تشخیص انسان ها با استفاده از شکل رگ ها

روشهای بیومتریک مختلفی بر اساس خصوصیت های منحصر بفرد انسان ها وجود دارد هر کدام از این روش ها دارای نقاط قوت و ضعف هستند. یکی از روش هایی که کمتر از موارد فوق شناخته شده است استفاده از شکل رگ هاست.

همانند اثر انگشت و عنبیه، شکل رگ های انسان هم کاملا منحصر به فرد است و با دیگران متفاوت است. حتی شکل رگ های دو طرف بدن هم یکسان نیست و شکل رگ های طرف چپ و راست بدن متفاوت است.

بسیاری از رگ ها از روی پوست مشخص نیستند. به همین دلیل هم امکان تقلب و جعل در چنین روشی بسیار کم و مشکل است. همچنین شکل رگ ها با تغییر سن انسان ها بسیار کم تغییر می کند. به همین دلیل هم چنین خصوصیتی برای تشخیص انسان ها از یکدیگر بسیار مناسب است.

برای استفاده از سیستم تشخیص رگ ها باید انگشتان، مچ دست، کف دست یا پشت دست را روی اسکنر مخصوص سیستم گذاشت. یک عکس توسط دوربین با نوری نزدیک به نور مادون قرمز گرفته می شود.

هموگلوبین های موجود در خون این نور را جذب می کنند و رگ ها به شکل سیاه در تصویر مشخص می شوند. همانند دیگر سیستم های بیومتریک این تصویر بر اساس شکل و محل ساختاری رگ ها تبدیل به یک کد می شود. به این ترتیب برای استفاده های بعدی از سیستم، کد محاسبه شده جدید با کد ذخیره شده مقایسه می گردد.

اسکنر هایی که در سیستم تشخیص رگ ها بکار می روند با ابزارهایی که در بیمارستان ها مورد استفاده قرار می گیرند متفاوت اند. اسکنر هایی که برای اهداف پزشکی به کار می روند عمدتا از ذرات رادیواکتیو استفاده می کنند در حالی که در سیستم های تشخیص هویت بیومتریک، فقط از نوری که تقریبا شبیه به آنچه که از کنترل کننده های از راه دور ساطع می شود، استفاده می شود.

برگرفته از : روزنامه جام جم – هفته نامه کلیک – شماره  88

تشخیص افراد با استفاده از صدا

بسیاری از اوقات شما با شنیدن صدای یک نفر و بدون نیاز به دیدن وی  می توانید او را شناسایی کنید. هر فرد دارای صدایی است که تقریبا با هیچ کس دیگر مشابه نیست. دلیل این امر حفره های صوتی هر شخص و نحوه حرکت دادن دهان هنگام صحبت کردن است. بنابراین می توان سیستمی طراحی کرد که شخص را با استفاده از صدایش تشخیص دهد. چنین سیستمی ممکن است از شما درخواست کند که چند کلمه یا عبارت خاص بیان کنید تا در آینده از آن ها برای رمز عبور استفاده کند. یا اینکه یک نمونه نسبتا کامل از حرف زدن شما را دریافت کند تا بعدها بدون نیاز به استفاده از کلمه ای خاص بتواند شما را شناسایی کند.

سیستم تشخیص صدا در حقیقت یک طیف نگاره(Spectrogram) صداست. طیف نگاره یک گراف است که فرکانسهای مختلف صدا را در محور عمودی و زمان را در محور افقی نشان می دهد. صداهای مختلف گراف های متفاوتی را   می سازند. طیف نگاره همچنین از رنگ ها یا درجات مختلف خاکستری برای نشان دادن کیفیت آکوستیکی صدا استفاده می کند.

مزیتی که چنین سیستمی نسبت به سیستم هایی مانند تشخیص دست خط یا شکل دست و انگشتان دارد این است که نیاز به حضور فیزیکی فرد نیست و از راه دور هم می تواند چک شود. مثلا شخص با استفاده از تلفن می تواند به سیستم متصل شده و بوسیله صدایش توسط سیستم شناسایی شود.

مشکل این جاست که اگر کلمه ای که پرسیده می شود مشخص باشد می توان با ضبط کردن صدای یک شخص و پخش آن از طریق تلفن برای سیستم به اطلاعات وی دسترسی پیدا کرد. به همین دلیل هم معمولا این سیستم ها از کلمات مختلف که به شکل تصادفی انتخاب می شوند برای رمز عبور استفاده  می کنند. دسته ای دیگر از سیستم ها هم از تکنولوژی هایی استفاده می کنند که می توانند صدای ضبط شده را تشخیص دهند. با وجود تمام این سیستم ها باز هم سیستم های تشخیص صدا دارای امنیت بالایی نیستند و به همین دلیل اغلب ترجیح داده می شود که در یک سیستم با اهمیت بالا از چند روش مختلف برای تشخیص افراد استفاده شود.

برگرفته از : روزنامه جام جم – هفته نامه کلیک – شماره  86

تشخیص هویت از روی دستخط

در نگاه اول شاید تشخیص انسانها بر اساس دست خط آن ها کار چندان جالبی به نظر نرسد.

افراد بسیاری می توانند دست خط افراد دیگری را تقلید کنند و براحتی و با کمی تمرین حتی امضای یک نفر دیگر را هم تقلید کنند. بنابراین چگونه چنین سیستمی می تواند مفید باشد؟

سیستم های بیومتریک برخلاف انسانها که به شکل حروف و نوشته اهمیت   می دهند، به عمل نوشتن توجه دارند.

این سیستم ها مقدار فشاری را که موقع نوشتن هر حرف وارد می شود، همچنین سرعت و نحوه نوشتن حروف را مورد توجه قرار می دهند.

همچنین ترتیب نوشتن هم اهمیت دارد. برای مثال اینکه پس از نوشتن هر حرف نقطه های آن نوشته می شود یا پس از نوشتن کل کلمه.

بنابراین بر خلاف شکل ظاهری نوشته که براحتی قابل تقلید است موارد گفته شده را کمتر کسی می تواند تقلید کند.

سیستم تشخیص انسان با استفاده از دستخط  همانند دیگر سیستم های بیومتریک از سه قسمت اصلی تشکیل شده است:

-                یک حسگر که اطلاعات از طریق آن به سیستم وارد می شوند.

-                یک رایانه برای خواندن و نگهداری اطلاعات

-                یک برنامه برای تحلیل اطلاعات داده شده با اطلاعات از پیش ضبط شده

حسگر سیستم تشخیص دستخط می تواند یک صفحه حساس یا یک قلم مخصوص باشد.

چنین صفحه یا قلمی باید بتواند زاویه ها و فشارهای وارده برای نوشتن، همچنین جهت های نوشتن را اندازه گیری و به سیستم منتقل کند. به این ترتیب این موارد توسط یک نرم افزار تبدیل به یک گراف می شود و این گراف در سیستم ذخیره می گردد.

