ICO wiki - User contributions [en]

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:28:37Z

Lepesk: /* Allikad */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine. <ref name="pic1">https://habr.com/ru/post/350918/</ref>|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.<ref name="зшс2">https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2</ref>|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath. <ref name="pic4">https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD</ref>|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer. <ref name="зшс3">https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd</ref>|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant. <ref name="pic6">https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work</ref>|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:28:08Z

Lepesk: /* Masinnägemise rakendamine */

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:27:10Z

Lepesk: /* Masinnägemise rakendamine */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine. <ref name="pic1">https://habr.com/ru/post/350918/</ref>|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.<ref name="зшс2">https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2</ref>|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath. <ref name="pic4">https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD</ref>|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer. <ref name="зшс3">https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd</ref>|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:26:01Z

Lepesk: /* Masinnägemise rakendamine */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine. <ref name="pic1">https://habr.com/ru/post/350918/</ref>|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.<ref name="зшс2">https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2</ref>|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer. <ref name="зшс3">https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd</ref>|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:24:30Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine. <ref name="pic1">https://habr.com/ru/post/350918/</ref>|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.<ref name="зшс2">https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2</ref>|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:23:03Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine. <ref name="pic1">https://habr.com/ru/post/350918/</ref>|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:22:33Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine. <ref name="pic1">https://habr.com/ru/post/350918/</ref>|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:21:48Z

Lepesk:

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine. <ref name="pic1">https://habr.com/ru/post/350918/</ref>|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi: <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:17:24Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi: <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:17:10Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi: <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:16:21Z

Lepesk:

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine; ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T15:11:42Z

Lepesk: /* Masinnägemise rakendamine */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale. <ref name="trafficlights">drosselmayer Evolution of smart traffic lights / drosselmayer. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/125282/</ref><ref name="trafficlights2">Tott Smart Traffic Lights / Tott. — Tekst : elekrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/553162/ .</ref>

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:58:50Z

Lepesk: /* Allikad */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1 https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

2 https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

3 https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

4 https://habr.com/ru/post/350918/

5 https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:57:54Z

Lepesk: /* Masinnägemise rakendamine */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme. <ref name="BostonDynamics">BostonDynamics Robot-Dog / BostonDynamics. — Текст : электронный // www.bostondynamics.com : [сайт]. — URL: https://www.bostondynamics.com/ .</ref>

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:55:19Z

Lepesk: /* Masinnägemise rakendamine */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant2">Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:53:44Z

Lepesk: /* Masinnägemise rakendamine */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades <ref name="indastrial"> https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/</ref>

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:51:40Z

Lepesk: /* Kuidas masinnägemine töötab */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.<ref name="workingpr">Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.</ref>

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:49:29Z

Lepesk: /* Masinnägemise rakendamine */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida. <ref name="camera">Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.</ref>

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:47:06Z

Lepesk: /* Masinnägemise rakendamine */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile. <ref name="military drones">Alizar, Military drones / alizar. — Tekst : elektrooniline // habr.com : [sait]. — URL: https://habr.com/ru/post/411323/ .</ref>

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:41:57Z

Lepesk: /* Masinnägemise rakendamine */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni. <ref name="tesla">Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .</ref>

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:40:58Z

Lepesk: /* Masinnägemise rakendamine */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele. <ref name="line-asistant">Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .</ref>

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:30:58Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history2">Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:29:23Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history">Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history">Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:28:55Z

Lepesk:

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history">[Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.]</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history">[Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.]</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:28:16Z

Lepesk:

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks. <ref name="machine structure">[Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004]</ref>
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history">[Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.]</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history">[Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.]</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:22:47Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history">[Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.]</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref name="history">[Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.]</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:22:31Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name="history">[Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.]</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref> Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:19:30Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref> Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref> Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:18:13Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref name=Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref> Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:12:54Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref> Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:10:28Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel.

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:09:46Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:07:55Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref> Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel.

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:06:53Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise. <ref>A. Hercules, 15.05.2020, "How does a chess engine work? A guide to how computers play chess", https://herculeschess.com/how-does-a-chess-engine-work/, (vaadatud 15.10.2021)</ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel.

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:04:26Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel.

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-05T14:04:15Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.<ref>Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/<ref>

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel.

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-04T16:37:43Z

Lepesk:

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.
[[File:Glaz.jpg|500px|right|thumb|Masinnägemine.|link=https://habr.com/ru/post/350918/]]

== Sissejuhatus ==

Masinnägemine on arvutinägemise rakendamine tööstuses ja tootmises. Kui arvutinägemine on levinud tehnikate kogum, mis võimaldab arvutitel näha, siis masinnägemise jaoks huvipakkuvaks valdkonnaks on digitaalsed sisend-/väljundseadmed ja arvutivõrgud, mis on loodud tootmisseadmete, näiteks robotmanipulaatorite või otsimismasinate juhtimiseks. Masinnägemine on inseneriteaduse alajaotus, mis on seotud andmetöötluse, optika, masinaehituse ja tööstusautomaatikaga. Üks levinumaid masinnägemisrakendusi on tööstustoodete, nagu pooljuhtkiibid, autod, toit ja ravimid, kontrollimine. Varem koosteliinidel töötasid inimesed, kes uurisid toodete osi, tehes järeldusi töötluse kvaliteedi kohta. Nüüd aga masinnägemissüsteemid saavad seda teha, ning kasutavad selleks digitaalseid ja nutikaameraid koos tarkvaraga.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.
[[File:History_Masinnägemine.jpg|350px|right|thumb|Mingisugune kaamera.|link=https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2]]
Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel.

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==

'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
[[File:Photomath.jpg|330px|right|thumb|Photomath.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fmicroblink.com%2Fuse-cases%2Fcase-studies%2Fmath-education-powered-by-mobile-vision-photomath&psig=AOvVaw1qmveqCHSNgpCZFuLGr865&ust=1638719180924000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCPjJ577ByvQCFQAAAAAdAAAAABAD]]
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

[[File:Robodog.jpg|330px|left|thumb|Boston Dynamics Spot, robot koer.|link=https://www.google.com/url?sa=i&url=https%3A%2F%2Fwww.silicon.co.uk%2Fe-innovation%2Fresearch%2Frobot-spot-boston-dynamics-345787&psig=AOvVaw04BHft5kYiqPv-xms-4pwc&ust=1638719798447000&source=images&cd=vfe&ved=0CAsQjRxqFwoTCIDk5PjByvQCFQAAAAAdAAAAABAd]]
'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
[[File:Line_assistant.jpg|500px|right|thumb|Line Assistant.|link=https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work]]
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

1. Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

2. Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

3. https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

4. Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

5. Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

6. Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

7. Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

8. Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

9. Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

10. Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

11. https://microblink.com/use-cases/case-studies/math-education-powered-by-mobile-vision-photomath

12. https://www.silicon.co.uk/e-innovation/research/robot-spot-boston-dynamics-345787

13. https://www.usedvwaudi.com/blog/2019/04/16/what-is-lane-assist--technology-and-how-does-it-work

14. https://habr.com/ru/post/350918/

15. https://www.timetoast.com/timelines/5798d398-efa1-481a-b0db-80c02f9231d2

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-04T15:42:53Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
'''1950. aastatel''' oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.

Lisateabe saamiseks kasutati erinevaid meetodeid:
* Kaamera liikumine;

* Mitmekambrilised süsteemid;

* Kahe kaamera kasutamine (stereopaarid);

* Erinevad algoritmid saadud pildi töötlemiseks;

'''1960 aastate alguseni''' olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja selle abil otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.

'''70-ndatel''' MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.
1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli masinnägemise valdkonna töödel.

'''90-ndate''' algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist ja tuvastas neli andmetöötlusetappi:
* Piltide teisendamine;

* Segmenteerimine;

* Geomeetrilise struktuuri valik;

* Suhtelise struktuuri ja semantika määramine.

Ta määratles ka kolm andmetöötluse taset:
* Madalaim tase. See filtreerib müra.

* Keskmine tase. Sellel tasemel toimub segmenteerimine.

* Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.

Hetkel on masinnägemine täielikult väljakujunenud küberneetika haru. Selle valdkonna uurimisele ja arendamisele on pühendatud palju konverentse, ning sellel teemal kirjutatakse raamatuid ja artikle.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-04T15:33:14Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
1950. aastatel oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.

Lisateabe saamiseks kasutati erinevaid meetodeid:
Kaamera liikumine;
Mitmekambrilised süsteemid;
Kahe kaamera kasutamine (stereopaarid);
Erinevad algoritmid saadud pildi töötlemiseks;

Aga on vaja tõdeda, et 1960 aastate alguseni olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.
Järgmine s astus 70ndatel MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.

1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli töödel.

