیست، تحقیقات تغییرات آب و هوا و مدیریت منابع طبیعی بسیار مؤثر بوده‌اند.
  • وسایل نقلیه زمینی: تصویربرداری چند طیفی به طور گسترده در سیستم‌های خودمختار و رباتیک استفاده می‌شود. در زمینه‌هایی مانند ارزیابی زیست محیطی، و اکتشاف. به عنوان مثال، مریخ نورد از Pancams برای تصویربرداری چند طیفی استفاده می‌کند. این سیستم‌ها می‌توانند در زمین‌ها و شرایط مختلف کار کنند.
  • ابزار آزمایشگاهی: سیستم‌های تصویربرداری چندطیفی با دقت بالا در آزمایشگاه‌های تحقیقاتی برای آنالیز مواد، نمونه‌های بیولوژیکی یا ترکیبات شیمیایی استفاده می‌شوند. این سیستم‌ها می‌توانند سلامت بافت، جریان خون یا سایر ویژگی‌های فیزیولوژیکی را ثبت کنند.

تصویربرداری چند طیفی در مقابل تصویربرداری فراطیفی(Hyperspectral)

تصویربرداری چندطیفی (MSI)، تصویربرداری سنتی (مانند تصویربرداری RGB) و تصویربرداری فراطیفی (HSI) سه فناوری متمایز مورد استفاده برای ثبت تصاویر هستند که هر کدام دارای قابلیت‌ها و کاربردهای منحصر به فرد خود هستند. در اینجا مقایسه‌ای وجود دارد که تفاوت‌های اصلی آنها را برجسته کرده و بیان می‌کند:

– تصویربرداری سنتی (RGB)

  • باندهای طیفی: تصاویر را در سه باند طول موج اولیه (قرمز، سبز، آبی) متناسب با طیف نور مرئی ثبت می‌کند. این چیزی است که چشم انسان می‌تواند ببیند.
  • وضوح و سرعت: وضوح فضایی بالا و سرعت تصویربرداری سریع را ارائه می‌دهد، مناسب برای عکاسی و فیلمبرداری روزمره است.
  • کاربردها: به طور گسترده در گوشی‌های هوشمند و دوربین‌های DSLR استفاده می‌شود.
  • محدودیت‌ها: نمی‌توان اطلاعاتی فراتر از آنچه با چشم غیرمسلح قابل مشاهده است، ضبط کرد.

– تصویربرداری چند طیفی (MSI)

  • باندهای طیفی: تصاویر را در چندین باند طیفی گسسته (معمولاً بین 4 تا 10) ثبت می‌کند که شامل باندهای مرئی، مادون قرمز نزدیک (NIR) و موج کوتاه مادون قرمز (SWIR) است.
  • وضوح و سرعت: وضوح فضایی و اطلاعات طیفی متعادلی را ارائه می‌دهد.
  • کاربردها: در نظارت بر تجزیه و تحلیل محیطی و زمین استفاده می‌شود.
  • محدودیت‌ها: محدود به تعداد باندهای طیفی که می‌تواند بگیرد، که اطلاعات طیفی دقیقی را مانند تصویربرداری فراطیفی ارائه نمی‌دهد.

– تصویربرداری فراطیفی (HSI)

  • باندهای طیفی: تصاویر را در تعداد بسیار زیاد (اغلب صدها) باندهای طیفی باریک و پیوسته در طیف وسیعی از طیف الکترومغناطیسی ثبت می‌کند.
  • وضوح و سرعت: بالاترین وضوح طیفی را دارد اما وضوح فضایی در مقایسه با RGB و MSI کمتر است. سرعت پایینی دارد زیرا اطلاعات زیادی را ثبت می‌کند.
  • کاربردها: در کانی شناسی برای شناسایی کانی‌ها و در پایش محیطی برای تجزیه و تحلیل دقیق پوشش گیاهی استفاده می‌شود.
  • محدودیت‌ها: حجم زیادی از داده را تولید می‌کند که به قدرت پردازش و ذخیره‌سازی قابل توجهی نیاز دارد.

