Management and Future Technologies | Volume 1, Issue 2 | № 002

Management and Future Technologies journal.umft.uz June 2024 Volume 1, Issue 2 Ǥ Ǥ ǡ ȋȌ Ǥ 2.2 Neural networks based approaches Ǧ ȋǦȌǤ Ǥ ̵ Ǥ ǡ Ǧ ǡ Ǥ ǡ Ǥ Ǥ ǡǦ ǡ ȏ͵ȐǤ Ǧ ǡǦ ǡ Ǥ ǡ ǤǦ ǡ Ǥ Ǧ ǡ Ǧ Ǥ ǡ ǡ Ǥ Ǧ Ǥ ȏͶȐ Ǥ ǡ Ǥ Ǥ ͳǤ Ǥ ȋǦȌ Ǥ ǡ Ǥ ͳ Ǥǡ ǤȋȌ Ǧ Ǥ Ǧ ǡ Ǥ Ǧ ȋȌǦ Ǥ ̵ Ǧ ǡ ǡ Ǥ ǡ ȏͷȐǣ 41

Volume 1, Issue 2 42 June 2024 Management and Future Technologies journal.umft.uz ͳǣȋǦȌǤ Ǥ ǡ Ǥ Ǥ Ǣ ʹǣ ȋǦȌǤ Ǥ Ǥ ǡ Ǥ Ǣ ͵ǣ ȋǦȌǤ Ǥ ȋ ǡ ǡ Ȍ Ǥ Ǥ ǡ ǡ ǡ Ǥ ǡ ǡǡ Ǥ Conclusion ǡ Ǧ ȋ Ȍ Ǥ ǡ Ǧ Ǧ ȋȌǡǦǡǦ ȋǦȌ ǡ ǡǡǤ ǡ Ǥ Ǧǡ ǡ ǡ Ǥ

Management and Future Technologies journal.umft.uz June 2024 Volume 1, Issue 2 References 1. Viola, P.; Jones, M. (2001). “Rapid object detection using a boosted cascade of simple features”. Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. CVPR 2001. Vol. 1. IEEE Comput. Soc. 2. William T. Freeman, Michal Roth, “Orientation Histograms for Hand Gesture Recognition”, Tech. Rep. TR94-03, Mitsubishi Electric Research Laboratories, Cambridge, MA, December 1994. 3. S. R. Dubey, “Local directional relation pattern for unconstrained and robust face retrieval,” Multimedia Tools and Applications, vol. 78, no. 19, pp. 28063–28088, 2019. 4. H. Li, Z. Lin, X. Shen, J. Brandt and G. Hua, “A convolutional neural network cascade for face detection,” 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA, 2015, pp. 5325-5334, doi: 10.1109/CVPR.2015.7299170. 5. J. Xiang and G. Zhu, “Joint Face Detection and Facial Expression Recognition with MTCNN,” 2017 4th International Conference on Information Science and Control Engineering (ICISCE), Changsha, China, 2017, pp. 424-427, doi: 10.1109/ICISCE.2017.95. 43

Volume 1, Issue 2 June 2024 44 Mualliflar Farxod Meliyev* Raqamli texnologiyalar va sun’iy intellektni rivojlantirish ilmiy tadqiqot instituti, Toshkent, O‘zbekiston; farhodtorg@gmail.com Mavluda Nugmanova Raqamli texnologiyalar va sun’iy intellektni rivojlantirish ilmiy tadqiqot instituti, Toshkent, O‘zbekiston; *Mas’ul: farhodtorg@gmail.com Management and Future Technologies journal.umft.uz GISTOLOGIK TASVIRLARDAGI MAVJUD SOHALARNI O‘LCHASH USULI A nnotatsiya: Mazkur ishda gistologik tasvirlarni segmentlash va ularda mavjud sohalarni belgilab, ularning o‘lchamlarini aniqlash usullari tadqiq qilingan. Gistologik tasvirlarni bo‘sag‘aviy segmentlash usuli tadqiq qilinib, tasvir chegaralarida bo‘lgan va tasvirda to‘liq nomoyon bo‘lmagan sohalarni olib tashlash usuli taklif etilgan. Tasvirdagi sohalarga nishonlar qo‘yish, ularni turli ranglarga bo‘yash, o‘lchamlarini turli xarakteristikalar bo‘yicha aniqlash usuli keltirilgan. Kalit so‘zlar: gistologik tasvir, tasvirlarga raqamli ishlov berish, segmentlash, bo‘sag‘aviy funksiya, sinflararo dispersiya. Copyright: © 2024 by the authors. Ushbu maqola Creative Commons Attribution (CC BY) litsenziyasi shartlari asosida tarqatiladigan ochiq foydalanish maqolasi hisoblanadi (https://creativecommons.org/ licenses/by/4.0/).

Management and Future Technologies journal.umft.uz METHOD OF MEASURING AVAILABLE AREAS IN HISTOLOGICAL IMAGES A bstract: In this work, the methods of segmenting histological images and determining the areas present in them and determining their sizes are studied. The method of threshold segmentation of histological images is studied, and a method of removing areas that are on the borders of the image and are not completely visible in the image is proposed. There is a method of marking areas in the image, coloring them in different colors, and determining their size according to various characteristics. June 2024 Volume 1, Issue 2 45 Authors Farkhod Meliyev Scientific Research Institute for Development of Digital Technologies and Artificial Intelligence, Tashkent, Uzbekistan; farhodtorg@gmail.com Mavluda Nugmanova Scientific Research Institute for Development of Digital Technologies and Artificial Intelligence, Tashkent, Uzbekistan; *Correspondence: farhodtorg@gmail. com Key words: histological image, digital image processing, segmentation, threshold function, interclass dispersion. Copyright: © 2024 by the authors. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (https:// creativecommons.org/licenses/ by/4.0/).

Volume 1, Issue 2 June 2024 Management and Future Technologies journal.umft.uz Kirish 46 oshirishda, ayniqsa gistologiya sohasida muhim rol oʻynaydi [1]. Hozirgi tibbiy diagnostikada bemorlarning toʻqimalari va hujayralari haqida maʼ qoʻllaniladi. Tibbiyot sohasida tasvirlarni olishning raqamli gistologiya kabi yuqori texnologiyali usullari paydo boʻlishi bilan olingan maʼ ȏʹǡ͵ȐǤ avtomatlashtirilgan tarzda aniqlashdir. Gistologik tasvirlarda sohalarning oʻlchamini aniqlash ʼ asosiy qadam boʻlib, uni avtomatlashtirish tibbiy Ǥ ǡ gistologik tasvirlarda biologik sohalarning aniq va samarali oʻlchamlarini aniqlash diagnostika ʼ boʻlib qolmoqda. Masalaning qoʻyilishi M × Noʻlchamdagi I matritsa shaklida olib, bunda har bir Iij (i, j)ǦǤǦtasvirni boʻsagʻaviy segmentlash orqali olingan binar tasvir boʻlsin, bunda Bij tegishli boʻlsa 1 ga, aks holda 0 ga teng. Sohalarning oʻlchamlarini aniqlash uchuǣ ͳǤ R boʻsagʻaviy segmentlash bilan aniqlangan sohalar toʻplami boʻlsin. Har bir r ∈ R soha B binar tasviridagi piksellar toʻplamini ifodalaydi. 1, agar Iij ≥ T ȋͳȌ Bij α{ 0, agar Iij < T ʹǤ r ∈ Rsoha uchun piksellar soni, yaʼni uning Ar oʻlchamini aniqlash kerak boʻlsin: Ari = ∑(i,j)∈ri Bij ǡ R = {r1 , r2 , … , rk } ʻ ʻ ʻz ichiga olishini taʼminlaydigan T boʻʻ Ǥ Taklif etilayotgan usullar Boʻsagʻaviy segmentatsiya Boʻsagʻaviy segmentatsiyaning asosiy gʻoyasi yorqinlik yoki rang qiymati uchun shunday boʻsagʻaviy qiymatni belgilashdan iborat boʻladiki, unda piksel u yoki bu sinfga tegishli deb ȏͶȐǤ optimal boʻsagʻaviy qiymatini avtomatik ravishda hisoblash kerak boʻladi. Bunday masalalarda tasvirni binarlashtirishning boʻsagʻaviy qiymatini avtomatik hisoblash uchun Otsu usuli keng qoʻllaniladi [5]. Otsu piksellarning ikkita sinfi: fon va obʼekt (yoki fon va old fon) oʻrtasidagi ȏȐǤ ǣ 1. Har bir yorqinlik darajasining paydo boʻlish ehtimoli p(i)ǣ n p(i) = NiǡȋʹȌ

