1887
Volume 2023, Issue 2
  • EISSN: 2616-4930

Abstract

تعد المملكة العربية السعودية أحد أكبر منتجي التمور في العالم، وهي الدولة الأولى عالميّاً في مؤشر الإستراتيجية الحكومية للذكاء الاصطناعي، كما يعد تعلم الآلة واحداً من أكثر موضوعات الذكاء الاصطناعي انتشاراً وأهمية هذه الأيام، وهو أحد التقنيات الناشئة التي يُتوقع لها مستقبل باهر، خاصة في الثورة الصناعية الرابعة المرتكزة على الذكاء الاصطناعي وتطبيقاته التي تخدم البشرية في مجالات عديدة. ويوجد اهتمام حكومي في السعودية بتدريس الذكاء الاصطناعي وتعلم الآلة واستخدامهما لإنتاج جيل يبتكر حلولاً مبدعة. وكثير من مصادر هذا العلم إنجليزية، مع شح واضح في المصادر العربية؛ لذلك تسعى هذه الورقة لسد تلك الفجوة من خلال إنشاء مجموعة بيانات من بيئتنا السعودية باستخدام واحد من أسهل برامج تنقيب البيانات "أورانج" وموقع "تيتشابل مشين" اللذَّين لا يحتاجان إلى برمجة. وتتمثل أهمية الدراسة في التالي: أنه أول بحث ينشئ مجموعة بيانات متوازنة الصنفين لتصنيف التمور السعودية العضوية تتكون من ثلاث مجموعات فرعية: الأولى: تحوي البيانات المجدولة ذات الخصائص اليدوية لتصنيف التمور العضوية "عجوة أو مجدول"، والثانية: تجمع البيانات المجدولة ذات الخصائص المولدة أتوماتيكيّاً باستخدام التعلم العميق لتصنيف التمور العضوية "عجوة أو مجدول"، والثالثة: تجمع صوراً لتمور العجوة والمجدول، كما أنه أول بحث باللغة العربية يستخدم نماذج تعلم الآلة التقليدية والتعلم العميق لإنشاء نماذج ذات أداء عالٍ لتصنيف التمور السعودية العضوية بدون برمجة، مما يمكن الدارسين والباحثين والمطورين من تطوير تطبيقات تعلم آلة لتصنيف التمور السعودية بأشكال متنوعة في مواقع الإنترنت أو تطبيقات الجوالات أو في المتحكمات الدقيقة وتطبيقات إنترنت الأشياء وتعلم الآلات الصغيرة.

Saudi Arabia is one of the world's largest producers of dates. Moreover, Saudi Arabia has been ranked first worldwide in the government strategy index for Artificial Intelligence. Machine learning is also one of the most widespread topics of artificial intelligence and one of the emerging technologies with a potential future paving the way for the fourth industrial revolution. The Saudi government is giving a primary importance to machine-learning teaching to produce a generation capable of creative solutions. However, many of the teaching sources of this discipline are in English, with an apparent lack of Arabic sources. Thus, this paper seeks to bridge this gap by creating a dataset generated from our Saudi environment using two of the easiest data mining platforms: Orange and Teachable Machine and none of them requires programming. This study is the first work to establish a balanced dataset to classify two categories of organic Saudi dates. The dataset contains three subsets: 1) a dataset containing hand-crafted features to classify two types of organic dates (Ajwa or Medjool); 2) a dataset containing tabular data with features created automatically using deep learning to classify the two organic date types (Ajwa or Medjool), and 3) a dataset for images of Ajwa and Medjool dates. In addition, this study is considered the first work in Arabic using shallow machine learning and deep learning to create accurate models for classifying organic Saudi dates, which would enable scholars, researchers, and developers to create machine learning applications for classifying Saudi dates in various forms like websites, mobile apps, microcontrollers, tiny machine learning and internet of things applications.

Loading

Article metrics loading...

/content/journals/10.5339/jist.2023.12
2023-09-30
2024-06-14
Loading full text...

Full text loading...

