ترغب بنشر مسار تعليمي؟ اضغط هنا

معالجة الصورة باستخدام الحوسبة التفرعية مبني على نظام راسبيري باي 3

Creating an OpenCV Application Raspberry Pi-Based Beowulf Cluster

2792   3   121   0.0 ( 0 )
 تاريخ النشر 2018
  مجال البحث الهندسة المعلوماتية
والبحث باللغة العربية
 تمت اﻹضافة من قبل حسام جنيدي




اسأل ChatGPT حول البحث

فكرة المشروع الأساسية هي إنشاء دليل عربي متكامل فيما يخص بناء حاسوب تفرعي أو ما يسمى حاسوب خارق باستخدام عدة عقد (راسبيري باي)، مع الخطوات التفصيلية والروابط اللازمة للعمل، بالإضافة إلى المشكلات والحلول المطلوبة، مع تطبيق مفهوم الحوسبة التفرعية والبرمجة التفرعية كذلك، وترسيخ الفكرة بتطبيق معالجة صورة (عد النجوم في صورة لوكالة ناسا)،

المراجع المستخدمة
Raspberrypi.org
https://help.ubuntu.com/community/MpichCluster
https://www.parallella.org/2015/05/25/how-the-do-i-program-the-parallella/
http://www.mathcs.emory.edu/~cheung/Courses/355/Syllabus/92-MPI/intro.html
https://wiki.archlinux.org/index.php/SSH_keys
قيم البحث

