التعرف على النجوم باستخدام رؤية الكمبيوتر (OpenCV): 11 خطوة (بالصور)

2024 مؤلف: John Day | [email protected]. آخر تعديل: 2024-01-30 07:37

سيصف لك هذا التوجيه كيفية إنشاء برنامج رؤية كمبيوتر للتعرف تلقائيًا على أنماط النجوم في صورة ما. تستخدم هذه الطريقة مكتبة OpenCV (رؤية كمبيوتر مفتوحة المصدر) لإنشاء مجموعة من مجموعات HAAR المدربة التي يمكن استخدامها للتعرف على أنماط نجمية معينة. على الرغم من أن هذا الدليل يقع في سياق التعرف على أنماط النجوم ، يمكن تطبيق عملية OpenCV التي وصفتها على تطبيقات أخرى أيضًا - لذا نأمل أن تكون مفيدة!

يتلخص المشروع في هذا الفيديو:

لماذا كتبت هذا الدليل؟

1. أعتقد أن طريقة تحديد نمط النجوم التي أقوم بتطويرها يمكن تطبيقها على مجموعة واسعة من مشاريع علم الفلك للهواة - سواء كان ذلك اتجاه التلسكوب ، أو التصنيف التلقائي للصور ، أو حتى مستشعر النجوم على مصدر مفتوح أو هواة CubeSat.
2. هناك الكثير من إرشادات OpenCV الجيدة هنا ، ولكن حتى مع ذلك وجدت أنها عملية صعبة للغاية للتعلم في البداية ، لذلك آمل أن يكون هذا الدليل مرجعًا جيدًا للأشخاص الآخرين الذين يتطلعون إلى تدريب مصنفات HAAR على OpenCV (ليس بالضرورة أن تفعل مع ربما علم الفلك!).
3. أنا لست مبرمجًا مدربًا بنفسي ، لذا فقد دفعني هذا المشروع حقًا بفهمي. نأمل من خلال كتابة هذا Instructable الآخرين ، الأكثر خبرة ، أن يتم إلهام صانعيها للعمل على هذا المفهوم والمساهمة في GitHub وهذا التوجيه من خلال التعليقات على هذه الصفحة.
4. تعتبر أساليب علم الفلك والتوجيه للهواة من اهتماماتي الكبيرة ، انظر التعليمات السابقة التي تضمنت Arduino Star-Finder للتلسكوبات.

صورة الغلاف الخاصة بهذا Instructable هي لمفهوم تصميم 3U CubeSat الذي شاركت في تصميمه. لقد استخدمته لتوضيح هذه التعليمات حيث كان التطبيق الأصلي لنظام التعرف على رؤية الكمبيوتر لنجوم الكمبيوتر هو مستشعر اتجاه لأقمار CubeSats المصنوعة هواة ، باستخدام كاميرا Raspberry Pi V2. أعتقد أن هناك العديد من التطبيقات المحتملة الأخرى للتعرف على نجوم رؤية الكمبيوتر ، لكنني أعتقد أن هذا هو الأروع!

مسرد صغير:

أصبح التعرف على رؤية الكمبيوتر أبطأ بسبب الكم الغبي من المصطلحات المتخصصة المستخدمة ، لذلك سأحدد بعضها لنا هنا:

Cascade - مصنف تم تدريبه لتحديد كائن هدف معين.

Fiducial Marker - علامة تضيف نقطة مرجعية بصرية إلى صورة.

HAAR - الميزات الشبيهة بـ Haar هي نوع من ميزات الصورة المستخدمة لتدريب المصنف.

OpenCV - Open Source Computer Vision ، مكتبة لأدوات رؤية الكمبيوتر.

Stellarium - برنامج علم الفلك مفتوح المصدر.

