ನಾವು ಮನುಷ್ಯರು ಕಣ್ಣು ಬಿಟ್ಟ ತಕ್ಷಣ ನಮ್ಮ ಎದುರಿಗೇನಿದೆ ಎಂದು ಕ್ಷಣಾರ್ಧದಲ್ಲಿ ಗುರುತಿಸುತ್ತೇವೆ. ಎದುರಿಗೆ ಬರುತ್ತಿರುವುದು ಕಾರೋ, ನಾಯಿಯೋ ಅಥವಾ ನಮ್ಮ ಸ್ನೇಹಿತನೋ ಎಂದು ನಮಗೆ ತಕ್ಷಣ ತಿಳಿಯುತ್ತದೆ. ಆದರೆ ಒಂದು ಕಂಪ್ಯೂಟರ್‌ಗೆ ಕ್ಯಾಮೆರಾ ಜೋಡಿಸಿದರೆ, ಅದಕ್ಕೆ ಕಾಣಿಸುವುದು ಕೋಟ್ಯಂತರ ಚುಕ್ಕೆಗಳು (Pixels) ಮತ್ತು ಸಂಖ್ಯೆಗಳು ಮಾತ್ರ!

ಆ ಚುಕ್ಕೆಗಳ ಹಿಂದಿರುವ ವಸ್ತುವನ್ನು ಮನುಷ್ಯರಂತೆ ಕಂಪ್ಯೂಟರ್ ಕೂಡ ನೋಡಿ, ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವಂತೆ ಮಾಡುವ ತಂತ್ರಜ್ಞಾನವೇ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್. ಸರಳವಾಗಿ ಹೇಳಬೇಕೆಂದರೆ, ಇದು AI ಗೆ ದೃಷ್ಟಿ ನೀಡುವ ಕಲೆ.

ಕಣ್ಣು ಕಾಣದ ವ್ಯಕ್ತಿ ಮತ್ತು ಫೋಟೋ ವಿವರಣೆಗಾರನ ಉದಾಹರಣೆ

ಇದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ಜನ್ಮತಃ ಕಣ್ಣು ಕಾಣದ ಒಬ್ಬ ವ್ಯಕ್ತಿಯನ್ನು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ. ಅವರ ಕೈಗೆ ನೀವು ಒಂದು ಫೋಟೋ ನೀಡುತ್ತೀರಿ. ಅವರಿಗೆ ಫೋಟೋದಲ್ಲಿ ಏನಿದೆ ಎಂದು ಸ್ವತಃ ನೋಡಲು ಸಾಧ್ಯವಿಲ್ಲ.

  • ಕ್ಯಾಮೆರಾ ಮತ್ತು ಪಿಕ್ಸೆಲ್‌ಗಳು: ಆ ವ್ಯಕ್ತಿಯ ಕೈಗೆ ಸಿಕ್ಕಿರುವ ಫೋಟೋ ಕಾಗದದಂತೆ. ಕಂಪ್ಯೂಟರ್‌ಗೆ ಕ್ಯಾಮೆರಾ ಕೇವಲ ಒಂದು ಫೋಟೋವನ್ನು ನಂಬರ್‌ಗಳ ರೂಪದಲ್ಲಿ ತಂದುಕೊಡುತ್ತದೆ ಅಷ್ಟೆ.

  • ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ (ವಿವರಣೆಗಾರ): ಈಗ ಆ ವ್ಯಕ್ತಿಯ ಪಕ್ಕದಲ್ಲಿ ಒಬ್ಬ ಮಾರ್ಗದರ್ಶಿ ಬಂದು ಕುಳಿತುಕೊಳ್ಳುತ್ತಾನೆ. ಆತ ಫೋಟೋವನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಗಮನಿಸಿ, ಆ ಕಣ್ಣು ಕಾಣದ ವ್ಯಕ್ತಿಗೆ ವಿವರಿಸಲು ಶುರು ಮಾಡುತ್ತಾನೆ: "ನೋಡಿ, ಈ ಫೋಟೋದ ಎಡಭಾಗದಲ್ಲಿ ಹಸಿರು ಹುಲ್ಲುಗಾವಲಿದೆ, ಮಧ್ಯದಲ್ಲಿ ಒಂದು ಕಂದು ಬಣ್ಣದ ನಾಯಿ ಓಡುತ್ತಿದೆ, ಮತ್ತು ಬಲಭಾಗದಲ್ಲಿ ಒಬ್ಬ ಹುಡುಗ ಚೆಂಡನ್ನು ಹಿಡಿದು ನಿಂತಿದ್ದಾನೆ."