هر زمان که نیاز به چک کردن باشد گراف ایجاد شده بر اساس دستخط  جدید، با گراف ذخیره شده مقایسه می شود تا تشخیص داده شود که دستخط جدید مربوط به فرد اصلی است یا خیر.

( روش استفاده از دستخط امنیت بسیار بالایی دارد. حتی اگر سیستم چند کلمه مشخص برای ورود اطلاعات داشته باشد باز هم هیچ فردی قادر نخواهد بود دقیقا نوع نوشتن آنها را از فرد دیگری تقلید کند.همچنین امنیت افزایش می یابد وقتی که محدودیت کلمات وجود نداشته باشد. کاربرمی تواند مانند رمز عبور چند کلمه را به انتخاب خود وارد سیستم کند و هر بار توسط دستخط خود اجازه دسترسی پیدا کند.)

برگرفته از : روزنامه جام جم – هفته نامه کلیک – شماره  84

سیستم های تشخیص هویت ۲

برای آنکه با سیستم های تشخیص هویت بیشتر آشنا شویم ضروری است تا طرز کار آنها را بدانیم :

یک سیستم بیومتریک از یک پویشگر(Scanner) یا قرائت گر(Reader)، نرم افزار تبدیل کننده اطلاعات به فرم دیجیتال و یک پایگاه داده که داده های بیومتریک را در خود ذخیره نموده و قابلیت مقایسه آنها با یکدیگر را دارد تشکیل شده است. هنگامی که یک داده ورودی از طریق یک پویشگر یا قرائتگر به نرم افزار داده می شود تا آن را به اطلاعات دیجیتالی تبدیل کند. نرم افزار با استفاده از الگوریتمهای ویژه ای( که قابلیت تکامل دارند) ویژگی های اصلی و اساسی آن را که می تواند با دیگر داده های موجود تفاوت عمده ایجاد کند شناسایی نموده سپس نسبت به ضبط این ویژگی ها اقدام می نماید.

عمده این روشها با بهره گیری از مشخصه های یکتایی است که خداوند به بشر اعطا نموده است. یکتایی در نقش انگشت ها، الگوی تقسیم سیاهرگها، دایره های رنگی عنبیه، الگوی رگهای موجود در شبکیه و DNA تنها تعدادی از این ویژگی ها هستند.

در حال حاضر شرکتهای متعددی از سیستمهای حساس به اثر انگشت برای کنترل ورود و خروج در محیط های مهم و با امنیت بالا استفاده می کنند. قطعا در آینده هم تعداد این مشخصه ها و سیستمهای تشخیص هویت مبتنی بر آنها بیشتر خواهد شد، هم سرعت و هم دقت آنها افزایش خواهد یافت. امروزه در دنیا بسیاری از مشکلات امنیتی بواسطه عدم وجود اطلاعات کافی از افراد جامعه است. بی تردید در آینده ای نه چندان دور با وقوع هر حادثه ای می توان با سرعتی بالا عاملان یا قربانیان حادثه را شناسایی نمود.

برگرفته از : روزنامه جام جم – هفته نامه کلیک – شماره 63

قابلیت ردیابی مواد غذایی

یک محصول غذایی ایمن، نتیجه تمامی فرآیندها و فعالیتهایی می باشد که در طی کل زنجیره غذایی انجام شده است. الزامات مربوط به شناسایی محصول، که قابل اعمال به محصولات non-GMOیا Generally Modified Organisms، محصولات ارگانیک و یا گواهی منشا محصول می باشد، نیازمند داشتن یک سیستم شناسایی محصول و بازیابی اطلاعات مربوط به محصول مطمئن است.

یک گواهینامه قابلیت ردیابی زنجیره غذایی، پشتیبان و در بر گیرنده تمامی فرآیند ها و فعالیتهای تمامی شرکتهای تولیدی دخیل در تولید مواد غذایی است. این فرآیند، مستلزم مدیریت گزارش های دقیق گردش مواد خام، مسؤولیت پذیری تمام گروههای دخیل در این فرآیند و اثبات کاربرد یک سیستم مدیریت می باشد.

سیستم های تشخیص هویت

با استفاده از ویژگی های فیزیولوژیک افراد احتمالا تاکنون به این نکته فکر کرده اید که چگونه اثر انگشت افراد مختلف با یکدیگر متفاوت است و چگونه با در دست داشتن این اثر انگشت می توان افراد را شناسایی کرد.

واقعیت این است که از سالها قبل دانشمندان به وجود این تفاوت میان اثر انگشت افراد پی برده اند و سیستمهای ریاضی خاصی را (که شاید یادگیری آن خالی از لطف نباشد) طراحی کرده اند که با استفاده از آن می توان اثر انگشت افراد مختلف را با زبان ریاضی و توسط مجموعه ای از اعداد بیان کرد. به روشها و سیستمهای آماری و ریاضی مورد استفاده برای تحلیل داده های فیزیولوژیک، بیومتریک گفته می شود. ویژگی های یکتا و عدم انطباق در تعدادی از مشخصه های فردی هر انسان وجود دارد که از جمله آنها می توان به بخشی از چشم و مولفه های بنیادی از سلولهای تشکیل دهنده موسوم به DNA اشاره نمود.

اگر بخواهیم آشنایی مختصری با این سیستم ها داشته باشیم بهتر است به تاریخچه بکارگیری این روشها و سیستمها اشاره ای بکنیم. آنچه از متون و تاریخ علم و فن قابل استخراج است به این موضوع اشاره دارد که چینی ها در حدود 600 سال قبل کاربردهای ابتدایی از اثر انگشت را مورد استفاده قرار می داده اند اما اولین کاربرد دقیق و کامل این موضوع به حدود 1890 میلادی در پاریس بر می گردد که برای شناسایی افراد از اثر انگشت آنها استفاده شده است. پس از آن این روش توسط پلیس برای شناسایی یا تایید هویت(2 کاربرد اصلی و مهم) افراد مورد استفاده قرار می گرفته است.

منظور از شناسایی این است که فردی ناشناخته است، مشخصات او گرفته می شود و با مشخصات همه مقایسه شده و مشخص می شود که چه کسی است. تایید هویت یعنی فرد ادعا می کند که مثلا "یاسر زمانی" است، سیستم مشخصات او را فقط با مشخصات "یاسر زمانی" نگهداری شده در سیستم مقایسه می نماید.

 در چهار دهه گذشته غیر از روش انگشت نگاری روشهای جدید دیگری (بیش از 10 روش) ابداع شده و مورد استفاده قرار گرفته است. موسسات و شرکتها روشهای جدیدتری را هر روزه مطرح می کنند و کشورها با بررسی آنها و مقایسه سرعت، قیمت و هزینه استفاده از آنها روشهای جدید را تایید نموده یا مورد استفاده قرار می دهند.