الخطوة 1: المتطلبات

OpenCV عبارة عن مكتبة قائمة على Linux ، لذلك على الرغم من أنه من المفترض أن تعمل بشكل جيد على Windows ، سيكون لديك وقت أسهل بكثير في تشغيلها في بيئة Linux (خذ هذا مني والعديد من الأيام التي تحاول تشغيلها بشكل كامل شبابيك!). كتجربة ، قمت بتنزيل OpenCV وتشغيله على Raspberry Pi 3B + الخاص بي ، والذي كان ناجحًا ، على الرغم من أن تدريب المصنف هو عملية مكثفة للغاية لذاكرة الوصول العشوائي ، لذلك إذا كنت ترغب في القيام بذلك بأي سرعة ، فإن المسار الموصى به هو استئجار خادم Linux الظاهري (والذي يمكن أن يكون غير مكلف بشكل مدهش في الواقع) لبضعة أيام / أسابيع / أشهر واستخدم ذلك كبيئة مخصصة لتشغيل تدريب المصنف. ستتمكن من التحكم في الخادم من جهاز كمبيوتر يعمل بنظام Windows باستخدام عميل SSH مثل Putty. بمجرد تدريب المجموعات المتتالية باستخدام VPS ، يمكن تنزيلها على جهاز الكمبيوتر الشخصي الذي يعمل بنظام Windows ، ويمكن استخدام Python لتشغيل برنامج التعرف على الصور في بيئة Windows.

خادم Linux الظاهري:

هناك حاجة إلى خادم Linux الظاهري (VPS) لأداء عمليات التدريب المتتالية HAAR. في البداية ، استأجرت خادمًا به ذاكرة وصول عشوائي (RAM) بسعة 8 جيجابايت و Ubuntu 16.04.6 (LTS) x64 ، ثم خادمًا آخر لمضاعفة المعدل الذي يمكنني من خلاله تدريب مجموعات متتالية ، على الرغم من أنك ستحتاج فقط إلى خادم واحد على الأقل

برمجة:

• Stellarium - هذا هو برنامج القبة السماوية / علم الفلك الافتراضي ، وهو متاح مجانًا. سيتم استخدامه لجمع صور النجوم المحاكاة لاستخدامها في الاختبار.
• المعجون - هذا هو عميل SSH يستخدم للتحكم في VPS عبر سطر الأوامر.
• WinSCP - يستخدم هذا لإجراء نقل الملفات من جهاز كمبيوتر يعمل بنظام Windows.

الخطوة 2: إعداد VPS

هناك عملية إعداد صغيرة لتشغيل VPS. قد يستغرق الأمر بعض الوقت في المرة الأولى بالنسبة لك ، ولكن ليس الأمر صعبًا إذا اتبعت الخطوات عن كثب. كان هذا البرنامج التعليمي مرجعًا رائعًا بالنسبة لي ، أوصيك بقراءة هذا أيضًا أثناء العمل من خلال هذه التعليمات. يغطي تفاصيل أوامر لينكس سطراً بسطر ، وهو أمر ضروري لمتابعة الحرف.

تقريبًا ، تتضمن العملية:

1. إنشاء خادم Linux بإصدار Ubuntu الصحيح.
2. ترقية وتحديث الخادم.
3. إنشاء دليل مساحة العمل ، حيث تم تثبيت OpenCV.
4. تثبيت بعض الأساسيات ، مثل مترجم ، مكتبات متنوعة ، وترابط بايثون.

بعد هذه المرحلة ، تكون جاهزًا لبدء التحضير لعملية التدريب.

الخطوة 3: العملية

إن العملية الكاملة لرؤية الكمبيوتر باستخدام شلالات HAAR مربكة للغاية في البداية ، لذلك تصف هذه الخطوة المنطق بمزيد من التفاصيل:

العملية الأساسية

1. توجد مجموعة بيانات للصور السلبية ، تتكون من عدة آلاف من الصور التي لا تحتوي على الشيء الذي يثير الاهتمام. سيحتاج هذا إلى تحميله على VPS.
2. يتم إنشاء صورة واحدة إيجابية تحتوي على موضوع الاهتمام. سيحتاج هذا أيضًا إلى التحميل على VPS.
3. الصورة الإيجابية المفردة مشوهة ، مشوهة ، مستديرة ، وما إلى ذلك ، بواسطة مجموعة من المعلمات المختارة ومراكبة على مجموعة مختارة من الصور السلبية. هذه طريقة مصطنعة لإنشاء مجموعة بيانات إيجابية كبيرة من صورة واحدة. (بالنسبة لتطبيقات العالم الواقعي الأخرى ، مثل التعرف على قطة ، يمكنك ببساطة استخدام عدة آلاف من صور القطط ، ولكن هذه الطريقة ليست مناسبة دائمًا إذا لم يكن لديك مثل هذه المجموعة الكبيرة من الصور الإيجابية. الأسلوب المصطنع المستخدم هنا سيكون أقل فاعلية ، لكنه الخيار الوحيد لحالة استخدام مثل هذه).
4. يتم تشغيل عملية التدريب ، والتي تعمل على مراحل. ستقوم كل مرحلة بتدريب سلسلة متتالية لتحديد ميزات مختلفة من نوع HAAR داخل مجموعات الصور. تستغرق كل مرحلة وقتًا أطول لإكمالها بشكل كبير ، وتزداد فعالية المصنف في كل مرة (من الممكن أيضًا الإفراط في التدريب فقط حتى تعرف!).
5. سيتمكن شلال مدرب واحد من البحث عن كائن هدف واحد. إذا كنت ترغب في تحديد عدة كائنات فريدة ، فستحتاج إلى سلسلة مدربة لكل منها. في هذه الحالة ، قمت بتدريب حوالي 50 سلسلة مختلفة لأنماط النجوم الفريدة ، لإنشاء مجموعة يمكن أن تغطي نصف الكرة السماوية الشمالي.
6. أخيرًا ، يتم استخدام برنامج الكشف الذي يدير كل سلسلة من مجموعة مقابل صورة إدخال. سيبحث التتالي عن الكائن الهدف المحدد داخل صورة الإدخال.
7. في حالة النجاح ، سيتم تحديد الكائن الهدف داخل صورة الإدخال.

n.b. إذا تم استخدامها في سياق اتجاه القمر الصناعي على سبيل المثال ، فسيتم التقاط صورة باستخدام كاميرا على متن الطائرة. سيتم تحديد ألمع النجوم في تلك الصورة ، وتراكب العلامات في تلك المواضع. ثم يتم تقديم هذه الصورة إلى مجموعة الشلالات المدربة ، والتي ستختبر لمعرفة ما إذا كانت الصورة المدخلة تحتوي على أي من الكائنات المستهدفة. إذا تم الكشف عن موجب حقيقي ، فسيتم اكتشاف الموضع الزاوي لكوكبة معروفة بالنسبة إلى محاور جسم القمر الصناعي.

الخطوة 4: السلبيات والإيجابيات

السلبيات

يتمثل أحد الجوانب الرئيسية حقًا للتدريب التعاقبي في الحصول على أكبر مجموعة بيانات للصور السلبية قدر الإمكان. نحن نتحدث عن آلاف ، من الناحية المثالية عشرات الآلاف من الصور. لا يهم حقًا ما تحتويه ، فالهدف هو فقط توفير مجموعة متنوعة من المعلومات المرئية. يحتوي مجلد Classifier Training على مجموعة متنوعة من مجموعات بيانات الصور السلبية المختلفة التي جمعتها. في البداية ، كانت هذه الصور تتألف فقط من صور حقل نجوم محاكاة تم الحصول عليها من Stellarium ، لكنني لاحقًا عززت مجموعة البيانات بأكبر عدد ممكن من الصور العشوائية (نعم ، بما في ذلك صور العطلة الخاصة بي …). تتضمن أكبر مجموعة بيانات هناك ما يقرب من 9000 صورة ، وهي أكبر مجموعة قمت بإنشائها حتى الآن. باستخدام هذا ، سيوفر لك تجميع ما تريد.

الايجابيات

تبدأ الصورة الإيجابية (أي نمط النجم المستهدف الذي سيتم تدريب السلسلة على التعرف عليه) كلقطة شاشة لنمط نجم في Stellarium. ثم يقوم برنامج python بتحديد ألمع النجوم في الصورة ، ويضع علامات (موضحة لاحقًا في هذا الدليل) على مواضع النجوم هذه. يتم بعد ذلك تقليص هذه الصورة إلى 50 × 50 بكسل. هذا صغير ، لكن وقت التدريب المطلوب للتتالي سيزداد بشكل كبير مع زيادة هذا الحجم ، وبالتالي يعد هذا حل وسط جيد بين الجودة والوقت.

الخطوة 5: التحكم في Stellarium

يحتوي مجلد Stellarium Scripts في مستودع GitHub على ثلاثة برامج كتبتها للتحكم في استخدام Stellarium. لاستخدامها ، ضعها في مجلد البرامج النصية لمجلد تثبيت Stellarium. لتشغيلها ، يمكنك فتح نافذة البرامج النصية من داخل قائمة Stellarium ، أو فقط بالنقر المزدوج على البرنامج في مجلد البرامج النصية ، والذي سيطلق Stellarium وتشغيل البرنامج المحدد على الفور.

