دراسة الهياكل الجيولوجية المكشوفة على سطح الأرض ذات أهمية كبيرة بشكل عام وخصوصا في التصميم الهندسي والبناء.
في هذا البحث ، استخدمنا 2206 صورة مع 12 ملصق للتعرف على الهياكل الجيولوجية بناءً على نموذج Inception-v3. تم اعتماد الصور ذات التدرج الرمادي و
اللون في النموذج. كما تم بناء نموذج الشبكة العصبية التلافيفية (CNN) وتم تطبيق خوارزمية أقرب جار (KNN) والشبكة العصبية الاصطناعية (ANN) وتعزيز التدرج الشديد (XGBoost) في تصنيف الهياكل الجيولوجية بناءً على الميزات المستخرجة من مكتبة رؤية الكمبيوتر مفتوحة المصدر (OpenCV).
أخيرًا ، تمت مقارنة أداء الطرق الخمس وأظهرت النتائج أن أداء KNN و ANN و XGBoost كان ضعيفًا وبدقة أقل من 40.0٪. أما CNN فعد عانت من فرط التدريب Overfitting.
كان للنموذج الذي تم تدريبه باستخدام التعلم بالنقل تأثير كبير على مجموعة بيانات صغيرة من صور التركيب الجيولوجي. وأفضل نموذجين وصلوا إلى دقة 83.3٪ و 90.0٪ على التوالي. هذا يدل على أن النسيج هو السمة الرئيسية في هذا البحث. يمكن أن يستخرج التعلم القائم على نموذج التعلم العميق ميزات بيانات البنية الجيولوجية الصغيرة بشكل فعال ، وهو قوي في تصنيف صور الهيكل الجيولوجي.
مع دخولنا عصر الذكاء الصنعي فإن الحاجة لتجهيزات منزلية ذكية أضحى أمرا في غاية الأهمية لما يمكن ان تقدمه هذه التجهيزات من توفير الطاقة الكهربائية والموارد المائية التي تعتبر كنوزا على البشرية المحافظة عليها. بالاضافة لمساهمة هذه التجهيزات في حماية الب
يئة.
لذلك تم في بحثنا بناء غسالة اتوماتيكية تقوم بعملية الغسل بالاعتماد على حالة المابس ونوعيتها ودرجة اتساخها دون الأعتمار على برنامج محجج مسبقا.
ولإنجاز هذه الغسالة الذكية قمنا بكتابة كود برمجي لمتحكم ضبابي من النمط الثاني, باستخدام لغة البرمجة بايثون حيث استقبل هذا المتحكم أربعة مداخل: الدخل الأول (لون الملابس), وتم الحصول عليه بالتقاط صورة للملابس المطلوب غسلها بوساطة كاميرا بدقة ٨ ميغابكسل وتم تحليلها باستخدام مكتبة OpenCV والدخل الثاني نوع الملابس وتم تحديده بالاعتماد على خوارزمية تمييز الأنماط المحلية Local Binary Pattern وهي خوارزمية لمعالجة الصورة الرقمية تستخدم بشكل واسع لتمييز الاشكال التي تتبع نمط وبنية محددة, والدخل الثالث درجة الاتساخ والدخل الرابع وزن الغسيل.
