فناوری تشخیص اشیا (Object Detection) شاخه‌ای از بینایی ماشین و هوش مصنوعی است که مشخص میکند در یک تصویر یا ویدیو چه اشیایی وجود دارند و هر کدام دقیقاً کجا قرار گرفته‌اند. خروجی این فناوری برای هر شی یک کادر مستطیلی (Bounding Box)، یک برچسب مانند «خودرو» یا «انسان» و یک درصد اطمینان است. امروزه تشخیص اشیا در خودروهای خودران، دوربین‌های امنیتی، پزشکی، صنعت و فروشگاه‌ها استفاده می‌شود.
انسان با یک نگاه میتواند اشیای اطراف خود را تشخیص دهد، اما یادگیری همین توانایی برای ماشین‌ها سال‌ها چالش بود. سه عامل این مسئله را حل کرد: دسترسی به داده‌های برچسب‌خورده بسیار زیاد، پیشرفت الگوریتم‌های یادگیری عمیق و افزایش توان پردازشی رایانه‌ها (به‌ویژه کارت‌های گرافیک). به همین دلیل امروز ماشین‌ها می‌توانند اشیا را با دقت بالا و حتی به‌صورت بلادرنگ تشخیص دهند.
فناوری تشخیص اشیا دقیقاً چیست؟
تشخیص اشیا زیرمجموعه‌ای از بینایی ماشین (Computer Vision) است. بینایی ماشین به سیستم‌ها امکان می‌دهد تصویر را ببینند و درک کنند، و هر سیستمی که بخواهد محیط خود را بفهمد باید بتواند اشیای آن را تشخیص دهد.
این فناوری دو کار را همزمان انجام می‌دهد:
- مکان‌یابی (Localization): پیدا کردن محل شی در تصویر و کشیدن کادر دور آن
- طبقهبندی (Classification): مشخص کردن نوع شی، مثلاً خودرو، انسان یا ساختمان
تفاوت مهم تشخیص اشیا با دسته‌بندی ساده تصویر این است که میتواند چند شی مختلف را همزمان در یک تصویر یا ویدیو پیدا کند. این فناوری از مدت‌ها قبل وجود داشته، اما با ظهور یادگیری عمیق در دهه ۲۰۱۰ میلادی دقت و سرعت آن جهش بزرگی کرد.
تشخیص اشیا چگونه کار میکند؟
روش کار مدل‌های امروزی به‌طور خلاصه این مراحل را دارد:
- ورودی: تصویر یا فریم‌های ویدیو به مدل داده می‌شود.
- استخراج ویژگی‌ها: یک شبکه عصبی پیچشی (CNN) ویژگی‌هایی مانند لبه، بافت، شکل و رنگ را از تصویر استخراج میکند.
- پیشنهاد نواحی: مدل نواحی احتمالی وجود شی را مشخص میکند.
- طبقهبندی و تعیین کادر: برای هر ناحیه، نوع شی و مختصات دقیق کادر پیش‌بینی می‌شود.
- حذف تکراری‌ها: کادرهای هم‌پوشان با روشی مانند NMS (Non-Maximum Suppression) حذف می‌شوند تا برای هر شی فقط یک کادر بماند.
- خروجی: برای هر شی، کادر، برچسب و درصد اطمینان (Confidence Score) نمایش داده می‌شود.
مدل‌ها برای یادگیری به هزاران یا میلیون‌ها تصویر برچسب‌خورده نیاز دارند. مجموعه‌داده‌هایی مانند COCO و Pascal VOC از رایج‌ترین دیتاست‌های آموزش و ارزیابی هستند.
تفاوت طبقهبندی، تشخیص و قطعه‌بندی تصویر
| روش | چه کار میکند؟ | مثال خروجی |
|---|---|---|
| طبقهبندی تصویر (Classification) | فقط نوع محتوای کل تصویر را مشخص میکند | «این تصویر یک گربه است» |
| تشخیص اشیا (Object Detection) | نوع و محل هر شی را با کادر مشخص میکند | دو کادر: «گربه» و «سگ» |
| قطعه‌بندی (Segmentation) | هر پیکسل را به یک شی یا پس‌زمینه نسبت می‌دهد | جدا کردن دقیق شکل گربه از پس‌زمینه |
الگوریتم‌های معروف تشخیص اشیا
- YOLO (You Only Look Once): تصویر را یک‌بار پردازش میکند و به همین دلیل بسیار سریع است. برای کاربردهای بلادرنگ مثل دوربین‌های نظارتی و خودروهای خودران محبوب است.
- SSD (Single Shot MultiBox Detector): مدلی تک‌مرحله‌ای با تعادل خوب بین سرعت و دقت.
