የኮምፒውተር ራዕይ (OpenCV) ን በመጠቀም የኮከብ ዕውቅና - 11 ደረጃዎች (ከስዕሎች ጋር)

2024 ደራሲ ደራሲ: John Day | [email protected]. ለመጨረሻ ጊዜ የተሻሻለው: 2024-01-30 07:30

ይህ አስተማሪ በምስል ውስጥ የኮከብ ንድፎችን በራስ -ሰር ለመለየት የኮምፒተር ራዕይ መርሃ ግብር እንዴት እንደሚፈጥሩ ያብራራልዎታል። ዘዴው የተወሰኑ የኮከብ ንድፎችን ለመለየት ጥቅም ላይ ሊውሉ የሚችሉ የሰለጠኑ የ HAAR ካሴቶችን ስብስብ ለመፍጠር የ OpenCV (ክፍት-ምንጭ የኮምፒውተር ቪዥን) ቤተ-መጽሐፍት ይጠቀማል። ምንም እንኳን ይህ መመሪያ በከዋክብት ንድፍ አውድ ውስጥ ቢሆንም ፣ እኔ የምገልፀው የ OpenCV ሂደት በሌሎች መተግበሪያዎች ላይም ሊተገበር ይችላል - ስለዚህ ጠቃሚ ይሆናል ብለን ተስፋ እናደርጋለን!

ፕሮጀክቱ በዚህ ቪዲዮ ውስጥ ተጠቃልሏል-

ይህንን ትምህርት ለምን ጻፍኩ?

1. እኔ እያዳበርኩ ያለሁት የኮከብ ንድፍ መለያ ዘዴ በሰፊው የአማተር ሥነ ፈለክ ፕሮጄክቶች ላይ የመተግበር አቅም አለው ብዬ አምናለሁ - ያ የቴሌስኮፕ አቀማመጥ ፣ አውቶማቲክ የምስል ምደባ ፣ ወይም በመጨረሻ ክፍት ምንጭ ወይም አማተር ኩቤሳት ላይ የኮከብ ዳሳሽ።
2. ብዙ ጥሩ የ OpenCV አስተማሪዎች እዚህ አሉ ፣ ግን እንደዚያም ሆኖ መጀመሪያ ላይ ለመማር በጣም ከባድ ሂደት ሆኖ አግኝቼዋለሁ ፣ ስለዚህ ይህ መመሪያ HAAR ደረጃዎችን ለ OpenCV ለማሠልጠን ለሚፈልጉ ሌሎች ሰዎች ጥሩ ማጣቀሻ እንደሚሆን ተስፋ አደርጋለሁ (የግድ ማድረግ የለበትም) አስትሮኖሚ ምናልባት!)።
3. እኔ ራሴ የሰለጠነ ፕሮግራም አውጪ አይደለሁም ፣ ስለዚህ ይህ ፕሮጀክት በእውነቱ ግንዛቤዬን ገፋፋ። ይህንን አስተማሪ ሌላ ፣ የበለጠ ልምድ ያለው ፣ ሠሪዎች በዚህ ፅንሰ -ሀሳብ ላይ እንዲሠሩ እና በዚህ ገጽ ላይ በአስተያየቶች በኩል ለጊትቡብ እና ለዚህ አስተማሪ አስተዋፅኦ እንዲያደርጉ ይበረታታሉ ብለን ተስፋ እናደርጋለን።
4. አማተር አስትሮኖሚ እና የአቀማመጥ ዘዴዎች ለእኔ ትልቅ ፍላጎት ናቸው ፣ ለቴሌስኮፖች አርዱዲኖ ኮከብ-ፈላጊን የሚያሳይ የቀድሞ ትምህርቴን ይመልከቱ።

የዚህ Instructable ሽፋን ፎቶ እኔ በንድፍ ውስጥ የተሳተፍኩበት የ 3U CubeSat ንድፍ ነው። የኮምፒተር ራዕይ ኮከብ ማወቂያ ስርዓት የመጀመሪያ ትግበራ Raspberry Pi V2 ካሜራ በመጠቀም ፣ ለአማካይ ለተሠሩ ኩብሳቶች የአቅጣጫ ዳሳሽ እንዲሆን ይህንን አስተማሪውን በምሳሌ ተጠቅሜዋለሁ። እኔ አምናለሁ የኮምፒተር ራዕይ ኮከብ እውቅና ብዙ ሌሎች ሊሆኑ የሚችሉ መተግበሪያዎች አሉ ፣ ግን ይህ በጣም አሪፍ ይመስለኛል!

