تشخیص ستاره با استفاده از دید رایانه (OpenCV): 11 مرحله (همراه با تصاویر)

2024 نویسنده: John Day | [email protected]. آخرین اصلاح شده: 2024-01-30 08:53

این دستورالعمل نحوه ایجاد یک برنامه بینایی رایانه ای برای شناسایی خودکار الگوهای ستاره در یک تصویر را برای شما شرح می دهد. در این روش از کتابخانه OpenCV (Open-Source Computer Vision) برای ایجاد مجموعه ای از آبشارهای HAAR آموزش دیده استفاده می شود که می تواند برای تشخیص الگوهای خاص ستاره مورد استفاده قرار گیرد. اگرچه این راهنما در زمینه تشخیص الگوی ستاره است ، فرآیند OpenCV را که توصیف می کنم می تواند برای سایر برنامه ها نیز اعمال شود - بنابراین امیدوارم مفید واقع شود!

خلاصه این پروژه در این ویدئو آمده است:

چرا من این را به صورت آموزنده نوشتم؟

1. من معتقدم روش شناسایی الگوی ستاره ای که در حال توسعه آن هستم ، می تواند در طیف وسیعی از پروژه های آماتور نجوم - اعم از جهت گیری تلسکوپ ، طبقه بندی خودکار تصویر یا حتی در نهایت یک سنسور ستاره در منبع باز یا آماتور CubeSat ، کاربرد داشته باشد.
2. بسیاری از دستورالعمل های OpenCV خوب در اینجا وجود دارد ، اما با این وجود یادگیری آن برای من بسیار دشوار بود ، بنابراین امیدوارم این راهنما مرجع خوبی برای سایر افرادی باشد که به دنبال آموزش طبقه بندی کننده های HAAR برای OpenCV هستند (لزوماً با نجوم شاید!).
3. من خودم یک برنامه نویس آموزش دیده نیستم ، بنابراین این پروژه واقعاً درک من را تقویت کرد. امیدوارم با نوشتن این دستورالعمل سازندگان دیگر ، با تجربه تر ، از کار بر روی این مفهوم و مشارکت در GitHub و این دستورالعمل از طریق نظرات در این صفحه الهام بگیرند.
4. نجوم آماتور و روش های جهت گیری علاقه زیادی به من دارند ، به دستورالعمل قبلی ام که شامل Arduino Star-Finder for Telescopes است ، مراجعه کنید.

عکس روی جلد این Instructable از طرح مفهومی 3U CubeSat است که من در طراحی آن شرکت کردم. من از آن برای نشان دادن این دستورالعمل استفاده کردم زیرا برنامه اصلی سیستم تشخیص ستاره بینایی رایانه برای حسگر جهت گیری برای CubeSats آماتور و با استفاده از دوربین رزبری پای V2 بود. به اعتقاد من ، بسیاری از کاربردهای بالقوه دیگر برای تشخیص ستاره بینایی کامپیوتر وجود دارد ، اما من فکر می کنم این جالب ترین است!

یک واژه نامه کوچک:

یادگیری بینایی رایانه با استفاده از احمقانه اصطلاحات تخصصی که استفاده می شود کندتر می شود ، بنابراین برخی از آنها را برای ما در اینجا تعریف می کنم:

آبشار - طبقه بندی کننده ای که برای شناسایی یک شیء هدف خاص آموزش دیده است.

نشانگر فیدوسیال - نشانگری که یک نقطه مرجع بصری را به تصویر اضافه می کند.

HAAR - ویژگی های شبیه Haar نوعی ویژگی تصویر است که برای آموزش طبقه بندی استفاده می شود.

OpenCV - Open Source Computer Vision ، کتابخانه ای از ابزارهای دید رایانه.

Stellarium - نرم افزار نجوم منبع باز.

