دانلود تحقیق رباتیک

مقدمه

    براى مطالعه هوش مصنوعى، جالب و مفید، بودن این موجودیت هاى هوشمند

است.

هوش مصنوعى محصولات مهم و مؤثر زیادى در مراحل اولیه توسعه اش تولید کرده است.

اگر چه هیچ کس نمى تواند آینده را به طور مشخص پیش بینى کند، اما آشکار است که کامپیوتر هایى هوشمند همردیف با انسان، تأثیر بسزایى بر زندگى روزمره و همچنین برآینده خواهد داشت.

    در سال ۱۹۵۴ میلادى، عصر روبات ها با ارائه اولین روبات آدم نما از طرف «جرج دوول» (George Devol)  شروع شد.

    امروزه، ۹۰ درصد روبات ها، روبات هاى صنعتى هستند، یعنى روبات هایى که در کارخانه ها، آزمایشگاه ها، انبارها، نیروگاه ها، بیمارستان ها، و بخش هاى مشابه به کار گرفته مى شوند.

در سال هاى قبل، بیشتر روبات هاى صنعتى در کارخانه هاى خودروسازى به کارگرفته مى شدند، ولى امروزه تنها حدود نیمى از روبات هاى موجود در دنیا در کارخانه هاى خودروسازى به کار گرفته مى شوند.

مصارف روبات ها در همه ابعاد زندگى انسان به سرعت در حال گسترش است تا کارهاى سخت و خطرناک را به جاى انسان انجام دهند.

براى مثال امروزه براى بررسى وضعیت داخلى راکتورها از روبات استفاده مى شود تا تشعشعات رادیواکتیو به انسان ها صدمه نزند.

بعدها روبات هاى صنعتى زیادى ساخته شدند و انجمن صنایع روباتیک این تعریف را براى روبات صنعتى ارائه کرد :

    « روبات صنعتى یک وسیله چند کاره و با قابلیت برنامه ریزى چند باره است که براى جابه جایى قطعات، مواد، ابزارها با وسایل خاص به وسیله حرکات برنامه ریزى شده، براى انجام کارهاى مختلف استفاده مى شود.

»

    انگلبرگر شرکت unimate را برگرفته از universal Automation براى تولید روبات پایه گذارى کرد.

نخستین روبات هاى این شرکت در کارخانه جنرال موتورز (General Motors) براى انجام کارهاى دشوار در خودروسازى به کار گرفته شد.

انگلبرگر را «پدر روباتیک» نامیده اند.

    در سال ۱۹۶۲ میلادی شرکت خودروسازى جنرال موتورز نخستین روبات Unimate  را در خط مونتاژ خود به کار گرفت.

    روبات ها روز به روز هوشمندتر مى شوند تا هر چه بیشتر در کارهاى سخت و پر خطر به یارى انسان ها بیایند.

    اکنون اولین روبات انسان نماى خاورمیانه در دانشگاه صنعتى شریف در حال طراحى و ساخت مى باشد.

 

روبات چیست ؟

    روبات یک ماشین الکترومکانیکى هوشمند است که مى توان آن را بارها برنامه ریزى کرد.

چندکاره و کارآمد و مناسب براى محیط است.

می تواند در شرایط خاصی که در آن قرار می گیرد، کار تعریف شده ای را انجام دهد و همچنین قابلیت تصمیم گیری در شرایط مختلف را نیز ممکن است داشته باشد.

با این تعریف می توان گفت روبات ها برای کارهای مختلفی می توانند تعریف و ساخته شوند.

مانند کارهایی که انجام آن برای انسان غیرممکن یا دشوار باشد.
برای مثال در قسمت مونتاژ یک  کارخانه اتومبیل سازی، قسمتی هست که چرخ زاپاس ماشین را در صندوق عقب قرار می دهند، اگر یک انسان این کار را انجام دهد خیلی زود دچار ناراحتی هایی مثل کمر درد و ...می شود، اما می توان از یک روبات الکترومکانیکی برای این کار استفاده کرد و یا برای جوشکاری و سایر کارهای دشوار کارخانجات هم همینطور، و یا روبات هایی که برای اکتشاف در سایر سیارات به کار می روند هم از انواع روبات هایی هستند که در جاهایی که حضور انسان غیرممکن است استفاده می شوند.

 

موسسه بین المللی استاندارد روبات را بصورت زیر تعریف کرده است:

   روبات وسیله ای است که :

 بصورت خودکار کنترل شود

 قابل برنامه ریزی مجدد باشد

 چند منظوره بوده و

 با داشتن چندین درجه آزادی قدرت جابجائی داشته باشد.

 روبات می تواند متحرک و یا ثابت باشد.

 

اهمیت روبات ها:

    امروزه روبات ها در انجام بسیاری از کارها به کمک انسان آمده و در برخی کارها نیز جایگزین آدمی گشته اند از جمله:

کار در کارخانه، اکتشافات فضائی،  جراحی، بصورت دست آموز خانگی    و....

