מדוע מצלמות בינה מלאכותיות משנות את הדרך שבה עדשות מעוצבות

במשך זמן רב, פיתוח המצלמה פעל לפי היגיון פשוט למדי:

חיישן טוב יותר → רזולוציה גבוהה יותר → מצלמה טובה יותר.

ואז AI נכנסה לתמונה.

לפתע, המצלמה כבר לא רק תיעדה את מה שקרה.

זה היה צפוי להבין את זה.

ייתכן שמצלמת אבטחה תצטרך להבחין בין אדם לרכב. ייתכן שרובוט יצטרך לזהות מכשול. ייתכן שמזל"ט יצטרך להבין את סביבתו תוך כדי תנועה במהירות גבוהה.

וזה יוצר בעיה שלא מקבלת מספיק תשומת לב:

AI יכול לעבוד רק עם המידע החזותי שהמצלמה נותנת לו.

אלגוריתם מבריק לא יכול לשחזר פרטים שהמערכת האופטית מעולם לא קלטה.

זו הסיבה שבינה מלאכותית משנה בשקט את הדרך בה מעוצבות עדשות המצלמה.

AI לא גורם לאופטיקה גרועה להיעלם

מפתה לחשוב שדגמי AI חזקים יותר ויותר יפצו על מצלמות בינוניות.

לפעמים צילום חישובי יכול לעזור.

הפחתת רעש יכולה לשפר תמונה.

חידוד יכול לגרום לקצוות להיראות חזקים יותר.

שיפור AI יכול לשחזר פרטים סבירים מבחינה ויזואלית.

אבל יש הבדל בין לגרום לתמונה להיראות טוב יותר לבין לכידת מידע אמיתי יותר.

אם אובייקט מטושטש מאוד בגלל רזולוציה אופטית ירודה, תוכנה לא יכולה לשחזר באופן מהימן את הפרטים הקטנים המקוריים.

אם תמונת לילה כמעט שאינה מכילה אות שמיש, אלגוריתם לא יכול פשוט להמציא ראיות חזותיות מהימנות.

זה חשוב במיוחד עבור יישומי אבטחה ותעשייתיים שבהם התמונה אינה נצפית לבידור.

משתמשים בו כדי לקבל החלטות.

ביצועים בתאורה נמוכה הופכים לדרישת בינה מלאכותית

אחד האתגרים הגדולים ביותר עבור מצלמות AI הוא תאורה נמוכה.

בני אדם יכולים לעתים קרובות לעשות שיפוט סביר בסביבות אפלות.

מערכות ראייה ממוחשבת פחות סלחניות.

ככל שהתאורה פוחתת, מצלמות בדרך כלל מתמודדות עם:

רעש חיישן מוגבר

הורדת ניגודיות

טשטוש תנועה

איבוד מידע צבע

הגדרת קצה מופחתת

בעיות אלו יכולות להשפיע ישירות על זיהוי וסיווג בינה מלאכותית.

חשבו על אדם שעובר במגרש חניה בלילה.

בסצנה בהירה, ל-AI עשוי להיות מידע ברור על קווי המתאר, הלבוש, התנועה והסביבה של האדם.

בסצנה מוארת גרוע, אותו אדם עלול להפוך לצללית רועשת.

האלגוריתם לא הפך פתאום לטיפש.

הקלט פשוט נעשה הרבה יותר קשה לפירוש.

זו אחת הסיבות שעיצובים אופטיים בעלי צמצם גדול ואור נמוך הופכים יותר ויותר רלוונטיים למערכות ראיית AI.

פיקסלים קטנים יותר יוצרים דרישות אופטיות גדולות יותר

חיישנים מודרניים ממשיכים להגדיל את צפיפות הפיקסלים.

זה יוצר יותר נתוני תמונה, אבל זה גם מציב דרישות גדולות יותר מהעדשה.

פיקסלים קטנים יותר יכולים לדרוש מהמערכת האופטית לפתור פרטים מרחביים עדינים יותר.

אם העדשה לא יכולה לעמוד בקצב, הוספת פיקסלים מייצרת החזרים פוחתים.

זה חשוב במיוחד עבור מצלמות AI מכיוון שהמערכת עשויה להיות תלויה בתכונות חזותיות קטנות יחסית.

אדם עשוי לזהות חפץ מצורתו הכללית.

מודל AI עשוי להסתמך על דפוסים עדינים, קצוות, מרקמים או יחסי צבע.

לכן העדשה צריכה לספק תמונה נקייה מספיק כדי שתכונות אלה ישרדו את כל צינור ההדמיה.

זו אחת הסיבות שעיצוב אופטי ובחירת חיישנים צריכים להתרחש יותר ויותר ביחד.