امروزه مشخصه های متعددی از انسانها می تواند برای شناسایی به کار رود که تعدادی از آنها فیزیکی و تعدادی رفتاری هستند. بعنوان مثال می توان از اثر انگشت، پوشش عنبیه و شبکیه، الگو های سیاهرگهای بدن و DNA  بعنوان ویژگی های فیزیکی و تون صدا، امضا و سرعت تایپ بعنوان ویژگی های رفتاری نام برد. از ویژگی های رفتاری معمولا تنها برای تایید هویت استفاده می در حالی که ویژگی های فیزیکی هم برای شناسایی و هم برای تایید هویت قابل استفاده اند. برای دسترسی به این ویژگی ها از ابزارها و روشهای خاصی مانند ضخامت و قطر رگها یا دایره های رنگی چشم، لرزشهای ناخودآگاه دست، چیدمان و شیوه قرار گرفتن اشکال هندسی بر روی انگشتان و ... استفاده می شود.

برگرفته از : روزنامه جام جم – هفته نامه کلیک – شماره 62

دسته کلیدی که گم نمی شود

تمام افراد با جنبه های مختلفی از تشخیص هویت و امنیت سروکار دارند. یکی از متداولترین این وسایل قفل ها و کلید هایی است که هر روزه با آن سروکار داریم. همچنین نام کاربر و رمز عبور در رایانه ها مثال دیگری از این سیستم هاست. ولی اگر کلید خود را گم کنید یا رمز عبور را فراموش کنید چه اتفاقی می افتد؟ اگر کلید یا رمز عبور شما به دست شخص دیگری بیفتد چه رخ خواهد داد؟ در حالت اول شما نمی توانید از ابزار و وسایل خود نظیر اتومبیل، خانه یا رایانه استفاده نمایید. در حالت دوم فرد یا افراد دیگری می توانند بجای شما از این امکانات استفاده کنند.

سیستم هایی که بر اساس مشخصات بیومتریک کار می کنند چنین مشکلاتی ندارند. این سیستم ها بجای استفاده از کلید، سعی می کنند شخص را شناسایی کنند. این شناسایی بر اساس مشخصات فردی مانند صورت، اثر انگشت، قرنیه یا عنبیه، صدا و دست خط صورت می گیرد. بر خلاف کلید یا رمز عبور، این مشخصات فردی به سختی قابل گم شدن(تغییر) هستند! همچنین تقلید و کپی برداری از آن ها هم کار مشکلی است. بنابر این سیستم های بیومتریک مشکلات ذکر شده برای سیستم های معمولی را ندارند و به همین دلیل هم از امنیت و اطمینان بیشتری بر خوردارند.

هر چند سیستم های بیومتریک بسیار پیچیده به نظر می رسند، ولی در تمام آنها سه مرحله اصلی وجود دارد :

ورود اطلاعات: در ابتدای استفاده از سیستم، اطلاعات مورد نیاز اولیه از شخص یا اشخاص استفاده کننده از سیستم گرفته می شود. معمولا این اطلاعات شامل مشخصات فردی مانند نام و شماره شناسایی و همچنین بر اساس نوع سیستم تصویر اثر انگشت، عنبیه یا موارد مورد نیاز دیگر است.

نگهداری اطلاعات: بر خلاف تصور معمول، سیستم، اطلاعات را به صورت کامل و دست نخورده نگهداری نمی کند. بلکه تصویر گرفته شده تبدیل به کد می شود و فقط اطلاعات کد شده نگهداری می شوند.

مقایسه: هنگامی که شخصی قصد استفاده از چنین سیستمی را دارد، مشخصات دریافتی از وی با استفاده از روش قبلی کد شده و با کد ذخیره شده مقایسه می گردد در صورت یکی بودن این دو کد، شخص تایید می شود.

برگرفته از : روزنامه جام جم – هفته نامه کلیک – شماره  83

شرکت Iridium تلفن‌های ماهواره‌ای جدید می‌سازد

نویسنده: Todd R.Weiss
Computer World
مترجم: زهره چکنی

فرامینگهام- درست یک ماه قبل از آنکه فصل طوفان‌ها و گردباد‌های رسمی آمریکا شروع شود در اوایل ماه ژوئن، شرکت Iridium Satellite LLC تجهیزات ارتباطات تلفن ماهواره‌ای راعرضه کرد. این تجهیزات می‌توانند با سیستم‌های رادیویی UHF و VHF موجود که قبلا هم مورد استفاده پلیس بوده است و یا آژانس‌ها و شرکت‌های امدادرسان، آتش‌نشانان و سایر افراد از آن بهره می‌گرفته‌اند به خوبی همکاری دارد و قابلیت اجرایی دو جانبه دارد.

روز شنبه شرکت Betheada اعلام کرد که این تجهیزات می‌توانند از عهده بسیاری مشکلات ارتباطی گسترده که منطقه جنوب شرقی آمریکا را به خصوص پس از توفان‌های کاترینا و ریتا گرفتار گرفته بود به خوبی برآمده و کمک موثری در امر ارتباطات به حساب بیاید. پس از این طوفان‌های مخرب سیستم‌های تلفن موبایل و خطوط زمینی عمدتا در مناطق لویزیانا، می‌سی‌پی و بخش‌های دیگر نزدیک مناطق طوفان زده تخریب شد و علت هم آسیب جدی به برج‌های مخابراتی، خطوط تلفن و سایر زیر ساختارهای مخابراتی بوده است. کارکنان بخش‌های اورژانس می‌بایست از انواع تلفن‌های ماهواره‌ای و رادیویی و سایر وسایل ارتباطی استفاده کنند تا خدمات تلفن به وضعیت عادی بازگردد.

به گزارش این شرکت سیستم‌های Iridium صدایی با قابلیت اجرای دو جانبه و ارتباطات مختلف اطلاعات را ممکن می‌سازد. این سیستم‌ها همه جا کار می‌کنند و قابل حمل هستند. خدمات اطلاعات شامل ادغام Radio Frequency Identification Tags یا RFID می‌باشد که ردیابی وسایل حمل و نقل، کالا و افراد و کارکنان را به صورت بی‌سیم ممکن می‌سازد، بخصوص در موارد اورژانس که بسیار مهم است و تمامی پاسخ‌ها را به این طریق می‌توان کنترل نمود.

خدمات Iridium مدتی است در برخی ایالات مورد استفاده قرار گرفته‌اند، از جمله فلوریدا، جورجیا، لویزیانا، می‌سی‌پی، میسوری، کارولینای جنوبی و تگزاس قابل ذکرند.

Greg Evert قائم مقام مدیریت اجرایی در Iridium در بیانیه‌ای اعلام کرده است که سیستم‌های Iridium می‌توانند با سایر سیستم‌های ارتباطی قابلیت اجرا داشته باشند، از جمله سیستم‌های رادیویی VHF و UHF و به این طریق می‌توان گفت این سیستم‌ها در واقع اورژانس بسیار انعطاف پذیرند. او می‌گوید، بسیاری ایالت‌ها که درخطر اصابت طوفان‌های این فصل می‌باشند هنوز اقدامی برای بهره‌گیری از این سیستم‌های جدید صورت نداده‌اند.