Management and Future Technologies Ǥ journal.umft.uz June 2024 Volume 1, Issue 2 ni Ǧiboʻlgan piksellar soni, N Ǧ 2. w0 (t)w1 (t) ǣ w0 (t) = ∑ti=0 p(i)ǡw1 (t) = ∑L−1 i=t+1 p(i)ǡȋ͵Ȍ w0 (t)Ǧtdan kam boʻlgan barchǡ w1 (t) Ǧ t dan katta boʻlgan barcha piksellarning umumiy ehtimoliǡ L Ǧ Ǥ 3. 4. μ0 (t)μ1 (t)sinf uchun oʻrtacha qiymatlarni hisoblash: 1 1 μ0 (t) = (t) ∑ti=0 i ∙ p(i)ǡμ1 (t) = (t) ∑L−1 i=t+1 i ∙ p(i)ȋͶȌ w0 w1 σ20 (t)σ12 (t) ǣ 1 σ20 (t) = w (t) ∑ti=0(i − μ0 (t))2 ∙ p(i)ǡ 0 5. 6. 1 2 σ12 (t) = w (t) ∑L−1 i=t+1(i − μ1 (t)) ∙ p(i)ǤȋͷȌ 1 σ2 (t)ǣ σ2 (t) = w0 (t) ∙ w1 (t) ∙ (μ0 (t) − μ1 (t))2ȋȌ Otsu mezoniga koʻra boʻsagʻaviy qiymatni tanlash: t ∗ = arg max σ2 (t) ȋȌ t ∗ Ǧ t boʻsagʻaviy qiymat tasvirni binarizatsiya qilish uchun optimal boʻsagʻaviy qiymat boʻladi. Yorqinlik darajasi t ∗ dan kam yoki unga teng boʻlgan piksellar bir ǡt ∗ Ǥ murakkab tarkibga ega boʻlganligi va toʻqimalarning mikroskopik ǡ ʼ ǡ ǡ toʻliq yoki qisman kirmagan obʼǡǡ lgan sohalar boʻlishi mumkin [7]. Noaniqliklarga yoʻl qoʻymaslik uchun odatda bunday Ǥ Ǥ Tasvir chegarasiga tegib turgan sohalarni olib tashlash usuli ZʻǡA × Bʻ ʻǡZij ȋǡȌ Ǥ ȏͲǡ ͳȐ qilinadi, bunda 0 qora (fon), 1 oq (obʼekt). ǣ :Binar tasvirni belgilab chiqamiz, yaʼni piksel sohaga tegishli boʻlsa, Vij αͳǡVij αͲǤ • Vij = { 1, agar Zij = 1 va i = 0 yoki i = A − 1 yoki j = 0 yoki j = B − 1 0, aks holda. • ǣ Ͳ Ǥ Zij = { 0, agar Vij = 1 ȋͺȌ Zij , aks holda. 47

Volume 1, Issue 2 48 June 2024 Management and Future Technologies journal.umft.uz ǡ ǡ ȏͻȐ koʻpaytirish operatsiyasi qoʻllanadi. Mavjud sohalarni nishonlash (belgilash) usuli Rasmning chetidagi sohalar olib tashlangandan soʻng, tasvirdagi qolgan ȋȌ Ǥ ̶̶ ȋ ȌǤ Ǥ Qbinar tasvir berilgan boʻlib, har bir piksel Qi,jngan boʻlsin, bunda i va j piksel Ǥǡ ǣ Yi,j Ǧ (i, j) ȋ Ȍ H(i, j)Ǧ(i, j)pikselning qoʻshni piksellar toʻplamini saqlovchi funksiya boʻlsin. Oʻzaro bogʻlangan komponentlarni aniqlash:Piksellar qiymati 1 ga teng boʻlib (sohaga tegishli), umumiy chegaraga ega boʻlsa, ular oʼzaro bogʻlangan hisoblanadi. Nishonlarni aniqlash:Nishonlash algoritmi oʼzaro bogʻlangan komponentlarga unikal Ǥ Yi,jǤ ǣYi,j = 0∀ (i, j) ∈ Qȋ ȌǤ Tasvir boʻylab yurish:Q(i, j) ǣQi,j = 1ȋ boʻlsa)Yi,j = 0,Yangi nishonni oʻrnatish:Yi,j = yangi nishonǤ ǣ H(i, j) ∩ H(p, q) = ∅ boʻlgan har bir qoʻshni (p, q) ǣQp,q = 1Yp,q ≠ 0boʻlsa,Yi,j =Yp,q Ǥ Takrorlashlar barcha piksellar koʻrib chiqilgunga qadar takrorlanadi. Ytasvirga ega boʻlamiz. Sohalarning turli xarakteristikalarini ajratib olish usuli Nishonlangandan soʻng, tasvirdagi sohalarning turli xarakteristikalarini ajratib olish Ǥǣ ͳǤ ǣǦǤ S = ∑i,j Zi,jǡȋͻȌ Zi,j Ǧ(i, j)ǦǤ ʹǤ ǣ C koordinatalarining oʻrtacha qiymati sifatida hisoblanishi mumkin. ∑ i∙Z ∑ j∙Z C = ( ∑i,j Z i,j , ∑i,j Z i,j )ȋͳͲȌ i,j i,j i,j i,j ͵Ǥ ǣExil yuzaga ega boʻlgan doira Ǥ S E = 2 ⋅ √πȋͳͳȌ ͶǤ Oʻrtacha intensivlik:Oʻrtacha intensivlikni sohadagi barcha piksellarning oʻrtacha Ǥ T= ∑i,j Zi,j S ȋͳʹȌ

