MAKİNA GÖRÜŞÜ

MAKİNA

B ilindiği gibi insanların beş duyu or ganı vardır. Bunlar görme, işitme, tat, koklama ve dokunmadır. Bu duyular insanın çevrelerini algılamalarını sa ğlarlar. Tümü de önemli olan bu duyguların en çok kullanılanı ve en güçlü olanı görme duyuşudur. Bu duyu çevre ile ilgili en fazla bilgi almamızı sağlayan duyu dur. Bu duyu kullanılarak nesnelerin şeki llerini, pozisyonlarını algılar, onları tanır ve

GÖRÜŞÜ aralarındaki ilişkiyi belirleriz. insanlar, tarihin ilk çağlarından beri duyu organlarını kullanarak çevreyi algılamışlar ve doğayı öğrenmeye çalışmışlardır. Bu öğrenme ile birlikte bilgi birikimleri artmış ve doğadaki olayları taklit etme isteği doğ muştur. Bu istek sonucunda ateşin yakıl masından uçakların yapımına kadar bir çok bilgi birikimi sonuçlandırılması elde edil miştir.

Sayısal bilgisayarların kullanılmaya baş lanması ile birlikte insanların kendilerinde olan, beş duyunun benzetişimi için çok güçlü bir istek sonlandırılmaya doğru iler lemiştir. Bu konuda konuşabilen, koku ve tat moleküllerini çözümleyebilen, dokun mayı duyabilen makinalar yapılmıştır. Ya pılanmasına çalışılan diğer bir duyu da görmedir, insanların çevreyi algılamakta en fazla kullandığı görme, aynı zamanda en karmaşık duyudur. Bu duyunun nasıl çalış tığı tam olarak anlaşılamamıştır.

Karmaşıklığı nedeniyle evrensel anlamıyla görme duyusu ve bu duyuyla algılanan bil ginin başarılamamıştır. Konu ile ilgili çalış malar genel anlamlı olarak sürdürülmekte ve aynı zamanda özel uygulamalar için sistemler geliştirilmektedir. Bu uygulamalar genellikle endüstri alanına yönelik olmak tadır.

Bu yazıda, en genel çizgileriyle makina görü sisteminin bir özeti yer almaktadır. Daha ayrıntılı bilgi için kaynakçadan yarar lanılabilir.

Makina Görü Sistemi İçin İşlemler

Mehmet Mete BULUT (*) (*) ODTÜ, Elektrik Elektronik Mühendisliği.

Bir makina görü sistemi görüntüleri çö zümleyerek görüntünün tanımını çıkarmak için kullanılır. Bu tanımlamalar görüntüle nen nesnenin uygulama alanıyla ilgili bilgi leri yakalamak zorundadr. Bilgi fazlalığını engellemek için de uygulamada kullanıl mayacak tanımlamaların çıkarımı engelle nir. Örneğin bir yoldan geçen kamyon ve otomobil sayısı ile ilgilenen bir sistemde renk bilgisine gerek yoktur. Öte yandan yalnızca otomobillerin geçtiği bir yoldaki sarı arabaların sayısı uygulamada kullanı lacaksa şekil bilgisine gerek yoktur. Eksik

31 391 E L E K T R İ K

MÜHENDİSLİĞİ

• Şekil 1: Makina görü sisteminin genel yapısı

Şekil 2: Nokta duyargaç sisteminin genel yapısı

Işık —•»• Duyargaç — ^

bilgi tanımsızlığı getirirken, fazla bilgi bellek ve zamanlama sorunlarına neden olur.

Makina görü sistemine girdiler bir veya daha fazla görüntü, çıktı ise aşağıdaki iki özelliği sağlayan tanımlamadır.

Görüntülenen nesne ile ilgili ilişkilerin ta şınması.

Verilen işi yapabilmek için tüm bilginin yakalanabilmesidir.

Şekil 1'de en genel çizgileriyle bir makina görü sistemi verilmektedir.