تلتقط thesis_4 و thesis_5 حوالي 2000 صورة لكل من نصفي الكرة السماوية الشمالي والجنوبي على التوالي. تم استخدام هذه لتكوين قواعد بيانات للصور السلبية ، لتدريب الصورة الإيجابية عليها. كان التمييز بين الشمال والجنوب طريقة بسيطة للتأكد من أن نمط النجم المستهدف (الإيجابي) لن يكون موجودًا في مجموعة البيانات السلبية من خلال تدريب أنماط نجوم نصف الكرة الشمالي مقابل مجموعة بيانات صور نصف الكرة السماوية الجنوبية والعكس صحيح. (إذا كانت الصورة الإيجابية موجودة أيضًا ضمن مجموعة بيانات الصورة السلبية ، فستؤثر على جودة المصنف).

يعد thesis_setup مفيدًا أيضًا - حيث يعمل هذا على إعداد Stellarium ليكون مناسبًا لالتقاط الصور - الصور المستخدمة لمحاكاة منظر من الفضاء. يقوم بإجراءات مثل إخفاء القوائم وخطوط الشبكة والتسميات وما إلى ذلك تلقائيًا لتوفير ما تحتاج إليه في كل مرة تريد فيها التقاط صورة.

الخطوة 6: صاروخ مان

لم تكن الشلالات الأولى التي قمت بتدريبها قادرة على تحديد أي أنماط نجمية بشكل صحيح. كانوا غير موثوقين للغاية وكانوا عرضة للإيجابيات الكاذبة. كان افتراضي أن صور مجال النجوم من Stellarium (أساسًا نقاط بيضاء فقط على خلفية سوداء) لم تحتوي على معلومات مرئية كافية لاحتواء ميزات HAAR كافية لتدريب المصنف الناجح. أعتقد أن الوقت قد حان في وقت متأخر من الليل ، لكنني قررت تجربة فكرة كتابة برنامج لوضع صورة مصغرة تلقائيًا فوق موقع كل نجم لامع في صورة حقل نجم.

إلتون

كان هذا اختبارًا سخيفًا ، ولكن بإضافة صورة صغيرة لوجه Elton John إلى كل موقع نجم ساطع ، وتدريب المصنف على هذه الصورة الإيجابية ، ثم تشغيل الشلالات على الصورة الأصلية ، كان أكثر فاعلية في العثور على الصورة بشكل صحيح. النمط الصحيح. كنت أعلم أنني كنت على شيء!

الخطوة 7: العلامات الإيمانية

على الرغم من أن Eltons أثبتت النظرية ، إلا أنني كنت بحاجة إلى علامة لها تناظر دوراني كامل ، بحيث يظهر نمط النجم كما هو بغض النظر عن الاتجاه الذي تم تقديمه. اختبرت مجموعة من أنواع العلامات ، ووجدت أن النوع في أسفل اليمين كان أكثر فاعلية ، مع تباين الحلقات السوداء والبيضاء. يُظهر برنامج python المقدم في المجلد الإيجابي لـ GitHub repo كيف يتم تحديد ألمع النجوم في صورة معينة ، ويتم تراكب هذه العلامات تلقائيًا في تلك المواضع. لقد أنشأنا الآن تمثيلًا لأنماط النجوم الرئيسية التي يمكن التدرب عليها.

الخطوة 8: استخدام Cascades

عندما تقوم بتدريب مجموعة من الشلالات ، فأنت بحاجة إلى معرفة كيفية استخدامها لتحديد كائن في صورة ما!

انظر إلى مجلد Star Identification في GitHub ، حيث ستجد برنامج cascade_test19.py. يأخذ هذا البرنامج الذي يحمل اسمًا جذابًا مجموعة من المجموعات المتتالية من مجلد معين ، ويقوم بتشغيلها جميعًا مقابل صورة إدخال وتقارير عن عمليات الاكتشاف التي تم إجراؤها. إن وظيفة "DiscoverMultiScale" هي جوهر ذلك ، وتتطلب مجموعة متنوعة من الحجج التي تحدد عملية الكشف. يعد تعديل هذه العناصر أمرًا بالغ الأهمية لأداء المصنف المتتالي ، ويمكن العثور على مزيد من المناقشة حول هذا الأمر في الخطوة التالية ، حيث ننظر في كيفية التخلص من الإيجابيات الخاطئة.

