بینایی ماشینی (به انگلیسی: Machine vision) استفاده از حس گرها برای دریافت سیگنال هایی که تشکیل دهنده تصویر یک شی هستند که توسط کامپیوتر و یا سایر وسایل پردازش سیگنال برای تفسیر و تحلیل سیگنال های دریافت شده از قطعه مورد استفاده قرار می گیرد.Machine vision به عنوان یک ابزار مهندسی در ابزارهای دیجیتال و در شبکه های کامپیوتری، برای کنترل ابزارهای صنعتی دیگر از قبیل کنترل بازوهای روبات و یا خارج کردن تجهیزات معیوب به کار می رود. در حقیقت Machine vision شاخه ای از علم مهندسی است که به رشته های علوم کامپیوتری (Computer science) و علم نورشناسی و مهندسی مکانیک و اتوماسیون صنعتی ارتباط دارد. یکی از مهم ترین پر استفاده ترین کاربردهای آن در بازبینی و بررسی کالاهای صنعتی از جمله نیمه هادیها، اتومبیل ها، مواد خوراکی و دارو می باشد. همانند نیروی انسانی که با چشم غیر مسلح در خط تولید کالاها را برای تعیین کیفیت و نوع ساخت آن ها بازبینی می کنند، Machine vision از دوربین های دیجیتال و دوربین های هوشمند و نرم افزارهای image processing (پردازش تصویر) برای این کار استفاده می کند.دستگاه های مربوطه (Machine vision) برای انجام دادن وظایفی خاص از جمله شمردن اشیاء در بالابرها، خواندن شماره سریالها (Serial numbers)، جستجوی سطح های معیوب به کار می روند. در حال حاضر صنعت استفاده زیادی از سیستم ماشین بینایی برای بازبینی تصویری اشیاء (Visual inspection) که نیاز به سرعت بالا و دقت بالا و کار ۲۴ ساعته و تکرار محابات بالا دارد، وجود دارد. اگرچه انسان عملکرد بهتر و قابلیت تطبیق دهی بیبشتری برای خطاهای تازه در زمان کوتاه دارد ولی با توجه به ویژگی های ذکر شده این دستگاه ها به مرور جای نیروی انسانی را که به دلیل انحراف و شرایط بد دارای خطا می باشند، در صنعت پر می کند.کامپیوترها به همان صورتی که انسان می بیند نمی توانند ببینند. دوربین ها همانند سیستم بینایی انسان نیستند و در حالی که انسان می تواند بر استنباط و فرضیات اتکا کند، تجهیزات کامپیوتری باید به وسیله آزمودن و تجزیه و تحلیل کردن جداگانه پیکسل ها و تلاش کردن برای انجام نتیجه گیری با توجه به پشتوانه اطلاعاتی و روش هایی مانند شناسایی الگو مشاهده کنند. علی رغم اینکه بعضی الگوریتم های machine vision برای تقلید کردن از سیستم بینایی انسان توسعه یافته اند، تعداد معدودی روش برای تحلیل و شناسایی ویژگی های مرتبط تصاویر به صورت مؤثر و ثابت توسعه یافته اند. سیستم های Machine vision و computer vision قادر هستند به صورت ثابت تصاویر را تجزیه و تحلیل کنند، ولی image processing بر پایهٔ کامپیوتر به صورت کلی برای انجام کارهای تکراری طراحی می شوند و علی رغم پیشرفت های صورت گرفته در این زمینه، هیچ سیستم machine vision و computer vision قادر نیست با برخی از ویژگی های سیستم بینایی انسان در قالب درک تصویر، تلرانس به تغییرات نور، تضعیف قدرت تصویر و تغییرات اجزا و... تطبیق پیدا کند.
۱. یک و یا چند دوربین دیجیتال یا آنالوگ (سیاه-سفید یا رنگی) با اپتیک مناسب برای گرفتن عکس.
