ساخت سیستم‌های ویدیویی که روی متنِ تابلوها در خیابان فوکوس می‌کنند

سخت‌افزار؛ ستون فقرات سیستم‌های بینایی ماشین

تا اینجا درباره مغز سیستم یعنی الگوریتم‌ها صحبت کردیم، اما بیایید روراست باشیم؛ حتی پیشرفته‌ترین مدل‌های هوش مصنوعی اگر روی یک دوربین ارزان‌قیمت یا یک پردازنده ضعیف نصب شوند، تبدیل به یک ابزار ناکارآمد می‌شوند. در دنیای واقعی، سخت‌افزار تعیین می‌کند که سیستم شما بتواند در سرعت ۱۰۰ کیلومتر بر ساعت متن را بخواند یا اینکه وقتی متوجه تابلوی «توقف» شود، ماشین شما همین حالا ۵۰ متر از آن رد شده باشد!

تصور کنید می‌خواهید یک میکروسکوپ بسازید. اگر لنز شما کدر باشد، هر چقدر هم که چشم شما تیزبین باشد، نمی‌توانید باکتری‌ها را ببینید. در سیستم‌های فوکوس روی متن تابلوها، لنز و سنسور همان چشم سیستم هستند. برای این کار، ما به دوربین‌هایی نیاز داریم که دارای Dynamic Range یا محدوده دینامیکی بالا باشند. چرا؟ چون در خیابان، شما همزمان با سایه‌های عمیق زیر پل‌ها و نور شدید خورشید روی تابلوها سر و کار دارید. دوربین‌های معمولی در این شرایط یا سایه‌ها را کاملاً سیاه می‌کنند یا نقاط روشن را می‌سوزانند (Overexposed)، اما دوربین‌های صنعتی با HDR بالا می‌توانند هر دو را به درستی ثبت کنند.

انتخاب لنز مناسب: میدان دید در برابر جزئیات

یکی از بزرگترین چالش‌های مهندسی در این سیستم‌ها، تضاد بین «میدان دید» (Field of View) و «تراکم پیکسل‌ها» است. اگر از یک لنز عریض (Wide-angle) استفاده کنیم، می‌توانیم کل خیابان و تمام تابلوهای اطراف را ببینیم، اما متن تابلوها در تصویر بسیار کوچک خواهند بود و پیکسل‌های کمی به آن‌ها اختصاص می‌یابد. در مقابل، اگر از لنز تله‌فوتو (Telephoto) استفاده کنیم، متن‌ها را با جزئیات خیره‌کننده می‌بینیم، اما میدان دید ما آنقدر محدود می‌شود که احتمالاً بسیاری از تابلوها را از دست می‌دهیم.

راهکار مدرن برای این مشکل، استفاده از سیستم‌های چنددوربینه (Multi-Camera Setup) است. در این مدل، یک دوربین عریض وظیفه «پایش کلی» محیط را بر عهده دارد. به محض اینکه الگوریتم تشخیص ناحیه (که در بخش‌های قبلی توضیح دادیم) یک تابلوی احتمالی را شناسایی می‌کند، سیستم دستور می‌دهد تا یک دوربین با رزولوشن بالاتر یا یک لنز متمرکزتر، روی آن نقطه خاص «زوم دیجیتال» یا فوکوس کند. این دقیقاً همان مکانیزم کاری چشم انسان است؛ ما ابتدا با دید محیطی متوجه وجود یک شیء می‌شویم و سپس نگاه‌مان را روی آن متمرکز می‌کنیم تا جزئیات را ببینیم.

متخصصان شرکت‌های پیشرو در حوزه سخت‌افزار مانند NVIDIA معتقدند که آینده این سیستم‌ها در ادغام سنسورهای لیدار (LiDAR) و دوربین‌های RGB است. لیدار با ارسال پالس‌های لیزری، فاصله دقیق تا تابلو را محاسبه می‌کند و این اطلاعات را به دوربین می‌دهد تا فوکوس لنز را در کسری از ثانیه تنظیم کند.

پردازش در لبه (Edge Computing)؛ خداحافظی با کلاود

یک اشتباه رایج در طراحی سیستم‌های ویدیویی این است که تصور کنیم می‌توانیم ویدیو را به یک سرور مرکزی بفرستیم، آنجا پردازش شود و پاسخ برگردد. در سناریوی رانندگی یا نظارت شهری، این کار به دلیل «تأخیر شبکه» (Latency) غیرممکن است. اگر سیستم بخواهد برای خواندن یک تابلوی هشدار، منتظر پاسخ سرور در یک شهر دیگر بماند، فاجعه رخ می‌دهد.