/deliver/fulltext/jist/2023/2/JIST.2023.issue2.12.html?itemId=/content/journals/10.5339/jist.2023.12&mimeType=html&fmt=ahah

References

  1. Alhamdan, W. S., & Howe, J. M. (2021). Classification of date fruits in a controlled environment using Convolutional Neural Networks. International Conference on Advanced Machine Learning Technologies and Applications, 154–163.
    [Google Scholar]
  2. Alsirhani, A., Siddiqi, M. H., Mostafa, A. M., Ezz, M., & Mahmoud, A. A. (2023). A Novel Classification Model of Date Fruit Dataset Using Deep Transfer Learning. Electronics, 12:(3), Article 3. https://doi.org/10.3390/electronics12030665
    [Google Scholar]
  3. Altaheri, H., Alsulaiman, M., & Muhammad, G. (2019). Date fruit classification for robotic harvesting in a natural environment using deep learning. IEEE Access, 7:, 117115–117133.
    [Google Scholar]
  4. Altaheri, H., Alsulaiman, M., Muhammad, G., Amin, S. U., Bencherif, M., & Mekhtiche, M. (2019). Date fruit dataset for intelligent harvesting. Data in Brief, 26:, 104514.
    [Google Scholar]
  5. MIT APP Inventor. (n.d.). Artificial Intelligence with MIT App Inventor. Retrieved 25/7/2023, from https://appinventor.mit.edu/explore/ai-with-mit-app-inventor
  6. Bati, G. F., & Singh, V. K. (2021). NADAL: A Neighbor-Aware Deep Learning Approach for Inferring Interpersonal Trust Using Smartphone Data. Computers, 10:(1), Article 1. https://doi.org/10.3390/computers10010003
    [Google Scholar]
  7. Cordeiro, A. F. R., OliveiraJr, E., & Costa, Y. M. G. (2023). Date Fruit classification using a wide range of classifiers. 2023 30th International Conference on Systems, Signals and Image Processing (IWSSIP), 1–5. https://doi.org/10.1109/IWSSIP58668.2023.10180302
    [Google Scholar]
  8. Demšar, J., Curk, T., Erjavec, A., Gorup, Č., Hočevar, T., Milutinovič, M., Možina, M., Polajnar, M., Toplak, M., Starič, A., Štajdohar, M., Umek, L., Žagar, L., Žbontar, J., Žitnik, M., & Zupan, B. (2013). Orange: Data Mining Toolbox in Python. Journal of Machine Learning Research, 14, 2349–2353.
    [Google Scholar]
  9. Examples Archive. (n.d.). STEMpedia Education. Retrieved July 25, 2023, from https://ai.thestempedia.com/example/
  10. Fisher R. A. (1936). Iris [dataset]. UCI Machine Learning Repository. https://doi.org/10.24432/C56C76
    [Google Scholar]
  11. Gatis, D. (2023). Rembg [Python]. https://github.com/danielgatis/rembg (Original work published 2020).
  12. Hossain, M. S., Muhammad, G., & Amin, S. U. (2018). Improving consumer satisfaction in smart cities using edge computing and caching: A case study of date fruits classification. Future Generation Computer Systems, 88:, 333–341.
    [Google Scholar]
  13. Kaggle. (n.d). Date Fruit Dataset, single date fruit images taken using smatphone camera. Kaggle website. Retrieved 26/7/2023, from https://www.kaggle.com/datasets/mfarazf/datasetf
  14. Kaggle.(n.d.). Date Fruits Dataset. Kaggle website. Retrieved 26/7/ 2023, from https://www.kaggle.com/datasets/mahilaalmutairi/date-fruits-dataset
  15. Kaggle. (n.d.). Find Open Datasets and Machine Learning Projects. Retrieved 21/7/ 2023, from https://www.kaggle.com/datasets
  16. Koklu, M., Kursun, R., Taspinar, Y. S., & Cinar, I. (2021). Classification of Date Fruits into Genetic Varieties Using Image Analysis. Mathematical Problems in Engineering, 2021, e4793293. https://doi.org/10.1155/2021/4793293
    [Google Scholar]
