Recognition of Eudiscoaster and Heliodiscoaster Using SOM Neural Network

Abstract

الملخص
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، والثاني هو استخدام الشبكة العصبية ذات التنظيم الذاتي لغرض التمييز.
تنفذ عمليات التحليل على صورة نوع (.jpg) للمتحجر والتي تم التقاطها لغاية الوصول إلى أوضح صورة لاستخراج البيانات منها. تبدأ العملية بالتقاط صورة تحوي على المتحجر ثم يتم تحسين الصورة، وبعدها يتم تقسيمها إلى 144 جزءاً ويمكن بسهولة استخراج معدل كل جزء من هذه الأجزاء. و ثم تستخدم هذه القيم كإدخالات للشبكة العصبية ذات التنظيم الذاتي الذكية. تم استخدام احد طرائق الشبكات العصبية للمقارنة وهي الشبكة العصبية ذات التنظيم الذاتي الذكية (SOM). إن قيم الأوزان والإخراج في الشبكة العصبية المستخدمة يتم خزنها لتستعمل في عملية التمييز. وقد نجحت الشبكة وحققت (نسبة خطأ القبول = 15% - نسبة خطأ الرفض = 15%).
ABSTRACT
This research is aimed to design an 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, 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%).