Cracked and Non-Cracked Detection Using Neural Networks

في هذا المشروع قمت بتطوير نظام Cracked vs Non-Cracked Detection باستخدام عدة نماذج من التعلم العميق لمقارنة الأداء واختيار النموذج الأفضل.

? النماذج المستخدمة:

1️⃣ Feedforward Neural Network (FFNN)

تم استخدام هذا النموذج لتصنيف الصور بعد تحويلها إلى مجموعة من الخصائص (Features).

حقق دقة وصلت إلى 79%، لكنه واجه صعوبة في التقاط الأنماط البصرية المعقدة في الصور.

2️⃣ Long Short-Term Memory (LSTM)

تم تجربة نموذج LSTM لمعالجة تسلسل الخصائص المستخرجة من الصور.

حقق دقة 85%، لكنه ليس مصممًا أساسًا لمعالجة الصور، لذلك كان أداؤه أقل من CNN.

3️⃣ Convolutional Neural Network (CNN)

وهو النموذج الأفضل لمعالجة الصور، حيث يقوم باستخراج الخصائص المكانية مثل الحواف والأنماط الخاصة بالشقوق تلقائيًا.

حقق أعلى دقة بلغت 96% في تصنيف الصور إلى Cracked و Non-Cracked.

? مقارنة الأداء بين النماذج:

FFNN : 79% Accuracy

LSTM : 85% Accuracy

CNN : 96% Accuracy