90ndate algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist. Ta tuvastas neli andmetöötlusetappi:
piltide teisendamine;
Segmenteerimine;
Geomeetrilise struktuuri valik;
Suhtelise struktuuri ja semantika määramine.
Ta määratles ka kolm andmetöötluse taset:
Madalaim tase. See filtreerib müra.
Keskmine tase. Sellel tasemel toimub segmenteerimine.
Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.
Hetkel on STZ (tehniline nägemissüsteem) täielikult väljakujunenud küberneetika haru. STZ-i uurimisele ja arendamisele on igal aastal pühendatud üle tosina sümpoosioni ja konverentsi, rääkimata sadadest sellel teemal kirjutatud raamatutest ja artiklitest. STZ on paigaldatud sadadele robotitele kodumaistest kuni sõjaväelasteni.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

[[File:https://ru.wikipedia.org/wiki/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%B7%D1%80%D0%B5%D0%BD%D0%B8%D0%B5#/media/%D0%A4%D0%B0%D0%B9%D0%BB:AutovisionIIatRDT.jpg]]

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-04T15:32:44Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
1950. aastatel oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.

Lisateabe saamiseks kasutati erinevaid meetodeid:
Kaamera liikumine;
Mitmekambrilised süsteemid;
Kahe kaamera kasutamine (stereopaarid);
Erinevad algoritmid saadud pildi töötlemiseks;

Aga on vaja tõdeda, et 1960 aastate alguseni olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.
Järgmine s astus 70ndatel MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.

1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli töödel.

90ndate algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist. Ta tuvastas neli andmetöötlusetappi:
piltide teisendamine;
Segmenteerimine;
Geomeetrilise struktuuri valik;
Suhtelise struktuuri ja semantika määramine.
Ta määratles ka kolm andmetöötluse taset:
Madalaim tase. See filtreerib müra.
Keskmine tase. Sellel tasemel toimub segmenteerimine.
Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.
Hetkel on STZ (tehniline nägemissüsteem) täielikult väljakujunenud küberneetika haru. STZ-i uurimisele ja arendamisele on igal aastal pühendatud üle tosina sümpoosioni ja konverentsi, rääkimata sadadest sellel teemal kirjutatud raamatutest ja artiklitest. STZ on paigaldatud sadadele robotitele kodumaistest kuni sõjaväelasteni.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

[[File:]]

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-04T15:32:20Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
1950. aastatel oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.

Lisateabe saamiseks kasutati erinevaid meetodeid:
Kaamera liikumine;
Mitmekambrilised süsteemid;
Kahe kaamera kasutamine (stereopaarid);
Erinevad algoritmid saadud pildi töötlemiseks;

Aga on vaja tõdeda, et 1960 aastate alguseni olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.
Järgmine s astus 70ndatel MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.

1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli töödel.

90ndate algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist. Ta tuvastas neli andmetöötlusetappi:
piltide teisendamine;
Segmenteerimine;
Geomeetrilise struktuuri valik;
Suhtelise struktuuri ja semantika määramine.
Ta määratles ka kolm andmetöötluse taset:
Madalaim tase. See filtreerib müra.
Keskmine tase. Sellel tasemel toimub segmenteerimine.
Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.
Hetkel on STZ (tehniline nägemissüsteem) täielikult väljakujunenud küberneetika haru. STZ-i uurimisele ja arendamisele on igal aastal pühendatud üle tosina sümpoosioni ja konverentsi, rääkimata sadadest sellel teemal kirjutatud raamatutest ja artiklitest. STZ on paigaldatud sadadele robotitele kodumaistest kuni sõjaväelasteni.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

[[File:Example.jpg]]

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-04T15:31:49Z

Lepesk: /* Masinnägemise arengu ajalugu ja see, mis meil praegu on */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
1950. aastatel oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.

Lisateabe saamiseks kasutati erinevaid meetodeid:
Kaamera liikumine;
Mitmekambrilised süsteemid;
Kahe kaamera kasutamine (stereopaarid);
Erinevad algoritmid saadud pildi töötlemiseks;

Aga on vaja tõdeda, et 1960 aastate alguseni olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.
Järgmine s astus 70ndatel MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.

1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli töödel.

90ndate algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist. Ta tuvastas neli andmetöötlusetappi:
piltide teisendamine;
Segmenteerimine;
Geomeetrilise struktuuri valik;
Suhtelise struktuuri ja semantika määramine.
Ta määratles ka kolm andmetöötluse taset:
Madalaim tase. See filtreerib müra.
Keskmine tase. Sellel tasemel toimub segmenteerimine.
Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.
Hetkel on STZ (tehniline nägemissüsteem) täielikult väljakujunenud küberneetika haru. STZ-i uurimisele ja arendamisele on igal aastal pühendatud üle tosina sümpoosioni ja konverentsi, rääkimata sadadest sellel teemal kirjutatud raamatutest ja artiklitest. STZ on paigaldatud sadadele robotitele kodumaistest kuni sõjaväelasteni.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

[[File:https://ru.wikipedia.org/wiki/%D0%9C%D0%B0%D1%88%D0%B8%D0%BD%D0%BD%D0%BE%D0%B5_%D0%B7%D1%80%D0%B5%D0%BD%D0%B8%D0%B5#/media/%D0%A4%D0%B0%D0%B9%D0%BB:AutovisionIIatRDT.jpg]]

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-04T15:23:13Z

Lepesk: /* Allikad */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
1950. aastatel oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.

Lisateabe saamiseks kasutati erinevaid meetodeid:
Kaamera liikumine;
Mitmekambrilised süsteemid;
Kahe kaamera kasutamine (stereopaarid);
Erinevad algoritmid saadud pildi töötlemiseks;

Aga on vaja tõdeda, et 1960 aastate alguseni olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.
Järgmine s astus 70ndatel MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.

1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli töödel.

90ndate algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist. Ta tuvastas neli andmetöötlusetappi:
piltide teisendamine;
Segmenteerimine;
Geomeetrilise struktuuri valik;
Suhtelise struktuuri ja semantika määramine.
Ta määratles ka kolm andmetöötluse taset:
Madalaim tase. See filtreerib müra.
Keskmine tase. Sellel tasemel toimub segmenteerimine.
Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.
Hetkel on STZ (tehniline nägemissüsteem) täielikult väljakujunenud küberneetika haru. STZ-i uurimisele ja arendamisele on igal aastal pühendatud üle tosina sümpoosioni ja konverentsi, rääkimata sadadest sellel teemal kirjutatud raamatutest ja artiklitest. STZ on paigaldatud sadadele robotitele kodumaistest kuni sõjaväelasteni.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004 .

Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/ .

Mark Icons, Kõik Volkswageni autode elektrooniliste abiliste kohta / Icons Mark. - Tekst: elektrooniline // vagdrive.com: [sait]. - URL: https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/ .

Tesla autopiloot / Tesla. - Tekst: elektrooniline // www.tesla.com: [sait]. - URL: https://www.tesla.com/autopilot .

Aleksander Gureev, Arvutinägemine: kuidas tehisintellekt meid jälgib / Gureev Aleksander. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoft/blog/418251/ .

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-04T15:16:33Z

Lepesk: /* Allikad */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
1950. aastatel oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.

Lisateabe saamiseks kasutati erinevaid meetodeid:
Kaamera liikumine;
Mitmekambrilised süsteemid;
Kahe kaamera kasutamine (stereopaarid);
Erinevad algoritmid saadud pildi töötlemiseks;

Aga on vaja tõdeda, et 1960 aastate alguseni olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.
Järgmine s astus 70ndatel MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.

1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli töödel.

90ndate algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist. Ta tuvastas neli andmetöötlusetappi:
piltide teisendamine;
Segmenteerimine;
Geomeetrilise struktuuri valik;
Suhtelise struktuuri ja semantika määramine.
Ta määratles ka kolm andmetöötluse taset:
Madalaim tase. See filtreerib müra.
Keskmine tase. Sellel tasemel toimub segmenteerimine.
Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.
Hetkel on STZ (tehniline nägemissüsteem) täielikult väljakujunenud küberneetika haru. STZ-i uurimisele ja arendamisele on igal aastal pühendatud üle tosina sümpoosioni ja konverentsi, rääkimata sadadest sellel teemal kirjutatud raamatutest ja artiklitest. STZ on paigaldatud sadadele robotitele kodumaistest kuni sõjaväelasteni.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

Aleksei Šalaginov, Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

Inishev, Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004

Kasutaja: nokiaman, Arendaja lood: PhotoMath by MicroBlink / nokiaman :. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/microsoftlumia/blog/248789/.

Pavel Bryzgalov, Masinnägemise arengu ajalugu / Bryzgalov Pavel. - Tekst: elektrooniline // robome.ru: [sait]. - URL: http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/ .

Volkswagen Lane Assist / Volkswagen. - Tekst: elektrooniline // vw.avto-city.ru: [sait]. - URL: https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/

https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/

https://www.tesla.com/autopilot

https://habr.com/ru/company/microsoft/blog/418251/

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-12-04T15:07:30Z

Lepesk: /* Allikad */

'''Masinnägemine''' - on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks.