- Faster R-CNN: مدلی دومرحله‌ای که معمولاً دقت بالاتری دارد، اما از مدل‌های تک‌مرحله‌ای کندتر است.
انتخاب الگوریتم به نیاز پروژه بستگی دارد: اگر سرعت مهم‌تر است معمولاً YOLO یا SSD، و اگر دقت بیشتر اهمیت دارد مدل‌های دومرحله‌ای مناسب‌ترند.
کاربردهای تشخیص و شناسایی اشیا
کاربرد این فناوری در صنایع مختلف بسیار گسترده است. مهم‌ترین موارد را مرور می‌کنیم.
۱. خودروهای خودران
خودروهای خودران برای شناخت محیط از دوربین، رادار و لیدار استفاده می‌کنند. تشخیص اشیا خودروها، عابران پیاده، دوچرخه‌سوارها، علائم راهنمایی و چراغ‌های ترافیکی را در لحظه شناسایی میکند. سیستم با تحلیل این اطلاعات تصمیم می‌گیرد که ترمز کند، سرعت را کم کند یا مسیر را تغییر دهد.
۲. تشخیص و شناسایی چهره
پیدا کردن چهره در تصویر شبیه پیدا کردن هر شی دیگری است. مرحله بعد، یعنی تشخیص اینکه این چهره متعلق به چه کسی است، «شناسایی چهره (Face Recognition)» نام دارد. سیستم‌هایی مانند DeepFace فیسبوک و سیستم‌های گوگل از این فناوری استفاده می‌کنند.
در امنیت، نرم‌افزار تشخیص چهره با مقایسه چهره افراد با اطلاعات ثبت‌شده، فقط به افراد مجاز اجازه دسترسی می‌دهد. این روش یکی از انواع احراز هویت بیومتریک است. لازم است استفاده از آن با رعایت قوانین حریم خصوصی انجام شود.
۳. شمارش افراد
تشخیص اشیا میتواند افراد را در تصویر پیدا و شمارش کند. این کار در تحلیل عملکرد فروشگاه‌ها، بررسی تراکم جمعیت در جشنواره‌ها و مدیریت مکان‌های شلوغ کاربرد دارد. سرعت زیاد حرکت افراد و شلوغی زیاد دقت شمارش را کاهش می‌دهد و از چالش‌های اصلی این کاربرد است.
۴. صنعت و تولید
کارخانه‌ها از تشخیص اشیا برای شناسایی و دسته‌بندی محصولات، مدیریت موجودی انبار و کنترل کیفیت استفاده می‌کنند. برای مثال سیستم میتواند محصول معیوب را روی خط تولید تشخیص دهد و از مسیر خارج کند.
۵. ردیابی اشیا
ردیابی اشیا (Object Tracking) یعنی دنبال کردن شی متحرک در فریم‌های متوالی ویدیو. این کار معمولاً با ترکیب تشخیص اشیا و الگوریتم‌های ردیابی انجام می‌شود. ردیابی توپ در مسابقه فوتبال یا دنبال کردن یک فرد در ویدیو از نمونه‌های آن است. از کاربردهای مهم آن می‌توان به نظارت تصویری، پایش جریان ترافیک، تعامل انسان و رایانه و تحلیل رفتار انسان اشاره کرد.
۶. شناسایی هویت از روی عنبیه
عنبیه چشم از دقیق‌ترین ویژگی‌های بیومتریک برای تشخیص هویت است. در این سیستم‌ها ابتدا ناحیه چشم و عنبیه با تشخیص اشیا پیدا می‌شود و سپس ویژگی‌های آن برای تطبیق هویت بررسی می‌شود.
۷. حذف پس‌زمینه و جداسازی اشیا
برنامه‌های حذف پس‌زمینه تصویر ابتدا شی اصلی را شناسایی می‌کنند و سپس با قطعه‌بندی تصویر، پیش‌زمینه را از پس‌زمینه جدا می‌کنند. در این کاربرد تشخیص اشیا معمولاً همراه با تکنیک‌های قطعه‌بندی استفاده می‌شود.
۸. تحلیل حالت چهره و احساسات
پس از پیدا کردن چهره، مدل میتواند حالت آن را (مثل لبخند، تعجب یا ناراحتی) تحلیل کند. این کار در انتخاب بهترین عکس، تحلیل تجربه کاربری و پایش وضعیت بیماران کاربرد دارد.
۹. تشخیص رفتار و شناسایی فعالیت‌های ناهنجار
تشخیص رفتار (Action Recognition) به معنی شناسایی فعالیتی است که در ویدیو انجام می‌شود، مانند دویدن، راه رفتن یا پریدن. انسان این کار را به‌راحتی انجام می‌دهد، اما برای هوش مصنوعی کار ساده‌ای نیست.