مرحله 1: الزامات

OpenCV یک کتابخانه مبتنی بر لینوکس است ، بنابراین اگرچه ظاهراً می توان آن را به خوبی روی ویندوز کار کرد ، اما اجرای آن در محیط لینوکس بسیار راحت تر خواهد بود (این کار را از من بگیرید و چند روز تلاش کنید تا به طور کامل روی آن کار کند. پنجره ها!). به عنوان یک آزمایش ، من OpenCV را در Raspberry Pi 3B+بارگیری و اجرا کردم ، که موفقیت آمیز بود ، اگرچه آموزش طبقه بندی یک فرآیند بسیار RAM است ، بنابراین اگر مایل به انجام آن با هر سرعتی هستید ، راه توصیه شده استخدام سرور مجازی لینوکس است. (که در واقع می تواند به طرز شگفت آوری ارزان باشد) برای چند روز/هفته/ماه و از آن به عنوان یک محیط اختصاصی برای اجرای آموزش طبقه بندی استفاده کنید. با استفاده از یک سرویس گیرنده SSH مانند Putty ، می توانید سرور را از طریق رایانه شخصی Windows کنترل کنید. پس از آموزش آبشارها با استفاده از VPS ، می توانید آنها را در رایانه Windows خود بارگیری کنید و از Python می توانید برای اجرای برنامه تشخیص تصویر در محیط Windows استفاده کنید.

سرور مجازی لینوکس:

یک سرور مجازی لینوکس (VPS) برای انجام فرایندهای آموزش آبشار HAAR مورد نیاز است. در ابتدا من یک سرور با 8 گیگابایت RAM و Ubuntu 16.04.6 (LTS) x64 استخدام کردم ، و بعداً یک سرور دوم برای افزایش دو برابر میزان آموزش آبشارها ، اگرچه شما فقط به حداقل یک سرور نیاز دارید

نرم افزار:

• Stellarium - این یک نرم افزار فضایی/نجوم مجازی است که به صورت رایگان در دسترس است. از آن برای جمع آوری تصاویر شبیه سازی شده ستاره برای استفاده در آزمایش استفاده می شود.
• بتونه - این یک سرویس گیرنده SSH است که برای کنترل VPS از طریق خط فرمان استفاده می شود.
• WinSCP - این مورد برای انجام انتقال فایل از رایانه Windows استفاده می شود.

مرحله 2: راه اندازی VPS

یک فرآیند کوچک برای راه اندازی VPS وجود دارد. دفعه اول ممکن است کمی برای شما طول بکشد ، اما اگر مراحل را به دقت دنبال کنید چندان دشوار نیست. این آموزش یک مرجع عالی برای من بود ، توصیه می کنم این کتاب را نیز در حین کار با این دستورالعمل مطالعه کنید. این دستورات لینوکس را خط به خط پوشش می دهد ، که لازم است به طور کامل رعایت شود.

به طور کلی ، این فرایند شامل موارد زیر است:

1. ایجاد سرور لینوکس با نسخه صحیح اوبونتو.
2. ارتقا و به روز رسانی سرور
3. ایجاد یک دایرکتوری فضای کار ، که OpenCV در آن نصب شده است.
4. نصب برخی از ملزومات ، مانند کامپایلر ، کتابخانه های مختلف و پیوندهای پایتون.

پس از این مرحله ، آماده اید تا آماده شدن برای فرآیند آموزش را آغاز کنید.

مرحله 3: روند

کل فرایند بینایی کامپیوتر با استفاده از آبشارهای HAAR در ابتدا گیج کننده است ، بنابراین این مرحله منطق را با جزئیات بیشتری شرح می دهد:

فرایند اساسی

1. مجموعه داده های منفی وجود دارد ، متشکل از چندین هزار تصویر که حاوی موضوع مورد نظر نیستند. این مورد باید در VPS بارگذاری شود.
2. یک تصویر مثبت واحد ایجاد می شود که حاوی موضوع مورد نظر است. همچنین باید در VPS بارگذاری شود.
3. تصویر مثبت واحد با مجموعه ای از پارامترهای انتخاب شده مخدوش ، تاب خورده ، چرخانده و غیره می شود و بر روی مجموعه ای از تصاویر منفی روی هم قرار می گیرد. این یک روش مصنوعی برای ایجاد یک مجموعه داده مثبت بزرگ از یک تصویر واحد است. (برای سایر برنامه های کاربردی در جهان واقعی ، مانند شناسایی گربه ، می توانید به سادگی از چندین هزار عکس از گربه ها استفاده کنید ، اما اگر چنین مجموعه بزرگی از تصاویر مثبت را ندارید ، این روش همیشه مناسب نیست. کمتر موثر خواهد بود ، اما این تنها گزینه برای موارد استفاده مانند این است).
4. یک فرآیند آموزشی اجرا می شود که به صورت مرحله ای کار می کند. در هر مرحله آبشاری آموزش داده می شود تا ویژگی های مختلف HAAR را در مجموعه تصاویر شناسایی کند. تکمیل هر مرحله به طور تصاعدی به طول می انجامد و اثربخشی طبقه بندی کننده هر بار افزایش می یابد (همچنین می توان بیش از آنکه بدانید آموزش دهید!)
5. یک آبشار آموزش دیده قادر خواهد بود به دنبال یک شیء هدف واحد باشد. اگر می خواهید چندین اشیاء منحصر به فرد را شناسایی کنید ، برای هر یک به یک آبشار آموزش دیده نیاز خواهید داشت. در این مورد ، من حدود 50 آبشار مختلف را برای ستارگان منحصر به فرد آموزش دادم تا مجموعه ای را ایجاد کنم که بتواند نیمکره شمالی شمالی را پوشش دهد.
6. در نهایت ، از یک برنامه تشخیص استفاده می شود که هر آبشار یک مجموعه را در مقابل یک تصویر ورودی اجرا می کند. آبشار به دنبال شی مورد نظر خود در داخل تصویر ورودی می گردد.
7. در صورت موفقیت آمیز ، شی هدف در تصویر ورودی مشخص می شود.

n.b. اگر برای مثال در زمینه جهت گیری ماهواره ای استفاده شود ، تصویری با استفاده از دوربین روی صفحه گرفته می شود. درخشان ترین ستاره های آن تصویر مشخص می شوند و نشانگرها در آن موقعیت ها روی هم قرار می گیرند. سپس این تصویر به مجموعه آبشارهای آموزش داده شده ارائه می شود تا بررسی شود که آیا تصویر ورودی حاوی هر یک از اشیاء مورد نظر است یا خیر. اگر یک مثبت واقعی تشخیص داده شود ، موقعیت زاویه ای یک صورت فلکی شناخته شده نسبت به محورهای بدن ماهواره کشف می شود.

مرحله چهارم: منفی و مثبت

منفی

یک جنبه واقعاً کلیدی در آموزش آبشاری این است که تا آنجا که ممکن است مجموعه داده ای از تصاویر منفی داشته باشید. ما با هزاران ، در حالت ایده آل دهها هزار تصویر صحبت می کنیم. مهم نیست که آنها شامل چه چیزی هستند ، هدف فقط ارائه انواع اطلاعات بصری است. پوشه Classifier Training شامل انواع مختلفی از مجموعه داده های منفی منفی است که من آنها را گردآوری کرده ام. در ابتدا اینها فقط شامل تصاویر شبیه سازی شده از میدان ستارگان بود که از Stellarium جمع آوری شده بود ، اما بعداً مجموعه داده ها را با تعداد بیشتری تصادفی که در دست داشتم (بله ، از جمله عکسهای تعطیلاتم …) افزایش دادم. بزرگترین مجموعه داده در آنجا تقریباً 9000 تصویر را شامل می شود ، که بزرگترین مجموعه ای بود که من تا کنون ایجاد کرده ام. با استفاده از این برنامه شما را در کامپایل خود ذخیره می کند.

مثبت

تصویر مثبت (که الگوی ستاره هدف است که آبشار برای تشخیص آن آموزش می بیند) به عنوان یک تصویر از الگوی ستاره در Stellarium شروع می شود. سپس یک برنامه پایتون درخشان ترین ستاره های تصویر را مشخص می کند و نشانگرهایی (که بعداً در این قسمت توضیح داده شد) را روی این موقعیت های ستاره می پوشاند. سپس این تصویر تا 50x50 پیکسل کوچک می شود. این مقدار کمی است ، اما زمان آموزش مورد نیاز برای آبشارها با افزایش این اندازه به صورت تصاعدی افزایش می یابد ، بنابراین این یک سازش خوب بین کیفیت و زمان است.

