Utambuzi wa Nyota Kutumia Maono ya Kompyuta (OpenCV): Hatua 11 (na Picha)

2024 Mwandishi: John Day | [email protected]. Mwisho uliobadilishwa: 2024-01-30 12:50

Mafundisho haya yatakuelezea jinsi ya kuunda programu ya maono ya kompyuta ili kutambua kiatomati mifumo ya nyota kwenye picha. Njia hiyo hutumia maktaba ya OpenCV (Open-Source Source Vision Library) kuunda seti ya kasino za HAAR zilizofunzwa ambazo zinaweza kutumiwa kutambua mifumo maalum ya nyota. Ingawa mwongozo huu uko katika muktadha wa utambuzi wa muundo wa nyota, mchakato wa OpenCV ninaoelezea unaweza kutumika kwa programu zingine pia - kwa hivyo itakuwa na faida!

Mradi huo umefupishwa katika video hii:

Kwa nini niliandika hii ya kufundisha?

1. Njia ya kitambulisho cha muundo wa nyota ninayotengeneza ninaamini inauwezo wa kutumiwa kwa anuwai ya miradi ya wanaastronomia - ikiwa ni mwelekeo wa darubini, uainishaji wa picha kiatomati, au hata mwishowe sensa ya nyota kwenye chanzo wazi au CubeSat ya amateur.
2. Kuna mengi ya mafundisho mazuri ya OpenCV hapa, lakini hata hivyo nimeona kuwa mchakato mgumu sana kujifunza mwanzoni, kwa hivyo natumahi kuwa mwongozo huu utakuwa kumbukumbu nzuri kwa watu wengine wanaotafuta kufundisha watangazaji wa HAAR kwa OpenCV (sio lazima kufanya na unajimu labda!).
3. Mimi sio mkuzaji wa mafunzo mwenyewe, kwa hivyo mradi huu ulisukuma uelewa wangu. Tunatumahi kwa kuandika hii inayoweza kufundishwa nyingine, uzoefu zaidi, watunga watahamasishwa kufanyia kazi dhana hii na kuchangia GitHub na hii inaweza kufundishwa kupitia maoni kwenye ukurasa huu.
4. Mbinu za ufundi wa anga na mwelekeo ni hamu yangu kubwa, angalia maelezo yangu ya awali yaliyowasilishwa na Arduino Star-Finder ya Darubini.

Picha ya jalada ya hii inayoweza kufundishwa ni ya dhana ya 3U CubeSat design ambayo nilishiriki katika muundo wa. Nilitumia kuelezea hii inayoweza kufundishwa kwani matumizi ya asili ya mfumo wa utambuzi wa nyota ya maono ya kompyuta ilikuwa ya sensorer ya mwelekeo kwa CubeSats zilizotengenezwa na amateur, kwa kutumia Kamera ya Raspberry Pi V2. Kuna matumizi mengine mengi ya utambuzi wa nyota ya maono ya kompyuta naamini, lakini nadhani hii ndiyo baridi zaidi!

Kamusi Ndogo:

Kujifunza juu ya maono ya kompyuta kunafanywa polepole na ujinga wa maneno ya kitaalam yaliyotumiwa, kwa hivyo nitafafanua zingine hapa kwetu:

Kuteleza - Kiainishaji kilichofundishwa kutambua kitu maalum cha lengo.

Alama ya kufikiria - Alama inayoongeza hatua ya kumbukumbu ya picha.

HAAR - Vipengele kama vya Haar ni aina ya huduma ya picha inayotumika kwa mafunzo ya upatanishi.

OpenCV - Open Source Vision Computer, maktaba ya zana za maono ya kompyuta.

Stellarium - Chanzo cha wazi programu ya unajimu.

