المجلد السابع

العدد الخامس عشر لشهر يونيو 2023

رجوع

تحميل البحث

full-text

الملخص:

الهدف من هذا المشروع البحثي هو مساعدة الأشخاص الذين يعانون من التحديات البصرية (المكفوفين وضعاف البصر) في دولة ليبيا، بحيث صممنا وطورنا تطبيقًا للتعرف التلقائي على الأوراق المالية الليبية المتداولة من خلال كاميرا الهاتف المحمول، تم تـنفيذ هذا العمل البحثي واختباره لتصنيف الأوراق المالية، باستخدام الأساليب التي تجمع بين بيئة لغة "Matlab" و الــــ "MobileNet" ، وهو إطار عمل جديد نسبيًا لمعمارية التعلم العميق (DL) لمعالجة الصور (IMPRO)، تم تطبيق وتـنفيذ نظام تصنيف العملة للتعرف عليها من خلال استخدام خطوات معالجة الصور (IMPRO) تتكون عمليات التطبيق المقترح، لتصنيف وتمييز أنواع فئات العملة الليبية من ست مراحل: (التقاط الصورة، المعالجة المسبقة للألوان ولصورة العملة، الكشف عن حواف صورة العملة، تجزئة الصورة، استخراج العلامات المميزة لخصائص العملة، التعرف على قيمة العملة)، لإثبات فعالية خوارزمية التـطبيق، قمنا بتقييم مدى جودة أداء أنموذجنا المقترح باستخدام مجموعة بيانات أولية جديدة ومُصنَّـفة ومتوازنة من الأوراق النقدية (الجديدة ، المتوسطة ، والقديمة) ، تتكون من ما يقرب من 2500 صورة بطرق إضاءة مختـلفة، والتي تم تـوظـيـفـها للمقارنة وإجراء التجارب (التدريب والاختبار) لتصنيف الأوراق المالية الليبية المتداولة والمعتمدة من كل نوع من أنواع الفئات الخمسة (1 ، 5 ، 10 ، 20 & 50 دينار ليبي)، بالإضافة إلى تطبيق نـهـج التعلم الخاضع للإشراف، أثــبــتـت نتائج الاختبارات التجـريـبـية فاعلية خوارزمية الـتـطـبيق المـقـترح في تمييز وتصنيف الأوراق المالية الليبية المتداولة باستخدام عملية معالجة الصور، وأظهرت أداءً جيدًا؛ حيث استغرقت وقــتًا قــصيرًا وأنتجت معدل دقة إجمالي يزيد عن 99٪ في عمليات الاختبار والتحقق، علاوة على ذلك، لضمان وتأكيد كفاءة وفاعلية أنموذجنا للتـطبيق المقترح، قمنا بـتـقـيـيم تـطـبيقـنا من خلال 7 مستخدمين من مجتمع ذوي الإعاقة البصرية، وفقًا للتقييم والتحقق، فقد ثـبـت أن تطبيقـنا ناجح جدًا وفعال للغاية ويعمل بشكل جيد مع أي بيئة أو طرق إضاءة غير متجانسة .

الكلمات المفتاحية: تطبيق للتعرف على الأوراق المالية الليبية المتداولة ، التعلم العميق (DL) ، لغة "Matlab" ، معالجة الصور (IMPRO) ، المكفوفين وضعاف البصر.

Abstract:

The aim of this research paper is to help people with visual challenges (the blind and visually impaired) in the country of Libya. Thus the researcher designed and developed an application for automatic identification of Libyan securities traded through a mobile phone camera. This research work was implemented and tested for stock classification, using methods that combine the language environment "Matlab" and "MobileNet", a relatively new framework for deep learning (DL) image processing architecture. A currency classification system has been applied and implemented to be identified through the use of image processing steps. The proposed application processes, to classify and distinguish the types of Libyan money denominations, consist of six stages: (photo capture, pre-treatment of colors and currency image, detection of currency image edges, image segmentation, extraction of distinctive signs of currency characteristics, currency value recognition). To prove the effectiveness of the application algorithm, the researcher evaluated how well our proposed model performs using a new, classified and balanced raw data set of bank-notes (new, average, and old), consisting of approximately 2500 images with differrent lighting methods, which were employed for comparison and conducting experiments (training and testing) to classify the traded and approved Libyan securities of each of the five types (1, 5, 10, 20 & 50 LYD). In addition to the application of the supervised learning approach, the results of the experimental tests demonstrated the effectiveness of the proposed application algorithm in distinguishing and classifying the Libyan securities traded using the image processing process, and it showed good performance as it took a short time and produced an overall accuracy rate of more than 99% in the testing and verification process. Moreover, to ensure and confirm the efficiency and effectiveness of our model for the proposed application, we evaluated our application through 7 users from the visually impaired community. According to evaluation and verification, our application has been proven to be very successful and highly effective and works well with any lighting environment or heterogeneous methods .

An application to identify the Libyan securities traded , Deep Learning , Matlab Language , Images Processing , Blind and Visually Impaired.

References:

AFB. The American Foundation for the Blind. (2023, January 8). Retrieved from https://www.afb.org/about-afb: https://www.afb.org/
Burton-Johnson, A., & Wyniawskyj, N. S. (2020). Rock and snow differentiation from colour (RGB) images.
Chowdhury, U. R., Jana, S., & Parekh, R. (2020). Automated system for Indian banknote recognition using image processing and deep learning. International Conference on Computer Science, Engineering and Applications (ICCSEA) .
Ghayoumi, M. (2021). Tensorflow and Keras Fundamentals. Deep Learning in Practice , pp. 29-49.
Ghodichor, P. F. (2022). System for fake currency detection using image processing. International Journal for Research in Applied Science and Engineering Technology , 10 (1), pp. 349-352.
Gonzalez, R. C., Woods, R. E., & Masters, B. R. (2009). Digital Image Processing, third edition. Journal of Biomedical Optics , 14 (2), p. 029901.
Gour, M., Gajbhiye, K., Kumbhare, B., & Sharma, M. (2011). Paper currency recognition system using characteristics extraction and negatively correlated NN ensemble. Advanced Materials Research , 403-408, pp. 915-919.
Harjoseputro, Y. (2020). MobileNets: Efficient convolutional neural network for Mobile Vision Applications. International Journal on Advanced Science, Engineering and Information Technology , 10 (6), pp. 22-90.
Ibrahim Salem, F. G., Hassanpour, R., Ahmed, A. A., & Douma, A. (2021). Detection of suspicious activities of human from surveillance videos. IEEE 1st International Maghreb Meeting of the Conference on Sciences and Techniques of Automatic Control and Computer Engineering MI-STA .
Kumar, G. P., & et-al. (2022). Image deconvolution using Deep Learning-based Adam Optimizer. 6th International Conference on Electronics, Communication and Aerospace Technology .
Mlsna, P. A., & et-al. (2009). Gradient and laplacian edge detection. The Essential Guide to Image Processing , pp. 495-524.
National indicators for eye health services in Libya. (2022, November 22). Retrieved January 7, 2023, from International Agency for the Prevention of Blindness: https://www.iapb.org/learn/vision-atlas/magnitude-and-projections/countries/libya .
Otsu, N. (1979). A threshold selection method from gray-level histograms. IEEE Transactions on Systems, Man, and Cybernetics , 9 (1), pp. 62-66.
World health Organization statistics. (2023, January 25). Retrieved from https://www.who.int/data/gho/publications/world-health-statistics: https://www.who.int/