ትንሽ የቃላት መፍቻ;

ስለኮምፒዩተር ራዕይ መማር በተጠቀመባቸው የስፔሻሊስት ቃላት ሞኝነት መጠን ቀርፋፋ ነው ፣ ስለሆነም የተወሰኑትን እዚህ እገልጻለሁ-

Cascade - አንድ የተወሰነ ዒላማ ነገር ለመለየት የሰለጠነ ክላሲፋየር።

Fiducial Marker - በምስል ላይ የእይታ ማጣቀሻ ነጥብ የሚያክል ጠቋሚ።

HAAR - ሃር መሰል ባህሪዎች ለክፍልፋይ ስልጠና የሚያገለግል የምስል ባህሪ ዓይነት ናቸው።

OpenCV - ክፍት ምንጭ የኮምፒውተር ራዕይ ፣ የኮምፒተር እይታ መሣሪያዎች ቤተ -መጽሐፍት።

ስቴላሪየም - ክፍት ምንጭ የስነ ፈለክ ሶፍትዌር።

ደረጃ 1: መስፈርቶች

OpenCV በሊኑክስ ላይ የተመሠረተ ቤተ -መጽሐፍት ነው ፣ ስለሆነም በዊንዶውስ ላይ በጥሩ ሁኔታ መሥራት ቢቻልም ፣ በሊኑክስ አካባቢ ውስጥ ለማሄድ በጣም ቀላል ጊዜ ይኖርዎታል (ይህንን ከእኔ ይውሰዱ እና ሙሉ በሙሉ እንዲሠራ ለማድረግ ብዙ ቀናት ይሞክሩ። ዊንዶውስ!). ለሙከራ ያህል ፣ እኔ አውርጃለሁ እና OpenCV ን በ Raspberry Pi 3B+ላይ አሂድኩ ፣ ስኬታማ ነበር ፣ ምንም እንኳን የመደብ ስልጠና በጣም ራም ከፍተኛ ሂደት ቢሆንም ፣ በማንኛውም ፍጥነት ማድረግ ከፈለጉ ፣ የሚመከረው መንገድ ሊኑክስ ምናባዊ አገልጋይ መቅጠር ነው። (በሚያስደንቅ ሁኔታ ርካሽ ሊሆን ይችላል) ለጥቂት ቀናት/ሳምንታት/ወሮች እና ያንን እንደ የክፍል አመዳደብ ሥልጠና ለማካሄድ እንደ ልዩ አካባቢ ይጠቀሙ። እንደ tyቲ ያለ የኤስኤስኤች ደንበኛን በመጠቀም አገልጋዩን ከዊንዶውስ ፒሲ መቆጣጠር ይችላሉ። አንዴ ካስኬዶቹን VPS በመጠቀም ከሰለጠኑ በኋላ ወደ ዊንዶውስ ፒሲዎ ሊወርዱ ይችላሉ ፣ እና ፓይዘን በዊንዶውስ አከባቢ ውስጥ የምስል ማወቂያ ፕሮግራሙን ለማሄድ ሊያገለግል ይችላል።

ሊኑክስ ምናባዊ አገልጋይ;

የ HAAR ካሴድ የሥልጠና ሂደቶችን ለማከናወን የሊኑክስ ምናባዊ አገልጋይ (ቪፒኤስ) ያስፈልጋል። መጀመሪያ ላይ 8 ጊባ ራም እና ኡቡንቱ 16.04.6 (LTS) x64 ያለው አገልጋይ ቀጠርኩ ፣ እና በኋላ አንድ ሰከንድ ቢያንስ አንድ ቢያስፈልግዎትም ካሴቶችን ማሠልጠን የምችልበትን መጠን በእጥፍ ለማሳደግ ቀጠርኩ።

ሶፍትዌር

• ስቴላሪየም - ይህ ምናባዊ ፕላኔታሪየም/አስትሮኖሚ ሶፍትዌር ነው ፣ በነፃ የሚገኝ። ለሙከራ ለመጠቀም አስመስለው የኮከብ ምስሎችን ለመሰብሰብ ጥቅም ላይ ይውላል።
• Putty - ይህ በትእዛዝ መስመር በኩል VPS ን ለመቆጣጠር የሚያገለግል የኤስኤስኤች ደንበኛ ነው።
• WinSCP - ይህ ከዊንዶውስ ፒሲ ፋይል ማስተላለፍን ለማከናወን ያገለግላል።

ደረጃ 2: VPS ማዋቀር

ቪፒኤስ እንዲነሳ እና እንዲሠራ ትንሽ የማዋቀር ሂደት አለ። ለመጀመሪያ ጊዜ ለእርስዎ ትንሽ ጊዜ ሊወስድ ይችላል ፣ ግን እርምጃዎቹን በጥብቅ ከተከተሉ በጣም ተንኮለኛ አይደለም። ይህ አጋዥ ስልጠና ለእኔ ታላቅ ማጣቀሻ ነበር ፣ በዚህ አስተማሪ በሚሠራበት ጊዜ ይህንን እንዲያነቡ እመክራለሁ። እሱ የሊኑክስ ትዕዛዞችን መስመርን በመስመር ላይ ይሸፍናል ፣ ይህም ለደብዳቤው መከተል አስፈላጊ ነው።