Hatua ya 1: Mahitaji

OpenCV ni maktaba inayotegemea Linux, kwa hivyo ingawa inasemekana inawezekana kuifanya vizuri kwenye Windows, utakuwa na wakati rahisi zaidi kuiendesha katika mazingira ya Linux (chukua hii kutoka kwangu na siku nyingi kujaribu kuifanya ifanye kazi kikamilifu Madirisha!). Kama jaribio, nilipakua na kukimbia OpenCV kwenye Raspberry yangu Pi 3B +, ambayo ilifanikiwa, ingawa mafunzo ya upangiaji ni mchakato wa nguvu sana wa RAM, kwa hivyo ikiwa unataka kuifanya kwa kasi yoyote, njia iliyopendekezwa ni kuajiri Seva ya Linux (ambayo inaweza kuwa ya bei rahisi kushangaza) kwa siku / wiki / miezi michache na utumie kama mazingira ya kujitolea ya kuendesha mafunzo ya upangishaji. Utaweza kudhibiti seva kutoka kwa Windows PC ukitumia mteja wa SSH kama vile Putty. Mara tu kasino hizo zikifunzwa kwa kutumia VPS, zinaweza kupakuliwa kwenye Windows PC yako, na Python inaweza kutumika kuendesha programu ya utambuzi wa picha katika mazingira ya Windows.

Linux Virtual Server:

Seva ya Virtual Linux (VPS) inahitajika kutekeleza michakato ya mafunzo ya kuteleza ya HAAR. Hapo awali niliajiri seva na 8GB ya RAM na Ubuntu 16.04.6 (LTS) x64, na baadaye ya pili kuzidisha kiwango ambacho ningeweza kufundisha kasino, ingawa utahitaji moja tu

Programu:

• Stellarium - hii ni programu halisi ya sayari / unajimu, inapatikana bure. Itatumika kukusanya picha za nyota zilizoigwa kwa matumizi ya upimaji.
• Putty - Huyu ni mteja wa SSH ambaye hutumiwa kudhibiti VPS kupitia laini ya amri.
• WinSCP - hii hutumiwa kutekeleza uhamishaji wa faili kutoka kwa Windows PC.

Hatua ya 2: Usanidi wa VPS

Kuna mchakato mdogo wa kusanidi kupata VPS na kufanya kazi. Mara ya kwanza inaweza kuchukua muda kidogo kwako, lakini sio ngumu sana ikiwa unafuata hatua hizo kwa karibu. Mafunzo haya yalikuwa kumbukumbu nzuri kwangu, ningependekeza usome hii pia wakati unafanya kazi kupitia mafunzo haya. Inashughulikia maalum ya safu ya amri ya linux kwa mstari, ambayo ni muhimu kufuata kwa barua.

Takribani, mchakato unajumuisha:

1. Uundaji wa seva ya Linux na toleo sahihi la Ubuntu.
2. Kuboresha na Kusasisha seva.
3. Uundaji wa saraka ya nafasi ya kazi, ambayo OpenCV imewekwa.
4. Ufungaji wa vitu muhimu, kama mkusanyaji, maktaba anuwai, na vifungo vya chatu.

Baada ya hatua hii, uko tayari kuanza kujiandaa kwa mchakato wa mafunzo.

Hatua ya 3: Mchakato

Mchakato mzima wa maono ya kompyuta kutumia kasri za HAAR ni za kutatanisha mwanzoni, kwa hivyo Hatua hii inaelezea mantiki kwa undani zaidi:

Mchakato wa Msingi

1. Dataset ya picha hasi ipo, inayojumuisha picha elfu kadhaa ambazo hazina kitu cha kupendeza. Hii itahitaji kupakiwa kwenye VPS.
2. Picha moja nzuri imeundwa ambayo ina kitu cha kupendeza. Hii pia itahitaji kupakiwa kwenye VPS.
3. Picha moja nzuri imepotoshwa, imepindana, imezungushwa, nk, na seti ya vigezo vilivyochaguliwa na kufunikwa juu ya uteuzi wa picha hasi. Hii ni njia bandia ya kuunda hifadhidata kubwa nzuri kutoka kwa picha moja. (Kwa matumizi mengine ya ulimwengu halisi, kama vile kutambua paka, unaweza kutumia picha elfu kadhaa za paka, lakini njia hii sio sahihi kila wakati ikiwa huna picha kubwa kama hizo. Njia bandia iliyotumiwa hapa haitafanya kazi vizuri, lakini ni chaguo pekee kwa kesi ya matumizi kama hii).
4. Mchakato wa mafunzo unaendeshwa, ambao hufanya kazi kwa hatua. Kila hatua itafundisha mpasuko kubaini vipengee tofauti vya aina ya HAAR ndani ya picha za picha. Kila hatua huchukua muda mrefu kukamilika, na ufanisi wa kiainishaji huongezeka kila wakati (inawezekana pia kufunza zaidi ili tu ujue!).
5. Utapeli mmoja uliofunzwa utaweza kutafuta kitu kimoja cha kulenga. Ikiwa unataka kutambua vitu kadhaa vya kipekee utahitaji mpasuko uliofunzwa kwa kila moja. Katika kesi hii, nilifundisha kasino kadhaa tofauti za 50 za patters za kipekee za nyota, kuunda seti ambayo inaweza kufunika ulimwengu wa kaskazini wa mbingu.
6. Mwishowe, programu ya kugundua hutumiwa ambayo inaendesha kila mpororo wa seti dhidi ya picha ya pembejeo. Utaftaji utatafuta kitu kilicholengwa ndani ya picha ya kuingiza.
7. Ikiwa imefanikiwa, kitu lengwa kitatambuliwa ndani ya picha ya kuingiza.

n.b. ikiwa inatumiwa katika muktadha wa mwelekeo wa setilaiti kwa mfano, picha itapigwa kwa kutumia kamera ya ndani. Nyota angavu zaidi katika picha hiyo zitatambuliwa, na alama zimefunikwa katika nafasi hizo. Picha hii inawasilishwa kwa seti ya kasino zilizofunzwa, ambazo zitajaribu kuona ikiwa picha ya kuingiza ina yoyote ya vitu lengwa. Ikiwa chanya ya kweli hugunduliwa, basi nafasi ya angular ya mkusanyiko unaojulikana hugunduliwa ikilinganishwa na shoka za mwili wa satelaiti.

Hatua ya 4: Hasi na Chanya

Hasi

Kipengele muhimu sana cha mafunzo ya kuteleza ni kuwa na hifadhidata kubwa ya picha hasi iwezekanavyo. Tunazungumza maelfu, kwa kweli makumi ya maelfu ya picha. Haijalishi zina vyenye nini, lengo ni kutoa habari anuwai tu. Folda ya Mafunzo ya Kiainishaji ina anuwai ya seti hasi za picha ambazo nilikusanya. Hapo awali zilikuwa na picha tu za uwanja wa nyota zilizopatikana kutoka kwa Stellarium, lakini baadaye niliongezea mkusanyiko wa data na picha nyingi kama vile ningeweza kupata (ndio, pamoja na picha zangu za likizo…). Dataset kubwa zaidi hapo inajumuisha picha karibu 9000, ambayo ilikuwa kubwa zaidi ambayo nimeunda hadi sasa. Kwa kutumia hii itakuokoa ukiandaa yako mwenyewe.

Chanya

Picha nzuri (hiyo ni mfano wa nyota inayolengwa ambayo utaftaji utafundishwa kuitambua) huanza kama picha ya skrini ya nyota huko Stellarium. Mpango wa chatu kisha hutambulisha nyota zenye kung'aa zaidi kwenye picha, na kufunika alama (zilizoelezewa baadaye katika hii inayoweza kufundishwa) kwenye nafasi hizi za nyota. Picha hii imepungua hadi saizi 50x50. Hii ni ndogo, lakini wakati wa mafunzo unaohitajika kwa kasino utazidi kuongezeka kadiri ukubwa huu unavyoongezeka, na kwa hivyo huu ni maelewano mazuri kati ya ubora na wakati.

Hatua ya 5: Udhibiti wa Stellarium

Folda ya Maandiko ya Stellarium ya hazina ya GitHub ina programu tatu nilizoandika kudhibiti matumizi ya Stellarium. Ili kuzitumia, ziweke kwenye folda ya hati ya folda yako ya usanidi wa Stellarium. Ili kuziendesha, unaweza kufungua dirisha la hati kutoka ndani ya menyu ya Stellarium, au kwa kubonyeza mara mbili kwenye programu kwenye folda ya hati, ambayo itazindua Stellarium na itaendesha programu iliyochaguliwa mara moja.