به همین دلیل است که مفهوم Edge Computing یا پردازش در لبه ظهور کرد. در این روش، تمام قدرت پردازشی (از جمله GPUهای کوچک اما بهینه) مستقیماً روی دستگاه یا داخل خودرو قرار می‌گیرد. این یعنی داده‌ها هرگز محیط سیستم را ترک نمی‌کنند و پردازش‌ها در همان لحظه ثبت تصویر انجام می‌شوند. این رویکرد نه تنها سرعت را افزایش می‌دهد، بلکه امنیت داده‌ها را نیز تضمین می‌کند زیرا ویدیوهای محیطی به فضای ابری ارسال نمی‌شوند.

بهینه‌سازی برای زبان‌های پیچیده (چالش زبان فارسی)

حالا بیایید وارد یک بحث حساس‌تر شویم. اکثر سیستم‌های OCR دنیا برای زبان انگلیسی طراحی شده‌اند. انگلیسی یک زبان «جدا-نویس» است؛ یعنی هر حرف یک جایگاه مشخص دارد و از چپ به راست می‌رود. اما زبان فارسی؟ ما با یک زبان «پیوسته-نویس» روبرو هستیم. در فارسی، حروف بسته به جایگاهشان در کلمه، تغییر شکل می‌دهند (مثلاً «ی» در ابتدای کلمه با انتهای آن متفاوت است) و همچنین داریم «نیم‌فاصله‌ها» و «اعراب» که تشخیص آن‌ها را برای ماشین دشوار می‌کند.

برای اینکه یک سیستم ویدیویی بتواند روی تابلوهای فارسی فوکوس کند و آن‌ها را بخواند، باید سه تغییر بنیادین در معماری نرم‌افزاری ایجاد کنیم:

• برش‌های افقی به جای عمودی: در انگلیسی، سیستم سعی می‌کند هر حرف را به صورت یک ستون جداگانه ببیند. در فارسی، سیستم باید بتواند «کلمات» را به عنوان یک واحد شناسایی کند و سپس با استفاده از مدل‌های پیچیده‌تر، نقاط اتصال حروف را تحلیل کند.
• مدیریت فونت‌های متنوع: تابلوهای خیابانی در ایران از فونت‌های مختلفی استفاده می‌کنند؛ از خطوط نستعلیق در تابلوهای تزیینی گرفته تا فونت‌های خشک صنعتی در تابلوهای راهنمایی و رانندگی. سیستم باید روی یک مجموعه داده (Dataset) عظیم از تمامی فونت‌های رایج شهری آموزش ببیند.
• تحلیل معنایی محلی: همان‌طور که قبلاً اشاره کردیم، مدل‌های احتمالی باید با جغرافیای منطقه آشنا باشند. مثلاً سیستم باید بداند که کلمه «میدان» در تابلوهای شهری بسیار رایج‌تر از کلمه «میدان‌دار» است.

اینجاست که تفاوت بین یک سیستم «آماده» و یک سیستم «سفارشی» مشخص می‌شود. استفاده از ابزارهای عمومی مثل Tesseract ممکن است برای اسکن یک سند اداری خوب باشد، اما برای خواندن تابلوی «خیابان شهید بهشتی» در یک عصر شلوغ تهرانی، شما به مدل‌های یادگیری عمیقی نیاز دارید که با داده‌های بومی آموزش دیده‌اند. اگر در حال توسعه پروژه‌ای هستید که نیاز به دقت بالا در محیط‌های واقعی دارد، پیشنهاد می‌کنم برای دستیابی به استانداردهای جهانی در پیاده‌سازی این مدل‌ها، از تیم فنی زیروکس کمک بگیرید تا از خطاهای رایج در پردازش زبان‌های راست‌به‌چپ جلوگیری کنید.

استراتژی‌های پیشرفته برای افزایش نرخ دقت (Accuracy)

حتی با داشتن بهترین سخت‌افزار و مدل‌های زبانی، باز هم احتمال خطا وجود دارد. در دنیای هوش مصنوعی، ما به دنبال «دقت ۱۰۰٪» نیستیم (چون تقریباً غیرممکن است)، بلکه به دنبال «کاهش نرخ خطا» هستیم. برای این کار از تکنیک‌هایی استفاده می‌شود که شبیه به روش‌های تاییدیه در دنیای واقعی است.

استفاده از تاییدیه متقاطع (Cross-Validation)

تصور کنید سیستم شما در فریم شماره ۱۰۰ کلمه «بلوار» را می‌خواند، در فریم ۱۰۱ کلمه «بلور» و در فریم ۱۰۲ دوباره «بلوار». یک سیستم احمق هر سه را به عنوان سه کلمه متفاوت ثبت می‌کند. اما یک سیستم هوشمند از Voting Mechanism یا مکانیسم رای‌گیری استفاده می‌کند. سیستم می‌گوید: «در سه فریم متوالی، دو بار کلمه بلوار تکرار شده است، پس احتمالاً کلمه درست همان بلوار است و فریم ۱۰۱ دچار نویز بوده است».

