ရုပ်ပုံပြုပြင်ခြင်းနည်းပညာ

ရုပ်ပုံပြုပြင်ခြင်းနည်းပညာ

ရုပ်ပုံပြုပြင်ခြင်းဆိုသည်မှာ ကွန်ပျူတာများက ဒစ်ဂျစ်တယ်ပုံရိပ်များကို မည်သို့ပြောင်းလဲ၊ မြှင့်တင်၊ ခွဲခြမ်းစိတ်ဖြာနှင့် နားလည်ပုံကို အဓိကထားသည့် သိပ္ပံနှင့် အင်ဂျင်နီယာဘာသာရပ်တစ်ခုဖြစ်သည်။ ခေတ်သစ်ဘဝတွင် ဤနည်းပညာသည် နေရာတိုင်းလိုလိုတွင် ရှိနေပါသည်- ဓာတ်ပုံများကို အလိုအလျောက် မြှင့်တင်ပေးသည့် ဆဲလ်ဖုန်းကင်မရာများ၊ မျက်နှာများကို မှတ်မိသည့် လုံခြုံရေးစနစ်များ၊ X-ray ပုံရိပ်များကို ဖတ်ရှုသည့် ဆေးဘက်ဆိုင်ရာ အပလီကေးရှင်းများမှသည် လမ်းကို "မြင်" သည့် အလိုအလျောက်ယာဉ်များအထိ။ ရုပ်ပုံပြုပြင်ခြင်းသည် အမြင်အာရုံကမ္ဘာနှင့် ကွန်ပျူတာစနစ်များအကြား အရေးကြီးသော တံတားတစ်ခုဖြစ်ပြီး ရုပ်ပုံပုံစံဖြင့် အချက်အလက်များကို ဆုံးဖြတ်ချက်များချမှတ်ရန် စီမံဆောင်ရွက်နိုင်သည့် အချက်အလက်အဖြစ်သို့ ပြောင်းလဲနိုင်စေသောကြောင့်ဖြစ်သည်။

အဓိပ္ပာယ်ဖွင့်ဆိုချက်နှင့် နယ်ပယ်

ယေဘုယျအားဖြင့် ရုပ်ပုံပြုပြင်ခြင်းဆိုသည်မှာ ဒစ်ဂျစ်တယ်ရုပ်ပုံ၏ အရည်အသွေးကို မြှင့်တင်ရန် သို့မဟုတ် သီးခြားအချက်အလက်များကို ထုတ်ယူရန် ကိုင်တွယ်သည့် လုပ်ငန်းစဉ်ဖြစ်သည်။ ဒစ်ဂျစ်တယ်ရုပ်ပုံများကို ပစ်ဇယ်များ၊ ပြင်းထန်မှု သို့မဟုတ် အရောင်တန်ဖိုးများရှိသော အစက်ငယ်များဖြင့် ဖွဲ့စည်းထားသည်။ မီးခိုးရောင်ရုပ်ပုံများတွင် ပစ်ဇယ်တစ်ခုစီတွင် ပုံမှန်အားဖြင့် 0–255 (အနက်မှ အဖြူ) တန်ဖိုးရှိသည်။ အရောင်ရုပ်ပုံများတွင် ပစ်ဇယ်များကို ယေဘုယျအားဖြင့် RGB (အနီ၊ အစိမ်း၊ အပြာ) ချန်နယ်များမှတစ်ဆင့် ကိုယ်စားပြုပြီး တစ်ခုချင်းစီတွင် သတ်မှတ်ထားသော တန်ဖိုးအပိုင်းအခြားရှိသည်။

ရုပ်ပုံလုပ်ဆောင်ခြင်း၏ အတိုင်းအတာတွင် အဓိကလုပ်ဆောင်ချက်များစွာ ပါဝင်သည်- ရုပ်ပုံရယူခြင်း (ကင်မရာ သို့မဟုတ် အာရုံခံကိရိယာမှ ရုပ်ပုံများကို ရိုက်ကူးခြင်း)၊ ကြိုတင်လုပ်ဆောင်ခြင်း (ဆူညံသံလျှော့ချခြင်းကဲ့သို့သော အရည်အသွေးတိုးတက်မှုများ)၊ အသွင်ပြောင်းခြင်း (ဥပမာ ရုပ်ပုံများကို လှည့်ခြင်း သို့မဟုတ် ချဲ့ခြင်း)၊ ခွဲခြမ်းစိတ်ဖြာခြင်း (ဥပမာ အရာဝတ္ထုရှာဖွေခြင်းကဲ့သို့)၊ ကွန်ပျူတာအမြင်နှင့် အတုဥာဏ်ရည်နှင့် မကြာခဏဆက်စပ်နေသော အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းအထိ။