thesis_4 na thesis_5 zinakamata picha 2000 kila moja ya kaskazini na kusini, mtawaliwa, hemispheres za mbinguni. Hizi zilitumika kuunda hifadhidata ya picha hasi, kufundisha picha nzuri dhidi ya. Tofauti kati ya kaskazini na kusini ilikuwa njia rahisi ya kuhakikisha kuwa mwelekeo wa nyota (chanya) haungekuwepo kwenye hifadhidata hasi kwa kufundisha mifumo ya nyota ya kaskazini mwa ulimwengu dhidi ya setaiti ya picha ya ulimwengu wa angani na kinyume chake. (Ikiwa picha nzuri pia iko ndani ya seti hasi ya picha itaathiri ubora wa kitambulishaji).

thesis_setup pia ni muhimu - hii inaweka Stellarium kuwa sahihi kwa kunasa picha - picha zinazotumika kuiga maoni kutoka kwa Space. Inafanya vitendo kama vile kuficha menyu, laini za gridi, lebo n.k kiotomatiki kukuokoa unahitaji kila wakati unataka kunyakua picha.

Hatua ya 6: Mtu wa Roketi

Kaseti za kwanza nilizozifundisha hazikuweza kutambua kwa usahihi muundo wowote wa nyota. Walikuwa hawaaminiki sana na walikuwa na tabia nzuri sana za uwongo. Dhana yangu ilikuwa kwamba kwa kweli picha za uwanja wa nyota kutoka kwa Stellarium (kimsingi tu dots nyeupe kwenye asili nyeusi) hazikuwa na habari ya kutosha ya kuona kuwa na vifaa vya kutosha vya aina ya HAAR kwa mafunzo ya mafanikio ya uainishaji. Nadhani ilikuwa usiku sana, lakini niliamua kujaribu wazo la kuandika programu kuweka moja kwa moja picha ndogo ndogo juu ya eneo la kila nyota mkali kwenye picha ya uwanja wa nyota.

Elton

Huu ulikuwa mtihani wa kijinga, lakini kwa kuongeza picha ndogo ya uso wa Elton John kwa kila eneo la nyota mkali, kumfundisha mpatanishi dhidi ya picha hii nzuri, na kisha kuendesha kasino dhidi ya picha ya asili, ilikuwa na ufanisi zaidi katika kupata usahihi muundo sahihi. Nilijua nilikuwa kwenye kitu!

Hatua ya 7: Alama za Uaminifu

Ingawa 'Eltons' ilithibitisha nadharia hiyo, nilihitaji alama ambayo ilikuwa na ulinganifu kamili wa kuzunguka, ili muundo wa nyota uonekane sawa bila kujali mwelekeo uliowasilishwa. Nilijaribu aina anuwai za alama, na nikagundua kuwa aina iliyo chini kulia ilikuwa yenye ufanisi zaidi, na pete nyeusi na nyeupe tofauti. Programu ya chatu iliyowasilishwa kwenye folda nzuri ya repit ya GitHub inaonyesha jinsi nyota zenye kung'aa zaidi kwenye picha iliyotambuliwa zinatambuliwa, na alama hizi zilifunikwa moja kwa moja katika nafasi hizo. Tumeunda sasa uwakilishi wa mifumo muhimu ya nyota ambayo inaweza kufundishwa dhidi yake.

Hatua ya 8: Kutumia Cascades

Unapokuwa umefundisha seti ya kasino, unahitaji kujua jinsi ya kuzitumia kutambua kitu kwenye picha!

Angalia folda ya Kitambulisho cha Nyota ya GitHub, ambapo utapata mpango wa cascade_test19.py. Programu hii iliyoitwa kwa kuvutia inachukua seti ya kasino kutoka kwa folda iliyopewa, na kuziendesha zote dhidi ya picha ya kuingiza, na inaripoti juu ya upelelezi uliofanywa. Kazi ya 'detectMultiScale' ndio msingi wa hii, na inachukua hoja anuwai zinazoelezea mchakato wa kugundua. Kubadilisha haya ni muhimu kwa utendaji wa mpangilio wa kuteleza, na majadiliano zaidi ya hii yanaweza kupatikana katika hatua ifuatayo, ambapo tunaangalia jinsi ya kuondoa chanya za uwongo.

