https://virgool.io/feed/@ROBOTS-and-AL مدیر و متخصص سئو، طراح سایت، دیجیتال مارکتینگ، مهارت در برنامه نویسی ASP.NET، وردپرس، #c , پایتون , دانشجوی دکترای هوش مصنوعی و رباتیکز و علاقه مند به نویسندگی و تولید محتوا fa 2026-04-15 01:19:47 https://files.virgool.io/upload/users/55422/avatar/Vyohnc.png?height=120&width=120 https://virgool.io/@ROBOTS-and-AL https://virgool.io/dataio/%D8%A7%D9%85%D9%86-%D9%86%D9%87-%D9%81%D9%82%D8%B7-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AE%D8%A7%D9%86%D9%87-%D9%87%D8%A7%DB%8C-%D9%87%D9%88%D8%B4%D9%85%D9%86%D8%AF-dflkq43ompky سیستم هشداردهنده مبتنی بر هوش مصنوعی و یادگیری ماشین توسط شرکت infineon ساخته شد با این تفاوت که دقت بالاتر و عملکرد بهتر با توان مصرفی کمتر و باطری با طول عمر بیشتر دارد. چکیده:سیستم هشداردهنده هوشمند با استفاده از هوش مصنوعی و الگوریتم یادگیری ماشین و کاربرد همزمان دو سنسور صوتی و سنجش فشار هوای داخل اتاق ، قادر به حفظ امنیت خانه های هوشمند، ادارات، مناطق سرپوشیده امنیتی دیگر شود. برای درک بهتر این سیستم میتوان مثالی زد. تصور کنید که اتاقی مجهز به سیستم هشداردهنده هوشمند است و ناگهان از بیرون به منظور سرقت شیشه پنجره شکسته می شود ، از آنجایی که این سیستم دارای سنسور صوتی و میکروفن نیز هست صدای شکستن شیشه را دریافت میکند . همچنین هر اتاق در بسته ای دارای یک فشار هوای ثابت است با شکسته شدن شیشه، فشارهوای داخل اتاق نیز تغییر ناگهانی خواهد داشت. از سیگنال های جمع آوری شده ناشی از صدای شیشه شکسته و تغییر فشار هوای داخل اتاق ، سیستم اقدام به تشخیص نفوذ میکند و میتواند با آلارم هشدار به کاربر اطلاع رسانی کند.خانه های هوشمند مبتنی بر هوش مصنوعی و یادگیری ماشینطراحی آن از دقت تشخیص سیستم های صوتی که امروزه در ساختمان ها و خانه های هوشمند و سایر برنامه های اینترنت اشیا (IOT) فراتر رفته است.در مونیخ واقع در کشور آلمان در تاریخ 28 ژوئن 2022، شرکت infineon موفق به ساخت سیستم هشداردهنده هوشمند (SAS) شد که خود دارای باتری با طول عمری حدود 4 تا 6 سال است. فناوری با استفاده از سیستم های حسگر مبتنی بر هوش مصنوعی (AI) و یادگیری ماشین (ML) ساخته شده است و قادر به تشخیص رویدادهای صوتی کم مصرف نیز هست که در ادامه به فواید و مزایای دیگر این سیستم نسبت به دیگر مدل های مشابه اشاره خواهیم کرد.همانطور که می دانید راه حل های امنیتی فعلی خانه ها برای تشخیص اتفاقاتی مانند شکستن شیشه خیلی قابل اعتماد نیستند. سیستم هشداردهنده هوشمند این شرکت برای تشخیص بهتر و کاهش آلارم های مزاحم از میکروفن های آنالوگ XENSIV™ MEMS با نسبت سیگنال به نویز (SNR) Infineon IM73A135V01 و سنسور فشار دیجیتال XENSIV DPS310 و میکروکنترلر PSoC™ 62 استفاده کرده است و علاوه بر اینها از الگوریتم نرم افزاری حسگر استفاده می کند.این الگوریتم نرم افزاری با استفاده از یادگیری ماشین، داده های سنسور صوتی و فشار را برای تمایز دقیق بین صداهای تیز داخل خانه و رویدادهای ترکیبی که شامل صوت و فشار است را دریافت کرده و آموزش می دهد.تا پیش از این، اختراع ترکیب دو فاکتور یعنی فشار و صوتی با این کارآمدی وجود نداشت. همچنین این الگوریتم قادر به حذف بسیاری از صداهای پس زمینه یا فشار پس زمینه که ممکن بود به دلیل شباهت، به اشتباه تشخیص داده شوند، است.یادآوری: در یادگیری ماشین عملیاتی به نام پیش پردازش وجود داشت که می توانست کارهایی مانند حذف نویز و نرمال سازی داده ها را انجام دهد.اگر بخواهیم شمای کلی از سیستم هشداردهنده به نمایش بگذاریم بهتر است به شکل زیر توجه کنید:سیستم هشداردهنده هوشمند در واقع راه حل امنیتی پیشرفته که این سیستم اتخاذ کرده استفاده از ریزپردازنده های Infineon PSoCTM و XENSIV™ است که محافظت بهتری برای خانه‌ها و مشاغل ایجاد می کند.سیستم چندلایه SAS نیز از داده های میکروفون های XENSIV و سنسورهای فشار هوا به همراه فناوری تشخیص رویداد صوتی (AED) و توسط الگوریتم های حسگرهایی که روی خانواده ریزپردازنده PSoCTM متمرکزند، اجرا می شوند .الگوریتم های هوش مصنوعی پیشرفته به کار رفته که در اصل همان الگوریتم های یادگیری ماشین است کار مدیریت رویدادها را برعهده دارد. این الگوریتم ها می توانند اتفاقات صوتی ، فشاری درون اتاق و یا ترکیبی از این دو رویداد را تحلیل کنند . مهمترین خلاقیتی که این طرح داشته است این بود که در حالت فیوژن سنسور، هر دو سنسور( فشار و صوت) باید همزمان فعال شوند تا زنگ هشدار به صدا در بیاید. به همین خاطر این سیستم قوی تر از نمونه های مشابه دیگر است . این سیستم می تواند صداهای مختلف خانه یا نویز پس زمینه حاصل از فضای محیط و یا فیلم و یا سایر منابع صدای مزاحم دیگر را با کمک الگوریتم یادگیری ماشین از داده های اصلی جدا کند و سپس به تشخیص با دقت بالا دست یابد.در واقع سیستم چند لایه SAS سه رویداد را پشتیبانی می کند که عبارتند از :شکستن شیشه: هنگامی که شیشه پنجره یا در شکسته می شود، الگوریتم شدت های طیف فرکانس را استخراج می کند. در عین حال الگوی اصلی تغییر فشار در داخل اتاق را نیز به تصویر می کشد. نرم افزار فیوژن سنسور ، خروجی ها را همگام می کند و زنگ شکستگی شیشه را راه اندازی می کند.مزاحم: وقتی همه پنجره ها و درها بسته هستند، فشار ثابتی در داخل اتاق وجود دارد . بازکردن یا بستن یک پنجره یا در باعث تغییر فشار در اتاق می شود. هر رویداد فشاری یک امضای منحصر به فرد محسوب می شود. بنابراین با باز و بسته کردن در یا پنجره باعث ایجاد زنگ هشدار ورود مزاحم می شود.آشکارساز دود و آشکارسازهای منوکسید کربن: از سیستم SAS می توان برای اطلاع دادن به کاربران هنگام فعال شدن این آلارم استفاده کرد. علاوه بر این می توان از AED برای صرفه جویی در توان عملیاتی استفادهکرد. در این حالت سیستم هشدار را می توان در حالت کم مصرف قرار داد و فقط در رویدادهای صوتی کلیدی مانند صدای شکستن شیشه فعال قرار داد. این کار به همراه عملکرد خواب عمیق میکروکنترلر PSoC6 این امکان را برای عملکرد باتری و عمر باتری فراهم می کند.همچنین سنسورها مبتنی بر فناوری سیستم هشدار هوشمند می تواند در اتقا معمولی نیز کار کند.