TIMSOLLARNI TANIB OLISHDA OBYEKTLAR MUHIMLIGINI AXBOROT O'LCHOVI MEZONLARI VA ULARNI HISOBLASH ALGORITMLARI

107 TIMSOLLARNI TANIB OLISHDA OBYEKTLAR MUHIMLIGINI AXBOROT O‘LCHOVI MEZONLARI VA ULARNI HISOBLASH ALGORITMLARI Saparov Saidqul Xo‘jamurotovich Toshkent davlat iqtisodiyot universiteti, t.f.f.d.(PhD), E-mail: [email protected] DOI: https://doi.org/10.5281/zenodo.17665200 Annotatsiya. Ma’ruzada tanib olish obyektlarining axborot o‘lchovlari konteksti va muhimligi muhokama qilinadi. Tanib olish jarayonida obyektlarning o‘ziga xosligi, aniqligi va kontekstga aloqadorligi kabi mezonlar e’tiborga olinadi. Ushbu masalalar, ayniqsa, tibbiyot va kompyuter ko‘rish sohalarida qo‘llaniladi. Boshqa tarafdan, CNN algoritmlari orqali tanib olish jarayonida ma’lumotlarni tanlash, qayta ishlash va o‘qitish bosqichlari ko‘rib chiqilgan. Kalit so‘zlar: tanib olish obyektlari, axborot o‘lchovi, kompyuter ko‘rish, CNN (Convolutional Neural Network), o‘ziga xoslik, aniqlik, ma’lumotlarni qayta ishlash. I. Kirish Zamonaviy axborot texnologiyalarining jadal sur’atlarda rivojlanishi natijasida obyektlarni tanib olish tizimlari turli sohalarda keng qo‘llanilmoqda. Xususan, bu tizimlar xavfsizlik, tibbiyot, sanoat, transport kabi ko‘plab yo‘nalishlarda muhim ahamiyat kasb etmoqda. Obyektlarni to‘g‘ri va samarali tanib olish algoritmlari orqali inson faoliyatini yengillashtiruvchi, vaqt va resurslarni tejashga xizmat qiluvchi turli amaliy dasturlar yaratilmoqda. Bu jarayon, asosan, kompyuter ko‘zi (Computer Vision) va mashinanili o‘qitish (Machine Learning) algoritmlariga tayanadi. Ayniqsa, Convolutional Neural Network (CNN) algoritmlari bu borada keng qo‘llanilayotgan asosiy texnologiyalardan biridir. Obyektlarni tanib olish texnologiyalari kundalik hayotda katta ahamiyatga ega. Masalan, videokuzatuv tizimlarida yuzni tanib olish algoritmlari xavfsizlik choralarini oshirishga xizmat qilsa, tibbiy tasvirlarni qayta ishlash algoritmlari orqali kasalliklarni erta aniqlash va davolash samaradorligi oshirilmoqda. Shu bilan birga, obyektlarni to‘g‘ri aniqlash jarayonida axborot o‘lchovlari mezonlari katta ahamiyat kasb etadi. Obyektning o‘ziga xosligi, aniqligi, to‘liqligi, muvofiqligi va kontekstga mosligi kabi ko‘rsatkichlar tizim samaradorligini belgilovchi asosiy omillardandir. Ayniqsa, tibbiyot sohasida kasalliklarni tasvirlar orqali aniqlashda bu ko‘rsatkichlar muhim rol o‘ynaydi. II. Assosiy qism Tanib olish obyektlarining muhimligini axborot o‘lchovi ma’lum kontekst yoki tizimdagi obyektlardan olinishi yoki ular bilan bog‘lanishi mumkin bo‘lgan 108 ma’lumotlarning miqdori va sifatini anglatadi. Tanib olish obyektlarining axborot mazmunini baholash mezonlari muayyan dasturga qarab farq qilishi mumkin, ammo bu yerda tushuntirishlar bilan bir qatorda e’tiborga olish kerak bo‘lgan asosiy omillar mavjud: bular o‘ziga xoslik; muhimligi; muvofiqligi; aniqlik; to‘liqlik; mustahkamlik; samaradorlik; konteksga aloqadorlik; o‘zaro muvofiqlik; maxfiylik va xavfsizlik; masshtablilik; moslashuvchanlik va inson tushunishi kabilardir. Bundan ko‘rish mumkinki, tibbiy timsollarni aniqlash sohasidagi masalalarni yechishda[1, 2, 3, 4, 5] avtorlar tomonidan nazariy va