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
1950. aastatel oli teadusmaailmas palju vaidlusi tehisintellektiga masina tegemise võimalikkusest. Masina ülesanneteks sai ümbritseva maailma tajumine ja otsuste tegemine nähtud informatsiooni põhjal.
Esimest sammu tegi Massachusettsi Tehnoloogiainstituudi (MIT) professor Oliver Selfridge, kes 1955. aastal avaldas artikli "Mustrituvastus ja kaasaegsed arvutid". See esitas idee varustada arvutid video- ja helisüsteemidega, ning tõi kaasa masinnägemise suuna tekkimise.

Uue suuna suureks ülesanneks oli seletada masinatele kolmemõõtmelise maailma kahemõõtmeline projektsioon abil. See tähendas, et objekti kohta täieliku teabe saamiseks on vaja mitte ainult kaamerast pilti, vaid ka lisaandmeid.

Lisateabe saamiseks kasutati erinevaid meetodeid:
Kaamera liikumine;
Mitmekambrilised süsteemid;
Kahe kaamera kasutamine (stereopaarid);
Erinevad algoritmid saadud pildi töötlemiseks;

Aga on vaja tõdeda, et 1960 aastate alguseni olid kõik varem toodud arendused pigem teoreetilised, kuna varem ei olnud tehnikat, mis võimaldas masinnägemise algoritme täielikult katsetada ja otsusi teha.
Esimesed pilditöötlussüsteemid ilmusid 1960. aastatel. Enamik neist süsteemidest olid loodud fotodelt segaduse eemaldamiseks. Ilmusid esimesed uuringud trükitähtede äratundmise alal.
Järgmine s astus 70ndatel MIT-i magistrant Lawrence Robberts. Ta pakkus välja, et masin võiks kahemõõtmelistest kujutistest ehitada objektidest kolmemõõtmelisi kujutisi.

1979. aastal ilmus stseeni dünaamilise analüüsi teooria. See võimaldas ära tunda liikuvaid objekte. See põhines Hamburgi ülikooli professori Hans Hellmut Nageli töödel.

90ndate algus on modulaarse paradigma tekkimise aeg. Neuroteadlane David Courtney Marr uuris inimese nägemist. Ta tuvastas neli andmetöötlusetappi:
piltide teisendamine;
Segmenteerimine;
Geomeetrilise struktuuri valik;
Suhtelise struktuuri ja semantika määramine.
Ta määratles ka kolm andmetöötluse taset:
Madalaim tase. See filtreerib müra.
Keskmine tase. Sellel tasemel toimub segmenteerimine.
Kõrgeim tase. Sellel tasandil on konkreetsed objektid seotud maailmapildiga.
Hetkel on STZ (tehniline nägemissüsteem) täielikult väljakujunenud küberneetika haru. STZ-i uurimisele ja arendamisele on igal aastal pühendatud üle tosina sümpoosioni ja konverentsi, rääkimata sadadest sellel teemal kirjutatud raamatutest ja artiklitest. STZ on paigaldatud sadadele robotitele kodumaistest kuni sõjaväelasteni.

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Telefooni kaamera rakendamine masinnägemises (Photomath näitel)'''
PhotoMath on tasuta rakendus, mis töötati välja kui tööriist matemaatiliste võrrandite lahendamiseks, mis põhineb mobiilseadme kaamera andmetuvastus tehnoloogial(OCR). Võrrandi arvutamiseks pole vaja teha mitte rohkem, kui suunata nutitelefoni kaamera ülesandele, vajadusel parandada võrrandit appi sees ja mõne hetke pärast telefoni ekraanil ilmub lahenduskäik koos vastusega. Rakendus suudab ülesandeid skaneerida nii paberilt kui ka ekraanilt. Sellel rakendusel on ka hariv osa, mis seisneb selles, et rakendus ei anna mitte ainult õiget vastust, vaid võimaldab vaadata ka kõiki matemaatilise võrrandi lahendamise etappe ja niimoodi õppida.

----

'''Meelelahutus ja filmitööstus'''
Meelelahutuse ja filmitööstuse sfääris kasutakse masiinnägemist VR/AR-sisu mahulise jäädvustamiseks, liitreaalsuse animatsiooni kasutavate külastajatega suhtlemiseks ja leidub veelgi rohkem kasutus võimalusi. Ilma masinnägemise kaamerateta VR lahendused ei suuda üksteisega sünkroonida.

----

'''Tark linn'''
Tark linn on ka üks masinnägemise arendamise harudest, nimelt sellise idee ellu viimine on seotud vajadusega tagada lähitulevikus inimeste kaasaegne elukvaliteet uuenduslike tehnoloogiate kasutamise kaudu. Sellise linna sees olevad süsteemid tagavad linnaelu süsteemide säästliku, keskkonnasõbraliku ja ohutu kasutamist.

----

'''Nutikas valgusfoor'''
"Nutikas valgusfoor" on dünaamiline fooride haldussüsteem, tänu millele paraneb liiklusvoogude liiklusvõime. Tihti valgusfoorides määratakse punaste ja roheliste signaalide muutus kindlaks kehtestatud ajakava järgi. Nutikas valgusfoor kasutab signaalide muutmiseks kaameraid. Tavalistes linnades kohtame sageli olukorda, kus seisame punase tule taga, samal ajal kui külgsuunas kedagi pole. Kui nutikas valgusfoor näeb, et ühes suunas liigub palju vähem autosid kui teistes, siis liikumise optimeerimiseks lülitab rohelist värvi ülekoormatud suundadel pikemalt. Just see parandab liikumise vooge ja vähendab mõju autode heitgaasidest keskkonnale.
Камеры замера скорости (Не только вумный город)

----

'''Robotite ehitus (Boston Dynamics robot koera näitel)'''
2020. aasta mai kuus tuli välja Boston Dynamics robot koer (Spot) Singapuri tänavatele, et jälgida sotsiaalset distantseerumist COVID-19 ajal. Spot suudab trepist üles ronida ja konarlikul maastikul liikuda, kuid on siiski piisavalt väike siseruumides kasutamiseks. Spot suudab saavutada kiirust kuni 5,76 km/h ja töötada autonoomselt kuni 90 minutit. Robot on varustatud stereo kaamerate süsteemiga, mis annavad sellele 360° vaate. Selline kaamerate süsteem põhineb masinnägemisel ja aitab roobotil ruumis navigeerida ja võimaldab otsusi tegema kasutades programmeeritud algoritme.

----

'''Tööstus'''
Tööstus on suur masinnägemise ülesannete generaator, ning sellel on suurim arv võimalikke rakendusi. Tänase maailma kogemus näitab tohutul hulgal lahendatud tootmis probleeme.
Mõned kasutusvaldkonnad:
Tootmisliinid - toidu või mineraalide sorteerimine, ning nende kvaliteedi kontroll;
Infrastruktuuri objektide diagnostika ja sobivate meetmete rakendamine infrastruktuuri parendamisele;
Keevitustööde kontroll ja keevitus protsessi automatiseerimine;
Logistika - toodete oleku ja koguse kontroll
Pildistamine ohtlikes või raskesti ligipääsetavates kohtades

----

'''Sõjaväe droonid (Maven tehnoloogia näitel)'''
2017. aastal Google koostöös USA kaitseministeeriumiga on alustanud projekti Maven, mille raames on plaanis rakendada täiustatud arvutialgoritme objektide tuvastamiseks suurel hulgal liikuvatel või liikumatutel piltidel. Tegelikult on see sõjaväe droonide masinnägemissüsteem. Süsteemi kasutades droonidest saab tuvastada sõidukeid ja muid objekte, jälgida nende liikumist ja edastada tuvastamise tulemused kaitseministeeriumile.

----

'''Autojuhti assistendid'''

'''Line Assistant'''
See on tehnoloogia, mis kasutab WAG autodes sisseehitatud kaamerat, mis jälgib, et auto liigub oma sõidurajal. Rooli juhtimiseks peab süsteemikaamera teostama sõiduraja tuvastamise. See kaamera asub sisemises tahavaatepeeglis, ning suudab juhtida auto liikumist, jälgides teemärgistust ja reguleerides auto asendit nende märgiste suhtes.
Mis on hea selles süsteemis juhul, kui juhi tähelepanu hajub ja auto teel olevatest rajamärgistest eemale viib, alustab Lane Assist parandusmeetmeid, mis lõppkokkuvõttes vähendab pikkadel sõitudel sõidurajalt välja triivimise tõenäosust.

