% آموزش شبکه عصبی برای تشخیص قطعات معیوب
% فرض شده است که داده‌های آموزشی در یک پوشه با نام 'dataset' و درون آن دو زیر پوشه
% بنام‌های 'defective' و 'non_defective' قرار دارند

% لود داده‌های آموزشی
dataFolder = 'dataset';
imds = imageDatastore(dataFolder, 'IncludeSubfolders',true, 'LabelSource', 'foldernames');

% تقسیم داده به بخش‌های آموزش و اعتبارسنجی
[imdsTrain, imdsValidation] = splitEachLabel(imds, 0.7, 'random', 'Seed', 42);

% تعریف معماری شبکه عصبی کانولوشنال
layers = [
    imageInputLayer([32 32 3])
    
    convolution2dLayer(3,16,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(3,32,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    maxPooling2dLayer(2,'Stride',2)
    
    convolution2dLayer(3,64,'Padding','same')
    batchNormalizationLayer
    reluLayer
    
    fullyConnectedLayer(2)
    softmaxLayer
    classificationLayer
    ];

% تنظیمات آموزش شبکه
options = trainingOptions('sgdm', ...
    'MaxEpochs',10, ...
    'ValidationData',imdsValidation, ...
    'ValidationFrequency',30, ...
    'Verbose',false, ...
    'MiniBatchSize', 128);

% آموزش شبکه
net = trainNetwork(imdsTrain, layers, options);

% ذخیره شبکه آموزش دیده
save('defect_detection_net.mat', 'net');