بطور کلی روبات ها در کارهائی استفاده می شوند که خطرناک بوده (مثل نیروگاههای هسته ای)، مشکل و تکراری باشند (مثل اغلب کار کارخانه ها) و محیط های کثیف (مثل داخل لوله ها).

 

هدف از ساخت روبات چیست ؟

    هدف از ساخت روبات ، ایمن تر، سریع تر، دقیق تر و بهینه تر انجام دادن اموری است که برای انسان ها در درازمدت قابل انجام و یا غیر قابل انجام        می باشد که آن امور با صرف هزینه، نیرو و خطرات بیشتر همراه است .           

 

 

روباتیک چیست ؟

    علم مطالعه روبات ها را روباتیک می نامند.

تعریف جامع تر این علم را می توان بصورت زیر نیز بازگو نمود:

«روباتیک عبارت است از ارتباط هوشمندانه بین ادراک و عمل»

علم روباتیک از سه شاخه اصلی تشکیل شده است:

 الکترونیک ( شامل مغز روبات)

 مکانیک (شامل بدنه فیزیکی روبات)

 نرم افزار (شامل قوه تفکر و تصمیم گیری روبات)

    اگریک روبات را به یک انسان تشبیه کنیم، بخش هایی مربوط به ظاهر فیزیکی انسان را متخصصان مکانیک می سازند، مغز روبات را متخصصان الکترونیک توسط مدارای پیچیده الکترونیک طراحی کرده و می سازند و کارشناسان نرم افزار قوه تفکر را به وسیله برنامه های کامپیوتری برای روبات شبیه سازی می کنند تا در موقعیتهای خاص، فعالیت مناسب را انجام دهد.

    قوانین روباتیک مطرح شده از سوى آسیموف:

    ۱.

روبات ها نباید هیچ گاه به انسان ها صدمه بزنند،

    ۲.

روبات ها باید دستورات انسان ها را بدون سرپیچى از قانون اول اجرا   کنند.

    3.

روبات ها باید بدون نقض قانون اول و دوم از خود محافظت کنند.

 

اجزاء یک سیستم روباتیک :

 ساختار مکانیکی شامل:

اتصالات بازو وبدنه، چرخ ها

 محرک ها ئی که باعث حرکت روبات می شوند، نظیرموتورها

 سنسور های مختلف برای ادراک محیط پیرامون روبات ها نظیر:

سنسورهای فاصله (Ultrasonic)، دوربین، لیزر، سنسورهاى sonar و غیره

 یک کنترلر کامپیوتری براى راه اندازى و بررسى حرکات روبات که سیگنال های سنسورها را خوانده و با پردازش اطلاعات بتواند فرامین لازمه را برای محرک ها ایجاد نماید نظیر نیروها و گشتاورهاى موتورها براى سرعت مورد نظر، جهت مورد نظر، کنترل مسیر و...

 قسمت تصمیم گیرى (برنامه اى براى تعیین اعمال لازم) به منظور:

حرکت در یک جهت خاص، دورى از موانع، برداشتن اجسام و...

 

زیر سیستم های اصلی یک روبات: Real Data World (Environment) Information Command Concepts Real world (Environment ) بخش اول : Sensor (سنسور) : سنسور یک المان الکتریکی می باشد که اطلاعات را از محیط اطراف دریافت کرده و آن را به بخش پردازش ارسال می کند.

بخش دوم : Information processing (پردازش اطلاعات): در این بخش اطلاعاتی که توسط سنسورها از محیط دریافت شده پردازش می شود تا با استفاده از آن ها روبات کاری را انجام دهد.

بخش سوم : Process and Decision (پردازش و تصمیم گیری): این بخش اوج هوشمندی (Intelligence ) و یادگیری (Learning ) روبات می باشد و درواقع حافظه روبات است.

قسمتی از پردازش در این بخش برای هدایت (Navigation ) روبات بوده و دستورات و فرامین لازم برای عمل کردن درست و به موقع روبات از این بخش به قسمت مکانیکی (حرکتی ،Locomotion ) روبات ارسال می شود، به همین منظور با بخش های قبلی در ارتباط است.

بخش چهارم : Low Level Controllers : در اینجا روبات کنترل می کند که چگونه به هدف برسد در واقع این کار ذهنی انجام می گیرد .

بخش پنجم : Actuators (عملگر): دراین بخش عملگرها قرار دارند که عمل مناسب را با توجه به آنچه که سنسورها دریافت کرده اند انجام می دهند، ممکن است به صورت چرخ، بازو و ...

باشند.