يمكن تطبيق ذلك في نظام توجيه القمر الصناعي عن طريق ربط قيمة البكسل في مركز المربع المحيط بالإحداثيات السماوية Ra / Dec لطقطق النجم المحدد ، ثم ربط ذلك بالإزاحة الزاوية من مركز الصورة (الكاميرا محور). من هذا ، وباستخدام فهم تشوه العدسة (تقريبًا لإسقاط عقلي) ، يمكن العثور على زاوية القمر الصناعي من خلال تعريفين موجبين فقط.

الخطوة 9: كيف تحافظ على الإيجابية تجاه الإيجابيات الخاطئة

تُظهر هاتان الصورتان نتائج اختبار مجموعة التتالي على صورة متطابقة ، ولكن بمعلمات مختلفة. من الواضح أن الصورة الأولى تحتوي على التعريف الحقيقي ، ولكنها تحتوي أيضًا على عدد هائل من الإيجابيات الخاطئة ، بينما تحتوي الصورة الثانية على التعريف الصحيح فقط.

يستخدم برنامج cascade_test19.py داخل مجلد Star Identification في GitHub repo طريقتين لفرز النتائج. أولاً ، تحدد وظيفة الاكتشاف متعدد المستويات حجم Miminum والحجم الأقصى للنتيجة التي يمكن العثور عليها ، وهو أمر معقول ، مثل الحجم التقريبي لنمط النجم المستهدف داخل النافذة (للعدسة والتكبير المعينين - تستخدم صور Stellarium المحاكاة الخاصة بي خصائص كاميرا Raspberry Pi V2) معروفة. ثانيًا ، سيحدد الكود النتيجة بأكبر مربع إحاطة (ضمن الحدود السابقة). في الاختبار ، وجد أن هذا هو الإيجابي الحقيقي. ثالثًا ، يحدد البرنامج الحد الأدنى من "أوزان المستوى" (فعليًا "قيمة الثقة") المطلوبة للتعامل مع هذا المعرف باعتباره إيجابيًا حقيقيًا. بهذه الطريقة ، كانت الشلالات فعالة في العثور على النتيجة الصحيحة.

بالإضافة إلى الصور الميدانية للنجوم ، اختبرت هذا أيضًا مقابل صور مكتبي على سبيل المثال ، تدريب الشلالات لتحديد دفتر الملاحظات الخاص بي ، والقدح ، وما إلى ذلك ، للتدرب على التخلص من الإيجابيات الكاذبة. الأساليب المذكورة أعلاه عملت بشكل جيد في جميع الظروف التي كانت مشجعة.

الخطوة 10: المناقشة

مجالات للتحسين

لقد كان هذا مشروعًا معقدًا بالنسبة لي ، وقد دفعني حقًا إلى فهم الموضوع. لقد تطلب الأمر ما مجموعه عدة أشهر تقريبًا من العمل بدوام كامل للوصول بالمشروع إلى هذه النقطة عندما يمكنني مشاركته معك ، ولكن هناك الكثير من العمل الذي يتعين القيام به لتحسين أداء الطريقة. كما هو الحال ، يمكن أن يعمل بشكل جيد ضمن قيود معينة. لقد عملت على تحديد المجالات التي تحتاج إلى عمل إضافي ، وآمل أن أتمكن من قضاء بعض الوقت في معالجتها في الأشهر القادمة. هم انهم:

زاوية - هذه منطقة معقدة ، فكرة أن نتائج المصنفات يجب أن تكون ثابتة دورانيًا ، أي يجب أن تحدد الموثوقية نمط النجم المستهدف بغض النظر عن الزاوية التي يتم فيها تقديم الصورة التي تحتوي على طقطقة النجم الهدف. لن يتمكن الشلال الذي تم تدريبه باستخدام صورة إدخال في اتجاه واحد من تحديد تلك الصورة في اتجاهات عشوائية ، لذلك يجب إدخال التباين في زاوية الصورة الإيجابية في عملية التدريب لتدريب الشلالات التي يمكن أن تقبل نطاقًا على زوايا الإدخال. تأخذ المعلمة 'maxzangle' في أوامر التدريب المتتالية وسيطة بوحدات الراديان ، والتي تتحكم في حد الزاوية التي سيتم تراكب الصورة الإيجابية للإدخال عليها على الصور السلبية المقدمة ، وبالتالي ستحتوي مجموعة الصور الإيجابية الناتجة على مجموعة من الاتجاهات من الصورة الإيجابية. ومع ذلك ، مع زيادة هذا الحد الأقصى ، ستنخفض نسبة القبول (بشكل عام ، الجودة) للتتالي بشكل حاد. أعتقد أن الحل هو تدريب المجموعات المتتالية باستخدام قاعدة بيانات أكبر بكثير للصور السلبية مما كنت أستخدمه لضمان إمكانية إنشاء مصنف تسلسلي عالي الجودة حتى مع دمج انتشار كبير في الاتجاه.