amaliy yondashuvlar bayon etilgan. Bundan kelib chiqqan holda tanib olish obyektlari bir-biridan ajralib turishi kerak. Bu shuni anglatadiki, ular o‘zlarini ajratib turadigan o‘ziga xos xususiyatlarga ega. Masalan, yuzni tanib olish tizimida o‘ziga xoslik ko‘z shakli, burun shakli va boshqalar kabi o‘ziga xos xususiyatlar asosida bir kishining yuzini boshqasidan farqlashni o‘z ichiga oladi. “Obyektlarni tanib olishda o‘ziga xoslik” deganda, bu biror narsa yoki jonlivor obyektni uning shaxsiy xususiyatlari, qobiliyatlari, tuzilishi va boshqa omillari asosida ajratish, tanib olish va unga tegishli ma’lumotlarni qabul qilishni anglatishi mumkin. Masalan, ko‘rsatmalar bo‘yicha maxsus dasturlar (software) yordamida avtomobillarni tanib olish mumkin. Bu dasturlar avtomobillarning rangi, turini, nomeri va boshqa ma’lumotlarini aniqlovchi bo‘ladi. Misol: uylardagi smartkameralar. Bu kameralar ovoz, harakat va boshqa sensorlar orqali o‘rtadagi obyektlarni (kishi, hayvon, narsa) aniqlovchi bo‘ladi. Masalan, agar uyda kishi yo‘q, lekin kamera kishini tasdiqlasa, u signal yuborishi mumkin. Yozilgan dastur kodi ham obyektlarni tanib olishda o‘ziga xoslik ko‘rsatishi mumkin. Masalan, tekstni tahlil qilishda, dastur kodi tekstdagi so‘zlarni, satrlarni tanib olishi va ularni kategoriyalarga ajratishi mumkin. Mazkur tadqiqot ishida obyektlarni tanib olish tizimlarining samaradorligini oshirish uchun axborot o‘lchovlari mezonlaridan qanday foydalanish mumkinligi ko‘rib chiqilgan[6, 7, 8]. Obyektlarni tanib olish bir nechta turli texnologiyalar va algoritmlarni qo‘llagan holda amalga oshiriladi. Kompyuter ko‘z (Computer Vision) va mashinali o‘qitish (Machine Learning) ushbu sohada ko‘p qo‘llaniladi. Ushbu soha masalalarini hal qilishda foydalaniladigan dastur CNN (Convolutional Neural Network) algoritmidir. 109 CNN algoritmini ishlatish uchun, birinchi qadam rasmlarni tanlash va ularni tegishli formatga keltirishdir. Keyin, ma’lumotlarni tanlash, modelni o‘qitishga (train) tushirish, va uni sinovdan o‘tkazish kerak. CNN Algoritmi: Ma’lumotlarni tanlash: Ma’lumotlar to‘plami (dataset) tanlanishi kerak, masalan, CIFAR-10. Ma’lumotlarni preprotsessing qilish (normalizatsiya, augmentatsiya). Modelni qurish: So‘ng, model arxitekturasi tuziladi. O‘qitishga tushirish: Model ma’lumotlar to‘plami bilan o‘qitishga tushiriladi. Ta’lim jarayonida, modelga ma’lumotlar yuklanib, ularni to‘g‘ri taxmin qilishi uchun parametrlari o‘zgartiriladi. CNN neyron to‘rlarining rasmlarni qayta ishlashda qo‘llaniladigan eng keng tarqalgan turi bo‘lib hisoblanadi. Neyron to‘rlarining ushbu turida rasmlarni qayta ishlash quyidagicha amalga oshiriladi: 1. Kiruvchi ma’lumotlar bo‘lgan rasmlar o‘ramali qatlamga uzatiladi. Bu yerda rasmlardan turli parametrlarni ajratib olish uchun filtrlash amalga oshiriladi. Filtrlash jarayonida ma’lum bir o‘lchamga ega bo‘lgan, rasm o‘lchamiga ko‘ra kichikroq o‘lchamdagi matritsa yordamida rasm bo‘ylab to‘liq harakatlanish va matritsaning mos elemntlarini bir biriga ko‘paytirib yig‘ish orqali yangi qiymatlarni hosil qilish amalga oshiriladi; 2. Filtrlanganda so‘ng ma’lumotlar kiyingi qadamga uzatiladi va bunda birlashtirish (Pooling)amalga