  17. Liner.ai. (n.d). Machine Learning without Code. Retrieved July 25, 2023, from https://liner.ai/
  18. Lobe. (n.d.). Machine Learning Made Easy. Retrieved July 25, 2023, from https://www.lobe.ai/
  19. Orange Data Mining. (n.d.). Widget catalog. Retrieved 22/7/2023, from https://orangedatamining.com/widget-catalog/
  20. Teachable Machine. (n.d.). Teachable Machine. Retrieved 26/7/2023, from https://teachablemachine.withgoogle.com/
  21. UC Irvine Machine Learning Repository. (n.d.). Popular Datasets. Retrieved 21/7/2023, from https://archive.ics.uci.edu/
  22. المركز الوطني للنخيل والتمور.(n.d.). بعض أصناف التمور المشهورة في المملكة العربية السعودية. استرجع في 26/7/2023 من: https://ncpd.gov.sa/elnakhel/public/storage/omissives/3434648491610429209__%C2%BB___%C3%A8__%20_____%D8%AF_%C3%A8_%D8%B1%20_%D8%AF_____%C2%AB___%D8%B1-115-136-14-22.pdf
  23. [@NCPD_SA]. المركز الوطني للنخيل والتمور. (24 يوليو 2023). صندوق الاستثمارات العامة يعلن عن تأسيس شركة “تراث المدينة” لتطوير ورفع قيمة منتجات تمور العجوة المحلية بما يساهم في تطوير قطاع الأغذية والزراعة. #المركز_الوطني_للنخيل_والتمور. https://t.co/z87p2FH1YV [Tweet]. Twitter.https://twitter.com/NCPD_SA/status/1683491256511475714
  24. طعيمة، ع (2023, March 30). كتاب تنقيب البيانات وتعلم الآلة: بدون برمجة (كتاب مترجم). استرجع في 20/9/2023 من: https://dlarabic.com/%d9%83%d8%aa%d8%a7%d8%a8-%d8%aa%d9%86%d9%82%d9%8a%d8%a8-
  25. عمارة، م. س. إ. (2022). الثورة الصناعية الرابعة ومساهمتها في النمو الحضري. المجلة العلمية لجامعة الملك فيصل: العلوم الأساسية والتطبيقية. 23:(1). https://services.kfu.edu.sa/ScientificJournal/ar/Home/ContentsDetails/25697
    [Google Scholar]
  26. [@NCPD_SA]. المركز الوطني للنخيل والتمور. (24 يوليو 2023). صندوق الاستثمارات العامة يعلن عن تأسيس شركة “تراث المدينة” لتطوير ورفع قيمة منتجات تمور العجوة المحلية بما يساهم في تطوير قطاع الأغذية والزراعة. #المركز_الوطني_للنخيل_والتمور
  27. -SDAIAالهيئة السعودية للبيانات والذكاء الصناعي. (2022). معجم البيانات والذكاء الاصطناعي.استرجع في 21/8/2023 من: https://sdaia.gov.sa/ar/MediaCenter/KnowledgeCenter/ResearchLibrary/SDAIAPublications15.pdf
  28. واس العام [@SPAregions]. (2023, July 1). المملكة الأولى عالميًا في مؤشر الاستراتيجية الحكومية للذكاء الاصطناعي وفقا للتصنيف العالمي للذكاء الاصطناعي. Http://spa.gov.sa/w1930425# السعودية_الأولى_بمؤشر_Ai #واس_عام https://t.co/fp6sEXJd2d [Tweet]. Twitter. https://twitter.com/SPAregions/status/1675217854537269248
  29. وزارة التعليم. (سبتمبر، 2022). ملامح تطوير المناهج السعودية. استرجع في 26/7/2023 من: https://moe.gov.sa/ar/education/generaleducation/StudyPlans/Documents/Features-of-the-development-of-the-Saudi-curriculum.pdf
  30. وزارة البيئة والمياه والزراعة.(1440هجرى). هاكثون التمور. استرجع في 26/7/2023 من: https://mewa.gov.sa/ar/MediaCenter/Ads/Pages/DateHack.aspx
  31. وزارة البيئة والمياه والزراعة. (n.d.). هاكاثون الزراعة. تم الاسترجاع من https://agrihackathon.mewa.gov.sa/
  32. وزارة البيئة والمياه والزراعة [@MEWA_KSA]. (2023, July 20). تصدرت المملكة المركز الأول عالميًا في صادرات التمور، بإنتاج “1.6” مليـون طـن سنـويًا🌴 https://t.co/ay2VwKD8MZ [Tweet]. Twitter. https://twitter.com/MEWA_KSA/status/1682040310841626624
/content/journals/10.5339/jist.2023.12
Loading
/content/journals/10.5339/jist.2023.12
Loading

Data & Media loading...

This is a required field
Please enter a valid email address
Approval was a Success
Invalid data
An Error Occurred
Approval was partially successful, following selected items could not be processed due to error