خلاصه ای از فواید سیستم هشداردهنده هوشمند :آلارم کاذب کمترعمر مفید باتری حدود 5 سالتشخیص نفوذ دزدگیر هوشمند خانه و اداراتتشخیص شکستن شیشه در و پنجره تشخیص هشدار دود و مونوکسید کربن قابلیت تنظیم حساسیت برای اندازه های مختلف اتاقنشانگر LED اختیاری برای رویداد تشخیص دارای میکروفن و سنسور فشار و هماهنگی این دو سنسورتشخیص و تنظیم زنگ و آلارم به صورت اختیاری همه موارد ذکر شده حاکی از این است که یک سیستم هشداردهنده مبتنی بر هوش مصنوعی و یادگیری ماشین شرکت infineon می تواند جایگزین چندین سنسور که امروزه همین کارها را به صورت مجزا انجام می دهند ، شوند.ویژگی های کلیدی :طراحی فیوژن سنسور برای دقت بالاعملکرد سنسورهای مستقل از باتری محافظت در برابر نفوذ و غیره طراحی شده بر اساس الگوریتم هوش مصنوعی و یادگیری ماشین برای تشخیص شکستن شیشه ، تشخیص نفوذ و آلارم هایی که در حال آموزش با استفاده از داده های واقعی در محیط های واقعی هستند، می باشند.پوشش بزرگ تا 50 متر مربعمیزان دقت ها :- دقت تشخیص شکستگی شیشه : 99 %- دقت تشخیص نفوذ: 96%برای دیدن ویدیوی تست سیستم هشداردهنده هوشمند می تواند به آی دی تلگرام‌ kapitanseo@مراجعه کنید. مهندس نسرین جمشیدی صالح مهندس نسرین جمشیدی صالح Sat, 02 Jul 2022 20:44:37 +0430 https://virgool.io/dataio/%D8%B4%D8%A8%DB%8C%D9%87-%D8%B3%D8%A7%D8%B2%DB%8C-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-pagerank-%DA%AF%D9%88%DA%AF%D9%84-%D8%A8%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%DA%A9%D8%AF%D9%87%D8%A7%DB%8C-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-qc4yjhvtw1lh چگونه گوگل به صفحات سایت رتبه می دهد ؟شبیه سازی الگوریتم pagerank با کدنویسی پایتونشاید بارها از خودتان سوال کرده باشید که چطور گوگل با سرچ کلمه ای ، سایت های مرتبط با آن کلمه را به ترتیب به کاربر نمایش می دهد. اینکه لینکی از سایتی در خط اول گوگل باشد و یا در خط 10 صفحه اول گوگل بر چه اساسی است؟! این سوال را گاهی از متخصصان سئو هم پرسیده می شود.یکی از قدیمی ترین الگوریتم های گوگل، الگوریتم PageRank است . این الگوریتم سایت ها را بر اساس پربازدیدتر بودن، رتبه بندی میکند و سایت هایی که رتبه بیشتری کسب کرده باشند و به عبارتی بازدید آنها بیشتر بوده باشد در رتبه بالاتر و به طبع در خط اول و صفحه اول گوگل نمایان می شود.همانطور که می دانید این روزها زبان برنامه نویسی پایتون بسیار رواج یافته است. در این مقاله قصد داریم با یک مثال ساده و کدنویسی پایتون، الگوریتم PageRank گوگل را شبیه سازی کنیم.تصور کنید که قصد داریم پنج صفحه ( لینک یا آدرس سایت) را بر اساس پربازدیدترین انتخاب کرده و به آنها رتبه و امتیاز دهیم و این کار را به کمک روش مونت کارلو و با تکرار یک میلیون بار انجام می دهیم . استفاده از روش مونته کارلو و استفاده از تکرار زیاد به ما کمک می کند که جواب دقیقتری به دست بیاوریم.همانطور که گفتیم تصور کنید پنج تا صفحه داریم و احتمال اینکه کاربر بر روی هر کدام از لینک ها و صفحه ها کلیک کند یک پنجم است ( این یک فرض است و از نظر سئو هیچ گاه کاربری با احتمال برابر لینک ها را انتخاب کند و همیشه هر کاربری بر اساس میزان دانش و اینکه که دنبال دقیقا چی می باشد بر روی بعضی لینک ها با احتمال بیشتری کلیک خواهد کرد.)همانطور که در کدهای زیر می بینید دو تا ماتریس ایجاد کردیم که اولین ماتریس ، یک ماتریس 5*5 است . این ماتریس ارتباط هر صفحه با صفحه دیگر را نمایش می دهد. مثلا می گوید که صفحه یک با صفحه دو ارتباط دارد و وصل شده است. چطور؟!! ( از طریق لینک داخلی: یعنی لینک صفحه دو در صفحه یک قرار دارد) . ماتریس دوم درجه و رتبه هر صفحه را مشخص میکند که یک ماتریس 1*5 است.شبیه سازی الگوریتم PageRank گوگلحال فرض کنید که 90 درصد مواقع از لینک های خروجی استفاده می کنیم ، 10 درصد مواقع یک صفحه کاملا تصادفی انتخاب می کنیم .( تعداد صفحات وب n است. احتمال انتخاب هر صفحه n /1 ام است . یک دهم ضرب در 1/nام می شود.)و در ادامه خواهیم داشت :ادامه شبیه سازی الگوریتم PageRank گوگل به زبان پایتوناین مقاله امکان دارد بهبود یابد ، لطفا من را در کانال kapitanseo@ دنبال کنید.منبع: youtube/Dr.razavi مهندس نسرین جمشیدی صالح مهندس نسرین جمشیدی صالح Wed, 27 May 2020 00:23:04 +0430 https://virgool.io/@ROBOTS-and-AL/%D8%B4%D8%A8%DB%8C%D9%87-%D8%B3%D8%A7%D8%B2%DB%8C-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-pagerank-%DA%AF%D9%88%DA%AF%D9%84-%D8%A8%D8%A7-%D8%A7%D8%B3%D8%AA%D9%81%D8%A7%D8%AF%D9%87-%D8%A7%D8%B2-%DA%A9%D8%AF%D9%87%D8%A7%DB%8C-%D9%BE%D8%A7%DB%8C%D8%AA%D9%88%D9%86-bcs6m1o4afyo چگونه گوگل به صفحات سایت رتبه می دهد ؟شبیه سازی الگوریتم pagerank با کدنویسی پایتونشاید بارها از خودتان سوال کرده باشید که چطور گوگل با سرچ کلمه ای ، سایت های مرتبط با آن کلمه را به ترتیب به کاربر نمایش می دهد. اینکه لینکی از سایتی در خط اول گوگل باشد و یا در خط 10 صفحه اول گوگل بر چه اساسی است؟! این سوال را گاهی از متخصصان سئو هم پرسیده می شود.یکی از قدیمی ترین الگوریتم های گوگل، الگوریتم PageRank است . این الگوریتم سایت ها را بر اساس پربازدیدتر بودن، رتبه بندی میکند و سایت هایی که رتبه بیشتری کسب کرده باشند و به عبارتی بازدید آنها بیشتر بوده باشد در رتبه بالاتر و به طبع در خط اول و صفحه اول گوگل نمایان می شود.همانطور که می دانید این روزها زبان برنامه نویسی پایتون بسیار رواج یافته است. در این مقاله قصد داریم با یک مثال ساده و کدنویسی پایتون، الگوریتم PageRank گوگل را شبیه سازی کنیم.تصور کنید که قصد داریم پنج صفحه ( لینک یا آدرس سایت) را بر اساس پربازدیدترین انتخاب کرده و به آنها رتبه و امتیاز دهیم و این کار را به کمک روش مونت کارلو و با تکرار یک میلیون بار انجام می دهیم . استفاده از روش مونته کارلو و استفاده از تکرار زیاد به ما کمک می کند که جواب دقیقتری به دست بیاوریم.همانطور که گفتیم تصور کنید پنج تا صفحه داریم و احتمال اینکه کاربر بر روی هر کدام از لینک ها و صفحه ها کلیک کند یک پنجم است ( این یک فرض است و از نظر سئو هیچ گاه کاربری با احتمال برابر لینک ها را انتخاب کند و همیشه هر کاربری بر اساس میزان دانش و اینکه که دنبال دقیقا چی می باشد بر روی بعضی لینک ها با احتمال بیشتری کلیک خواهد کرد.)