በግምት ፣ ሂደቱ የሚከተሉትን ያጠቃልላል

1. በትክክለኛው የኡቡንቱ ስሪት የሊኑክስ አገልጋይ መፍጠር።
2. የአገልጋዩን ማዘመን እና ማዘመን።
3. OpenCV የተጫነበት የሥራ ቦታ ማውጫ መፍጠር።
4. አንዳንድ አስፈላጊ ነገሮችን ማለትም አጠናቃሪ ፣ የተለያዩ ቤተ -መጻህፍት እና የ Python ማሰሪያዎችን መትከል።

ከዚህ ደረጃ በኋላ ፣ ለስልጠና ሂደት መዘጋጀት ለመጀመር ዝግጁ ነዎት።

ደረጃ 3: ሂደቱ

HAAR cascades ን በመጠቀም የኮምፒተር እይታ አጠቃላይ ሂደት መጀመሪያ ላይ በጣም ግራ የሚያጋባ ነው ፣ ስለዚህ ይህ ደረጃ አመክንዮውን በጥቂቱ ይገልፃል-

መሠረታዊ ሂደት

1. የፍላጎት ነገር ያልያዙ በርካታ ሺ ምስሎችን ያካተተ አሉታዊ የምስል የውሂብ ስብስብ አለ። ይህ ወደ VPS መስቀል አለበት።
2. የፍላጎት ነገር የያዘ አንድ ነጠላ አዎንታዊ ምስል ይፈጠራል። ይህ ደግሞ ወደ ቪፒኤስ መስቀል አለበት።
3. ነጠላ አዎንታዊ ምስል በተመረጡ መለኪያዎች ስብስብ የተዛባ ፣ የተዛባ ፣ የተሽከረከረ ፣ ወዘተ ፣ እና በአሉታዊ ምስሎች ምርጫ ላይ ተደራርቧል። ይህ ከአንዲት ምስል ውስጥ ትልቅ አዎንታዊ የውሂብ ስብስብ ለመፍጠር ሰው ሰራሽ መንገድ ነው። (እንደ ድመት መለየት ላሉት ሌሎች የእውነተኛ ዓለም መተግበሪያዎች በቀላሉ ብዙ ሺህ የድመቶችን ምስሎች መጠቀም ይችላሉ ፣ ግን እንደዚህ ያለ ትልቅ የምስል ስብስቦች ከሌሉዎት ይህ ዘዴ ሁል ጊዜ ተገቢ አይደለም። እዚህ ጥቅም ላይ የዋለው ሰው ሰራሽ አቀራረብ። ያነሰ ውጤታማ ይሆናል ፣ ግን ለእንደዚህ ዓይነቱ አጠቃቀም ጉዳይ ብቸኛው አማራጭ ነው)።
4. የሥልጠና ሂደት ይካሄዳል ፣ እሱ በደረጃ ይሠራል። እያንዳንዱ ደረጃ በምስሎች ስብስቦች ውስጥ የተለያዩ የ HAAR ዓይነት ባህሪያትን ለመለየት ካሴድ ያሠለጥናል። እያንዳንዱ ደረጃ ለማጠናቀቅ ብዙ ጊዜ ይወስዳል ፣ እና የክላሲፋዩ ውጤታማነት በእያንዳንዱ ጊዜ ይጨምራል (እርስዎ እንዳወቁ እንዲሁ ከመጠን በላይ ማሠልጠን ይቻላል!)
5. አንድ የሰለጠነ ካሴት አንድ ነጠላ ዒላማ ዕቃ መፈለግ ይችላል። ብዙ ልዩ ነገሮችን ለመለየት ከፈለጉ ለእያንዳንዱ የሰለጠነ ካሴድ ያስፈልግዎታል። በዚህ ሁኔታ ፣ ሰሜናዊውን የሰማይ ንፍቀ ክበብ ሊሸፍን የሚችል ስብስብ ለመፍጠር ፣ ልዩ ለሆኑ ኮከብ ቆጣሪዎች 50 ያህል የተለያዩ ካሴቶችን አሠለጠንኩ።
6. በመጨረሻ ፣ እያንዳንዱን ስብስብ ከግብዓት ምስል ጋር የሚያሄድ የማወቂያ ፕሮግራም ጥቅም ላይ ይውላል። ካስኬድ የተሰጠውን የታለመለት ነገር በግብዓት ምስል ውስጥ ይፈልጋል።
7. ከተሳካ ፣ የታለመው ነገር በግብዓት ምስል ውስጥ ተለይቶ ይታወቃል።