این روش باعث می‌شود که لرزش‌های کوچک دوربین یا تداخل‌های لحظه‌ای نوری، باعث ایجاد خطای متنی در خروجی نهایی نشوند. در واقع، سیستم به جای تکیه بر یک عکس، به یک «روند» (Trend) تکیه می‌کند.

یک روش دیگر، استفاده از Spatial Context یا زمینه مکانی است. سیستم می‌داند که تابلوهای راهنمایی و رانندگی معمولاً در ارتفاعات خاصی نصب می‌شوند و در فواصل مشخصی از یکدیگر قرار دارند. اگر سیستم ناگهان متنی را روی یک دیوار یا روی بدنه یک ماشین تشخیص دهد که شبیه تابلوی خیابان است، با بررسی موقعیت مکانی (Coordinates)، آن را به عنوان «داده پرت» (Outlier) شناسایی کرده و نادیده می‌گیرد.

در نهایت، برای رسیدن به بالاترین سطح کیفیت، از Active Learning استفاده می‌شود. در این روش، هرگاه سیستم در خواندن یک تابلو تردید می‌کند (مثلاً درصد اطمینانش زیر ۷۰٪ است)، آن تصویر را ذخیره کرده و برای یک اپراتور انسانی می‌فرستد. انسان تابلوی درست را می‌گوید و سیستم از این اشتباه درس می‌گیرد تا در دفعات بعدی همان تابلو را به درستی تشخیص دهد. این یک چرخه یادگیری مداوم است که باعث می‌شود سیستم هر روز 똑똑‌تر (هوشمندتر) شود.

آینده سیستم‌های بینایی؛ فراتر از خواندن ساده

اگر به عقب نگاه کنیم، شاید فکر کنیم که خواندن یک تابلوی خیابان کار ساده‌ای است، اما وقتی لایه‌های فنی را باز می‌کنیم، متوجه می‌شویم که ما در واقع در حال بازسازی حس بینایی انسان در قالب کدها و مدارها هستیم. اما سوال اینجاست: مقصد نهایی این تکنولوژی کجاست؟ آیا فقط می‌خواهیم بدانیم در کدام خیابان هستیم یا چیزی بزرگتر در راه است؟

ما در حال حرکت به سمت درک محیطی (Environmental Understanding) هستیم. نسل بعدی این سیستم‌ها دیگر فقط روی متن فوکوس نمی‌کنند، بلکه «معنای» متن را در بستر محیط تحلیل می‌کنند. تصور کنید سیستمی را داشته باشید که نه تنها تابلوی «محدوده مدارس» را می‌خواند، بلکه همزمان با تشخیص این متن، سرعت خودرو را کاهش داده، حساسیت ترمز را بالا می‌برد و دوربین‌های جانبی را برای شناسایی کودکان در حاشیه جاده فعال می‌کند. در اینجا، فوکوس روی متن، تنها نقطه شروع یک زنجیره از تصمیمات هوشمند است.

طبق پیش‌بینی‌های شرکت‌های پیشرو مانند Meta و Microsoft، ادغام مدل‌های زبانی بزرگ (LLMs) با سیستم‌های بینایی ماشین، باعث می‌شود که ماشین‌ها بتوانند تابلوهای غیررسمی یا حتی دست‌نویس را هم درک کنند. مثلاً اگر تابلویی در خیابان باشد که روی آن نوشته شده «راه بسته است، لطفاً از مسیر جایگزین بروید»، سیستم نه تنها متن را می‌خواند، بلکه مفهوم «مسیر جایگزین» را درک کرده و به طور خودکار مسیر جدیدی را در نقشه برای کاربر طراحی می‌کند.

چالش‌های اخلاقی و حریم خصوصی در دنیای فوکوس تصویری

با افزایش قدرت این سیستم‌ها، یک سوال جدی پیش می‌آید: مرز بین «راهنمایی هوشمند» و «نظارت سخت‌گیرانه» کجاست؟ وقتی سیستمی را می‌سازیم که می‌تواند هر تابلوی خیابانی، هر پلاک ماشینی یا هر نوشته‌ای را در محیط شهری با دقت میلی‌متری شناسایی و ثبت کند، در واقع ابزاری ساخته‌ایم که می‌تواند حریم خصوصی افراد را به شدت تحت تأثیر قرار دهد.

