Microsoft Word 681-684 Obˇyektlarni Tanib Olishda Neyron Tarmoqning Oˇrni

---

JOURNAL OF ADVANCED 
RESEARCH AND STABILITY (JARS)
JOURNAL OF ADVANCED
RESEARCH AND STABILITY (JARS) 
Volume: 01 Issue: 
ISSN: 2181
Ob’yektlarni Tanib Olishda Neyron 
Tarmoqning O’rni
Toirov Boburbek Toiro’g’li
Muhammad al-Xorazmiy nomidagi Toshkent аxborot 
texnologiyalari universiteti 2-bosqich magistranti
Jumaev Turdiali Saminjonovich
Oʼzbekiston xalqaro islom akademiyasi Zamonaviy axborot
kommunikatsiya texnologiyalari kafedrasi katta o
Toirov Otabek Toiro’g’li
Toshkent davlat transport universiteti “Materialshunoslik va 
mashinasozlik” kafedrasi assissenti 
Annotatsiya:
Televizion tasvirlardan ob’yektni ajratib olish uchun neyron 
tarmoqdan foydalangan holda, matematik modellashtirish usullari 
va texnologiyalari qo’llanildi. 
Kalit so’zlar:
MegaFace, Python dasturi,
perseptron, televideniyasohasi. 
Volume: 01 Issue: 06 | 2021 
2181-2608
681 
’yektlarni Tanib Olishda Neyron 
Tarmoqning O’rni 
Xorazmiy nomidagi Toshkent аxborot 
bosqich magistranti 
ʼzbekiston xalqaro islom akademiyasi Zamonaviy axborot-
kommunikatsiya texnologiyalari kafedrasi katta oʼqituvchisi, PhD 
Toshkent davlat transport universiteti “Materialshunoslik va 
Televizion tasvirlardan ob’yektni ajratib olish uchun neyron 
tarmoqdan foydalangan holda, matematik modellashtirish usullari 
MegaFace, Python dasturi, biometriktizim, 

---

JOURNAL OF ADVANCED
RESEARCH AND STABILITY (JARS) 
Volume: 01 Issue: 06 | 2021 
ISSN: 2181-2608
682 
Hozirgi vaqtda insonni identifikatsiyalashning biometrik tizimlari tobora kengayib bormoqda. 
An'anaviy identifikatsiya tizimlari parol, kalit, identifikatsiya kartasi va hotiradan chiqishi, yo'qolishi 
yoki qalbakilashtirilishi mumkin bo'lgan boshqa identifikatsiya qiluvchi hujjatni bilishni talab qiladi. 
Bundan farqli o'laroq, biometrik tizimlar insonning o'ziga xos biologik xususiyatlariga asoslanadi, 
ularni qalbakilashtirish qiyin va ma'lum bir ob’yektni o'ziga xos tarzda aniqlaydi. Bu xususiyatlar 
barmoq izlari, ko’z qorachig’lari va yuz qismining o’ziga hosligini o'z ichiga oladi. Har bir insonning 
yuzi, ovozi va ko’zlari ham individualdir. 
Insonni yuz tasviridan tanib olish biometrik tizimlar orasida alohida ajralib turadi. Birinchidan, buning 
uchun maxsus qimmat uskunalar kerak emas. Ko'pgina ilovalar uchun shaxsiy kompyuter va oddiy 
videokamera yetarli. Ikkinchidan, qurilmalar bilan odamning jismoniy aloqasi yo'q. Ko'pgina hollarda, 
shunchaki yurish kifoya qiladi yoki kamera oldida bir necha soniya qolinsa shuning o’zi yetarli. 
Neyron tarmoq o’zi nima? 
Eng oddiy holatda, neyron tarmoq parallel hisoblashlarni amalga oshiradigan elementlarning bir necha 
qatlamlaridan tashkil topgan matematik modeldir. Dastlab, bunday matematik model inson miyasining 
eng kichik hisoblash elementlari - neyronlarga o'xshashlik yo'li bilan yaratilgan. Sun'iy neyron 
tarmog'ining eng kichik hisoblash elementlari ham neyronlar deb ataladi. Neyron tarmoqlar odatda uch 
yoki undan ortiq qatlamlardan iborat: kirish qatlami, yashirin qatlam (yoki qatlamlar) va chiqish 
qatlami soni bilan hisoblanadi. Ushbu turdagi neyron tarmoqqa 
perseptron
deyiladi. Neyron 
tarmog'ining muhim xususiyati uning namuna bo'yicha o'rganish qobiliyatidir, bu nazorat ostida 
o'rganish deb ataladi. Neyron tarmoq kirish-chiqish juftliklaridan iborat ko'p sonli misollar bo'yicha 
o'qitiladi. Ob'ektni tanib olish muammolarida bunday juftlik kirish tasviri va mos keladigan juftlik - 
ob'ektning nomi bo'ladi. 
1-rasm. Neyron tarmoqlar matematik modeli. 
Barcha tasvirlarni mukammal taniydigan optimal parametrlar to'plamini ko'pincha topib bo'lmaydi. 
Lekin neyron tarmoqlaridan foydalanib obyektlarni maksimal darajada tanitish imkoniyatiga ega 
bo’lamiz.