همانطور که در کدهای زیر می بینید دو تا ماتریس ایجاد کردیم که اولین ماتریس ، یک ماتریس 5*5 است . این ماتریس ارتباط هر صفحه با صفحه دیگر را نمایش می دهد. مثلا می گوید که صفحه یک با صفحه دو ارتباط دارد و وصل شده است. چطور؟!! ( از طریق لینک داخلی: یعنی لینک صفحه دو در صفحه یک قرار دارد) . ماتریس دوم درجه و رتبه هر صفحه را مشخص میکند که یک ماتریس 1*5 است.شبیه سازی الگوریتم PageRank گوگلحال فرض کنید که 90 درصد مواقع از لینک های خروجی استفاده می کنیم ، 10 درصد مواقع یک صفحه کاملا تصادفی انتخاب می کنیم .( تعداد صفحات وب n است. احتمال انتخاب هر صفحه n /1 ام است . یک دهم ضرب در 1/nام می شود.)و در ادامه خواهیم داشت :ادامه شبیه سازی الگوریتم PageRank گوگل به زبان پایتوناین مقاله امکان دارد بهبود یابد ، لطفا من را در کانال kapitanseo@ دنبال کنید. منبع: youtube/Dr.razavi مهندس نسرین جمشیدی صالح مهندس نسرین جمشیدی صالح Sun, 24 May 2020 17:25:14 +0430 https://virgool.io/@ROBOTS-and-AL/%DA%A9%D8%A7%D8%B1%DA%AF%D8%A7%D9%87%D8%A7%D9%86-%D8%B3%D8%A6%D9%88%DA%A9%D8%A7%D8%B1-%DA%A9%D9%84%D8%A7%D9%87-%D8%AE%D8%A7%DA%A9%D8%B3%D8%AA%D8%B1%DB%8C-hvpfbuojczdm آیا تا به حال دقت به کاراکترهای سینمایی خارجی و داخلی کرده اید؟ کاراکترهایی که در عصر خود نوظهور و منحصر به فرد بودند ؟کاراکترهایی همچون شرلوک هلمز، خانم مارپل ، هرکول پوآرو و ...کاراگاهان سئوکار کلاه خاکستریوجه اشتراک ظاهریشان چیست؟ بله حق با شماست. همگی آنها کلاه داشتند.ظاهر آنها و نوع پوششان ، آنها را مرموزتر و تیزبین تر و باهوش تر نشان می داد.زیباترین لحظه زمانی بود که کاراگاهی چون هرکول پوآرو قصد داشت پرده از راز پنهان یک قتل بردارد. زمانی که هرکول پوآرو به عنوان یک کاراگاه با آن ظاهر و کلاه اش همه را متحیر نبوغ خود می کرد .یا کسی مثل شرلوک هلمز در زمان هایی که قصد داشت در طبیعت و جاهای دیگر به پژوهش و تحقیق بپردازد ، کلاه خاکستری می گذاشت.کاراگاهان سئوکار کلاه خاکستریاما چرا از میان تمام رنگ ها، رنگ خاکستری را انتخاب کردند؟رنگ خاکستری کلاه از نگاه روانشناسی می توان نشان عقلانیت باشد . تمامی کارگردان های این نوع فیلم ها قصد داشتند که کاراگاهان خود را نابغه هایی نمایش دهند که بسیار عاقل و دانا است.هنگامی که شرلوک هلمز با روش های غیرمتعارف خود اما نه غیرقانونی و بزه کارانه، پی به ماجرای مرموز قتلی می برد و یا اینکه خانم مارپل با روش کاملا قانونی ولی غیرمتعارف با سه خواهر در یک منزل ویلایی بزرگ برای مدتی اقامت می کند و جان خود را برای کشف حقیقت به خطر می اندازد می توان پی به این داستان برد که روش کلیه این کاراگاهان یک چیز است .کارگاهان سئوکار کلاه خاکستریاما چرا مردمان آن روزگار به سراغ کاراگاهِ تجسس می رفتند و به سراغ پلیس نمی رفتند؟؟پلیس آن زمان وظیفه ای جز عمل کردن در چارچوب قوانین تعریف شده نداشت و باید از راه درست و قانونی به حقیقت دست پیدا می کرد در حالیکه که گاهی پرونده ها با روش های معمول و قانون تعریف شده به هدف نمی رسیدند و یا اینکه برای رسیدن به نتیجه، مستلزم صرف زمانی طولانی داشت . اما این کاراگاهان اینگونه نبودند و گاهی کارهایشان برای کشف حقیقت ، متعارف نبوده است و با روش های خود در کشف حقیقت بسیار سریعتر از پلیس ها به جواب معما می رسیدند.شاید به خاطر داشته باشید که در سریال هرکول پوآرو فردی به عنوان پلیس بود که خیلی هم با هرکول پوآرو خوب نبود ، می دانید چرا ؟!!. چون هرکول پوارو همیشه سریعتر از او معمای جنایت را کشف می کرد.کاراگاهان سئوکار کلاه خاکستریحال اگر پلیس را سئوی کلاه سفید یک سایت در نظر بگیریم و کاراگاهانی چون مارپل، شرلوک و پوآرو و ... را سئوی کلاه خاکستری در نظر بگیریم ، متوجه عملکرد سئوی کلاه سفید و سئوی کلاه خاکستری برای سایت ها خواهید شد.در صورتی که گوگل متوجه فعالیت های مشکوک باشد، آن سایت را جریمه می کند ولی اگر یک سئوکار از روش های نه چندان متعارف اما نه کاملا غیرمتعارف استفاده کند و سایت را ارتقا دهد ، سایتش مشمول جریمه نخواهد شد.روش سئوی کلاه خاکستری از نظر رسیدن به نتیجه مطلوب و افزایش رتبه سایت و بازدید سریعتر از سئوی کلاه سفید است.البته اگر نمی دانید که تکنیک های سئوی کلاه خاکستری چیست و تسلط ندارید بهتراست که هیچ گاه این کار را برای سایتتان انجام ندهید، زیرا مشمول جریمه سایت توسط گوگل خواهید شد.در اینجا به چند تکنیک سئوی کلاه خاکستری اشاره خواهم کرد.درک صحیحی از سئو کلاه خاکستری اهمیت زیادی دارد برای اینکه اگر به درستی تکنیک های استفاده شود، می تواند به راحتی باعث افزایش رتبه سایت شما شود و از طرف دیگر، باعث صرفه جویی هزینه شود. الگوریتم گوگل خیلی باهوش است و همانطور که می دانید هرساله تغییرات زیادی در این الگوریتم انجام می شود. بعضی از تکنیک های کلاه خاکستری ممکن است بعدا توسط گوگل در لیست جریمه قرار بگیرید.این نکته را به خاطر بسپارید که هر تکنیک یا متدی که از خط قرمزِ گوگل عبور نکند، می تواند مفید باشد.تکنیک های سئو کلاه خاکستری :- لینک سازی ( لینک بیلدینگ)- خرید دامین هایی که منقضی شده و قیمت کمی دارند اما دارای مطالب مورد نظر شما می باشد و کلمات کلیدی سایت شما را هم در بردارد.نکته : دقت داشته باشید که این دامین ها قبلا توسط گوگل جریمه نشده باشند.- طراحی مجدد سایت: بعد از چند سال سایت خود را طراحی مجدد کنید. چون کدها و دستورات تغییر می کنند ، گوگل آن را به عنوان محتوای تازه در نظر می گیرد و رتبه بالاتری به آن اختصاص می دهد.- کامنت گذاری: استفاده از این تکنیک بسیار باید دقت شود . با کامنت گذاری در دیگر سایت ها و حتی سایت خودتان و دادن بک لینک به بخش های مختلف سایت می تواند بسیار موثر باشد اما همانطور که گفته شد برای استفاده از این تکنیک باید دقت داشت چرا که امکان دارد گوگل لینک هایی که شما درست کردید را جریمه کند و یا اینکه صاحبان سایت هایی که کامنت گذاری کردند، کامنت شما را به عنوان اسپم اعلام کرده باشند- کلیک برروی دکمه های شبکه های اجتماعی : البته این روش تا حدی قدیمی است اما می توانید خودتان با IPهای مختلف، برروی مطالبی که در شبکه های اجتماعی قرار داده اید، کلیک کنید تا وارد سایتتان شوید. این هم به نوعی یک تکنیک سئو کلاه خاکستری است.