نظام كشف منتجات التجميل المقلدة باستخدام Deep Learning وComputer Vision

نظام ذكي للمساعدة في فحص صور منتجات التجميل واكتشاف المنتجات التي تحمل مؤشرات بصرية مشابهة للمنتجات المقلدة، باستخدام تقنيات Deep Learning وComputer Vision.

قمت ببناء النظام كحل متكامل يبدأ من تجهيز وتنظيف بيانات الصور، مرورًا بتدريب وتقييم نموذج Deep Learning، وصولًا إلى واجهة تفاعلية تسمح للمستخدم برفع صورة المنتج والحصول على نتيجة التحليل مع توضيح بصري للأجزاء التي أثرت على قرار النموذج.

يعتمد النظام بشكل أساسي على ResNet50 باستخدام Transfer Learning، حيث تم التدريب على مرحلتين؛ في المرحلة الأولى باستخدام النموذج الأساسي المجمد، ثم إجراء Fine-Tuning لعدد من الطبقات العليا لتحسين قدرة النموذج على تعلم التفاصيل البصرية الخاصة بمنتجات التجميل.

النظام يشمل:

تنظيف وفحص Dataset الصور وإزالة البيانات غير المناسبة والمكررة.

تقسيم البيانات إلى Train وValidation وTest بشكل منفصل.

معالجة مشكلة عدم توازن الفئات باستخدام Class Weights.

تدريب نموذج ResNet50 باستخدام Transfer Learning.

Fine-Tuning للطبقات العليا من النموذج لتحسين Feature Learning.

ضبط Decision Threshold باستخدام Validation Set لتقليل احتمالية تصنيف المنتج المقلد على أنه أصلي.

تقييم النموذج باستخدام Precision وRecall وF1-Score وConfusion Matrix.

استخدام CLIP كطبقة Input Validation للتأكد من أن الصورة المرفوعة تخص منتج تجميل قبل تشغيل نموذج التصنيف.

رفض الصور غير المدعومة بدل إجبار النموذج على تصنيفها كمنتج أصلي أو مقلد.

استخدام Grad-CAM لإظهار المناطق البصرية التي أثرت على قرار النموذج.

واجهة تفاعلية باستخدام Gradio لرفع المنتج وعرض نتيجة التحليل والتفسير للمستخدم.

دعم Quick Demo Mode لتشغيل النسخة النهائية بدون الحاجة إلى إعادة تدريب النموذج في كل مرة.

تم تصميم الـWorkflow بحيث تمر الصورة أولًا بمرحلة التحقق من نوع المحتوى باستخدام CLIP، ثم يتم تحليل صور المنتجات المدعومة باستخدام ResNet50، وبعدها يتم تطبيق Decision Threshold النهائي وعرض النتيجة مع Grad-CAM Visual Explanation.

الهدف من المشروع هو تقديم AI-Assisted Screening System يساعد في إجراء فحص أولي للمنتجات بناءً على الخصائص البصرية للصورة، مع توفير قدر من Explainable AI بدل الاكتفاء بعرض نتيجة التصنيف فقط.

تم تطوير المشروع كنموذج أولي تقني، لذلك نتيجة النظام تعتبر مؤشرًا مبنيًا على النموذج والبيانات المستخدمة وليست بديلًا عن التحقق الرسمي أو الفحص المعملي للمنتج.

دوري في المشروع:

Deep Learning — Computer Vision — Python Development — Model Training — Transfer Learning — Image Processing — Model Evaluation — Explainable AI — AI Application Development — UI Development

التقنيات:

Python — TensorFlow — Keras — ResNet50 — Deep Learning — Computer Vision — Transfer Learning — CLIP — Grad-CAM — Gradio — Scikit-learn — NumPy — Pandas