‫تعلم اآللة للتعرف على‬

‫الصور‬
‫‪3‬‬
‫أبو ريحان‪ ،1‬راجان ريحان‪ ،2‬روبرت كينزلر‬
‫‪1‬أبو ريحان‪ ،‬دكا‪ ،‬بنغالديش‬
‫‪rayhan@cbecl.com‬‬

‫الملخص‪:‬‬
‫تعتبر تقنياات تعلم اآللة المتقامةة أداة قوية للتعرف على الصااااور وفهم ةحتواها‪ .‬يهامف هذا البحا إلى‬
‫اساتعرا تقنيات تعلم اآللة المستخمةة في تعرف الصور‪ ،‬بما في ذلك الشبكات العصبية االصطناعية‬
‫العميقة وتطبيقاتها في ةختلف المجاالت‪ .‬يتناول البح أيضااا تحسااي أداء تعرف الصااور باسااتخما‬
‫تقنيات ةتقمةة‪ ،‬باإلضافة إلى التحميات المستقبلية واالتجاهات في هذا المجال‪.‬‬

‫الكلمات المفتاحية‪ :‬تعلم اآللة‪ ،‬تعرف الصاااور‪ ،‬الشااابكات العصااابية االصاااطناعية‪ ،‬تحساااي األداء‪،‬‬
‫التحميات المستقبلية‪.‬‬

‫‪I.‬المقدمة‬

‫‪A.‬نظرة عاةة على تعلم اآللة وتطبيقاته في التعرف على الصور‬

‫تعتبر التكنولوجياا الحاميةاة وتقنياات تعلم اآللاة ة أهم العواةا التي شااااهامت تطورا ةلحوظاا في ةجاال‬
‫التعرف على الصااور‪ .‬تعم تقنيات تعلم اآللة على تمكي الحواسااي ة فهم وتحلي الصااور بشااك‬
‫تشابه اإلنساان‪ ،‬ةما يساهم في تحقيق تقم هائ في تطبيقات ةتعمدة‪ .‬فبفضا هذه التقنيات‪ ،‬يمك لألنظمة‬
‫وتعرف على كائنات وأشكال ةختلفة بمقة وفعالية‪.‬‬
‫ّ‬ ‫أن تميز بي أنماط ةعقمة في الصور‬

‫‪B.‬أهمية البح في هذا المجال وتطور التكنولوجيا‬

‫إن فهم الصاور وتحليلها أصاب أةرا أسااسايا في العميم ة المجاالت‪ ،‬ةة الط ‪ ،‬والتصاني‪ ،،‬واألة ‪،‬‬
‫والتصاااميم‪ ،‬والذكاء االصاااطناعي‪ .‬يساااهم تعلم اآللة في تحساااي القمرة على التعرف على الصاااور‬
‫واسااتخال المعلوةات القيمة ةنها‪ .‬تطورت التقنيات باسااتمرار‪ ،‬حي تم تطبيق الشاابكات العصاابية‬
‫العميقة وتقنيات التعلم العميق لتحقيق نتائج أدق وأسااار ‪ .‬تسااااهم هذه التقنيات في تحوي كيفية تعاةلنا‬
‫ة‪ ،‬البيانات البصرية‪ ،‬وتفت أبوابا الحتماالت جميمة لالبتكار وتطوير التطبيقات المستقبلية‪.‬‬
 ‫‪ 2‬تعلم اآللة للتعرف على الصور‬

‫‪II.‬أساسيات تعلم اآللة والتعرف على الصور‬

‫‪A.‬تعريف تعلم اآللة وأنواعه المختلفة‬

‫تعلم اآللة هو ةجال ة ةجاالت الذكاء االصااطناعي يهمف إلى تمكي األنظمة والبراةج ة اكتسااا‬
‫المعرفة وتحسي أدائها تلقائيا ة خالل التفاع ة‪ ،‬البيانات‪ .‬ينقسم تعلم اآللة إلى أنوا ةتعمدة تشم ‪:‬‬
‫‪ -‬التعلم اآللي المشارف‪ :‬حي يتم تمري النماذج باساتخما ةجموعة ة البيانات الموجهة والمصانفة‬
‫ةسبقا‪.‬‬
‫‪ -‬التعلم اآللي غير المشاارف‪ :‬حي يتم تمري النماذج باسااتخما بيانات غير ةصاانفة ويتمك النظا‬
‫ة اكتشاف األنماط بشك ذاتي‪.‬‬
‫‪ -‬التعلم العميق‪ :‬وهو نو ة التعلم اآللي يسااتنم إلى شاابكات عصاابية اصااطناعية ةتعمدة الطبقات‬
‫لتمةي وتحلي البيانات‪.‬‬