ရုပ်ပုံလုပ်ဆောင်ခြင်း၏ အခြေခံအဆင့်များ

လက်တွေ့တွင် ရုပ်ပုံလုပ်ဆောင်ခြင်းသည် မကြာခဏ စနစ်တကျလုပ်ဆောင်သော အဆင့်များကို လိုက်နာလေ့ရှိသည်။ ပထမတစ်ခုမှာ ရယူခြင်းဖြစ်ပြီး ဒစ်ဂျစ်တယ်ကင်မရာများ၊ စကင်နာများ၊ ဒရုန်းများ သို့မဟုတ် CT စကင်န်များနှင့် MRI များကဲ့သို့သော ဆေးဘက်ဆိုင်ရာအာရုံခံကိရိယာများကို အသုံးပြု၍ ရုပ်ပုံများရယူသည့် လုပ်ငန်းစဉ်ဖြစ်သည်။ ရယူခြင်းအရည်အသွေးသည် နောက်ဆုံးရလဒ်အတွက် အရေးကြီးပါသည်၊ အဘယ်ကြောင့်ဆိုသော် အလွန်မှောင်မိုက်သော၊ မှုန်ဝါးသော သို့မဟုတ် ဆူညံသံများသော ရုပ်ပုံများကို ခွဲခြမ်းစိတ်ဖြာရန် ပိုမိုခက်ခဲသောကြောင့်ဖြစ်သည်။

ဒုတိယအဆင့်ကတော့ ကြိုတင်လုပ်ဆောင်ခြင်းပါ။ ရည်မှန်းချက်ကတော့ ရုပ်ပုံအရည်အသွေးကို မြှင့်တင်ပေးဖို့နဲ့ နောက်ပိုင်းအဆင့်တွေမှာ အသုံးပြုရလွယ်ကူစေဖို့ပါ။ ဥပမာအားဖြင့် ဆူညံသံလျှော့ချခြင်း (အမှုန်အမွှား သို့မဟုတ် အစက်အပြောက်ဝင်ရောက်စွက်ဖက်ခြင်း)၊ ထက်မြက်စေခြင်း၊ အလင်းရောင်ချိန်ညှိခြင်း သို့မဟုတ် အရောင်ပြင်ဆင်ခြင်းတို့ ပါဝင်သည်။ ကြိုတင်လုပ်ဆောင်ခြင်းတွင် ရုပ်ပုံအရွယ်အစား ပုံမှန်ဖြစ်စေခြင်းနှင့် တွက်ချက်မှုများကို ရိုးရှင်းစေရန် RGB မှ မီးခိုးရောင်သို့ ပြောင်းလဲခြင်းကဲ့သို့သော အရာများလည်း ပါဝင်နိုင်သည်။

တတိယအဆင့်ကတော့ အရေးကြီးတဲ့နေရာတွေကို နောက်ခံကနေ ခွဲထုတ်တဲ့ segmentation ပါ။ segmentation ဟာ မိုက်ခရိုစကုပ်ပုံရိပ်မှာ နောက်ခံကနေ သွေးဆဲလ်တွေကို ခွဲထုတ်တာ ဒါမှမဟုတ် လမ်းပေါ်က ယာဉ်တွေကို ပတ်ဝန်းကျင်ကနေ ခွဲထုတ်တာလိုမျိုး အသုံးချမှုအမျိုးမျိုးမှာ လိုအပ်ပါတယ်။ segmentation နည်းလမ်းတွေဟာ thresholding (အလင်းနဲ့ အမှောင်တန်ဖိုးတွေရဲ့ နယ်နိမိတ်ကို ဆုံးဖြတ်ခြင်း) လိုမျိုး ရိုးရှင်းနိုင်သလို deep learning ကို အခြေခံတဲ့ segmentation လိုမျိုး ရှုပ်ထွေးနိုင်ပါတယ်။