Management and Future Technologies journal.umft.uz June 2024 Volume 1, Issue 2 ͷǤ Oʻxshashlik:Oʻxshashlik D sohaning qavariq koʻpburchakka qanchalik oʻxshashligini aniqlaydi [10]. Oʻxshashlik soha yuzasi Sǡing qavariq koʻpburchagi yuzasi 𝕊𝕊 Ǥ S D = 𝕊𝕊 ȋͳ͵Ȍ Natijalar Ǥ Eksperimental tadqiqot obʼektlari sifatida inson oʻpkasining gistologik tasvirlari tanlangan(1Ǧ ȌǤ 1-rasm. Inson oʻpkasining gistologik tasviri: ȋȌǦǡȋȌ–ǡȋ ȌǦ ǡȋȌǦǤ ͳǦ ȋʹǦȌ boʻsagʻaviy segmentatsiyasi natijasi koʻrsatilgan. Rasm segmentatsiyasidan soʻng, yuqoridagi usul va (8) formuladan ǡ Ǥ ͳ Ǧrasmda koʻrsatilgan. Shundan soʻngǡʼ ȋȌǤ ǡ tasvir boʻylab toʻliq oʻtiladi va mavjud sohalarga nishonlar tayinlanadi, shu bilan birga ula xil ranglar bilan boʻyaladi. Rasm sohalarini nishonlash natijasi 1dǦrasmda koʻrsatilgan. Nishonlangandan soʻng sohalardan, xarakteristikalar ajratilgan. 1Ǧ oxirgi beshta sohalarning xarakteristikalari koʻrsatilgan. 1-jadval Nishon ǤǤǤ Ekvivalent diametr Oʻrtacha intensivlik Oʻxshashlik ͳ ͷ ʹǤͷʹ ͳʹǤͲͲ ͳǤͲͲ ͵ ʹ ͷǤͺ ͳʹǤͳͻ ͲǤͺʹ ʹ ͷ Soha oʻlchami(piksel) Ͷ ͵ͲͲ ͺ ͳ ǤǤǤ Ͷ ͵Ǥͳͻ ͳǤͳ͵ ʹǤͻͻ ǤǤǤ ʹǤʹ ͳʹͶǤͷ ͳʹǤͲͲ ͳʹǤͲͲ ǤǤǤ ͳʹǤͷ ͳǤͲͲ ͳǤͲͲ ͲǤͺͺ ǤǤǤ ͳǤͲͲ 49

50 Volume 1, Issue 2 June 2024 ͵Ͳͳ ͵ ͳǤͻͷ ͳʹǤ͵͵ ͳǤͲͲ ͵Ͳ͵ ʹ ͳǤͷͻ ͳʹǤͲͲ ͳǤͲͲ ͵Ͳʹ ͵ͲͶ ʹ ͳ Management and Future Technologies ͳǤͷͻ ͳǤͳ͵ ͳʹǤͲͲ ͳʹͷǤͲͲ journal.umft.uz ͳǤͲͲ ͳǤͲͲ ͳǦjadvaldan koʻrinib turibdiki, tanlangan tasvirni tahlil qilishda usul uch yuzdan ortiq sohalarni aniqladi va nishonladi. Shuningdek, har bir sohaqadagi piksellar sonini (soha oʻlchami ustuni), soha bilan bir xil yuzaga ega boʻlgan doira diametrini (ekvivȌǡ ichidagi piksellarning oʻrtacha intensivligini (oʼ Ȍ oʻxshashlik (oʻxshashlik ustuni) bu sohaning qavariq shaklga qanchalik oʻxshashligini bildiradi, ͳ Ǥ ǡ tasvirlarni ochish, segmentlash, chegaralardagi sohalarni oʻchirish va sohalar haqidagi ʼ ʼtlarni oʻrnatish mumkin. Xulosa Ushbu ishda gistologik tasvirlardan sohalarni segmentlash va bu sohalardan baʼzi xarakteristikalarini ajratib olish masalasi koʻrib chiqildi. Shu maqsadda keng qoʻllaniladigan va ǡchi, toʻqimalar va hujayralar tuzilmalarini yanada chuqurroq oʻrganish imkonini beruvchi boʻsagʻaviy segmentatsiya qoʻllanildi. Tasvirga toʻliq tushmagan yoki tasvir chegaralariga tegib turgan Ǧ ǡǡ Ǥ Ǥ Ǥ Taʼriflangan segmentatsiya usullari, shuningdek, sohalarni nishonlash va ularning turli muhim istiqbolga ega boʻlgan tahlillarni avtomatlashtirish va aniqligini oshirishning muhim Ǥ

Management and Future Technologies journal.umft.uz June 2024 Volume 1, Issue 2 Adabiyotlar 1. S. Cohen, B. Wood, M. Bui. “Digital Pathology: Historical Perspectives, Current Concepts & Future Applications”. Springer, 2016.-116 p. 2. I. Bankman. Handbook of Medical Image Processing and Analysis, 2nd Edition - December 19, 2008. - 1000 p. 3. M. Zarella, C. Yeoh, D. Breen, F.Garcia, J.Anari, P. Ginter, B. Knudsen. A practical guide to whole slide imaging: a white paper from the digital pathology association // Archives of pathology & laboratory medicine, 2019,143(2), 222-234 pp. 4. R. Gonzalez, R. Woods. Digital Image Processing, 3rd edition, corrected and enlarged. Moscow: Technosphere, 2012. - 1104 p. 5. N. Otsu. A threshold selection method from gray-level histograms // IEEE transactions on systems, man, and cybernetics, 1979, 9(1), 62-66. 6. Абламейко С., Недзвед А. Обработка оптических изображений клеточной структуры в медицине. – Мн.: ОИПИ НАН Беларуси, 2005. – 156с. 7. M. Freeman. The Photographer’s Eye: Composition and Design for Better Digital Photos // Focal Press, 2007. – 192 p. 51