ಇಲ್ಲಿ ಮಾರ್ಗದರ್ಶಿ ಮಾಡಿದ ಕೆಲಸವನ್ನೇ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಸಾಫ್ಟ್‌ವೇರ್ ಮಾಡುತ್ತದೆ. ಕ್ಯಾಮೆರಾ ತಂದುಕೊಡುವ ಬಣ್ಣ ಬಣ್ಣದ ಚುಕ್ಕೆಗಳನ್ನು (Pixels) ಅನಾಲೈಸ್ ಮಾಡಿ, ಅದರಲ್ಲಿರುವ ವಸ್ತುಗಳನ್ನು ಕಂಪ್ಯೂಟರ್‌ನ ಮಿದುಳಿಗೆ (AI) ವಿವರಿಸಿ ಹೇಳುತ್ತದೆ.

ಇದು ತಾಂತ್ರಿಕವಾಗಿ ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? (ಮೂರು ಮುಖ್ಯ ಹಂತಗಳು)

ಕಂಪ್ಯೂಟರ್ ಒಂದು ಚಿತ್ರವನ್ನು ನೋಡಿದಾಗ ಪ್ರಮುಖವಾಗಿ ಮೂರು ಕೆಲಸಗಳನ್ನು ಮಾಡುತ್ತದೆ:

  1. ಚಿತ್ರದ ವಿಭಜನೆ (Image Segmentation): ಮೊದಲು ಇಡೀ ಫೋಟೋವನ್ನು ಬೇರೆ ಬೇರೆ ಭಾಗಗಳಾಗಿ ವಿಂಗಡಿಸುತ್ತದೆ. ಹುಲ್ಲು ಎಲ್ಲಿದೆ, ರಸ್ತೆ ಎಲ್ಲಿದೆ, ವ್ಯಕ್ತಿ ಎಲ್ಲಿದ್ದಾನೆ ಎಂದು ಗೆರೆ ಎಳೆದು ಭಾಗ ಮಾಡುತ್ತದೆ.

  2. ವಸ್ತು ಪತ್ತೆ ಹಚ್ಚುವಿಕೆ (Object Detection): ಆ ಭಾಗಗಳಲ್ಲಿ ಏನಿದೆ ಎಂದು ಗುರುತಿಸುತ್ತದೆ. ಆ ಗೆರೆಯ ಒಳಗೆ ಇರುವುದು 'ಮನುಷ್ಯ', ಇನ್ನೊಂದು ಗೆರೆಯ ಒಳಗೆ ಇರುವುದು 'ಕಾರು' ಎಂದು ಪತ್ತೆ ಮಾಡುತ್ತದೆ.

  3. ಚಿತ್ರದ ವರ್ಗೀಕರಣ (Image Classification): ಕೊನೆಯದಾಗಿ, ಆ ಫೋಟೋ ಒಟ್ಟಾರೆಯಾಗಿ ಯಾವುದಕ್ಕೆ ಸಂಬಂಧಿಸಿದ್ದು ಎಂದು ತೀರ್ಮಾನಿಸುತ್ತದೆ. ಉದಾಹರಣೆಗೆ: "ಇದು ರಸ್ತೆಯಲ್ಲಿ ಟ್ರಾಫಿಕ್ ಜಾಮ್ ಆಗಿರುವ ಫೋಟೋ" ಎಂದು ಲೇಬಲ್ ಮಾಡುತ್ತದೆ.

