📢 کتابخانه تشخیص پلاک ساتپا⁣⁣⁣⁣
💻 محصولی از شرکت شهاب⁣⁣⁣⁣
⁣⁣⁣⁣
در کتابخانه‌ی پلاک خوان شرکت شهاب، شناسایی پلاک با استفاده از تکنیک های پیشرفته پردازش تصویر، شبکه عصبی و هوش مصنوعی صورت گرفته و نتیجه به صورت یک رشته (فارسی و انگلیسی) و یک مستطیل حاوی مختصات پلاک گزارش می شود. در این ماژول نرم افزاری که به نام ساتپا (سامانه تشخیص پلاک ایرانی) شناخته می شود، از کتابخانه های متن باز OpenCV و libVLC و برخی کتابخانه های اختصاصی شرکت شهاب (مثل شبکه عصبی و ماژول استخراج ویژگی) استفاده شده است.⁣⁣
⁣⁣
⁣⁣⁣⁣
⏫ دقت تشخیص پلاک 95%⁣⁣⁣⁣
🚔 تشخیص انواع پلاک های استاندارد ایران⁣⁣⁣⁣
⚡️ سرعت پردازش بسیار بالا (100ms)⁣⁣⁣⁣
💻 برنامه نویسی به زبان C++⁣⁣⁣⁣
⁣⁣⁣⁣
🌐 برای دریافت اطلاعات بیشتر به سایت شهاب مراجعه کنید :⁣⁣⁣⁣
کتابخانه تشخیص پلاک ساتپا ⁣
⁣⁣⁣
⁣⁣⁣⁣
☎️ شماره تماس :⁣⁣⁣⁣
023-32300204⁣⁣⁣⁣

📢 کتابخانه تشخیص پلاک ساتپا
💻 محصولی از شرکت شهاب

در ساعات شروع و پایان کار که تردد زیاد می شود، گیت های نگهبانی با ازدحام کارکنان برای ثبت ورود و خروج (کارت یا اثر انگشت و مانند آن) رو به رو هستند. در مواردی مثل دانشگاه ها که اساتید ملزم به ثبت اطلاعات تردد نیستند، نظارت بر اینکه خودروی پشت گیت، متعلق به هیات علمی است یا ارباب رجوع دیگر، کار دشواری است و در موارد متعددی نگهبان و استاد دچار سوء تفاهم می شوند؛ همین امر ممکن است برای مدیران سازمان نیز رخ دهد.

جهت رفع این مشکلات، قرائت خودکار پلاک خودرو های در حال تردد روشی سریع و مطمئن است. برای این منظور کافیست دوربین نظارتی به سامانه کنترل تردد مجهز به پلاک خوان هوشمند، متصل شود. سامانه پلاک خوان می تواند به راحتی مجاز بودن یا نبودن خودرو در حال تردد را تشخیص داده و در صورت مجاز بودن، راهبند را باز کند و زمان ورود و خروج خودروها و مشخصات آن را ثبت نماید.

🌐 برای دریافت اطلاعات بیشتر به سایت شهاب مراجعه کنید :
کتابخانه تشخیص پلاک ساتپا

☎️ شماره تماس :
023-32300204

📢 کتابخانه تشخیص چهره شهاب⁣⁣⁣
💻 محصولی از شرکت شهاب⁣⁣⁣⁣⁣⁣
⁣⁣⁣⁣⁣⁣
کاربرد ها :⁣
- مراکز تجاری و گردشگری⁣
- فروشگاه ها⁣
- ادارات⁣
- اپلیکیشن ها⁣
- شبکه های اجتماعی⁣
- نیرو انتظامی⁣
- توسئه دهندگان⁣
⁣
⏫ دقت تشخیص چهره بیش از 95%⁣⁣⁣⁣⁣⁣
👥 قابلیت تشخیص 200 نفر⁣⁣⁣
⏱ سرعت تشخیص چهره بسیار بالا (500ms)⁣⁣⁣⁣⁣⁣
💻 برنامه نویسی به زبان C++⁣⁣⁣⁣⁣⁣
⁣⁣⁣⁣⁣⁣
🌐 برای دریافت اطلاعات بیشتر به سایت شهاب مراجعه کنید :⁣⁣⁣⁣⁣⁣
https://shahaab-co.ir/face-recognition-library/ ⁣⁣⁣⁣⁣⁣
⁣⁣⁣⁣⁣⁣
☎️ شماره تماس :⁣⁣⁣⁣⁣⁣
023-32300204⁣⁣⁣⁣⁣⁣