Görüntüleme Elemanları insanlarda, çevreyi görme ile algılama iş leminde göz, sinirler ve beyin kullanılmak tadır. Makina görüntüsünde beynin işlevini merkezi işlemci yerine getirirken, göz ola rak kullanılan elemanlar görüntüleme ele manı olarak adlandırılırlar.

Görüntüleme elemanı görü sistemindeki ilk bağlantıdır. Işığın elektrik sinyallerinedö nüştürülmesinde kullanılan görüntü duyar gaçları değişik şekillerde sınıflandırılmak tadır. Bu sınıflandırma duyargacın boyutuna göre olabileceği gibi, dalga boyu duyarlılığına göre de olabilir.

Görüntü duyargaçlarını boyutlarına göre sınıflandırdığımızda dört ana grup ortaya çıkar.

^>

Algılama Sınınnın Dışındaki Nokta

\

Bunlar

Nokta duyargaçlar.

Çizgi duyargaçlar.

Düzlemsel duyargaçlar.

Oylumsal duyargaçlardır.

Nokta Ouyargaçlar:

Bu duyargaçlar tek bir noktadaki ışık ilgisi nin alınması için kullanılırlar. Işık çarpıcılar (Photomultiplier) veya ışık tranzistörü (Photo transistor) gibi ışığa duyarlı her hangi bir eleman bu amaçla kullanılabilir. Bu tür elemanlar uzaydaki tek bir noktanın ışık bilgisini algılayabilecek kapasitede ol dukları için nokta duyargaç olarak adlandı rılırlar. Bu elemanların kullanımında bir ışık kaynağı da gerekmektedir. Nokta duyarga çların kullanımı için genel bir yapı Şekil 2 de gösterilmiştir. Burada Dn ve Df sınırları arasında kalan nesneler görüntülenebilir ler.

Işık kaynağı ve görüntü duyargacının ko numu ve dalga boyu değiştirilerek eldeki uygulamaya yönelik yeterli görüntü bilgisi alınabilir.

Nokta duyargaçlar doğrusal hareketle, çiz gisel bilgi; düzlemsel taramayla da yüzey bilgisi algılayabilirler. Ancak nokta duyar gaçların bu amaçla kullanılması zaman açısından verimsizdir. Eldeki uygulamanın özelliğine ve zaman fiyat ikileminin sonu cuna göre nokta duyargaçların kullanımı seçilir.

Çizgi Duyargaçlar

Çizgi duyargaçlar tek boyutlu elemanlardır. Bu amaçla genellikle doğrusal olarak bir dizi şeklinde yerleştirilmiş ışık diyotları (photodiode) veya CCD (Charge Coupled Device Yük Kuplajlı Eleman) elemanlar kullanılır. Bu şekilde bir çizgi üzerindeki ışık bilgisinin bir defada alınması sağlanmış olur. Bu duyargaçlar kullanılarak düzlemsel görüntülüme işlemleri de yapılabilir. Bunun için çizgisel duyargacın veya görüntülene cek nesnenin bir değerine dik olarak hare ket ettirilmesi gerekmektedir.

Düzlemsal Duyargaçlar

Düzlemsel duyargaçlar, çizgisel duyarga çların iki boyutlu düzlemesidir. Bu amaçla kullanılan duyargaçların genel olarak iki tipi vardır. Bunlar tarayıcı ışık çarpıcıları ve katı durum (solidstate) duyargaçlardır.

Tarayıcı ışık çarpıcılara örnek televizyon kameralarıdır. En çok kullanılan televizyon

kamera tipi optik elektrik dönüşümünü sa ğlayan vidicon tüplerdir.

Vidicon tüpler dışında görüntü alma işle minde kullanılan diğer teknolojiler ise CCD ve CID (charge injected device Yük en jeksiyonlu Eleman) dır.

Bu üç teknolojinin karşılaştırılması şöyle dir:

Özellikler

Vidicon CCD CID

Ayırım

Duyarlılık

Hız

Boyut

Güvenirlik

Şu andaki fiyat

Gelecekteki fiyat 2

* 1 en yüksek performansı göstermektedir.

Şekil 3'te düzlemsel duyargacın kullanıldığı bir sistemin yapısı verilmektedir.

Oylumsal Duyargaçlar

Bu duyargaçlar ticari olarak pazara sunul mamışlardır. Üç boyutlu görüntüleme iş lemleri için birden fazla iki boyutlu sistem lerden kurulu düzenekler kullanılmaktadır.

Görüntü Bilgisinin Gösterimi

Duyargaçlar kullanılarak görüntülenen nesnenin ışık bilgisi elektrik işaretlerine dönüştürülüp kodlanması gerekir.

Halen, robot görü sistemlerinin çoğu iki boyutludur. Bu nedenle görüntüler bir tele vizyon monitöründe gibi ele alınır. Bu şe kilde görüntünün tanımı

V (x, y) = i (x, y) R(x, y)

şeklinde verilebilir.

Burada, i(x, y) bir enerji kaynağının fiziksel aydınlatmasının işlevi, R(x, y) ise yansıma işlevidir, işlemi kolaylaştırmak için genelde ışık kaynağı sistemi aydınlatma fonksiyonu i(x, y) sabit olacak şekilde seçilir. Bunun anlamı nesnenin bütün noktalarına düşen ışığın şiddetinin aynı olması demektir. Bu durumda, görüntü bilgisi, nesne üzerindeki noktalardan yansıyan ışığın şiddet bilgisidir ve görüntü işlevi V(x, y) ışık şiddetinin sü rekli ölçümüdür. Bu ölçümün genliği sayısal

bilgiye çevri

lerek resim

hücresi an

lamında

"pixel" ola

rak adlandı

rılır. Resim

aylık resim

elemanlarıdı

rlar. Resim

Taşıyıcı Kemer Yönü

nesne üze

rindeki belli bir noktadan yansıyan ışığın • Şekil 3:

şiddetine göre belli bir sınır içinde sayısal değerler alırlar. Bu sayısal değerler gri seviyesi olarak adlandırılırlar.

Bir robot sınıflandırma sisteminde kullanılan düzlemsel duyargaç sistemi.

Sonuç olarak, nesnenin görüntüsü ile ilgili bilgi resim hücresi değerleri olarak gösteri lir, saklanır ve işlenirler.

Donanım

Görüntü çalışmalarında en büyük pro blemlerden ikisi görüntünün daha sonraki kullanımlar için saklanması ve görüntü iş leminin hızıdır. Görüntünün saklanması için, resim hücresi değer bilgisinin örne klenip sayısal değerlere çevrilerek bilginin bir bilgisayar veya mikro işlemcinin işleye bileceği duruma getirilmesi gerekmektedir. Bunun için şekil 4 te gösterilen yapıdakine benzer bir A\ D dönüştürücü gerekmekte dir.

I Örnekleyip —H Tutucu

JUUUUUUl

I

Resvn Hücren S M Ü

«D

e

L Gri

" ? BİLGİSAYARA

Dönüştürücü E | SttrtyMj S

** Ven Zanunlama

Ancak resim hücresi değer bilgisinin sa klanması oldukça fazla bellek gerektir mektedir. Örneğin 10 cm x 10 cm boyu tunda bir nesnenin her cm si için 100 değer alındığı, ve her noktanın 256'lı bir seviye ile saklandığı durumda IMByte bellek gerek mektedir. Bu çoklukta verinin işlenmesi de durağın nesne çalışmaların da bile oldukça fazla zaman gerektirmektedir. Hareketli nesne çalışmalarında ise bellek işlemi kor kunç boyutlara ulaşırken, hız faktörü de çok önemli bir sınırlayıcı haline gelir. Bu nedenlerle, görüntü çalışmalarında büyük bellekleri olan ve paralel işleme ya pabilen sistemler kullanılmaktadır. Nesne Belirleme

Robot görü sistemlerinin en çok uygulan dığı alanlar izgeleme, tanım belirleme ve denetimdir.

• Şekil 4: A\D dönüştürücü sistem.

"Örneğin, renk bilgisini kullanarak mavi bir zeminde kırmızı bir nesne kolaylıkla ayrıştırılabileceği gibi renklerin tonları da ayrıştırma işlemi için kullanılabilir."

Bu işlemlerinyapılabilmesi için nesnenin tanınması ve sınıflandırılması gerekmekte dir. Bu işlem için iki ana adım vardır.

1. Boyut indirimi: Bu görüntünün sayısala çevrilip doğrudan saklanması çok fazla be llek gerektirmektedir. Boyut indiriminden amaç, görüntü bilgisini daha yalın bir şekil de saklayabilmektir. Örneğin bir küpün tüm görüntüsü yerine, yalnızca bir köşesinin koordinatlarını, bir kenarının uzunluğunu ve bir referans noktasına göre konum açı sını saklamak yeterli olabilir.

ilk fark / tek boyut diye adlandırılan yön temler

Kenarl = II El + IE Al

Kenar 2 = IF El = IE Dİ

Kenar 3 = IH El + IE Bl

Kenar 4= IG El + IE Cl işlevlerini kullanarak kenar belirleme işini yaparlar. Bu tip operatörler görüntü pürüz süzleştirme işi için de kullanılırlar.

2. Görüntü Ayrıştırılması: Alınan bir görün tüde birden fazla nesnenin bilgisi olabilir ya da tek bir nesne homojen olmayıp birden fazla kısımdan oluşmuş olabilir. Bu durum da görüntü almanın amacına uygun olarak nesnelerin ya da kısımların birbirinden ayırdedilmesi gerekmektedir. Bu işlem için genelde kullanılan iki yöntem vardır.

* Renk ve gri seviyesi bilgisi bir nesnenin onu diğer nesnelerden ayırt etmek için ku llanılan bir kriterdir. Uygun bir ışıklandırma ve ışık süzme ile görüntülencek bölgenin istenen kısmı daha yoğun ışıklandırılarak ayrıştırma işlemi yapılabilir. Örneğin, renk bilgisini kullanarak mavi bir zeminde kırmızı bir nesne kolaylıkla ayrıştırı labileceği gibi ren klerin tonları da ayrıştırma işlemi için kullanılabilir. Ayrıca gri seviyele ri kullanılarak aynı renkteki nesnelerin veya aynı nesne nin kısımlarının birbirlerinden ay rıştırılması sağla nabilir.

Sobel operatörü olarak adlandırılan diğer bir yöntem ise

Kenar = {(A+2 B+C G* 2H I)2+ (A+2D+G C 2F I)2}172 işlevini kullanır.

Bu operatör, görüntünün alt grubundaki ekanralırn ağırlıklı ortalama ışık şiddeti iş levini hesaplayıp, birbirine dik iki kenar öl çümü oluşturur. Daha sonra bu iki kenar ölçümü ikinci dereceli olarak birleştirilir. Bu yöntem, yerel bölgelerin pürüzsüzleştirme işlemi için de kullanılır.

Ton farkı operatörü diye adlandırılan yön tem, ton farklarını kullanarak kenar belirle me işlemini yapar. Bu operatör işlevsel olarak

Kenar = E ( A + B + C + D + F + G + H + l)\8 şeklindedir. Genel anlamda merkez resim hücresinin çevresindeki resim hücrelerine göre ışık şiddetini karşılaştırarak kenar be lirler.

Çizgi İzgelemesi

* Kenar Berlirleme: Görüntü ayrıştır ması için kullanılan diğer bir yöntem ise kenar belirlemesidir. Genelde kenarlar gri seviyelerin en fazla değiştiği yerlerdir. Kenar belirlenmesi için bir takım yöntemler geliştirmiştir.

Bu yöntemler bir noktanın çevresindeki diğer noktaların gri seviyelerini de kullana rak sonuca giderler.