انواع روبات از دید کنترل : 01 Teleoperation (کنترل از راه دور توسط انسان) 02 Self-Controlled (خود کنترل): که از لحاظ درجه ی هوشمندی (Degree Of Autonomy) به دو دسته ی زیر تقسیم می شوند: Mind-less : این روبات ها کارهای تکراری (repetitive) را انجام می دهند.

Intelligent : این روبات ها هوشمند هستند و با عدم قطعیت (uncertainty) مقابله می کنند.

از دید فیزیکی و مکانیکی (تحرک پذیری) : 1.

روباتهای ثابت (manipulator or industrial robots) : این روبات ها که شامل قطعات الکترونیکى و مکانیکى هستند، در ابتدا به صورت بازوهاى مکانیکى براى جابه جایى قطعات و یا کارهاى ساده و تکرارى به وجود آمدند که موجب خستگى و عدم تمرکز کارگر و افت بازده مى شد.

بازوها معمولاً در نقطه ثابت و در فضاى کاملاً کنترل شده در کارخانه نصب مى شوند و به غیر از وظیفه اى که براى آن ها طراحى شده اند، قادر به انجام کار دیگرى نیستند.

این وظیفه مى تواند در حد بسته بندى تولیدات، کنترل کیفیت و جدا کردن تولیدات بى کیفیت و یا کارهاى پیچیده ترى همچون جوشکارى و رنگزنى با دقت بالا باشد.

یک روبات ثابت از اجزاء مکانیکی زیر تشکیل می شود : (اتصال) Link End effectors (عملگر نهایی) (مفصل) Join (مبدأ)Original 2.

روباتهای متحرک (mobile robots) : این روبات ها مانند روبات هاى جابه جا کننده در محیط ثابت و شرایط کنترل شده کار نمى کنند، بلکه همانند موجودات زنده در دنیاى واقعى و با شرایط واقعى زندگى مى کنند و سیر اتفاقاتى که روبات باید با آنها روبه رو شود از قبل مشخص نیست.

در این نوع روبات هاست که تکنیک هاى هوش مصنوعى باید در کنترل کننده روبات (مغز روبات) به کار گرفته شود.

روبات های متحرک دو عامل بسیار مهم دارند: عامل حرکت (Locomotion) : روبات هاى چرخ دار با انواع چرخ عادى و یا شنى تانک و با پیکربندى هاى مختلف یک، دو یا چند قسمتى روبات هاى پادار مثل سگ اسباب بازى AIBO ساخت سونى یا روبات ASIMO ساخت شرکت هوندا.

روبات هاى پرنده (Arial) روبات های مارشکل (Snake) که بر روی زمین می خزند.

روبات هاى چند گانه (هایبرید) که ترکیبى از روباتهاى بالا یا ترکیب با بازوها هستند.

عامل هدایت (navigation): هدف (goal) مکان یابی (localization) برنامه ریزی مسیر (path planning) : برنامه ریزی کلی مسیر (Global path planning ) برنامه ریزی محلی مسیر( (Local path planning کشیدن نقشه (map making) دو نوع مهم path planning و Map making: Topological ( شکل ) : در نقشه فقط شکلی از محیط را به روبات می دهیم وجای دقیق اشیاء کاملا مشخص نیست.

Metric (بر اساس اندازه گیری دقیق) : در اینجا به صورت دقیق جای هر یک از اشیاء مشخص بوده و فاصله کنونی روبات با هر شیء نیز به طور دقیق به روبات گفته می شود.

در طرح ریزی نقشه و تشخیص مسیر مطلوب مهم ترین مسئله بهینه سازی (Optimization) بوده و مهم ترین مطلب در بهینه سازی نیز OR (Operations Research Planning ) می باشد.

بهینه سازی: متغیر های تصمیم (مثل کلونی مورچه ها) محدودیت هدف مزایاى روبات ها: 0۱ روباتیک و اتوماسیون در بسیارى از موارد مى توانند ایمنى، میزان تولید، بهره و کیفیت محصولات را افزایش دهند.

02 روبات ها مى توانند در موقعیت هاى خطرناک کار کنند و با این کار، جان هزاران انسان را نجات دهند.

03 روبات ها به راحتى محیط اطراف خود توجه ندارند و نیازهاى انسانى براى آنها مفهومى ندارد.

روبات ها هیچگاه خسته نمى شوند.

04 دقت روبات ها خیلى بیشتر از انسان هاست، آن ها در حد میلى یا حتى میکرو اینچ دقت دارند.

05 روبات ها مى توانند در یک لحظه چند کار را با هم انجام دهند، ولى انسان ها در یک لحظه تنها یک کار انجام مى دهند.

معایب روبات ها: 01 روبات ها در موقعیت هاى اضطرارى توانایى پاسخگویى مناسب ندارند که این مطلب مى تواند بسیار خطرناک باشد.

02 روبات ها هزینه بر هستند.

03 قابلیت هاى محدود دارند یعنى فقط کارى را که براى آن ساخته شده اند انجام مى دهند.