مرحله 5: کنترل ستلاریوم

پوشه Stellarium Scripts مخزن GitHub شامل سه برنامه است که من برای کنترل استفاده از Stellarium نوشتم. برای استفاده از آنها ، آنها را در پوشه scripts پوشه نصب Stellarium خود قرار دهید. برای اجرای آنها ، می توانید پنجره اسکریپت ها را از داخل منوی Stellarium باز کنید ، یا فقط با دوبار کلیک روی برنامه موجود در پوشه scripts ، که Stellarium را راه اندازی کرده و بلافاصله برنامه انتخاب شده را اجرا کنید.

thesis_4 و thesis_5 به ترتیب حدود 2000 تصویر از نیمکره شمالی و جنوبی به ترتیب نیمکره های آسمانی می گیرند. اینها برای تشکیل پایگاه داده از تصاویر منفی ، برای آموزش تصویر مثبت در برابر استفاده شد. تمایز بین شمال و جنوب یک راه ساده برای اطمینان از این بود که الگوی ستاره هدف (مثبت) در مجموعه داده منفی با آموزش الگوهای ستاره نیمکره شمالی در مقابل مجموعه داده تصویر نیمکره جنوبی آسمانی و بالعکس وجود ندارد. (اگر یک تصویر مثبت نیز در مجموعه داده تصویر منفی وجود داشته باشد ، بر کیفیت طبقه بندی کننده تأثیر می گذارد).

thesis_setup نیز مفید است - این باعث می شود Stellarium برای ثبت تصاویر مناسب باشد - تصاویری که برای شبیه سازی نمای از فضا استفاده می شود. این کار مانند پنهان کردن منوها ، خطوط شبکه ، برچسب ها و غیره به طور خودکار باعث می شود تا هر زمان که می خواهید یک تصویر را بگیرید ، نیاز خود را ذخیره کنید.

مرحله ششم: مرد موشکی

اولین آبشارهایی که آموزش دادم قادر به تشخیص صحیح الگوهای ستاره نبودند. آنها بسیار غیرقابل اعتماد بودند و بسیار مستعد مثبت کاذب بودند. فرض من این بود که به طور م imagesثر تصاویر ستاره ای از Stellarium (اساساً نقاط سفید روی زمینه سیاه) فقط حاوی اطلاعات بصری کافی برای داشتن ویژگی های کافی از نوع HAAR برای آموزش طبقه بندی موفق نیستند. من فکر می کنم اواخر شب بود ، اما تصمیم گرفتم ایده نوشتن برنامه ای را امتحان کنم تا به طور خودکار یک تصویر کوچک کوچک در محل هر ستاره درخشان در یک تصویر میدان ستاره ای قرار دهم.

التون

این یک آزمایش احمقانه بود ، اما با افزودن یک تصویر کوچک از چهره التون جان به هر مکان ستاره درخشان ، آموزش طبقه بندی کننده در برابر این تصویر مثبت ، و سپس اجرای آبشارها در برابر تصویر اصلی ، در یافتن صحیح تصویر بسیار مثرتر بود. الگوی مناسب می دانستم که به چیزی علاقه دارم!

مرحله 7: نشانگرهای اعتمادی

اگرچه "Eltons" این نظریه را اثبات کرد ، اما من به یک نشانگر نیاز داشتم که تقارن چرخشی کامل داشته باشد ، به طوری که الگوی ستاره بدون توجه به جهت آن یکسان به نظر می رسد. من انواع مختلفی از نشانگرها را آزمایش کردم و متوجه شدم که نوع در پایین سمت راست با حلقه های سیاه و سفید متضاد بیشتر مثر است. برنامه پایتون ارائه شده در پوشه مثبت repo GitHub نشان می دهد که چگونه درخشان ترین ستارگان در یک تصویر مشخص شناسایی می شوند و این نشانگرها به طور خودکار در آن موقعیت ها روی هم قرار می گیرند. ما اکنون نمایشی از الگوهای ستاره کلیدی را ایجاد کرده ایم که می توان در برابر آنها آموزش دید.

مرحله 8: استفاده از آبشارها

هنگامی که مجموعه ای از آبشارها را آموزش داده اید ، باید بدانید که چگونه از آنها برای شناسایی یک شیء در تصویر استفاده کنید!

به پوشه شناسایی ستاره GitHub نگاه کنید ، در آنجا برنامه cascade_test19.py را پیدا خواهید کرد. این برنامه جذاب ، مجموعه ای از آبشارها را از یک پوشه مشخص می گیرد ، و همه آنها را در برابر یک تصویر ورودی اجرا می کند و گزارش های تشخیص داده شده را گزارش می دهد. تابع "deteMultiScale" هسته اصلی این مورد است و نیاز به استدلال های مختلفی دارد که فرایند تشخیص را مشخص می کند. تغییر این موارد برای عملکرد طبقه بندی آبشار بسیار مهم است ، و بحث بیشتر در مورد این را می توان در مرحله زیر یافت ، جایی که ما نحوه از بین بردن موارد مثبت کاذب را بررسی می کنیم.