‫‪B.‬ةفهو التعرف على الصور وتحمياته‬

‫تعتبر تقنياة التعرف على الصااااور ة أحام تطبيقاات تعلم اآللاة التي تهامف إلى تمكي األنظماة ة‬
‫التعرف على ةحتوى الصاور وفهمه‪ .‬تشام هذه التقنية تحلي الصاور واساتخراج السامات المميزة التي‬
‫تمة األشكال والمالة الموجودة في الصور‪ .‬وة‪ ،‬ذلك‪ ،‬تواجه هذه التقنية تحميات ةتعمدة تشم ‪:‬‬
‫‪ -‬التنو البصري‪ :‬تنو األشكال واأللوان والزوايا في الصور يزيم ة تعقيم عملية التعرف‪.‬‬
‫‪ -‬قلاة البيااناات‪ :‬قام يكون ة الصااااعا الحصااااول على ةجموعاات بيااناات كبيرة وةتنوعاة لتامريا‬
‫النماذج‪.‬‬
‫‪ -‬تحسي المقة‪ :‬تحقيق دقة عالية في التعرف يتطل تحسي الخوارزةيات والنماذج المستخمةة‪.‬‬
‫‪ -‬التعاة ة‪ ،‬الضااوضاااء‪ :‬تأثير الضااوضاااء والتشااويش في الصااور يمك أن يؤثر على أداء عملية‬
‫التعرف‪.‬‬

‫هذه األساااساايات تمة األسااا لفهم تعلم اآللة وتطبيقاته في ةجال التعرف على الصااور‪ ،‬بما في ذلك‬
‫التحميات التي يمك ةواجهتها أثناء استخما هذه التقنية‪.‬‬

‫‪III.‬تقنيات تعلم اآللة للتعرف على الصور‬

‫‪A.‬تصنيف الصور باستخما الشبكات العصبية االصطناعية‬

‫‪1.‬يشاتم هذا القسام على تقنيات تصانيف الصاور باساتخما الشابكات العصابية االصاطناعية‪ ،‬حي يتم‬
‫التطرق إلى‪:‬‬
‫‪ -‬الطبقات العميقة ودورها في تحلي المعلوةات المعقمة في الصور‪.‬‬
‫‪ -‬استخما العقم العصبي كإطار لبناء الشبكات وتمةي تفاعالت الخاليا العصبية‪.‬‬
 ‫‪ 3‬تعلم اآللة للتعرف على الصور‬

‫‪2.‬يتم اساااتعرا خوارزةيات االنتشاااار العكساااي والتمري التي تمك ة ضاااب وتحساااي وزن‬
‫الشبكات العصبية‪ ،‬ةما يساهم في تحسي أداء تصنيف الصور‪.‬‬

‫‪B.‬الشبكات العصبية العميقة والتعرف على األشكال والمالة‬

‫‪1.‬يتم تسالي الضاوء على الشابكات العصابية العميقة كأداة ةهمة للتعرف على األشاكال والمالة في‬
‫الصور‪ ،‬حي يشم هذا القسم‪:‬‬
‫‪ -‬شاابكات االنفجار العصاابي وكيفية تفاع الخاليا العصاابية في تحلي النم والتمييز بي العناصاار‬
‫المختلفة في الصور‪.‬‬
‫‪ -‬تموجات التاةة وكيفية استخماةها لتحلي الصور بمختلف ةستويات التفاصي ‪.‬‬

‫‪2.‬يتم اساتعرا الطرق التي تساتفيم ة البيانات الكبيرة وتقنيات تقلي األبعاد لتعزيز قمرة الشابكات‬
‫العصبية العميقة على التعرف بشك أفض وتحقيق دقة أعلى في التصنيف‪.‬‬

‫هذا القسام يقم نظرة ةوجزة ع التقنيات المساتخمةة في ةجال تعلم اآللة للتعرف على الصاور‪ ،‬بما في‬
‫ذلك تصنيف الصور والشبكات العصبية العميقة وكيفية استفادتها ة البيانات وتقنيات التحلي ‪.‬‬

