Hva er en datamaskinvisjonstest?
En datamaskinvisjonstest presenterer en serie utfordringer for en visjonsalgoritme og noterer svar. Utviklingen av datasyn støtter aktiviteter som automatisert bildebehandling, pasientdiagnose og robotbevegelse. Fasiliteter med interesse for dette emnet bruker testing for å bestemme ytelsesnivået de kan oppnå med forskjellige algoritmer og programmer. Dette kan hjelpe dem med å bestemme hvor arbeidet deres må forbedres, og hva slags forbedringer de skal implementere for å gjøre en algoritme mer funksjonell.
I likhet med den menneskelige hjernen, kan en datamaskin fungere som en prosessor for visuell informasjon, med bruk av kameraer for visuell inndata. Datasyn kan variere fra relativt enkle prosesser som å gjenkjenne et bestemt element i det visuelle feltet til mer kompleks analyse. Dette gjøres gjennom programmering så vel som trening, som involverer datatesting for å utfordre programmer. En laboratorie er vanligvis nødvendig for en datorsynetest for å kontrollere variabler og få tilgang til prosessutstyr for høy hastighet.
I en datavisjonstest kan algoritmen presenteres for en serie utfordringsbilder. Disse kan variere i kompleksitet, og kan inkludere referanse- og testbilder, så vel som mål, for å se hvordan den reagerer på blandingen som helhet. For et ansiktsgjenkjenningsprogram, for eksempel, ønsker programmerere at datamaskinen skal få øye på menneskelige ansikter, og ikke bli forvirret av ting som kan se ut som ansikter, for eksempel et fotografi av en underlig formet stein. Testerne programmerer datamaskinen for å tilby en utgang, som å sirkle et ansikt eller belyse et indikatorlys, som svar på den visuelle inngangen.
Stillbilder er ikke det eneste som kan brukes i en datasynstest. Datamaskiner kan også jobbe med video og live sanntidsbegivenheter. De må kanskje være i stand til å spore spesifikke mål i bevegelse og utføre en rekke operasjoner. For eksempel kan observasjons- og målsystemene i militære fly følge et mål og automatisk oppdatere baner og andre parametere til fordel for piloten. Mer fredelig kan levende bildesporing være nyttig for folk som sportsfotografer, som kan stole på raske autofokusfunksjoner når du jobber med raske motiver som racerhester.
En rekke tester kan brukes til å presse et program til det ytterste. Når testerne identifiserer svake punkter, kan de gjøre justeringer av programmet og teste det på nytt. Algoritmer som kan lære, kan være kritiske for denne typen aktiviteter, ettersom programmet kan bli mer intelligent med hver datasynstest. Den lærer av sine feil og arkiverer denne informasjonen for fremtidig referanse, for å minimere sjansen for falske positiver eller negativer.