• Ανίχνευση σφαλμάτων και ποιοτικός έλεγχος (π.χ. σε μια γραμμή παραγωγής)

• Ιατρική ανάλυση εικόνας (π.χ. εντοπισμός ενός ιού ή καρκινικών κυττάρων)

• Επίβλεψη ετικετών σε προϊόντα ( π.χ. ένα βιομηχανικό ρομπότ)

• Έλεγχος και επιτήρηση διαδικασιών (π.χ. ένα αυτόνομο ρομποτικό όχημα )

• Αλληλεπίδραση χρηστών με υπολογιστικά συστήματα (π.χ. ως είσοδος σε μια

συσκευή αλληλεπίδρασης ανθρώπου / μηχανής)

• Καθοδήγηση ρομποτικών συστημάτων (π.χ. σε βιομηχανικό περιβάλλον ή στην

έξυπνη γεωργία)

• Επιθεώρηση συσκευασιών (π.χ. σε βιομηχανική γραμμή ταξινόμησης και συ-

σκευασίας)

Μέσα από την επεξεργασία των δεδομένων, το σύστημα δύναται να λαμβάνει

αποφάσεις και να ενημερώνει τον χρήστη για το αποτέλεσμα. Το είδος της απόφα-

σης μπορεί να είναι κάτι απλό όπως «ο εντοπισμός ενός ατόμου ή το πλήθος των

ατόμων» ή να πρόκειται για μια συνθέτη διαδικασία όπως η ανάλυση ιατρικών εξε-

τάσεων. Σε κάθε περίπτωση για την παραγωγή ορθού αποτελέσματος οι εικόνες ή

τα καρέ του video επεξεργάζονται με την εφαρμογή διάφορων φίλτρων χρωματικών

μετατροπών καθώς και αλγορίθμων τεχνητής νοημοσύνης.

Σε ένα σύστημα μηχανικής όρασης προκειμένου να επεξεργαστούν τα δεδομέ-

νων από μια κάμερα απαιτείται από τον υπολογιστή να επεξεργαστεί ένα πλέγμα

αριθμών όπως απεικονίζεται στην παρακάτω εικόνα

35