'''Front Light Assistant'''
Front Light Assist kasutatakse sõiduki kaugtulede automaatseks sisse- või väljalülitamiseks. Kui auto seisab, töötavad ainult lähituled, kuid kui auto sõidab pimedas üle 60 km/h, lülitab FLA-süsteem vastutuleva liikluse puudumisel automaatselt sisse kaugtuled. Tahavaatepeeglis olev kaamera jälgib liiklust. Tema abiga tunneb süsteem ära vastutulevad ja samas suunas sõiduki ees liikujad ning lülitub automaatselt tagasi lähituledele.

'''Tesla Autopilot'''
Kõikidel uutel Tesla autodel on olemas riistvara, mida on vaja tulevikus täielikuks isejuhtimiseks peaaegu kõikides tingimustes. Süsteem on konstrueeritud nii, et see suudab sooritada lühikesi ja pikki sõite ilma, et juhiistmel istuja oleks midagi vaja. Tesla Motors ei kasuta hakkas loobuma radaaridest tema autodes. Selle asemel töötas ettevõte välja Tesla Visioni kaamerasüsteemil põhineva autopiloodi versiooni.

== Allikad ==

Aleksei, Šalaginov Arvutinägemise ajalugu / Aleksei Šalaginov. - Tekst: elektrooniline // shalaginov.com: [sait]. - URL: https://shalaginov.com/2020/05/16/computer-vision-history/.

Inishev Kuidas arvutinägemine töötab? / Inišev. - Tekst: elektrooniline // habr.com: [sait]. - URL: https://habr.com/ru/company/droider/blog/538750/.

https://nirmech.ru/ : [sait]. — URL: https://nirmech.ru/

Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004

https://habr.com/ru/company/microsoftlumia/blog/248789/

Истории о разработчиках: PhotoMath от MicroBlink

http://robome.ru/istorija_razvitija_tehnicheskogo_zrenija/
История разработки машинного зрения

https://habr.com/ru/post/411323/

https://vw.avto-city.ru/models/preimushchestva/obzor/elektronnyy-pomoshchnik-lane-assist/

https://vagdrive.com/threads/vse-ob-ehlektronnyx-pomoschnikax-avtomobilej-koncerna-volkswagen.1198/

https://www.tesla.com/autopilot

https://habr.com/ru/company/microsoft/blog/418251/

ITSPEA wiki-kirjatööde leht

2021-11-30T13:51:22Z

Lepesk: /* Sügis 2021 */

[[IT_eetilised,_sotsiaalsed_ja_professionaalsed_aspektid|Tagasi ITSPEA lehele]] | [[e-ITSPEA | Tagasi e-ITSPEA lehele]]

See wiki-leht on mõeldud neile, kes tahavad enda [http://akadeemia.kakupesa.net/ITSPEA ITSPEA] või [[e-ITSPEA]] kirjatööd wiki kujul esitada.

== Individuaalsed kirjatööd ==

=== sügis 2012 ===
* [https://wiki.itcollege.ee/index.php/Olavi_Koplik_-_Internet_kui_kultuurin%C3%A4htus Olavi Koplik]

=== sügis 2013 ===
* [https://wiki.itcollege.ee/index.php/Magnus_Kokk_-_L%C3%BChike_%C3%BClevaade_GNU/Linux_t%C3%B6%C3%B6lauakeskkondadest Magnus Kokk - Lühike ülevaade GNU/Linux töölauakeskkondadest]

=== sügis 2015 ===
* [https://wiki.itcollege.ee/index.php/Arti_Zirk_-_Mina_ja_Linux Arti Zirk - Mina ja Linux]
* [https://wiki.itcollege.ee/index.php/Arti_Zirk_-_Syncly_MusicSync Arti Zirk - Syncly MusicSync]

== Rühmatööd ==

=== kevad 2017 ===
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Kr%C3%BCptoraha_roll_tuleviku%C3%BChiskonnas I026 - IT eetilised, sotsiaalsed, professionaalsed aspektid - Krüptoraha roll tulevikühiskonnas - Taivo Liik, Dmitry Lukas, Kersti Perandi, Gert Vesterberg]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Makses%C3%BCsteemide_areng_-_kas_teekond_sularahavaba_%C3%BChiskonna_poole%3F "Maksesüsteemide areng - kas teekond sularahavaba ühiskonna poole?" - Jüri Ahhundov, Erik Ehrbach, Marko Mõznikov, Egert Närep]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_IT_valdkonna_kujutamine_kaasaja_filmikunstis "IT valdkonna kujutamine kaasaja filmikunstis" - Anna Amelkina, Kadi Koppelmann, Maie Palmeos, Marie Udam, Marilyn Võsu]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Privaatsus_internetis_kas_v%C3%B5imatu_missioon#Privaatsuse_saavutamise_t.C3.B6.C3.B6riistad"Privaatsus internetis - kas võimatu missioon?" - Aleksandra Sepp, Merike Meizner, Alvar Suun, Jaak Vaher, Andres Tambek]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Nutiseadmete_mõju_algkooliealiste_laste_arengule_"Nutiseadmete mõju algkooliealiste laste arengule" - Anni-Bessie Kitt, Jaan Koolmeister, Jan Pentshuk, Andreas Porman, Pille Ulmas]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Industry_4.0_"Industry 4.0" - Autorid: Meelis Osi, Liis Talimaa, Sander Pihelgas, Aare Taveter]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Tarkvara_tagauksed "Tarkvara tagauksed - poolt ja vastu"- Autorid: Katrin Lasberg, Marko Esna, Maile Mäesalu, Kristiina Keelmann, Madis Tammekänd]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_IT_ja_terrorism "IT ja terrorism" - Madli Mirme, Joonas Rihma, Peeter Stamberg, Ave-Liis Saluveer]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Tarkvara_arendajate_töökoha_vahetamise_põhjused "Tarkvara arendajate töökoha vahetamise põhjused" - Andrei Pugatšov, Anton Meženin, Jekaterina Losseva, Artur Kapranov, Konstantin Dmitrijev]
* [https://wiki.itcollege.ee/index.php/User_talk:Dtsurjum "Elektrooniline raha, olevik ja tulevik.”] - ''Dmitri Tšurjumov, Mark Selezenev, Igor Budnitski, Leonid Grigorjevski, Jakov Kanyuchka''
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Ärimudelid_muutuvas_tehnomaailmas_"Ärimudelid muutuvas tehnomaailmas" - Henri Paves, Madis Võrklaev, Rudolf Purge, Ruudi Vinter]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_X-tee_-_kodanik_kohtub_riigiga "X-tee - kodanik kohtub riigiga" - Egert Loss, Tanel Peep, Priit Rätsep, Annely Vattis, Allar Vendla ]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_E-riik_-_ohud_ja_kasu_inimeste_jaoks "E-riik - ohud ja kasu inimeste jaoks" - Filip Fjodorov, Dmitri Kiriljuk, Jevgeni Jurtšenko, Pavel Abin, Boris Brokan ]
* [https://wiki.itcollege.ee/index.php/IT_-_haridus_ja_-_haritus "IT - haridus ja - haritus"] - ''Radne Kaal, Kreet Solnask, Laura Lenbaum, Jooni Soots''
* [["Robootika, AI ja eetika"]] - Kädi-Kristlin Miggur, Siim Kustassoo, Teele Puusepp, Kristel Tali
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Arvutikriminalistika "Arvutikriminalistika"] - Mari-Liis Oldja, Margit Kangur, Reilika Saks, Gregor Luukas
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Turundusest_Facebooki_n%C3%A4itel "Turundusest Facebooki näitel"] - Liis Talsi, Jana Kindlam, Tanel Vari
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_IT_ettev%C3%B5tete_%C3%B5igused_ja_kohustused_isikuandmete_t%C3%B6%C3%B6tlemisel "IT ettevõtete õigused ja kohustused isikuandmete töötlemisel"] - I026 - Kevad 2017 - IT ettevõtete õigused ja kohustused isikuandmete töötlemisel - Annika Pajupuu, Juta Jaama, Ilmar Ermus, Jüri Vinnal, Martti-Heiki Must