۲. واسطه ای که عکس ها را برای پردازش آماده می سازد. برای دوربین های آنالوگ این واسطه شامل یک دیجیتال کننده عکس است. هنگامی که این واسطه یک سخت افزارٍ جدا باشد، به آن Frame grabber (کارتی که برای دریافت سیگنال تصویری و فرستادن آن به کامپیوتر استفاده می شود) می گویند.
۳. یک پردازشگر (گاهی یک PC یا پردازنده تعبیه شده (Embedded Processor) مانند DSP
۴. نرم افزار Machine vision: این نرم افزار امکاناتی برای توسعه یک برنامه نرم افزاری که برای کاربردی مشخص است را فراهم می کند.
۵. سخت افزار ورودی / خروجی (مثلاً I/O دیجیتال) یا حلقه های ارتباطی (مثلاً ارتباط شبکه ای یا RS-232) برای گزارش نتایج.
۶. یک دوربین هوشمند: یک وسیله ساده که همه موارد فوق را داراست.
۷. لنزهایی که بتواند به مقدار مطلوبی روی سنسور تصویر زوم کند.
۸. منابع نوری مناسب و گاهی خیلی مخصوص (مثلاً چراغ های LED، فلورسنت، لامپ های هالوژن و . . .)
۹. یک برنامهٔ مشخص که بتواند تصاویر را پردازش کرده و مشخصه های مربوط و مناسب را شناسایی کند.
۱۰. یک سنسور هم زمان ساز برای شناسایی اجزا (گاهی یک سنسور نوری و یا یک سنسور مغناطیسی): این سنسور برای راه اندازی سیستمٍ استخراج و پردازش تصویر می باشد.
اگرچه "Machine vision" بیشتر به عنوان یک پروسهٔ به کار بستنٍ "Machine vision" در کاربردهای صنعتی شناخته شده است، برای لیست کردن اجزای سخت افزاری و نرم افزاری به کار برده شده نیز مفید می باشد. معمولاً یک Machine vision از اجزای زیر ساخته شده است:
سنسور هم زمان ساز تعیین می کند که چه زمانی یک بخش (که معمولاً روی یک حمل کننده حرکت می کند) در موقعیتی قرار گرفته است که باید مورد بررسی واقع شود. این سنسور هنگامیکه از زیر دوربین می گذرد و یک پالس نوری برای ثابت نگهداشتن تصویر ایجاد می کند، دوربین را برای گرفتن عکس فعال می کند. نوری که برای روشن کردن آن بخش به کار می رود در واقع برای آن است که مشخصه های مطلوب را برجسته و مشخصات نامطلوب (مثل سایه ها و یا انعکاس ها) را به حداقل برساند. معمولاً پنل های LED با اندازه و طراحی مناسب برای این هدف مورد استفاده قرار می گیرند.تصویر دوربین یا توسط یک frame grabber و یا توسط یک حافظه کامپیوتری (که در آن از frame grabber استفاده نشده است) گرفته می شود. frame grabber یک وسیله دیجیتال کننده است (یا در داخل دوربین هوشمند و یا به طور جداگانه) که خروجی دوربین را به فرمت دیجیتال تبدیل کرده (معمولاً این فرمت از یک آرایه دو بعدی از اعداد تشکیل شده که هر عدد متناظر شدت روشنایی نقطه متناظر در آن تصویر می باشد. به این نقاط پیکسل می گویند.) و سپس تصویر را به منظور پردازش توسط نرم افزارٍ Machine vision در حافظه کامپیوتر ذخیره می کند.