- به کارگیری کلمات کلیدی فقط در عنوان: بعضی از افراد، فقط کلمات کلیدی اصلی را در عنوان های اصلی وداخلی به کار می برند و در متن خود هیچ اشاره به آن نمی کنند. یادتان باشد که شما در حال نوشتن محتوایی براساس اصول سئو می باشد. درست است که تاثیری نوشتن کلمه کلیدی در عنوان خیلی زیاد است، اما گوگل سریعا تشخیص می دهد که شما قصد دور زدن آن را دارید، مگر آنکه متنتان کوتاه باشد، در متن های کوتاه این روش سئو کلاه خاکستری کاملا جواب می دهد ولی نه در متن های بلند که معمولا بیش از 1000 کلمه می باشد.روش های دیگری هم وجود دارد مانند تبلیغات کلیکی ، استفاده از فروم ها و دایرکتوریهایی که فقط اجازه بک لینک می دهند و شما هم باید لینک سایتشان را در سایت خود قرار بدهید.امیدوارم مورد استفاده دوستان قرار گیرد.کانال من را در تلگرام به آی دی kapitanseo@ دنبال کنید. مهندس نسرین جمشیدی صالح مهندس نسرین جمشیدی صالح Thu, 16 Apr 2020 14:26:16 +0430 https://virgool.io/dataio/%DB%8C%DA%A9-%D8%B1%D8%A7%D9%87-%D9%85%D9%82%D8%A7%D8%A8%D9%84%D9%87-%D8%A8%D8%A7-%DA%A9%D8%B1%D9%88%D9%86%D8%A7%D9%88%DB%8C%D8%B1%D9%88%D8%B3-%D8%AF%D8%B1-%D8%B4%D8%B1%DA%A9%D8%AA-%D9%87%D8%A7-%D9%88-%D8%B3%D8%A7%D8%B2%D9%85%D8%A7%D9%86-%D9%87%D8%A7%DB%8C-%D8%AF%D9%88%D9%84%D8%AA%DB%8C-%D9%88-%D8%AE%D8%B5%D9%88%D8%B5%DB%8C-pojkewqx4hd5 طبق آمار اعلام شده به نقل از الجزیره، تعداد مبتلایان به کرونا در سراسر جهان به 76288 نفر رسیده است. منشاء این بیماری فروشگاه غذای دریایی ای در شهر ووهان چین بوده که به شهرهای بزرگ چین سرایت کرده است.کشورهایی که تا به حال درگیر این ویروس شده اند عبارتند از : چین، تایلند، کره جنوبی، ژاپن، استرالیا، فرانسه، کانادا، ایتالیا، ایران، فیلیپین، کانادا و آمریکا.نحوه انتشار و انتقال بیماری کروناویروس:1- تماس مستقیم با فرد آلوده ( دست دادن، روبوسی و عدم رعایت حدفاصله با فرد مبتلا)2- از طریق قطرات تنفسی معلق در هوا ( انتشار از طریق عطسه و سرفه )آنچه که در تمامی شرکت ها و سازمان های دولتی و خصوصی به صورت مشترک وجود دارد دستگاه های حضور و غیاب است. این دستگاه ها انواع مختلفی دارند که پرسنل در زمان حضور و غیاب ملزم به استفاده از آنها هستند. دستگاه های حضور و غیاب مدل هایی چون اثرانگشتی، کارتی ، کف دستی و تشخیص چهره دارند.دستگاه های حضور و غیاب غیرتماسی:دستگاه های حضور و غیاب تشخیص چهره و کف دستی دارای قابلیتی هستند که می توانند در جلوگیری و پیشگیری ویروس کرونا بسیار کمک کنند و آن غیرتماسی بودن این دستگاه ها است.به کمک این دستگاه ها دیگر نیازی به لمس دستگاه توسط پرسنل نیست و تنها کافی است که فرد در مقابل دستگاه حضور و غیاب قرار بگیرد تا سیستم از روی چهره ، او را شناسایی کند.استفاده از دستگاه حضور و غیاب تشخیص چهره برای جلوگیری از انتقال کروناویروساز طرفی دیگر دستگاه های حضور و غیاب کف دستی MB-531 نوع دیگری از دستگاه های حضور و غیاب است که مانند تشخیص چهره، غیرتماسی هستند. طریقه کار با این سیستم حضور و غیاب بدین صورت است که فرد می تواند طبق فاصله ای مشخص، کف دست خود را در مقابل دوربین دستگاه نگاه دارد تا دستگاه از روی الگوریتم های تعیین شده و بانک اطلاعات تعریف شده در دستگاه ، فرد را شناسایی کند.همانطور که دیدید این قابلیت غیرتماسی در دو دستگاه حضور و غیاب بُعد پنجم MB-531 و G3 PLUS بسیار مشهود است.علائم بالینی این بیماری:تب، سرفه و سایر علائم تنفسی ، آبریزش بینی ، عطسه ، سرفه و در موارد شدید تنگی نفسچه افرادی در معرض خطر این بیماری هستند؟سالمندان، زنان باردار، بیمارانی که مبتلا به دیابت ، مشکلات قلبی و عروقی، کبد و مشکلاتی چون سیستم ایمنی ضعیف هستند.باید توجه کرد که با رعایت بهداشت فردی، شستن مداوم دست‌ها، عدم روبوسی با دیگران و ... می‌توان از ابتلا به کرونا ویروس جدید پیشگیری کرد.راه مقابله و پیشگیری با این بیماری:مهم‌ترین عاملِ حفظ سلامت در برابر این ویروس شست‌وشوی مرتب دست است که باید با آب و صابون به مدت ۲۰ ثانیه دست‌هایشان را بشویند و یا با محلول‌های ضدعفونی بر پایه الکلی هم دست‌هایشان را به مدت ۲۰ ثانیه ضدعفونی کنند.به امید تندرستی و سلامت مردم کشور عزیزمان ایران مهندس نسرین جمشیدی صالح مهندس نسرین جمشیدی صالح Mon, 24 Feb 2020 14:08:56 +0330 https://virgool.io/@ROBOTS-and-AL/%D8%B4%D9%86%D8%A7%D8%B3%D8%A7%DB%8C%DB%8C-%DA%86%D9%87%D8%B1%D9%87-%D8%A8%D8%A7-%D8%A7%D9%84%DA%AF%D9%88%D8%B1%DB%8C%D8%AA%D9%85-sift-gzc1b88cfzkr بخش اول:الگوریتم SIFT( تغییر شکل مقیاس ثابت) در صدد بازسازی و بازیابی تصویر مبتنی بر محتوا اقدام شده است اما مشکلی که در این مقاله بدان پرداخته است زمان مورد نیاز مقایسه دو تصویر است . در این مقاله سیستمی پیشنهاد شده که از الگوریتم SIFT برای استخراج نتایج جستجوی برگشت یافته توسط استاندارد CBIR استفاده شده است. با ترکیب الگوریتم SIFT در بازیابی تصویر مبتنی بر محتوا، سرعت و دقت بسیار بالاتر می رود.در الگوریتم (CBIR) بازیابی تصویر مبتنی بر محتوا نقش اصلی را در زمینه های کاربردی از جمله سیستم های پایگاه داده چندرسانه ای را در سال های اخیر بازی کرده است. CBIR محتوا را با ایجاد فهرست بندی بهتر و بازگشت بیشتر در نتایج دقیق نمایش می دهد.هدف سیستم CBIR پشتیبانی از بازیابی تصویر است که بر اساس محتوا مثل شکل، رنگ ، بافت و ... می باشد.ویژگی های تصاویر به منظور مقایسه تصویر، جستجو و تطابق رنگ و شکل و یا بافت و موقعیت های مکانی به کار برده می شود. از این باب استخراج ویژگی تصاویر از اهمیت بسیاری برخوردار است.الگوریتمSIFT دارای محدودیتهایی است که برای بهبود دادن این الگوریتم جهت ارتقای دقّت انطباق باید به نوع تصویر هم توجه کرد،زیرا انحرافهایی که بین تصاویر وجود دارد، با توجه به ماهیت تصاویر ممکن است، متفاوت باشد.این الگوریتم،در تصاویر سنجش از دور اپتیکی، دارای دو مشکل اصلی است که عبارتند از :کنترل پذیری پایین آن در تعداد ویژگیها عدم توجه به کیفیت و توزیع ویژگیهای استخراج شده میباشد.الگوریتم SIFT در برنامه های کاربردی که نیاز به عملکرد زمان واقعی ، محاسبه زیاد و ظرفیت بالای ذخیره سازی با توجه به سطح چارچوب و فرآیند محاسبه تکراری در عملکرد SIFT Gaussian داشته باشد ، به طور کامل حل نشده است.