Volume 1, Issue 2 June 2024 52 Mualliflar Muhriddin Umarov Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of Management and Future Technologies” universiteti, Toshkent, 100208, O‘zbekiston; muhriddin.umarov.1992@gmail.com Farrux Axmedov Kommunikatsiya va raqamli texnologiyalar kafedrasi, “University of Management and Future Technologies” universiteti, Toshkent, 100208, O‘zbekiston; axmedovfarrux336@gmail.com Jasurbek Djurayev Dasturiy injiniringi kafedrasi, Muhammad al-Xorazmiy nomidagi Toshkent axborot texnologiyalar universiteti, 100200, Toshkent, O‘zbekiston; jasrbek.djuraev.djn0926@gmail.com *Mas’ul: muhriddin.umarov.1992@gmail.com Management and Future Technologies journal.umft.uz CHUQUR O‘QITISH ALGORITMLARI ASOSIDA KO‘ZI OJIZ INSONLAR UCHUN AQLLI BOSH KIYIM ISHLAB CHIQISH A nnotatsiya: So‘nggi yillarda Sun’iy intellekt (SI) texnologiyalari yuqori darajada rivojlandi va turli sohalarda, jumladan, banklarda, elektron pochta boshqaruvida, tibbiyotda va boshqa ko‘plab sohalarda qo‘llanilmoqda. Ushbu tadqiqotning asosiy maqsadi ko‘rish qobiliyati zaif (ko‘r) insonlarga SI texnologiyalaridan foydalangan holda yordam berishdir. Ko‘rlik tabiiy hodisa, ammo ko‘r insonlarning dunyoni ko‘rish qobiliyatiga ega bo‘lgan insonlarga o‘xshash his qilishlariga to‘sqinlik qilmasligi zarur. Har xil to‘siqlar ularning rivojlanishiga to‘sqinlik qilmasligi uchun ular shunday aniqlik bilan yurishi yoki kundalik vazifalarni bajarishlari kerak. Odatda, ko‘r inson to‘siqlarni aylanib o‘tish uchun oq tayoqdan foydalanadi. Texnologik taraqqiyot aqlli bosh kiyimlarni ishlab chiqish imkoniyatini taqdim etadi, bu ko‘zi ojiz insonlarga potensial xavflarni oldindan bilishga yordam beradi. Ushbu maqolada ko‘r insonlar yo‘llarni, obyektlarni va QR kodlarni aniqlashda duch keladigan qiyinchiliklar tahlil qilindi va olib borilayotgan tadqiqotlar taqdim etildi. Kalit so‘zlar: ko‘zi ojiz inson, sun’iy intellekt, aqlli bosh kiyim, chuqur o‘qitish. Copyright: © 2024 by the authors. Ushbu maqola Creative Commons Attribution (CC BY) litsenziyasi shartlari asosida tarqatiladigan ochiq foydalanish maqolasi hisoblanadi (https://creativecommons.org/ licenses/by/4.0/).

Management and Future Technologies journal.umft.uz DEVELOPMENT OF SMART HEADWEAR FOR BLIND PEOPLE BASED ON DEEP LEARNING ALGORITHMS A bstract: In recent years, Artificial Intelligence (AI) technologies have advanced greatly and are being used in various fields, including banking, email management, medicine, and many others. The main goal of this research is to help visually impaired (blind) people using SI technologies. Blindness is a natural phenomenon, but it should not prevent blind people from experiencing the world in the same way as sighted people. They need to walk or perform daily tasks with such precision that various obstacles do not hinder their development. Usually, a blind person uses a white cane to get around obstacles. Technological progress offers the possibility of developing smart headgear, which helps blind people to anticipate potential dangers. In this article, the difficulties faced by blind people in identifying roads, objects and QR codes were analyzed and ongoing research was presented. June 2024 Volume 1, Issue 2 53 Authors Mukhriddin Umarov Department of Communication and Digital Technologies, University of Management and Future Technologies, Tashkent, 100208, Uzbekistan; muhriddin.umarov.1992@gmail.com Farrukh Akhmedov Department of Communication and Digital Technologies, University of Management and Future Technologies, Tashkent, 100208, Uzbekistan; axmedovfarrux336@gmail.com Jasurbek Djuraev Department of Software Engineering, Tashkent University of Information Technologies named after Mukhammad al-Khwarizmi, Tashkent 100200, Uzbekistan; jasrbek.djuraev.djn0926@gmail.com * Correspondence: muhriddin.umarov.1992@gmail.com Keywords: blind person, artificial intelligence, smart headgear, deep learning. Copyright: © 2024 by the authors. This article is an open access article distributed under the terms and conditions of the Creative Commons Attribution (CC BY) license (https:// creativecommons.org/licenses/ by/4.0/).