به طور معمول نرم افزار، اقدامات متفاوتی را برای پردازش تصویر انجام می دهد. گاهی در ابتدا تصویر برای کاهش نویز و یا تبدیل سایه های خاکستری به ترکیب ساده ای از رنگ های سیاه و سفید دستکاری می شود (Binarization ). در قدم بعدی نرم افزار عمل شمردن، اندازه گیری و شناسایی اجسام، ابعاد، کاستی ها و مشخصات دیگر تصویر را انجام می دهد. در نهایت با توجه به ضوابط و معیارهای برنامه ریزی شده ممکن است بخشی را بپذیرد و یا رد کند. اگر یک بخش رد شد، نرم افزار به یک دستگاه مکانیکی فرمان می دهد تا آن بخش را خارج کند و همچنین سیستم خط تولید را قطع کرده و به کارگر هشدار می دهد تا مشکلی که باعث ایجاد خطا شده را رفع نماید.اگرچه اکثر Machine visionها بر مبنای دوربین های سیاه–سفید بنا نهاده شده اند، استفاده از دوربین های رنگی در حال رایج شدن است. همچنین امروزه شاهد شیوع فراوان استفاده از تجهیزات دوربین های دیجیتال به جای یک دوربین و یک frame grabber جداگانه در Machine vision هستیم. استفاده از یک دوربین دیجیتال به منظور برقراری ارتباط مستقیم، باعث صرفه جویی در هزینه و نیز سادگی سیستم خواهد شد.دوربین های هوشمند که در داخل آن ها embedded processorها تعبیه شده اند، در حال تسخیر سهم بالایی از بازار Machine visionها هستند. استفاده از یک embedded processor (و یا یک پردازنده بهینه) نیاز ما به frame grabber و یک کامپیوتر خارجی را از بین می برد. به همین خاطر این پردازنده ها باعث کاهش هزینه، کاهش پیچیدگی سیستم و همچنین اختصاص توان پردازشی مشخص به هر دوربین می شود. دوربین های هوشمند معمولاً ارزان تر از سیستم های شامل یک دوربین و یک برد و یک کامپیوتر خارجی هستند. همچنین توان بالای embedded processor و DSPها منجر به بالا رفتن عملکرد و توانایی آن ها نسبت به سیستم های مرسوم (که بر مبنای PC هستند) شده است.
شمردن تعداد پیکسلهای روشن و تاریک.
۱. یک و یا چند دوربین دیجیتال یا آنالوگ (سیاه-سفید یا رنگی) با اپتیک مناسب برای گرفتن عکس.
۲. واسطه ای که عکس ها را برای پردازش آماده می سازد. برای دوربین های آنالوگ این واسطه شامل یک دیجیتال کننده عکس است. هنگامی که این واسطه یک سخت افزارٍ جدا باشد، به آن Frame grabber (کارتی که برای دریافت سیگنال تصویری و فرستادن آن به کامپیوتر استفاده می شود) می گویند.
۳. یک پردازشگر (گاهی یک PC یا پردازنده تعبیه شده (Embedded Processor) مانند DSP
۴. نرم افزار Machine vision: این نرم افزار امکاناتی برای توسعه یک برنامه نرم افزاری که برای کاربردی مشخص است را فراهم می کند.
۵. سخت افزار ورودی / خروجی (مثلاً I/O دیجیتال) یا حلقه های ارتباطی (مثلاً ارتباط شبکه ای یا RS-232) برای گزارش نتایج.
۶. یک دوربین هوشمند: یک وسیله ساده که همه موارد فوق را داراست.
۷. لنزهایی که بتواند به مقدار مطلوبی روی سنسور تصویر زوم کند.
۸. منابع نوری مناسب و گاهی خیلی مخصوص (مثلاً چراغ های LED، فلورسنت، لامپ های هالوژن و . . .)
۹. یک برنامهٔ مشخص که بتواند تصاویر را پردازش کرده و مشخصه های مربوط و مناسب را شناسایی کند.
۱۰. یک سنسور هم زمان ساز برای شناسایی اجزا (گاهی یک سنسور نوری و یا یک سنسور مغناطیسی): این سنسور برای راه اندازی سیستمٍ استخراج و پردازش تصویر می باشد.