📢 کتابخانه تشخیص پلاک ساتپا⁣⁣⁣⁣⁣
💻 محصولی از شرکت شهاب⁣⁣⁣⁣⁣
⁣⁣⁣⁣⁣
کتابخانه تشخیص پلاک ساتپا با پشتیبانی و به روز رسانی های مکرر خود توانسته به یکی از قوی ترین و بهینه ترین پردازنده های پلاک کشور تبدیل گردد⁣⁣⁣.
⁣⁣⁣⁣⁣
⏫ دقت تشخیص پلاک 95%⁣⁣⁣⁣⁣
🚔 تشخیص انواع پلاک های استاندارد ایران⁣⁣⁣⁣⁣
⚡️ سرعت پردازش بسیار بالا (100ms)⁣⁣⁣⁣⁣
💻 برنامه نویسی به زبان C++⁣⁣⁣⁣⁣
⁣⁣⁣⁣⁣
🌐 برای دریافت اطلاعات بیشتر به سایت شهاب مراجعه کنید :⁣⁣⁣⁣⁣
https://shahaab-co.ir/license-plate-recognition-library ⁣⁣⁣⁣⁣
⁣⁣⁣⁣⁣
☎️ شماره تماس :⁣⁣⁣⁣⁣
023-32300204⁣⁣⁣⁣⁣

📢 کتابخانه تشخیص چهره شهاب
💻 محصولی از شرکت شهاب

ویژگی ها :
- تشخیص 200 چهره متفاوت
- دقت تشخیص بالای ۹۵% در شرایط واقعی
- سرعت تشخیص بیش از ۵۰۰ میلی ثانیه
- کد نویسی در زبان برنامه نویسی ++C
- پیاده سازی در محیط Visual Studio 2017
- قابلیت اتصال به انواع دوربین

⏫ دقت تشخیص چهره بیش از 95%
👥 قابلیت تشخیص 200 نفر
⏱ سرعت تشخیص چهره بسیار بالا (500ms)
💻 برنامه نویسی به زبان C++

🌐 برای دریافت اطلاعات بیشتر به سایت شهاب مراجعه کنید :
https://shahaab-co.ir/face-recognition-library/

☎ شماره تماس :
023-32300204

📢 کتابخانه تشخیص پلاک ساتپا
💻 محصولی از شرکت شهاب

برای بررسی و تست امکانات و قابلیت ها، نسخه آزمایشی نرم کتابخانه پردازش پلاک ساتپا را می توانید به صورت رایگان از سایت شهاب دانلود نمایید.


⏫ دقت تشخیص پلاک 95%
🚔 تشخیص انواع پلاک های استاندارد ایران
⚡ سرعت پردازش بسیار بالا (100ms)
💻 برنامه نویسی به زبان C++

🌐 برای دریافت اطلاعات بیشتر به سایت شهاب مراجعه کنید :
https://shahaab-co.ir/license-plate-recognition-library

☎ شماره تماس :
023-32300204

💥 مجله علمی تخصصی شهاب 💥

📰 اخبار علمی
💻 معرفی دست آورد ها و تکنولوژی های روز دنیا
📝 مقالات آموزشی
⁦🎞️⁩ ویدیو های آموزش تخصصی

✅ پردازش تصویر
✅ هوش مصنوعی
✅ شبکه های عصبی
✅ بینایی ماشین
✅ یادگیری عمیق

🔸 با ما همراه باشید
⬇️⬇️⬇️⬇️⬇️
https://shahaab-co.ir/mag/

📝 جوپیتر : ترکیب پایتون و کدهای وب

🔸 جوپیتر یا ژوپیتر (Jupyter) یکی از نرم افزارهای کاربردی برای برنامه نویسی پایتون است. توسط این ابزار میتوانید به راحتی کد بنویسید و نتیجه را در لحظه ببینید. با ژوپیتر آزمایش های خود را در یک محیط ساده همراه با خروجی های در لحظه انجام دهید. این نرم افزار جهت تحقیق و توسعه در شرکت ها یا دانشگاه ها بسیار کاربرد دارد.

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/jupyter-notebook-intro/

#آموزش
#مجله_شهاب

📝 آشنایی با کتابخانه تنسورفلو

🔸 تنسورفلو، یک کتابخانه ی متن باز یادگیری عمیق برای زبان پایتون ( و زبان ++C) است که توسط تیم Google Brain در نهم نوامبر ۲۰۱۵ معرفی شد. امروزه گوگل از این کتابخانه برای مواردی چون بازشناسی گفتار، Gmail، Google photo و سرویس های جست وجو استفاده می کند.