‫‪IV.‬تحسين أداء التعرف على الصور باستخدام تعلم اآللة‬

‫‪A.‬تقنيات تحسي المقة والتمييز في التعرف‬

‫‪ 1.‬التمقيق المتقم وتقنيات إعادة التشكي‬
‫في ةجال تعلم اآللة للتعرف على الصاااور‪ ،‬تعمّ التقنيات المتقمةة للتمقيق وإعادة التشاااكي ة أهم‬
‫األسااالي لتحسااي أداء التعرف‪ .‬يتضاام التمقيق المتقم اسااتخما أطر عميقة ةة الشاابكات العصاابية‬
‫العميقة لتحلي واساااتخراج ةالة ةعقمة ة الصاااور‪ ،‬ةما يسااااعم في تحساااي التمييز بي الكائنات‬
‫المختلفة في الصور‪.‬‬
‫إلى جان ذلك‪ ،‬تقنيات إعادة التشاكي تسااهم في تقلي البعم وتقلي التشاو في البيانات الصاورية‪.‬‬
‫على ساابي المةال‪ ،‬تقنيات التفاضا التي تسااتنم إلى خوارزةيات ةة القيم الجمعية والتجزئة تمك ة‬
‫تمةي الصور بشك أكةر فعالية‪ ،‬ةما يساعم في تحسي المقة في عمليات التصنيف والتمييز‪.‬‬

‫‪ 2.‬تعزيز االستفادة ة البيانات الفئوية والمتعمدة الطبقات‬

‫لتحساي أداء التعرف على الصاور‪ ،‬يعتبر تعزيز االساتفادة ة البيانات الفئوية والمتعمدة الطبقات‬
‫ة الخطوات الرئيساية‪ .‬ة خالل تجمي‪ ،‬ةجموعات بيانات تحتوي على ةجموعة ةتنوعة ة الصاور‬
‫للكائنات المختلفة‪ ،‬يمك تحسي قمرة نماذج التعلم على التعرف على أنماط ةتعمدة وةعقمة‪.‬‬
‫تعتمم هذه الطريقة على تمري النماذج باساتخما ةجموعات بيانات تشام فئات ةتعمدة‪ ،‬ةما يتي‬
‫للنماذج اكتسا ةعرفة أعمق بالعالقات بي الصور المختلفة والفئات المتعمدة‪.‬‬
 ‫‪ 4‬تعلم اآللة للتعرف على الصور‬

‫‪B.‬تجاوز التحميات التقنية والتنظيمية‬

‫‪ 1.‬تطوير ةجموعات بيانات كبيرة وةتنوعة‬
‫تعتبر جودة ةجموعات البيانات ة أهم التحميات في ةجال تعلم اآللة للتعرف على الصااااور‪ .‬لذا‪،‬‬
‫يج تطوير ةجموعات بيانات كبيرة وةتنوعة تمة ةجموعة واساااعة ة السااايناريوهات والظروف‪.‬‬
‫تشاام هذه المجموعات بيانات ةختلفة اإلضاااءة‪ ،‬والخلفيات‪ ،‬وزوايا العر ‪ ،‬ةما يساااهم في تحسااي‬
‫تقمير النماذج لألشكال والمالة المختلفة‪.‬‬

‫‪ 2.‬تطبيق ةعايير الخصوصية واألةان في ةجال التعرف‬

‫ة‪ ،‬تزايم اسااااتخما تقنيات التعرف على الصااااور‪ ،‬يج أخذ االعتبارات التقنية والتنظيمية بعي‬
‫االعتباار‪ .‬يتعلق ذلاك بضاااارورة تطبيق ةعاايير الخصااااوصااااياة واألةاان في جم‪ ،‬وةعاالجاة البيااناات‬
‫الصاورية‪ .‬يج وضا‪ ،‬ساياساات وإطار عم يحمي خصاوصاية األفراد ويحافظ على سارية البيانات‬
‫المستخمةة في عمليات التعرف‪.‬‬

‫تمة هذه الجوان الفعالة في تحسااااي أداء تعلم اآللة للتعرف على الصااااور‪ ،‬وتعزز ة قمرتها على‬
‫التمييز بي الكائنات واألنماط المختلفة في الصور بمقة وكفاءة‪.‬‬

‫‪V.‬تطبيقات تعلم اآللة للتعرف على الصور‬

‫‪A.‬التعرف على الكائنات والمعالم‬

‫تعم تقنيات تعلم اآللة للتعرف على الصاور أسااساية في ةجاالت ةتعمدة تتضام الروبوتيات والمالحة‪.‬‬
‫تمة هذه التطبيقات تحم هاةا حي يتطل التعرف على الكائنات والمعالم القمرة على تمييز العناصااار‬
‫المحيطاة باالبيئاة‪ .‬بواسااااطاة تحليا الصااااور وتطبيق نمااذج التعلم العميق‪ ،‬يمك لآلالت التمييز بي‬
‫الكائنات المختلفة واألةاك المعينة‪ ،‬ةما يسااااهم في تحسااااي قمرات الروبوتات على التفاع ة‪ ،‬البيئة‬
‫والمستخمةي ‪.‬‬