یکی از مهم‌ترین کاربردهای آن شناسایی رفتار ناهنجار در ویدیوهای دوربین‌های نظارتی است. به‌جای اینکه نیروی انسانی ساعت‌ها تصاویر را تماشا کند، سیستم هوشمند خودکار هشدار می‌دهد. نمونه‌هایی از این رفتارها:
- ورود دوچرخه، موتور یا کامیون به پیاده‌رو
- ورود فرد به ایستگاه مترو بدون پرداخت کرایه
- عبور خودرو از گیت عوارضی بدون پرداخت عوارض
- تغییر ناگهانی جهت حرکت جمعیت، که ممکن است نشانه حادثه‌ای مثل آتش‌سوزی باشد
برای این کار از روش‌های آماری، بینایی ماشین، یادگیری ماشین و یادگیری عمیق استفاده می‌شود. تشخیص اشیا اولین مرحله است و برای شناسایی فعالیت ناهنجار به مراحل تحلیلی دیگری هم نیاز است.
۱۰. رباتیک
ربات‌ها باید تصاویر را بلادرنگ پردازش کنند و سریع با تغییرات محیط سازگار شوند. یک سیستم تشخیص اشیای قابل‌اعتماد برای تعامل ایمن و دقیق ربات‌ها با محیط ضروری است، مثلاً برای برداشتن اشیا در انبار یا پرهیز از موانع.
۱۱. پلاک‌خوانی
نرم‌افزار پلاک‌خوان ابتدا با تشخیص اشیا محل پلاک را در تصویر پیدا میکند و سپس حروف و اعداد آن را می‌خواند. با داده‌های آموزشی کافی و الگوریتم مناسب، این کار در تصاویر و ویدیوها به‌صورت بلادرنگ انجام می‌شود. برای بررسی عملکرد پلاک‌خوان می‌توانید از سرویس آنلاین پلاک‌خوان خودرو استفاده کنید. (لینک واقعی صفحه را جایگزین کنید.)
۱۲. پزشکی
در پزشکی، تشخیص اشیا به پیدا کردن ناحیه‌های مشکوک در تصاویر رادیولوژی، سی‌تی‌اسکن و پاتولوژی کمک میکند، مانند تومورها یا ندول‌های ریوی. این سیستم‌ها ابزار کمکی برای پزشک هستند و جایگزین تشخیص او نمی‌شوند.
چالش‌های تشخیص اشیا
- شرایط نوری: نور کم، سایه یا بازتاب دقت را کاهش می‌دهد.
- پوشیدگی اشیا (Occlusion): وقتی بخشی از شی پشت شی دیگر است، تشخیص سخت‌تر می‌شود.
- اشیای کوچک: اشیای بسیار کوچک یا دور از دوربین سخت‌تر تشخیص داده می‌شوند.
- تفاوت زاویه و اندازه: یک شی از زوایا و اندازه‌های مختلف ظاهر متفاوتی دارد.
- نیاز به سرعت: در کاربردهای بلادرنگ، مدل باید هم سریع و هم دقیق باشد.
- نیاز به داده برچسب‌خورده: آماده‌سازی داده‌های آموزشی زمان‌بر و پرهزینه است.
جمع‌بندی
تشخیص اشیا یکی از پایه‌های بینایی ماشین است که به رایانه‌ها اجازه می‌دهد بفهمند در تصویر چه چیزی و در کجا قرار دارد. این فناوری از خودروهای خودران و امنیت تا پزشکی، صنعت و رباتیک کاربرد دارد و با پیشرفت یادگیری عمیق هر سال دقیق‌تر و سریع‌تر می‌شود.
سوالات متداول
tyle=”text-align: justify;”>طبقهبندی فقط مشخص میکند تصویر چه محتوایی دارد، اما تشخیص اشیا علاوه بر نوع، محل هر شی را هم با کادر مشخص میکند و میتواند چند شی را همزمان پیدا کند.
الگوریتم برتر مطلق وجود ندارد. YOLO و SSD برای کاربردهای سریع و بلادرنگ مناسب‌اند و Faster R-CNN وقتی دقت بیشتر از سرعت اهمیت دارد.
پیدا کردن چهره در تصویر نوعی تشخیص شی است، اما شناسایی اینکه چهره متعلق به چه کسی است، مرحله‌ای جداگانه به نام Face Recognition است.
خیر، روی تصاویر ثابت و ویدیو هر دو کار میکند. در ویدیو، مدل فریمها را یکییکی پردازش میکند.