در بیانیه این شرکت آمده است که سیستم‌های Iridium به سرعت Setup می‌شوند و نیازی به ساختارهای نصب شده بر روی زمین ندارند، این سیستم‌های زمینی معمولا بیشتر در معرض آسیب هستند.

Ewert می‌گوید، شاید تصور شود Iridium یک تلفن ماهواره‌ای است که در دست امدادرسانان قرار می‌گیرد. اما هر روز مشتریان دولتی بیشتری درخواست دریافت Iridium را دارند تا از آن برای ردیابی و هدایت دارایی‌های مهم خود در هنگام خطر استفاده کنند. از جمله تجهیزات بسیار حساس، ماشین‌آلات وقتی کارکنان نیز برای ردیابی شدن کاندیدا استفاده از Iridium System هستند. این ردیابی تنها بوسیله سیستم‌های ارتباطی صورت می‌گیرد که مبتنی بر transciever مطلقا اطلاعات ما می‌باشد. بسیاری از افرادی که در هنگام خطر توسط مردم مورد مراجعه هستند (بخصوص در هنگام طوفان‌های کاترینا و ریتا) نتوانستند از اموال خود نشانی دریافت کنند. بسیاری از دستگاه‌ها و لوازم کناره جاده‌ها رها شدند چون کلیه ارتباطات مختل شده بود و خدمات ماهواره‌ای موبایل در آن مناطق نصب نشده بود. این افراد نتوانستند تجهیزات مورد نیاز خود را مجددا هدایت کنند. با راه حل ارائه شده توسط Iridium System افراد در چنین مواقعی خواهند توانست با ابزارهای خود تماس داشته و کنترل کار را در دست داشته باشند.

Ted O'Brien قائم مقام توسعه بازار در این شرکت  اعلام کرد که این سیستم‌ها در حد نیاز قابل گسترش هستند. گوشی‌های تلفن‌های ماهواره‌ای حدودا 1500 دلار قیمت دارند، در حالیکه یک ایستگاه ثابت که برای عملیات نجات و امداد ضروری است حدودا 3000 دلار قیمت دارد و آنتن‌های خارجی را نیز باید در نظر آورد. پلاتفرم قابلیت عملکرد چندجانبه که به کاربران تلفن‌های ماهواره‌ای امکان ارتباط با کاربران رادیوهای UHF و VHF را فراهم می‌سازد و سایر سیستم‌های دیگر حدودا 10000 دلار قیمت دارند. مودم‌های بی‌سیم کوچک موبایل که قابل نصب روی یک وسیله حمل و نقل می‌باشد و امکان ردیابی بی‌سیم را برای افراد و لوازم داخل وسیله فراهم می‌آورد حدودا 500 دلار برای هر مودم می‌باشد اگر توانایی‌های ردیابی نصب شده باشد.

این وسیله را می‌توان توسط باتری‌های خورشیدی شارژ نمود که هنگام قطع برق قابل استفاده است، این وسیله را می‌توان با آداپتورهای شارژ ماشین نیز اشاره کرد.

Ewert در بیانیه‌ای گفته‌اند که پاسخ‌دهنده‌های اولیه در هنگام فاجعه که از Iridium استفاده می‌کنند، بارها خواهند گفت که ما تنها خط ارتباطی بوده‌ایم که به خصوص بلافاصله پس از وقوع فاجعه پاسخ‌گر شده‌ایم. وقتی ساختارهای ارتباطی نابود می‌شوند، این نیاز حقیقی است که این افراد به صحنه فاجعه رفته و با مقرهای فرماندهی تماس برقرار کنند و عملیات امداد و نجات را هماهنگ کنند ... و این کار به طور معمول چندین روز طول می‌کشد تا این افراد به مناطق حادثه زده رفته و سرویس‌های ارتباطی را تعمیر کنند. این افراد مسئول از Iridium استفاده می‌کنند تا درتماس دائم بوده و عملیات نجات خود را به نحو احسن هماهنگ نمایند.

Iridium Satelite (ماهواره Iridium) صدای ماهواره‌ای جهانی ارائه و از 66 ماهواره Cross linked استفاده می‌کنند.

از 5 سال پیش که شرکت Iridium ورشکسته شد (برای توضیح بیشتر Iridium Refocuses on B2B مراجعه کنید) شرکت Iridium Satellite LLC خود را به عنوان یکی از شرکت‌های ارائه دهنده ارتباطات ماهواره‌ایی دولتی و اداری معرفی کرده است که بخصوص برای انواع ارتباطات fail-safe به کار می‌رود.

Iridium LLC اولی پس از آنکه توسط یک کنسرسیوم از خریداران به قیمت 25 میلیون دلار خریداری شد تقریبا شبکه ماهواره‌ای خود را از رده خارج نمود. این سیستم ماهواره‌ای 5 میلیارد دلار ارزش داشت وتوسط شرکت موتورولا و سایرین در سال 1998 ساخته شد.

مقدمه‌ای بر بینایی ماشین‌ (Machine Vision)

مقدمه‌ای بر بینایی ماشین‌ (Machine Vision)

مریم اسماعیلی‌ ماهنامه شبکه - خرداد ۱۳۸۴ شماره 54 اشاره : از میان همه شاخه‌های هوش مصنوعی، شاید کاربردی‌ترین آن‌ها کامپیوتری و مکانیزه کردن سیستم‌های بینایی باشد. دامنه کاربرد این شاخه از فناوری در حال رشد، بسیار وسیع است و از کاربردهای عادی و معمولی مثل کنترل کیفیت خط تولید و نظارت ویدئویی گرفته تا تکنولوژی‌های جدید مثل اتومبیل‌های بدون راننده را دربرگرفته است. دامنه کاربردهای این تکنولوژی براساس تکنیک‌های مورد استفاده در آن‌ها تغییر می‌کند. دراین مقاله سعی داریم به شما نشان دهیم که سیستم‌های بینایی ماشین چگونه کار می‌کنند و مروری کوتاه بر اهداف، تکنیک‌ها و تکنولوژی‌های موجود داشته باشیم و سعی داریم با نحوه کار بینایی ماشین و پیشرفت آن‌ها که مطابق با سیستم بینایی انسان است، آشنا شویم. در این متن، بررسی‌ خود را با دو مثال انجام می‌دهیم. اولی سیستم کنترل کیفیت خط تولید است که شامل نحوه عکس‌برداری و ذخیره و شیوه تفسیر عکس‌های گرفته شده به‌صورت خودکار است و دیگری به‌عنوان یک مثال پیچیده‌تر، چگونگی بینایی یک ربات را توضیح می‌دهد.