Volume 1, Issue 2 June 2024 Management and Future Technologies journal.umft.uz Kirish 54 ishlash, yashash va muloqot qilish uslubimizni o‘zgartirdi. SI haqida to‘liq tushunchaga ega bo‘lmagan ko‘rish qobiliyati zaif insonlar ko‘plab vebǦ kira olmaydi va mobil telefonlaridan foydalana olmaydi. Ko‘pgina Internet lari ko‘rish yati zaif insonlar uchun mavjud emas [1]. SI hujjatlarni o‘qiy oladi va sarlavhalar, paragraflar va ro‘yxatlar kabi tizimli elementlarni tushuna oladi, shu bilan foydalanuvchilarga Ǥǡ ȏʹȐǤ Yigirma birinchi asrning eng e’tiborga molik yangiliklari orasida ko‘zi ojizlar insonlar uchun o‘zini bir joydan ikkinchi joyga ko‘chirish va texnik vositalardan mustaqil foydalanish ini beruvchi o‘zini o‘zi boshqaradigan va avtomatik transport vositalari muhim ahamiyatga ega. Xavfsizlik nuqtai nazaridan, sun’iy intellektga to‘liq ishonish mumkin emas, lekin u insonlarni qutqarish qobiliyatiga ega va to‘qnashuvlar hamda to‘siqlar oqiba ȏ͵ȐǤ Foydali texnologiya jamiyat va insoniyatga foyda keltiradigan texnologiyadir. Ko‘zi ojiz ǡ ǡ ǡ ularning yo‘lida potensial xavfli to‘siqlar bo‘lishi Ǥ ǡ berish uchun oq tayoqdan foydalanadilar. Oq tayoq foydali, ammo yaqin atrofdagi to‘siqlarni, masalan, ko‘cha to‘si Ǥ bo‘lib borayotgan bugungi dunyoda oq tayoq ko‘rlar uchun funksiyasini yaxshilash uchun aqlli bo‘lishi mumkin. Ko‘rishning buzilishi butun dunyo bo‘ylab ko‘plab insonlarga ta’sir ko‘rs muammolar bo‘lib, Irlandiya Ko‘zi ojizlar Milliy Kengashi ma’lumotlariga ko‘ra, 1Ǧ ko‘rsatilganidek, millionlab ko‘r insonlar normal turmush tarzini olib bora olmaydilar. Ko‘rish Ǥiy texnologiyalar va sun’iy intellekt yordamida bu bemorlar o‘z hayotlarini yaxshilash uchun innovatsion yondashuvlarni ishlab chiqish uchun alohida ish va e'tibor talab qiladi. Ko‘zi ojiz insonlar tanish ko‘chalarda harakat Ǥ yechimlar ko‘rish qobiliyati zaif bemorlarning hayotini yaxshilashi mumkin. Ushbu tadqiqot ko‘r insonlarga yo‘lni kesib o‘tishga va aqlli shaharlardagi narsalarni aniqlashga yordam berish Ǥ Insonlarning soni (mln) 30 23.88 25 20 15 19.4 19.05 14.56 10 5 0 Erkaklar Barcha yoshlardagi insonlar Ayollar Yoshi 50 dan oshgan insonlar 1-rasm.‘zi ojizbo‘lgan insonlar soniǤ

Management and Future Technologies journal.umft.uz June 2024 Volume 1, Issue 2 Aqlli shaharlar ko‘r insonlarning hayotini o‘zgartirishi mumkin. Jamoat joylaridan foydalanish imkoniyati ko‘zi ojizlar uchun aqlli Ǥ beradi. Ovoz signallari bilan aqlli svetoforlar ko‘r insonlarga gavjum chorrahalarni kesib o‘tishga yordam beradi va ko‘r in Ǥ Aqlli shaharlar ko‘rlarga ma’lumot beradi. Ko‘zi ojiz insonlar QR kodlarini skanerlash va raqamli ma’lumotlar bilan o‘zaro aloqada bo‘lish uchun aqlli bosh kiyimga ulanish uchun smartfonlaridan foydalanishlari mumkin. Bu ko‘r insonlarga aloqada bo‘lishga va ma’lumotlarga kirishga yordam beradi. Aqlli shaharlar, shuningdek, ko‘zi ojiz insonlarga ichki rakat qilish imkonini beradi. Ko‘zi ojiz insonlar notanish binolarda ovoz bilan faollashtirilgan ichki navigatsiya tizimlarining audio yo‘nalishlari va tavsiflari bilan harakat Ǥ Tadqiqotlar tahlili Ko’rishni buzilishi bu ko‘zga ̵ ǡ yaralar natijasidir [4]. Jahon sog‘liqni saqlash tashkiloti (JSST) ma’lumotlariga ko‘ra, nogironlik bu funksiyaning yo‘qolishiga olib keladigan va bemor uni normal bajara olmaydigan . Bu jismoniy, aqliy yoki ikkalasi ham bo‘lishi mumkin bo‘lgan cheklovdir [5]. Biroq, tadqiqotchilar ko‘rish qobiliyati zaif insonlar kundalik hayotini samarali boshqarishi Ǥ Ko‘rish qobiliyati zaif bemorlarga hayotda duch keladigan to‘siqlarni yengib o‘tishda yordam berish uchun sun’iy intellektga asoslangan yechimlarni qabul qilish bo‘yicha ko‘plab olimlar tomonidan bir nechta tadqiqotlar o‘tkazildi. SI odatda inson aqlini talab qiladigan larni ishlab chiqish bilan shug‘ullanadigan kompyuter fanining katta sohasini ifodalaydi. Biroq, mashinali o‘qitish va chuqur o‘qitish evolyutsiyasi texnologiya sanoatining deyarli barcha sohalarida paradigma o‘zgarishiga olib ǡorlar va bemorlarga bir vaqtning o‘zida yordam berdi [6]. Aksariyat insonlar sun’iy intellektning konventsiyasi va uning kundalik hayotimizni o‘zgartirish hamda osonlashtirish qobiliyati bilan yaxshi tanish emas. Nogironlar ko‘pincha qo‘rquv, rahmǦǡ noqulaylik aybdorlik bilan munosabatda bo‘lishadi [7]. Smartfon ko‘rish qobiliyati zaif foydalanuvchilarga yordam berishga qodir kuchli vositadir. Masalan, hujjatlarni smartfon kamerasi ostiga qo‘yish orqali ko‘zi ojiz insonlar o‘qiy oladi. Misol uchun, Amazonning Alexa kabi virtual shaxsiy buyumlarni boshqarishda yordam berishi mumkin. “Seeing AI” bu ko‘r va zaif ko‘ruvchilar ‘ljallangan bepul ilova Ǥ ǡ matnlarni tasvirlash orqali vizual dunyoni ochish uchun sun’iy intellektdan foydalanadigan davom etayotgan tadqiqot loyihasining natijasidir. Ko‘rish qobiliyati cheklangan insonlar Ǥ ǡ ǡ ȏͺȐǤ axborot kommunikatsiya texnologiyalaridan foydalanish ko‘rib chiqildi [9]. ǡ ǡ ko‘rish qobiliyati zaif insonlarga larni tushuntirish orqali yordam beradi. Biroq, sun’iy araqqiyoti nafaqat ko‘rish imkoniyati cheklangan insonlarga tegishli. 55