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/tensorflow-intro/

#آموزش
#یادگیری_عمیق
#مجله_شهاب

📝 سیستم کنترل تردد چیست؟


🔸در این سیستم ها، ابتدا افراد یا خودروهای مجاز برای نرم افزار تعریف می شود. در هنگام ورود به سازمان، در صورتیکه هویت آن فرد یا خودرو، احراز شود، اجازه تردد صادر شده و فرمان به سخت افزاری مثل ماژول کنترل راهبند به منظور باز شدن راهبند یا درب، ارسال می شود. مزیت این سیستم ها در این است که احراز هویت به صورت خودکار از طریق پردازش تصویر چهره یا تشخیص پلاک خودرو صورت می گیرد. با این کار زحمت نگهبان هم کم شده و مراجعین هم احساس رضایت بیشتری خواهند داشت.

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/whats-access-control-system/
#آموزش
#کنترل_تردد
#مجله_شهاب

📝 پیاده سازی شبکه عمیق در متلب: ساختن شبکه یادگیری عمیق ساده برای کلاسه بندی

🔸در این درسنامه که ترجمه ی یکی از مثال های موجود در متلب است، نشان می دهیم که چگونه می توان یک شبکه عصبی کانولوشن ساده را برای کلاسه بندی آموزش عمیق ساخته و آموزش دهیم. شبکه های عصبی عمیق، ابزاری ضروری برای یادگیری عمیق هستند و عموما از آن برای بازشناسی تصویر استفاده می کنند.

در این مثال موارد زیر آموزش داده شده است:

🔻بارگزاری و جست وجوی داده های تصویری
🔻تعریف ساختار شبکه
🔻تعیین داده های آموزش و راستی آزمایی
🔻پیش بینی شماره کلاس برای یک داده ی جدید و محاسبه ضریب دقت کلاسه بندی

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/deep-neural-network-implementation-in-matlab-for-classification/

#آموزش
#یادگیری_عمیق
#متلب
#مجله_شهاب

📝 دوربین هوشمند : معرفی (قسمت اول)

🔸تلفیق علم پردازش تصویر و هوش مصنوعی سبب شده تا دوربین های هوشمند به عنوان محصولی برای نظارت، کنترل و هوشمند سازی در دنیای امروز گسترش یابند.
شاید رایج ترین نوع دوربین های هوشمند که تاکنون اغلب ما با آن مواجه شده ایم دوربین های تشخیص سرعت راهنمایی و رانندگی بوده است!
خطای بسیار کم، سرعت زیاد، هزینه نگهداری بسیار پایین، عدم نیاز به حضور اپراتور ۲۴ ساعته و مزایای بسیار دیگر باعث شده که صنایع و کارخانه ها به سرعت به سمت این دوربین ها روی آورند.

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/smart-surveillance-camera

#آموزش
#دوربین_هوشمند
#پردازش_تصویر
#مجله_شهاب

📝 دوربین هوشمند : کاربرد ها (قسمت دوم)

🔸با پیشرفت روز افزون علم پردازش تصویر و هوش مصنوعی، دوربین های هوشمند به سرعت جایگاه خود را در زندگی انسان ها گسترش می دهند. اکنون با برخی از کاربرد های این دوربین ها آشنا خواهیم شد.

🔻تشخیص چهره در ورودی اماکن مختلف
🔻تحلیل تراکم جمعیت و ازدحام از نظر زمانی و مکانی
🔻تشخیص نفوذ به محیط های ممنوعه
🔻اشیای مشکوک رها شده و اشیای سرقت شده
🔻تأمین امنیت و کنترل در تردد وسایل نقلیه در پارکینگ ها
🔻تشخیص آتش و دود
🔻کنترل ترافیک

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/machine-vision/smart-surveillance-camera-applications/

#آموزش
#دوربین_هوشمند
#پردازش_تصویر
#مجله_شهاب

🎞 شبکه های عصبی روی میکروکنترلر ARM

🔸یکی از مشکلات میکروکنترلرهای ARM عدم امکان استفاده از کتابخانه های موجود برای سیستم عامل هایی مثل ویندوز و لینوکس است. به تازگی، شرکت ST امکان استفاده از شبکه های عصبی مصنوعی را روی میکروهای STM32 فراهم کرده است. این شرکت افزونه‌ی نرم افزاری با نام STM32Cube.AI معرفی کرده است که روی نرم افزار STM32CubeMX نصب شده و امکان استفاده از هوش مصنوعی روی میکروهای ARM را فراهم می کند.

