การตรวจจับสภาพพื้นผิวถนนที่ผิดปกติโดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึกด้วยเทคนิคการถ่ายโอนการเรียนรู้

บทคัดย่อ

การตรวจจับสภาพพื้นผิวถนนที่ผิดปกติมีความสำคัญต่องานบำรุงรักษาถนนและการขนส่งทางถนนเพื่อประกันความปลอดภัยในการขับขี่ของผู้ใช้ถนน งานวิจัยนี้ศึกษาวิธีการตรวจจับสภาพพื้นผิวถนนที่ผิดปกติโดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึกด้วยเทคนิคการถ่ายโอนการเรียนรู้ โดยมีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของโครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึกที่ผ่านการฝึกมาแล้วล่วงหน้าจำนวน 5 โครงสร้าง ได้แก่ 1) Faster R-CNN_NAS 2) Faster R-CNN Inception_ResNetV2 Atrous 3) SSD ResNet50 FPN 4 ) SSD MobileNetV1 FPN และ 5) Faster R-CNN ResNet101 ชุดข้อมูลรูปภาพของสภาพพื้นผิวถนนที่ผิดปกติตามสภาพแวดล้อมทางธรรมชาติที่นำมาใช้ในการเรียนรู้และทดสอบมีจำนวนทั้งสิ้น 6 ประเภท ได้แก่ 1) หลุมบ่อ 2) รอยแตกตามแนวยาว 3) รอยแตกตามแนวขวาง 4) รอยแตกหนังจระเข้ 5) รอยปะซ่อม และ 6) เนินชะลอความเร็ว ผลการทดลอง พบว่า ตัวแบบ SSD ResNet50 FPN สามารถตรวจจับสภาพพื้นผิวถนนที่ผิดปกติได้ค่าเฉลี่ยของค่าเฉลี่ยความแม่นยำสูงที่สุด คือ 87.38% และใช้เวลาในการทดสอบน้อยที่สุด วิธีการและตัวแบบที่เสนอสามารถประยุกต์ใช้ในการตรวจจับสภาพพื้นผิวถนนที่ผิดปกติในพื้นที่ต่าง ๆ เพื่อใช้เป็นข้อมูลสนับสนุน ปรับปรุงคุณภาพ ประสิทธิภาพของถนนและเพิ่มความปลอดภัยในการขับขี่