معرفی دوره
شما در حال مشاهده جامع ترین بسته آموزشی پردازش تصویر و بینایی ماشین در متلب هستید، این بسته آموزشی در 30 جلسه به مدت زمان 1187 دقیقه به صورت گام به گام و کاملا پروژه محور، از نقطه شروع، هر چیز که شما برای شروع تا پایان راه یادگیری مباحث پردازش تصویر و بینایی ماشین نیاز دارید به شما خواهد آموخت. برای شروع این دوره آموزشی” شما نیاز به هیچ گونه پیشنیاز یا مقدمه ای نخواهید داشت“، پس اگر اطلاعات شما از برنامه نویسی و کار با نرم افزار متلب و یا حتی مفاهیم پایه پردازش تصویر و بینایی ماشین صفر مطلق نیز باشد می توانید با این دوره آموزشی کار یادگیری این شاخه جذاب از هوش مصنوعی را آغاز کنید.
در این دوره آموزشی در ابتدا شما با نرم افزار متلب و برنامه نویسی در آن آشنا خواهید شد، پس از آشنایی کامل با نرم افزار متلب و یادگیری اصول کدنویسی در آن نوبت به فراگیری مفاهیم مورد نیاز در پردازش تصویر و بینایی ماشین می رسد که در این بخش آموزش شما با تمام مفاهیم و الگوریتم های پایه در زمینه پردازش تصویر و بینایی ماشین آشنا خواهید شد.
پس از گذراندن این دوبخش از آموزش شما کل مفاهیم و مقدمات لازم برای شروع یک پروژه بینایی ماشین در نرم افزار متلب را فرا گرفته اید، و از این پس به صورت پروژه محور با 12 پروژه جذاب و فوق العاده، گام به گام نکات و الگوریتم های جدید به شما ارائه داده خواهد شد که در پایان 3 پروژه پایانی این آموزش که شامل پروژه تشخیص چهره و تشخیص پلاک به دو روش مجزا و با کمک گرفتن مقالات علمی و پیاده سازی مقاله می باشد را به عنوان پروژه پایانی به شما آموزش خواهیم داد تا هم با پیاده سازی یک پروژه حرفه ای تسلط خود در پردازش تصویر و بینایی ماشین را تکمیل نمایید و هم با بررسی و پیاده سازی یک مقاله علمی و بررسی نتایج آن آشنا شوید.
این دوره برای علاقمندان گرایش پردازش تصویر و بینایی ماشین بدون در نظر گرفتن رشته و پیشنیاز، همچنین دانشجویان مقاطع کاردانی، کارشناسی و کارشناسی ارشد که به این گرایش علاقه دارند و یا تازه وارد این رشته شده اند و همچنین افرادی که می خواهند به صورت صنعتی، کاربردی و پروژه محور این علم را فرابگیرند مناسب می باشد.
فهرست سرفصل های این دوره
– معرفی نرم افزار متلب و کاربرد های آن
– آشنایی با محیط نرم افزار متلب
– مدیریت فایل ها
– مدیریت متغییر ها
– مدیریت شبیه ساز (Simulink)
– مدیریت کد ها
– تنظیمات ظاهری محیط نرم افزار متلب
– تنظیمات ریسورس ها (resource)
– انواع داده و متغییر ها
– محاسبات در متلب
– گرافیک در نرم افزار متلب
– بررسی محیط Current Folder
– بررسی محیط command window
– بررسی محیط Work Space
– بررسی محیط Command History
– قوانین تعریف متغییر
– تعریف بردار و ماتریس
– بررسی قطر اصلی ماتریس ها
– معکوس کردن ماتریس ها
– ترکیب کردن ماتریس ها
– بررسی تابع Line Space
– بررسی تابع Length
– بررسی تابع Zeros
– بررسی تابع Rand
– بررسی تابع eye
– بررسی تابع size
– معرفی عملگر ها جمع، تفریق، ضرب، تقسیم، توان و … در متلب
– استفاده از عملگر ها در بردار ها
– استفاده از عملگر ها در ماتریس ها
– اولویت بندی عملگر ها
– جمع و ضرب ماتریس ها و بردار ها
– بررسی تابع sqrt
– بررسی تابع format
– بررسی تابع inv
– بررسی تابع det
– تعریف سیمبل ها با تابع syms
– ساده سازی معادلات با تابع simplify
– ساده سازی توابع با تابع simple
– حل دستگاه ها در متلب
– ترسیمات دوبعدی و سه بعدی در متلب
– بررسی تابع ezplot
– بررسی تابع expolar
– بررسی تابع explot3
– بررسی تابع ezcontour
– بررسی تابع ezmesh
– بررسی تابع ezsurf
– بررسی تابع meshgrid
– بررسی تابع surf
– بررسی تابع plot
– بررسی تابع bar
– بررسی تابع pie
– بررسی تابع pie3