این را می توان در یک سیستم جهت گیری ماهواره ای با همبستگی مقدار پیکسل در مرکز جعبه محدوده با مختصات آسمانی Ra/Dec ستاره محافظت شده مشخص کرد و سپس این را با جابجایی زاویه ای از مرکز تصویر (دوربین محور). از این رو ، با استفاده از درک اعوجاج لنز (تقریبی به یک طرح gnomonic) ، زاویه ماهواره را می توان تنها از دو شناسایی مثبت پیدا کرد.

گام نهم: چگونه می توان در مورد نکات مثبت کاذب مثبت بود

این دو تصویر نتایج آزمایش آبشار را در برابر یک تصویر یکسان ، اما با پارامترهای متفاوت نشان می دهد. واضح است که تصویر اول حاوی هویت واقعی است ، اما تعداد زیادی مثبت کاذب نیز در آن قرار دارد ، در حالی که تصویر دوم تنها شامل شناسایی صحیح است.

برنامه cascade_test19.py در پوشه Star Identification در repo GitHub از دو روش برای مرتب سازی نتایج استفاده می کند. اولاً ، functon deteMultiScale یک Miminum و حداکثر اندازه نتیجه را می توان تعیین کرد ، که معقول است ، به عنوان اندازه تقریبی الگوی ستاره هدف در پنجره (برای عدسی و بزرگنمایی داده شده - تصاویر شبیه سازی شده من از Stellarium از ویژگی های دوربین رزبری پای V2) شناخته شده است. ثانیاً ، کد نتیجه را با بزرگترین کادر محدوده (در محدوده های قبلی) انتخاب می کند. در آزمایش ، این مورد مثبت واقعی بود. ثالثاً ، برنامه حداقل "levelWeights" (عملاً "ارزش اطمینان") را تعیین می کند که برای برخورد با این شناسه به عنوان یک مثبت واقعی لازم است. با این روش ، آبشارها در یافتن نتیجه صحیح مثر بودند.

علاوه بر تصاویر ستارگان ، من این را با تصاویر میز کارم آزمایش کردم ، به عنوان مثال ، آموزش آبشارها برای شناسایی نوت بوک ، لیوان و غیره ، برای از بین بردن موارد مثبت کاذب. روشهای فوق در هر شرایطی که دلگرم کننده بود به خوبی جواب داد.

مرحله دهم: بحث

زمینه های بهبود

این یک پروژه پیچیده برای من بود و واقعاً درک من از موضوع را افزایش داد. در مجموع چندین ماه تقریباً تمام وقت کار شده است تا بتوانم پروژه را به این مرحله برسانم ، در حالی که می توانم آن را با شما به اشتراک بگذارم ، اما کارهای زیادی برای بهبود عملکرد روش وجود دارد. به صورت فعلی ، می تواند در محدودیت های خاصی به خوبی عمل کند. من برای شناسایی مناطقی که نیاز به کار اضافی دارند کار کرده ام و امیدوارم بتوانم در ماه های آینده وقت خود را برای رسیدگی به این موارد صرف کنم. آن ها هستند:

زاویه - این یک منطقه پیچیده است ، این ایده که نتایج طبقه بندی کننده ها باید از نظر چرخشی تغییر ناپذیر باشند ، یعنی باید قابلیت اطمینان الگوی ستاره مورد نظر را بدون توجه به زاویه ای که در آن تصویر حاوی ستاره مورد نظر ارائه می شود ، مشخص کند. آبشاری که با استفاده از یک تصویر ورودی در یک جهت واحد آموزش می بیند ، قادر به شناسایی آن تصویر در جهت های تصادفی نخواهد بود ، بنابراین واریانس زاویه تصویر مثبت باید در فرایند آموزش برای آموزش آبشارهایی که می توانند محدوده زاویه ورودی را بپذیرند ، وارد کند. پارامتر "maxzangle" در دستورات آموزش آبشار یک استدلال در رادیان می گیرد که محدودیت زاویه ای را که تصویر مثبت ورودی روی تصاویر منفی ارائه شده قرار می گیرد ، کنترل می کند ، بنابراین مجموعه تصویر مثبت حاصل شامل طیف وسیعی از جهت ها است. تصویر مثبت با این حال ، با افزایش این بزرگنمایی ، نسبت پذیرش (به طور کلی ، کیفیت) آبشار به شدت کاهش می یابد. من معتقدم که راه حل این است که آبشارها را با استفاده از پایگاه داده ای به مراتب بیشتر از تصاویر منفی نسبت به آنچه که من استفاده می کردم ، آموزش دهم تا اطمینان حاصل شود که می توان یک طبقه بندی آبشار با کیفیت خوب را حتی با گسترش جهت گیری بزرگ ایجاد کرد.