کاربردهای موفق MSI در زمینه‌های مختلف

  • کشاورزی دقیق و نظارت بر محصول: استفاده از MSI در کشاورزی دقیق، کشاورزان را قادر می‌سازد تا بر سلامت محصول نظارت کنند، مصرف آب را بهینه کنند و بیماری‌ها یا آفات را زودتر تشخیص دهند. به عنوان مثال، شاخص تفاوت عادی شده گیاهی (NDVI)، که از داده‌های MSI به دست آمده است، به ابزاری اساسی برای ارزیابی سلامت و بنیه گیاه تبدیل شده است. این فناوری منجر به افزایش عملکرد، کاهش اثرات زیست محیطی و بهبود کارایی در شیوه‌های کشاورزی شده است.
نظارت بر کیفیت دانه‌ها با تصویربرداری چند طیفی
  • فاش کردن شاهکارهای پنهان در هنر: تصویربرداری چندطیفی جزئیات پنهانی را در نقاشی‌ها و دست نوشته‌های تاریخی آشکار کرده است که قبلاً دیده نشده بودند. یک مثال قابل توجه تجزیه و تحلیل دفترچه یادداشت لئوناردو داوینچی است. تجزیه و تحلیل با موفقیت شکلی را نشان داد که احتمالاً توسط خود داوینچی کشیده و سپس پاک شده بود. کارشناسان بر این باورند که ممکن است به مجموعه‌ای از “تصاویر فراری” تعلق داشته باشد که گهگاه در آثار او یافت می‌شود.
بررسی دفترچه لئوناردو داوینچی با تصویربرداری چند طیفی
  • تشخیص سرطان پوست: در بحث سلامت و به طور خاص، درماتولوژی، MSI برای افزایش تشخیص زودهنگام سرطان پوست، از جمله ملانوم، استفاده شده است. با تجزیه و تحلیل تصاویر طیفی، متخصصان پوست می‌توانند ضایعات بدخیم و خوش خیم را با دقت بیشتری تشخیص دهند. این ابزار تشخیصی غیر تهاجمی نرخ تشخیص زودهنگام را بهبود بخشیده است و به طور قابل توجهی بر نتایج بیمار و موفقیت درمان تأثیر می‌گذارد.
تشخیص سرطان پوست (ملانوم)
  • کنترل کیفیت در تولید صنعتی: در صنایع غذایی، MSI با موفقیت برای تضمین کیفیت و ایمنی محصولات به کار گرفته شده است. به عنوان مثال، سیستم‌های MSI برای تشخیص اجسام خارجی در مواد غذایی در خطوط تولید یا ارزیابی رسیده بودن و کیفیت میوه‌ها و سبزیجات بدون آسیب رساندن به آنها استفاده می‌شود. این نرم افزار کیفیت محصول، ایمنی مصرف کننده و کارایی عملیاتی در پردازش و تولید مواد غذایی را بهبود بخشیده است.

یادگیری عمیق و تصویربرداری چند طیفی

یادگیری عمیق با تصویربرداری چند طیفی برای تشخیص و طبقه‌بندی اشیاء استفاده می‌شود. شبکه‌های عصبی کانولوشنال (CNN)، در استخراج خودکار و یادگیری ویژگی‌ها از تصاویر عالی هستند. هنگامی که برای تصویربرداری چند طیفی اعمال می‌شود، این مدل‌ها می‌توانند الگوهایی را در باندهای طیفی مختلف شناسایی کنند که ممکن است برای چشم انسان یا از طریق تکنیک‌های پردازش تصویر سنتی قابل مشاهده یا تشخیص نباشند. مدل‌ها می‌توانند از این اطلاعات طیفی متنوع برای بهبود وظایف تشخیص و طبقه‌بندی اشیاء استفاده کنند. به عنوان مثال، استفاده از مدل‌هایی مانند YOLOv3 که بر روی مجموعه داده‌های چند طیفی آموزش دیده‌اند. ادغام توانایی مدل را برای تشخیص و طبقه‌بندی اشیاء تحت شرایط مختلف، مانند نور کم یا دید مبهم، افزایش می‌دهد.

تشخیص اشیاء با استفاده از تصویر حرارتی

چالش‌ها و محدودیت‌ها

  • پیچیدگی: در مقایسه با دوربین‌های استاندارد RGB، سیستم‌های چند طیفی به تنظیمات پیچیده‌تری نیاز دارند. آنها اغلب شامل چندین دوربین یا حسگر هستند که داده‌ها را در باندهای طیفی مختلف ثبت می‌کنند. این امر می‌تواند آنها را حجیم‌تر و گران‌تر کند و به نیروی متخصص نیاز داشته باشد.
  • مدیریت داده‌ها: داده‌های جمع آوری شده توسط تصویربرداری چند طیفی معمولاً بسیار بزرگ است. این چالش‌ها و محدودیت‌هایی مانند قدرت ذخیره‌سازی و پردازش را به همراه دارد.
  • وضوح طیفی: در حالی که تصویربرداری چند طیفی اطلاعات طیفی بیشتری را نسبت به تصویربرداری RGB ارائه می‌دهد، اما همچنان داده‌ها را در تعداد محدودی از باندهای طیفی ضبط می‌کند. این موضوع می‌تواند یک محدودیت در مقایسه با تصویربرداری فراطیفی باشد، که یک طیف پیوسته را گرفته و می‌تواند اطلاعات دقیق‌تری در مورد خواص مواد اشیاء تصویر شده ارائه دهد.
  • فاصله اشیاء: تصویربرداری چند طیفی می‌تواند برای اجسام در فواصل مختلف مؤثر نباشد. حصول اطمینان از اینکه همه اشیاء در تصویر در یک ردپای فضایی در همه باندهای طیفی گرفته می‌شوند، می‌تواند چالش برانگیز باشد، به خصوص برای کاربردهای نزدیک(close-up).
لوگو الکتروهایو

الکتروهایو در خدمت مخاطبان عزیز می‌باشد. ما در تیم الکتروهایو در تلاش برای تهیه مقالات و مطالب به روز هستیم. لطفا برای مطالب و مقالات بیشتر با ما همراه باشید.

مطالب مرتبط:

داده‌های اسمی Nominal Data - الکتروهایو

داده‌های اسمی Nominal Data چیست؟

داده‌های اسمی(Nominal Data) یکی از اساسی‌ترین انواع داده‌ها در تجزیه و تحلیل داده‌ها است. شناسایی و تفسیر آن در بسیاری از زمینه‌ها از جمله آمار، علوم کامپیوتر، روانشناسی و بازاریابی ضروری است. این مقاله ویژگی‌ها، کاربردها و تفاوت‌های داده‌های اسمی

ادامه مطلب »
حاشیه‌نویسی متن در هوش مصنوعی - سایت الکتروهایو

حاشیه‌نویسی متن در هوش مصنوعی

حاشیه‌نویسی داده به الگوریتم‌های یادگیری ماشین اجازه می‌دهد تا اطلاعات را درک و تفسیر کنند. حاشیه‌نویسی‌ها برچسب‌هایی هستند که داده‌ها را شناسایی و طبقه‌بندی می‌کنند یا قطعات مختلف اطلاعات را با یکدیگر مرتبط می‌کنند. الگوریتم‌های هوش مصنوعی از آنها به

ادامه مطلب »
هوش مصنوعی در باستان شناسی و کاربردهای آن - سایت الکتروهایو

هوش مصنوعی در باستان شناسی چه کاربردهای می‌تواند داشته باشد؟

مکان‌های باستان‌شناسی ممکن است ثابت باشند، اما فرهنگ‌هایی که آنها را تولید کرده‌اند، پویا و متنوع بودند. برخی از آنها کاملاً عشایری بودند و مرتباً موقعیت خود را تغییر می‌دادند. برخی از آنها فواصل بسیار زیادی را مهاجرت کردند، در