=== sügis 2017 ===
* [[Eesti e-teenused: õnnestumised ja õnnetused]] - Eduard Pajumägi, Joonas Jõpiselg, Tõnis Kundla, Valeria Müürsepp, Heiki Tähis
* [[Kas me kõik liigume digitaalse nomaadluse poole?]] - Allan Allmere, Veiko Aunapuu, Kristi Jõgeva, Maarja Mahlapuu, Ane Võlma
* [[Facebooki kahjulik mõju inimesele]] - Annika Avingu, Mariana Lepassar, Helena Loitmaa
* [[Igapäeva liiklemist lihtsustavad mobiilirakendused Eesti näitel]] - Polina Dvinskihh, Xenia Kinževskaja, Marco Sepp, Andres Kõiv
* [[Võrgurobotid ja nende kasutusalad]] - Triin Mõlder, Kristin Kivimäe, Evi Abel, Kadri Tamme
* [[Elektrooniline järelevalve ühiskonnas]] - Laura Närska, Alan Laaneväli, Lauri Laks, Rauno Kaldmaa
* [["Avalik või privaatne pilveteenus?"]] - Kalev Kilumets, Kalev Kask, Tarmo Leemet
* [[Targa maja värkvõrk]] - Margit Aus, Lii Looga, Tuuli Soodla-Tikkerbär, Tanel Tsirgu
* [[GDPR ehk isikuandmete kaitse üldmäärus - andmekäitluse kultuuri muutus]] - Rainer Renn, Julia Ront
* [[Identiteet internetis]] - Hedi Dorožkin, Johanna Kommer, Merike Lees, Liina Müür, Jürgen Saarniit
* [[Zero UI]] - Kärt Raidmaa, Reenika East, Teedu Pedaru
* [[Infotehnoloogia inimese elus - eksoskelett või vähkkasvaja?]] - Frank Tuuksam, Kert Kivaste, Martin Õunap
* [[Big Data ohud ja võimalused]] - Karin Ojamäe, Ivan Petrovski, Rutmar Silde
* [[Internet radikaliseerib]] - Siim Bobkov ja Marko Mandli

=== Kevad 2019 ===
* [[Isejuhtivad autod ning nendega seonduvad dilemmad]] - Krista Freimann, Priit Post, Aivar Mägi, Taaniel Sülla
* [http://strat-it-itspeak2019.wikidot.com/ Strateegilise infotehnoloogia areng kõrgharidusasutustes 2020. aasta näitel]. Autorid: Jevgeni Družkov, Anton Sauh, Stanislav Grebennik, Kirill Kostev.
* [http://tehisintellektfilmides.wikidot.com/blog:_start/ Tehisintellekt filmides]. Autorid: Mikk Villem, Helena Laur, Mihkel Lilienthal Marianne Pisukov.
* [[Andmekaitsest ja selle olulisusest]] - Taavet Tamm, Rommi Parman, Helin Kuuskla, Kristo Laasik, Renata Muru
* [[Tänapäeva trendid IT arendusmetoodikates ja -protsessides]] - Edvin Ojamets, Indrek Haavik, Lauris Heinsalu, Rene Berkmann
* [[The Impact of Information Technology in the workforce]] - Kaupo Lepasepp, Jevgeni Vassiljev, Viktoria Vessener, Jekaterina Metsavas
* [[Arvutimängude mõju inimese vaimsele ja füüsilisele heaolule]] - Holger Roosioja, Renar Tupits, Siim Idla, Jevgeni Tsupov
* [[Aju-arvuti liides (BCI)]] - Liisa, Agu, Kristjan

=== Kevad 2020 ===
* [[Eetiliseks tehisintellektiks valmisoleku kujundamine]] - Kristo Kleemann, Kristel Rillo, Lilian Tomingas-Frolov, August Vinter
* [[Isesõitvate sõidukite otsustusprotsessid liiklus- ja ohuolukordades ning sellega seotud eetilised aspektid. ]] - Lennart Viikmaa, Andre Liima, Andreas Post, Aleksandra Rüüberg, Tanel Rootsma
* [[Biomeetrial põhineva isikutuvastuse tulevik]] - Allan Bernard, Ave Karjus, Angelika Kärber, Liis Kohal, Rauno Ellermaa
* [[Teema pealkiri ehitamisel (peateema: versioonihalduskeskkonnad)]] - Karoliina Rebane, Annika Raie, Sven Petrov, Ivo Mäeoja, Tauno Rämson
* [[Väledad tarkvaraarenduse mudelid]] - Magnus Teekivi, Mirjam Pajumägi, Mihkel Männa
* [[ITurvalisus läbi videoanalüütika]] - Argo Sieger, Ahti Paloson, Ott Kossar, Rainis Mäemees
* [[Totalitaarsete režiimide hirmud ehk Interneti tsensuur Hiina ja Venemaa näitel]] - Raul Erdel, Katre Vahtre, Hendrik Park, Mathias Nöps
* [[Suunamudijate mõju noortele]] - Alvar Jõekaar, Helene Abel, Kristiina Sojunen, Maris Vaino

=== Sügis 2020 ===

* [[Sissejuhatus ID-kaardi baastarkvara avatud lähtekoodiga arendusele]] - Raul Metsma
* [[Interneti kasutaja anonüümse tuvastuse meetodite kasutamine kaubanduslikel eesmärkidel]] - Gleb Engalychev, Artjom Ljuboženko, Paavel Makarenko, Ilja Vasilenko, Nikita Brjakilev
* [[COVID-19 mõju töökultuurile]] - Marko Lindeberg, Tanel Saar, Martin Vool, Margus Laanem
* [[Mis on tehisintellekt?]] - Grete-Liis Paavo, Sigrid Pihel, Kelly Roosilill, Siim Lukas Simmo, Jörgen Jõgiste
*[[Infoühiskonna teenuse ja meediateenuse ebaseaduslik vastuvõtmine]] - Kristiina Melissa Jõeäär, Jan Erik Alliksaar, Kaspar Ojasalu
* [[ICO wiki:IDE keskkonna kasutatavus ja kasutuskogemus]] - Roman Malõsev, Egor Mikhaylov, Grigori Senkiv
* [[Turunduspsühholoogia sotsiaalmeedias]] - Julia Ruzu, Saskia Rohtla, Denis Kusherekin, Kristjan Mänd
* [[Digikultuuri säilitamine]] - Mihkel Koks, Karl-Kevin Köörna, Gregor Kaljulaid, Maria Kaasik-Aaslav
* [[Sotsiaalmeedia meie ümber ja selle negatiivne mõju noortele]] - Carina Ruut, Carmen Unt, Hanna-Kristella Lehtsaar, Edvin Põiklik, Robin Väli
* [[Isesõitvad autod ei tuvasta(nud) musta nahavärviga inimesi]] - Rainer Aas, Ergas-Ever Kask, Kaia Kivend, Talis Petersell
* [[Närvivõrgud ja programmeerimine]] - Rodion Lehmus, Aleksander Ozerov, Eric Rodionov, Konstantin Donets, Vadim Zolotarenko
* [[Programmatic ehk Algoritmiline reklaamiost]] - Viktoria Mihhailova, Alec Bennoune, Aleksei Krassilnikov
* [[Alternatiivsed võimalused IT alase hariduse omandamiseks]] - Merilin Veeber, Saara Denisov, Susanna Abner
* [[Andmepüügi liigid ja võtted]] - Anastasia Gavrilova, Ekaterina Afanasjeva, Maria Harkina, Alisa Tarassova
* [[Tumeveeb]] - Steven Teras, Paul Siht, Sebastian Magagni, Marko Paumere, Cer-Lyn Luhasaar
* [[Suur Vend ja (pahade) asjade internet]] - Ragnar Kramm, Ragnar Leon Sonny Kaarneem, Kristjan Paloots, Taavi Tikkerber
* [[E-spordi olemus, trendid ja tuleviku väljavaated]] - Rasmus Vahelaan, Karl Markus Kõivastik, Joonas Kaal, Magnar Markvart
* [[Šifreerimismasinad]] - Mait Uusmäe, Hans Kristian Laur, Kerli Raudsepp, Anne-Mai Agukas
* [[Arvutimängude areng ja mõju]] - Laada Tereštšenkova, Artjom Strelkov, Aleksandr Jefimov, Jan Solovjov, Aleks Moppel
* [[Piraatlus ja striiminguteenused]] - Aimar Tuul, Andri Suga, Karl-Steven Valdmaa, Kristi Rikma
* [[Internetiprivaatsusega seotud põhiprobleemid ühiskonnas]] - Regina Novikova, Renee Balent, Jan Ulrich Sütt, Kevin Mihkelson

=== Kevad 2021 ===

* [[Tehnoloogia kehakultuuris]] - Jass Murutalu, Rasmus Maipuu, Kristo Palo, Anneli Vorms, Sten-Markus Ratnik
* [[InfoTehnoloogia Suundumised, Potentsiaal ja Eripära Aafrikas]] - Andi Angel, Jens-Kristjan Liivand, Ats Raigla, Lauri Simulman
* [[Andmed on uus euro: andmete kogumine ja kasutamine tänapäeva ühiskonnas]] - Kristi Reispass, Keiti Hiiemäe-Ild, Keijo Raamat, Henri Keerutaja, Ranet Mikko
* [[Mänguelementide eetiline kasutus lastele suunatud tarkvaras]] - Margot Saare, Maris Salk, Ragnar Rääsk
* [[Nutilinn (Smart city) ja asjade internet (IoT)]] - Stanislav Matšel, Kirill Janson, Katrin Kornfeldt, Kristjan Lund

