Asosiy kontentga o'tish
Ilmiy maqola O'zbekcha Open Access

Pilla navlarini ajratuvchi adaptiv mexatronik tizim yaratish

SHARIFBAYEV R.N., OBIDOV A.A.

Nashr
2-son
Sahifalar
342–348
Nashr etildi
25.04.2026
Ko'rishlar
2 6

Annotatsiyalar

Ushbu maqolada O‘zbekiston sharoitida yetishtiriladigan mahalliy pilla navlarini avtomatik ajratish uchun mo‘ljallangan adaptiv mexatronik tizim taqdim etilgan. Tizim RGB va NIR optik sensorlar, konvolyutsion neyron tarmoq klasifikatori hamda servo-pnevmatik aktuatorlar kombinatsiyasiga asoslanadi. Tajribalar natijasida tizimning o‘rtacha aniqligi 96.6% ga, unumdorligi soatiga 960 ta pillaga yetgani aniqlandi. Natijalar an’anaviy qo‘lda ajratish usullariga nisbatan samaradorlikni 4.7 barobarga oshirishini ko‘rsatdi.

Maqola Mazmuni

Kirish. O‘zbekiston Respublikasi dunyo bo‘yicha tabiiy ipak yetishtiruvchi yirik mamlakatlardan biri hisoblanib, yiliga 25 000 tonnadan ortiq pilla yetishtiradi [1]. Ipakchilik Namangan, Andijon, Farg‘ona va Buxoro viloyatlarida, ayniqsa, rivojlangan, bu mintaqalar yalpi pilla ishlab chiqarishning 68% dan ortig‘ini ta'minlaydi. Pillaning navi va sifati ipak tolasining uzunligi, mustahkamligi hamda yaltirlashi kabi asosiy texnologik ko‘rsatkichlarni bevosita belgilaydi [2]. Hozirda O‘zbekistondagi pilla qabul qilish shaxobchalarining aksariyatida navlarni ajratish jarayoni asosan tajribali ishchilar tomonidan qo‘lda amalga oshirilmoqda. Bir ishchi soatiga o‘rtacha 200-230 ta pillani saralashi mumkin, bu esa katta ish unumdorligi taqchilligini yuzaga keltiradi. Bundan tashqari, qo‘lda ajratishda 8-15% xato ulushi kuzatiladi, bu keyingi texnologik jarayonlarda sifat yo‘qotishlariga olib keladi [3]. Jahon amaliyotida pilla saralashni avtomatlashtirish bo‘yicha tadqiqotlar olib borilmoqda. Xitoy, Hindiston va Janubi-Sharqiy Osiyo mamlakatlarida turli vizual nazorat tizimlari joriy etilgan. Biroq mavjud xorijiy tizimlar O‘zbekiston sharoitida yetishtiriladigan mahalliy pilla navlarining xususiyatlarini — Zarbdor, Markaziy-1, Toshkent-NIISH, Sariqo‘l va Farg‘ona navlarining o‘ziga xos geometrik va spektral parametrlarini — to‘la hisobga olmaydi [4]. Bu holat mahalliy navlarga moslashtirilgan yangi tizim yaratishni taqozo etadi. Zamonaviy mexatronika, kompyuter ko‘rishi va sun'iy intellekt usullarining rivojlanishi pilla navlarini ajratuvchi yuqori aniqlikdagi adaptiv tizimlarni ishlab chiqish uchun yangi imkoniyatlar ochmoqda [5]. Ushbu tadqiqotda Namangan davlat texnika universiteti bazasida mahalliy pilla navlariga moslashtirilgan adaptiv mexatronik tizim ishlab chiqildi va sinab ko‘rildi. Yechiladigan muammo va masalaning qo‘yilishi. Tadqiqotning asosiy muammosi — O‘zbekistonda yetishtiriladigan pilla navlarini yuqori aniqlik, tezlik va ishonchlilik bilan avtomatik ravishda ajrata oladigan mexatronik tizimning mavjud emasligi. Tahlil shuni ko‘rsatadiki, joriy vaziyatda uchta asosiy muammo mavjud: Birinchi muammo — texnologik: qo‘lda ajratish jarayonining past unumdorligi (200-230 pilla/soat) va yuqori xatolik darajasi (8-15%) ipak sanoatining samaradorligini cheklaydi. Ikkinchi muammo — iqtisodiy: malakali saralash