راه حل احتمالی دیگر آموزش تعدادی آبشار برای یک هدف خاص است که هر آبشار بخش خاصی از یک چرخش 360 درجه ای را اداره می کند. به این ترتیب می توان کیفیت هر آبشار را در سطح بالایی حفظ کرد ، اما از طرف دیگر این منجر به آبشارهای بیشتری می شود و بنابراین روند شناسایی کندتر می شود.

پارامتر "levelWeight" که مقداری است که توسط تابع "deteMultiScale" ارائه می شود ، مشابه یک مقدار اطمینان در تشخیص ایجاد شده است. با مطالعه این موضوع ، نمودار فوق ایجاد شد ، که نشان می دهد چگونه با افزایش جهت تصویر در هر دو جهت ، اعتماد به نفس مثبت به شدت کاهش می یابد و این تفکر را تأیید می کند که این نقطه ضعف است.

قرار دادن پیکسل - نکته بسیار ساده تر ، اما مشکل ساز ، محل قرارگیری پیکسل است ، که توسط دو تصویر زیر نشان داده شده است ، نمای بزرگتر از تصویر یک ستاره را نشان می دهد ، به طوری که پیکسل های جداگانه دو ستاره به وضوح قابل مشاهده است. فرآیند فرسایش که در برنامه برای از بین بردن همه به جز درخشان ترین ستاره ها از تصویر استفاده می شود ، ستاره اول را حفظ می کند و ستاره دوم را با وجود روشنایی برابر ، دور می اندازد. دلیل این امر این است که ستاره اول بر یک پیکسل متمرکز شده است ، در حالی که ستاره دوم چنین نیست. تابع فرسایش حلقه های متحدالمرکز پیکسل ها را از اطراف پیکسل مرکزی یک گروه جدا می کند ، بنابراین ستاره اول دارای پیکسل مرکزی از عملکرد فرسایش زنده می ماند ، اما ستاره دوم به طور کامل از تصویر حذف می شود. بنابراین نشانگرهای اعتباری فقط در ستاره اول قرار می گیرند ، و نه در ستاره دوم. این امر باعث ایجاد ناسازگاری هایی می شود که در آن ستاره های درخشان در یک میدان ستاره ای مشخص نشانگر دریافت خواهند کرد (و بنابراین با طبقه بندی کننده های آموزش دیده مقایسه می شوند) - بنابراین ممکن است مشاهده مثبت صحیح امکان پذیر نباشد.

مرحله 11: آخرین کلمه

با تشکر از شما برای خواندن مطالب آموزنده من ، امیدوارم که این پروژه برای شما جالب بوده باشد. روند بسیار جالبی بود که روی آن کار می کردم ، بیش از یک سال است که کار بر روی این مفهوم را آغاز کرده ام ، و از نتایج تا به اینجا دلگرم می شوم. از ادبیاتی که خواندم ، این یک مفهوم بسیار اصلی است و مطمئناً با پیشرفت بیشتر می توان در طیف وسیعی از برنامه های کاربردی برای نجوم آماتور یا بیشتر از آن استفاده کرد.

این پروژه برای من یک منحنی یادگیری سریع بود ، بنابراین امیدوارم برخی از خوانندگان با تجربه برنامه نویسی بیشتر بتوانند از طریق صفحه GitHub به ادامه پروژه کمک کنند و ما می توانیم به توسعه این ابزار منبع باز ادامه دهیم. من مشتاقانه منتظر خواندن نظراتی هستم که ممکن است داشته باشید ، اما لطفاً زیاد سوالات سخت نپرسید!

نفر دوم در چالش فضایی