---

JOURNAL OF ADVANCED
RESEARCH AND STABILITY (JARS) 
Volume: 01 Issue: 06 | 2021 
ISSN: 2181-2608
683 
Obyektni va yuzni tanib olishda neyron tarmoqlardan unumli foydalanish. 
Tanib olishning yuqori aniqligiga erishish uchun neyron tarmoq tasvirlar-ning katta massivida, 
masalan, 
MegaFace
maʼlumotlar bazasida oldindan oʻqitiladi. Bu yuzni tanib olishning asosiy 
oʻrgatish usuli hisoblanadi. 
2-rasm. Neyron tarmoq ko’rinishi. 
Phyton dasturi bazasiga obyektning foto surati kiritiladi, dastur ishga tushirilgandan so’ng kamerada 
olinayotgan tasvirdan kerakli (so’ralayotgan) ob’ektni tanlab oladi. Aniqroq aytadigan bo’lsak, ko'p 
qatlamli neyron tarmoq matematik modelni ketma-ket bog'langan qatlamlaridan iborat bo'lib, har bir 
qatlamning neyroni uning kirishlari bilan oldingi barcha neyronlarga ulanadi va chiqishlari 2-rasmda 
ko’rsatilgan natijani beradi. Har bir narsani yutuqlari bo’lgani kabi bu tizimning kamchiliklari ham 
mavjud ya’ni, inson qobilyatidagi tanib olish funksiyasi kabi bu tizim 100% to’la qonli tanib olishni 
amalga oshirolmaydi. Neyron tizimi 90% tanib olish imkonini beradi. 100% bo’lmasligini sababi: 
tasvirga olinayorgan obyektning turgangan holati, kameragacha bo’lgan masofasi (fokus masofa), 
tushayotgan yorug’likning tanib olish darajasiga yetmasligi, yon tarafdan olinayotganda yuzni tanib 
olish darajasigacha burchaklarning kamligi va boshqalar. 
Xulosa
Ideal ko’rinishni tanib olish yuzlarni faqat odamlarga mos keladigan aniqlikda taniydi. Bundan 
tashqari, u umumiy bo‘lishi kerak, ya’ni u har xil populyatsiyalarni ozgina o‘zgartirishlar bilan 
qo‘llasa ham tanib olishi kerak. Masalan: ozgina shram yoki bo‘lmasa yuzini burishtisa, soqol qo‘ygan 
hollarda ham bu dastur ishlaydi. Neyron tizimining matematik modelining buyruqlari Phyton 
dasturining OpenCV kutubxonasida amalga oshiriladi. Quyidagi rasmni natijamizning xulosa sifatida
ko’rish mumkin. 

---

JOURNAL OF ADVANCED
RESEARCH AND STABILITY (JARS) 
Volume: 01 Issue: 06 | 2021 
ISSN: 2181-2608
684 
3-rasm. OpenCV kutubxonasidan olingan natija. 
Albatta, bu dasturni vaqtdan yutishga, shu bilan birga xatoliklarni kamaytirish uchun qo’llash 
televidinya imkoniyatlarini ko’paytiradi. Bu o’z navbatida televidinyaning ishlash salohiyatini oshirib 
beradi. 
Foydalanilgan adabiyotlar. 
1.
Тoirov, B. Т., Jumaev, Т. S., & Toirov, O. T. (2021). OBYEKTLARNI TANIB OLISHDA 
PYTHON DASTURIDAN FOYDALANISHNING AFZALLIKLARI. 
Scientific progress
, 
2
(7), 
165-168. 
2.
Yaniv Taigman, Ming Yang, Marc’Aurelio Ranzato, Lior Wolf // DeepFace: Closing the Gap to 
Human-Level Performance in Face Verification
3.
Ш.Х. Фозилов, Н.М. Мирзаев, А.А Бозоров, Т.С. Жумаев // Шахсни таниб олиш масаласида 
қулоқ тасвирининг белгиларини ажратиш алгоритми.
4.
Viola–Jones // Object detection framework.
5.
5. M. Turk, A. Pentland. ”Eigenfaces for Recognition”. Journal of Cognitive Neuroscience. Vol 3, 
No. 1. 71-86, 1991.