کنترل کیفیت خط تولید شکل 1-  نمای ساده شده‌ای از یک سیستم بینایی کنترل کیفیت خط تولید غیرواقعی یکی از کاربردهای بینایی ماشین در کنترل کیفیت خروجی کارخانه‌ها می‌باشد. شکل 1 مثالی بسیار ساده از چنین سیستمی است. اجناس تولید‌شده در کارخانه که برروی یک نوار نقاله قرار گرفته‌اند و توسط یک دوربین CCD  برای آزمایش دیده می‌شوند و محصولات با کیفیتِ مناسب اجازه عبور پیدا خواهندکرد. چنانچه محصولی دارای استانداردهای مناسب نباشد از ادامه مسیر حذف می‌شود. معیار این استانداردها می‌تواند لبه‌های زائد، خراشیدگی و بادکردگی و تورم روی فلزات و بسیاری چیزهای دیگر باشد. در این مثال ما در پی یافتن مکانیزم خط تولید نیستیم و فقط می‌خواهیم ببینیم که یک شی تولیدشده چگونه استاندارد تشخیص داده شده و اجازه عبور می‌یابد و برعکس چگونه به بعضی از اشیاء اجازه عبور و ادامه دادن داده نمی‌شود.  عکس‌برداری در این مثال ما سعی در مکانیزه کردن فرآیندی یکنواخت داریم که به‌صورت معمول و تکراری توسط انسان انجام می‌شود. اولین مسأله و مشکل ما این است که چگونه عکس‌های تهیه شده از اشیایی که در حال حرکت بر روی نوار نقاله هستند را تبدیل به داده‌های قابل فهم و تفسیر برای سیستم نماییم، که این مشکل توسط دوربین CCD  حل می‌شود. عملکرد این دوربین را می‌توان به عملکرد چشم انسان که قادر است  سطوح  مختلف نور را تشخیص دهد تشبیه نمود. چشم انسان چشم انسان که در شکل 2 نشان داده شده است، تقریباً یک عدسی کروی با قطر 5/2 سانتی‌متر   می‌باشد که از چندین لایه مختلف که درونی‌ترین آن‌ها شبکیه نام دارد تشکیل شده است. ماهیچه‌های اطراف چشم اندازه لنز را تنظیم می‌کنند که این‌کار چشم را قادر به زوم (zoom) کردن روی اشیاء می‌کند. شکل 2- نمای داخلی چشم انسان وظیفه عدسی چشم، فرم و شکل دادن به تصویری است که توسط میلیون‌ها سلول گیرنده مخروطی (Cone) و میله‌ای (rod) گرفته شده و برروی پرده شبکیه افتاده است، می‌باشد. سلول‌های میله‌ای به یک عصب معمولی که از انتها به شبکیه ختم می‌شود و فقط در سطح نور پایین فعال است متصلند و سلول‌های مخروطی هر کدام به یک عصب اتصال دارند. آن‌ها در نورهای شدیدتر، بیشتر فعالند  و میزان درک ما از رنگ‌ها را نوع فعالیت این‌ مخروط‌ها مشخص می‌کند. در میان شبکیه ناحیه‌ای به‌نام نقطه کور وجود دارد که در آن هیچ‌ گیرنده‌ای موجود نیست. در این ناحیه اعصاب به‌صورت جداگانه به عصب بینایی که سیگنال‌های دریافت شده را به قشر بینایی مخ انتقال می‌دهند، وصل می‌شود.   دوربین CCD  CCD از جهت عملکرد تقریباً مانند چشم انسان کار می‌کند. نور از طریق یک عدسی وارد دوربین و برروی یک پرده مخصوص تصویر می‌شود که تحت عنوان تراشه CCD شناخته می‌شود. تراشه Charge Coupled Device) CCD) که تصاویر با استفاده از آن گرفته می‌شوند از تعداد زیادی سلول تشکیل شده که همگی در یک  تراشه با الگوی خاصی مرتب شده‌اند و تحت عنوان پیکسل (pixels) شناخته می‌شوند. شکل3- تصویر وسط یک نمای نزدیک از چشم ماهی را نمایش می دهد و نشان می دهد که هر قسمت از یک تصویر چگونه با تعدادی مقادیر عددی ذخیره می شود. به تعداد داده های عددی مورد نیاز برای ذخیره یک فضای کوچک از تصویر توجه کنید. زمانی که تراشه CCD این اطلا عات را دریافت می‌کند، آن‌ها را به شکل سیگنال‌های دیجیتالی از طریق کابل‌هایی به سیستم دریافت‌کننده  می‌فرستد و بعد تصاویر در این سیستم به صورت مجموعه‌ای از اعداد ذخیره می‌شوند. همان‌طور که در شکل 3 می‌بینید هر عدد نماینده یک پیکسل است.  درک تصویر با هر تصویر، چه با دوربین گرفته شود و چه با چشم انسان، مقداری تحریف و تغییر شکل و به عبارتی "نویز (noise) " وجود دارد. البته در مورد مثال ما در سیستم خط تولید این مسأله چندان اهمیت ندارد اما در موقعیت‌هایی که نیاز به دقت بالا وجود دارد باید از نورپردازی خاصی برای تصویربرداری استفاده شود. شکل 4- ترسیم لبه. شکل اول تصویر اصلی می‌باشد. در شکل وسط نویزها  با فیلترنمودن ا‌ز بین رفته است. در نهایت شکل 3، تصویر حاصل از به‌کار بردن الگوریتم ترسیم لبه می‌باشد.  انسان‌ برای درک تصاویری که می‌بیند نیازی ندارد هیچ کاری در مورد فیلتر کردن و از بین بردن نویزهای  یک تصویر انجام دهد. مثلاً در یک روز ابری که مه همه جا را فرا گرفته، دید ما به شدت ضعیف و دچار مشکل می‌شود. اما هر آنچه را که قادر به دیدنش باشیم  درک می‌کنیم. یعنی برای درک اشیاء نیازی به حذف نویزهای تصویر نیست. مثلاً اگر در این روز در حال رانندگی در یک جاده باشید و تصویر مبهمی از یک ماشین را مقابل خود ببینید، بالطبع عکس‌العمل نشان می‌دهید و به عبارتی سرعت خود را کم می‌کنید. و این یعنی ما هنوز تصویر ماشین را علیرغم وجود مه می‌توانیم تشخیص دهیم و در مقابل آن عکس‌العمل نشان‌دهیم. و یا مثلاً زمانی که دچار سرگیجه می‌شوید، علیرغم این‌که تصاویر اطراف خود را تار و مبهم می‌بینید اما قادر به درک و تشخیص وسایل و تصاویر اطراف خود هستید. یعنی ابتدا صبر نمی‌کنید تا سرگیجه‌تان به پایان برسد و بعد تصاویر را تشخیص دهید و این یعنی با قدرت بینایی انسان، علیرغم خراب شدن تصاویر اطراف، می‌توانیم متوجه فضای اطراف خود بشویم. اما برای بینایی ماشین ابتدا باید این  نویزها طی فرآیندی که تصفیه کردن یا فیلترینگ نامیده می‌شود، از بین برود و بعد هر آنچه برای پردازش عکس لازم است انجام شود. خوشبختانه در حال حاضر تکنیک‌هایی برای انجام این کار وجود دارد. از بین بردن نویزها به‌صورت نرمال توسط تعدادی از توابع ریاضی یا الگوریتم‌هایی که تحت عنوان 'treshholding' یا 'quantizing' نامیده می‌شود انجام می‌گردد. این فرآیند بسیار حرفه‌ای و پیچیده‌ای است و نیاز به دانش و پشتوانه بالای ریاضی دارد. زمانی که خرابی‌ها از بین رفت، می‌توانیم پردازش عکس‌ها را ادامه دهیم  که این کار با استخراج صورت‌ها و حالت‌ها از یک تصویر انجام می‌شود. یک شیوه معمول که غالباً مورد استفاده قرار می‌گیرد استخراج لبه‌ها که در شکل 4 دیده می‌شود، می‌باشد. در مورد مثال ما در سیستم خط تولید، وظیفه اصلی یک اپراتور کنترل کیفیت این است که به سرتاسر محصول تولید شده نگاه کرده و با مقایسه آن با استانداردهای مورد قبول، برای محصول تولید‌شده جواز عبور یا عدم عبور صادر کنند.  