နောက်တစ်ဆင့်ကတော့ ပုံရိပ်တစ်ခုကနေ အနားသတ်တွေ၊ အသွင်အပြင်၊ ပုံသဏ္ဍာန် ဒါမှမဟုတ် ပုံစံလိုမျိုး သီးခြားဝိသေသလက္ခဏာတွေကို ထုတ်ယူခြင်းပါဝင်ပါတယ်။ ဒီဝိသေသလက္ခဏာတွေကို အရာဝတ္ထုတွေကို မှတ်မိဖို့ ဒါမှမဟုတ် ပုံရိပ်တွေကို အမျိုးအစားခွဲခြားဖို့အတွက် အသုံးပြုပါတယ်။ နောက်ဆုံးအနေနဲ့ ပုံရိပ်တစ်ခုမှာ အကျိတ်ရှိမရှိ၊ မျက်နှာတစ်ခုက သတ်မှတ်ထားတဲ့ဒေတာနဲ့ ကိုက်ညီမှုရှိမရှိ ဒါမှမဟုတ် ထုတ်ကုန်တစ်ခုက ချို့ယွင်းချက်ရှိမရှိ ဆုံးဖြတ်ခြင်းလိုမျိုး မှတ်မိခြင်းနဲ့ အဓိပ္ပာယ်ဖွင့်ဆိုခြင်းတွေ ပါဝင်ပါတယ်။

ရုပ်ပုံပြုပြင်ခြင်းတွင် လူကြိုက်များသော နည်းစနစ်များ

ရုပ်ပုံ၏ ရည်ရွယ်ချက်နှင့် အမျိုးအစားပေါ် မူတည်၍ ရုပ်ပုံလုပ်ဆောင်ခြင်းတွင် နည်းစနစ်အမျိုးမျိုးကို အသုံးပြုကြသည်။ အခြေခံနည်းစနစ်တစ်ခုမှာ filter ဖြစ်သည်။ filter များကို noise လျှော့ချရန် သို့မဟုတ် အသေးစိတ်အချက်အလက်များကို အလေးပေးဖော်ပြရန် အသုံးပြုနိုင်သည်။ smoothing filter ၏ ဥပမာတစ်ခုမှာ Gaussian blur ဖြစ်ပြီး sharpening filter များတွင် Laplacian ကဲ့သို့သော သီးခြား kernel များကို မကြာခဏ အသုံးပြုလေ့ရှိသည်။

နောက်ထပ်အရေးကြီးတဲ့နည်းပညာကတော့ အနားသတ်ထောက်လှမ်းခြင်းဖြစ်ပြီး ဥပမာ Sobel၊ Prewitt သို့မဟုတ် Canny အော်ပရေတာတွေကို အသုံးပြုပါတယ်။ အနားသတ်ထောက်လှမ်းခြင်းဟာ အရာဝတ္ထုနယ်နိမိတ်တွေကို ဖော်ထုတ်ဖို့အတွက် အသုံးဝင်ပြီး အပိုင်းခွဲခြင်းနဲ့ ပုံသဏ္ဍာန်ခွဲခြမ်းစိတ်ဖြာခြင်းကို အထောက်အကူပြုပါတယ်။ ထို့အပြင်၊ တိုက်စားခြင်းနှင့် ချဲ့ခြင်းကဲ့သို့သော morphological transformations များကို binary images များတွင် အရာဝတ္ထုပုံသဏ္ဍာန်ကို တိုးတက်ကောင်းမွန်စေရန်၊ အပေါက်ငယ်များကိုပိတ်ရန် သို့မဟုတ် noise ကိုဖယ်ရှားရန် မကြာခဏအသုံးပြုလေ့ရှိပါတယ်။

ခေတ်သစ် image processing တွင် machine learning နှင့် အထူးသဖြင့် deep learning သည် အရေးပါသော အခန်းကဏ္ဍမှ ပါဝင်သည်။ Convolutional neural networks (CNNs) များသည် manual feature design မလိုအပ်ဘဲ image features များကို အလိုအလျောက် သင်ယူနိုင်သည်။ ဤနည်းပညာသည် image classification၊ object detection (ဥပမာ YOLO နှင့် Faster R-CNN) နှင့် semantic segmentation (ဥပမာ U-Net နှင့် Mask R-CNN) တို့အတွက် ထိရောက်မှုရှိကြောင်း သက်သေပြခဲ့သည်။ Deep learning သည် ကွန်ပျူတာများအား ရှုပ်ထွေးသော visual patterns များကို မတူညီသော အလင်းရောင်အခြေအနေများနှင့် viewing angles များအောက်တွင်ပင် မှတ်မိနိုင်စေပါသည်။