n.b. ለምሳሌ በሳተላይት አቅጣጫ አውድ ውስጥ ጥቅም ላይ ከዋለ ፣ በቦርዱ ካሜራ በመጠቀም ምስል ይያዛል። በዚያ ምስል ውስጥ በጣም ብሩህ የሆኑት ኮከቦች ተለይተው ይታወቃሉ ፣ እና በእነዚያ ቦታዎች ላይ ጠቋሚዎች ተደራርበዋል። ይህ ምስል ከዚያ ለሠለጠኑ የክዋኔዎች ስብስብ ይቀርባል ፣ ያ የግቤት ምስሉ የታለመላቸውን ነገሮች ያካተተ መሆኑን ለማየት ይሞክራል። እውነተኛ አወንታዊ ተገኝቶ ከተገኘ ፣ ከዚያ የሳተላይት አካል ዘንጎች አንፃር የታወቀው የከዋክብት ማዕዘኑ አቀማመጥ ተገኝቷል።

ደረጃ 4 አሉታዊ እና አዎንታዊ

አሉታዊ

በእውነቱ የካስካድ ሥልጠና ቁልፍ ገጽታ በተቻለ መጠን የአሉታዊ ምስሎችን የውሂብ ስብስብ ማግኘት ነው። እኛ በሺዎች ፣ በጥሩ ሁኔታ በአስር ሺዎች የሚቆጠሩ ምስሎችን እያወራን ነው። እነሱ የያዙት ምንም ለውጥ የለውም ፣ ዓላማው የተለያዩ የእይታ መረጃዎችን መስጠት ብቻ ነው። የ Classifier ሥልጠና አቃፊ እኔ ያጠናቀርኳቸው የተለያዩ የተለያዩ አሉታዊ የምስል የውሂብ ስብስቦችን ይ containsል። መጀመሪያ ላይ እነዚህ ከስታላሪየም የተሰበሰቡ የማስመሰል የኮከብ ሜዳ ምስሎች ብቻ ነበሩ ፣ ግን በኋላ እኔ ባገኘሁት ብዙ የዘፈቀደ ምስሎች የውሂብ ስብስቡን ጨመርኩ (አዎ ፣ የበዓል ፎቶዎቼን ጨምሮ…)። እዚያ ያለው ትልቁ የውሂብ ስብስብ 9000 ምስሎችን ያጠቃልላል ፣ ይህም እስካሁን የፈጠርኩት ትልቁ ነበር። ይህንን በመጠቀም የራስዎን ማጠናቀር ያድንዎታል።

አዎንታዊ

አወንታዊው ምስል (ያ ካሴድ ለመለየት የሚሠለጥነው የዒላማ ኮከብ ንድፍ ነው) በስቴላሪየም ውስጥ እንደ ኮከብ ንድፍ ቅጽበታዊ ገጽ እይታ ይጀምራል። የፓይዘን መርሃ ግብር ከዚያ በምስሉ ውስጥ በጣም ብሩህ ኮከቦችን ይለያል ፣ እና በእነዚህ ኮከብ ቦታዎች ላይ ጠቋሚዎችን (በዚህ መመሪያ በኋላ ተብራርቷል)። ከዚያ ይህ ምስል ወደ 50x50 ፒክሰሎች ይቀንሳል። ይህ ትንሽ ነው ፣ ግን ይህ መጠን ሲጨምር ለካሳዎች የሚያስፈልገው የሥልጠና ጊዜ በከፍተኛ ሁኔታ ይጨምራል ፣ እና ስለዚህ ይህ በጥራት እና በጊዜ መካከል ጥሩ ስምምነት ነው።

ደረጃ 5 የስቴላሪየም ቁጥጥር

የ GitHub ማከማቻ Stellarium Scripts አቃፊ የስቴላሪየም አጠቃቀምን ለመቆጣጠር የፃፍኳቸውን ሶስት ፕሮግራሞች ይ containsል። እነሱን ለመጠቀም በእርስዎ የስቴላሪየም መጫኛ አቃፊ የስክሪፕቶች አቃፊ ውስጥ ያስቀምጧቸው። እነሱን ለማስኬድ ፣ ከስቴላሪየም ምናሌው ውስጥ የስክሪፕት መስኮቱን መክፈት ወይም በስቴፕለሮች አቃፊ ውስጥ ባለው ፕሮግራም ላይ ሁለቴ ጠቅ በማድረግ ስቴላሪየምን ማስጀመር እና ወዲያውኑ የተመረጠውን ፕሮግራም ማስኬድ ይችላሉ።

