إستخدام الشبكات العصبية التلاففية لمساعدة فاقدي البصر

Abstract

المستخلص

التصنيف هو أحد الموضوعات الأكثر شهرة في مجال الذكاء الاصطناعي, وهو من الموضوعات التي تساهم في تقديم خدمات لفئات مجتمعية كبيرة, احد أهم هذه الفئات هم فاقدي البصر الذين يعانون لممارسة حياتهم الطبيعة والقيام بممارسات النشاطات اليومية تلك التي لا يستطيعون تأديتها الا بمساعدة شخص, قمنا في هذا البحث باقتراح برنامج برمجي يعتمد علي الشبكه العصبية التلاففية (CNN) وإحدي نماذج كيراس المدربة مسبقا وهو الموبايل نت (mobileNetv2) لتصنيف الأشياء من خلال استخدام تقنيات نقلم التعلم. تم إنشاء نموذج موبايل نت من خلال الاستفادة من بنية (TensorFlow) . تضمن البحث سلسلة من عده فصول توضح المنهجية المستخدمة في هذا البحث وهي الشبكات العصبية التلاففية وكيفية الاسفادة من شبكات التعلم العميق وتقنيات نقل التعلم للحصول علي دقة عالية في التصنيف, وتحديدا كانت هذه الدراسة تتحدث عن توظيف هذه الشبكات لتصنيف الأشياء والكائنات التي نواجهها في حياتنا اليومية مثل انواع القطط والكلاب, ثم ذهب البحث لشرح كيفية تطبيق تلك المنهجية بطريقة مبسطة وسهله. من خلال استخدام طريقة استخراج الميزات وطريقة ضبط الأوزان تم الوصل الي دقة في تصنيف الصور تصل الي %99 وهي نتائج مرضية جدا ثم تم اقتراح مجموعة من التوصيات لتحسين المنهجية وتتمثل في استخدام جهاز بمواصفات اعلي للحصول علي نتيجة افضل باضافة الي تحسين الشبكة الذي قد يؤدي الي نتائج أفضل ايضا نموذج موبايل نت معقد جدا في هذا البحث اذا استطاع بحث اخر ان يستخدم عدد بيانات اكبر سوف يعطي نتيجة افضل من هذا البحث.

Abstract Classification is one of the most popular topics in the field of artificial intelligence, and it is one of the topics that contribute to providing services to large societal groups. This research proposes a software program that relies on the Convolutional Neural Network (CNN) and one of the pre-trained Keras models, MobileNetv2, to classify things through the use of learning techniques. The MobileNet model was created by utilizing the TensorFlow architecture. The research included a series of several chapters explaining the methodology used in this research, namely, convolutional neural networks, and how to take advantage of deep learning networks and learning transfer techniques to obtain high accuracy in classification, and specifically this study was talking about the use of these networks to classify the things and objects that we encounter in our daily life such as Types of cats and dogs, then the research went to explain how to apply that methodology in a simple and easy way. Through the use of the feature extraction method and the method of adjusting weights, an accuracy in classification of images up to 99% was reached, which is very satisfactory results, and then a set of recommendations were proposed to improve the methodology, which is to use a device with higher specifications to obtain a better result in addition to improving the network that may lead to Better results also The Mobile Net form is very complex in this search. If another search can use a larger number of data, it will give a better result than this search.