နယ်ပယ်အသီးသီးတွင် အသုံးချမှုများ

ရုပ်ပုံလုပ်ဆောင်ခြင်းသည် ကဏ္ဍများစွာတွင် ကျယ်ပြန့်သောအသုံးချမှုများရှိသည်။ ကျန်းမာရေးစောင့်ရှောက်မှုတွင် ဆရာဝန်များအား ရောဂါများကို ရောဂါရှာဖွေရန် ဆေးဘက်ဆိုင်ရာရုပ်ပုံများကို အသုံးပြုကြသည်။ ဥပမာအားဖြင့် အဆုတ်ပိုးဝင်ခြင်းကို ရှာဖွေရန် X-ray ခွဲခြမ်းစိတ်ဖြာမှု၊ ဦးနှောက်တစ်သျှူးများကို မြင်ယောင်ရန် MRI လုပ်ဆောင်မှုနှင့် ရင်မ်မိုဂရပ်ဖီပုံရိပ်များမှတစ်ဆင့် ကင်ဆာကို အစောပိုင်းရှာဖွေတွေ့ရှိခြင်းတို့ ပါဝင်သည်။ ရုပ်ပုံလုပ်ဆောင်ခြင်းသည် ဆန့်ကျင်ဘက်အရောင်ကို မြှင့်တင်ပေးနိုင်ပြီး သံသယဖြစ်ဖွယ်နေရာများကို မီးမောင်းထိုးပြပေးနိုင်ပြီး ပိုမိုတိကျသော အကျိတ်အရွယ်အစားတိုင်းတာမှုများကို အထောက်အကူပြုနိုင်သည်။

လုံခြုံရေးကဏ္ဍတွင် မျက်နှာမှတ်မိခြင်းနည်းပညာနှင့် သံသယဖြစ်ဖွယ်လှုပ်ရှားမှုထောက်လှမ်းခြင်းသည် ပုံရိပ်လုပ်ဆောင်ခြင်းနှင့် ကွန်ပျူတာအမြင်ပေါ်တွင် များစွာမူတည်ပါသည်။ ခေတ်မီ CCTV ကင်မရာများကို ယာဉ်လိုင်စင်ပြားများကို မှတ်မိရန် (ANPR)၊ လူအုပ်ကို စောင့်ကြည့်ရန် သို့မဟုတ် သတ်မှတ်ထားသောနေရာများတွင် ချိုးဖောက်မှုများကို ထောက်လှမ်းရန် အယ်လဂိုရီသမ်များနှင့် ပေါင်းစပ်နိုင်သည်။

စက်မှုလုပ်ငန်းနှင့် ထုတ်လုပ်ရေးတွင် ရုပ်ပုံပြုပြင်ခြင်းကို အရည်အသွေးစစ်ဆေးခြင်းအတွက် အသုံးပြုသည်။ အမြင်အာရုံစစ်ဆေးခြင်းစနစ်များသည် ထုတ်လုပ်မှုလိုင်းများရှိ ချို့ယွင်းနေသော ထုတ်ကုန်များကို ရှာဖွေဖော်ထုတ်နိုင်သည်၊ ပစ္စည်းများရေတွက်နိုင်သည်၊ QR ကုဒ်များ သို့မဟုတ် ဘားကုဒ်များကို ဖတ်ရှုနိုင်သည်၊ နှင့် အစိတ်အပိုင်းအရွယ်အစားများသည် စံချိန်စံညွှန်းများနှင့် ကိုက်ညီကြောင်း သေချာစေသည်။ အားသာချက်များမှာ မြန်နှုန်းနှင့် တသမတ်တည်းရှိခြင်းဖြစ်သည်၊ အဘယ်ကြောင့်ဆိုသော် အလိုအလျောက်စနစ်များသည် မနားမနေအလုပ်လုပ်နိုင်ပြီး လူ့အမှားများကို လျှော့ချနိုင်သောကြောင့်ဖြစ်သည်။