Hii inaweza kutumika katika mfumo wa mwelekeo wa setilaiti kwa kuoanisha thamani ya pikseli katikati ya kisanduku kinachofungamana na uratibu wa angani wa Ra / Dec wa nyota inayotambulika ya nyota, na kisha kuiunganisha hii na uhamishaji wa angular kutoka katikati ya picha (kamera mhimili). Kutoka kwa hii, kwa kutumia uelewa wa upotovu wa lensi (takriban kwa makadirio ya gnomonic), pembe ya setilaiti inaweza kupatikana kutoka kwa vitambulisho viwili tu chanya.

Hatua ya 9: Jinsi ya Kukaa Chanya Juu ya Chanya za Uongo

Picha hizi mbili zinaonyesha matokeo ya kupima mpororo uliowekwa dhidi ya picha inayofanana, lakini na vigezo tofauti. Kwa wazi, picha ya kwanza ina kitambulisho cha kweli, lakini pia idadi kubwa ya chanya za uwongo, wakati picha ya pili ina kitambulisho sahihi tu.

Programu ya cascade_test19.py ndani ya folda ya Kitambulisho cha Nyota ya repo ya GitHub hutumia njia mbili kupanga matokeo. Kwanza, detectctMultiScale functon inaweka ukubwa wa Miminum na Upeo wa matokeo ambayo yanaweza kupatikana, ambayo ni ya busara, kama ukubwa wa takriban wa mfano wa nyota inayolengwa ndani ya dirisha (kwa lensi iliyopewa na ukuzaji - picha zangu zilizoiga za Stellarium hutumia mali ya Kamera ya Raspberry Pi V2) inajulikana. Pili, nambari itachagua matokeo na kisanduku kikubwa zaidi (ndani ya mipaka ya awali). Katika kupima, hii iligundulika kuwa chanya ya kweli. Tatu, mpango huweka kiwango cha chini cha "kiwango cha Uzani" (kwa ufanisi 'dhamana ya kujiamini') ambayo inahitajika kutibu kitambulisho hiki kama chanya halisi. Kwa njia hii, kasino zilikuwa na ufanisi katika kupata matokeo sahihi.

Pamoja na picha za uwanja wa nyota, pia nilijaribu hii dhidi ya picha za dawati langu kwa mfano, mafunzo ya kasino kutambua daftari langu, mug nk, kufanya mazoezi ya kuondoa chanya za uwongo. Njia zilizo hapo juu zilifanya kazi vizuri katika hali zote ambazo zilitia moyo.

Hatua ya 10: Majadiliano

Maeneo ya Uboreshaji

Huu umekuwa mradi mgumu kwangu, na kwa kweli ulisukuma ufahamu wangu wa mada hiyo. Imehusisha jumla ya miezi kadhaa karibu na kazi ya wakati wote ili kufikia mradi huu wakati ninaweza kushiriki nawe, lakini kuna kazi nyingi zaidi ya kufanywa ili kuboresha utendaji wa njia hiyo. Kama inasimama, inaweza kufanya kazi vizuri ndani ya vizuizi fulani. Nimefanya kazi kutambua ni maeneo yapi yanahitaji kazi ya ziada, na kwa matumaini nitaweza kutumia wakati kushughulikia haya katika miezi ijayo. Wao ni:

Angle - Hili ni eneo tata, wazo kwamba matokeo ya viainishaji lazima yawe ya mzunguko, kwa mfano, inapaswa kuaminika kutambua muundo wa nyota inayolengwa bila kujali pembe ambayo imewasilishwa picha iliyo na mpiga nyota wa lengo. Mpasuko uliofunzwa kwa kutumia picha ya kuingiza kwa mwelekeo mmoja hautaweza kutambua picha hiyo kwa mwelekeo uliobadilishwa, kwa hivyo utofauti wa pembe nzuri ya picha lazima iletwe katika mchakato wa mafunzo kufundisha kasino ambazo zinaweza kukubali anuwai kwenye pembe za pembejeo. Kigezo 'maxzangle' katika maagizo ya mafunzo ya mtiririko huchukua hoja katika mionzi, ambayo inadhibiti kikomo cha pembe ambayo picha chanya ya pembejeo itafunikwa kwenye picha hasi zilizotolewa, kwa hivyo seti ya picha nzuri itakuwa na mwelekeo kadhaa wa picha nzuri. Walakini, kadiri maxzangle hii inavyoongezeka, uwiano wa kukubalika (kwa upana, ubora) wa mpororo utapungua sana. Ninaamini suluhisho ni kufundisha kasino kwa kutumia hifadhidata kubwa zaidi ya picha hasi kuliko ile niliyokuwa nikitumia kuhakikisha kuwa mpangilio mzuri wa mpororo unaweza kuundwa hata ukijumlisha uenezaji mkubwa wa mwelekeo.