== Sügis 2021 ==
* [https://wiki.itcollege.ee/index.php/Miks_kardetakse_tehisintellekti%3F Miks kardetakse tehisintellekti?] - Marjam Nesterova, Kaisa Liiv, Katre Siller, Timur Habibulin, Kristina Aprelkova
* [https://wiki.itcollege.ee/index.php/Autonoomsed_s%C3%B5idukid_abiks_erivajadustega_inimestele Autonoomsed sõidukid abiks erivajadustega inimestele] - Joosep Mart Männik, Roma Imran Tariq, Danyil Kurbatov, Ahto Jalak, Svetlana Suhhorukova
* [https://wiki.itcollege.ee/index.php/Masinn%C3%A4gemine_ja_selle_rakendamine_kaasaegses_maailmas Masinnägemine ja selle rakendamine kaasaegses maailmas] - Dmitri Sobolev, Leonid Peskov, Pavel Petrov
* [https://wiki.itcollege.ee/index.php/Tumeveebi_n%C3%B5utuimad_tooted_ja_teenused Tumeveebi nõutuimad tooted ja teenused] - Vitali Logvin, Roman Mihhejev, Sergei Razguljajev, Vladislav Širjajev, Anneli Väli
* [https://wiki.itcollege.ee/index.php/Levinumad_operatsioonis%C3%BCsteemid_ja_nende_asutajad Levinumad operatsioonisüsteemid ja nende asutajad] - Gleb Poljakov, Roman Vilu, Romet Reino, Erik M
* [[Infojagamise ohud sotsiaalmeedias]] - Maido Paalmäe, Triinu Pärnapuu, Rasmus Pidim, Karl Rikkonen, Reino Veskimäe
* [https://wiki.itcollege.ee/index.php/Arvutimängude_litsentsirikkumised_tänapäeval Arvutimängude litsentsirikkumised tänapäeval] - Arne Antov, Roland Kastein, Erik Johannes Keldrima, Andree Uuetoa

[[Category:ITSPEA]]
[[IT_eetilised,_sotsiaalsed_ja_professionaalsed_aspektid|Tagasi ITSPEA lehele]] | [[e-ITSPEA | Tagasi e-ITSPEA lehele]]

ITSPEA wiki-kirjatööde leht

2021-11-30T13:50:30Z

Lepesk: /* Sügis 2021 */

[[IT_eetilised,_sotsiaalsed_ja_professionaalsed_aspektid|Tagasi ITSPEA lehele]] | [[e-ITSPEA | Tagasi e-ITSPEA lehele]]

See wiki-leht on mõeldud neile, kes tahavad enda [http://akadeemia.kakupesa.net/ITSPEA ITSPEA] või [[e-ITSPEA]] kirjatööd wiki kujul esitada.

== Individuaalsed kirjatööd ==

=== sügis 2012 ===
* [https://wiki.itcollege.ee/index.php/Olavi_Koplik_-_Internet_kui_kultuurin%C3%A4htus Olavi Koplik]

=== sügis 2013 ===
* [https://wiki.itcollege.ee/index.php/Magnus_Kokk_-_L%C3%BChike_%C3%BClevaade_GNU/Linux_t%C3%B6%C3%B6lauakeskkondadest Magnus Kokk - Lühike ülevaade GNU/Linux töölauakeskkondadest]

=== sügis 2015 ===
* [https://wiki.itcollege.ee/index.php/Arti_Zirk_-_Mina_ja_Linux Arti Zirk - Mina ja Linux]
* [https://wiki.itcollege.ee/index.php/Arti_Zirk_-_Syncly_MusicSync Arti Zirk - Syncly MusicSync]

== Rühmatööd ==

=== kevad 2017 ===
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Kr%C3%BCptoraha_roll_tuleviku%C3%BChiskonnas I026 - IT eetilised, sotsiaalsed, professionaalsed aspektid - Krüptoraha roll tulevikühiskonnas - Taivo Liik, Dmitry Lukas, Kersti Perandi, Gert Vesterberg]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Makses%C3%BCsteemide_areng_-_kas_teekond_sularahavaba_%C3%BChiskonna_poole%3F "Maksesüsteemide areng - kas teekond sularahavaba ühiskonna poole?" - Jüri Ahhundov, Erik Ehrbach, Marko Mõznikov, Egert Närep]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_IT_valdkonna_kujutamine_kaasaja_filmikunstis "IT valdkonna kujutamine kaasaja filmikunstis" - Anna Amelkina, Kadi Koppelmann, Maie Palmeos, Marie Udam, Marilyn Võsu]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Privaatsus_internetis_kas_v%C3%B5imatu_missioon#Privaatsuse_saavutamise_t.C3.B6.C3.B6riistad"Privaatsus internetis - kas võimatu missioon?" - Aleksandra Sepp, Merike Meizner, Alvar Suun, Jaak Vaher, Andres Tambek]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Nutiseadmete_mõju_algkooliealiste_laste_arengule_"Nutiseadmete mõju algkooliealiste laste arengule" - Anni-Bessie Kitt, Jaan Koolmeister, Jan Pentshuk, Andreas Porman, Pille Ulmas]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Industry_4.0_"Industry 4.0" - Autorid: Meelis Osi, Liis Talimaa, Sander Pihelgas, Aare Taveter]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Tarkvara_tagauksed "Tarkvara tagauksed - poolt ja vastu"- Autorid: Katrin Lasberg, Marko Esna, Maile Mäesalu, Kristiina Keelmann, Madis Tammekänd]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_IT_ja_terrorism "IT ja terrorism" - Madli Mirme, Joonas Rihma, Peeter Stamberg, Ave-Liis Saluveer]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Tarkvara_arendajate_töökoha_vahetamise_põhjused "Tarkvara arendajate töökoha vahetamise põhjused" - Andrei Pugatšov, Anton Meženin, Jekaterina Losseva, Artur Kapranov, Konstantin Dmitrijev]
* [https://wiki.itcollege.ee/index.php/User_talk:Dtsurjum "Elektrooniline raha, olevik ja tulevik.”] - ''Dmitri Tšurjumov, Mark Selezenev, Igor Budnitski, Leonid Grigorjevski, Jakov Kanyuchka''
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Ärimudelid_muutuvas_tehnomaailmas_"Ärimudelid muutuvas tehnomaailmas" - Henri Paves, Madis Võrklaev, Rudolf Purge, Ruudi Vinter]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_X-tee_-_kodanik_kohtub_riigiga "X-tee - kodanik kohtub riigiga" - Egert Loss, Tanel Peep, Priit Rätsep, Annely Vattis, Allar Vendla ]
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_E-riik_-_ohud_ja_kasu_inimeste_jaoks "E-riik - ohud ja kasu inimeste jaoks" - Filip Fjodorov, Dmitri Kiriljuk, Jevgeni Jurtšenko, Pavel Abin, Boris Brokan ]
* [https://wiki.itcollege.ee/index.php/IT_-_haridus_ja_-_haritus "IT - haridus ja - haritus"] - ''Radne Kaal, Kreet Solnask, Laura Lenbaum, Jooni Soots''
* [["Robootika, AI ja eetika"]] - Kädi-Kristlin Miggur, Siim Kustassoo, Teele Puusepp, Kristel Tali
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Arvutikriminalistika "Arvutikriminalistika"] - Mari-Liis Oldja, Margit Kangur, Reilika Saks, Gregor Luukas
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_Turundusest_Facebooki_n%C3%A4itel "Turundusest Facebooki näitel"] - Liis Talsi, Jana Kindlam, Tanel Vari
* [https://wiki.itcollege.ee/index.php/I026_-_Kevad_2017_-_IT_ettev%C3%B5tete_%C3%B5igused_ja_kohustused_isikuandmete_t%C3%B6%C3%B6tlemisel "IT ettevõtete õigused ja kohustused isikuandmete töötlemisel"] - I026 - Kevad 2017 - IT ettevõtete õigused ja kohustused isikuandmete töötlemisel - Annika Pajupuu, Juta Jaama, Ilmar Ermus, Jüri Vinnal, Martti-Heiki Must