עדשות רחבות זווית יוצרות חילופין מעניין בינה מלאכותית

מצלמות AI זקוקות לרוב לשדה ראייה רחב.

רובוטים צריכים להבין את הסביבה שלהם.

מזל"טים זקוקים למודעות מצבית.

מצלמות אבטחה צריכות לכסות שטחים גדולים.

אז למה לא פשוט להפוך את העדשה לרחבה יותר?

כי אופטיקה רחבה מציגה אתגרים משלהם.

ככל ששדה הראייה גדל, מעצבים חייבים לנהל:

עיוות

רזולוציית קצה

תאורה יחסית

סטייה כרומטית

גיאומטריית תמונה

עדשה רחבה מאוד עשויה ללכוד יותר מהסביבה אך לייצר איכות תמונה חלשה יותר ליד הקצוות.

לצפייה אנושית, זה עשוי להיות מקובל.

עבור AI, זה יכול להיות מסובך יותר.

אם עצמים ליד קצה התמונה מעוותים או מטושטשים מאוד, האלגוריתם מתבקש לפרש מידע חזותי שכבר פגום.

זה יוצר פשרה עיצובית בסיסית:

יותר שדה ראייה לעומת פרטים שמיש יותר.

התשובה הנכונה תלויה באפליקציה.

רובוטיקה: עדשות הופכות לחלק ממערכת התפיסה

עליית הבינה המלאכותית המגולמת דוחפת את הנושא הזה עוד יותר.

לרובוט אין את הלוקסוס לשאול:

"מישהו יכול בבקשה להדליק את האורות?"

היא צריכה לפעול בסביבה שהיא ניתנת לה.

סביבה זו עשויה להכיל:

צללים

תאורה לא אחידה

משטחים מחזירי אור

רווחים צרים

להזיז אנשים

חפצים במרחקים שונים

המצלמה היא אפוא חלק ממערכת התפיסה של הרובוט.

עבור ראייה רובוטית, עיצוב העדשות צריך לקחת בחשבון:

שדה ראייה

עיוות

ביצועים בתאורה נמוכה

רזולוציה

דרישות תפיסת עומק

גודל ומשקל

עדשה שמייצרת תמונת מעבדה יפה לא בהכרח תהיה העדשה המתאימה לרובוט נע.

מהימנות בעולם האמיתי חשובה יותר מהדגמה מושלמת.

מל"טים ומזל"טים זקוקים למאזן אופטי שונה

מזל"טים יוצרים אתגר מעניין נוסף.

מצלמת מזל"ט עשויה להזדקק ל:

שדה ראייה רחב + משקל נמוך + רזולוציה טובה + יכולת תאורה נמוכה.

זה שילוב קשה.

שדה ראייה רחב עוזר לרחפן להבין את סביבתו.

משקל נמוך מסייע ליעילות הטיסה.

רזולוציה טובה עוזרת לזהות אובייקטים.

ביצועים בתאורה חלשה הופכים חשובים עבור שחר, בין ערביים, טיסה פנימית או תנאי מזג אוויר קשים.

מערכות FPV מוסיפות דרישה נוספת:

התמונה צריכה להרגיש מיידית.

טשטוש תנועה, חשיפה לקויה או עיוות מוגזם של התמונה עלולים להשפיע לרעה על התפיסה החזותית של הטייס.

זו הסיבה שעיצוב עדשות מזל"ט הופך יותר ויותר לבעיית אופטימיזציה ולא רק לבחירת אורך מוקד.

מעקב בינה מלאכותית עובר מזיהוי להבנה

מצלמות אבטחה מספקות את אחת הדוגמאות המובהקות למעבר הזה.

מעקב מסורתי שאל:

"משהו זז?"

מעקב AI מודרני שואל:

מי עבר?

איזה רכב זה?

באיזה כיוון הוא נוסע?

איזה חפץ נישא?

האם ההתנהגות יוצאת דופן?

מה קרה לפני ואחרי האירוע?

ככל שהאנליטיקה מתקדמת יותר, כך התמונה המקורית הופכת להיות בעלת ערך רב יותר.

זו הסיבה שהדמיה בצבע מלא באור נמוך מושכת תשומת לב.

צבע יכול לספק מידע שימושי עבור:

סיווג כלי רכב

זיהוי לבוש

זיהוי אובייקטים

הבנת סצנה

אינפרא אדום נשאר שימושי ביותר בסביבות חשוכות מאוד, אך כאשר אור הסביבה נראה זמין, מערכת אופטית בעלת צמצם גדול יכולה לעזור לשמר מידע שאחרת היה נעלם כאשר מצלמה עוברת לראיית לילה מונוכרומית.