مراحل الگوریتم :شامل چهار مرحله ای آشکارسازی نقاط کلیدی، تعیین موقعیت نقاط کلیدی، تخصیص جهت و ایجاد توصیفگر برای نقاط کلیدی است. از آنجایی که وجود اعوجاجهای هندسی بین تصاویر و تنوع حسگرها سبب می شود که ویژگیهای یک تصویر در تصویر دیگر به طور اندک ظاهر شود یا اصلاً ظاهر نشود، در نتیجه باعث تداخل در عملکرد انطباق تصویر می گردد.مقایسه ای کوچک با الگوریتمی مشابهالگوریتم SIFT نسبت به الگوریتم SURF در برابر تغییرات مقیاس چرخش و مات شدن از نیرومندی بیشتری برخوردار است. الگوریتم SURF با بدست آوردن نتایج مطلوب تر و سرعت بالاتر برای کاربردهای زمان بلادرنگ، همچون ناوبری مطلوب‌تر است.در بخش دوم این مبحث بیشتر وارد جزئیات عملکرد sift خواهیم شد.بخش دوم الگوریتم SIFT یک ابزار توصیف تصویر است که در سال 1999 معرفی شد . این الگوریتم نسبت به تغییراتی مانند دوران و تغییر مقیاس، پایدار (اینورینت ) است. نسبت به تبدیلات هایی چون affine ، تغییرات نورپردازی، نویز و تغییر زاویه دید و انسداد تا حدی پایدار است.این نوع الگوریتم بیشتر در کارهای شناسایی شی، شناسایی چهره، دنبال کردن شی و دنبال کردن حرکت فرد، مدل سازی سه بعدی صحنه ، ساخت پانوراما، بخش بندی تصویر، شناسایی مکان، تعیین مکان ربات ، نقشه ربات و ... استفاده می شود. این روش احتیاجی به بخش بندی ندارد.همانطور که می دانید به طور کلی تشخیص در الگوریتم sift از طریق دو بخش انجام می شود که عبارتند از :تشخیص نقاط کلیدی تصویر محاسبه اطلاعات توصیف کننده نقاطتشخیص نقاط کلیدی تصویر: بدین صورت انجام می شود که نقاط کلیدی به نقاطی از تصویر که در فضای مقیاس تصویر اکسترمم است اتلاق می شود و فضای مقیاس تصویر شامل مجموعه ای از تصاویر است . تصاویر این مجموعه با استفاده از کانولوشن تصویر اصلی با فیلترهای گوسی با مقیاس های مختلف تولید می شوند.برای ساخت فضای مقیاس می توان با کانوالو کردن تصویر با یک تابع گوسی ، یک نمونه بدست آورد و با تغییر واریانس می توان میزان اسموز شده تری از تصویر را بدست آورد.فیلتر گوسی در شناسایی چهرهفضای مقیاس شامل چند تصویر است که با چند بار اعمال فیلتر گوسی بدست می آید.در ساخت فضای مقیاس سپس عمل ریسمپلینگ انجام می شود و یک اکتاو جدید ساخته می شود. در هر اکتاو تفاضل گوسی ها (DoG)محاسبه می شود.تفاضل گوسی در شناسایی چهرهبرای یافتن نقاط کلیدی اکسترمم های تابع، dمحاسبه می شود. هر نقطه با هشت همسایه و نقاط همسایه در صفحات مجاور در نظر گرفته می شود. سپس نقاط نامناسب حذف می شوند. scaleتا اینجا به ازای هر نقطه کلیدی، یک مختصات و یک مقیاس داریم یعنی : (x, y , δ) بردار گرادیان در هر نقطه تصویر ، جهت و اندازه بیشترین تغییرات را نشان می دهد و عمود بر لبه است.برای ثابت بودن نسبت به دوران ، یک دستگاه مختصات از روی گرادیان تعریف می شود.گرادیان در یک پنجره اطراف هر نقطه کلیدی ، یک هیستوگرام از گرادیان ها ساخته می شود و جهتی که بیشترین فراوانی را دارد به عنوان جهت غالب انتخاب می شود که در اینجا با حرف o نمایش می دهیم. هر نقطه کلیدی ، یک مختصات ، یک مقیاس و یک جهت : (x,y,δ,o)استخراج ویژگی ها:به هر نقطه کلیدی یک بردار ویژگی شامل 128 مولفه اختصاص داده می شود. پنجره اطراف نقطه کلیدی به 4*4 زیرپنجره تقسیم می شود و در هر زیرپنجره یک هیستوگرام از گرادیان ها رسم می شود( هر هیستوگرام شامل 8 مقدار است.)تعداد ویژگی ها برابر خواهد بود : 4*4*8 = 128خروجی SIFTخروجی SIFT:فرض کنید n نقطه کلیدی داریم و به همان نسبت هم n بردار با مختصات و مقیاس و جهتِ (x,y,δ,o) داریم و n بردار 128 تایی داریم (f1,…f128)مختصات ، مقیاس و جهت نقاط کلیدییافتن اشیاء در تصویر به کمک الگوریتم sift:ویژگی ها از تصاویر مورد جستجو ( موجود در پایگاه داده) و تصویر صحنه استخراج می شوند و ویژگی های تصاویر پایگاه داده در تصویر صحنه جستجو می شوند.به علت زیاد بدون ویژگی ها ، انسداد تا حدی قابل تحمل است.کاربرد الگوریتم SIFT:1- شناسایی چهره2- ثبت تصاویر چند طیفیتصویر مادون قرمز تصویر مرئیبخشی از کدهای الگوریتم SIFT با پایتون:import cv2import numpy as npimg = cv2.imread('home.jpg')gray= cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)sift = cv2.SIFT()kp = sift.detect(gray,None)img=cv2.drawKeypoints(gray,kp)cv2.imwrite('sift_keypoints.jpg',img)sift = cv2.SIFT() kp, des = sift.detectAndCompute(gray,None)تصویر نهایی از دستگاه حضور و غیاب G3 Plus با اعمال الگوریتم SIFT------ دوایر در تصویر مربوط به استخراج ویژگی با اطلاعاتی چون مختصات، مقیاس و جهت می باشد.منابع:Improving Content Based Image Retrieval using Scale Invariant Feature Transform - ISSN: 2249 – 8958, Volume-1, Issue-5, June 2012 مهندس نسرین جمشیدی صالح مهندس نسرین جمشیدی صالح Mon, 27 Jan 2020 15:09:14 +0330 https://virgool.io/dataio/%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%DA%86%D9%87%D8%B1%D9%87-%D8%A8%D9%87-%D8%B1%D9%88%D8%B4-%D8%AA%D8%AD%D9%84%DB%8C%D9%84-%D9%85%D9%88%D9%84%D9%81%D9%87-%D9%87%D8%A7%DB%8C-%D8%A7%D8%B3%D8%A7%D8%B3%DB%8Cpca-%D9%81%D8%B5%D9%84-%D8%A7%D9%88%D9%84-enoqgmx9vjzd تشخیص چهره به روش تحلیل مولفه های اساسی (PCA)- فصل اولالگوریتم های مورد استفاده برای تشخیص چهره بسیار زیاد هستند و می توان الگوریتم هایی چون LDA، PCA SVM ، CNN و ... را نام برد. در این مقاله قصد داریم در مورد تشخیص چهره به روش مولفه های اصلی pca بگوییم. PCA هدف اصلی الگوریتم تحلیل مولفه اساسی (PCA) کاهش ابعاد فضای ویژگی اصلی با تصویر آن به زیرفضای کوچکتری است که در آن بردارهای ویژه، محورها را تشکیل می‌دهند. PCA مخفف Principal Component Analysis می باشد. دستگاه های حضور و غیاب هم یکی از دستگاه هایی هستند که برای تشخیص چهره افراد از انواع این روش ها و الگوریتم های قید شده استفاده می کنند.دستگاه حضور و غیاب G3 بُعد پنجممراحل بدست آوردن PCA:1- میانگین داده ها را بدست می آوریم.2- تک تک داده ها را از میانگین کم می کنیم.3- واریانس را بر اساس میانگین به دست می آوریم.4- ماتریس کوواریانس و بردار ویژگی ها را بدست می آوریم.