روبات هوشمند Intelligent Robot)): یک تعریف کلی از هوشمندی برگرفته از گفته Albus عبارت است از: « هوشمندی توانایی یک سیستم برای درست عمل کردن در یک محیط غیر قطعی است به طوریکه درست عمل کردن، عملی است که احتمال موفقیت را افزایش دهد و موفقیت یعنی رسیدن به زیر هدف های رفتاری که هدف نهایی سیستم را تضمین می نماید.» تعریف کلی از روبات هوشمند : « یک ماشین قابل برنامه ریزی که بتواند عمل یک موجود هوشمند نظیر انسان را تقلید کند.» در هوشمندی دو دیدگاه وجود دارد : انتقال دانش (Knowledge ) : یعنی ما دانش خودمان را به ربات می دهیم.

یادگیری ماشین (Machine Learning ) :در اینجا انسان هیچ دانشی به روبات نمی دهد و روبات خود با جریمه شدن کار درست را یاد می گیرد و پییشرفت می کند.

مواردی که روبات با داشتن هر یک از آن ها می تواند هوشمند باشد: ( جستجو) Search ،(حل مسائلProblem Solving( ، ( یادگیری)Learning (بازنمایی دانشKnowledge Representation ( ،(برنامه ریزی Planning( Natural Language ، (منطق و استدلالLogic and Reasoning ( (بینایی ماشین Machine Vision( ،(سطح پردازش بالاProcessing ( روباتیک و هوش مصنوعی : روباتیک یکی از مهمترین زمینه های استفاده عملی از تکنیک های هوش مصنوعی Artificial Intelligence)) است.

در واقع یک روبات هوشمند برای انجام هوشمندانه اعمال خود ناگزیر است بسیاری از این روش ها را به خدمت بگیرد: Learning Planning Reasoning Problem solving knowledge Representation Computer vision اعمال اصلی یک روبات هوشمند: Sense Plan Act سنسورهای روبات هوشمند: Vision برای دریافت محیط پیرامون Voice برای صحبت با آدمی Tactile برای حس وجود اشیا در سر راه مسیر Force برای تشخیص نیرو در کاربردهائی نظیر مونتاژ Laser برای اندازه گیری فاصله و تشخیص موانع ...

روبات الگو (Robotic Paradigms ): 1.

سلسله ای یا Top down : در اینجا یک مغز متفکر داریم که به اجزاء احاطه دارد ، اجزاء نیاز به پردازش دارند .

Reactive یا Button Up : در اینجا هر جزء وظایفی دارد که با کنار هم قرار گرفتن آن ها، کل به وجود می آید یعنی اجزاء به صورت رفتاری عمل انجام می دهند، مثل پلک زدن نگاشت Behavior Deliberative: ترکیبی از دو مورد قبل می باشد یعنی علاوه بر این که اجزاء به صورت رفتاری عمل انجام می دهند در مواقع مهم و بزرگ و در صورت نیازاز پردازش استفاده می شود.

گاهی در موارد بسیار حساس استفاده می شود 4.

در اینجا به Plan نیازی نیست و خود روبات یاد می گیرد یا ما به روبات می گوییم که چه کاری انجام دهد.

یادگیری در روبات : اگرچه روبات هایی مثل ASIMO کارهای شگفت انگیزی می کنند اما قادر نیستند یادگیری کنند.

یک روبات باید بتواند در تعامل با محیط و در اثر تجربه یادگیری نماید.

تعریف یادگیری : تعریف های گوناگونی که درباره یادگیری انجام گرفته نشان می‌دهند که هنوز تعریف جامع و یک دستی که برای همه روان‌شناسان با نظریه‌های مختلف پذیرفتنی باشد به دست نیامده است.

اما بسیاری از روان‌شناسان و پرورشکاران معتقدند که « یادگیری تغییری است که بر اثر تجربه یا آموزش در رفتار موجود زنده پدید می‌آید .» در این تعریف مهم ترین واژه‌ای که نظر را به خود جلب می‌کند واژه تغییر است.

زیرا رفتار فرد در زمانی که چیزی نیاموخته با زمانی که آن چیز را، آموخته است تفاوت دارد.

واژه مهم دیگر رفتار است.

زیرا تغییر رفتار با ابعاد بدنی مانند طول و عرض و قد و وزن بدنی ارتباط ندارد، بلکه بیشتر معلوم یادگیری است، نه دگرگونیهای بدنی.

روش های یادگیری(Learning): یادگیری با ناظر(Supervised ) یادگیری تقویتی (Reinforcement) 3.

یادگیری بدون ناظر (Unsupervised) 1.

Supervised Learning ( یادگیری با ناظر) : اگر در یادگیری دقیقا به عامل آن چیز را که قرار است یاد بگیرد گفته شود و عامل بتواند خطای یادگیری خود را بدست آورد این یادگیری را با ناظر می گوییم .

2.

Learning Reinforcement (یادگیری تقویتی) : در یک مسئله یادگیری تقویتی با عاملی روبرو هستیم که از طریق سعی و خطا با محیط تعامل کرده و یاد می گیرد تا عملی بهینه را برای رسیدن به هدف انتخاب نماید.

عامل، خطای یادگیری را به طور دقیق ندارد اما اطلاعات اندکی در مورد کیفیت آن به صورت پاداش(Reward) و تنبیه (Planty ) دریافت می کند .

یادگیری تقویتی از این رو مورد توجه است که راهی برای آموزش عامل ها برای انجام یک عمل از طریق دادن پاداش و تنبیه است بدون اینکه لازم باشد نحوه انجام عمل را برای عامل مشخص نمائیم.

دو استراتژی اصلی برای این کار وجود دارد: یکی استفاده از الگوریتم های ژنتیکی دیگری استفاده از روشهای آماری و dynamic programming 3.

Unsupervised Learning (یادگیری بدون ناظر): دراین نوع یادگیری نه پاداش و تنبیه وجود دارد و نه این که دقیقا به عامل آن چیز را که قرار است یاد بگیرد گفته می شود خود روبات با محیط درگیر می شود و نتیجه می گیرد.

اهمیت یادگیری : بی‌تردید باید گفت که اهمیت یادگیری در رشد آدمی بسی فراتر از چشم‌انداز اندیشه‌های اوست.

روان‌شناسان به تازگی به عظمت شکل‌پذیری نوع آدمی، حتی در سالهای نخستین او پی برده و محقق ساخته‌اند که عامل اصلی در این شکل‌پذیری یادگیری است.

به اعتقاد آنان هر رفتاری که از ما سر می‌زند معلول یادگیری است.

به این معنا که یک رشته از یادگیری های ساده‌ترموجب یادگیری های پیچیده‌تر می‌شوند.

به علاوه چون محیط زندگی افراد آدمی همواره در معرض تغییر است.

انسان برای غلبه بر این دگرگونی ها ناچار به یادگیری است.

ماهیت یادگیری: - یادگیری در واقع هم یک رشته فرایند است و هم فرآورده تجربه‌ها.

بعضی از فرایندهایی که در داد و ستد بین موجود آدمی و محیط انجام می‌گیرد عبارتند از احساس و ادراک، یادآوری، نمادسازی، اندیشه‌های مجرد و تخیلی و سرانجام رفتار.

- یادگیری در حقیقت دارای مفهوم بسیار گسترده‌ای است که در قالب های دگرگونی، عادت شکنی، ایجاد علاقه، نگرشهای نو، درک ارزش، ذوق و سلیقه و پیشداوری پدیدار می‌شود.

همچنین، شیوه ترکیب و کاربرد معلومات در استدلال،‌ تفکر، نظریه‌پردازی، حل مسئله، احساس و عواطف عمیق انسانی، خودشناسی و دگرگونی هایی که در کل شخصیت به وجود می‌آیند همه از یادگیری مایه می‌گیرند.

روان‌شناسان عصب‌گرا ویادگیری با توجه به موارد بالا می توان گفت که یادگیری دارای دو تعریف است: یکی به تغییر رفتار نمایان و دیگری به استعداد یا توانمندی در پاسخ دادن اختصاص می‌یابد.

اما روان‌شناسان عصب‌گرا یادگیری را تغییر در ساختار فیزیولوژی اعصاب می‌دانند که از استعداد ابزار پاسخ پدید می‌آید.

دکتر هب یک رشته بررسی هایی درباره کارکرد اعصاب مرکزی در رابطه با یادگیری به مضمون زیر انجام داده که در خور اهمیت است: یادگیری، فرایند ایجاد سیر یا مدار عصبی نسبتاً پایدار از طریق فعالیت خود به خود در مدارهای موجود است.

وقتی فعالیتی صورت می‌گیرد حالت تغییر در ساخت سلولها و مدارهای عصبی ایجاد می‌شود و پاسخ مربوط به اثر برانگیختگی و تکرار به آسانی دریافت می‌شود.

با ملاحظه تعریف های سه‌گانه بالا درباره یادگیری، مورد اول و دوم در بررسی های روان‌شناسی امروزی دارای اهمیت بیشتری است، اما مورد سوم از اعتبار علمی خاصی برخوردار است.

پردازش تصویر( Image processing) : شاید بتوان گفت یکی از بزرگترین مشکلات بشر در تکمیل سیستم های هوشمند مشکل بینایی آنان بود.

با پیشرفت علم در عرصه پردازش دیجیتال سیستم ماشین بینایی جای خود را در صنعت باز کرد و روز به روز در حال تکمیل شدن است.

یک سیستم ماشین بینایی مجموعه ای از عناصر لازم برای گرفتن عکس دیجیتال و اصلاح اطلاعات و عرضه آن ها به دنیای بیرون می باشد.

سه بخش مهم کاری این سیستم عبارت است از: Image Acquisition Processing Output or Display « نمودارپردازش تصویر» یک سیستم مبتنی بر ماشین بینایی عمده تشخیص ( Sense ) خود را با استفاده از حسگرهای بینایی و پردازشی که روی این اطلاعات انجام می دهد، بدست می آورد.

از مطلب برای پردازش عکس گرفته شده استفاده کرده ایم.

مطلب با استفاده از جعبه ابزاری که خود در اختیار ما می گذارد (Image processing Toolbox ) و همچنین جعبه ابزارهای الحاقی نوشته شده ( Machine Vision Toolbox[5] ) امکان خوبی برای پردازش تصویر، بدون درگیر شدن برنامه نویس با برنامه های سطح پایین در اختیار می گذارد.

تصویر گرفته شده توسط دوربین را با یکی از فرمت های قابل قبول برای مطلب ( tif ، png ، bmp ،...

) ذخیره می کنیم.

مبنای ساختار داده در مطلب آرایه است، اکثر تصاویر در یک آرایه دو بعدی ذخیره می شوند ، برای مثال یک تصویر می تواند از یک ماتریس m×n با نقاط رنگی مختلف ذخیره شود.

مطلب بر اساس ارتباط بین آرایه ها و رنگ پیکسل ها ، انواع تصویر را تقسیم بندی می کند.

1) Indexed Image : در این نوع تصویر، مطلب یک ماتریس m × n را که می تواند هر یک از کلاس های unit 8 و unit16 و double را داشته باشد ، به عنوان ماتریس شاخص استفاده می کند ، و از یک ماتریس m × 3 از کلاس double برای جعبه رنگ استفاده می کند.

که هر یک از عناصر ماتریس شاخص به یکی از سطرهای ماتریس جعبه رنگ اشاره می کند.

هر یک از سه ستون ماتریس جعبه رنگ هم شدت رنگ های قرمز ، سبز آبی را تعیین می کند.

Intensity Image : در این روش یک ماتریس m × n به تعداد پیکسل ها تشکیل می شود که عناصر این ماتریس اعداد یک جعبه رنگ یک بعدی است.

به عنوان مثال در حالت خاکستری ( gray) و کلاس double عدد 0 به رنگ سیاه و 1 به رنگ سفید و اعداد بین 0 تا 1 تا دقت سه رقم اعشار، به شدت رنگ های خاکستری اشاره می کند.

3.

Binary Image : یک تصویر باینری یک ماتریس با عناصر 0 یا 1 است، در این حالت هر پیکسل دو حالت روشن یا خاموش می تواند داشته باشد.

4.

RGB Image : این حالت برای ذخیره اطلاعات مربوط به تصویر از یک ماتریس m × n × 3 که مقدار هر یک از رنگ های قرمز، سبز و آبی را برای هر پیکسل نمایش می دهد.

در این حالت نیز ماتریس می تواند کلاس های unit 8 ، unit 16 ، double را داشته باشد.

به عنوان مثال اطلاعات مربوط به پیکسل ( 2 , 3 ) در آرایه های RGB، ( 2 , 3 ,1 ) برای قرمز، ( 2 ، 3 ، 2) برای سبز و ( 2 , 3 , 3 ) برای آبی ذخیره می شود.

برای مثال می خواهیم مرکز دایره ای را از بین اشکال مختلفی که در عکس وجود دارد ، تشخیص دهیم .

به طور کلاسیک مراحل پردازش تصویر به صورت زیر تقسیم بندی می شود : تصویر برداری پیش پرازش قطعه بندی نماد سازی و توصیف تشخیص هدف کار ما در مورد پردازش تصویر به دو قسمت کلی تقسیم می شود : تصویر برداری و پیش پردازش: تصویر گرفته را با پسوند bmp که یک rgb image است ذخیره می کنیم .

q = imread ('image.bmp); در این مرحله نوع تصویر با دستور زیر به Intensity Image تبدیل می شود.

I = rgb2gray(q); در این قسمت Background تصویر حذف می شود.

I1 = imopen (I, strel ('disk', 15)); برای بهبود کیفیت تصویر با استفاده از نمودار histogram آستانه حذف را پیدا می کنیم.

Figure, imhist (I1); با توجه به این نمودار مشخص می شود که برای حذف زمینه از تصویر باید پیکسل ها با ارزش 70 به بالا را حذف کنیم.

همچنین می توان از دستورات مطلب برای حذف زمینه و افزایش contrast استفاده نمود.(Imopen, imadjust, imsubtract,…) For i=1:370 For j=1:470 If I(i,j)>70 I(i,j)=255; Else I(i,j)=0; End End End 2) تشخیص هدف: در این مرحله باید لبه ها را پیدا کرد.