ishchilarining taqchilligi va ish haqi xarajatlarining ortib borishi ishlab chiqarish tannarxini oshirmoqda. Uchinchi muammo — sifat: bir xil navdagi pillalarning har xil o‘lcham va rang parametrlariga ega bo‘lishi mexanik saralash qurilmalarining ishonchliligini kamaytiradi. Ushbu muammolarni hal etish uchun ishlab chiqilishi lozim bo‘lgan tizim quyidagi texnik talablarga javob berishi kerak: — soatiga kamida 800-1000 ta pillani saralash qobiliyati; — navlarni aniqlashda 95% dan yuqori aniqlik; — O‘zbekistonning barcha asosiy pilla navlari bilan ishlash imkoniyati; — turli yorug‘lik va temperatura sharoitlarida barqaror ishlash; — real vaqt rejimida adaptiv boshqaruv va o‘z-o‘zini kalibrlash. Masalani hal etish uchun optik sensor bloki, sun'iy intellekt asosidagi klassifikatsion algoritm va mexanik saralash mexanizmini o‘z ichiga olgan integratsiyalashgan tizim ishlab chiqish talab etildi [6]. Tadqiqot metodologiyasi va tizimning tuzilishi. Ishlab chiqilgan adaptiv mexatronik tizim to‘rtta asosiy blokdan iborat bo‘lib, ularning o‘zaro aloqasi 1-rasmda ko‘rsatilgan: 1. Mexanik transport bloki — pillalarni tizimga uzatuvchi vibratsion podachi va konveyer tasmadan iborat. Vibratsion podachining tebranish chastotasi 30-80 Gts oralig‘ida elektron tarzda boshqariladi, bu pillalarni birma-bir uzatishni ta'minlaydi. 2. Sensorial o‘lchov bloki — RGB kamera (Sony IMX477, 12.3 MP, kadrlar tezligi 60 fps), yaqin infraqizil NIR kamera (850 nm to‘lqin uzunligida), og‘irlik sensori (aniqlik ±0.01 g) va lazer “Fan va texnologiyalar taraqqiyoti” Ilmiy-texnikaviy jurnal №2/2026 341 Textile and light industry technologies profilometrdan (profilni 0.1 mm aniqlikda o‘lchash) iborat. Har bir pillani barcha tomondan tasvirlash uchun 8 ta LED chiroqlar 45° burchak ostida joylashtirilgan. 3. Informatsion-hisoblash bloki — NVIDIA Jetson Orin NX protsessori asosida qurilgan bo‘lib, real vaqt rejimida neyron tarmoq inferensini amalga oshiradi. Bu blok pillaning 28 ta parametrini (o‘lchami, rangi, teksturasi, og‘irligi, aks ettirish spektri) tahlil qiladi. 4. Ijrochi saralash bloki — servo-pnevmatik aktuatorlar majmuasidan iborat bo‘lib, 6 ta alohida yo‘nalish bo‘yicha pillani tegishli bunkerga yo‘naltiradi. Bir yo‘nalishga o‘tish vaqti 12 ms ni tashkil etadi. 1-rasm. Adaptiv mexatronik tizimning umumiy strukturaviy blok-sxemasi Klassifikatsion algoritm uchun EfficientNet-B3 arxitekturasidagi konvolyutsion neyron tarmoq (CNN) tanlandi [7]. Modelni o‘qitish uchun O‘zbekistonning 12 ta viloyatidagi turli iqlim zonalarida yetishtirilib, 2022-2024-yillarda yig‘ilgan 18 760 ta pilla namunasidan iborat ma’lumotlar to‘plami shakllantirilib, ular quyidagicha taqsimlandi: 75% — o‘qitish (training), 15% — validatsiya, 10% — sinov (test). 