Recognition of eudiscoaster and heliodiscoaster using SOM neural network

Author

al-Nimah, Raid R.

Source

مجلة الرافدين لعلوم الحاسبات و الرياضيات : مجلة علمية محكمة و مفهرسة

Publisher

University of Mosul College of Computer Science and Mathematics

Publication Date

2010-11-30

Country of Publication

Iraq

No. of Pages

11

Main Subjects

Information Technology and Computer Science

Topics

• Digital electronics
• Neural networks(Computer science)

Arabic Abstract

تم في هذا البحث تصميم نظام للتعرف على الايوديسكواستر و الهيليوديسكواستر التابعة لمتحجرات النانو الكلسية بالاعتماد على الشبكة العصبية ذات التنظيم الذاتي الذكية.

حيث تم اعتماد اتجاهين رئيسيين للوصول إلى الغاية المنشودة : الأول يتكون من عمليات تحليل صور المستحاثات قيد الدراسة للتوصل إلى قاعدة بيانات كل نوع، و الثاني هو استخدام الشبكة العصبية ذات التنظيم الذاتي لغرض التمييز.

تنفذ عمليات التحليل على صورة نوع (.JPG) للمتحجر و التي تم التقاطها لغاية الوصول إلى أوضح صورة لاستخراج البيانات منها.

تبدأ العملية بالتقاط صورة تحوي على المتحجر ثم يتم تحسين الصورة، و بعدها يتم تقسيمها إلى 144 جزءا و يمكن بسهولة استخراج معدل كل جزء من هذه الأجزاء.

و ثم تستخدم هذه القيم كإدخالات للشبكة العصبية ذات التنظيم الذاتي الذكية.

تم استخدام أحد طرائق الشبكات العصبية للمقارنة و هي الشبكة العصبية ذات التنظيم الذاتي الذكية (SOM).

إن قيم الأوزان و الإخراج في الشبكة العصبية المستخدمة يتم خزنها لتستعمل في عملية التمييز.

و قد نجحت الشبكة و حققت (نسبة خطأ القبول = 15 %-نسبة خطأ الرفض = 15 %).

English Abstract

This research is aimed to design a Eudiscoaster and Heliodiscoaster recognition system.

There are two main steps to verify the goal.

First : applying image processing techniques on the fossils picture for data acquisition.

Second : applying neural networks techniques for recognition.

The image processing techniques display the steps for getting a very clear image necessary for extracting data from the acquisition of image type (jpg).

This picture contains the fossils.

The picture should be enhanced to bring out the pattern.

The enhanced picture is segmented into 144 parts, and then an average for every part can easily be computed.

These values will be used in the neural network for the recognition.

For neural network techniques, Self Organization Maps (SOM) neural network was used for clustering.

The weights and output values will be stored to be used later in identification.

The SOM network succeeded in identification and attained to (False Acceptance Rate = 15 % False Rejection Rate = 15 %).

Data Type

Conference Papers

Record ID

BIM-278111

• APA
• MLA
• AMA