စိုက်ပျိုးရေးကဏ္ဍတွင် ဒရုန်းများ သို့မဟုတ် ဂြိုဟ်တုများမှ ပုံရိပ်များကို သီးနှံကျန်းမာရေးကို စောင့်ကြည့်ရန်၊ ရေရှားပါးမှုကို ထောက်လှမ်းရန်၊ ပိုးမွှားကျရောက်နေသော နေရာများကို မြေပုံရေးဆွဲရန်နှင့် သီးနှံအထွက်နှုန်းကို ခန့်မှန်းရန် ခွဲခြမ်းစိတ်ဖြာနိုင်ပါသည်။ ရုပ်ပုံပြုပြင်ခြင်းနည်းပညာများသည် Normalized Difference Vegetation Index (NDVI) ကဲ့သို့သော အညွှန်းကိန်းများမှတစ်ဆင့် အပင်ဆိုင်ရာ ခွဲခြမ်းစိတ်ဖြာမှုကို ဖြစ်စေပြီး လယ်သမားများအား အချက်အလက်အခြေပြု ဆုံးဖြတ်ချက်များချရန် ကူညီပေးပါသည်။

ဖျော်ဖြေရေးနှင့် လူမှုမီဒီယာလောကတွင်ပင် ရုပ်ပုံပြုပြင်ခြင်းသည် ထင်ရှားသည်။ filter effect များ၊ မျက်နှာချောမွေ့စေခြင်း၊ နောက်ခံအစားထိုးခြင်းနှင့် augmented reality (AR) အကြောင်းအရာဖန်တီးမှုများသည်ပင် real-time segmentation နှင့် face tracking ကဲ့သို့သော နည်းပညာများကို အသုံးပြုကြသည်။ ဤနည်းပညာများသည် ဒစ်ဂျစ်တယ် အပြန်အလှန်ဆက်သွယ်မှုများကို ပိုမိုဆွဲဆောင်မှုရှိပြီး ကိုယ်ရေးကိုယ်တာဆန်စေသည်။

ကျင့်ဝတ်ဆိုင်ရာစိန်ခေါ်မှုများနှင့်ပြဿနာများ

အကျိုးကျေးဇူးများစွာရှိသော်လည်း ရုပ်ပုံလုပ်ဆောင်ခြင်းတွင်လည်း သိသာထင်ရှားသောစိန်ခေါ်မှုများနှင့် ရင်ဆိုင်နေရသည်။ တစ်ခုမှာ ဒေတာအရည်အသွေး အကန့်အသတ်ရှိသည်- မှုန်ဝါးသောရုပ်ပုံများ၊ အလင်းရောင်ညံ့ဖျင်းခြင်း၊ ရုပ်ထွက်အရည်အသွေးနိမ့်ခြင်း သို့မဟုတ် ဆူညံသံများသည် စနစ်၏တိကျမှုကို ယိုယွင်းစေနိုင်သည်။ ထို့အပြင်၊ deep learning သည် အထူးသဖြင့် အလိုအလျောက်ယာဉ်များကဲ့သို့ အချိန်နှင့်တပြေးညီ လုပ်ဆောင်ခြင်းအတွက် သိသာထင်ရှားသော တွက်ချက်မှုအားထုတ်မှု လိုအပ်ပါသည်။

ကျင့်ဝတ်ဆိုင်ရာရှုထောင့်မှကြည့်လျှင် မကြာခဏပေါ်ပေါက်လေ့ရှိသောပြဿနာတစ်ခုမှာ ကိုယ်ရေးကိုယ်တာလုံခြုံမှုဖြစ်သည်။ ကင်မရာများနှင့် မျက်နှာမှတ်မိခြင်းအသုံးပြုမှုသည် ဒေတာအလွဲသုံးစားမှုနှင့် အလွန်အကျွံစောင့်ကြည့်ခြင်းဆိုင်ရာ စိုးရိမ်မှုများကို ဖြစ်ပေါ်စေနိုင်သည်။ မျက်နှာမှတ်မိခြင်းစနစ်များသည် လေ့ကျင့်ရေးဒေတာမညီမျှမှုကြောင့် အချို့သောအုပ်စုများတွင် ပိုဆိုးစွာလုပ်ဆောင်ခြင်းကဲ့သို့သော အယ်လဂိုရီသမ်ဘက်လိုက်မှုပြဿနာလည်းရှိသည်။ ထို့ကြောင့် ရုပ်ပုံလုပ်ဆောင်ခြင်းနည်းပညာ ဖွံ့ဖြိုးတိုးတက်ရေးအတွက် စည်းမျဉ်း၊ ပွင့်လင်းမြင်သာမှုနှင့် တာဝန်ယူမှုရှိသော စနစ်ဒီဇိုင်းတို့ လိုအပ်ပါသည်။