ادامه مطلب »
با الگوریتم تشخیص اشیاء FCOS آشنا شوید - سایت الکتروهایو

با الگوریتم تشخیص اشیاء FCOS آشنا شوید: تشخیص اشیاء تک مرحله‌ای کاملاً کانولوشنال

تشخیص اشیاء یک کار مهم در بینایی کامپیوتر است که با رسم کادرهای محدود کننده در اطراف اشیاء شناسایی شده، مکان یک شی را در یک تصویر شناسایی و مکان‌یابی می‌کند. اهمیت تشخیص اشیاء را نمی‌توان به اندازه کافی بیان

ادامه مطلب »
با سایت Kaggle آشنا شوید! دریچه‌ای رو به دنیای اجتماع متخصصان هوش مصنوعی - سایت الکتروهایو

با سایت Kaggle آشنا شوید! دریچه‌ای رو به دنیای اجتماع متخصصان هوش مصنوعی

یادگیری ماشین (Machine Learning) و علم داده (Data Science) موضوعاتی هستند که در تمامی بخش‌های فناوری اطلاعات در مورد آن بحث و گفتگو وجود دارد. امروزه همه چیز در حال خودکار شدن است، و برنامه‌های کاربردی نیز به سرعت در

ادامه مطلب »
مفهوم شبکه‌های مولد متخاصم GANs در حوزه یادگیری ماشین - سایت الکتروهایو

مفهوم شبکه‌های مولد متخاصم GANs در حوزه یادگیری ماشین

شبکه‌های متخاصم مولد(Generative Adversarial Networks) یک کلاس از چارچوب‌های یادگیری ماشین است. بر اساس مجموعه داده‌های آموزشی، یک GANs یاد می‌گیرد که داده‌های جدید را با همان آمار مجموعه آموزشی تولید کند. داده‌های ایجاد شده توسط GANs می‌تواند هر چیزی

ادامه مطلب »
داده‌های اسمی Nominal Data - الکتروهایو

داده‌های اسمی Nominal Data چیست؟

داده‌های اسمی(Nominal Data) یکی از اساسی‌ترین انواع داده‌ها در تجزیه و تحلیل داده‌ها است. شناسایی ...

حاشیه‌نویسی متن در هوش مصنوعی - سایت الکتروهایو

حاشیه‌نویسی متن در هوش مصنوعی

حاشیه‌نویسی داده به الگوریتم‌های یادگیری ماشین اجازه می‌دهد تا اطلاعات را درک و تفسیر کنند. ...

هوش مصنوعی در باستان شناسی و کاربردهای آن - سایت الکتروهایو

هوش مصنوعی در باستان شناسی چه کاربردهای می‌تواند داشته باشد؟

مکان‌های باستان‌شناسی ممکن است ثابت باشند، اما فرهنگ‌هایی که آنها را تولید کرده‌اند، پویا و ...

با الگوریتم تشخیص اشیاء FCOS آشنا شوید - سایت الکتروهایو

با الگوریتم تشخیص اشیاء FCOS آشنا شوید: تشخیص اشیاء تک مرحله‌ای کاملاً کانولوشنال

تشخیص اشیاء یک کار مهم در بینایی کامپیوتر است که با رسم کادرهای محدود کننده ...

با سایت Kaggle آشنا شوید! دریچه‌ای رو به دنیای اجتماع متخصصان هوش مصنوعی - سایت الکتروهایو

با سایت Kaggle آشنا شوید! دریچه‌ای رو به دنیای اجتماع متخصصان هوش مصنوعی

یادگیری ماشین (Machine Learning) و علم داده (Data Science) موضوعاتی هستند که در تمامی بخش‌های ...