=== sügis 2017 ===
* [[Eesti e-teenused: õnnestumised ja õnnetused]] - Eduard Pajumägi, Joonas Jõpiselg, Tõnis Kundla, Valeria Müürsepp, Heiki Tähis
* [[Kas me kõik liigume digitaalse nomaadluse poole?]] - Allan Allmere, Veiko Aunapuu, Kristi Jõgeva, Maarja Mahlapuu, Ane Võlma
* [[Facebooki kahjulik mõju inimesele]] - Annika Avingu, Mariana Lepassar, Helena Loitmaa
* [[Igapäeva liiklemist lihtsustavad mobiilirakendused Eesti näitel]] - Polina Dvinskihh, Xenia Kinževskaja, Marco Sepp, Andres Kõiv
* [[Võrgurobotid ja nende kasutusalad]] - Triin Mõlder, Kristin Kivimäe, Evi Abel, Kadri Tamme
* [[Elektrooniline järelevalve ühiskonnas]] - Laura Närska, Alan Laaneväli, Lauri Laks, Rauno Kaldmaa
* [["Avalik või privaatne pilveteenus?"]] - Kalev Kilumets, Kalev Kask, Tarmo Leemet
* [[Targa maja värkvõrk]] - Margit Aus, Lii Looga, Tuuli Soodla-Tikkerbär, Tanel Tsirgu
* [[GDPR ehk isikuandmete kaitse üldmäärus - andmekäitluse kultuuri muutus]] - Rainer Renn, Julia Ront
* [[Identiteet internetis]] - Hedi Dorožkin, Johanna Kommer, Merike Lees, Liina Müür, Jürgen Saarniit
* [[Zero UI]] - Kärt Raidmaa, Reenika East, Teedu Pedaru
* [[Infotehnoloogia inimese elus - eksoskelett või vähkkasvaja?]] - Frank Tuuksam, Kert Kivaste, Martin Õunap
* [[Big Data ohud ja võimalused]] - Karin Ojamäe, Ivan Petrovski, Rutmar Silde
* [[Internet radikaliseerib]] - Siim Bobkov ja Marko Mandli

=== Kevad 2019 ===
* [[Isejuhtivad autod ning nendega seonduvad dilemmad]] - Krista Freimann, Priit Post, Aivar Mägi, Taaniel Sülla
* [http://strat-it-itspeak2019.wikidot.com/ Strateegilise infotehnoloogia areng kõrgharidusasutustes 2020. aasta näitel]. Autorid: Jevgeni Družkov, Anton Sauh, Stanislav Grebennik, Kirill Kostev.
* [http://tehisintellektfilmides.wikidot.com/blog:_start/ Tehisintellekt filmides]. Autorid: Mikk Villem, Helena Laur, Mihkel Lilienthal Marianne Pisukov.
* [[Andmekaitsest ja selle olulisusest]] - Taavet Tamm, Rommi Parman, Helin Kuuskla, Kristo Laasik, Renata Muru
* [[Tänapäeva trendid IT arendusmetoodikates ja -protsessides]] - Edvin Ojamets, Indrek Haavik, Lauris Heinsalu, Rene Berkmann
* [[The Impact of Information Technology in the workforce]] - Kaupo Lepasepp, Jevgeni Vassiljev, Viktoria Vessener, Jekaterina Metsavas
* [[Arvutimängude mõju inimese vaimsele ja füüsilisele heaolule]] - Holger Roosioja, Renar Tupits, Siim Idla, Jevgeni Tsupov
* [[Aju-arvuti liides (BCI)]] - Liisa, Agu, Kristjan

=== Kevad 2020 ===
* [[Eetiliseks tehisintellektiks valmisoleku kujundamine]] - Kristo Kleemann, Kristel Rillo, Lilian Tomingas-Frolov, August Vinter
* [[Isesõitvate sõidukite otsustusprotsessid liiklus- ja ohuolukordades ning sellega seotud eetilised aspektid. ]] - Lennart Viikmaa, Andre Liima, Andreas Post, Aleksandra Rüüberg, Tanel Rootsma
* [[Biomeetrial põhineva isikutuvastuse tulevik]] - Allan Bernard, Ave Karjus, Angelika Kärber, Liis Kohal, Rauno Ellermaa
* [[Teema pealkiri ehitamisel (peateema: versioonihalduskeskkonnad)]] - Karoliina Rebane, Annika Raie, Sven Petrov, Ivo Mäeoja, Tauno Rämson
* [[Väledad tarkvaraarenduse mudelid]] - Magnus Teekivi, Mirjam Pajumägi, Mihkel Männa
* [[ITurvalisus läbi videoanalüütika]] - Argo Sieger, Ahti Paloson, Ott Kossar, Rainis Mäemees
* [[Totalitaarsete režiimide hirmud ehk Interneti tsensuur Hiina ja Venemaa näitel]] - Raul Erdel, Katre Vahtre, Hendrik Park, Mathias Nöps
* [[Suunamudijate mõju noortele]] - Alvar Jõekaar, Helene Abel, Kristiina Sojunen, Maris Vaino

=== Sügis 2020 ===

* [[Sissejuhatus ID-kaardi baastarkvara avatud lähtekoodiga arendusele]] - Raul Metsma
* [[Interneti kasutaja anonüümse tuvastuse meetodite kasutamine kaubanduslikel eesmärkidel]] - Gleb Engalychev, Artjom Ljuboženko, Paavel Makarenko, Ilja Vasilenko, Nikita Brjakilev
* [[COVID-19 mõju töökultuurile]] - Marko Lindeberg, Tanel Saar, Martin Vool, Margus Laanem
* [[Mis on tehisintellekt?]] - Grete-Liis Paavo, Sigrid Pihel, Kelly Roosilill, Siim Lukas Simmo, Jörgen Jõgiste
*[[Infoühiskonna teenuse ja meediateenuse ebaseaduslik vastuvõtmine]] - Kristiina Melissa Jõeäär, Jan Erik Alliksaar, Kaspar Ojasalu
* [[ICO wiki:IDE keskkonna kasutatavus ja kasutuskogemus]] - Roman Malõsev, Egor Mikhaylov, Grigori Senkiv
* [[Turunduspsühholoogia sotsiaalmeedias]] - Julia Ruzu, Saskia Rohtla, Denis Kusherekin, Kristjan Mänd
* [[Digikultuuri säilitamine]] - Mihkel Koks, Karl-Kevin Köörna, Gregor Kaljulaid, Maria Kaasik-Aaslav
* [[Sotsiaalmeedia meie ümber ja selle negatiivne mõju noortele]] - Carina Ruut, Carmen Unt, Hanna-Kristella Lehtsaar, Edvin Põiklik, Robin Väli
* [[Isesõitvad autod ei tuvasta(nud) musta nahavärviga inimesi]] - Rainer Aas, Ergas-Ever Kask, Kaia Kivend, Talis Petersell
* [[Närvivõrgud ja programmeerimine]] - Rodion Lehmus, Aleksander Ozerov, Eric Rodionov, Konstantin Donets, Vadim Zolotarenko
* [[Programmatic ehk Algoritmiline reklaamiost]] - Viktoria Mihhailova, Alec Bennoune, Aleksei Krassilnikov
* [[Alternatiivsed võimalused IT alase hariduse omandamiseks]] - Merilin Veeber, Saara Denisov, Susanna Abner
* [[Andmepüügi liigid ja võtted]] - Anastasia Gavrilova, Ekaterina Afanasjeva, Maria Harkina, Alisa Tarassova
* [[Tumeveeb]] - Steven Teras, Paul Siht, Sebastian Magagni, Marko Paumere, Cer-Lyn Luhasaar
* [[Suur Vend ja (pahade) asjade internet]] - Ragnar Kramm, Ragnar Leon Sonny Kaarneem, Kristjan Paloots, Taavi Tikkerber
* [[E-spordi olemus, trendid ja tuleviku väljavaated]] - Rasmus Vahelaan, Karl Markus Kõivastik, Joonas Kaal, Magnar Markvart
* [[Šifreerimismasinad]] - Mait Uusmäe, Hans Kristian Laur, Kerli Raudsepp, Anne-Mai Agukas
* [[Arvutimängude areng ja mõju]] - Laada Tereštšenkova, Artjom Strelkov, Aleksandr Jefimov, Jan Solovjov, Aleks Moppel
* [[Piraatlus ja striiminguteenused]] - Aimar Tuul, Andri Suga, Karl-Steven Valdmaa, Kristi Rikma
* [[Internetiprivaatsusega seotud põhiprobleemid ühiskonnas]] - Regina Novikova, Renee Balent, Jan Ulrich Sütt, Kevin Mihkelson

=== Kevad 2021 ===

* [[Tehnoloogia kehakultuuris]] - Jass Murutalu, Rasmus Maipuu, Kristo Palo, Anneli Vorms, Sten-Markus Ratnik
* [[InfoTehnoloogia Suundumised, Potentsiaal ja Eripära Aafrikas]] - Andi Angel, Jens-Kristjan Liivand, Ats Raigla, Lauri Simulman
* [[Andmed on uus euro: andmete kogumine ja kasutamine tänapäeva ühiskonnas]] - Kristi Reispass, Keiti Hiiemäe-Ild, Keijo Raamat, Henri Keerutaja, Ranet Mikko
* [[Mänguelementide eetiline kasutus lastele suunatud tarkvaras]] - Margot Saare, Maris Salk, Ragnar Rääsk
* [[Nutilinn (Smart city) ja asjade internet (IoT)]] - Stanislav Matšel, Kirill Janson, Katrin Kornfeldt, Kristjan Lund