thesis_4 እና thesis_5 እያንዳንዳቸው በሰሜን እና በደቡባዊው የሰማይ ንፍቀ ክበብ እያንዳንዳቸው 2000 ያህል ምስሎችን ይይዛሉ። እነዚህ አሉታዊ ምስሎችን የውሂብ ጎታ ለማቋቋም ፣ አወንታዊ ምስሉን ለማሠልጠን ያገለግሉ ነበር። በሰሜኑ እና በደቡብ መካከል ያለው ልዩነት በሰሜናዊው ንፍቀ ክበብ ምስል የውሂብ ስብስብ እና በተቃራኒው የሰሜናዊ ንፍቀ ክበብ ኮከብ ንድፎችን በማሠልጠን ዒላማው (አዎንታዊ) የኮከብ ንድፍ በአሉታዊ የውሂብ ስብስብ ውስጥ እንዳይኖር ለማረጋገጥ ቀላል መንገድ ነበር። (አዎንታዊ ምስል በአሉታዊው ምስል የውሂብ ስብስብ ውስጥ የሚገኝ ከሆነ በክላሲፉ ጥራት ላይ ተጽዕኖ ይኖረዋል)።

thesis_setup እንዲሁ ጠቃሚ ነው - ይህ ስቴላሪየም ምስሎችን ለመያዝ ተገቢ እንዲሆን ያዘጋጃል - ከ Space እይታን ለማስመሰል ያገለገሉ ምስሎች። ምስል ለመያዝ በሚፈልጉበት እያንዳንዱ ጊዜ የሚያስፈልጉዎትን ለማዳን እንደ ምናሌዎችን ፣ ፍርግርግ መስመሮችን ፣ መሰየሚያዎችን ወዘተ የመሳሰሉትን በራስ -ሰር መደበቅ ያሉ ድርጊቶችን ያደርጋል።

ደረጃ 6 - ሮኬት ሰው

ያሠለጥኳቸው የመጀመሪያዎቹ ካሲዶች ማንኛውንም የኮከብ ቅጦች በትክክል መለየት አልቻሉም። እነሱ በጣም የማይታመኑ እና ለሐሰት አዎንታዊ ነገሮች በጣም የተጋለጡ ነበሩ። የእኔ ግምት ከስቴላሪየም የኮከብ ሜዳ ምስሎች (በመሠረቱ በጥቁር ዳራ ላይ ነጭ ነጠብጣቦች ብቻ) ለስኬታማ ምደባ ስልጠና በቂ HAAR ዓይነት ባህሪያትን ለመያዝ በቂ የእይታ መረጃ አልያዘም ነበር። እኔ ማታ ዘግይቷል ብዬ አስባለሁ ፣ ነገር ግን በኮከብ መስክ ምስል ውስጥ በእያንዳንዱ ብሩህ ኮከብ ቦታ ላይ ትንሽ ድንክዬ ምስልን በራስ -ሰር ለማስቀመጥ ፕሮግራም የመፃፍ ሀሳብ ለመሞከር ወሰንኩ።

ኤልተን

ይህ የሞኝነት ፈተና ነበር ፣ ግን የኤልተን ጆን ፊት ትንሽ ምስል በእያንዳንዱ ብሩህ ኮከብ ሥፍራ ላይ በመጨመር ፣ በዚህ አወንታዊ ምስል ላይ ክላሲፋዩን በማሠልጠን ፣ እና ከዚያ ምስሎችን ከዋናው ምስል ጋር በማሄድ ፣ በትክክል ለማግኘት በጣም ውጤታማ ነበር። ትክክለኛ ንድፍ። በሆነ ነገር ላይ እንደሆንኩ አውቃለሁ!

ደረጃ 7: ፊደልያዊ ጠቋሚዎች

ምንም እንኳን ‹ኤልቶኖች› ንድፈ -ሐሳቡን ቢያረጋግጡም ፣ በየትኛው አቅጣጫ ቢቀርብም የኮከቡ ንድፍ አንድ ዓይነት ሆኖ እንዲታይ ፣ ሙሉ የማሽከርከሪያ ዘይቤ ያለው ጠቋሚ ያስፈልገኝ ነበር። የተለያዩ የአመልካች ዓይነቶችን ፈትሻለሁ ፣ እና ከታች በስተቀኝ ያለው ዓይነት በጣም ውጤታማ ፣ በተቃራኒ ጥቁር እና ነጭ ቀለበቶች የተገኘ መሆኑን አገኘሁ። በ GitHub repo አወንታዊ አቃፊ ውስጥ የቀረበው የፓይዘን ፕሮግራም በአንድ ምስል ውስጥ በጣም ብሩህ ኮከቦች እንዴት እንደሚለዩ ያሳያል ፣ እና እነዚህ ጠቋሚዎች በእነዚያ ቦታዎች ላይ በራስ -ሰር ተደራርበዋል። አሁን ሊሠለጥኑ የሚችሉትን ቁልፍ የኮከብ ዘይቤዎችን ውክልና ፈጥረናል።

ደረጃ 8 - ካስኬዶቹን መጠቀም

የካካድስ ስብስቦችን ሲያሠለጥኑ በምስል ውስጥ አንድን ነገር ለመለየት እንዴት እንደሚጠቀሙባቸው ማወቅ አለብዎት!