oshiriladi. Bundan maqsad rasm o‘lchamlarini kichiklashtirish va shu orqali uni qayta ishlashni osonlashtirish bo‘lib hisoblandi; 3. Rasmlar o‘ramali va birlashtirish amalga oshiriladigan birnechta qatlamlar yordamida qayta ishlangandan so‘ng paydo bo‘lgan ma’lumotlar to‘liq bog‘lanishli qatlamga uzatiladi.Ushbu qatlamda klassifikatsiya yoki regressiya kabi oxirgi natijaviy masalalar hal etiladi(1-rasmga qarang) 110 1-rasm. CNN neyron to‘ri modeli Tanib olish obyektlari bilan bog‘liq ma’lumotlar ular tan olinadigan vazifa yoki kontekstga mos kelishi kerak. Masalan, tibbiy ko‘rish tizimida tegishli ma’lumotlar bir-biriga bog‘liq bo‘lmagan tafsilotlarni emas, balki o‘simtaning joylashuvi va hajmini o‘z ichiga olishi mumkin. Tanib olish obyektlari vaqt o‘tishi bilan tashqi ko‘rinishida yoki xattiharakatlarida izchil bo‘lishi kerak. Masalan, videokuzatuvda odamni tanib olish turli ramkalar va yorug‘lik sharoitlarida izchil bo‘lishi kerak. Tanib olish obyektlaridan olingan ma’lumotlar aniq va ishonchli bo‘lishi kerak. Masalan, nutqni aniqlashda tizim og‘zaki so‘zlarni to‘g‘ri transkripsiyalashi va noto‘g‘ri talqin qilinishiga olib keladigan xatolarga yo‘l qo‘ymasligi kerak. Axborot mazmuni har tomonlama bo‘lishi va tanib olish obyektining barcha tegishli tomonlarini qamrab olishi kerak. Mahsulot shtrix-kodida to‘liqlik mahsulot nomi, ishlab chiqaruvchisi va narxi kabi mahsulotni identifikatsiyalash uchun barcha kerakli ma’lumotlar bo‘lishi kerakligini anglatadi. Tanib olish obyektlari atrof-muhitdagi o‘zgarishlar yoki shovqinlarga bardosh bera olishi kerak. Masalan, avtonom transport vositalarida yo‘l belgilari kabi tanib olish obyektlari, hatto ular qisman qoplangan yoki shikastlangan bo‘lsa ham, aniqlanishi kerak. Axborot mazmuni keraksiz ortiqcha yoki murakkabliksiz samarali tarzda uzatilishi kerak. Masalan, ma’lumotlarni siqishda samarali kodlash usullari axborot mazmunini uning muhim xususiyatlarini saqlab qolgan holda hajmini kamaytiradi. Axborot mazmuni tanib olish obyektlaridan foydalanilayotgan kontekstni hisobga olishi kerak. Masalan, tavsiyalar tizimida tizim foydalanuvchining xohishistaklari va xatti-harakatlarini hisobga olib, ularga kontekstga mos mahsulotlarni tavsiya qilishi kerak. Tanib olish obyektlari boshqa komponentlar yoki tizimlar bilan uzluksiz ishlash uchun mo‘ljallangan bo‘lishi kerak. Masalan, narsalar Interneti ekotizimida qurilmalar oson integratsiya qilish uchun standartlashtirilgan tanib olish protokollaridan foydalanishi kerak. Axborot mazmuni maxfiylik va xavfsizlikni hisobga olgan holda ishlab chiqilishi kerak. Masalan, biometrik tanib olish tizimlarida noto‘g‘ri foydalanish yoki ruxsatsiz kirishning oldini olish uchun maxfiy shaxsiy ma’lumotlarni himoya qilish juda muhimdir. Tanib olish obyektlari kichikdan tortib to kattagacha bo‘lgan bir qator o‘lchovlarni boshqarishi kerak. Bu, ayniqsa, obyektlar turli o‘lchamlarda yoki 111 ruxsatlarda paydo bo‘lishi mumkin bo‘lgan tasvirni aniqlash kabi tizimlarda juda muhimdir. O‘zgaruvchan sharoitlarga yoki yangi ma’lumotlarga moslashish qobiliyati juda muhimdir. Mashinanili o‘qitish modellarida tanib olish obyektlari yangi ma’lumotlar asosida o‘z tushunchalarini o‘rganish