– استفاده از Editor های ترسیمات در متلب
– نوشتن برنامه در محیط script
– حلقه های محدود for
– حلقه های نامحدود while
– تعریف توابع و فراخوانی آن ها در متلب
– تعریف توابع بی نام
– تعریف توابع فرعی در توابع اصلی
– تعریف توابع تو در تو
– تعریف عملگر های شرطی در متلب
– استفاده از شرط ها if, elseif , else
– خطایابی و تریس کردن کد ها در متلب
– استفاده از switch-case
– استفاده از تابع break
– تابع input
– فراخوانی داده از فایل txt با تابع importdata در متلب
– خواندن اعداد و ماتریس ها با تابع dlmread
– خواندن از فایل excel با تابع xlsread
– نوشتن در فایل با کمک تابع dlmwrite
– نحوه استفاده از help متلب
– تعریف پردازش تصویر و بینایی ماشین
– بررسی تصویر و ویدئو از دیدگاه ماشین
– تعریف پیکسل در تصویر
– بررسی تفکیک پذیری تصویر
– بررسی داده های موجود در هر پیکسل
– تصاویر سیاه و سفید یا بیتی
– تصاویر خاکستری
– تصاویر رنگ RGB
– بررسی کاربرد های پردازش تصویر
– بررسی تغییرات هندسی تصاویر در متلب
– چرخش تصاویر
– تغییر اندازه تصویر
– بررسی مد رنگی RGB
– بررسی مد رنگی CMYK
– بررسی مد رنگی HSV
– آنالیز و بررسی لایه های تصاویر RGB با چندین مثال عملی
– ترکیب کردن تصاویر
– تفکیک کردن تصاویر
– تعریف هیستوگرام یک تصویر
– کاربرد های هیستوگرام در تصاویر
– محاسبه هیستوگرام تصویر
– نمایش هیستوگرام تصویر
– آشنایی با مفاهیم کرنر
– آشنایی با مفاهیم فیلتر و انواع آن
– تعریف فیلتر با تابع fspecial
– اعمال فیلتر بر روی تصویر با تابع imfilter
– اعمال فیلتر بلور یا میانگین (average) بر روی تصویر
– اعمال فیلتر motion بر روی تصویر
– اعمال فیلتر disk بر روی تصویر
– آشنایی با لبه و مفهوم آن
– آشنایی با انواع روش های لبه یابی
– پیاده سازی لبه یابی با روش prewitt
– پیاده سازی لبه یابی با روش sobel
– پیاده سازی لبه یابی افقی و عمودی sobel در تصویر
– پیاده سازی لبه یابی canny در تصویر
– پیاده سازی لبه یابی log در تصویر
– مقایسه روش های لبه یابی در تصویر
– تولید نویز با کمک imnoise در تصویر
– بررسی نویز نمک فلفلی
– رفع نویز نمک فلفلی با median به کمک تابع medfilt2
– بررسی و پیاده سازی الگوریتم میانگین Average برای جستجوی یک الگو در تصویر
– بررسی و پیاده سازی الگوریتم شمارش Counter برای جستجوی یک الگو در تصویر
– مقایسه و بررسی معایب و مزایای الگوریتم های ارائه شده
– بررسی مد رنگی RGB
– جدا کردن لایه های رنگی R و G و B
– آموزش بررسی دوربین ها متصل به سیستم
– جدا کردن پس زمینه از اشیای روی آن
– فعال سازی وب کم برای دریافت تصویر ورودی یک پروژه
– تشخیص و دنبال کردن اجسام رنگی محیط با استفاده از وب کم
– آشنایی و استفاده از تابع im2filter2
– محاسبه آستانه بهینه با کمک تابع graythresh
– بررسی تابع bwareaopen و کاربرد های آن
– استفاده از توابع مورفولوژی، imclose و imopen
– استفاده از تابع imfill
– استفاده از تابع bwlabel
– پیاده سازی پروژه تشخیص تمام اشیای موجود در یک تصویر
– معرفی تبدیل هاف و کاربرد های آن
– استفاده از تبدیل هاف برای شناسایی خط
– فعال سازی وب کم
– پیاده سازی پروژه شناسایی خطوط محیط اطراف در تصویر با کمک وب کم به صورت آنلاین
– بررسی تابع corner
– فعال سازی وب کم
– پیاده سازی پروژه تشخیص گوشه های موجود در محیط با استفاده از وب کم به صورت آنلاین
– تشخیص دایره های رنگی به تفکیک رنگ روشن و تیره
– تشخیص رینگ لاستیک اتومبیل در تصویر
– فعال سازی وب کم
– تشخیص دایره های موجود در محیط اطراف به صورت آنلاین
– بررسی مد رنگی l*a*b*
– یافتن قسمت های هم رنگ در یک تصویر بر اساس فاصله اقلیدوسی
– تفکیک کردن نقوش بر روی یک پارچه در یک تصویر
– بررسی الگوریتم