( جهت تغییرات بیشتر را مشخص می شود.)5- کاهش دادن ابعاد: بدین صورت که آن برداری که اطلاعات کمتر و تغییرات کمتری دارد را می توان حذف کرد.6- بهترین بردار ویژگی متناظر با بزرگترین مقدار ویژگی که معروف به PC هستند، می باشد. که رابطه آن در زیر نوشته شده است. از طرفی بردارهای ویژگی بر هم عمود هستند (اورتوگونال) V*∑ = ƛ*vنکته : در واقع PCA يک تبديل خطي است که ابزار قدرتمندي براي تجزيه و تحليل داده هايي است که داراي تغييرات خطي مي باشند؛ ولي براي تغييرات غيرخطي چهره ناشي از تغييرات حالت، روشنايي و ژست در تصوير چهره، مطلوب نمي باشد. البته برای رفع این نقض از فیلتر گابور می توان استفاده کرد.به طور کلی کاربرد عمده PCA عبارتند از : کاهش تعداد متغیرها یافتن ارتباط بین متغیرها و دسته بندی آنها.چگونه با کمک PCA می توان چهره اشخاص را شناسایی کرد؟همانطور که در توضیحات مراحل بدست آوردن PCA آمده است، این روش می تواند باعث کاهش ابعاد شود و برای تغییرات غیرخطی مانند تشخیص چهره روش مطلوبی نیست اما با این وجود اگر بخواهیم از pca در تشخیص چهره استفاده کنیم میتوان به صورت زیر عمل کرد:هر تصویر را می توان به صورت یک بردار ستونی و یا سطری در نظر گرفت. اگر یک تصویر با ابعاد N*N داشته باشیم آن را تبدیل به یک بردار ستونی یا سطری N^2 می کنیم.سپس میانگین تصویر را بدست می آوریم . برای همه تصاویر موجود در دیتاست نیز این کار را انجام می دهیم. در واقع هدف از PCA یافتن بردارهایی است که به بهترین نحو، کار شناسایی زیرفضای چهره را انجام دهد. به این بردارها ، بردارهای فضای چهره می گویند . از آنجایی که این بردارها بردار ویژه ماتریس همبستگی مربوط به تصاویر چهره می باشند و همچنین به دلیل شباهت به چهره انسان، آنها را eigene face می نامند.فضای چهرهپس از مشخص شدن بردارها تمامی تصاویر به این زیر فضا منتقل می‏‏شوند تا وزنهایی که بیانگر تصویر در آن زیرفضا هستند بدست آیند. با مقایسه شباهت وزن های موجود با وزن تصویر جدیدی که به این زیر فضا منتقل شده می‏‏توان تصویر ورودی را شناسایی کرد.بردارهای ویژهبرای اینکه بهتر منظور را برسانیم یک مثال می زنیم. تصور کنید که ما دارای مجموعه ای از تصاویر هستیم که این تصاویر ورودی را قصد داریم در سیستم آموزش خود قرار دهیم.( کلا دو نوع سیستم وجود دارد سیستم آموزش و سیستم تست . سیستم آموزش دارای افرادی است که ما می خواهیم سیستم آنها را بشناسد بنابراین تصاویر مورد نظر را در این قسمت قرار می دهیم و سیستم تست و آزمایش ، سیستمی است که ما قصد داریم اگر تصویری از یکی از افرادی که قبلا در بخش آموزش قرار دارد را بدهیم ، آن را به درستی به یاد بیاورد.) بنابراین اگر مجموعه عکس های ورودی را در داخل ماتریسی قرار دهیم می توانیم میانگین چهره ها را بدست آوریم و طبق روابط گفته شده عمل خواهیم کرد و مراحل را طی می کنیم.در بخش دوم این مقاله به جزئیات بیشتری خواهیم پرداخت. مهندس نسرین جمشیدی صالح مهندس نسرین جمشیدی صالح Tue, 07 Jan 2020 16:16:23 +0330 https://virgool.io/dataio/%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%DA%86%D9%87%D8%B1%D9%87-%D8%AA%D8%A7%D9%85%DB%8C%D9%86-%D8%A7%D9%85%D9%86%DB%8C%D8%AA-%DB%8C%D8%A7-%D9%86%D9%82%D8%B6-%D8%AD%D8%B1%DB%8C%D9%85-%D8%B4%D8%AE%D8%B5%DB%8C-%D8%AF%D8%B3%D8%AA%DA%AF%D8%A7%D9%87-%D9%87%D8%A7%DB%8C-%D8%AD%D8%B6%D9%88%D8%B1-%D9%88-%D8%BA%DB%8C%D8%A7%D8%A8-kklm6lcsklhb این روزها هر شرکت معروف و برندی به دنبال استفاده فناوری تشخیص چهره است و به دنبال انجام کارهایی قریب الوقوع برای هر چه دیده شدن هستند. از جمله شرکت‌های بنام ، می‌توان شرکت‌های چینی و یا گوگل و یا ماکروسافت را نام برد که توانسته‌اند با عینک‌هایی در شناسایی مجرمین استفاده کنند. این عینک که معروف به عینک‌های پلیسی که با تردد پلیس در سطح شهر اطلاعاتی را ذخیره کرده و به دیتابیسی که در سامانه آنها وجود دارد ذخیره می‌شود.در گوشی‌های هوشمند و به اصطلاح اسمارت فون‌ها هم علاوه بر استفاده از تشخیص هویت توسط اثرانگشت ، تشخیص چهره نیز به این گوشی‌ها اضافه شده است. مزیت استفاده از این سیستم‌ها ، دقت بالا و عدم تماس فرد با دوربین می‌باشد. برای مثال در گوشی‌های شیائومی سیستم تشخیص چهره قرار گرفته است.تشخیص چهره برگردیم سر موضوع خودمان، همان عینک‌های پلیسی ساخته شده چین!عینک های هوشمند پلیس چینپلیس‌های چین با کمک عینک‌های هوشمند می‌توانند اطلاعات افرادی که در خیابان‌ها در حال تردد هستند را دریافت کرده و در دیتابیسی که متصل به سامانه‌ای در پایگاه می باشد ذخیره کند و با تطبیق چهره فرد مورد نظر با دیتابیس موجود، اطلاعات فرد را به پلیس نشان دهد و در صورتی که فرد مورد نظر، مجرم تحت تعقیب باشد به پلیس گزارش می دهد.همچنین این عینک هوشمند پلیسی در شهر پکن مورد آزمایش واقع شد و توانست علاوه بر تشخیص چهره افراد، شماره پلاک خودروهایشان را هم شناسایی کند. این فناوری هوشمند که در ایست بازرسی یک بزرگراه در خروجی شهر مورد استفاده قرار گرفته بود، نه‌تنها در بازرسی، چهره‌ی افراد را تشخیص داد، بلکه آن‌ها را با پایگاه داده‌ی پلیس تطبیق داد تا بررسی کند افراد تحت تعقیب هستند یا خیر. این عینک هوشمند در صورت تشخیص مجرم، علامت هشداری به مأمور پلیس نشان می‌دهد تا آن‌ها اقدامات لازم را انجام دهند.به کمک این عینک‌های هوشمند ، پلیس‌های چین می‌توانند از میان هزاران عابر پیاده مظنون و مجرم را شناسایی کنند و نسبت به دستگیری او اقدام کنند.تشخیص چهره دستگاه حضورو غیاباز دیگر فناوری‌هایی که این روزها پیشرفت قابل توجهی داشته، دستگاه‌های حضور و غیاب است. دستگاه حضور و غیاب معمولا در سازمان‌ها، شرکت‌ها، مراکز اداری و ... به منظور ساعت زنی پرسنل و فرآیند اتوماسیون‌های اداری مورد استفاده قرار می‌گیرد. یکی از مشکلاتی که دستگاه‌های حضورغیاب تشخیص چهره داشته‌اند این بود که فرقی میان عکس شخص و چهره واقعی فرد قائل نبود و این امر باعث تقلب‌های بسیاری شده بود به همین منظور با پیشرفت تکنولوژی و استفاده از الگوریتم‌های پیچیده و در نظر گرفتن ابعاد سه بعدی در چهره و همچنین به کمک فاصله نقاط و اختصاص وزن به فواصل میان نقاط مشخص شده چهره، دستگاه حضور و غیاب تشخیص چهره ضد تقلب شده است. از طرفی دیگر در دستگاه حضور و غیاب تشخیص چهره نیاز به تماس با دستگاه نیست. G3 Plus دستگاه حضورو غیاب تشخیص چهره به جای کارت،های بانکی !