Suluhisho lingine linalowezekana litakuwa kufundisha kasoro kadhaa kwa shabaha maalum, kila mpasuko unasimamia sehemu fulani ya mzunguko kamili wa digrii 360. Kwa njia hiyo ubora wa kila mpasuko unaweza kudumishwa kwa kiwango cha juu, lakini kwa upande mwingine hii itasababisha kutapika zaidi, na kwa hivyo mchakato wa kitambulisho utakua polepole.

Kigezo 'levelWeight', ambayo ni thamani inayotolewa na kazi ya 'detectMultiScale', ni sawa na dhamana ya ujasiri katika utambuzi ambao umefanywa. Kujifunza hii, grafu iliyo hapo juu iliundwa, ambayo inaonyesha jinsi ujasiri wa kitambulisho chanya hupungua sana wakati mwelekeo wa picha unavyoongezeka katika mwelekeo wowote, ikithibitisha maoni kwamba hii ni hatua dhaifu.

Uwekaji wa Pixel - Njia rahisi zaidi, lakini pia yenye shida ni ile ya uwekaji wa pikseli, iliyoonyeshwa na picha mbili zifuatazo, ikionyesha mtazamo uliopanuliwa wa picha ya nyota, ili saizi za kibinafsi za nyota mbili ziweze kuonekana wazi. Mchakato wa mmomonyoko uliotumiwa katika programu kusugua zote isipokuwa nyota zenye kung'aa kutoka kwenye picha hiyo itaweka nyota ya kwanza, na kutupa ya pili, licha ya kuwa na mwangaza sawa. Sababu ya hii ni kwamba nyota ya kwanza imejikita kwenye pikseli, wakati ya pili sio kama hiyo. Kazi ya mmomonyoko huvua pete za saizi kutoka kuzunguka pikseli kuu ya kikundi, na kwa hivyo nyota ya kwanza itakuwa na pikseli ya kati itaishi kazi ya mmomonyoko, lakini nyota ya pili itaondolewa kabisa kutoka kwenye picha. Kwa hivyo alama za uwongo zitawekwa tu kwenye nyota ya kwanza, na sio ya pili. Hii itasababisha kutofautiana inayohusiana na ambayo nyota angavu katika uwanja wa nyota fulani itapokea alama (na kwa hivyo ikilinganishwa na watangulizi waliofunzwa) - kwa hivyo inawezekana kwamba uchunguzi mzuri hautawezekana.

Hatua ya 11: Neno la Mwisho

Asante kwa kusoma maelezo yangu, natumahi kuwa umeona mradi huu ukivutia. Imekuwa mchakato wa kufurahisha sana kuifanyia kazi, imekuwa zaidi ya mwaka tangu nilipoanza kufanyia kazi wazo hili, na nimehimizwa na matokeo hadi sasa. Kutoka kwa fasihi niliyosoma, hii ni dhana nzuri ya asili, na kwa maendeleo zaidi hakika inaweza kutumika katika anuwai ya matumizi ya unajimu wa amateur au zaidi.

Mradi huu ulikuwa eneo lenye mwinuko wa kujifunza kwangu, na kwa hivyo ninatumahi kuwa wasomaji wengine walio na uzoefu zaidi wa programu wanaweza kuhamasishwa kuchangia kuendelea kwa mradi kupitia ukurasa wa GitHub, na tunaweza kuendelea kukuza zana hii ya chanzo wazi. Natarajia kusoma maoni yoyote ambayo unaweza kuwa nayo, lakini tafadhali usiulize maswali magumu sana!

Mkimbiaji Juu katika Changamoto ya Nafasi