– گشاد (Expend) کردن تصویر
– پر کردن منفذ های خالی
– حذف آبجکت های اضافی روی کادر
– از بین بردن نقاط اضافی روی تصویر
– تشخیص و جدا سازی سلول سرطانی پروستات
– بررسی تفاوت های face detection و face recognition
– رفع نویز با fspecial و imfilter
– بررسی تابع decorrstretch و بررسی آن در تصاویر رنگی
– بررسی تابع roicolor
– بررسی ویژگی رنگ پوست برای تشخیص چهره
– بررسی الگوریتم تشخیص چهره
– پیاده سازی تشخیص چهره و بررسی آن روی چند تصویر
– آموزش دریافت ویدئو دوربین کنترول ترافیک با پسوند (mj2) به عنوان ورودی
– جدا کردن فریم های تصویر از ویدئو برای اعمال الگوریتم
– بررسی تابع imextendedmax
– بررسی تابع regionprops
– بررسی الگوریتم تشخیص خودرو به تفکیک رنگ
– اعمال الگوریتم بر روی یک فریم از تصویر
– اعمال الگوریتم بر روی ویدئو
– بررسی راه های بالا بردن دقت الگوریتم و تشخیص از فواصل دور تر
– بررسی انواع پلاک در ایران
– بررسی ویژگی های پلاک جهت شناسایی
– بررسی دقیق مقاله جهت پیاده سازی
– بررسی ویژگی لبه در ناحیه پلاک
– بررسی بهترین روش لبه یابی متناسب با الگوریتم انتخابی
– اعمال الگوریتم بر روی تصویر
– بررسی معایب مقاله و راه کارهای بهبود آن
– بررسی انواع پلاک در ایران
– بررسی ویژگی های پلاک جهت شناسایی
– بررسی ویژگی هندسی پلاک برای شناسایی
– بررسی نحوه عملکرد تابع imdilate
– بررسی انواع قاب در متلب
– بررسی نحوه عملکرد تابع imopen
– پیاده سازی الگوریتم تشخیص یک پلاک در تصویر
– حذف محدودیت فاصله برای شناسایی پلاک
– گسترش الگوریتم برای تشخیص چندین پلاک در تصویر بدون محدودیت در فاصله
برای دانلود این دوره پس از ثبت نام در دوره، روی ایکن دانلود زیر کلیک کنید.
دانلود فایل ها و سورس کد دوره
برای دانلود کلیک کنید.
فایل های مورد نیاز دوره
دوره های مرتبط
بسته جامع برنامه نویسی در پایتون
معرفی دوره امروزه پایتون یکی از پر طرفدارترین زبان های برنامه نویسی میباشد. این زبان بخاطر ویژگیهای منحصر به فرد…
آموزش قطعه بندی نقوش پارچه در فضای رنگی l*a*b*
معرفی دوره یکی دیگر از پروژه های کاربردی که با کمک قطعه بندی تصویر می توان انجام داد، تشخیص نقوش…
آموزش شناسایی چهره در تصویر
معرفی دوره تشخیص چهره یکی از تکنولوژی های جذاب و بسیار پرکاربرد رشته هوش مصنوعی و شاخه بینایی ماشین است،…
آموزش مفاهیم پایه پردازش تصویر و بینایی ماشین
معرفی دوره پردازش تصویر و بینایی ماشین یکی از شاخه های جذاب و کاربردی در رشته هوش مصنوعی می باشند،…
امتیاز دانشجویان دوره
نظرات
قوانین ثبت دیدگاه
- دیدگاه های فینگلیش تایید نخواهند شد.
- دیدگاه های نامرتبط به مطلب تایید نخواهد شد.
- از درج دیدگاه های تکراری پرهیز نمایید.
- امتیاز دادن به دوره فقط مخصوص دانشجویان دوره می باشد.
810,000 تومان قیمت اصلی 810,000 تومان بود.486,000 تومانقیمت فعلی 486,000 تومان است.
مهندس هومن بهرامی
کارشناسی ارشد هوش مصنوعیمتخصص طراحی سیستم های هوشمند و بینایی ماشین، کارآفرین و مدرس دانشگاه
maryam(مدیریت)
سلام من میخوام این بسته جامع رو تهیه کنم، سرفصلاش رو دیدم خیلی کامل بودفقط یک سوال دارم این پروژه هایی که توی این بسته هستش همش با سورس کده؟ اگر بله، آیا سورس کد ها خط به خط آموزش داده می شه یا فقط فایل های سورس کد توی بسته هستش؟؟؟
مدیر محتوای پرونش(مدیریت)
سلام
دوست عزیز، تمام بسته های آموزشی ما و پروژه هایی که در سایت هست از 0 تا 100 پیاده سازیش آموزش داده میشه و خط به خط کد ها و دلیل استفاده از هر تابع یا دستوری و نتیجش بررسی میشه و آموزش داده میشه، تمام بسته های آموزشی ما هم با سورس کد کامل و قابل اجرای کد هاش در اختیار دانشجویان دوره قرار می گیره. پس با خیال راحت بسته ای که لازم دارید رو تهیه کنید.