هناك حل آخر محتمل يتمثل في تدريب عدد من السلاسل المتتالية لهدف محدد ، حيث تحكم كل سلسلة متتالية جزءًا معينًا من دوران كامل بزاوية 360 درجة. بهذه الطريقة يمكن الحفاظ على جودة كل سلسلة على مستوى عالٍ ، ولكن من ناحية أخرى ، سيؤدي ذلك إلى مزيد من التسلسلات ، وبالتالي ستكون عملية تحديد الهوية أبطأ.

المعلمة "levelWeight" ، وهي قيمة توفرها وظيفة "DiscoverMultiScale" ، مماثلة لقيمة الثقة في الاكتشاف الذي تم إجراؤه. بدراسة هذا ، تم إنشاء الرسم البياني أعلاه ، والذي يوضح كيف تنخفض ثقة التعرف الإيجابي بشكل حاد مع زيادة اتجاه الصورة في أي من الاتجاهين ، مما يؤكد الأفكار على أن هذه نقطة ضعف.

وضع البكسل - النقطة الأكثر بساطة ولكنها إشكالية أيضًا هي موضع البكسل ، الموضحة في الصورتين التاليتين ، والتي تعرض عرضًا مكبّرًا لصورة نجمة ، بحيث يمكن رؤية البكسل الفردي لنجمتين بوضوح. عملية التعرية المستخدمة في البرنامج لفرك الكل ما عدا النجوم الأكثر سطوعًا من الصورة ستحافظ على النجم الأول ، وتتجاهل الثانية ، على الرغم من كونها متساوية في السطوع. والسبب في ذلك هو أن النجمة الأولى تتركز على بكسل ، في حين أن الثانية ليست كذلك. تعمل وظيفة التآكل على تجريد حلقات متحدة المركز من البكسل من حول البكسل المركزي للمجموعة ، وبالتالي فإن النجم الأول سيكون له البكسل المركزي الذي ينجو من وظيفة التآكل ، ولكن ستتم إزالة النجم الثاني تمامًا من الصورة. لذلك سيتم وضع العلامات الإيمانية على النجمة الأولى فقط وليس الثانية. سيؤدي هذا إلى تناقضات تتعلق بالنجوم الساطعة في حقل نجم معين ستتلقى علامات (وبالتالي يتم مقارنتها بالمصنفات المدربة) - وبالتالي من الممكن ألا تكون الملاحظة الإيجابية الصحيحة ممكنة.

الخطوة 11: الكلمة الأخيرة

شكرًا لك على قراءة التعليمات الخاصة بي ، وآمل أن تكون قد وجدت هذا المشروع مثيرًا للفضول. لقد كانت عملية مثيرة للاهتمام للغاية ، لقد مر أكثر من عام منذ أن بدأت العمل على المفهوم ، وتشجعني النتائج حتى هذه النقطة. من الأدبيات التي قرأتها ، هذا مفهوم أصلي جدًا ، ومع المزيد من التطوير يمكن بالتأكيد تطبيقه في مجموعة من التطبيقات لعلم الفلك للهواة أو أكثر.

كان هذا المشروع بمثابة منحنى تعليمي حاد بالنسبة لي ، ولذا آمل أن يكون بعض القراء الذين لديهم المزيد من الخبرة في البرمجة قد يكونون مصدر إلهام للمساهمة في استمرار المشروع من خلال صفحة GitHub ، ويمكننا الاستمرار في تطوير هذه الأداة مفتوحة المصدر. إنني أتطلع إلى قراءة أي تعليقات قد تكون لديكم ، ولكن من فضلك لا تسأل الكثير من الأسئلة الصعبة!

الوصيف في تحدي الفضاء