بینایی ماشین: کاربردهایی که در ایران جواب دادهاند
بینایی ماشین از آن حوزههایی است که دموی خوبش خیلی راحت گرفته میشود و نسخهٔ تولیدیاش خیلی سخت. یک مدل آماده روی ده عکس تمیز کار میکند؛ همان مدل روی دوربینی که پشت به آفتاب نصب شده و شیشهاش گردوخاک دارد، جواب دیگری میدهد.
کجا واقعاً جواب میدهد
کاربردهایی که در پروژههای ایرانی نتیجه گرفتهاند، معمولاً این ویژگیها را دارند: شرایط تصویر قابل کنترل است، خطا برگشتپذیر است، و کار آنقدر تکراری است که آدم هم در انجامش خسته میشود.
شمارش و کنترل موجودی. شمارش قطعات روی نوار نقاله، تشخیص خالیبودن قفسه در فروشگاه، تخمین اشغال انبار. نور و زاویه ثابت است و همین بیشتر مسئله را حل میکند.
بازرسی کیفیت. تشخیص عیب ظاهری در تولید. جایی که ارزشش را دارد، خط تولید پرسرعتی است که بازرسی چشمی از آن عقب میماند.
خواندن پلاک و بارکد. جاافتادهترین کاربرد، و در پارکینگ و باسکول و کنترل تردد سالهاست کار میکند.
ایمنی. تشخیص نبود کلاه یا جلیقه در محوطه، یا ورود به ناحیهٔ ممنوع. اینجا هدف هشدار است نه تصمیم، و همین قابل قبولش میکند.
بازرسی میدانی. ثبت وضعیت با عکس و تشخیص خودکار موارد مشکوک، تا کارشناس فقط همانها را ببیند. در دیدبان با شکل سادهتری از همین مسئله کار کردیم — ثبت ساختاریافتهٔ وضعیت در محل.
کجا نمینشیند
تشخیص چیزی که مرز مشخصی ندارد. «کالای بیکیفیت» تعریف عینی ندارد و اگر دو کارشناس شما سر یک نمونه اختلاف دارند، مدل هم به توافق نمیرسد.
تصمیمهای پرپیامد بدون بازبینی. مدل میتواند مورد مشکوک را علامت بزند؛ محرومکردن یک نفر یا رد کردن یک محموله باید امضای آدم داشته باشد.
و شرایطی که هر بار عوض میشود. اگر نور و زاویه و پسزمینه در هر تصویر متفاوت است، کاری که با یک دوربین ثابت چند هفتهای جواب میداد، چند ماه طول میکشد.
سختافزار، بخشی که در برآورد گم میشود
بیشتر پروژههایی که دیدهایم و به نتیجه نرسیدهاند، مشکلشان مدل نبوده.
نور. ثابتترین متغیر قابل کنترل و بیشترین اثر. یک نورپرداز ساده معمولاً بیشتر از تعویض مدل کمک میکند.
زاویه و فاصلهٔ نصب، که باید قبل از شروع تثبیت شود. اگر کسی شش ماه بعد دوربین را جابهجا کند، مدل شما بیاعتبار میشود و هیچ هشداری هم نمیدهد.
رزولوشن متناسب با کوچکترین چیزی که باید دیده شود. دوربین گران با زاویهٔ غلط، از دوربین ارزان با زاویهٔ درست بدتر است.
و پردازش در محل یا در سرور؟ اگر پهنای باند محدود است یا تأخیر مهم است، پردازش باید روی دستگاه باشد و این انتخاب سختافزار را تعیین میکند.
داده و برچسبزدن
اینجاست که هزینهٔ واقعی مینشیند و کمترین حرف دربارهٔ آن زده میشود.
مدل باید نمونه ببیند، و نمونهها باید برچسب بخورند — یعنی کسی باید روی هزاران تصویر مشخص کند چه چیزی کجاست. برای تشخیص شیء، برچسب یعنی کشیدن کادر دور هر نمونه. کار کند و خستهکنندهای است و معمولاً کسی در برآورد اولیه ندیدش.
دو راه که هزینه را کم میکنند: شروع از مدل از پیش آموزشدیده و تنظیمش با نمونهٔ کمتر، و برچسبزدن مرحلهای — اول چند صد نمونه، آموزش، و بعد برچسبزدن مواردی که مدل در آنها مردد بوده. دومی بهشکل محسوسی تعداد نمونهٔ لازم را کم میکند.
مهمتر از تعداد: نمونهها باید بدترین حالتها را هم داشته باشند. اگر همهٔ داده آموزش از یک شیفت روز گرفته شده، مدل شب کار نمیکند.
تشخیص چهره، و چیزی که باید روشن باشد
این کاربرد در ایران تقاضای زیادی دارد و دو نکته را باید قبل از شروع حل کرد.
اول فنی: دقت در شرایط واقعی — ماسک، زاویه، نور کم — بهشکل جدی پایینتر از اعدادی است که در معیارهای عمومی گفته میشود. اگر کاربرد شما کنترل تردد است، به مسیر جایگزین نیاز دارید، وگرنه در روز اول صف تشکیل میشود.
دوم، که مهمتر است: داده چهره، دادهٔ شخصی است. باید مشخص باشد چه مدت نگه داشته میشود، چه کسی دسترسی دارد، و افراد چطور مطلع میشوند. این را در ابتدا حل کنید نه بعد از استقرار؛ چارچوبش در محرمانگی داده هست.
چطور شروع کنید
یک کاربرد با شرایط ثابت انتخاب کنید. شمارش یا خواندن پلاک، نه «تشخیص رفتار مشکوک».
قبل از هر چیز، دوربین را نصب کنید و چند هفته فقط تصویر جمع کنید. این کار هیچ هزینهٔ مدلی ندارد و دو چیز را روشن میکند: تصویر واقعی چقدر با تصور شما فرق دارد، و چه تعداد نمونه از حالتهای نادر گیرتان میآید.
بعد با یک مدل آمادهٔ عمومی روی همان تصاویر امتحان کنید. گاهی همان کافی است. اگر نبود، حالا میدانید چقدر فاصله دارید و برچسبزدن چقدر لازم است.
و مثل هر پروژهٔ دیگری، آستانهٔ پذیرش را قبل از شروع تعیین کنید — چند درصد خطا قابل تحمل است و کدام نوع خطا بدتر است. در بازرسی کیفیت، رد کردن کالای سالم و پذیرفتن کالای معیوب دو هزینهٔ کاملاً متفاوت دارند و مدل باید بداند کدام را بیشتر بپرهیزد.