การออกแบบและพัฒนาการจำแนกรังไหมดีรังและรังไหมเสียด้วยวิธีโครงข่ายประสาทเทียม แบบคอนโวลูชันและการเรียนรู้แบบถ่ายโอน
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อออกแบบและพัฒนา การจำแนกรังไหมดีและรังไหมเสียด้วยวิธีโครงข่ายประสาทเทียมแบบคอนโวลูชัน และการเรียนรู้แบบถ่ายโอน ประกอบด้วย 3 ขั้นตอน ได้แก่ 1) การจัดเก็บรวบรวมข้อมูล 2) การเตรียมข้อมูล และ 3) การพัฒนาแบบจำลองจำแนกเสียง โดยข้อมูลที่ใช้เป็นไฟล์เสียงนามสกุล WAV บันทึกเสียงโดยใช้ไมโครโฟน และโปรแกรมคอมพิวเตอร์ซึ่งให้ผู้เชี่ยวชาญเขย่าจากรังไหมดีจำนวน 500 ไฟล์ และรังไหมเสียจำนวน 500 ไฟล์ รวมทั้งหมด 1000 ไฟล์ ข้อมูลถูกแปลงจากข้อมูลเสียงเป็นข้อภาพด้วยวิธีสเปกตรัมเมล ได้ 1000 ภาพ และตัดภาพด้วยวิธีการ 2 วิธี ได้แก่ 1) การหากึ่งกลางภาพ และ2) การปรับขนาดภาพ ใช้แบบจำลองโครงข่ายประสาทเทียมแบบคอนโวลูชัน และแบบจำลองการเรียนรู้แบบถ่ายโอน 2 วิธี ได้แก่ MobileNetV2 และ NASNetMobile ในการพัฒนาแบบจำลองโดยข้อมูลภาพถูกแบ่งเป็น 2 ชุดในอัตราส่วน 80 ต่อ 20 ใช้เป็นข้อมูลสำหรับฝึกสอนแบบจำลอง 800 ภาพ และข้อมูลทดสอบแบบจำลอง 200 ภาพ ผลการวัดประสิทธิภาพแบบจำลองพบว่าวิธีโครงข่ายประสาทเทียมแบบคอนโวลูชันให้ค่าความถูกต้องร้อยละ 100 ด้วยภาพที่ได้หลังการตัดภาพจากทั้ง 2 วิธี ยังคงคุณลักษณะเด่นอยู่บริเวณกลางภาพและภาพที่ใช้ในการฝึกสอนเป็นภาพของสเปกตรัมเมลรังไหมดีและรังไหมเสียทำให้ลดการรบกวนและอคติจากสัญญาณภาพแบบอื่นในแบบจำลอง ส่วนการเรียนรู้การถ่ายโอน วิธี MobileNetV2 ให้ค่าความถูกต้องร้อยละ 95 และ วิธี NASNetMobile ให้ค่าความถูกต้องร้อยละ 94.5
Article Details
เอกสารอ้างอิง
Kasertsart University, Silk production technology and value added of silk products. Available Online at https://www3.rdi.ku.ac.th/exhibition/53/group06/silk_center/silk.html, accessed on 9 April 2024.
Chul Thai Silk, Until it becomes Thai silk. Available Online at https://www.chulthaisilk.com/aboutus, accessed on 9 April 2024.
Thairut Online, Update on agricultural innovation 2024 survival and opportunities with AI. Available Online at https://www.thairath.co.th/scoop/ interview/ 2754702, accessed on 9 April 2024.
T. Worasit, et al. "Rice bacterial blight and blast diseases recognition using deep learning techniques." Khon Kaen Agriculture Journal, Vol. 50, No. 1, pp. 216 - 228, January - February, 2021.
C. Suppatoomsin and A. Srikaew. "Imagery Grape Leaf Disease Diagnosis Based on a GA-SASOM Algorithm." The Journal of Industrial Technology, Vol. 14, No. 3, pp. 44 - 61, September - December, 2018.
N. Chinpanthana. "Image Classification of Tomato Leaf Diseases using Convolutional Neural Network." Journal of Information Science and Technology, Vol. 13, No. 2, pp. 40 - 49, July - December, 2023.
S. Thipsrirach, S. Kunhareang, and S. Suwanlee. "The Use of Deep Learning Technique in the Classification of Pradu Hang Dam Thai Native Chicken Images." Rajabhat Agriculture Journal, Vol. 22, No. 1, pp. 50 - 59, January - June, 2023.
O.-U. Pramote and J. Undub. "An Analysis of Banana Ripeness Level by Image using RGB Color Model and Supervised Learning." Journal of science and technology RMUTSB, Vol. 5, pp. 34 - 43, August, 2021.
P. Saechen and T. Siriborvornratanakul. "Oil Palm Fresh Fruit Bunch Ripeness Classification by Deep Learning." KMUTT Research & Development Journal, Vol. 46, No. 1, pp. 81 - 104, January - March, 2023.
Wikipedia, Sound. Available Online at https://en. wikipedia.org/ wiki/Sound, accessed on 9 April 2024.
Kaggle, Audio Processing using Librosa for Beginners. Available Online at https://www.kaggle .com/code/jaseemck/audio-processing-using-librosa -for-beginners, accessed on 9 April 2024.
N. Sritasuwan, Development of Computer Program for Study Bird Vocal Communication. Available Online at https://archive.lib.cmu.ac.th/full/res/2538/ tress ct490508_38_full.pdf, accessed on 9 April 2024.
P. Doungmala, Mel frequency cepstrum coefficient: MFCC. Available Online at https://dr-pathasu-doung. medium.com/mel-frequency-cepstrum-coefficient-mfcc-b735a349c312, accessed on 9 April 2024.
M. Anthony, Audio analysis with librosa. Available Online at https://blog.neurotech.africa/audio-analysis-with-librosa/, accessed on 9 April 2024.
K. Zoumana, An Introduction to Convolutional Neural Networks (CNNs). Available Online at https://www. datacamp.com/tutorial/introduction-to-convolutional-neural-networks-cnns, accessed on 9 April 2024.
Datascientest T, ransfer Learning: What is it. Available Online at https://datascientest.com/en/ transfer-learning-what-is-it, accessed on 9 April 2024.
N. Khobjai, et al. "Sound Classification of five insect species." The 10th Asia Undergraduate Conference on Computing (AUCC2022), Thailand, pp. 512 - 520, 2022.
A. Piromto, et al. "Developing a Model for Classifying Birds' Voices by Deep Learning Technique." The 10th Asia Undergraduate Conference on Computing (AUCC2022), Thailand, pp. 498 - 505, 2022.
T. Kanchanakom, et al. "Classification of Dog Vocalization on an Edge-AI Device." The 9th Asia Undergraduate Conference on Computing (AUCC2021), Thailand, pp. 464 - 472, 2021.
P. Chiangchan and J. Rungrattanaubol. "Animal voice recognition application." The 10th Asia Undergraduate Conference on Computing (AUCC2022), Thailand, pp. 902 - 909, 2022.
S. Kawinseksan, et al. "Thai Poetry Reading Sound Classification using Neural Network." The 9th Asia Undergraduate Conference on Computing (AUCC2021), Thailand, pp. 799 - 804, 2021.
Wikipedia, Confusion matrix. Available Online at https://en.wikipedia.org/wiki/Confusion_ matrix, accessed on 9 April 2024.