مطلب روش های مختلفی را برای پیدا کردن لبه ها (edge) استفاده می کند.

روش معمول استفاده از یک فیلتر بالا گذر است.

در این روش یک ماتریس 3 3 یا 5 5 در ماتریس تصویر ضرب می شود.

حال تصویر برای قطعه بندی آماده شده است.

اساس قطعه بندی بر دو روش مبتنی بر پیکسل و هدف است.

در روش مبتنی بر پیکسل می توان از عدم پیوستگی بین اشیاء تصویر و یا بر اساس شباهت استفاده نمود.

روشی که ما استفاده کرده ایم روش مبتنی بر هدف می باشد که با استفاده از نقاط کلیدی و مشخصه آماری تصویر، جداسازی انجام می گیرد، مطلب این کار را با دستور bwlable انجام می دهد.

با ای دستور هم می توان تعداد اشیاء تصویر را پیدا کرد و هم به هر یک از اشیاء یک برچسب داد.

بعد از جداسازی تصویر نوبت تشخیص دایره و مرکز آن است.

ما برای تشخیص دایره از این خصوصیت استفاده کرده ایم که فاصله نقاط واقع در لبه با مرکز دایره همگی یکسان است.

تمام این مراحل به صورت یک تابع M-file نوشته شده که خروجی آن به صورت زیر می باشد : منطق فازی ( Fuzzy Logic ): مفاهیم نادقیق بسیاری در پیرامون ما وجود دارند که آنها را به صورت روزمره در قالب عبارت های مختلف بیان می کنیم .

به این جمله دقت کنید: " هوا خوب است." هیچ کمیتی برای خوب بودن هوا مطرح نیست تا آن را اندازه بگیریم بلکه این یک حس کیفی است.

در واقع مغز انسان با در نظر گرفتن فاکتورهای مختلف و بر اساس تفکر استنتاجی جملات را تعریف و ارزش گذاری می نماید که مدل سازی آن ها به زبان و فرمول های ریاضی اگر غیر ممکن نباشد کاری بسیار پیچیده خواهد بود.

منطق فازی تکنولوژی جدیدی است که شیوه هایی را که بر ای طراحی و مدل سازی یک سیستم نیازمند ریاضیات پیچیده و پیشرفته است، با استفاده از مقادیر زبانی و دانش فرد خبره جایگزین می سازد.

اگر از ما پرسیده شود منطق فازی چیست شاید ساده ترین پاسخ بر اساس شنیده ها این باشد که Fuzzy Logic یا Fuzzy Theory یک نوع منطق است که روش های نتیجه گیری در مغز بشر را جایگزین می کند.

مفهوم منطق فازی توسط دکتر لطفی زاده، پروفسور دانشگاه کالیفورنیا در برکلی، ارائه گردید و نه تنها به عنوان متدولوژی کنترل ارائه شد بلکه راهی برای پردازش داده ها، بر مبنای مجاز کردن عضویت گروهی کوچک به جای عضویت گروهی دسته ای ارائه کرد.

به جهت نارسا ونا بسنده بودن قابلیت کامپیوتر های ابتدایی تا دهه 70 این تئوری در سیستم های کنترلی به کار برده نشد.

پروفسور لطفی زاده اینطور استدلال کرد که : بشر به ورودیهای اطلاعاتی دقیق نیازی ندارد بلکه قادر است تا کنترل تطبیقی را به صورت بالایی انجام دهد.

پس اگر ماکنترل کننده های فیدبک را در سیستم ها طوری طراحی کنیم.

که بتواند داده های مبهم را دریافت کند، این داده ها می توانند به طور ساده تر و موثرتری در اجرا به کار برده شوند.

تعاریف منطق فازی دارای این قدرت است که در تنظیم سیستم ها از میکرو کنترلر های ساده وکوچک و جاسازی شده گرفته تا PC های چند کاناله شبکه شده بزرگ یاسیستم های کنترلی به کار برده شود.

این منطق دارای قدرت اجرایی در سخت افزار، نرم افزار یا ترکیبی از هر دوی این ها است.

در واقع منطق فازی راه ساده ای را برای رسیدن به یک نتیجه قطعی و معین بر پایه اطلاعات ورودی ناقص، خطا دار، مبهم و دوپهلو فراهم می کند.

منطق فازی یک قانون ساده بر مبنای " IF x And y THEN z " را بیان می کند.

به عنوان مثال به جای برخورد با اصطلاحاتی نظیر "SP=500F" ، "210 "IF (process is too cool) AND (process is getting colder) THEN (Add heat to the process) " Or "IF (process is too hot) AND (process is heating rapidly) THEN (Cool the process quickly)" به کار برده شود.