Volume 1, Issue 2 56 June 2024 Management and Future Technologies journal.umft.uz ǦǦ ǦǦspeech texnologiyasi bemorlarga ko‘proq muloqot qilish imkonini beradi. Bir nechta sun’iy intellekt texnologiyalari ko‘rish qobiliyati zaif insonlarga belgilar landshaft matnlarini tanib olishga va ko‘proq harakatchanlik bilan yanada qulayroq yashashga Ǥ Ǥ ifikatsiya qilish e’tiborni ǡǤ Metadologiya A. Ma’lumotlar to‘plami Ǥ texnologiyasini qo‘llabǦǡǡ jihozlangan. Model Common Objects in Context (COCO) ma’lumotlar to‘plami bilan o‘qitildi va ǣ ͳǤǡ Ǣ ̵ shga muvaffaq bo‘ldi. ʹǤ’ Ǧ Ǧ ȋȌ Ǥ o‘rganish, tasniflash va talqin qilish uchun tabiiy tilni qayta ishlash (NLP) usullarini qo‘llaydi, so‘ngra matnning eshitish orqali ifodasini yaratish uchun nutq sintezidan foydalanadi. 3. Ovoz bilan faollashtirilgan shaxsiy yordamchilar (VAPA) ko‘zi ojiz insonlarga muloqot jarayonida yo‘lǦyo‘riq ko‘rsatishi,ularni to‘g‘ri yo‘nalishga yo‘naltirish va qaror qabul qilishga ǡ Ǥ Dinamik VR kamera orqali aniqlash VR kamera Matnni ovozga aylantirish Ko’r odamga rahbarlik qilish Mikrafon VAPA orqali so'rovni qabul qilish 2-rasm. B. Jarayon Jarayon aylanishi COCO ma’lumotlar to‘plami turli xil obyektlarning 50 dan ortiq larini o‘z ichiga oladi. uchta sinf ko‘rib chiqiladi:

Management and Future Technologies journal.umft.uz June 2024 Volume 1, Issue 2 ✓ Yo‘l harakati: Bu sinfda svetoforlar, yo‘lni kesib o‘tish belgilari va boshqalar kabi barcha yo‘l harakati yo‘riqnomalari maǤ ✓ ǣǡǤ ✓ ǣǡǤ Ushbu turkumlash jarayoni COCO ma’lumotlar bazasida ko‘pchilik obyektlarni taqsimlash asoslanadi. Konvolyutsion neyron tarmog‘i (CNN) algoritmi tan tasniflash va uni kelajakda olish uchun saqlashga qodir. Ular avtonom tarzda o‘rganish va tasvirlardan xususiyatlarni ajratib olish uchun mo‘ljallangan, ular keyinchalik tasv Ǥ ǡ konvolyutsion qatlamlar, birlashtiruvchi qatlamlar va ularning asosiy tuzilishi sifatida to‘liq bog‘langan qatlamlar. ǡ konvolyutsion qatlamdagi kirish tasviriga filtrlar to‘plamini qo‘llaydi. Keyin birlashtiruvchi qatlam o‘lchamlarini kamaytirish uchun xususiyat xaritalarini namuna oladi. To‘liq bog‘langan Ǥ tasvirlar to‘plamiga o‘rgatilgan bo‘lishi kerak. O‘quv jarayonid larini aniqlashni o‘rganadi. O‘qitilgandan so‘ng, CNN yangi tasvirlarni tarmoq orqali o‘tkazish va chiqish asosida ularning toifalarini aniqlash orqali tasniflash uchun Ǥ Keras kabi chuqur o‘rganish tizimlarida CNNlarni amalga oshirishda ko‘plab kutubxonalar mavjud. ȋͳȌǣ 𝑦𝑦α𝑓𝑓ȋ𝑊𝑊∗𝑥𝑥Ϊ𝑏𝑏Ȍ ȋͳȌ ǡ ǡ ǡ Ǥȗo‘rtasidagi konvolyutsiyani ifodalaydi. Oddiy CNN arxitekturasida bu tenglama turli darajadagi mavhumlikni o‘rganish uchun a moyilliklari bilan bir necha marta qo‘llaniladi. Yakuniy chiqish qatlami ǡ bo‘lib xizmat qiladi. Natija va Mulohaza ma’lumotlar to‘plamidan foydalangan holda o‘tkazildi: • Yo‘l harakatiǢ • ObyektlarǢ • HayvonlarǤ ȋȌǤ maqsadlarda, jumladan, o‘yin, turizm va ta’lim uchun ishlatilishi mumkin bo‘lgan 360 darajali Ǥ Ǥ obyektni aniqlash ilg‘or algoritmlar va mashinai o‘Ǥ 57

Volume 1, Issue 2 58 June 2024 Management and Future Technologies journal.umft.uz 3-rasm.Ǧ Uskunalar VR kamera Mikrofon Smartfondagi tizim (ilova). YOLOv3 algoritmi Bulut Obyektlarni aniqlash Saqlash Ovozni aniqlash algoritmidan foydalangan holda VAPA orqali so'rovni qabul qiling CNN yordamida obyektni tasniflang VAPA orqali ko’r insga yordamlashish va Text-to-Speeach (TTS) Dinamik 4-rasm. Boshqa tashqi manbalar, masalan: - Ob-havo. - Yo'l harakati. ͵ͶǦǡ tasvirdan obyektlarni tanib uchun foydalanilgan. Mikrofon va kamerani o‘z ichiga olgan VAPA qurilmasi ko‘zi ojiz insonlarning so‘rovlari bilan ovozni aniqlash va TTS algoritmidan foydalanib, ularga o‘z vazifalarini bajarishda yordam berish uchun ishlatiladi.

Management and Future Technologies journal.umft.uz June 2024 Volume 1, Issue 2 1-jadval. VR kamera orqali tasvirga olish va YOLO tomonidan aniqlangan Vaqt/ishonch Sinf ͶǡͷȀ ͵ǡȀ Yo‘l harakati ͵ǡʹȀ Yo‘l harakati ǡͺȀ obyektlarning shakli, o‘lchami, rangi va tuzilishini aniqlash uchun to‘plangan tasvir va videolarni tahlil qiladi. Ularning aniqligini oshirish uchun algoritmlar obyektlar paydo bo‘ladigan konteksni ham hisobga oladi. ushbu tadqiqotda YOLO algoritmi nlarni normal hayotlarida baholash uchun qo‘llanildi. ͳǦjadvalda ko‘rsatilganidek, yuqori ishonch bilan obyektni aniqlaganda, obyekt qanday ko‘rinishda bo‘lishi ehtimoli yuqori. Ushbu yuqori darajadagi ishonch kt bilan turli yo‘llar bilan o‘zaro aloqa qilish imkonini beradi. Agar VR kamerasi xonadagi stulni aniqlasa, masalan, foydalanuvchilar unga o‘tirish yoki Ǥ Ǧasvirga olish va o‘zaro ta'sir qilish qobiliyatimizni inqilob qildi. Ularning turli obyektlarni ishonchli aniqlash qobiliyati yo’l harakati, obyektlar, Ǥ ǡ huni ko‘rsatdiki, CNN klassifikatori eng yaxshisi bo‘lib, turli obyektlarni to‘g‘ri sinfda tasniflash nuqtai nazaridan sezilarli ishonchlilik va ishlashni taklif qiladi. Bundan tashqari, natijalar shuni ko‘rsatdiki, YOLO algoritmining oldingi versiyasiga 59

Volume 1, Issue 2 60 June 2024 Management and Future Technologies journal.umft.uz Ǥ Xulosa Ushbu maqola ko‘rish qobiliyati zaif insonlar aqlli shahar hududlarini samarali bosib o‘tishlari mumkin bo‘lgan vositalarni tushunishimizni kuchaytirishga qaratilgan. Obyektni ǡ bo‘lgan insonlarga kundalik faoliyatini tabiiy va uzluksiz tarzda amalga oshirishga yordam beradi. Natijalar shuni ko‘rsatadiki, VAPA uskunasidan foydalangan holda CNN va YOLO ǡ Ǥ o‘zaro ta'siri sohasida Ǥ