Örnek olarak aşağıdaki görüntü alt grubunu ele alırsak

ABC

DEF

G HI

Makina görü sistemlerinden istenebilecek diğer bir iş çizgi izgelemesidir. Çizgi izge leme için en yalın yöntem şu şekildedir.

* Bir kenar noktası bul ve köşegen üzerin de iki test resim hücresini incele

Eğer eldeki nokta bölge içindeyse, yani iki test resim hücresi de içerdeyse bölge den çıkıncaya kadar sola dön.

Eldeki nokta bölge dışındaysa, yani iki test resim hücresi de dışarıdaysa bölgeye gi rinceye kadar sağa dön.

Eldeki noktanın yeri belirlenememişse, yani test resim hücrelerinden bir bölge içinde diğeri bölge dışındaysa düz git.

Bu yöntem şekilsel olarak aşağıda öze tlenmiştir.

: Belirsiz

Ters görüntüsüyle şablonun çakışan nokta sayısı veya oranı hesaplanır. Bu sayı ön ceden belirlenmiş olan bir eşik değeri ile karşılaştırılarak, nesne sınıflandırılır ve ta nıma işlemi sonuçlandırılır.

Bir adım ilerle ve iki yeni resimhücresini test et.

> : Belirsiz 0

Bir adım ilerle ve iki yeni resim hücresini test et.

0 I: Nesnenin dtşrnda

Sağa dön ve rki yeni resim hücresini test et.

X I: Nesnenin içinde

X

Sola dön ve iki yeni resim hücresini test et.

Şekil 5'de ise bu yöntem kullanılarak elde edilen çizgi izgelemesi verilmektedir.

Bu yöntemle, görüntülenen nesnenin tüm kenarları bulunabilir.

Nesne Tamını, Sınıflandırma ve Tanıma

Bir nesnenin ana hatlarını bulup kodlamak için en yalın yapı bir başlangıç noktasından başlayarak bitişik bir noktaya ilerlemek için hangi yönde gidileceğini belirlemektir. Ke narlar üzerindeki bitişik noktalar izlenerek, nesnenin ana hatları çıkarılıp saklanır.

Nesneleri sınıflandırma için kullanılan bir yöntem, nesneyi tanımlayan özellik vektör lerinin çıkarımıdır. Bu çıkarımdan sonra, özeHik vektörü seti, öğrenme grubundaki bir setle karşılaştırılarak sınıflandırma işle mi yapılır. Bu işlem için en yakın komşu tekniği olarak bilinen yöntem sıkça kulla nılmaktadır.

Tanıma işlemi için önce bir şablon tanım lanır. Bu şablon, nesnenin görüntüsünün bir bölgesi olabileceği gibi, resim hücresinin tamamı da olabilir. Seçilen şablon, test gö rüntünün üzerine uygulanır. Bu işlem için şablonun bazı noktaları referans olarak alınır.

Kullanımda Olan Sistemler

Piyasada bulunan görü sistemleri aşağı daki genel sınıflara ay rılabilirler.

İki seviyeli görü sis temleri

Gri seviyeli görü sis temleri

Yapısal ışık sistem leri

Karakter tanıma sis temleri

Özel amaç sistemler

* iki Seviyeli Görü Sistemleri: Bu sistemler görüntü bilgisi olarak iki seviye kullanırlar. Siluet sistemleri olarak da adlandırılan bu sistemlerde ışığın son derece denetimli kullanılması gerekmektedir ve genellikle arkadan ışıklandırma kullanılır.

İki seviyeli görü sistemleri, öncelikle parça tanıma, parça yeri bulma ve yerleştirme ve parça denetimi gibi ana hatların yeterli ol duğu ve fazla ayrnıtı gerektirmeyen uygu lamalarda kullanırlar. Açısal dönmelerin önemli olmadığı uygulamalarda da genelli kle bu tür sistemler tercih edilirler.