ရုပ်ပုံပြုပြင်ခြင်း၏ အနာဂတ်

ရုပ်ပုံလုပ်ဆောင်ခြင်းနည်းပညာ၏ အနာဂတ်သည် ပိုမိုခေတ်မီဆန်းပြားပြီး ပေါင်းစပ်လာမည်ဟု မျှော်လင့်ရသည်။ စနစ်များသည် စမတ်ဖုန်းများနှင့် စမတ်ကင်မရာများကဲ့သို့သော အနားသတ်စက်ပစ္စည်းများတွင် ပိုမိုလည်ပတ်လာမည်ဖြစ်ပြီး cloud ကို အဆက်မပြတ်မှီခိုစရာမလိုဘဲ ပိုမိုမြန်ဆန်သော လုပ်ဆောင်မှုကို ပေးစွမ်းသည်။ ဖန်တီးမှုဆိုင်ရာ AI မော်ဒယ်များ၏ တိုးတက်မှုများသည် ဓာတ်ပုံဟောင်းများကို ပြန်လည်ရယူခြင်း၊ resolution ကို မြှင့်တင်ခြင်း (super-resolution) နှင့် အလိုအလျောက် visual content ကိုပင် ဖန်တီးခြင်းကဲ့သို့သော အခွင့်အလမ်းအသစ်များကိုလည်း ဖွင့်လှစ်ပေးနေပါသည်။

ထို့အပြင်၊ ရုပ်ပုံလုပ်ဆောင်ခြင်း၊ အရာဝတ္ထုများ၏အင်တာနက် (IoT) နှင့် ရိုဘော့တစ်များအကြား ပူးပေါင်းဆောင်ရွက်မှုသည် ကျယ်ပြန့်သောနယ်ပယ်များတွင် အလိုအလျောက်လုပ်ဆောင်မှုကို အရှိန်မြှင့်တင်ပေးလိမ့်မည်။ ပိုမိုကောင်းမွန်သော အာရုံခံကိရိယာများနှင့် ပိုမိုလိုက်လျောညီထွေဖြစ်အောင်ပြုလုပ်နိုင်သော အယ်လဂိုရီသမ်များဖြင့် ကွန်ပျူတာများသည် ပိုမိုတိကျမှုနှင့် ခိုင်မာမှုဖြင့် ကမ္ဘာကြီးကို "မြင်နိုင်" မည်ဖြစ်သည်။

နိဂုံး

ရုပ်ပုံပြုပြင်ခြင်းနည်းပညာသည် ကျန်းမာရေးစောင့်ရှောက်မှုနှင့် လုံခြုံရေးမှသည် စက်မှုလုပ်ငန်း၊ စိုက်ပျိုးရေးနှင့် ဖျော်ဖြေရေးအထိ ဒစ်ဂျစ်တယ်ဆန်းသစ်တီထွင်မှုများစွာအတွက် အရေးကြီးသော အခြေခံအုတ်မြစ်တစ်ခုဖြစ်သည်။ အခြေခံပြုပြင်ခြင်းနည်းစနစ်များ၊ ခွဲခြမ်းစိတ်ဖြာမှုဆိုင်ရာ အယ်လဂိုရစ်သမ်များနှင့် အတုအယောင်ဉာဏ်ရည်များကို အသုံးပြုခြင်းဖြင့် ဒစ်ဂျစ်တယ်ရုပ်ပုံများကို အဓိပ္ပာယ်ရှိသော အချက်အလက်များအဖြစ်သို့ ပြောင်းလဲနိုင်သည်။ သို့သော် ဤတိုးတက်မှုများသည် နည်းပညာနှင့် ကျင့်ဝတ်ဆိုင်ရာစိန်ခေါ်မှုများ၊ အထူးသဖြင့် ကိုယ်ရေးကိုယ်တာနှင့် ဘက်လိုက်မှုနှင့် ဆက်စပ်သောစိန်ခေါ်မှုများကို အာရုံစိုက်ခြင်းဖြင့် ဟန်ချက်ညီရမည်ဖြစ်သည်။ တာဝန်ယူမှုရှိသော ဖွံ့ဖြိုးတိုးတက်မှုနှင့်အတူ ရုပ်ပုံပြုပြင်ခြင်းသည် ခေတ်သစ်တွင် လူသားများသည် အမြင်အာရုံကမ္ဘာနှင့် မည်သို့ဆက်ဆံပုံကို ပုံဖော်ပေးသည့် အဓိကနည်းပညာတစ်ခုအဖြစ် ဆက်လက်တည်ရှိနေမည်ဖြစ်သည်။