از دیگر ابزارهایی که می‌توان به عنوان پیشرفت فناوری تشخیص چهره از آن یاد کرد، استفاده از سیستم تشخیص چهره به جای کارت بانکی است. این روزها همه در کشور خودمان دارای چندین کارت بانکی از بانک‌های مختلف هستند و اکثر مردم با استفاده از دستگاه های خودپرداز اقدام به خرید از کارت بانکی خود می‌کنند. یکی از معضلاتی که در این باب، مردم کشورمان با آن روبرو هستند، سرقت کارت بانکی و یا گم کردن کارت‌های بانکی و یا جعل از روی کارت بانکی آنها است. شاید به دفعات برایتان رخ داده باشد که در صورت زدن سه بار پسورد اشتباه در دستگاه های خودپرداز، کارت بانکی شما توسط دستگاه ضبط می شود و به اصطلاح دستگاه خودپرداز کارت بانکی را خورد!!!.کمک از این تکنولوژی به خصوص در ایران می‌تواند جلوی خیلی از مشکلات عنوان شده را بگیرد . برای نمونه بانک کشاورزی کشور چین امکان استفاده از خدمات بانکی در سه دستگاه خودپرداز خود را بدون نیاز به کارت بانکی برای هویت‌سنجی و جایگزینی آن با سیستم تشخیص چهره فراهم کرده است. با استفاده از دستگاه خودپرداز مورد نظر دیگر نیازی به همراه داشتن کارت بانکی نیست و کاربر می‌تواند با استفاده از سیستم تشخیص چهره وارد حساب بانکی خود شود و از تمام امکانات و خدمات موجود استفاده کند. برای استفاده از این خودپردازها تنها کاری که کاربر باید انجام دهد، فشار دادن کلید دریافت پول با استفاده از تشخیص چهره است. پس از فشردن کلید مورد نظر، دوربین خودپرداز اقدام به اسکن چهره کاربر می‌کند و در صورت مثبت بودن پاسخ شناسایی، کاربر باید شماره تلفن یا شماره شناسایی خود را وارد کند. مرحله‌ی بعد شامل وارد کردن میزان پول مورد نیاز برای برداشت در کنار رمز عبور است. پس از موفق بودن کل این مراحل، کاربر می‌تواند پول خود را دریافت کند.اما استفاده از این فناوری‌ها معایب و مزایایی نیز دارد که در قسمت مخالفت‌ها و موافقین اشاره خواهد شد.مخالفت‌ها:استفاده از عینک‌های هوشمند چه توسط پلیس و چه توسط افراد معمولی برای خیلی‌ها نگران کننده است چرا که تحت نظر گرفتن شهروندان همواره در موارد مختلف موضوع مشاجره بوده است. یکی از این موارد نگرانی‌ها در خصوص اقدام اخیر اپل بود که داده‌های کاربران را از آی‌کلود چینی به یک استارتاپ رایانش ابری محلی منتقل کرد.هرچند این سیستم مزایای متعددی دارد، اما چالش‌ها و مشکلات زیادی نیز پیش روی بانک‌ها قرار می‌دهد. برای مثال می‌توان به هزینه‌ی بالای نگهداری از این سیستم در کنار عادت و اعتماد کاربران برای استفاده از آن اشاره کرد.تجاوز به حریم خصوصی افراد یکی از مواردی است که نظرات متفاوتی را به دنبال داشته. در بیانیه شورای شهر سانفرانسیسکو آمده است که «فن‌آوری تشخیص چهره بیشتر از آن‌که فایده داشته باشد، حقوق و آزادی‌های مدنی را به خطر می‌اندازد.»همچنین می‌افزاید که استفاده از این فناوری موجب «تشدید بی‌عدالتی نژادی شده و زندگی خصوصی مردم را به خطر می‌اندازد.»موافقین:در مورد استفاده از سیستم تشخیص چهره به جای کارت بانکی، یکی از کارکنان ABC یا بانک کشاورزی چین مدعی شده که استفاده از سیستم تشخیص چهره با توجه به دریافت شماره شناسایی، شماره تلفن و رمز عبور امن‌تر از دریافت کارت بانکی است. همچنین با توجه به در اختیار داشتن تصویر مشتریان، دوربین‌های امنیتی تعبیه‌شده در بانک می‌توانند به‌سرعت مشتریان خود را شناسایی کنند و از این‌رو شانس انجام فعالیت‌های غیرقانونی بانکی بسیار کاهش پیدا می‌کند. مهندس نسرین جمشیدی صالح مهندس نسرین جمشیدی صالح Tue, 22 Oct 2019 14:04:21 +0330 https://virgool.io/@ROBOTS-and-AL/%D8%B4%D9%86%D8%A7%D8%B3%D8%A7%DB%8C%DB%8C-%D8%AA%D9%88%D8%B3%D8%B7-%D8%B9%D9%86%D8%A8%DB%8C%D9%87-%D8%9B-%D8%A7%D9%85%D8%A7-%DA%86%DA%AF%D9%88%D9%86%D9%87-kxzelo3lkni3 شناسایی توسط عنبیه ؛ اما چگونه؟ دستگاه های حضور و غیاب بسیاری هستند که از طریق تشخیص چهره توانسته اند به شناسایی افراد بپردازند . همانطور که می دانید شناسایی افراد از طریق عنبیه یکی از خصوصیات بیومتریک است که این روزها بسیار در شناسایی و تشخیص استفاده می شود .تکنولوژی تشخیص چهره از طریق عنبیه، دارای یک دوربین دیجیتال است. این دوربین دیجیتالی به همراه یک نرم افزار عملیات زیر را به ترتیب انجام میدهد :- گرفتن عکس از چشم- تشخیص محدوده عنبیه- تجزیه و تحلیل داده های تصویر( پردازش)- ایجاد داده های نمونه- ذخیره داده های نمونه.تصویر عنبیه معمولا توسط یک دوربین تک رنگ مادون قرمز (900-700 نانومتر) که مجهز به سنسور است گرفته می شود . معمولا فاصله دوربین تا چشم، باید چیزی در حدود 18 اینچ باشد.یکی از خصوصیات خوب شناسایی چهره از طریق عنبیه در این است که اشتباه در شناسایی در حدود یک در 1078 می باشد که این دقت بسیار مهم است. همچنین با اسکن از عنبیه این امکان فراهم می شود که تا 266 نقطه از عنبیه بررسی و مقایسه شود.در کل مزایای تشخیص عنبیه برای شناسایی افراد عبارتند از :1- عنبیه از اعضاء داخلی محافظت شده چشم است.2- قابل دید از خارج است؛ الگوهایی که می توانند از یک فاصله تصویر شوند.3- منحصر به فرد بودن به دلیل پیچیدگی ترکیبی.4- در طول دوران زندگی الگوی پایداری می باشند.معایب تشخیص عنبیه برای شناسایی افراد عبارتند از:1- تاثیر مژه ها، عدسی ها و انعکاسات بر روی آن.2- عدم وضوح تصویر به دلیل فروافتادگی پلک ها.3- تغییر شکل غیرارتجاعی به دلیل تغییرات اندازه مردمک.4- تابش نباید مرئی یا روشن باشد.5- کوچک بودن هدف(یک سانتیمتر) برای دستیابی از فاصله ای حدود یک متر.6- حجم الگوها در این روش بسیار بالا است،7- گران بودن این تکنولوژی8- کاربر پسند نیست.9- به دلیل اینکه در حین نمونه برداری لازم است که چشم کاملا بی حرکت باشد، لذا الگو برداری ممکن است دقیق نباشد.فرآیند پردازش:فرآیند پردازش بدین شکل است که ابتدا مکان و اندازه مردمک در تصویر مشخص شده و سپس با بدست آوردن مکان و اندازه عنبیه، کلیه تصویر عنبیه که در میان این دو دایره قرار دارد به شکل مستطیلی با ابعاد معین تبدیل می شود. این تکنیک باعث می شود تا با کوچک یا بزرگ شدن مردمک تصویر مستطیل شکل تقریبا ثابت بماند تا در انجام فرآیندهای بعدی مشکلی نباشد. تصویر موجود در مستطیلی با ابعاد معین، دارای مشخصه های قابل تبدیل به کدهای باینری است، در این تبدیل ها روش های مختلفی وجود دارد که هریک مزایا و معایب خود را دارند. پس از بدست آوردن الگوی باینری، با استفاده از بدست آوردن فاصله همینگ بین الگوی موجود با الگوی بدست آمده می توان نتیجه تطبیق را بدست آورد.