Największym problemem związanym z analizą obrazu jest niepowtarzalność parametrów wejściowych. Obiekt nigdy nie jest tak samo oświetlony, pojawia się w różnych odległościach i pod innym kątem.
Te i inne uwarunkowania znacznie utrudniają rozpoznanie obiektu, np.: tablicy rejestracyjnej samochodu, ludzkiej twarzy, itp.
Rozwiązaniem tego problemu są systemy sztucznej inteligencji, m.in. sztuczne sieci neuronowe. Sieci neuronowe są informatycznymi odpowiednikami systemu nerwowego człowieka, zbudowanego z elementarnych komórek zwanych neuronami. Ich zadaniem jest przyjmowanie, przetwarzanie i przekazywanie informacji. Sygnały wejściowe do komórek (neuronów) są doprowadzane za pośrednictwem „złączy” zwanych synapsami. Szczególną funkcjonalnością tych „złączy” jest możliwość ich „programowania”, co pozwala na odpowiednie dobranie wielkości przekazywanego impulsu, w zależności od ważności sygnału.
W informatycznym modelu systemu nerwowego (sztuczne sieci neuronowe), w zależności od skomplikowania i złożoności przetwarzanego problemu, dobiera się odpowiedni model sieci: ilość neuronów, ilość warstw, rodzaj sieci (jednokierunkowa, rekurencyjna).
W celu zróżnicowania wpływu poszczególnych złączy (synaps) na przekazywaną między neuronami informację, wprowadza się wagi – współczynniki liczbowe, które podnoszą znaczenie pewnych impulsów, obniżając wagę innych. Istotą sztucznych sieci neuronowych jest możliwość nauki – modyfikacja wag przy użyciu funkcji matematycznych. Wraz ze wzrostem ilości „pętli uczących” (epok) wzrasta skuteczność programu w wykonywaniu powierzonego mu zadania.
W rozpoznawaniu obrazu pierwsze elementy sieci (warstwa wejściowa) przyjmują wartości zależne od parametrów obrazu (np. kolor piksela). Przetwarzając tę informację poprzez kolejne neurony, w warstwie wyjściowej otrzymujemy informację o podjętej przez program decyzji – np. rozpoznanie twarzy konkretnej osoby, czy numeru rejestracyjnego samochodu.
Ponieważ sztuczne sieci neuronowe są systemami rozbudowanymi, dobrze znoszą szum i nadają się do zastosowań z dużym poziomem szumu losowego, czyli różnego rodzaju zakłóceń.
Oprogramowania oparte na sieciach neuronowych znalazło między innymi zastosowanie w:kartografii, geografii, geologii, astronomii i meteorologi – do analizy zdjęć satelitarnych i lotniczych;medycynie – do analizy zdjęć rentgenowskich i obrazów mikroskopowych;fizyce – do polepszanie jakości obrazów z eksperymentów;biometrii – do klasyfikacji i identyfikacji na podstawie cech biologicznych;bezpieczeństwie – do analizy obiektów w prześwietlanych bagażach, reakcji tłumu i poszczególnych osób;nadzorze ruchu miejskiego i kontroli jakości produktów;rozpoznawaniu znaków i obrazów – tablice rejestracyjne, podpisy, identyfikacja osób;sterowaniu procesami na podstawie obrazu, monitorowaniu stanu osób i urządzeń, np. rozpoznawanie sytuacji awaryjnych.
Oprogramowanie oparte na sieciach neuronowych pozwala, miedzy innymi, na analizę i ocenę zachowań tłumu
www.dipol.com.pl
Autorem artykułu jest Katarzyna G.
Artykuł pochodzi z serwisu www.Artelis.pl
Niezwykle przydatną i ciekawą i dobrą dziedziną wiedzy jest Sztuczna inteligencja, która pozwala zrozumieć systemy logiki rozmytej.