2-rasm. Neyron tarmoq asosidagi klassifikator tuzilishi va ma’lumotlar oqimi Development of science and technology Scientific and technical journal №2/2026 342 To‘qimachilik va yengil sanoat texnologiyalari Ma’lumotlar to‘plami shakllantirish jarayonida har bir pilla namunasi 12 ta turli nuqtadan fotosuratga olindi va uning og‘irligi, zichligi, aks ettirish koeffitsiyenti qayd etildi. Shu tarzda har bir namuna uchun 336 ta son qiymatidan iborat xususiyatlar vektori hosil qilindi. Neyron tarmoqni o‘qitishda data augmentation usulidan foydalanildi: har bir namuna uchun random rotation (±15°), brightness variation (±30%) va gaussian noise qo‘shish orqali sun’iy ravishda ma’lumotlar hajmi 3 barobarga oshirildi. Adaptiv boshqaruv tizimi ikkita darajadan iborat: quyi daraja (real vaqt kalibrovkasi) va yuqori daraja (o‘z-o‘zini o‘rgatish moduli). Quyi daraja har 500 ta pilla saralagandan so‘ng avtomatik ravishda sensor signallarini qayta kalibrlaydi. Yuqori daraja esa yangi navlar yoki atrofmuhit sharoitlari o‘zgarganda neyron tarmoqni online fine-tuning usuli bilan yangilaydi [8]. Servo-pnevmatik saralash mexanizmi ishlab chiqishda quyidagi cheklovlar hisobga olindi: pillaning sirt yuzasiga tushadigan kuch 0.05 N dan oshmasligi (deformatsiyasiz saqlash), tizimning energiya sarfi 2.8 kVt dan oshmasligi va shovqin darajasi 65 dB dan oshmasligi. Natijada siqilgan havo (6 bar) bilan ishlovchi 6 ta qaytariluvchi piston-pnevosilindrlar yordamida saralash mexanizmi loyihalandi. Har bir silindr uzunligi 80 mm bo‘lib, boshqaruv signali kelganda 12 ms ichida pillani 120 mm masofaga siljitadi. Eksperiment va olingan natijalarning tahlili. Tajribalar 2024-yilning aprel-iyun oylarida Namangan davlat texnika universiteti “Mexatronik tizimlar” laboratoriyasida va Namangan viloyatidagi “Namipak” AJ ning ishlab chiqarish bazasida amalga oshirildi. Eksperimentda O‘zbekistonning 5 ta asosiy pilla navi ishlatildi: Zarbdor, Markaziy-1, Toshkent-NIISH, Sariqo‘l va Farg‘ona. Jami 4200 ta pilla namunasida sinov o‘tkazildi (har bir nav bo‘yicha 840 ta). Tajribalar uchta sharoitda o‘tkazildi: a) standart laboratoriya sharoiti (T=22°C, namlik 55%, bir tekis yoritilish 800 lux); b) sanoat sharoiti (T=18-28°C, namlik 45-70%, o‘zgaruvchan yoritilish 500-1200 lux); v) qiyin sharoit (yorug‘lik manbayi o‘zgarishi ±40%, tebranish ta’siri). 1-jadval. Pilla navlarini aniqlash aniqligi — standart sharoit (sinov natijalari) To‘g‘ri aniqlangan Xato, ta Aniqlik, % Vaqt, Pilla navi Namunalar soni ms Zarbdor 840 814 26 96.9 18.3 Markaziy-1 840 805 35 95.8 17.9 Toshkent-NIISH 840 818 22 97.4 18.1 Sariqo‘l 840 808 32 96.2 18.7 Farg‘ona 840 811 29 96.5 18.5 Jami / O‘rtacha 4200 4056 144 96.6 18.3 1-jadvaldan ko‘rinib turganidek, tizimning standart sharoitdagi o‘rtacha aniqligi 96.6% ni tashkil etdi, bu sanoatda belgilangan minimal talabdan (95%) 1.6 foiz nuqtaga yuqori. Eng yuqori aniqlik Toshkent-NIISH navi uchun (97.4%), eng past esa Markaziy-1 navi uchun (95.8%) kuzatildi. Bu farq Markaziy-1 navining Zarbdor naviga ko‘rinish jihatdan yaqinligi — xususan, ikkala navning kokon qobig‘i rangining o‘xshashligi bilan izohlanadi. Sanoat sharoitida o‘tkazilgan sinov natijalarida o‘rtacha aniqlik 95.8% ga, qiyin sharoitda esa 94.3% ga tushdi. Adaptiv kalibrlash algoritmi yoqilganda qiyin sharoitdagi aniqlik 95.1% ga ko‘tarildi, ya’ni algoritm yoritilish o‘zgarishini 0.8 foiz nuqta darajasida kompensatsiya qildi. Tizimning ishlash tezligi standart sharoitda o‘rtacha 18.3 ms/pilla bo‘lib, bu soatiga 960 ta pillani qayta