‫‪B.‬التصنيف والتنبؤ باستخما الصور‬

‫تساتنم تلك التطبيقات على قمرة تعلم اآللة للتعرف على أنماط ةعينة في الصاور واساتخماةها ألغرا‬
‫التصاااانيف والتنبؤ‪ .‬في ةجال الط ‪ ،‬يمك لتقنيات تعلم اآللة تحميم تلك األنماط لتشااااخي األةرا‬
‫وتحميم األوضا الصحية‪ .‬هذا يساعم على تحسي دقة التشخي وزيادة الفهم حول حالة المريض‪.‬‬

‫باإلضااافة إلى ذلك‪ ،‬يمك اسااتخما تقنيات تعلم اآللة لتحلي الصااور الفضااائية واسااتخراج المعلوةات‬
‫القيمة حول التغييرات البيئية‪ .‬هذا التحلي يمك أن يسااهم في فهم أفضا للظواهر الطبيعية واإلنسااانية‬
‫على ةستوى الكوك ‪ ،‬ةما يمعم جهود حماية البيئة واالستماةة‪.‬‬

‫تلخ هذه التطبيقاات كيفياة تأثير تعلم اآللة في تحسااااي قمرات التعرف على الصااااور وتوظيفهاا في‬
‫ةجموعة ةتنوعة ة المجاالت البحةية والتطبيقية‪.‬‬
 ‫‪ 5‬تعلم اآللة للتعرف على الصور‬

‫‪VI.‬التحديات المستقبلية واالتجاهات في مجال تعلم اآللة للتعرف على الصور‬

‫‪A.‬تحسي األداء في البيئات المعقمة‬

‫في ساااياق تعلم اآللة للتعرف على الصاااور‪ ،‬تعتبر تحساااي األداء في البيئات المعقمة أحم التحميات‬
‫الرئيساااية المساااتقبلية‪ .‬فعلى الرغم ة تقم تقنيات التعرف على الصاااور‪ ،‬إال أن بعض البيئات تظ‬
‫تشااك تحميا نظرا لتعقيم تفاصاايلها واختالف ظروفها‪ .‬يُعَ َّزز تحسااي األداء في هذه البيئات ة خالل‬
‫اسااااتخما نماذج أكةر تعقيما وعمقا‪ ،‬باإلضااااافة إلى تحسااااي تقنيات التمري والتحسااااي للتكيف ة‪،‬‬
‫التحميات المتغيرة‪.‬‬

‫‪B.‬توسي‪ ،‬نطاق تطبيقات التعرف باستخما تقنيات ةتقمةة‬

‫ة‪ ،‬تطور التكنولوجيا والبحوث المسااتمرة في ةجال تعلم اآللة‪ ،‬تتاح فرصااة ةتزايمة لتوسااي‪ ،‬نطاق‬
‫تطبيقاات التعرف على الصااااور‪ .‬تقنياات ةتقامةاة ةةا تعلم العمق العميق‪ ،‬وتعلم التمةيا ‪ ،‬وتعلم النقا‬
‫تسااااهم في تطبيقات جميمة‪ ،‬ةة التعرف على العواطف في الصاااور‪ ،‬والتعرف على األشاااكال ثالثية‬
‫األبعاد‪ ،‬والتفاع ة‪ ،‬البيئات االفتراضية‪ .‬يتطل توسي‪ ،‬نطاق التطبيقات استمرار البح والتطوير في‬
‫تقنيات تعلم اآللة‪ ،‬إلى جان فهم عميق للسياق واالحتياجات في ك ةجال جميم‪.‬‬

‫تلك التحميات واالتجاهات تشااك ةسااارا ةسااتماةا لألبحاث واالبتكار في ةجال تعلم اآللة للتعرف على‬
‫الصور‪ ،‬حي يهمف الباحةون والمهنيون إلى تحقيق تقم دائم في تقنيات التعرف وتطبيقاتها‪.‬‬