درست مثل کاری که در هنگام دوش گرفتن انجام می دهیم: در صورتی که آب خیلی سرد یا خیلی گرم باشد، بدون اینکه از درجه دقیق آب اطلاعی داشته باشیم تنها بر اساس پردازش انجام شده در مغز به کمک دریافت دمای هوا از طریق حسگرهای پوست با کمی سختی کشیدن آب را به سرعت به دمای دلخواه در می آوریم یا آنکه می توانیم در یک اتاق به اشیاء گوناگونی نگاه کنیم وتصمیم بگیریم کدامیک بیشتر شبیه صندلی است ویا به مردم نگاه کنیم و بگوییم کدامیک شبیه John Wayne ویا کدامیک بیشتر شبیه گاندی است.

منطق فازی قادر به تقلید اینگونه رفتارها اما با سرعت بسیار بالایی است.

از طرفی باید به این نکته هم توجه کنیم که تمامی سیستم های طبقه بندی ساخته ذهن انسان هستند و برچسب درست تا زمانی به یک سیستم طبقه بندی نسبت داده می شود که سیستم کنترلی دیگر آن را رد نکند مثلا در تئوری نسبیت دیگر درست نیست بگوییم زمین دور خورشید می گردد پس خورشید هم دور زمین می گردد!

یا به عنوان مثال دیگر، کشف موجودی عجیب در استرالیا که پلاتی پوس نامیده می شود و بر خلاف پستانداران دیگر همانند خزندگان تخم می گذارد و جوجه های جوان را شیر می دهد!

با این تعاریف می توان گفت که منطق فازی یک تکنولوژی کنترلی بسیار قدرتمند است که به جای ساختن یک حصار در اطراف یک طبقه بندی سعی دارد آن را به گونه ای توصیف کند که به ایده نزدیک تر است.

متغیر های زبان شناختی : در زندگی روزمره، کلماتی را به کار می بریم که اغلب برای توصیف متغییرها استفاده می شوند.

به عنوان مثال هنگامیکه می گوییم " امروز سرد است " یا "دمای هوا امروز پایین است " از واژه " پایین " برای توصیف " دمای هوای امروز " استفاده کرده ایم، به این معنی که متغیر دمای هوای امروز واژه "پایین" را به عنوان مقدار خود پذیرفته است.

واضح است که متغیر " دمای هوای امروز " می تواند مقادیری نظیر˚3، ˚10-، ˚8-، ˚24و...

را اختیار کند.

هنگامیکه یک متغیر، اعداد را به عنوان مقدار بپذیرد ما یک چهارچوب ریاضی مشخص برای فرموله کردن آن داریم اما هنگامیکه متغیر واژه ها را به عنوان مقدار می گیرد در آن صورت چهارچوب مشخص برای فرموله کردن آن درتئوری ریاضیات کلاسیک نداریم.

در واقع در سیستم های عملی اطلاعات مهم از دو منبع سرچشمه می گیرند : یکی از منابع افراد خبره که دانش و آگاهیشان را در مورد سیستم با زبان طبیعی تعریف می کنند و منبع دیگر اندازه گیری ها و مدل های ریاضی هستند، که از قواعد فیزیکی مشتق شده اند .

بنابر این یک مساله مهم ترکیب این دو نوع اطلاعات در طراحی سیستم هاست.

برای انجام این ترکیب سوال کلیدی این است که چگونه می توانیم دانش بشری را به یک فرمول ریاضی تبدیل کنیم ؟

برای اینکه چنین چهارچوبی به دست آوریم مفهوم متغیر های زبانی تعریف شده است.

در صحبت های عامیانه اگر یک متغیر بتواند واژه هایی از زبان طبیعی را به عنوان مقدار بپذیرد یک متغیر زبان شناختی نامیده می شود.

برای فرموله کردن واژه ها در گزاره های ریاضی از مجموعه های فازی برای مشخص کردن واژه ها استفاده می کنیم و تعریف می کنیم: " اگر یک متغیر بتواند واژه هایی از زبان طبیعی را به عنوان مقدار خود بپذیرد آنگاه متغیر زبان شناختی نامیده می شود که واژه ها بوسیله مجموعه های فازی در محدوده ای که متغیر ها تعریف شده اند مشخص می گردد .

" پروفسور لطفی زاده در سال 1973 مفهوم زبان شناختی یا متغیر های فازی را ارائه داد.

در واقع یکی از ویژگی های منطق فازی در استفاده از ساختار قانون پایه منطق فازی است که در طی آن مسائل کنترلی به یک سری قوانین IF x And Y THEN z تبدیل می شوند که پاسخ گوی خروجی مطلوب سیستم برای شرایط ورودی داده شده به سیستم می باشد.

این قوانین ساده و آشکار برای توصیف پاسخ دهی مطلوب سیستم با اصطلاحاتی از متغییر های زبان شناختی به جای فرمول های ریاضی استفاده می شوند.