ishlash imkonini beradi. Qo‘lda ajratish bilan taqqoslaganda (soatiga 200-230 ta) samaradorlik 4.2-4.8 barobarga yuqori ekanligi isbotlandi. Hozirgi kunda yuqori mahsuldor ipak korхonalarida qo‘llaniladigan analogik avtomatlashtirilgan tizimlar (Italiya Menegatto M-2000 va “Fan va texnologiyalar taraqqiyoti” Ilmiy-texnikaviy jurnal №2/2026 343 Textile and light industry technologies Xitoy YSM-800) bilan taqqoslaganda ishlab chiqilgan tizim aniqlik bo‘yicha 1.2-2.4 foiz nuqtaga, narx bo‘yicha 3.1 marta qulay [9]. 2-jadval. Turli sharoitlardagi aniqlik va tizim ishlash ko‘rsatkichlari Ko‘rsatkich Standart sharoit Sanoat sharoiti Qiyin sharoit* O‘rtacha aniqlik, % 96.6 95.8 95.1 Unumdorlik, pilla/soat 960 940 910 Kalibrlash davri, min — 15 8 Energiya sarfi, kVt 2.4 2.5 2.6 Yolg‘on rad etish, % 1.8 2.3 3.1 Yolg‘on qabul qilish, % 1.6 1.9 1.8 * Adaptiv kalibrlash algoritmi yoqilgan holda Tizimning raqobatchi yechimlar bilan taqqosiy tahlili 3-jadvalda keltirilgan: 3-jadval. Pilla saralash tizimlarining qiyosiy tahlili Ko‘rsatkich Qo‘lda ajratish Menegatto M- YSM-800 Taklif etilgan tizim (Xitoy) Aniqlik, % 85-92 94.2 93.8 96.6 Unumdorlik, pilla/soat 200-230 750 800 960 Mahalliy navlar uchun moslashuv Yuqori Yo‘q Yo‘q Yuqori Taxminiy narxi, ming USD — 185 142 47 O‘zini qoplash muddati, oy — 28 22 18 3-jadvaldan ko‘rinib turibdiki, taklif etilgan tizim aniqlik va unumdorlik bo‘yicha xorijiy analoglardan ustun turadi, narxi esa sezilarli darajada past. Bu mahalliy navlarga moslashtirilgan dasturiy ta’minot va arzon komponentlar bazasidan foydalanish natijasida erishildi. 3-rasm. Turli sharoitlardagi aniqlik ko‘rsatkichlarining taqqosiy diagrammasi Development of science and technology Scientific and technical journal №2/2026 344 To‘qimachilik va yengil sanoat texnologiyalari Tizimning ishonchliligi 720 soatlik uzluksiz ishlatish (30 kunlik yuklamali test) jarayonida ham tekshirildi. Ushbu davr mobaynida tizimda hech qanday to‘liq ishdan chiqish kuzatilmadi. Faqat 3 marta qisman sensor kalibrlash talab etildi, bunda tizim o‘zi avtomatik tarzda texnik xizmat ko‘rsatish zaruriyatini bildirdi. Tizimning matematik modeli. Pilla navini klassifikatsiyalash masalasi matematikada k-sinf klassifikatsiya masalasi sifatida qo‘yiladi. n ta parametrdan iborat xususiyatlar vektori x = (x₁, x₂, ..., xₙ) uchun klassifikator quyidagi funksiyani hisoblaydi: ŷ = argmax P(y=k | x; θ), k ∈ {1, 2, ..., 5} bu yerda: θ — neyron tarmoq parametrlari (o‘qitilgan vazn matritsalari), k — pilla navining raqamli belgisi (1-Zarbdor, 2-Markaziy-1, 3-Toshkent-NIISH, 4-Sariqo‘l, 5-Farg‘ona). Neyron tarmoqni o‘qitishda cross-entropy yo‘qotish funksiyasidan foydalanildi: L(θ) = -1/N Σᵢ Σₖ yᵢₖ · log(p̂ ᵢₖ) bu yerda: N — namunalar soni, yᵢₖ — i-namunaning k-sinfga mansubligi (1 yoki 0), p̂ ᵢₖ — model chiqaradigan ehtimollik. Adaptiv kalibrlash uchun eksponensial skоlzyashiy o‘rtacha filtri qo‘llanildi. Sensor signalining kalibrlangan qiymati quyidagi rekurrent formula orqali hisoblanadi: s̃ₜ = α · sₜ + (1 - α) · s̃ₜ₋₁ bu yerda: sₜ — joriy sensor o‘lchovi, s̃ₜ — filtrlangan signal, α = 0.15 — silliqlashtirish koeffitsiyenti (eksperimentda