اسم المؤلف: منتظر جبار عيسى حسن

اسم المشرف: اسراء هادي علي

الموضوع العام: علوم الحاسبات

السنة: 2025

الموضوع الدقيق: الذكاء الاصطناعي

الدرجة: ماجستير

الجامعة: جامعة بابل - كلية تكنولوجيا المعلومات - قسم البرمجيات

اللغة: الانكليزية

مكان الجامعة: بابل

المستخلص: الكشف عن الاجسام الصغيرة يعد مهمة حاسمة ومعقدة في مجال الرؤية الحاسوبية، لا سيما في المجال الطبي حيث يعد الكشف المبكر والدقيق عن كسور العظام امرا ضروريا لضمان العلاج المناسب. ان الفشل في اكتشاف هذه الكسور قد يؤدي الى عواقب خطيرة على المرضى. وتمثل الكسور العظمية الصغيرة تحديا خاصا نظرا لصغر حجمها، واشكالها غير المنتظمة، وانخفاض تباين صور الاشعة السينية. وعلى الرغم من ان نماذج التعلم العميق توفر حلولا واعدة، الا انها غالبا ما تواجه صعوبة في اكتشاف الاجسام الصغيرة بسبب فقدان التفاصيل الدقيقة خلال عمليات المعالجة للصور. تهدف هذه الرسالة الى تحسين اداء نماذج التعلم العميق، وتحديدا دقتها في تحديد الكسور العظمية الصغيرة، من خلال اثراء بيانات التدريب باستخدام تقنية زيادة بيانات موجهة، صممت خصيصا لتحسين تمثيل هذه الكسور الصغيرة، مما يجعلها اكثر وضوحا وقابلية للاكتشاف. تتكون المنهجية المقترحة من عدة مراحل. في المرحلة الاولى، يتم تطبيق تقنية "تحسين تباين الهيستوغرام المحدود التكيفي (CLAHE) "بهدف تعزيز التباين وتحسين وضوح الكسور الدقيقة. اما في المرحلة الثانية، فيتم ضبط نموذج YOLOv8m على مجموعة البيانات المعالجة مسبقا لتهيئته لمهمة اكتشاف كسور العظام. وتقدم المرحلة الثالثة تقنية جديدة لزيادة البيانات تعرف باسم "البلاط الانتقائي للاجسام الصغيرة (SSOT) "، والتي تعمل على اكتشاف الكسور باستخدام النموذج المدرب، ثم تحديد مناطق الكسور الصغيرة، واقتطاع بلاطات حول تلك المناطق، وتكبير هذه البلاطات باستخدام تقنية استيفاء Lanczos، واخيرا دمجها مع صور التدريب الاصلية بهدف اثراء مجموعة البيانات. وفي المرحلة الرابعة، يتم استخدام مجموعة البيانات المثرية لاعادة تدريب نموذج YOLOv8m، مما يعزز قدرته على اكتشاف الكسور الصغيرة بشكل اكبر. تم اجراء تقييمات تجريبية باستخدام مجموعة بيانات FracAtlas للتحقق من فعالية المنهجية المقترحة. وقد اظهرت النتائج تحسنا ملحوظا في اداء النموذج، وخصوصا في مقياس الاستدعاء (Recall)، مما يؤكد زيادة حساسيته تجاه الكسور الصغيرة. وحقق النموذج دقة (Precision) بلغت 0.688، واستدعاء (Recall) بلغ 0.589، ومتوسط دقة (mAP@0.5) بلغ 0.601 على مجموعة اختبار مستقلة، متفوقا بذلك على الدراسات السابقة.

الملخص:

المصادر:

تصنيف انواع الاصوات بالاعتماد على DCT والتعلم العميق == Classification of Sound Types Based on DCT and Deep Learning

اسم المؤلف: هيثم محمد عباس شاكر

اسم المشرف: توفيق عبد الخالق عباس الاسدي

الموضوع العام: علوم الحاسبات

السنة: 2025

الموضوع الدقيق: الذكاء الاصطناعي

الدرجة: ماجستير

الجامعة: جامعة بابل - كلية تكنولوجيا المعلومات - قسم البرمجيات

اللغة: الانكليزية

مكان الجامعة: بابل

المستخلص: يلعب تحليل الصوت دورا رئيسيا في العديد من التخصصات، على سبيل المثال، في المجال الصناعي، يمكن لمشغلي الالات ذوي الخبرة سماع واكتشاف العديد من اعطال الماطورات الدوارة. ومع ذلك، نظرا لبيئات الضوضاء المعقدة في المصانع، قد يكون من الصعب اكتشاف هذه الاعطال. يعد تحديد اعطال الماطورات الدوارة امرا بالغ الاهمية لتقليل تكاليف الاصلاح، ومنع التوقف غير المتوقع للالات، وضمان الانتاج دون انقطاع. وبالمثل، في المجال البيطري، يعتمد مربي الماشية على تحليل الصوت لمراقبة صحة الحيوانات واكتشاف العلامات المبكرة للامراض. ومع ذلك، فان الضوضاء المحيطة في المزارع تعقد المراقبة الصحية الدقيقة القائمة على الصوت. ظهرت تقنيات التعلم العميق (DL)، وخاصة نماذج تصنيف الصوت، كحل اساسي لتشخيص الاعطال وتحليل اصوات الحيوانات. تقترح هذه الاطروحة طريقة للكشف عن الصوت وتصنيفه باستخدام الشبكة العصبية التلافيفية (CNN) وYOLO v8m، والاستفادة من تحويل الصوت الى صورة لتحسين المعالجة. اولا، في مرحلة المعالجة المسبقة، يحول الصوت الملتقط من المصدر (الة او حيوان) الى قيم رقمية احادية البعد (1D) في نطاق الوقت. بعد ذلك، يطبق تحويل جيب التمام المنفصل (DCT) لاستخراج انماط الميزات وتقليل الضوضاء بفعالية. تطبع مصفوفة المعاملات احادية البعد الناتجة ضمن النطاق (0-255)، ثم تقسم الى اجزاء متساوية وتخزن في مصفوفة ثنائية الابعاد (2D) لتوليد صور رمادية. ثانيا، في مرحلة تصنيف الصوت، تعد هذه الصور الرمادية مدخلات لشبكة CNN وYOLO v8m لاجراء تصنيف متعدد في اطار تعلم مشرف. اظهرت النتائج سرعة تدريب عالية، محققة دقة تصنيف عالية بنسبة 100% لشبكة CNN في تحديد اعطال الماطور، و97.1% لشبكة YOLO v8m في التعرف على اصوات الحيوانات، و97.6% لشبكة CNN في تصنيف اصوات الدواجن. علاوة على ذلك، يشخص النموذج الاصوات بفعالية في ظل ظروف ضوضاء مختلفة متعلقة بتسجيل الصوت. وفي نهاية المطاف، فان النتائج التي توصلت اليها هذه الاطروحة قد تؤثر على ابحاث تحليل الصوت من خلال تمهيد الطريق امام التقنيات والاساليب المبتكرة، وتعزيز تحليل وتفسير الصوت عبر مختلف التخصصات.

النص الكامل: