فلش‌کارت‌های آموزشی بینایی ماشین: تشخیص اشیا و پردازش تصویر

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره بینایی ماشین: تشخیص اشیا و پردازش تصویر

موضوع کلی: فناوری اطلاعات و سخت‌افزار رایانه

موضوع میانی: هوش مصنوعی

📋 سرفصل‌های دوره

• 1. مفاهیم پایه بینایی ماشین و تفاوت با بینایی کامپیوتری
• 2. تاریخچه و کاربردهای صنعتی تشخیص اشیا و پردازش تصویر
• 3. ساختار تصویر دیجیتال: پیکسل، کانال و عمق رنگ
• 4. فضاهای رنگی: RGB، Grayscale، HSV، LAB و YCbCr
• 5. عمليات پایه تصویر: تغییر اندازه، برش و جستجوی مناطق
• 6. تبدیلات هندسی: چرخش، مقیاس‌دار، افین و پروسپکتیو
• 7. نویز در تصویر و روش‌های حذف نویز
• 8. فیلتر گوسی و بلورینگ برای پیش‌پردازش
• 9. تشخیص لبه با اپراتورهای Sobel و Prewitt
• 10. تشخیص لبه با الگوریتم Canny
• 11. مورفولوژی ریاضی: دایم، Arrosion، باز و بسته کردن
• 12. هیستوگرام تصویر و تحلیل توزیع شدت پیکرها
• 13. تقویت کنtrast و equalization هیستوگرام
• 14. باینری‌سازی و روش‌های thresholding
• 15. thresholding انطباقی (Adaptive Thresholding)
• 16. بخش‌بندی تصویر (Segmentation) با روش منطقه‌ای
• 17. الگوریتم watershed برای جداسازی اشیا لびま
• 18. تشخیص ویژگی‌ها: زاوية، حاشیه و بلوب
• 19. تشخیص زاوية با Harris و Shi-Tomasi
• 20. ویژگی‌های SIFT و استخراج کلیدpunten
• 21. ویژگی‌های SURF و ORB برای لحظه‌ای بودن
• 22. تطابق ویژگی‌ها و محاسبه Homography
• 23. استخراج ویژگی TEXTURE و رنگ برای دسته‌بندی
• 24. پایگاه شبکه‌های عصبی convoolutionی (CNN)
• 25. لایه‌های کانولوشن، pooling و batch normalization
• 26. معماری LeNet و AlexNet در بینایی ماشین
• 27. شبکه‌های VGG و ResNet برای استخراج ویژگی
• 28. آموزش CNN از ابتدا و انتقال یادگیری (Transfer Learning)
• 29. روش‌های کلاسیک تشخیص اشیا: Sliding Window و Selective Search
• 30. معماری R-CNN و Fast R-CNN
• 31. فست R-CNN و شبکه پیشنهاد منطقه‌ای (RPN)
• 32. معماری YOLO نسخه ۱ و ۲
• 33. معماری YOLO نسخه ۳ و ۴
• 34. معماری YOLO نسخه ۵ و ۸
• 35. SSD: تشخیص چندگانه Shot با باکس‌های پیش‌تعریف‌شده
• 36. RetinaNet و تابع ضرر Focal Loss
• 37. EfficientDet و بهینه‌سازی شبکه تشخیص
• 38. Maske R-CNN و segmentation مثالی (Instance Segmentation)
• 39. Segmentation معنایی با FCN و U-Net
• 40. Segmentation پانورمیک (Panoptic Segmentation)
• 41. جمع‌آوری و annotating داده‌های بینایی ماشین
• 42. ابزارهای برچسب‌گذاری باکس (LabelImg، CVAT)
• 43. افزایش داده (Data Augmentation) در پردازش تصویر
• 44. پیش‌پردازش تصویر برای شبکه‌های CNN
• 45. توابع ضرر در تشخیص اشیا: IoU، GIoU، DIoU، CIoU
• 46. معیارهای ارزیابی: mAP، دقت، بازیابی و IoU
• 47. آموزش مدل تشخیص اشیا روی داده سفارشی
• 48. بهینه‌سازی استنباط (Inference) برای اجرا در زمان واقعی
• 49. کوانتیزاسیون و برش مدل‌های بینایی ماشین
• 50. ردیابی اشیا با SORT و DeepSORT
• 51. فیلتر کالمان در ردیابی تصویر
• 52. پردازش ویدیو و استخراج فریم‌های کلیدی
• 53. تشخیص چهره و نقاط مرجع (Landmark)
• 54. تشخیص پلاک خودرو (ANPR)
• 55. پردازش تصویر در شرایط نور ضعیف و شب
• 56. ماشین بینایی صنعتی و تشخیص عیب محصول
• 57. رؤیت رباتیک و مبانی SLAM
• 58. توضیح‌پذیری شبکه‌های CNN با Grad-CAM
• 59. حمل مدل‌ها بر روی دستگاه‌های Edge (Jetson، Raspberry Pi)
• 60. استفاده از TensorFlow Lite و ONNX برای استقرار
• 61. ساخت پلاين کامل پروژه بینایی ماشین
• 62. جستجوی تصویر مشابه بر اساس محتوای تصویر (CBIR)
• 63. تشخیص حرکات و شناسه gesture در تصویر
• 64. تحلیل چهره و Detecting احساسات (Expression Recognition)