تشخیص محدوده عنبیه مهندس نسرین جمشیدی صالح مهندس نسرین جمشیدی صالح Sat, 05 Oct 2019 10:56:28 +0330 https://virgool.io/@ROBOTS-and-AL/%D8%B3%DB%8C%D8%B3%D8%AA%D9%85-%D8%AA%D8%B4%D8%AE%DB%8C%D8%B5-%DA%86%D9%87%D8%B1%D9%87-d058fg5vnweu وقتی با کسی صحبت می کنیم ، معمولا به چهره و یا به عبارت دقیقتر به چشم های او نگاه می کنیم. این واقعیت نه تنها با تجربه ، بلکه با آزمایش های روانشناسی هم تأیید شده است. حالت صورت اشخاص نقش مهمی را در روابط اجتماعی بازی می کند. علاوه بر این ، خاصیت یکتایی صورت در بین اشخاص (به جز مواردی بسیار نادر) باعث شده است که چهره هر شخص به عنوان شاخص بسیار خوبی برای شناسایی اش بحساب آید. در مقایسه با اثر انگشت و یا قرنیه ، برداشتن تصویر از صورت به آسانی انجام می گیرد ، زیرا برای این کار احتیاجی به تماس با فرد مورد نظر نیست در حالیکه برای تهیه اثر انگشت ، تماس کامل و برای تهیه تصویر از قرنیه تماس نزدیک با فرد لازم است. به همین دلیل شناسایی چهره توسط ماشین گام بسیار مهمی در ارتباط بین ماشین و انسان خواهد بود و همچنین یکی از متداولترین کاربردهای بینایی کامپوتر است. شناسایی چهره یک موضوع مهم و فعال تحقیقاتی در زمینه علوم بینایی ماشین ، شناسایی الگو و هوش محاسباتی است که همواره محققین این علوم را به مبارزه دعوت می کند. بطور کلی سیستم شناسایی انسان با استفاده از طیف وسیعی از اطلاعاتی که حواس پنجگانه اش (بینایی ، شنوایی ، بویایی ، چشایی و لامسه ) در اختیارش قرار می دهند ، کار می کند. این اطلاعات بصورت جداگانه و یا در کنار هم ، هم برای به خاطر سپردن و هم برای بازشناسی به کار می روند. علاوه بر این موارد اطلاعات محیطی نیز در شناسایی انسانی نقش مهمی دارند. برای مثال شناسایی مجری یک برنامه ی تلویزیونی در همان برنامه بسیار راحت تر از شناسایی او در خیابان و یا هر محل دیگری است.تکنولوژی تشخیص چهره VeriLook برای توسعه دهندگان و مجتمع سازان سیستم های بیومتریکی در نظر گرفته شده است. این تکنولوژی بواسطه تشخیص چهره زنده ، تشخیص چهره بصورت همزمان و همچنین تطبیق سریع چهره در حالت های یک به یک و یک به چند ، میزان کارایی ، عملکرد و قابلیت اطمینان سیستم را تضمین می نماید.VeriLook به عنوان SDK های زیر در دسترس است :SDK استاندارد برای توسعه کاربردهای بیومتریکی مبتنی بر PC در نظر گرفته شده است و شامل کامپوننت های استخراج کننده و تطبیق دهنده ، خودآموزها و نمونه های برنامه نویسی ، کتابخانه مدیریت دوربین و مستندات نرم افزار می باشد. SDK امکان توسعه کاربردهای بیومتریک را برای سیستم عامل های Linux ، Microsof Windows و Mac OS X فراهم می کند.SDK توسعه یافته برای توسعه کاربردهای بیومتریکی تحت وب و شبکه در نظر گرفته شده است. این SDK علاوه بر تمام ویژگی های SDK استاندارد ، شامل نمونه برنامه های client ، خودآموزها و سرور تطبیق آماده برای استفاده نیز می باشد. برخی از  قابلیت های نرم افزار به شرح زیر می باشد :دارای قابلیت تشخیص چهره زنده (Live Face Detection)پردازش همزمان چندین چهره در تصاویر زنده ویدئویی و تصاویر ثابت و بدون حرکتتعیین کیفیت تصویر چهرهگرفتن چندین نمونه ی مختلف از یک چهره جهت بالا بردن و بهبود کیفیت تطبیقمنعطف در مقابل حالت و نحوه قرار گرفتن تصویرسرعت بالا در تطبیق چهره . به عنوان مثال در هر ثانیه الگوریتم VeriLook  می تواند عمل مقایسه 200000 چهره را انجام دهد.توابع VeriLook هم می توانند در حالت تطبیق یک به یک و هم یک به چند استفاده شوند.webcam ها و دوربین های ارزان قیمت دیگر نیز می توانند جهت دریافت تصاویر مورد استفاده قرار گیرند.و ... کاربردهای زیادی برای مباحث شناسایی چهره می توان متصور شد که محدوده وسیعی از تصاویر متحرک تا تصاویر ثابت و از کاربردهای امنیتی تا کاربردهای تجاری را شامل می شود. این کاربردها را بر اساس نوع تصاویری که استفاده می کنند ، می توان به دو گروه تقسیم کرد :       - انطباق با استفاده از تصاویر ثابت       - انطباق با استفاده از تصاویر متحرکدر کاربردهای مختلف مربوط به شناسایی چهره ، دو گروه ذکر شده ی فوق در مواردی همچون کیفیت تصویر ، زمینه تصویر ، در دسترس بودن معیار انطباق و ... با یکدیگر تفاوت دارند. در ادامه برخی از کاربردهای مهم شناسایی چهره را بیان می کنیم :معمول ترین کاربرد شناسایی چهره ، انطباق تصاویر ثابت می باشد. نمونه ای از این کاربرد را می توان در شناسایی مجرمین دید. حالت ساده تری از شناسایی مجرمین را می توان در کاربردهایی چون تأیید هویت دارنده کارت های شناسایی ، گواهینامه ، گذرنامه و کارت های اعتباری دانست. در این نوع از کاربردها ، عکس موجود بر روی کارت (و یا معادل کد شده آن) باید با تصویری که در همان لحظه از شخص دریافت می شود ، مقایسه شود.کنترل نامحسوس و ایجاد امنیت در بانک ها ، فروشگاه ها ، فرودگاه ها و یا نظایر اینها یکی دیگر از کاربردهای ارزشمند شناسایی چهره است. این کاربرد را می توان حد میانی تصاویر ثابت و متحرک در نظر گرفت.کاربردهای شناسایی چهره که تا به حال پیاده سازی شده اند ، بیشتر در مورد انطباق تصاویر ثابت و کنترل شده ای مانند تصاویر روی کارت های اعتباری ، کارت های شناسایی ، گواهینامه رانندگی ، کنترل دسترسی و تصاویر پلیس از مجرمین بوده است ، اما افزایش سریع سرویس های قابل دستیابی از طریق اینترنت ، مساله معاملات امن اینترنتی را مطرح کرده است. برای شناسایی شخص دارنده کارت اعتباری در فروشگاه ها ، شماره صحیح کارت اعتباری باید با امضای دارنده مطابقت داشته باشد. اما این روش و سایر روش های معمول در مورد اینترنت امکانپذیر نیست و چهره اشخاص احتمالا از طریق یک دوربین کوچک که بر روی کامپیوتر نصب می شود ، بهترین راه حل برای رفع این مشکل است.در سری دیگری از کاربردها با استفاده از بانک ویژگی های موجود از اجزای صورت ، تصویری از شخص با کمک یک شاهد ایجاد می شود.علاوه بر کاربردهای فوق ، شناسایی و پردازش چهره کاربردهای دیگری هم دارند که ارتباطی با تشخیص هویت ندارند. دنبال کردن خط دید چشم و تعیین نژاد ، جنس ،سن و حالت صورت از جمله این کاربردها هستند که بعضی از آنها در ارتباط بین انسان و کامپیوتر مفید هستند.منبع: هوش مصنوعی رایورز مهندس نسرین جمشیدی صالح مهندس نسرین جمشیدی صالح Mon, 01 Jul 2019 12:40:06 +0430