የ cascade_test19.py ፕሮግራምን የሚያገኙበትን የ GitHub የኮከብ መለያ አቃፊን ይመልከቱ። ይህ በስም የተሰየመ ፕሮግራም ከተሰየመ አቃፊ ውስጥ የቁልፍ ስብስቦችን ይወስዳል ፣ እና ሁሉንም በግብዓት ምስል ላይ ያካሂዳል ፣ እና በተደረጉ መመርመሪያዎች ላይ ሪፖርት ያደርጋል። የ ‹detectMultiScale› ተግባር የዚህ ዋና ነው ፣ እና የመፈለጊያ ሂደቱን የሚገልፁ የተለያዩ ክርክሮችን ይወስዳል። እነዚህን መለወጥ ለካስኬጅ አመዳደብ አፈጻጸም ወሳኝ ነው ፣ እና በዚህ ላይ የበለጠ ውይይት በሚከተለው ደረጃ ላይ ይገኛል ፣ እኛ የሐሰት ውጤቶችን እንዴት ማስወገድ እንደሚቻል እንመለከታለን።

በመያዣ ሳጥኑ መሃል ያለውን የፒክሴል እሴት ከተለየው የኮከብ ፓተር ራ/ዲሴ የሰለስቲያል አስተባባሪ ጋር በማዛመድ ይህ በሳተላይት አቀማመጥ ስርዓት ውስጥ ሊተገበር ይችላል ፣ ከዚያ ይህንን ከምስሉ መሃል (ከማዕዘን) ማእዘኑ መፈናቀል (ካሜራ) ዘንግ)። ከዚህ በመነሳት የሌንስ መዛባትን (ወደ ግኖኖኒክ ትንበያ የተጠጋ) ግንዛቤን በመጠቀም የሳተላይቱ አንግል ከሁለት አዎንታዊ መለያዎች ብቻ ሊገኝ ይችላል።

ደረጃ 9 - ስለ ሐሰተኛ አዎንታዊ ነገሮች እንዴት አዎንታዊ ሆኖ መቆየት እንደሚቻል

እነዚህ ሁለት ምስሎች በአንድ ምስል ላይ የተከማቸበትን ስብስብ የመፈተሽ ውጤቶችን ያሳያሉ ፣ ግን በተለያዩ መለኪያዎች። በግልጽ ለማየት እንደሚቻለው ፣ የመጀመሪያው ምስል እውነተኛውን መታወቂያ ይ,ል ፣ ግን እጅግ በጣም ብዙ የውሸት ውጤቶች ፣ ሁለተኛው ምስል ትክክለኛውን መታወቂያ ብቻ ይ containsል።

በ GitHub repo ኮከብ መለያ አቃፊ ውስጥ ያለው cascade_test19.py ፕሮግራም ውጤቱን ለመደርደር ሁለት ዘዴዎችን ይጠቀማል። በመጀመሪያ ፣ የ detectMultiScale functon በመስኮቱ ውስጥ ያለው የዒላማ ኮከብ ንድፍ ግምታዊ መጠን (ለተሰጠው ሌንስ እና ማጉላት - የእኔ የማስመሰል የስቴላሪየም ምስሎች ባህሪያትን ይጠቀማሉ) ሊገኝ የሚችል ሚሚኒየም እና ከፍተኛውን የውጤት መጠን ያዘጋጃል። Raspberry Pi V2 ካሜራ) ይታወቃል። በሁለተኛ ደረጃ ኮዱ ውጤቱን በትልቁ የድንበር ሳጥን (በቀደሙት ገደቦች ውስጥ) ይመርጣል። በሙከራ ጊዜ ይህ እውነተኛ አዎንታዊ ሆኖ ተገኝቷል። በሦስተኛ ደረጃ ፣ ፕሮግራሙ ይህንን መታወቂያ እንደ እውነተኛ አወንታዊነት ለመያዝ የሚያስፈልገውን ዝቅተኛ ‘levelWeights’ (ውጤታማ ‹የመተማመን እሴት›) ያዘጋጃል። በዚህ ዘዴ ፣ ካሴዎች ትክክለኛውን ውጤት ለማግኘት ውጤታማ ነበሩ።