ನಮ್ಮ ಸುತ್ತಮುತ್ತ ಇದು ಎಲ್ಲೆಲ್ಲಿ ಬಳಕೆಯಾಗುತ್ತಿದೆ?

ನಮಗೆ ಗೊತ್ತಿಲ್ಲದಂತೆ ನಮ್ಮ ದೈನಂದಿನ ಜೀವನದಲ್ಲಿ ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಈಗಾಗಲೇ ಹಾಸುಹೊಕ್ಕಾಗಿದೆ:

  • ಮೊಬೈಲ್ ಫೇಸ್ ಅನ್‌ಲಾಕ್ (Face Unlock): ನಿಮ್ಮ ಫೋನ್‌ನ ಮುಂಭಾಗದ ಕ್ಯಾಮೆರಾ ನಿಮ್ಮ ಮುಖವನ್ನು ನೋಡಿದ ತಕ್ಷಣ ಲಾಕ್ ಓಪನ್ ಮಾಡುವುದು ಕಂಪ್ಯೂಟರ್ ವಿಷನ್‌ನ ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಉದಾಹರಣೆ. ಅದು ನಿಮ್ಮ ಕಣ್ಣು, ಮೂಗು, ಮುಖದ ಅಳತೆಯನ್ನು ಗುರುತಿಸುತ್ತದೆ.

  • ಸ್ವಯಂಚಾಲಿತ ಚಾಲನಾ ಕಾರುಗಳು (Autonomous Cars): ಟೆಸ್ಲಾದಂತಹ ಸ್ವಯಂಚಾಲಿತ ಕಾರುಗಳು ರಸ್ತೆಯಲ್ಲಿ ಹೋಗುವಾಗ ಸುತ್ತಲೂ ಇರುವ ಸಿಗ್ನಲ್ ಲೈಟ್, ಮನುಷ್ಯರು, ಮತ್ತು ಸ್ಪೀಡ್ ಬ್ರೇಕರ್‌ಗಳನ್ನು ನೋಡಿ ಬ್ರೇಕ್ ಹಾಕಲು ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಕಡ್ಡಾಯವಾಗಿ ಬೇಕು.

  • ವೈದ್ಯಕೀಯ ಕ್ಷೇತ್ರ (Healthcare): ವೈದ್ಯರು ತೆಗೆಯುವ ಎಕ್ಸ್-ರೇ (X-ray) ಅಥವಾ ಎಂಆರ್‌ಐ (MRI) ಸ್ಕ್ಯಾನ್‌ಗಳನ್ನು ಸೂಕ್ಷ್ಮವಾಗಿ ಪರಿಶೀಲಿಸಿ, ಮನುಷ್ಯರ ಕಣ್ಣಿಗೆ ಸಿಗದ ಅತ್ಯಂತ ಚಿಕ್ಕ ಕ್ಯಾನ್ಸರ್ ಗಡ್ಡೆಗಳನ್ನು ಆರಂಭಿಕ ಹಂತದಲ್ಲೇ ಪತ್ತೆಹಚ್ಚಲು ಇದು ನೆರವಾಗುತ್ತಿದೆ.

ಸಾರಾಂಶ: ಕಂಪ್ಯೂಟರ್ ವಿಷನ್ ಎಂದರೆ ಕಂಪ್ಯೂಟರ್‌ಗಳಿಗೆ 'ಡಿಜಿಟಲ್ ಕಣ್ಣುಗಳು'. ಕೇವಲ ಫೋಟೋ ಅಥವಾ ವಿಡಿಯೋವನ್ನು ರೆಕಾರ್ಡ್ ಮಾಡುವುದಷ್ಟೇ ಅಲ್ಲದೆ, ಅದರಲ್ಲಿ ಏನಿದೆ ಎಂಬುದನ್ನು ಮನುಷ್ಯರಂತೆಯೇ ನೋಡಿ, ಗ್ರಹಿಸಿ, ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳುವಂತೆ ಮಾಡುವ ಅದ್ಭುತ ತಂತ್ರಜ್ಞಾನವಿದು.