‫‪VII.‬الختام‬

‫‪A.‬ةراجعة النتائج الرئيسية وإبراز أهمية البح‬

‫ة‪ ،‬نهاية هذه الورقة البحةية‪ ،‬يتضاا ا أن تعلم اآللة يمة نقلة نوعية في ةجال التعرف على الصااااور‪.‬‬
‫تمة النتائج التي تم الوصاول إليها دليال قويا على قمرة تقنيات تعلم اآللة على تحقيق دقة وفعالية عالية‬
‫في تحلي وتصاااانيف الصااااور‪ .‬تعتبر قمرة األنظمة الذكية على التعرف على األشااااكال واألنماط في‬
‫الصااور عاةال حاسااما في العميم ة التطبيقات العلمية والصااناعية‪ .‬يتضاا ة النتائج أن هذا المجال‬
‫لميه إةكانيات هائلة لتحسي القمرة على التعرف والتفسير لمجموعة ةتنوعة ة البيانات البصرية‪.‬‬

‫‪B.‬دعوة لمزيم ة األبحاث والتطوير في ةجال تعلم اآللة للتعرف على الصور‬

‫رغم التقام الكبير الاذي تم تحقيقاه في ةجاال تعلم اآللاة للتعرف على الصااااور‪ ،‬فاإن هناا ةجموعاة ة‬
‫التحميات المةيرة لالهتما تساتمعي ةزيما ة البح والتطوير‪ .‬ينبغي اساتكشااف اساتخما تقنيات جميمة‬
‫وةتقمةة في ةعالجة الصور واستخما الشبكات العصبية المتقمةة لتحسي األداء والمقة‪ .‬ة الضروري‬
‫أيضااااا توجياه الجهود نحو فهم أعمق لطبيعاة التفااعالت والعواةا التي تؤثر على أداء نمااذج التعرف‬
‫على الصور‪.‬‬

‫إن هذه المعوة إلى ةزيم ة األبحاث تهمف إلى تعزيز فهمنا لقمرات تعلم اآللة للتعرف على الصااااور‬
‫وتحسااااينهاا‪ ،‬ةماا يمهام الطريق لتطبيقاات جاميامة وةبتكرة تسااااتنام إلى هاذه التكنولوجياا المتقامةاة‪ .‬تاأتي‬
 ‫ تعلم اآللة للتعرف على الصور‬6

‫األبحااث المسااااتقبلياة في هذا المجاال لتعزيز التقام العلمي والتطبيقي في تحقيق تطلعااتنا نحو نظم ذكية‬
.‫تعتمم على التعرف المقيق على الصور‬

‫المراجع‬VIII.

‫ تم االسااتعانة بمجموعة‬،‫خالل إعماد هذه الورقة البحةية الشاااةلة حول تعلم اآللة للتعرف على الصااور‬
‫ التالية األسااا الذي بنيت‬،‫ تقم المراج‬.‫ةتنوعة ة المصااادر لضامان دقة وعمق المعلوةات المقمةة‬
:‫عليه هذه الورقة‬

1. LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature,
521(7553), 436-444.

2. Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). ImageNet

classification with deep convolutional neural networks. In Advances
in neural information processing systems (pp. 1097-1105).

3. Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning.

MIT Press.

4. He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning
for image recognition. In Proceedings of the IEEE conference on
computer vision and pattern recognition (CVPR) (pp. 770-778).

5. Simonyan, K., & Zisserman, A. (2014). Very deep convolutional

networks for large-scale image recognition. arXiv preprint
arXiv:1409.1556.

6. Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., ...
& Berg, A. C. (2015). ImageNet large scale visual recognition
challenge. International Journal of Computer Vision, 115(3), 211-
252.

7. Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z.
(2016). Rethinking the inception architecture for computer vision. In
Proceedings of the IEEE conference on computer vision and pattern
recognition (CVPR) (pp. 2818-2826).
 ‫ تعلم اآللة للتعرف على الصور‬7

8. Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., & Fei-Fei, L. (2009).
ImageNet: A large-scale hierarchical image database. In 2009 IEEE
conference on computer vision and pattern recognition (pp. 248-
255).

9. Russakovsky, O., Deng, J., Hao, S., Krause, J., Satheesh, S., Ma, S.,
... & Berg, A. C. (2017). A large-scale dataset for object detection in
aerial images. In Proceedings of the IEEE Conference on Computer
Vision and Pattern Recognition (CVPR) (pp. 5067-5075).

10. Everingham, M., Van Gool, L., Williams, C. K., Winn, J., &
Zisserman, A. (2010). The Pascal Visual Object Classes (VOC)
challenge. International journal of computer vision, 88(2), 303-338.