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/news/smart-systems/neural-network-on-arm-with-stm32cube-ai/

#تازه_ها
#ویدیو
#شبکه_عصبی
#مجله_شهاب

🎞 تکنیک بازسازی تصاویر توسط هوش مصنوعی با نتایج واقعی

🔸محققان انویدیا به رهبری گیلین لیو، تکنیک یادگیری عمیق جدیدی در شاخه هنر معرفی کردند که توانایی ویرایش و بازسازی تصاویر آسیب دیده را داراست. تصاویری که در آن ها حفره ایجاد شده یا پیکسل هایی را از دست داده اند.
این روش همچنین می تواند برای ویرایش تصاویر به وسیله حذف محتوا و پرکردن جای خالی آن ها بکار گرفته شود.
این شیوه که پروسه ای به نام “بازسازی تصاویر” را اجرا می کند، می تواند در نرم افزار های ویرایش تصویر پیاده سازی شود تا محتوای نا خواسته را حذف کرده و آن را با محتوا جایگزین واقعی و باورپذیر که توسط رایانه تولید شده جایگزین کند.

🔻برای دریافت اطلاعت بیشتر و استفاده از این تکنیک به لینک زیر مراجعه کنید :

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/news/new-ai-imaging-technique-reconstructs-photos-with-realistic-results/

#تازه_ها
#ویدیو
#هوش_مصنوعی
#مجله_شهاب

📝 هیستوگرام شیب های جهت دار (بخش اول)

🔸در این پست قصد داریم در مورد توصیف گر هیستوگرام شیب های جهت دار ( HOG ) بحث کنیم. هر چند این توصیف کننده در Matlab، OpenCV‌ و برخی کتابخانه های دیگر پیاده سازی شده اما آشنایی با جزئیات پیاده سازی این توصیف گر کمک می کند تا بتوانیم به بهترین نحو از آن استفاده کنیم.
توصیف گرها همان طور که از اسمشان بر می آید توصیفی از کل یک تصویر یا بخشی از آن هستند. آن ها با استخراج اطلاعات مفید و دور ریختن اطلاعات غیر ضرور، تصویر را ساده می کنند.
خب، همه چیز به نظر خوب میاد! اما یک لحظه صبر کنید. کدام اطلاعات ”مفید“ و کدام اطلاعات ”غیر مفید“ اند؟
در HOG، توزیع ( هیستوگرام ) جهات شیب ها ( Oriented Gradients ) به عنوان ویژگی استفاده می شود.

🔻برای دریافت اطلاعت و آشنایی بیشتر به لینک زیر مراجعه کنید :

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/machine-vision/histogram-of-oriented-gradients-1/

#آموزش
#بینایی_ماشین
#مجله_شهاب

📝 هیستوگرام شیب های جهت دار (بخش دوم)

🔸یکی از مهم ترین دلایل استفاده از توصیف گرها این است که تصاویری که اغلب حجم بالایی دارند را تبدیل به بردارها یا آرایه هایی کوچک و جمع و جور می کند. یک تکه ی ۸*۸ از تصویر ۱۹۲=۳*۸*۸ مقدار شدت روشنایی دارد. گرادیان این تکه ی تصویر نیز به ازای هر پیکسل دو مقدارِ اندازه و شیب دارد که در مجموع ۱۲۸=۲*۸*۸ عدد می شود. در انتهای این بخش خواهیم دید که چطور این ۱۲۸ عدد بوسیله ی یک هیستوگرام ۹ قسمتی نمایش داده خواهد شد. این نحوه ی نمایش تصویر را کم حجم خواهد کرد. نه تنها این روشِ توصیف، فشرده تر است بلکه نسبت به نویز مقاوم تر نیز هست. شیب هر پیکسل به تنهایی ممکن است نویز داشته باشد اما هیستوگرام یک تکه تصویر ۸*۸ کمتر به نویز حساس است.

🔻برای دریافت اطلاعت و آشنایی بیشتر به لینک زیر مراجعه کنید :

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/machine-vision/histogram-of-oriented-gradients-2/

#آموزش
#بینایی_ماشین
#مجله_شهاب

📝 تشخیص هویت : روش ها (قسمت اول)

🔸با توجه به پیچیدگی دنیای امروز و اهمیت نحوه ی نگهداری اطلاعات، موضوع امنیت آن، بسیار مهم و حساس شده است. همان گونه که در بخش تکنولوژی، از گذشته تا امروز، پیشرفت مثبت و چشمگیری داشته ایم در زمینه های کلاهبرداری و تبهکاری نیز روش های جدیدی به وجود آمده است که همین، اهمیت سیستم های تشخیص هویت جدیدتر را آشکار می کند.
تکنولوژی های تشخیص هویت ، عموما بر پایه روش های” بیومتریک” ( Biometrics ) ، یا معادل فارسی آن ” زیست سنجش ” ، بنیان نهاده شده اند.
بیومتریک، به نوع خاصی از روش های امنیتی گفته می شود که در آن، برای کنترل دسترسی و برقراری امنیت، از خواص قابل اندازه گیری ( اعم از مشخصات فیزیولوژیکی یا رفتاری ) انسان یا هر موجود زنده دیگر استفاده می شود.

🔻برای دریافت اطلاعت و آشنایی بیشتر به لینک زیر مراجعه کنید :

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/machine-vision/human-identification-techniques/

#آموزش
#بینایی_ماشین
#مجله_شهاب

📝 پیاده سازی شبکه عصبی عمیق در متلب – قسمت اول : کانولوشن

🔸امروزه کاربرد شبکه های عصبی مصنوعی بسیار گسترده شده و تنوع شدیدی پیدا کرده است. شبکه های عصبی مصنوعی، شبیه سازی فعالیت و پروسه ی یادگیری مغز انسان بر روی کامپیوتر می باشد. شبکه های عصبی یکی از راه های هوشمندسازی کامپیوتر ها و بعبارتی یادگیری و بینایی ماشین هستند. در این درسنامه به بررسی و تحلیل شبکه های عصبی عمیق پرداخته شده است.
روش های یادگیری عمیق را بر اساس روش پایه ای که از آن مشتق شده اند می توان به ۴ دسته مختلف تقسیم کرد که عبارتند از:

1- شبکه های عصبی کانولوشنی ( Convolutional neural networks )
2- ماشین بولتزمن محدود ( Restricted Boltzmann Machines :RBMS )
3- انکودرهای خودکار ( Autoencoders )
4- کد نویسی پراکنده ( Sparse Coding )

🔻برای دریافت اطلاعت و آشنایی بیشتر با نحوه کد نویسی به لینک زیر مراجعه کنید :

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/deep-learning/deep-neural-network-implementation-in-matlab-convolution/

#آموزش
#یادگیری_عمیق
#مجله_شهاب

📝 پیاده سازی شبکه عصبی عمیق در متلب – قسمت دوم : پولینگ

🔸دومین لایه، لایه ی Pooling است. یک لایه Pooling معمولا بعد از یک لایه کانولوشن قرار می گیرد و از آن برای کاهش اندازه نقشه های ویژگی و پارامترهای شبکه می توان استفاده کرد. همانند لایه های کانولوشنی, لایه های Pooling بخاطر در نظر گرفتن پیکسل های همسایه در محاسبات خود, نسبت به تغییر مکان ( Translation ) بی تغییر ( با ثبات ) هستند. برای پیاده سازی این لایه دو روش رایج وجود دارد:

1- Max pooling
2- Average pooling

🔻برای دریافت اطلاعت و آشنایی بیشتر با نحوه کد نویسی به لینک زیر مراجعه کنید :

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/deep-learning/deep-neural-network-implementation-in-matlab-pooling/

#آموزش
#یادگیری_عمیق
#مجله_شهاب

📝 پیاده سازی شبکه عصبی عمیق در متلب – قسمت سوم : تماماً متصل

🔸لایه ی دیگری که در شبکه های عصبی عمیق وجود دارد، لایه ی تماما متصل یا Fully connected است. لایه های تماما متصل Feature map های ۲ بعدی حاصله از مرحله ی Pooling را به Feature vector یک بعدی تبدیل می کند.
لایه های تماما متصل همانند همتایان خود در شبکه های عصبی مصنوعی سنتی عمل می کنند و تقریبا ۹۰% پارامترهای یک شبکه CNN را شامل می شوند. لایه تماما متصل بما اجازه می دهد تا نتیجه شبکه را در قالب یک بردار با اندازه مشخص ارائه کنیم . از این بردار می توان برای دسته بندی استفاده کرد و یا اینکه از آن جهت ادامه پردازش های بعدی بهره برد.

🔻برای دریافت اطلاعت و آشنایی بیشتر با نحوه کد نویسی به لینک زیر مراجعه کنید :

⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩⁦⬇️⁩
https://shahaab-co.ir/mag/edu/deep-learning/deep-neural-network-implementation-in-matlab-fully-connected/

#آموزش
#یادگیری_عمیق
#مجله_شهاب