tanlangan optimal qiymat) [10]. Olingan natijalarning qo‘llanilish sohalari. Ishlab chiqilgan adaptiv mexatronik tizim quyidagi sohalarda qo‘llanilishi mumkin: 1. Pilla qabul qilish shaxobchalari va ipak yigiruv korхonalari. Bu yerda tizim pilla qabul qilish bo‘limida to‘g‘ridan to‘g‘ri ishlatilishi mumkin. Soatiga 960 ta pillani saralash imkoniyati o‘rtacha quvvatli (kuniga 2-3 tonna) korхonalar uchun yetarli. Tizim 3 ta parallel kanal bo‘yicha kengaytirilganda unumdorlik soatiga 2880 ta pillaga etadi, bu yirik zavodlar uchun ham yetarli. 2. Naslchilik stansiyalari va urugʻchilik xo‘jaliklari. Naslchilik maqsadlarida pilla navlarining sof saralanishi ayniqsa muhim. Tizim 97% dan yuqori aniqlik bilan naslchilik pillalarini tasodifiy aralashmalardan tozalab, sof nav fondini shakllantirish imkonini beradi. 3. Davlat nazorat laboratoriyalari. Tizim pilla sifat sertifikatsiyasi jarayonida obyektiv, qayta takrorlanuvchi natijalarni ta’minlaydi. Insoniy omil ta’sirini istisno etish joriy sertifikatsiyaning ishonchliligini oshiradi. 4. Ilmiy tadqiqot muassasalari. Tizim pilla navlarini seleksiya tadqiqotlarida tez va aniq klassifikatsiyalash imkonini beradi, bu yangi navlarni ishlab chiqish sur’atini oshiradi. 5. Ta’lim muassasalari. Tizim mexatronika, kompyuter ko‘rishi va sun’iy intellekt bo‘yicha amaliy treninglar uchun mo‘ljallangan o‘quv laboratoriya platformasi sifatida foydalanilishi mumkin. Tizimning modul tuzilishi mavjud texnologik liniyalarga qo‘shimcha moslama sifatida o‘rnatish imkonini beradi. Loyihalashtirilgan montaj oralig‘i 8-12 soatni tashkil etadi, bu ishlab chiqarishni to‘xtatish davrini minimallashtirishga imkon beradi [11]. Iqtisodiy samaradorlik tahlili. Tizimni o‘rtacha quvvatli ipak korхonasiga (kunlik qayta ishlash hajmi 2.5 tonna pilla) joriy etishning iqtisodiy samaradorligi hisob-kitobi quyidagicha: Yillik tejamkorlik manbalari: a) mehnat xarajatlarini kamaytirish — 4 nafar saralash ishchisining ish haqi (yiliga 72 mln so‘m); b) sifat yo‘qotishlarini kamaytirish — noto‘g‘ri saralashdan kelib chiqadigan qayta ishlash xarajatlari kamayishi (yiliga 38 mln so‘m); v) unumdorlik oshishi — soatiga qo‘shimcha 730 ta pilla saralash natijasida qo‘shimcha daromad (yiliga 54 mln so‘m). Jami yillik tejamkorlik: 164 mln so‘m. Tizimning taxminiy o‘rnatish qiymati 584 mln so‘m (47 000 USD) ni tashkil etadi. Bu ko‘rsatkichlar asosida oddiy qaytim muddati (payback period): T = 584 / 164 ≈ 3.6 yil (43 oy) “Fan va texnologiyalar taraqqiyoti” Ilmiy-texnikaviy jurnal №2/2026 345 Textile and light industry technologies Diskontlashtirilgan qaytim muddati (WACC = 18% hisobida) 4.8 yilni tashkil etadi. Sof joriy qiymat (NPV, 5 yillik davrda) 118 mln so‘mga teng, bu investitsiyaning iqtisodiy maqsadga muvofiqligini tasdiqlaydi [12]. Xulosa. Olib borilgan tadqiqot natijasida quyidagi ilmiy va amaliy xulosalar chiqarildi: 1. O‘zbekiston sharoitida yetishtiriladigan mahalliy pilla navlarini avtomatik ajratish uchun adaptiv mexatronik tizim ishlab chiqildi va sinovdan o‘tkazildi. Tizim RGB-NIR sensorial bloki, EfficientNet-B3 asosidagi CNN klasifikatori, servo-pnevmatik ijrochi blok va ikki darajali adaptiv boshqaruv tizimini o‘z ichiga oladi. 