اگرچه "Machine vision" بیشتر به عنوان یک پروسهٔ به کار بستنٍ "Machine vision" در کاربردهای صنعتی شناخته شده است، برای لیست کردن اجزای سخت افزاری و نرم افزاری به کار برده شده نیز مفید می باشد. معمولاً یک Machine vision از اجزای زیر ساخته شده است:
سنسور هم زمان ساز تعیین می کند که چه زمانی یک بخش (که معمولاً روی یک حمل کننده حرکت می کند) در موقعیتی قرار گرفته است که باید مورد بررسی واقع شود. این سنسور هنگامیکه از زیر دوربین می گذرد و یک پالس نوری برای ثابت نگهداشتن تصویر ایجاد می کند، دوربین را برای گرفتن عکس فعال می کند. نوری که برای روشن کردن آن بخش به کار می رود در واقع برای آن است که مشخصه های مطلوب را برجسته و مشخصات نامطلوب (مثل سایه ها و یا انعکاس ها) را به حداقل برساند. معمولاً پنل های LED با اندازه و طراحی مناسب برای این هدف مورد استفاده قرار می گیرند.تصویر دوربین یا توسط یک frame grabber و یا توسط یک حافظه کامپیوتری (که در آن از frame grabber استفاده نشده است) گرفته می شود. frame grabber یک وسیله دیجیتال کننده است (یا در داخل دوربین هوشمند و یا به طور جداگانه) که خروجی دوربین را به فرمت دیجیتال تبدیل کرده (معمولاً این فرمت از یک آرایه دو بعدی از اعداد تشکیل شده که هر عدد متناظر شدت روشنایی نقطه متناظر در آن تصویر می باشد. به این نقاط پیکسل می گویند.) و سپس تصویر را به منظور پردازش توسط نرم افزارٍ Machine vision در حافظه کامپیوتر ذخیره می کند.به طور معمول نرم افزار، اقدامات متفاوتی را برای پردازش تصویر انجام می دهد. گاهی در ابتدا تصویر برای کاهش نویز و یا تبدیل سایه های خاکستری به ترکیب ساده ای از رنگ های سیاه و سفید دستکاری می شود (Binarization ). در قدم بعدی نرم افزار عمل شمردن، اندازه گیری و شناسایی اجسام، ابعاد، کاستی ها و مشخصات دیگر تصویر را انجام می دهد. در نهایت با توجه به ضوابط و معیارهای برنامه ریزی شده ممکن است بخشی را بپذیرد و یا رد کند. اگر یک بخش رد شد، نرم افزار به یک دستگاه مکانیکی فرمان می دهد تا آن بخش را خارج کند و همچنین سیستم خط تولید را قطع کرده و به کارگر هشدار می دهد تا مشکلی که باعث ایجاد خطا شده را رفع نماید.اگرچه اکثر Machine visionها بر مبنای دوربین های سیاه–سفید بنا نهاده شده اند، استفاده از دوربین های رنگی در حال رایج شدن است. همچنین امروزه شاهد شیوع فراوان استفاده از تجهیزات دوربین های دیجیتال به جای یک دوربین و یک frame grabber جداگانه در Machine vision هستیم. استفاده از یک دوربین دیجیتال به منظور برقراری ارتباط مستقیم، باعث صرفه جویی در هزینه و نیز سادگی سیستم خواهد شد.دوربین های هوشمند که در داخل آن ها embedded processorها تعبیه شده اند، در حال تسخیر سهم بالایی از بازار Machine visionها هستند. استفاده از یک embedded processor (و یا یک پردازنده بهینه) نیاز ما به frame grabber و یک کامپیوتر خارجی را از بین می برد. به همین خاطر این پردازنده ها باعث کاهش هزینه، کاهش پیچیدگی سیستم و همچنین اختصاص توان پردازشی مشخص به هر دوربین می شود. دوربین های هوشمند معمولاً ارزان تر از سیستم های شامل یک دوربین و یک برد و یک کامپیوتر خارجی هستند. همچنین توان بالای embedded processor و DSPها منجر به بالا رفتن عملکرد و توانایی آن ها نسبت به سیستم های مرسوم (که بر مبنای PC هستند) شده است.
شمردن تعداد پیکسلهای روشن و تاریک.
wiki: ماشین بینایی