اگر این کار با استفاده از بینایی ماشین صورت گیرد باید عکس گرفته شده از محصول تولید شده با عکسی که از یک محصول استاندارد وجود دارد مقایسه ‌شود. یکی از روش‌های انجام این کار به این صورت است: برای انجام این‌کار، یک تصویر از محصول استاندارد در کامپیوتر ذخیره می‌شود و سپس از محصولا‌تی که از  خط تولید عبور می‌کنند. تصویر گرفته می‌شود و به عنوان نقشه لبه ذخیره می‌شود. و بعد سیستم، تصویر گرفته شده را از چپ به راست و از بالا به پایین به‌گونه‌ای که در هر زمان فقط یک رقم عبور کند، می‌لغزاند و عدد ظاهر شده در هر موقعیت را با عدد همان موقعیت در تصویر اصلی مقایسه می‌کند و در صورت تفاوت آن را اعلا‌م می‌نماید. لذا عملیات بینایی کامپیوتر در حقیقت مقایسه دو مجموعه عدد است که اگر تفاوت این دو مجموعه از یک محدوده خاص فرارتر برود، از پذیرفتن محصول امتناع شده و در غیر این‌صورت محصول‌ پذیرفته می‌شود.   یک مثال پیچیده‌تر در مثال قبل سیستم مورد مطالعه بسیار محدود بود و فقط یک تصویر دو بعدی از یک محصول را با تصویر اصلی و ایده‌آل مقایسه می‌کرد و احتیاجی به بررسی مقادیر اندازه و زاویه نبود. در این مثال می‌خواهیم به سیستم بینایی که برای یک ربات خانگی که قادر به تمیز کردن خانه، پختن غذا و ... طراحی شده نگاهی بیاندازیم. این مثال بسیار پیچیده‌تر از مثال قبلی است و نیاز به آگاهی از تغییرات محیط دارد. به عبارت بهتر نیاز به یک سیستم هوشمندتر داریم. قبلاً دیدیم که تصاویر چگونه ذخیره و تفسیر می‌شوند. غالب تکنیک‌های گذشته دوباره در این مثال به‌کار گرفته می‌شوند. تفاوت اصلی در تفسیر تصاویر گرفته شده است. در مثال قبلی فضای سیستم بینایی فقط متشکل از یک سری محصول بود، اما در این مثال ربات باید از همه آنچه در اطرافش می‌گذرد باخبر بوده و این یعنی با دنیای وسیع‌تر و بزرگ‌تری روبروست. بدین‌منظور نیاز به تکنیک‌های تشخیص پیچیده‌تری وجود دارد. یعنی در این مثال، یک صحنه فرضی شامل ده‌ها یا حتی صدها شی مختلف در معرض دید است. این اشیاء در اندازه‌ها و تحت زوایای مختلف که متأثر از نوع نورپردازی هم هستند به نمایش درمی‌آیند و به همین دلیل برای تشخیص این اشیاء نیاز به تکنیک‌های هوش‌مصنوعی (Ai) می‌باشد.  پردازش اطلاعات در  مغز شکل 5 - تصویر به نظر دو مثلث می‌آید که در جهت عکس هم و برروی هم قرار داده شده‌اند، ولی از نظر ریاضی هیچ مثلثی رسم نشده است و فقط سه دسته از خطوط وجود دارند. در مورد بینایی انسان متذکر شدیم که شاید یکی از قسمت‌هایی از مغز که بیشتر فعالیت درک تصویر را انجام می‌دهد ناحیه visual Cortex باشد. همان‌طور که دیده‌ایم، این‌جا ناحیه‌ای است که اطلاعات منتقل شده در طول عصب بینایی در آن پردازش می‌شود. البته این را هم مدنظر داشته باشید که قسمتی از فعالیت پردازش اطلاعات در ناحیه شبکیه چشم قبل از این‌که اطلاعات به مغز برسند، انجام می‌شود. البته خود ناحیه شبکیه به‌عنوان قسمتی از مغز شمرده می‌شود. در ضمن این مسأله هم قبلاً مشخص شده است که نواحی مختلف قشر بینایی مخ در مقابل تصاویر مختلف عکس‌العمل نشان می‌دهد. به عبارت دیگر هر قسمت از این ناحیه مربوط به یک حالت خاص است. مثلاً نواحی معین و مشخصی در مقابل رنگ‌های متفاوت عکس‌العمل‌ نشان می‌دهند و یا مثلاً نواحی وجود دارند که سلول‌هایشان در مقابل جزییات دقیق موجود در یک تصویر عکس‌العمل نشان می‌دهند. مثلاً در شکل 5 شما می‌توانید یک مثلث سفید که به‌طور واضح سه راس آن مشخص نشده است را ببیند، شکل 6- مثلث Penrose: عدم هماهنگی هندسی در لبه‌ها باعث عدم درک صحیح شکل می‌شود. علیرغم این‌که به‌طور واضح و مجزا این مثلث مشخص نشده است. اما سلول‌های موجود در قشر بینایی می‌توانند تکه‌های این خطوط را کنار هم گذاشته و از آن یک مثلث استنتاج کنند. زمانی که اطلاعات مربوط به چیزی که دیده می‌شود را دریافت کردیم، مثل شکل ظاهری، لبه‌ها و غیره، مغز نیاز به رمزگشایی و کشف اطلاعات به‌دست آمده دارد تا دقیقاً نتیجه‌گیری کند که آنچه در صحنه می‌گذرد چیست. اینجا قسمتی است که ما خیلی کم در رابطه با آن می‌دانیم و مشخص نیست که دقیقاً مغز چگونه این کار را انجام می‌دهد. اما مسأله مشخص این است که سیستم بینایی ما چندان مبرا از خطا نیست و به‌راحتی دچار اشتباه  می‌شود. موارد بسیار زیادی وجود دارد که اطلاعات کسب شده می‌‌توانند مبهم و یا حتی اشتباه باشند، مانند مثال‌هایی که در شکل 6 و 7 مشاهده می‌کنید. شکل 7- خطای دید: در شکل سمت چپ علیرغم نحوه ظهور خطوط همه آن‌ها  با هم موازیند. در شکل سمت راست که به خطای Muller-Lyer معروف است دو خط ظاهر شده به نظر دارای طول‌های متفاوت می‌آیند. اما در حقیقت هم‌اندازه‌اند. به‌طور خلاصه، با توجه به این‌که سیستم بینایی انسان در بسیاری موارد دچار خطا می‌شود، نیاز به درنظرگرفتن شیوه‌ای متفاوت برای بینایی ماشین هستیم. با استفاده از تکنیک‌هایی که قبلاً ذکر کردیم، ربات می‌تواند شناسایی ترکیبات و صورت‌های گوناگون موجود در اطراف خود را با استفاده از شیوه همانند‌سازی الگو انجام دهد. هر چند تعداد زیادی صورت و ترکیبات گوناگون (template matching) دیگر وجود دارند که نیاز به اخذ شیوه‌های متفاوت دیگری برای نمایش آن‌ها وجود دارد. و در این جاست که نیاز به استفاده از تکنیک‌های هوش مصنوعی  مطرح می‌شود.   نمایش دانش متخصصین هوش مصنوعی انواع سیستم‌ها را با استفاده از برنامه‌های معمول کامپیوتری و تفاوت قایل‌شدن بین پردازش اطلاعات (information) و پردازش دانش (knowledge)، شناسایی می‌کنند. این‌کار منجر به ایجاد سیستم‌های مبتنی بر دانش که کاربرد بسیار زیادی در هوش مصنوعی دارد می‌شود. شکل 8- یک شبکه معنایی برای نمایش قسمتی از آشپزخانه.  