== Sügis 2021 ==
* [https://wiki.itcollege.ee/index.php/Miks_kardetakse_tehisintellekti%3F Miks kardetakse tehisintellekti?] - Marjam Nesterova, Kaisa Liiv, Katre Siller, Timur Habibulin, Kristina Aprelkova
* [https://wiki.itcollege.ee/index.php/Autonoomsed_s%C3%B5idukid_abiks_erivajadustega_inimestele Autonoomsed sõidukid abiks erivajadustega inimestele] - Joosep Mart Männik, Roma Imran Tariq, Danyil Kurbatov, Ahto Jalak, Svetlana Suhhorukova
* [https://wiki.itcollege.ee/index.php/Masinn%C3%A4gemine_ja_selle_rakendamine_kaasaegses_maailmas Masinnägemine ja selle rakendamine kaasaegses maailmas] - Dmitri Sobolev, Leonid Peskov, Pavel Petrov
* [https://wiki.itcollege.ee/index.php/Tumeveebi_n%C3%B5utuimad_tooted_ja_teenused Tumeveebi nõutuimad tooted ja teenused] - Vitali Logvin, Roman Mihhejev, Sergei Razguljajev, Vladislav Širjajev, Anneli Väli
* [https://wiki.itcollege.ee/index.php/Levinumad_operatsioonis%C3%BCsteemid_ja_nende_asutajad Levinumad operatsioonisüsteemid ja nende asutajad] - Gleb Poljakov, Roman Vilu, Romet Reino, Erik M
* [[Infojagamise ohud sotsiaalmeedias]] - Maido Paalmäe, Triinu Pärnapuu, Rasmus Pidim, Karl Rikkonen, Reino Veskimäe
* [https://wiki.itcollege.ee/index.php/Arvutimängude_litsentsirikkumised_tänapäeval Arvutimängude litsentsirikkumised tänapäeval] - Arne Antov, Roland Kastein, Erik Johannes Keldrima, Andree Uuetoa
* [https://wiki.itcollege.ee/index.php/Masinn%C3%A4gemine_ja_selle_rakendamine_kaasaegses_maailmas Masinnägemine ja selle rakendamine kaasaegses maailmas] - Dmitri Sobolev, Leonid Peskov, Pavel Petrov

[[Category:ITSPEA]]
[[IT_eetilised,_sotsiaalsed_ja_professionaalsed_aspektid|Tagasi ITSPEA lehele]] | [[e-ITSPEA | Tagasi e-ITSPEA lehele]]

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-11-24T10:38:43Z

Lepesk:

'''Masinnägemine''' - on Masinnägemine on teaduslik suund tehisintellekti, eelkõige robootika ja sellega seotud tehnoloogiate valdkonnas reaalse maailma objektide kujutiste saamiseks, nende töötlemiseks ja saadud andmete kasutamiseks mitmesuguste rakenduslike probleemide lahendamiseks ilma (täielik) või osaliselt) inimesed.

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
Сюда история

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Перенес пункты сюда для удобства :)'''

Камера в телефоне (ИИ распознает картиночки и не только ;) )

Умные светофоры (Вумный город)

Камеры замера скорости (Не только вумный город)

Умный город

Роботы (Доставка, самодвижущиеся роботы) (Роботы мустамяэ, Milrem, Boston Dynamics)

Контроль качества на производстве (Производство)

Производство

Военные дроны

Военные системы наведения

Открытие шлагбаумов (Вумный город)

Ассистенты автомобилей (Автопилоты, Line Assistant)

PhotoMath (Камера в телефоне)

== Allikad ==

https://shalaginov.com/2020/05/16/computer-vision-history/ (История разработки и РАЗВИТИЯ)

https://habr.com/ru/company/droider/blog/538750/ (Что это и как оно работает, немного применения)

https://nirmech.ru

Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004

'''Не забывайте крепить сюда источники, если берете инфу не из выше перечисленных!!!'''

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-11-23T14:27:09Z

Lepesk: /* Allikad */

'''Masinnägemine''' - on (сюда текст определения)

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
Сюда история

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Перенес пункты сюда для удобства :)'''

Камера в телефоне (ИИ распознает картиночки и не только ;) )

Умные светофоры (Вумный город)

Камеры замера скорости (Не только вумный город)

Умный город

Роботы (Доставка, самодвижущиеся роботы) (Роботы мустамяэ, Milrem, Boston Dynamics)

Контроль качества на производстве (Производство)

Производство

Военные дроны

Военные системы наведения

Открытие шлагбаумов (Вумный город)

Ассистенты автомобилей (Автопилоты, Line Assistant)

PhotoMath (Камера в телефоне)

== Allikad ==

https://shalaginov.com/2020/05/16/computer-vision-history/ (История разработки и РАЗВИТИЯ)

https://habr.com/ru/company/droider/blog/538750/ (Что это и как оно работает, немного применения)

https://nirmech.ru

Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004

'''Не забывайте крепить сюда источники, если берете инфу не из выше перечисленных!!!'''

Masinnägemine ja selle rakendamine kaasaegses maailmas

2021-11-23T14:26:47Z

Lepesk: /* Allikad */

'''Masinnägemine''' - on (сюда текст определения)

== Sissejuhatus ==
Сюда можно кратенько наляпать про быстрое развитие и то как машина заменила человека

== Ajalugu ==
Сюда история

== Masinnägemise arengu ajalugu ja see, mis meil praegu on ==

== Kuidas masinnägemine töötab ==
Selleks, et arvuti teatud objektid üles leiaks, tuleb seda talle õpetada. Selleks koostatakse tohutu koolitusnäidis.
Näiteks fotodelt, millest osa sisaldab soovitud objekti ja teine osa mitte.Järgmiseks tuleb masinõpe.
Arvuti analüüsib proovist saadud pilti. Seejärel teeb arvuti kindlaks, millised kujutiste kombinatsioonide tunnused näitavad soovitud objektide olemasolu,
ja arvutab nende olulisuse. Kui see on lõpetatud, saab masinnägemist kasutada.

Arvuti jaoks on pilt pikslite kogum, millest igaühel on oma heleduse või värvi väärtus. Selleks, et masin saaks pildi sisust aimu, töödeldakse seda spetsiaalsete algoritmide abil.
Esmalt tehakse kindlaks suured olulised kohad. Seda saab teha mitmel viisil. Näiteks liigutage mitu korda sarnast pilti Gaussi häguga, kasutades erinevaid hägususraadiusi.
Seejärel võrreldakse tulemusi omavahel, et paljastada kõige kontrastsemad alad, nagu heledad laigud ja katkendlikud jooned. Pärast oluliste kohtade leidmist kirjeldab arvuti neid numbritega.
Pildi fragmendi numbrilisel kujul salvestamist nimetatakse deskriptoriks. Deskriptorite abil saate üsna täpselt võrrelda pildi fragmente, ilma fragmente endid kasutamata.
Arvutuste kiirendamiseks jaotab arvuti deskriptorid rühmadesse, saades omamoodi klastri. Sarnased deskriptorid erinevatelt piltidelt kuuluvad samasse klastrisse.
Pärast sellist klasterdamist muutub oluliseks ainult klastri number koos deskriptoritega . Mis on pakutavaga kõige sarnasem. Deskriptorist klastri numbrini jõudmist nimetatakse kvantiseerimiseks.
Ja klastri numbrit ennast nimetatakse kvantdeskriptoriks. Kvantimine vähendab oluliselt andmete hulka, mida arvuti peab töötlema. Kvantdeskriptorite põhjal saab arvuti pilte võrrelda ja neil olevaid objekte ära tunda. Arvuti võrdleb erinevate piltide kvant deskriptorite komplekte ja teeb järelduse, kui palju need või nende üksikud fragmendid on sarnased. Sellist võrdlust kasutavad ka otsingumootorid piltide leidmiseks pildi järgi.

== Masinnägemise rakendamine ==
'''Перенес пункты сюда для удобства :)'''

Камера в телефоне (ИИ распознает картиночки и не только ;) )

Умные светофоры (Вумный город)

Камеры замера скорости (Не только вумный город)

Умный город

Роботы (Доставка, самодвижущиеся роботы) (Роботы мустамяэ, Milrem, Boston Dynamics)

Контроль качества на производстве (Производство)

Производство

Военные дроны

Военные системы наведения

Открытие шлагбаумов (Вумный город)

Ассистенты автомобилей (Автопилоты, Line Assistant)

PhotoMath (Камера в телефоне)

== Allikad ==

https://shalaginov.com/2020/05/16/computer-vision-history/ (История разработки и РАЗВИТИЯ)
https://habr.com/ru/company/droider/blog/538750/ (Что это и как оно работает, немного применения)
https://nirmech.ru
Machine Vision : Theory, Algorithms, Practicalities - Morgan Kaufmann, 2004

'''Не забывайте крепить сюда источники, если берете инфу не из выше перечисленных!!!'''