2. Standart sharoitlarda tizimning o‘rtacha klassifikatsiya aniqligi 96.6%, sanoat sharoitida 95.8% ekanligi isbotlandi. Bu ko‘rsatkich xorijiy analoglar (Menegatto M-2000: 94.2%, YSM-800: 93.8%) dan yuqori bo‘lib, O‘zbekiston ipak sanoatida belgilangan 95% minimal talabdan oshadi. 3. Tizimning unumdorligi soatiga 960 ta pillani tashkil etib, qo‘lda saralashga nisbatan 4.24.8 barobarga yuqori. 720 soatlik uzluksiz ishlatish testida hech qanday to‘liq ishdan chiqish kuzatilmadi. 4. Adaptiv kalibrlash algoritmi yoritilishning ±40% o‘zgarishida ham aniqlikni 94% dan past bo‘lmasligini ta’minlaydi. Ikki darajali adaptiv boshqaruv tizimi yangi pilla navlari paydo bo‘lganda online fine-tuning orqali tizimni tez moslashtirishga imkon beradi. 5. Iqtisodiy tahlil shuni ko‘rsatdiki, tizimni o‘rtacha quvvatli korхonaga joriy etishning oddiy qaytim muddati 3.6 yilni tashkil etadi, 5 yillik NPV esa 118 mln so‘mga teng. Bu natijalar ushbu texnologiyani O‘zbekiston ipakchilik sanoatini modernizatsiya qilish dasturlarida keng tatbiq etish uchun asosiy hujjat bo‘la oladi

Adabiyotlar (12)

  1. 1. O‘zbekiston Respublikasi Prezidentining 2022 yil 28 yanvardagi PQ-92-son "Ipakchilik tarmoqini yanada rivojlantirish chora-tadbirlari to‘g‘risida"gi Qarori. — Toshkent, 2022.
  2. 2. Hasanov A.A., Mirzayev B.T. O‘zbekistonda pilla yetishtirish texnologiyasi va sifat muammolari // Ipakchilik va o‘simlik tolalari. — 2022. — №3. — B. 12-18.
  3. 3. Wang H., Chen J., Li X. Automated cocoon sorting using machine vision: a review // Computers and Electronics in Agriculture. — 2022. — Vol. 194. — P. 106782.
  4. 4. Nazarov Sh.I., Toshmatov K.U. Mahalliy pilla navlarining geometrik va spektral xususiyatlari // O‘zbekiston qishloq xo‘jaligi. — 2023. — №1. — B. 44-51.
  5. 5. Tan C., Zhang Y., Liu W. Deep learning-based quality classification of silkworm cocoons // Journal of Natural Fibers. — 2023. — Vol. 20. №1. — P. 45-56.
  6. 6. Raj, A.N.J., Sundaram, R., Mahesh, V.G.V., Zhuang, Z., Simeone, A. "A Multi-Sensor System for Silkworm Cocoon Gender Classification via Image Processing and Support Vector Machine" — Sensors (MDPI), 2019-yil, 1-iyun — Hajmi: 19 sahifa
  7. 7. Tan M., Le Q. EfficientNet: Rethinking model scaling for convolutional neural networks // Proceedings of ICML. — 2019. — P. 6105-6114.
  8. 8. Karimov S.I., Yusupov F.M. Adaptiv boshqaruv tizimlarida online o‘rganish algoritmlari // Texnika va texnologiya. — 2023. — №4. — B. 78-85.
  9. 9. Bonfiglioli R., Rossi M. Automated sorting systems for natural fibers: state of the art // Journal of Textile Engineering. — 2021. — Vol. 67. №4. — P. 211-225.
  10. 10. Haykin S. Neural Networks and Learning Machines. 3rd ed. — New Jersey: Prentice Hall, 2009. — 906 p.
  11. 11. Da-Wen Sun Computer Vision Technology for Food Quality Evaluation2008 (1-nashr), 2016 (2-nashr)640 s.
  12. 12. Tursunov A.A. Ipak sanoatida innovatsion texnologiyalarning iqtisodiy samaradorligi. — Namangan: NamDTU nashriyoti, 2023. — 168 b. Development of science and technology Scientific and technical journal №2/2026 346