تطبيق نموذج تجميعي CatBoost على مجموعة بيانات معقدة لتصنيف المركبات

يقدم تصنيف المركبات تحديات ملحوظة في مجال معالجة الصور. تعاني النماذج التقليدية من عدم الكفاءة، وطول أوقات التدريب على مجموعات البيانات، وتعقيدات في استخراج الميزات وتخصيص المتغيرات للتصنيف. تؤدي الطرق التقليدية المستخدمة لتصنيف المركبات من مجموعات بيانات واسعة إلى أخطاء، وتصنيفات خاطئة، ونتائج غير مجدية في كثير من الأحيان. لذلك، يظهر استخدام تقنيات التعلم الآلي كحل واعد لمواجهة هذه التحديات. تتبنى هذه الدراسة نهج التعلم الآلي لتخفيف أخطاء تصنيف الصور وإدارة كميات كبيرة من صور المركبات بفعالية. على وجه التحديد، يُستخدم تقنية تحسين التباين في مرحلة المعالجة المسبقة لتسليط الضوء على قيم البكسل في صور المركبات. في مرحلة تقسيم الميزات، يُستخدم Mask-R-CNN لتصنيف البكسلات داخل فئات محددة مسبقاً. بعد ذلك، تُستخدم VGG16 لاستخراج الميزات من صور المركبات، في حين يساعد المشفر التلقائي في اختيار الميزات عن طريق تعلم ميزات الإدخال غير الخطية وضغط تمثيل الميزات. وأخيراً، يتم تنفيذ خوارزمية CatBoost (CB) لتصنيف المركبات في بيئات حرجة متنوعة مثل الطقس السيئ، وشفق المساء، وحالات حجب المركبة. أُجريت تجارب موسعة باستخدام مجموعات بيانات كبيرة مختلفة مع منصات تعلم آلي متنوعة. تشير النتائج إلى أن CB يحقق أعلى مستوى أداء على مجموعة البيانات الكبيرة المسماة UFPR-ALPR، بدقة تصل إلى 98.89%.