* Gri Seviyeli Görü Sistemleri: Bu sistemler genellikle 4,6 veya 8 bitlik görüntüler ya kalayıp bir takım özel uygulamalar için ge liştirilen yöntemleri kullanırlar. Çoğu du rumda ışıklandırma denetimli değildir veya nesnenin yüzeyinden olan yansımalar de ğişkendir. Gri seviyeli sistemler genellikle ayrıntının önemli olduğu veya açısal dön melerin bulunabileceği durumlarda kullanı lırlar. Böyle durumlarda şablon farklılığı önemli bir kriterdir.

* Yapısal Işık Sistemleri: Bu sistemler, ışığı değişik yapılardaki çentiklerden veya ızga ralardan uygulayarak ek bilgi alınmasını sağlarlar. Bu ek bilgiyi kullanarak nesnenin yerleşimi, yönlendirilmesi ve yüzey ayrıntı ları belirlenebilir.

'Karakter Tanıma Sistemleri: Bu sistemler, genellikle, parçalar veya paketler üzerin deki etiketlerin okunması için kullanılırlar. Okunacak yer bar kod ile kodlanmış ise bar kod okuyucuları kullanılır. Günümüzde, öğrenme aşamasından sonra çok çeşitli

• Şekil 5: Çizgi izgelemesi örneği

karekter setlerini okuyabilen sistemler bu lunmaktadır.

* Yukarıda bahsedilen sistemler günümüz de genel olarak kullanımda olan sistemler dir. Bunların dışında, piyasada bulunma yan, çok özel amaçlı görü sistemleri de bulunmaktadır. Bunların kullanımları gene llikle askari uygulamalara veya uzay çalış malarına yöneliktir.

SONUÇ

En güçlü ve en fazla kullanılan duyumuz olan görme, bilgisayarların kullanımının yaygınlaşmasıyla mikanalara uygulanma ya çalışılarak makina görü sistemleri ortaya çıkmıştır. Bu konudaki çalışmalar oldukça yeni olup, günümüzde henüz genel anla mıyla bir görme sistemi geliştirilememiştir. Geliştirilip kullanıma açılan görü sistemle rinin tümü de, eldeki uygulamaya bağımlı özel amaçlı sistemlerdir. Bu alandaki çalış malar bilim ve teknolojinin desteği ile tüm hızıyla devam etmektedir.

KAY NAKLAR

1. Richard O. Klafter, Thomas A Chmie levvski Michael Negin Robotic Enginee ring, Prentice Hail 1989

2. Berthold Klaus, Paul Horn, Robot Vi sion, McGravv HİÎI 1986

3. Dana H. Ballard Christopher M. Brovvn Computer Vision, Prentice Hail.

4. Takeo Kanade, Three Dimensional Machine Vision, Kluwer Academic Publis hers.

5. David G Lowe, Perceptual Organization and Visual Recognition, Kluvver Academic Publishers.

6. Steven A. Shafer Shadovvs and Sllhouettes in Computer Vision, Kluvver Academic Publishers.

7. Peter K. Ailen, Robotic Object Recog nition Using Vision and Touch Kluvver Academic Publishers.

SÖNMEZ TRANSFORMATÖR SANAYİİ A.Ş.

DAĞITIM VE GÜÇ TRANSFORMATÖRLERİ TAMİRAT VE İMALATI

• Transformatör imalatında 30 yıllık deneyim

• TSE Güvencesi

• ISO.9001 Güvenceli

• îki Y ıl Garanti İMALAT PROGRAMI

16 KVA dan 1600 KVA birim güç ve 34500 volt üst gerilime kadar dağıtım transformatörleri imalat ve tamiratı 5000 KVA ta kadar güç transformatörleri imalat ve tamiratı Ark ocağı Indüksiyon ocağı ve her çeşit özel maksat transformatörü imalat ve tamiratı.

Fabrika : Ankara Asfaltı No. 15 P.K.: 65

GEBZE

T e l : Fab. Gebze (9 19) 555 450 • Fax : (9 19) 555 752