پهپادها و روبات ها به سیستم دید دقیق گربه مجهز هستند

دانشمندان سیستم بینایی جدیدی طراحی کرده اند که از لنزها و حسگرهای پیشرفته استفاده می کند و از ساختار چشم گربه ها الگوبرداری شده است. این مدل در شرایط نوری اجسام بیشتری را تشخیص می دهد.

در سال‌های اخیر، روبات‌ها، پهپادها و خودروهای خودران به طور فزاینده‌ای مورد استفاده قرار گرفته‌اند، اما این دستگاه‌ها هنوز در همه محیط‌ها دید خوبی ندارند. برای مثال، خودروهای خودران در باران یا مه عملکرد ضعیفی دارند. زیرا این شرایط بر حسگرها و دوربین های خودرو تأثیر می گذارد.

اکنون، طبق گزارش Live Science، دانشمندان مؤسسه علوم پایه کره جنوبی (IBS) یک سیستم بینایی کامپیوتری جدید با الهام از چشم گربه ای ساخته اند که به هواپیماهای بدون سرنشین، ربات ها و اتومبیل ها اجازه می دهد تا جهان اطراف خود را با دقت بیشتری ببینند.

طراحی یک سیستم دید جدید برای پهپادها با الهام از چشم گربه

گربه ها در محیط های روشن و تاریک عملکرد بصری بسیار خوبی دارند. در طول روز، مردمک های یک گربه شکلی عمودی به خود می گیرند – گویی چشمانش شکاف دارد – و نور را فیلتر می کنند تا نور شدید خورشید را کاهش دهد و به گربه اجازه می دهد بهتر روی محیط اطراف خود تمرکز کند.

از سوی دیگر، در شب، مردمک چشم گربه ها گشاد می شود تا نور بیشتری وارد شود. به طور دقیق تر، چشمان آنها دارای یک لایه بازتابنده به نام tapetum lucidum است که با انعکاس نور مرئی از طریق شبکیه، نور بیشتری را در اختیار گیرنده های نوری قرار می دهد تا بینایی آنها را تقویت کند.

سیستم جدید دانشمندان همچنین شامل یک دیافراگم شکاف مانند است که به فیلتر کردن نور غیر ضروری و برجسته کردن اشیاء کلیدی در شرایط روشن کمک می کند. در محیط های تاریک، از لایه های بازتابنده مانند آنچه در چشم گربه یافت می شود برای بهبود بینایی استفاده می شود.

یانگ مین سونگ، نویسنده اصلی این مطالعه، می‌گوید:

دوربین های رباتیک اغلب در شناسایی اشیاء در پس زمینه های شلوغ یا تار مشکل دارند، به خصوص زمانی که شرایط نوری تغییر می کند.

از آنجایی که این سیستم بینایی جدید به جای پردازش کامپیوتری سنگین به لنزهای تخصصی متکی است، از نظر انرژی نیز کارآمدتر است. هنگامی که محققان سیستم خود را آزمایش کردند، دریافتند که با موفقیت اشیاء پس‌زمینه را محو می‌کند و در عین حال تمرکز روی شی مورد نظر را افزایش می‌دهد. آنها همچنین از طیف وسیعی از الگوریتم های یادگیری ماشین برای درک بهتر سیستم اشیاء مورد علاقه استفاده کردند.

نتایج این تحقیق در مجله Science Advances منتشر شده است.