کنکور کامپیوتر

بینایی کامیپوتر چیست - ارائه نقشه راه بینایی ماشین

کامپیوتر ویژن یا بینائی کامپیوتر، در ارتباط با مدلسازی و تقلید از حس بینایی انسانی از طریق استفاده از نرم‌افزار یا سخت‌افزار دیجیتالی می‌باشد.

هم‌اکنون که در سال 2022 به مسیر زندگی ادامه می‌دهیم، تکنولوژی همچون یک موشک با سوختی پایان‌ناپذیر در حال پرواز در مسیری نمایی، صعودی و بی‌انتهاست. جای تعجب نیست که اگر بگوییم تا به حال تمامی حواس پنجگانه‌ی انسانی در ابعاد مختلف و البته با محدودیت‌های خودش برای ماشین‌های کامپیوتری نیز ساخته و پرداخته شده است. ادراک ماشین (machine perception) قابلیتی است در سیستم‌های کامپیوتری برای تفسیر داده‌های محیط به طوری که شبیه به حواس پنجگانه انسان پیاده‌سازی شود. بینایی ماشین نیز، یک جزء از این مولفه‌های ادراکی ماشین است که صد البته بحث جدیدی نیست و بیش از 70 سال است که این تئوری پای در عرصه‌ی عمل گذاشته و امروزه با گسترده شدن فناوری و دنیای دیجیتال، به جزئی جدایی‌ناپذیر از زندگی ما بدل گشته است.

حس بینایی چیست؟

حدود 70 درصد از کل گیرنده‌های حسی بدن شما، در چشمان‌تان قرار دارد!

سلولهای گیرنده‌ی نوری چشمان شما، انرژی نور را به پالس‌های عصبی که مغز شما آن را بفهمد تبدیل می‌کند. اما این فرآیند چگونه اتفاق می‌افتد؟ بیاید ابتدا ساختار چشم را بررسی کنیم.

ساختار چشم انسان

حال که با ساختار چشم آشنا شدید، بیایید در مورد نور بیشتر یاد بگیریم! همانطور که ممکن است بدانید، نور هم مانند صوت، نوعی سیگنال سینوسی است با این تفاوت که موج صوت، موجی مکانیکی و موج نور، موجی الکترومغناطیسی است بدان معنا که نور نیازی به حرکت مولکول‌ها برای انتقال ندارد.

فرکانس در صوت، تعیین کننده‌ی زیر یا بمی صداست و دامنه‌ی آن، تعیین‌کننده‌ی ضعیف یا قوی بودن بلندی صداست. اما فرکانس در نور، تعیین‌کننده‌ی رنگ یا چرده (hue) و دامنه‌ی آن، تعیین‌کننده‌ی روشنایی آن است.

مقایسه طول موج (فرکانس) رنگ‌های مختلف

حال در ادامه، یک جسم مانند برگ درخت را در جلوی چشم خود تصور کنید. پرتوهای نوری که به این برگ برخورد کرده و به چشم شما بازتاب می‌شود ابتدا به قرنیه‌ی چشمتان برخورد می‌کند؛ سپس از طریق مردمک چشم وارد لایه‌ی میانی چشم شده و پس از عبور از عدسی، به شبکیه‌ی چشم می‌رسد. حال به صورت خودآگاه یا ناخودآگاه برای دیدن بهتر تصویر از نظر روشنایی، عنبیه‌ی چشمتان میزان نور ورودی را با باز و بسته کردن مردمک چشم تنظیم می‌کند و سپس برای شفاف شدن تصویر، محل تمرکز نور بر شبکیه‌ی چشم توسط عدسی چشم تنظیم می‌شود.

تشکیل تصویر برگ بر روی شبکیه‌ی چشم

توجه کنید که تصویر برگ بر روی شبکیه‌ی چشم، به صورت کوچکتر و وارونه است که پس از یک پیش‌پردازش طبیعی، اطلاعات به صورت سیگنالهای عصبی به مغز منتقل می‌شود. اما این پردازش تصویر توسط چه سلول‌هایی و به چه شکلی صورت می‌گیرد؟

شبکیه، پس از دریافت نور، آن را به انرژی شیمیایی تبدیل می‌کند که این انرژی شیمیایی، کار فعالسازی اعصاب بینایی را بر عهده دارد. شبکیه، خود، به چهار لایه تقسیم‌بندی می‌شود که از بیرونی‌ترین به داخلی‌ترین بخش به معرفی آنها می‌پردازیم:

  1. لایه‌ی رنگدانه‌ی چشم (pigment epithelium): که وظیفه‌ی غذارسانی به سلولهای عصبی بینایی در لایه‌های داخلی‌تر را بر عهده دارد.
  2. لایه‌ی ادراک نور که شامل سلولهای مخروطی (cone) و سلولهای استوانه‌ای (rod) می‌شود.
  3. لایه‌ی نورونهای دوقطبی (bipolar neurons)
  4. لایه‌ی یاخته‌های گانگلیون (ganglion cells)

ساختار شبکیه‌ی چشم

پردازش نور وارد شده به شبکیه، از لایه‌ی یاخته‌های مخروطی و استوانه‌ای شکل شروع شده و با سلول‌های گانگلیون خاتمه می‌یابد. سپس، سیگنال‌های الکتریکی تولید شده از طریق عصب باصره که به سلول‌های گانگلیون چسبیده است به سمت هیپوتالاموس مغز فرستاده می‌شود.

بخش مهمی که می‌خواهیم بیشتر به آن بپردازیم، همین سلولهای مخروطی و استوانه‌ای شکل است که شناخت آنها درک بسیار زیادی را نسبت به بینایی، چه بینایی انسان و چه بینایی ماشین به ما می‌دهد.

یاخته‌های مخروطی (cone cells)

این سلولها در مرکز شبکیه قرار دارند و وظیفه‌ی شناسایی جزئیات و رنگ را بر عهده دارند که خود به سه دسته‌ی سلول‌های مخروطی حساس به قرمز، حساس به سبز، و حساس به آبی تقسیم می‌شوند. این سلول‌های مخروطی تنها در شرایطی که آستانه‌ی روشنایی نور از یک حدی بیشتر باشد حساسیت نشان می‌دهند و فعال می‌شوند.

یاخته‌های استوانه‌ای (rod cells)

در مقابل سلول‌های مخروطی، سلول‌های استوانه‌ای قرار دارد که هم از نظر تعداد بسیار زیاد هستند و حساسیت بالاتری نسبت به نور دارند و در روشنایی کمتر نیز فعال هستند. این سلول‌ها تنها در مقیاس خاکستری (سیاه و سفید) می‌توانند اطلاعات کلی‌تر از محیط را پردازش کنند.

ساختار سلولهای گیرنده‌ی نوری چشم

شبکیه‌ی چشم حدود 7 میلیون سلول مخروطی و بیش از 100 میلیون سلول استوانه‌ای دارد. از آنجایی که سلول مخروطی وظایف خطیرتری بر عهده دارند و جزئیات رنگی را برای مغز فراهم می‌کنند، هر کدام به صورت مجزا به یک عصب دوقطبی و سلول گانگلیون وصل هستند چرا که مغز بتواند تشخیص دهد کدام یک از این سلولها کدام اطلاعات را فراهم کرده است. در مقابل آن، ممکن است صدها سلول استوانه‌ای به یک عصب دوقطبی متصل باشد. دلیل این که تعداد استوانه‌ای‌ها بسیار بیشتر از مخروطی‌هاست شاید همین باشد!

مباحثی که تا به اینجا بررسی شد تماما مقدمه‌ای بود بر بینایی کامپیوتر؛ این حقیقت که می‌توان با یادگیری از ساختارهای طبیعت، ساختارهای پیچیده‌ی مصنوعی خلق کرد.

بینایی کامپیوتر چیست؟

ده‌ها سال است که ما انسان‌ها در رویای ساخت ماشین‌ها با ویژگی‌های هوشمندانه‌ی انسانی بوده‌ایم. ماشین‌هایی که مانند انسان بتواند فکر کند یا عمل کند. بحثی که در سیطره‌ی مسائل هوش مصنوعی قرار می‌گیرد. مسائلی که شاید با تلاش‌های آلن تورینگ، پدر علم کامپیوتر، شروع شد و اکنون بخش عظیمی از زندگی روزمره ما را در نوردیده است. یکی از جذاب‌ترینِ این ایده‌ها، ایجاد توانایی «دیدن» برای ماشین‌هاست.

بینایی کامپیوتر (computer vision) عبارت است «مجموعه فرآیندی که بر روی یک کامپیوتر پیاده می‌شود تا بتواند مانند حس بینایی انسان، درک بصری از اطراف خود داشته باشد». حال این فرآیند می‌خواهد شامل سیستم سخت‌افزاری مانند چشم دیجیتال یا خواه الگوریتم‌های نرم‌افزاری باشد. به تمام این مجموعه فرآیند می‌توان بینائی کامپیوتر گفت.

بینایی در انسان و در کامپیوتر 

تفاوت بینایی کامپیوتر با بینایی ماشین

با اینکه شاید تعاریف مختلفی از این دو مفهوم وجود دارد اما می‌توان اظهار داشت که «بینایی کامپیوتر» و «بینایی ماشین»، مفاهیمی هستند که هر دو برای امور پردازش تصویر مورد استفاده قرار می‌گیرند.

بینایی ماشین، لفظی است که بیشتر به بینایی ربات‌ها در صنعت منتسب می‌شود. شاخه‌ای از تکنولوژی که برای حل مسائل صنعتی مرتبط با پردازش تصویر ایجاد شده است. از طرفی می‌توان بینایی ماشین را مجموعه‌ای از ابزارهای سخت‌افزاری و نرم‌افزاری در نظر گرفت که در مرکز آن، الگوریتم‌های بینایی کامپیوتر در جریان است.

این در حالی است که بینایی کامپیوتر به تنهایی، بیشتر متمرکز بر روی درک معنای تصاویر هست. چه بخواهد این تصویر دو بعدی باشد یا سه بعدی، چه بخواهد تصاویر با سنسور ویژن دریافت شود یا با سنسورهای مختلفی مانند حسگر حرارتی. مهم، استخراج اطلاعات مفید و ارزشمند از دل اطلاعات بصری است.

نمونه‌ای از بینایی ماشین برای اعتبارسنجی محصولات صنعتی در هنگام عبور از ریل انتقال‌دهنده

تفاوت بینایی کامپیوتر با پردازش تصویر

همانطور که در مقاله‌ی پردازش تصویر به این موضوع اشاره شد، این دو مفهوم از نظر اهدافی که در مسائل تعریف می‌کنیم با هم متفاوت هستند. پردازش تصویر به عملیات تبدیل عکس به عکسی دیگر برای هدفی همچون بهبود کیفیت تصویر است؛ درحالی که در بینایی ماشین، ما به دنبال استخراج اطلاعاتی خاص از طریق درک تصاویر هستیم، دقیقا کاری مانند پردازش مغز انسان پس از دیدن. بینایی کامپیوتر به مراتب عملیاتی پیچیده‌تر، دشوارتر، و طولانی‌تر را نسبت به پردازش تصویر به دنبال دارد.

image processing hog example

بینایی کامپیوتر به عنوان شاخه‌ای از علم کامپیوتر

در بینایی کامپیوتر به عنوان شاخه‌ای از علوم کامپیوتر، تمرکز بر روی ساخت سیستم‌های دیجیتالی است که بتواند از طریق حسگرهای بینایی، داده‌های دریافتی را به وسیله الگوریتم‌های مخصوص به خود پردازش، تحلیل، و تفسیر کرده و سپس نتایج ارزشمندی را در اختیار قرار دهد.

چند مساله بسیار رایج در بینایی کامپیوتر چنین است:

1- مساله دسته بندی اشیا

کلاس‌بندی اشیاء (object classification)، امری است که الگوریتم ما بتواند به اشیاء داخل تصویر ورودی تا حدی که به آن آموزش داده‌ایم، برچسب درستی منتسب کند. مانند تصویر زیر که در آن سگ‌ها و گربه‌ها دسته‌بندی شده‌اند.

object classification dogs and cats

2- مساله شناسایی اشیا

در این مساله بر خلاف مساله‌ی قبل، هدف ما پیدا کردن یک شیء خاص از میان تمام اشیاء داخل تصویر است. مثلا یافتن سگی خاص از میان تمام سگ‌ها یا گربه‌های عکس بالا.

3- ردیابی اشیا

در این نوع مساله، شیء یا اشیاء مد نظر در ویدیوی ورودی پیدا شده و حرکت آنها ردیابی (tracking) می‌شود.

4- قطعه‌بندی معنایی

در مساله‌ی قطعه‌بندی معنایی (semantic segmentation)، کل تصویر در دسته‌های پیکسلی مختلفی قرار می‌گیرد که هر گروه از این پیکسلها، نمایانگر قطعه‌ها یا اشیاء متفاوتی هستند.

image semantic segmentation

5- قطعه‌بندی نمونه‌ای

این مساله (instance segmentation) شباهت بسیاری به قطعه‌بندی معنایی دارد با این تفاوت که در قطعه‌بندی معنایی، تمام نمونه‌ها از یک کلاس، با هم در یک گروه قرار می‌گیرند اما در دیگری، تمام نمونه‌ها به صورت مجزا دسته‌بندی می‌شوند.

image instance segmentation dogs and cats

تفاوت قطعه‌بندی معنایی و قطعه‌بندی نمونه‌ای را در عکس زیر مشاهده کنید:

semantic segmentation vs instance segmentation

یادگیری بینایی کامپیوتر

برای شروع یادگیری الگوریتم‌های کامپیوتر ویژن، قاعدتا بایستی پیش‌زمینه‌ی ریاضی خوبی داشته باشید و بعد از آن هم در مورد پردازش تصویر اطلاعات کافی داشته باشید. مسائل رایجی که تا اینجا با هم دیدیم، تنها بخشی از مسائل مرتبط با بینایی کامپیوتر هست و تکنیک‌ها، الگوریتم‌ها، و رویه‌های بسیار زیاد و متنوعی در آن وجود دارد که از حوصله‌ی بحث ما خارج هست.

به صورت تیتروار برخی از مفاهیم مورد نیاز برای شروع یادگیری این گرایش از علم را که از صفحه‌ی درس دکتر بهروز نصیحت‌کن (استادیار دانشگاه صنعتی خواجه نصیرالدین طوسی) اقتباس شده است، اشاره می‌کنیم. پیش‌نیازهای مبانی بینایی کامیپوتر عبارتند از:

پیش نیاز ‌های ریاضیاتی

ریاضیات بخشی جداناپذیر از رشته کامپیوتر است. چند درس مرتبط با کامپیوتر ویژن که در دانشگاه‌ها نیز تدریس می‌شود، در ادامه آماده است:

پیش نیاز های برنامه نویسی

قاعدتا برای پیاده‌سازی عملی هر مساله‌ی مرتبط با علوم و مهندسی کامپیوتر، نیازمند آن هستید که برنامه‌نویسی کنید؛ کدنویسی و ساخت برنامه‌هایی کارآمد. اما برای شروع برنامه‌نویسی بسیار توصیه می‌گردد که مفاهیم و مباحثی پایه‌ای که در دانشگاه نیز تدریس می‌شود را فرا بگیرید:

برای شروع برنامه‌نویسی قاعدتا بایستی حداقل یک زبان برنامه نویسی بلد باشید. برای شروع می‌توانید زبان آسان و غنی «پایتون» را آموزش ببینید. چرا که برای مسائل بینایی کامپیوتر، کتابخانه‌های متعدد زیادی در این زبان وجود دارد که یکی از آنها، کتابخانه‌ی Opencv است. کتابخانه‌ای که متن‌باز بوده و می‌توانید به راحتی از آن استفاده کنید.

لیست مفاهیم مورد نیاز در مبانی بینایی کامپیوتر

  1. نحوه نمایش تصاویر، نمونه برداری، طیف نوری، رنگ
  2. عملیات پیکسلی، روشنایی، کانتراست و وضوح عکس، هیستوگرام
  3. نویز، نویز گاوسی، انواع نویزها
  4. فیلتر خطی، کانولوشن، بلور
  5. تبدیل فوریه دو بعدی، تبدیل فوریه دیجیتال
  6. همبستگی نرمال شده، فیلتر میانه‌ای، فیلتر دوطرفه
  7. گرادیان تصویر، آشکارسازی لبه، عملگرهای لبه‌ای دو بعدی
  8. لاپلاسیَن گُوسی، لبه‌یاب Canny
  9. تصاویر باینری، مولفه‌های متصل
  10. مورفولوژی یا ریخت‌شناسی
  11. تبدیلات Hough
  12. یافتن خصیصه‌ها، تطبیق خصیصه‌ها
  13. یافتن گوشه‌ها، گوشه‌یاب Harris
  14. الگوریتم‌های Image Pyramid
  15. الگوریتم SIFT
  16. تبدیلات هندسی و پروجکشن
  17. الگوریتم RANSAC
  18. الگوریتم‌های تشخیص تصویر، دسته‌بندی بیزین
  19. الگوریتم نزدیک‌ترین همسایه
  20. الگوریتم‌های support vector machine
  21. خصیصه‌های Haar، خصیصه‌های HoG
  22. الگوهای باینری محلی
  23. شبکه‌های عصبی، شبکه‌های عصبی پیچشی دو بعدی

مفاهیمی که امروزه در بینایی کامپیوتر بسیار پرکاربرد است، یکی مفهوم «یادگیری عمیق» و دیگری «شبکه‌های عصبی پیچشی یا کانولوشِنال» است که هر دو زیرمجموعه‌ای از شاخه‌ی هوش مصنوعی و یادگیری ماشین هستند.

تاریخچه‌ی هوش مصنوعی در یک نگاه (Nvidia)

منابع و کتاب‌های زیادی در این عرصه وجود دارند که یکی از بهترین آنها کتاب زیر است که نسخه الکترونیک آن را نیز می‌توانید از سایت نویسنده دانلود کنید:

ایده‌ی مباحث کامپیوتر ویژن ابتدا در دهه‌ی 1950 میلادی مطرح شده است و در آن زمان، هدف، تشخیص نوشته‌های دست‌نویس بوده است. خب طبیعتا با کمبود منابع سیستمی در آن زمان و پایین بودن سطح قدرت سیستم‌های کامپیوتری، به سر انجام رساندن چنین ایده‌ای کار آسانی نبوده و نیازمند وجود تعداد بسیار زیادی از اپراتورهای انسانی بوده است. اما امروزه مشکل چندانی از بابت سطح قدرت کامپیوتری نداریم و علاوه بر آن، ساخت بسیاری از الگوریتم‌های مطمئن و سریع، راه را برای پیشرفت تکنولوژی در این شاخه باز کرده است.

پیشرفت سریع تکنولوژی و فراهم آمدن منابع سیستمی فراوان، شاخه‌ی جدیدی از هوش مصنوعی را برای ما ایجاد کرده است که «یادگیری عمیق» (deep learning) نام دارد. این مفهوم، بر پایه‌ی مفاهیم یادگیری ماشین و شبکه‌های عصبی است. شبکه‌ی عصبی مصنوعی (artificial neural network) رویه یا الگوریتمی است که از شبکه‌ی عصبی مغز انسان الهام گرفته شده است به طوری که در آن، مفاهیم «نورون»، «شاخه عصبی»، «سیناپس» و ... تعریف می‌شود.

هر شبکه عصبی دارای یکسری گره (نورون) در لایه‌های مختلف هست که با یال‌هایی به هم متصل شده‌اند. هر گره و یال مقدار خاصی دارد. به مقادیر روی یالها، وزن می‌گوییم. در بینایی کامپیوتر، به طور مثال اگر ورودی این شبکه، مقادیر پیکسل‌های تصویر باشد، این ورودی پس از ورود به نورون‌ها و اِعمال توابع فعال‌سازی بر روی تک تک آنها در لایه‌های مختلف، یک دسته خروجی از جنس عدد برای ما تولید می‌گردد که می‌تواند اطلاعات ارزشمندی را به دست دهد.

در یادگیری عمیق، تعداد لایه‌های شبکه عصبی بیشتر و بیشتر شده و عمق آن زیاد می‌شود. در این صورت می‌توانیم مسائل پیچیده‌تر را به این روش حل کنیم.

machine learning vs deep learning

کاربردهای بینایی کامپیوتر

کاربردهای ذکر شده به همینجا ختم نمی‌شوند و عملا خیلی از مسائلی که در روزمره با آن سر و کار داریم، به طور مستقیم یا غیر مستقیم امکان ارتباط با بینایی کامپیوتر را دارا هستند!

مقدمه‌ای بر برنامه نویسی در حوزه‌ی بینایی کامپیوتر

در این بخش، به مقدمه ای بر بینایی کامیپوتر برای آشنایی اولیه با نحوه برنامه سازی در حوزه‌ی کامپیوتر ویژن می‌پردازیم.

  1. در صورتی که پایتون را بر روی سیستم خود ندارید، آنرا نصب کنید؛
  2. سپس پکیج‌منجر pip را نصب کنید. با آن قادر خواهید بود تا کتابخانه‌های مورد نیاز را به راحتی نصب کنید.
  3. برای کار با تصویر و انجام عملیات بینایی کامپیوتر، نیازمند کتابخانه‌ی open-cv خواهیم بود پس آن را با استفاده از pip نصب میکنیم؛
    • یک پنجره‌ی جدید از ترمینال، کامندلاین یا cmd یا powershell را باز کنید.
    • دستور زیر را وارد کنید (pip باید نصب باشد):

      pip install opencv-python

    • پس از اتمام نصب، حال برنامه‌ی پایتون را با دستور زیر اجرا کنید:

      python

      یا

      python3

  4. داخل همین ترمینال، دستورات پایتون را وارد خواهیم کرد. حال، برای شروع، یک عکس رنگی را با استفاده از این کتابخانه از ورودی خوانده، نمایش داده و تغییر ابعاد می‌دهیم. نام فایلِ این عکس را image.png در نظر بگیرید:

    import cv2

    image = cv2.imread(‘image.png’)

    new_image = cv2.resize(image, (200, 200))

خط اول، کتابخانه‌ی opencv را فراخوانی می‌کند. خط دوم، عکس مد نظر را به صورت رنگی و RGB از فایل می‌خواند. خط سوم نیز، سایز عکس را به 200 در 200 تغییر می‌دهد و در متغیر جدیدی می‌ریزد.

نکته: کتابخانه‌ی opencv، کانال‌های رنگیِ RGB را به صورت BGR در متغیرها استفاده می‌کند بدین معنا که کانال اول، بُعدِ آبی، کانال دوم، بُعدِ سبز و کانال آخر، بُعدِ قرمز رنگ عکس است.

در خط زیر، کانالِ اول (در واقع اندیس صفر) از عکس را خوانده و در متغیر جدیدی میریزیم و نمایش می‌دهیم. در براکت، پارامتر اول، بُعدِ x، پارامتر دوم، بُعدِ y از عکس و پارامتر آخر، بُعد کانالها را مشخص میکند. کانالِ صفر به معنای کانال آبی رنگ است.

blue_image = image[:, :, 0]

cv2.imshow(blue_image)

عکس سمت راست، عکس اصلی و عکس سمت راست، عکسی است که فقط کانال آبی رنگِ عکس اصلی را به نمایش می‌گذارد:

Computer Vision Blue Image

به همین ترتیب برای کانال سبز:

green_image = image[:, :, 1]

cv2.imshow(green_image)

و البته به همین ترتیب برای کانال قرمز:

red_image = image[:, :, 2]

cv2.imshow(red_image)

Computer Vision Red Image

عکس سمت راست، عکس با کانال سبز و عکس چپ، عکس با کانال قرمز را نشان می‌دهد.

دانلود کتاب های مرجع درس بینایی کامیپوتر

شباهت و تفاوت بینایی کامپیوتر و بینایی ماشین در چیست؟

«بینایی کامپیوتر» و «بینایی ماشین»، مفاهیمی هستند که هر دو برای امور پردازش تصویر مورد استفاده قرار می‌گیرند. بینایی ماشین، لفظی است که بیشتر به بینایی ربات‌ها در صنعت منتسب می‌شود اما بینایی کامپیوتر به تنهایی، بیشتر متمرکز بر روی درک معنای تصاویر هست.

تفاوت بینایی کامپیوتر و پردازش تصویر در چیست؟

این دو شاخه، از نظر اهدافی که در مسائل تعریف می‌شوند با هم متفاوت هستند. پردازش تصویر به عملیات تبدیل تصویری به تصویری دیگر با هدفی همچون بهبود کیفیت تصویر است درحالی که در بینایی ماشین، ما به دنبال استخراج اطلاعاتی خاص از طریق درک تصاویر هستیم دقیقا کاری مانند کاری که مغز انسان پس از دیدن می‌کند.

همچنین هر گونه سوالی در مورد کلاس‌های آنلاین کنکور کامپیوتر و یا تهیه فیلم‌ها و یا رزرو مشاوره تک جلسه‌ای تلفنی با استاد رضوی دارید می‌توانید به طرق زیر از تیم پشتیبانی بپرسید:

آی دی تلگرام تیم پشتیبانی:     konkurcomputer_admin@

شماره ثابت موسسه:   09378555200

امتیازدهی4.3571428571429 1 1 1 1 1 1 1 1 1 14.36 امتیاز (7 رای)
بارگذاری نظرات