ربات ما نیاز به داشتن اطلاعات یا "دانش" از دنیای اطراف خود دارد تا سیستم بینایی‌اش به درستی عمل کند. ما به‌طور خلاصه بعضی تکنیک‌هایی که توسط مهندسین دانش (knowledgc engineer) برای نمایش و پردازش این اطلاعات به‌کار می‌رود را آزمایش می‌کنیم. یک شبکه معنایی (Semantic network) یک تکنیک خوش ساخت برای نمایش اشیاء یا ماهیت موجود در یک دنیا و ارتباطاتی که بین‌شان موجود است، می‌باشد. مثلاً قسمتی از دنیای ربات ما آشپزخانه است. استفاده از یک شبکه معنایی می‌تواند راه مناسبی برای نمایش اطلاعات باشد. بدین‌ترتیب آشپزخانه را تحت عنوان یک سری از اشیاء و روابط بین‌شان فرض کنیم. یک شبکه می‌تواند جزییات موجود را به‌خوبی نمایش داده و ما را قادر به کاوش بیشتر و بهتر در روابط موجود بین اشیاء کند. برای مثال، همان‌طور که از شکل شماره 8 می‌‌توان دید، گوشت‌های سرد در یخچال‌ نگهداری می‌شوند. این آیتم‌ها تحت عنوان غذاها می‌توانند دسته‌بندی شوند. اگر چه همه غذاها در یخچال نگهداری نمی‌شوند، اما همه محصولات گوشتی ملزم به نگهداری یخچال هستند. مشخص است که این شبکه باید برای نمایش دنیای اطراف ربات ما به‌خوبی گسترش یابد و نیاز به نمایش دقیق‌تر و جزیی‌تری از اشیاء و ارتباطات وجود دارد و همچنین این شبکه باید اتاق‌ها، افراد، اشیاء موجود و غیره را هم نمایش دهد. پس از ساخته شدن شبکه معنایی ما قادر به ساخت یک پایگاه داده از دانش حاصل از شبکه معنایی در مورد اشیاء موجود در دنیای مربوطه هستیم. در مورد مثال ما، ورودی‌های مناسب می‌تواند به شکل زیر باشد: (سیب - شکل - گرد) (سیب - رنگ - قرمز) (سیب -  نما - براق) (همبرگر-  شکل - گرد) (همبرگر- رنگ - قهوه‌ای) (همبرگر نما - گوشتی) (یخچال - شکل - مستطیل) (یخچال - رنگ- سفید) (یخچال -  نما - فلزی) (ظرف‌میوه - شکل - بیضی) (ظرف‌میوه - رنگ- نقره‌ای) (ظرف میوه - نما - فلزی) ((میوه) نگهداری - در (ظرف میوه)) ((سیب) هست -  یک (خوردنی)) توجه کنید که ورودی‌های این پایگاه دانش باید به‌گونه‌ای باشد که منجر به سردرگمی ماشین نشود. مثلاً در مورد مثال ما، سیب یک شی براق قرمز گرد معرفی شده است. اشیاء زیادی هستند که ممکن است چنین مشخصه‌ای داشته باشند و اگر مثلاً شما ربات خود را بفرستید که برای شما یک سیب تازه بیاورد امکان دارد ربات با یک توپ  نزد شما باز گردد. این پایگاه دانش تحت عنوان حافظه کاریِ سیستم شناخته می‌شود. به منظور استفاده کارا و مناسب از اطلاعات موجود در این پایگاه، سیستم نیاز به داشتن تعدادی  قانون دارد. بدین‌ترتیب پس از ساخت پایگاه دانش نیاز به ساخت یک پایگاه از قوانین برای برخورد مناسب با اطلاعات موجود در پایگاه دانش هستیم. اگر شما از قبل با زبان‌های برنامه‌نویسی آشنایی داشته باشید، با عبارتی مثل If Statement Then  آشنا هستید مثلا If cold Then wear coat ما از چنین ساختاری برای ایجاد پایگاه قوانین استفاده می‌کنیم. قسمت IF عبارت تحت عنوان راس قانون و قسمت عملیات یعنی قسمت Then تحت عنوان بدنه قانون شناخته می‌شوند. و بدین ترتیب ربات مثلاً می‌داند که یک سیب چیست و در کجا قرار دارد. مثلاً فرض کنید یکی از کارهایی که قرار است ربات انجام دهد رفتن به سمت یخچال و برداشتن چیزی از یخچال است، در این صورت می‌توانیم مجموعه‌ای از قوانین را به این منظور بسازیم. اکنون هم دانش و هم قوانین مربوطه را داریم که نیاز به روش‌هایی برای تفسیرشان داریم. این کار توسط سیستم مفسر انجام می‌شود. مفسر برنامه‌ای است که قوانین را پردازش می‌کند. وظیفه آن خواندن هر قانون  و بررسی این‌که موقعیت‌ها با هم همخوانی دارند یا نه می‌باشد. اگر همخوانی داشتند عمل موردنظر را انجام می‌دهد. این عمل آن‌قدر انجام می‌شود تا به عملی که دستور پایان  داده‌است،  برسد. گفتیم برای استفاده از تکنیک همسان‌سازی الگو (Template matching) نیاز به ذخیره مقادیر بسیار زیادی از دانش در رابطه با هر آیتم موجود در دنیای ربات وجود دارد. با استفاده از قوانین می‌توانیم استفاده از این اطلاعات را از بین ببریم و دیگر نیازی به آن‌ها حس نمی‌شود. مثلاً در مورد یک صندلی، به‌جای ذخیره یک صندلی از تعدادی  زوایا و اندازه‌ها می‌توانیم اطلاعاتی راجع‌به برخی خواص و ظواهر صندلی نظیر جنس، دسته‌ها، پایه‌ها و ... که یک سیستم مبتنی بر دانش از آن‌ها به منظور تشخیص صندلی استفاده می‌کند، ذخیره کنیم. یک صندلی دارای چهار پایه، یک نشیمنگاه و یک تکیه‌گاه است. از طرف دیگر میز هم چهار پایه و یک رویه دارد. بدین‌ترتیب به‌جای ذخیره تعداد زیادی عدد برای هر شی، از خواص آن شی برای توصیفش استفاده کنیم. بدین‌ترتیب نیاز به یک پایگاه دانش هست که چیزهایی نظیر اجزا (دسته‌ها، پایه‌ها، دیواره‌ها و...) خواصی که این اجزا را توصیف می‌کند (ظاهر و غیره)، و حقایقی در رابطه با اشیایی که توسط این اجزا ساخته می‌شوند (آشپزخانه چهار دیوار و یک در دارد و غیره) و همچنین یک سری قوانین به منظور پردازش این اطلاعات را نگهداری نماید.  خلاصه همان‌طور که دیدیم، عملیات زیادی باید به منظور پردازش اطلاعات تصویری انجام شود. تصاویر غالباً دارای نویز هستند که باعث خرابی و تحریفشان می‌شود. هر چند این مشکل چندان حادی برای سیستم بینایی انسان به حساب نمی‌آید اما برای سیستم‌های بینایی ماشین این نویزها به‌طور کامل باید فیلتر و پاکسازی شوند که این عمل با استفاده از  تعدادی الگوریتم انجام می‌شود.  همچنین دیدیم که اشیاء چگونه با استفاده از تکنیک همسا‌ن‌سازی الگو دیده می‌شوند هر چند پس از این‌که اشیاء داخل صحنه توسط سیستم بینایی مشخص شدند هنوز کار تمام شده است. اطلاعات حاصل باید به یک نمایش دانش مناسب‌ ترجمه شوند به‌طوری که قابل پردازش باشند.  نتیجه‌گیری مثال اول یک مثال محدود شده از نوعی سیستم بود که در کاربردهای روزانه مشابه آن را فراوان می‌توان یافت. سیستم‌های بینایی اولیه روز به روز در حال گسترش هستند و هر روز کاربرد جدیدی برای آن‌ها یافت می‌شود. با توسعه این سیستم‌ها، کاربردهایی برای سایر محیط‌ها نظیر توسعه پردازش نیز یافت می‌شود. سیستم‌های بینایی مصنوعی از کاربردهای پزشکی و نظامی گرفته تا کاربردهای ساده و معمول روزمره مورد استفاده هستند. و این شاخه از هوش مصنوعی از کاربردی‌ترین شاخه‌ها می‌باشد که هنوز مسایل حل‌نشده زیادی در خود دارد.