העדשה הופכת לרכיב של איכות נתונים

זה אולי השינוי הגדול ביותר ש-AI מביא להנדסה אופטית.

מבחינה היסטורית, עדשות טופלו לעתים קרובות כמרכיבי הדמיה.

כעת הם צריכים להיחשב יותר ויותר רכיבים באיכות נתונים.

המצלמה לוכדת נתונים.

העדשה קובעת כמה מידע אופטי שימושי מגיע לחיישן.

החיישן ממיר מידע זה לאותות חשמליים.

ספק שירותי האינטרנט מעבד את זה.

מודל הבינה המלאכותית מפרש את זה.

אם השלב הראשון חלש, כל שלב לאחר מכן צריך לעבוד קשה יותר.

זו לא תמיד אסטרטגיה טובה.

בדרך כלל עדיף ללכוד מידע טוב יותר בהתחלה מאשר לבזבז משאבי חישוב אדירים בניסיון לתקן אותו לאחר מכן.

מה זה אומר על עיצוב העדשות?

עדשות מצלמות בינה מלאכותיות עתידיות צפויות להיות מתוכננות יותר ויותר סביב דרישות יישום ולא מפרטים מבודדים.

ייתכן שמהנדסים יצטרכו לשקול:

עיצוב אופטי ספציפי לחיישן

במקום פשוט לתמוך בפורמט חיישן, העדשות צריכות להתאים למאפייני החיישן בפועל.

ביצועים טובים יותר בתאורה נמוכה

מערכות AI זקוקות למידע חזותי שמיש גם כאשר התאורה מוגבלת.

ביצועי קצה עקביים יותר

מערכות זווית רחבה זקוקות למידע שמיש על פני התמונה, לא רק במרכז.

מְבוּקָרסַלְפָנוּת

יישומים מסוימים יכולים לסבול עיוותים. אחרים לא יכולים.

יציבות תרמית

רובוטים, כלי רכב, מזל"טים ומצלמות חיצוניות עשויים לפעול בטווחי טמפרטורות גדולים.

אופטימיזציה ספציפית לאפליקציה

עדשת האבטחה האידיאלית היא לא בהכרח עדשת הרובוטיקה האידיאלית.

העתיד שייך למערכות אופטיות שתוכננו סביב העבודה שעליהן לבצע.

מה אנחנו לומדים ב-בושי אופטיקה

בְּבושי אופטיקה, אנו עובדים על מעקב אבטחה, הדמיית רכב, הדמיה רפואית, מכשירים חכמים ויישומים אופטיים אחרים. מגוון יישומים זה עושה דבר אחד ברור במיוחד:

אין הגדרה אוניברסלית ל"עדשה טובה".

עדשה רחבה עשויה להיות מצוינת עבור מצלמה אחת ולחלוטין לא מתאימה לאחרת.

עדשה ברזולוציה גבוהה עשויה להיות מיותרת עבור מערכת ניטור בעלות נמוכה אך חיונית לראיית מכונה.

עדשה בעלת צמצם גדול עשויה להיות קריטית עבור יישום מעקב לילה אך פחות חשובה בסביבה תעשייתית מבוקרת.

גישה זו של יישום ראשון הולכת וגוברת חשובה ככל שמצלמות הופכות לחלק ממערכות AI.

העדשה צריכה להיות מעוצבת סביב המידע שה-AI צריך לקבל - לא רק סביב המפרטים שנראים מרשימים על גיליון המוצר.

העתיד: מ"לראות בבהירות" ל"לראות שימושית"

AI משנה את מטרת המצלמות.

מצלמה כבר לא קיימת רק כדי לייצר תמונה מושכת.

זה קיים כדי לספק מידע.

זה משנה את סדרי העדיפויות האופטיים.

השאלה היא כבר לא רק:

"כמה חדה העדשה הזו?"

זה הופך להיות:

"האם העדשה הזו מספקת מידע חזותי אמין עבור המשימה בפועל של המערכת?"

ליתר ביטחון, פירוש הדבר עשוי להיות שמירה על המראה של אדם בלילה.

עבור רובוטיקה, פירוש הדבר עשוי להיות שמירה על זיהוי עצמים על פני שדה ראייה רחב.

עבור מל"טים, זה עשוי להיות לאזן בין תפיסת זווית רחבה לביצועים בתאורה נמוכה.

עבור ראייה תעשייתית, זה עשוי להיות פתרון פגמים זעירים באופן עקבי.

מהפכת ה-AI אולי מונעת על ידי אלגוריתמים, אבל אלגוריתמים עדיין צריכים משהו להסתכל עליו.

וזו הסיבה שגם עתיד ראיית הבינה המלאכותית יעוצב על ידי אופטיקה.