โครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึกและการประมวลผลภาพสำหรับการจำแนกเพศและนับจำนวนปลาหางนกยูง ณรงค์ฤทธิ์ ภิรมย์นก1,* สุระสิทธิ์ ทรงม้า1
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์เพื่อ 1) เพื่อเปรียบเทียบประสิทธิภาพการจำแนกเพศปลาหางนกยูงจากภาพในมุมมองที่ต่างกันด้วยการใช้โครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึก และ 2) เพื่อทดสอบประสิทธิภาพการนับจำนวนปลาหางนกยูงด้วยการใช้เทคโนโลยีการประมวลผลภาพ โดยใช้ชุดข้อมูลภาพถ่ายปลาหางนกยูง จำนวน 19,665 ภาพ จากพื้นที่จริงในเขตอำเภอเมืองนครปฐม และอำเภอนครชัยศรี จังหวัดนครปฐม ประมวลผล และวิเคราะห์ข้อมูลผ่านโปรแกรมภาษาไพทอนด้วยการใช้โครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึก และเทคโนโลยีการประมวลผลภาพ ผลการวิจัยพบว่าการจำแนกเพศปลาหางนกยูงจากภาพในมุมมองด้านข้าง ด้วยการใช้โครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึก ได้ค่าความแม่นยำเฉลี่ยมากที่สุด mAP = 0.98 รองลงมาคือจากภาพถ่ายผสมทั้งมุมมองด้านบนและด้านข้าง และภาพถ่ายจากมุมมองด้านบน ตามลำดับ เมื่อพิจารณาในรายละเอียดจะพบว่าภาพถ่ายปลางหางนกยูงด้านข้างจะได้ความแม่นยำดีที่สุด เนื่องจากเป็นภาพที่เห็นลำตัว สี ครีบหาง ชัดเจนที่สุด และประสิทธิภาพการนับจำนวนปลาหางนกยูงด้วยการใช้เทคโนโลยีการประมวลผลภาพ โดยใช้ชุดข้อมูลภาพถ่ายปลาหางนกยูงที่ได้จากการใช้แสงไฟจากหลอดไฟแอลอีดี มีค่ารากที่สองของความคลาดเคลื่อนเฉลี่ยกำลังสอง เท่ากับ 1.92 น้อยกว่าการใช้แสงจากธรรมชาติ เนื่องจากสามารถถ่ายภาพได้ชัดเจน และสามารถควบคุมปริมาณแสงได้ตลอดทุกช่วงเวลาตลอดทั้งวัน ทั้งนี้ผลการวิจัยสามารถนำไปใช้บูรณาการเข้ากับฮาร์ดแวร์ เพื่อทำเป็นระบบในการจำแนกเพศ และนับจำนวนปลาหางนกยูง ซึ่งจะช่วยให้ผู้เลี้ยงปลาหางนกยูงสามารถคัดแยกเพศและนับจำนวนปลาหางนกยูงได้อย่างถูกต้อง รวดเร็ว และมีประสิทธิภาพต่อไป
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารนวัตกรรมวิทยาศาสตร์เพื่อการพัฒนาอย่างยั่งยืนถือเป็นกรรมสิทธิ์ของคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต ห้ามผู้ใดนำข้อความทั้งหมดหรือบางส่วนไปพิมพ์ซ้ำ เว้นแต่จะได้รับอนุญาตอย่างเป็นลายลักษณ์อักษรจากคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต นอกจากนี้ เนื้อหาที่ปรากฎในบทความเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
References
Behera, S. K., Rath, A. K. and Sethy, P. K. (2021). Information Processing in Agriculture. 8 (2), 244–250.
Ćalasan, M., Abdel Aleem, S. H. E. and Zabaa, A. (2020). On the root mean square error (RMSE) calculation for parameter estimation of photovoltaic models: A novel exact analytical solution based on Lambert W function. Energy Conversion and Management 210 (2020). pp. 1–16.
Chaiwachiragompol A., Luangmaneerote S., Tasuntia J., Nabumroong B. (2022). Forecasting student
admissions using back propagation multilayer neural network model. Journal of Science Innovation for Sustainable Development, 4(1), 20–31.
Chutichaimetha, P., Kaewtrakulphong, K., Paosang, T., Sermsak, R., and Jesadathamsathi, S. (2022). Counting the number of crickets by digital image processing method for the community enterprise farming (Proceedings of 60th Kasetsart University Annual Conference: Plants, Animals, Veterinary Medicine, Fisheries, Agricultural Extension and Home Economics). Bangkok. pp. 302–308. [In Thai].
Gururaj, N., Vinod, V. and Vijayakumar, K. (2022). Deep grading of mangoes using Convolutional Neural Network and Computer Vision. [Online]. Retrieved November 11, 2023, from the website https://doi.org/10.1007/s11042-021-11616-2.
Indolia, S. Goswami, A.K. Mishra, S. P. and Asopa. P. (2018). Conceptual Understanding of Convolutional Neural Network- A Deep Learning Approach. Procedia Computer Science. 132, 679–688.
Khai, T. H., Abdullah, S. N. H. S., Hasan, M. K. and Tarmizi, A. (2022). Underwater Fish Detection and Counting Using Mask Regional Convolutional Neural Network. [Online]. Retrieved November 11, 2023, from the website https://doi.org/10.3390/w14020222.
Khamnipat, K. and Pramote, O. (2022). Convolutional neural networks for classification picture of a dahlia flower. National Academic Conference on Computers and Information Technology. 18th time (NCCIT2022), 19–20 May 2022 Phra Nakhon Si Ayutthaya: Faculty of Information Technology and Digital Innovation King Mongkut's University of Technology North Bangkok. pp. 19–24. [In Thai].
Nakhon Pathom Provincial Fisheries Office. (2023). Important aquatic animals and the market that receives the produce. [Online]. Retrieved November 14, 2023, from the website https://www4.fisheries.go.th/local/index.php/main/view_blog2/58/70324/2374. [In Thai].
Nakvijitpaitoon S., and Tanawong T. (2022).The Analysis System of Assessment of Smartphones Pawned with Deep Learning. Journal of Science Innovation for Sustainable Development, 4(2), 27–39.
Rathi, D., Jain, S. & Indu, S. (2017). Underwater fish species classification using Convolutional Neural Network and Deep Learning. 2017 Ninth International Conference on Advances in Pattern Recognition (ICAPR). IEEE, India. pp. 1–6.
Raya. W. (2015). Breeding of guppies. Kasetsart News, 60(2). pp. 9–25. [In Thai].
Rodloi, A. (2022). Handbook for guppies cultivation in Thailand. Bangkok: Wanida Printing
Limited Partnership. pp. 3. [In Thai].
Shah, D. (2022). Mean Average Precision (mAP) Explained: Everything You Need to Know. [Online]. Retrieved November 13, 2023, from the website https://www.v7labs.com/blog/mean-average-precision.
Suvarnabhumi Airport Aquatic Animal Checkpoint. (2021). Statistics on import and export of fish at Suvarnabhumi Airport. [Online]. Retrieved November 15, 2023, from the website https://www4.fisheries.go.th/local/index.php/main/view_qr_group/178/1436. [In Thai].
Thipchote, M. and Kokaew, U. (2021). Studied the subject of analysis of Mudmee silk of Khon Kaen Province by Convolutional Neuron Networks. 13th ECTI-CARD 2021 National Conference. "Innovation for a sustainable society" pp. 294–297. [In Thai].