شرکت مهندسی طلوع

• شرکت مهندسی طلوع در سال 1381 توسط جمعی از فارغ التحصیلان دانشگاه صنعتی شریف گردید.

• این شرکت با دارا بودن تجربیات بسیار خوبی در زمینه های مختلف مهندسی برق، پردازش سیگنال و تصویر، مهندسی نرم افزار و فناوری اطلاعات، هم اینک تمرکز خود را بر انجام پروژه ها در زمینه ردیابی و شناسایی کالا و اتوماسیون جمع آوری اطلاعات (خطوط تولید و کنترل کیفیت) خصوصا با استفاده از فناوری RFID قرار داده است.

• مدیریت این شرکت بر عهده آقای مهندس مهدی ابراهیمیان می باشد و مدیریت فنی شرکت را آقای مهندس امیر سعید تدین بر عهده دارد.

فعالیت های شرکت مهندسی طلوع:

• مشاوره، طراحی و اجرای سیستم های مبتنی بر RFID (یا بارکد)

  • مدیریت محوطه

  • انواع سیستم های کنترل تردد (Access Control) خودرو و نفر با RFID

  • ردیابی و شناسایی افراد و کالا ها ( Tracking، Tracing و Identification)

  • دورسنجی بدون سیم

  • سیستم های انبار داری و کنترل اموال و موجودی ها

  • سیستم های کنترل تولید و کنترل کیفیت

  • امنیت و مدیریت اسناد، کتاب ها و دیگر اموال

• پردازش تصویر

  • خوانا - علامت خوان نرم افزاری (OMR یا Optical Mark Reader)؛ قابل استفاده در تصحیح اوراق تست در مدارس و آموزشگاه ها و نیز مراکز نظرسنجی و ارزشیابی

    سیستم ها و نرم افزار های مرتبط با خوانا:

    • بسته علامت خوانی با اسکنر اتوفیدر دار با سرعت بالای 500 برگ در ساعت

      • نسخه آموزشی، ارزشیابی و ارزشیابی تخصصی

      • بسته معلم یار خوانا با قابلیت محدود پشتیبانی برگه A5 و قیمت بسیار مناسب!

    • سیستم ارزشیابی اساتید قابل اتصال به OPScan یا سیستم خوانا؛ جامعترین سیستم ارزشیابی موجود با بیش از 50 گزارش و نمودار

    • سیستم ورود اطلاعات ارزشیابی اساتید با استفاده از سیستم خوانا و فرم های آماده

    • سفارشی سازی خوانا برای فرم های ارزشیابی یا گزارش های خروجی

    • سیستم ورود نمرات برای دانشگاههای آزاد اسلامی و ... با استفاده از خوانا

  • سیستم کنترل تردد هوشمند خودرو (پلاک خوان)؛ قابل استفاده در کنترل ورودی خودروها در مجتمع ها و سازمانها

• اتوماسیون صنعتی و مونیتورینگ

  • طراحی و توسعه سیستم های ماشین بینایی (جهت کنترل کیفیت)

  • ارتقاء سیستم های اتوماسیون صنعتی

• نرم افزار مدیریت محتوای SharePoint

  • نصب، راه اندازی و سفارشی سازی نرم افزار برای مدیریت محتوا در سازمان های دانش محور

اطلاعات تماس تلفن: 88312264 88812264  -(9821+) 88812035 تلفکس: 88312265  -(9821+) نشانی پستی: تهران، خیابان کریم خان زند، بین خردمند و ادیب، پلاک 78، طبقه دوم پست الکترونیک:

وب سایت : http://www.tolue.ir      http://rfid.ir