به همین دلیل است که در طراحی سیستم‌های مدرن، مفهومی به نام Privacy by Design مطرح شده است. یعنی سیستم باید طوری طراحی شود که فقط روی اطلاعات مورد نیاز (مثلاً تابلوهای راهنمایی) فوکوس کند و هرگونه داده حساس دیگر (مانند چهره افراد یا شماره تلفن‌های روی تابلوهای تبلیغاتی) را در همان لحظه پردازش، تار (Blur) یا حذف کند. این یعنی هوش مصنوعی باید یاد بگیرد که «چه چیزی را نبیند»، درست همان‌طور که یاد گرفته است «روی چه چیزی فوکوس کند».

نقشه راه برای پیاده‌سازی یک سیستم موفق

اگر شما در جایگاه یک مدیر پروژه، یک کارآفرین یا حتی یک علاقه‌مند به تکنولوژی هستید و می‌خواهید چنین سیستمی را پیاده کنید، نباید عجله کنید. ساخت یک سیستم بینایی ماشین که در دنیای واقعی (و نه در محیط آزمایشگاهی) کار کند، نیازمند یک استراتژی گام‌به‌گام است. بیایید این مسیر را به صورت یک چک‌لیست ساده مرور کنیم تا بدانید از کجا شروع کنید:

۱. تعریف دقیق هدف: آیا نیاز شما فقط خواندن متون استاندارد است یا باید بتوانید تابلوی کج، قدیمی و در نور کم را هم تشخیص دهید؟ هرچه دقت مورد نیاز بالاتر باشد، هزینه سخت‌افزاری و زمانی برای آموزش مدل افزایش می‌یابد.

۲. جمع‌آوری داده‌های واقعی: به جای استفاده از عکس‌های اینترنتی، به خیابان بزنید. هزاران عکس از تابلوها در ساعات مختلف شبانه‌روز و در شرایط آب و هوایی مختلف بگیرید. مدل شما به اندازه داده‌هایی که می‌بیند، هوشمند خواهد بود.

۳. انتخاب سخت‌افزار متناسب با سرعت: اگر سیستم شما قرار است روی یک وسیله متحرک نصب شود، حتماً روی پردازش در لبه (Edge Computing) سرمایه‌گذاری کنید. استفاده از دوربین‌های با شاتر جهانی (Global Shutter) را فراموش نکنید تا با تاری حرکتی مواجه نشوید.

۴. بهینه‌سازی برای زبان مقصد: اگر کاربر هدف شما فارسی‌زبان است، از مدل‌های OCR عمومی فاصله بگیرید و روی مدل‌هایی متمرکز شوید که ویژگی‌های خط فارسی و فونت‌های رایج شهری ایران را می‌شناسند.

۵. تست در شرایط سخت (Stress Testing): سیستم خود را در بدترین شرایط ممکن آزمایش کنید؛ در شدیدترین باران، در ترافیک سنگین و در نورهای خیره‌کننده. جایی که سیستم شما شکست می‌خورد، همان جایی است که بیشترین فرصت برای یادگیری و بهبود وجود دارد.

جمع‌بندی و گام نهایی

ساخت سیستم‌های ویدیویی که روی متن تابلوها فوکوس می‌کنند، در واقع سفری است از دنیای پیکسل‌های خام به دنیای معنای متنی. این تکنولوژی از ساده‌ترین کاربردها مثل راهنمای مسیر در اپلیکیشن‌های موبایل گرفته تا پیچیده‌ترین سیستم‌های خودروهای خودران، نقش حیاتی در ایمنی و بهره‌وری دنیای مدرن ایفا می‌کند. ما دیدیم که چگونه ترکیبی از لنزهای باکیفیت، پردازش‌های سریع در لبه و مدل‌های یادگیری عمیق می‌توانند چالش‌هایی مثل نور شدید، تاری حرکتی و پیچیدگی‌های زبان فارسی را پشت سر بگذارند.

اما حقیقت این است که دنیای هوش مصنوعی با سرعت نور در حال تغییر است. الگوریتم‌هایی که امروز پیشرفته‌ترین هستند، شاید سال آینده جای خود را به روش‌های بهینه‌تر بدهند. بنابراین، کلید موفقیت در این مسیر، داشتن یک تیم متخصص است که بتواند بین نیازهای تجاری شما و پیچیدگی‌های فنی تعادل برقرار کند و راهکارهایی ارائه دهد که هم کاربردی باشند و هم مقیاس‌پذیر.

اگر احساس می‌کنید ایده‌هایتان برای استفاده از بینایی ماشین در کسب‌وکارتان آماده است، اما نمی‌دانید چگونه از پیچیدگی‌های فنی عبور کنید یا به دنبال راهکاری هستید که دقیقاً با نیازهای بومی شما سازگار باشد، مسیر را سخت نکنید. شما می‌توانید همین حالا با مشاوره با تیم تخصصی زیروکس، چالش‌های فنی خود را به فرصت‌های رشد تبدیل کنید و سیستمی بسازید که با دقت و هوشمندی، دنیای اطرافش را می‌بیند و درک می‌کند.