اقرأ أيضاً

مع دخولنا عصر الذكاء الصنعي فإن الحاجة لتجهيزات منزلية ذكية أضحى أمرا في غاية الأهمية لما يمكن ان تقدمه هذه التجهيزات من توفير الطاقة الكهربائية والموارد المائية التي تعتبر كنوزا على البشرية المحافظة عليها. بالاضافة لمساهمة هذه التجهيزات في حماية الب يئة. لذلك تم في بحثنا بناء غسالة اتوماتيكية تقوم بعملية الغسل بالاعتماد على حالة المابس ونوعيتها ودرجة اتساخها دون الأعتمار على برنامج محجج مسبقا. ولإنجاز هذه الغسالة الذكية قمنا بكتابة كود برمجي لمتحكم ضبابي من النمط الثاني, باستخدام لغة البرمجة بايثون حيث استقبل هذا المتحكم أربعة مداخل: الدخل الأول (لون الملابس), وتم الحصول عليه بالتقاط صورة للملابس المطلوب غسلها بوساطة كاميرا بدقة ٨ ميغابكسل وتم تحليلها باستخدام مكتبة OpenCV والدخل الثاني نوع الملابس وتم تحديده بالاعتماد على خوارزمية تمييز الأنماط المحلية Local Binary Pattern وهي خوارزمية لمعالجة الصورة الرقمية تستخدم بشكل واسع لتمييز الاشكال التي تتبع نمط وبنية محددة, والدخل الثالث درجة الاتساخ والدخل الرابع وزن الغسيل.
تم بناء نظام استرجاع لصور الطرح الرقمي للأوعية الدموية الدماغية ثنائية الأبعاد اعتماداً على المحتوى. يقوم النظام بإيجاد صور في قاعدة بيانات لصور الطرح الرقمي للأوعية الدموية الدماغية (حالة أمهات الدم الكيسية) ذات محتوى مشابه لصورة استعلام معينة و است رجاعها. تمت عملية الاستعلام عن طريق استخلاص خصائص الشكل البصرية لأمهات الدم في صورة الاستعلام و صياغتها في متجه خصائص و مقارنة مكوناته مع متجهات خصائص الشكل لأمهات الدم في صور الطرح الرقمي للأوعية الدموية الموجودة في قاعدة البيانات. تم قياس التشابه باستخدام المسافة الاقليدية، و من ثم استرجاع الصور التي لها محتوى مشابها لصورة الاستعلام. تم حساب الدقة بإيجاد نسبة مساحة أم الدم في الصور المسترجعة الأولى إلى مساحة أم الدم في صورة الاستعلام لثمان حالات استعلام تم تنفيذها، بلغت قيمة متوسط الدقة 98%، تبين النتائج أنَّه يمكن استخدام النظام المنفذ لاسترجاع الصور اعتماداً على المحتوى لإيجاد المساحة غير المعلومة لأم الدم من قاعدة بيانات لصور أمهات الدم تكون فيها مساحة أم الدم فيها معلومة.
في السنوات الأخيرة نمت مشكلة تصنيف الكائنات في الصّور نتيجة لمتطلبات القطاع الصناعي.على الرّغم من تعدد التقنيات المستخدمة للمساعدة في عملية التصنيف SIFT Scale Invariant Feature Transforms، ORB Oriented Fast And Rotated Brief , SURF Speed Up Robust Features، إضافة لشبكات التعلم العميق Deep Learning Neural Network DNN والشبكات العصبونية الالتفافية Convolutional Neural Network CNN، فإن الأنظمة المقترحة لمعالجة هذه المشكلة تفتقر للحل الشّامل للصعوبات المتمثلة بوقت التّدريب الطّويل والذاكرة العائمة أثناء عملية التدريب، وانخفاض معدّل التصنيف. تعتبر الشبكات العصبونية الالتفافيةConvolutional Neural Networks (CNNs) من أكثر الخوارزميات استخداما لهذه المهمة، فقد كانت نموذجا حسابيا لتحليل البيانات الموجودة في الصور. تم اقتراح نموذج شبكة التفافية عميقة جديد لحل المشاكل المذكورة أعلاه. يهدف البحث إلى إظهار أداء نظام التّعرف باستخدام شبكاتCNNs على الذّاكرة المتاحة وزمن التدريب وذلك من خلال منهجة متغيرات مناسبة للشبكة العصبونية الالتفافية. قاعدة البيانات المستخدمة في هذا البحث هي CIFAR10 المكونة من60000 صورة ملونة تنتسب لعشرة أصناف، حيث أن كل 6000 صورة تكون لصنف من هذه الأصناف. يوجد 50000 صورة للتدريب و 10000 صورة للاختبار. حقق النموذج لدى اختباره على عينة من الصور المنتقاة من قاعدة البيانات CIFAR10 معدل تصنيف 98.87%.
يقدم البحث دراسة لأنواع التشوه الدائري (Radial Distortion) الناتج عن الكاميرات الرقمية، مثل التشوه التحدبي (Barrel Distortion) و التشوه التقعري (Pincushion Distortion). تم استخدام توابع MATLAB الخاصة بتقنيات معالجة الصورة لتصحيح التشوه التحدبي النات ج عن العدسات المتسعة الزاوية (wide angle lenses) للكاميرات الرقمية، حيث تم إيجاد نموذج رياضي يعبر عن التشوه التحدبي، و وضع خوارزمية لتصحيح هذا التشوه، تعتمد الخوارزمية على إيجاد القيم الدقيقة لبارامترات المعادلة التي تعبر عن التشوه، و مقارنة الصورة بنموذج الشبكة القياسي لتحديد البيكسلات المسببة للتشوه في الصورة و إعادتها إلى مكانها الصحيح، للحصول في النهاية على صورة مصححة أقرب ما تكون إلى الصورة الحقيقية.
يقدم البحث - تصميم نموذج مخبري لأتمتة اربع عقد مرورية باستخدام معالجة الصورة - مقترحا لنظام مروري مؤتمت مرئيا , وذلك بتنظيم عمل عقدة مرورية اعتمادا على المعالجة الرقمية لصور اربع كاميرات مركبة على التقاطع,ما يخدم عمليات تنظيم السير بشكل أق رب للمثالية ، بحيث يتم تخفيف الاختناقات المرورية، التي قد تسبب مشاكل عديدة، منها هدر الوقت والتأخير عن المواعيد. يحاول البحث الارتقاء بالعملية التنظيمية لسير العربات والمركبات والسيارات، إذ يقدم طريقة فعالة لأتمتة إشارات المرور والتي تعتمد على حساب كثافة السيارات الموجودة في كل شارع من خلال عمليات معالجة الصور الواردة من تلك الشوارع إلى الحاسوب المركزي، الذي يصدر بدوره الأوامر المناسبة من تمرير أوإيقاف لمتحكمات العقدة المرورية، حيث تقوم الأخيرة بتشغيل وإطفاء المصابيح اللونية المناسبة، بمعنى آخر تقوم بتنفيذ الأوامر الواردة إليها. يتضمن هذا البحث تطبيق ا عملي ا لتقنيات معالجة الصورة من أجل حساب كثافة السيارات الموجودة في كل شارع، ويحتوي تطبيق عملي للمتحكمات المصغرة في مجال أتمتة وقيادة إشارات المرور، وكذلك تجسيد من أجل تحقيق الترابط الشبكي النجمي ،USART عملي لوحدة الاتصال التسلسلية المتزامنة وغير المتزامنة بين متحكمات العقد المرورية مع المعالج المركزي، إضافة إلى تطبيق عملي للكاميرات الرقمية من أجل تحصيل الصور الرقمية منها لإجراء المعالجة عليها وتطبيق تقنيات معالجة الصورة لحساب كثافة السيارات وتحديد كمية السيارات في كل شارع من أجل اتخاذ القرار المناسب لفتح وإغلاقالإشارة المرورية بحيث يتم تحقيق مرور أكبر عدد ممكن من السيارات في شوارع محدودة الحجم. تم حساب الأطياف اللونية لكل صورة ثم إيجاد الفرق بينها وبين صورة الشارع، وهو خال من السيارات من أجل حساب مصفوفة الفوارق اللونية، وبالتالي حساب كثافة السيارات المتواجدة في كل شارع.

الأسئلة المقترحة

التعليقات
جاري جلب التعليقات جاري جلب التعليقات
سجل دخول لتتمكن من متابعة معايير البحث التي قمت باختيارها
mircosoft-partner

هل ترغب بارسال اشعارات عن اخر التحديثات في شمرا-اكاديميا