va yangilash uchun mo‘ljallangan bo‘lishi kerak. Axborot mazmuni odamlarga tushunarli tarzda taqdim yetilishi kerak. Masalan, ma’lumotlarni vizualizatsiya qilishda murakkab ma’lumotlar foydalanuvchilarga tushunarli bo‘ladigan tarzda taqdim yetilishi kerak. Tanib olish obyektlarining axborot mazmunini baholash turli tizimlar va ilovalarning samaradorligi va samaradorligini ta’minlash uchun muhim ahamiyatga ega, kompyuterda ko‘rish va tabiiy tilni qayta ishlashdan ma’lumotlarni tahlil qilish va qaror qabul qilish jarayonlarigacha. Ushbu mezonlar aniq maqsadlar va foydalanuvchi yehtiyojlarini qondirish uchun tanib olish tizimlarini loyihalash va ishlab chiqishda yordam beradi. Tanib olish obyektlarining axborot mazmunini axborot nazariyasidan tushunchalar yordamida miqdoriy aniqlash mumkin. Obyektni tanib olishda ma’lumot ko‘pincha modelning tasvirlar ichidagi obyektlarni to‘g‘ri aniqlay olishi aniqligi bilan o‘lchanadi. Biroq, o‘lchash ma’lumotlari ko‘p qirrali bo‘lishi mumkin va aniqlik, eslab qolish, F1 balli va boshqalar kabi aniq nimani baholashga bog‘liq. Mana, ularning matematik ifodalari va bir nechta turli mezonlar: 1. Aniqlik. Aniqlik barcha misollar orasida to‘g‘ri aniqlangan holatlar ulushini o‘lchaydi. U quyidagicha hisoblanadi: 2. Aniqlik. Aniqlik - barcha ijobiy identifikatsiyalar (haqiqiy ijobiy va noto‘g‘ri musbatlar) orasidagi haqiqiy ijobiy identifikatsiyalar nisbati. U quyidagicha hisoblanadi: 3. Yeslab qolish (sezuvchanlik). Yeslab qolish - barcha haqiqiy ijobiy holatlar (haqiqiy ijobiy va noto‘g‘ri salbiy) o‘rtasidagi haqiqiy ijobiy identifikatsiyalarning nisbati. U quyidagicha hisoblanadi: 112 4. F1 ball. F1 balli aniqlik va eslab qolishning garmonik o‘rtacha ko‘rsatkichidir va ikkalasi o‘rtasidagi muvozanatni ta’minlaydi. U quyidagicha hisoblanadi: 5. Kesishma yig‘indi asosida (IoU). IoU - odatda, obyektni tanib olishda umumiy kesishma va asosiy yig‘indi obyektlarini o‘rtasidagi o‘xshashlikni o‘lchash uchun ishlatiladi. U quyidagicha hisoblanadi: 6. Entropiya. Axborot nazariyasida entropiya noaniqlik yoki tartibsizlik miqdorining o‘lchovidir. Obyektni tanib olish uchun u obyektlarni tasniflashda noaniqlikni ifodalashi mumkin. U quyidagicha hisoblanadi: Bu yerda hodisa ehtimoli, kuzatilayotgan obyekt. 7. O‘zaro ma’lumot. O‘zaro ma’lumot obyektni tanib olish kontekstida kuzatilgan obyekt va haqiqiy obyekt yorlig‘i o‘rtasida boshqa tasodifiy o‘zgaruvchi orqali bitta tasodifiy o‘zgaruvchi haqida olingan ma’lumotlar miqdorini aniqlaydi: Bu yerda Х va - mos ravishda kuzatilayotgan obyekt va haqiqiy obyektlarni ifodalovchi tasodifiy o‘zgaruvchilar, esa birgalikdagi. Obyektlarni tanib olishda ma’lumotni o‘lchash uchun ushbu ko‘rsatkichlarning biri yoki kombinatsiyasi ishlatilishi mumkin. III. Xulosa Mazkur tadqiqot ishida obyektlarni tanib olish tizimlarida axborot o‘lchovlari mezonlari muhimligi, ularning tanib olish tizimlarining samaradorligi va aniqligiga bo‘lgan ta’siri chuqur tahlil qilindi. Bugungi kunda obyektlarni tanib olish texnologiyalari turli sohalarda, jumladan, xavfsizlik, tibbiyot, transport va sanoatda keng qo‘llanilmoqda. Tadqiqot ishida Convolutional Neural Network (CNN) algoritmi asosida obyektlarni