እንዲሁም የኮከብ ሜዳ ምስሎች ፣ እኔ ደግሞ ይህንን በጠረጴዛዬ ሥዕሎች ላይ ሞክሬያለሁ ፣ የማስታወሻ ደብተሬን ፣ ኩባያ ወዘተ ለመለየት ፣ የውሸት አዎንታዊ ነገሮችን ለማስወገድ ልምምድ ለማድረግ። ከላይ የተጠቀሱት ዘዴዎች በሁሉም ሁኔታዎች ውስጥ በጥሩ ሁኔታ ሠርተዋል ይህም አበረታች ነበር።

ደረጃ 10 - ውይይት

የማሻሻያ ቦታዎች

ይህ ለእኔ ውስብስብ ፕሮጀክት ሆኖልኛል ፣ እናም በርዕሱ ላይ ያለኝን ግንዛቤ ገፋፋ። እኔ ላካፍላችሁ በምችልበት ጊዜ ፕሮጀክቱን እዚህ ደረጃ ላይ ለማድረስ በአጠቃላይ በርካታ ወራት የሙሉ ጊዜ ሥራን አካቷል ፣ ግን የአሠራሩን አፈፃፀም ለማሻሻል ብዙ ብዙ ሥራዎች አሉ። እንደቆመ ፣ በተወሰኑ ገደቦች ውስጥ በደንብ ሊሠራ ይችላል። የትኞቹ አካባቢዎች ተጨማሪ ሥራ እንደሚያስፈልጋቸው ለመለየት ሰርቻለሁ ፣ እና በሚቀጥሉት ወሮች ውስጥ እነዚህን ለመቅረፍ ጊዜ ለማሳለፍ ተስፋ አደርጋለሁ። ናቸው:

አንግል - ይህ የተወሳሰበ አካባቢ ነው ፣ የክላሲፋዮቹ ውጤቶች በማሽከርከር የማይለዋወጥ መሆን አለባቸው የሚለው ሀሳብ ፣ ማለትም ፣ የታለመውን ኮከብ ፓተር የያዘውን ምስል ያቀረበው አንግል ምንም ይሁን ምን የዒላማውን ኮከብ ንድፍ መለየት አስተማማኝነት ነው። በአንድ አቅጣጫ ላይ የግብዓት ምስል በመጠቀም የሰለጠነ ካሴድ ያንን ምስል በዘፈቀደ አቅጣጫዎች መለየት አይችልም ፣ ስለሆነም የአዎንታዊ የምስል አንግል ልዩነት በግብዓት ማዕዘኖች ላይ ክልልን መቀበል የሚችሉትን ሰድዶች ለማሰልጠን በስልጠና ሂደት ውስጥ መተዋወቅ አለበት። በ ‹caxcade› ማሠልጠኛ ትዕዛዞች ውስጥ ያለው ልኬት ‹maxzangle› የግብዓት አወንታዊ ምስሉ በቀረቡት አሉታዊ ምስሎች ላይ የሚሸፈንበትን የማዕዘን ወሰን የሚቆጣጠር በራዲያን ውስጥ ክርክር ይወስዳል ፣ ስለዚህ የተገኘው አዎንታዊ የምስል ስብስብ የተለያዩ አቅጣጫዎችን ይይዛል አዎንታዊ ምስል። ሆኖም ፣ ይህ maxzangle ሲጨምር ፣ የመቀበያው ተቀባይነት መጠን (በሰፊው ሲናገር ፣ ጥራት) በከፍተኛ ሁኔታ ይቀንሳል። እኔ ጥሩ ጥራት ያለው የመከፋፈያ ምደባ ትልቅ የአቀማመጥ ስርጭትን እንኳን ማካተት እንዲቻል እኔ ከምጠቀምበት ይልቅ እጅግ በጣም ብዙ አሉታዊ ምስሎችን የውሂብ ጎታ በመጠቀም ካሴቶችን ማሠልጠን ነው ብዬ አምናለሁ።

ሌላው አማራጭ መፍትሔ እያንዳንዱ የ 360 ዲግሪ ሽክርክሪት የተወሰነ ክፍልን የሚያስተዳድር ለተወሰኑ ዒላማዎች በርካታ ካሴቶችን ማሰልጠን ነው። በዚያ መንገድ የእያንዳንዱ ካሴድ ጥራት በከፍተኛ ደረጃ ሊቆይ ይችላል ፣ ግን በሌላ በኩል ይህ በጣም ብዙ ካሲዶችን ያስከትላል ፣ ስለሆነም የመለያው ሂደት ቀርፋፋ ይሆናል።

በ ‹detectMultiScale› ተግባር የቀረበው እሴት ‹ልኬት› ክብደት በተሰራው ማወቂያ ውስጥ ካለው የመተማመን እሴት ጋር ይመሳሰላል። ይህንን በማጥናት ፣ ከላይ ያለው ግራፍ ተፈጥሯል ፣ ይህም የምስል አቅጣጫ በሁለቱም አቅጣጫዎች ሲጨምር ፣ ይህ ደካማ ነጥብ መሆኑን ሀሳቦችን በማረጋገጥ የአዎንታዊ መታወቂያ በራስ መተማመን በከፍተኛ ሁኔታ እንዴት እንደሚቀንስ ያሳያል።

የፒክሰል አቀማመጥ - በጣም ቀላል ፣ ግን ደግሞ ችግር ያለበት ነጥብ የሁለት ኮከቦች ግለሰባዊ ፒክሰሎች በግልፅ እንዲታዩ በሚከተሉት ሁለት ምስሎች የተብራራ የከዋክብት ምስል ሰፊ እይታን የሚያሳይ የፒክሰል አቀማመጥ ነው። ከምስሉ በጣም ደማቅ ከዋክብት በስተቀር ሁሉንም ለመጥረግ በፕሮግራሙ ውስጥ ጥቅም ላይ የዋለው የአፈር መሸርሸር ሂደት የመጀመሪያውን ኮከብ ያቆየዋል ፣ እና እኩል ብሩህነት ቢኖራቸውም ሁለተኛውን ይጥላል። ይህ የሆነበት ምክንያት የመጀመሪያው ኮከብ በፒክሰል ላይ ያተኮረ ሲሆን ሁለተኛው ግን እንደዚያ አይደለም። የአፈር መሸርሸር ተግባሩ ከቡድን ማዕከላዊ ፒክሴል አካባቢ የፒክሰሎችን ማዕከላዊ ቀለበቶችን ያቆራርጣል ፣ እና ስለዚህ የመጀመሪያው ኮከብ ማዕከላዊ ፒክሴል ከአፈር መሸርሸሩ ተግባር ይተርፋል ፣ ግን ሁለተኛው ኮከብ ከምስሉ ሙሉ በሙሉ ይወገዳል። ስለዚህ ታማኝነት ጠቋሚዎች በመጀመሪያው ኮከብ ላይ ብቻ ይቀመጣሉ ፣ እና በሁለተኛው ላይ አይደለም። ይህ በተወሰነው የኮከብ መስክ ውስጥ ብሩህ ኮከቦች ጠቋሚዎችን የሚቀበሉበትን (እና ስለዚህ ከሠለጠኑ ምደባዎች ጋር ሲወዳደሩ) የሚዛመዱ አለመግባባቶችን ያስከትላል - ስለዚህ ትክክለኛ አዎንታዊ ምልከታ የማይቻል ሊሆን ይችላል።

ደረጃ 11: የመጨረሻው ቃል

አስተማሪዬን ስላነበቡ አመሰግናለሁ ፣ ይህንን ፕሮጀክት ትኩረት የሚስብ ሆኖ እንዳገኙት ተስፋ አደርጋለሁ። በእሱ ላይ መሥራት በጣም አስደሳች ሂደት ነው ፣ በፅንሰ -ሀሳቡ ላይ መሥራት ከጀመርኩ ከአንድ ዓመት በላይ ሆኖኛል ፣ እናም እስከዚህ ድረስ በውጤቶቹ ተበረታቻለሁ። እኔ ካነበብኳቸው ጽሑፎች ፣ ይህ ቆንጆ የመጀመሪያ ፅንሰ -ሀሳብ ነው ፣ እና በበለጠ ልማት በእርግጠኝነት ለአማተር አስትሮኖሚ ወይም ከዚያ በላይ በሆኑ መተግበሪያዎች ውስጥ ሊተገበር ይችላል።

ይህ ፕሮጀክት ለእኔ ቁልቁል የመማሪያ ኩርባ ነበር ፣ እና ስለዚህ አንዳንድ የፕሮግራም ተሞክሮ ያላቸው አንዳንድ አንባቢዎች በ GitHub ገጽ በኩል ለፕሮጀክቱ ቀጣይነት አስተዋፅኦ እንዲያደርጉ ይነሳሳሉ ብዬ ተስፋ አደርጋለሁ ፣ እናም ይህንን ክፍት ምንጭ መሣሪያ ማዳበራችንን መቀጠል እንችላለን። ማንኛውንም አስተያየቶች ለማንበብ በጉጉት እጠብቃለሁ ፣ ግን እባክዎን በጣም ብዙ ከባድ ጥያቄዎችን አይጠይቁ!

በጠፈር ፈተና ውስጥ ሯጭ