tanib olish texnologiyalarining ishlash jarayoni chuqur o‘rganildi. CNN algoritmi tasvirlarni qayta ishlashda, xususan, ularning o‘lchamlarini moslashtirish, tasvirlarni filtrlash, qimmatli ma’lumotlarni ajratib olish va yakuniy tasniflashda 113 samarali natijalar beradi. CNN yordamida ishlangan modellar mashinali o‘qitish asosida o‘z natijalarini yaxshilash qobiliyatiga ega bo‘lib, tasvirlarni aniq va ishonchli tasniflash imkonini yaratadi. Shuningdek, obyektlarni tanib olish tizimlarida axborot o‘lchovlari mezonlari, masalan, aniqlik, F1 balli, eslab qolish va IoU kabi ko‘rsatkichlar tizimlarning samaradorligini baholashda muhim omillar hisoblanadi. Bu mezonlar yordamida obyektlarni tanib olish tizimlarining aniqligi, to‘liqligi va ishonchliligi o‘lchanadi. Obyektlarni tanib olish tizimlarida ko‘rsatkichlar faqat texnologik imkoniyatlar bilangina cheklanib qolmay, balki tizimlar inson faoliyatiga qanday moslashtirilganligini ham ko‘rsatadi. Tadqiqot ishi davomida CNN algoritmi va mashinanili o‘qitish texnologiyalarining obyektlarni tanib olish sohasidagi roli muhim ekanligi tasdiqlandi. CNN algoritmi orqali tasvirlarni qayta ishlash va obyektlarni aniqlash samaradorligini oshirish uchun axborot o‘lchovlari mezonlarini to‘g‘ri qo‘llash muhimdir. Ayniqsa, tasniflash va regressiya masalalarida qo‘llaniladigan modellarni o‘qitish va sinovdan o‘tkazish jarayonida ma’lumotlar to‘plami bilan ishlash va modellarni optimallashtirish samarador natijalarga erishishga yordam beradi. Foydalanilgan adabiyotlar: 1. Беллман Р.Э. Кибернетика и медицинская диагностика//Пер. с англ. В.И.Рыдника. - Москва: Знание, 1968. - 48 с 2. Журавлев Ю.И., Рязанов В.В., Сенько О.В. Распознавание. Математические методы. Программная система. Практические применения. М.: Фазис, 2005. стр.113 3. Кадыров Х.К., Антомонов Ю.Г. Синтез математических моделей биологических и медицинских систем. - Киев: Наукова думка, 1974. - 223 с. 4. Степанова М.Д., Самодумкин С.А., Лемешева Т.Л. Математические методы диагностики в медицинских интеллектуальных системах // Учебно-методическое пособие, Минск2001.-44 с. 5. Nishanov A.H.,Khasanova M.A., Жўраев G.P., Saparov S.X., Zaripov F.M. Algorithm of Diagnostics of Medical Datas Based on Symptom Complexes//Proceedings of SPIE-The International Society for Optical Engineering.Vol.12564, 2023. pp.189-201. https:// doi.org /10.1117 / 12. 266 9449 6. Saparov S.X. Bosh miya saratonini erta tasniflashda informativ belgilar Majmuasini tanlash algoritmi.// “Muhammad al-Xorazmiy avlodlari” ilmiy-amaliy va axborot-tahliliy jurnali. №3(25). Toshkent-2023. -B.57-63 7. Saparov S.X., Allayarov U.B., Qudratov H.B. Bosh miya saratoni kasalligini erta tasniflashda informativ belgilar majmuasini tanlash algoritmi // “Xalq xo‘jaligi sohasida ilg‘or texnologiyalar tadbiqi muammolari” mavzusidagi hududiy ilmiy-texnik konferensiya ma’ruzalar to‘plami. Nukus-2023. -B.159163. 8. Saparov S.X., Allayarov U.B., Qudratov H.B. Bosh miya saratonini erta tasniflashda obyektlar muhimligini aniqlash algoritmi // “Xalq xo’jaligi sohasida ilg‘or texnologiyalar tadbiqi muammolari” mavzusidagi hududiy ilmiy-texnik konferensiyasi ma’ruzalar to‘plami. Nukus2023. -B.164-166.