การเพิ่มประสิทธิภาพในการตรวจจับไฟป่าโดยใช้ Google’s Teachable Machine ศุภาพิชญ์ ขวัญอยู่1 สืบสกุล คุรุรัตน์1,*
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการปรับแต่งค่าไฮเปอร์พารามิเตอร์ ให้เหมาะสมกับการเรียนรู้ข้อมูลของ Google’s Teachable Machine ให้มีความแม่นยำในการตรวจจับไฟป่า และสามารถนำเครื่องมือ Google’s Teachable Machine ไปประยุกต์ใช้ในการพัฒนาการตรวจพบการเกิดขึ้นของ ไฟป่าได้ ขั้นตอนในการดำเนินการจะเริ่มจากการศึกษาข้อมูลและทฤษฎีที่เกี่ยวข้องกับไฟป่าและที่ใช้ใน Google’s Teachable Machine จากนั้นทำการเตรียมข้อมูลที่ใช้ แบ่งออกเป็น 3 ประเภท คือ รูปการเกิดไฟไหม้ป่า รูปควันไฟที่เกิดจาก ไฟไหม้ป่า และรูปไม่เกิดไฟไหม้ มีการแบ่งข้อมูลออกเป็น 2 ชุด คือ ชุดแรกข้อมูล ที่ใช้เป็นชุดข้อมูลในการฝึกฝน ประเภทละ 1000 รูป ถูกนำไปสร้างเป็นการเรียนรู้ของ Google’s Teachable Machine เพื่อหาค่าปรับแต่งไฮเปอร์พารามิเตอร์ ที่เหมาะสม ชุดที่สองชุดข้อมูลที่ใช้ในการทดสอบจริงซึ่งเป็นรูปที่ไม่ได้ใช้ เป็นชุดข้อมูลสำหรับฝึกฝนและไม่เคยเห็นมาก่อน ประเภทละ 290 รูป ใช้เพื่อหาค่าความแม่นยำที่เกิดขึ้นจากการปรับค่าไฮเปอร์พารามิเตอร์ จากการใช้ Google’s Teachable Machine พบว่าค่าไฮเปอร์พารามิเตอร์ที่เหมาะสมที่นำไปปรับใช้เพื่อให้ได้ค่าความแม่นยำที่เหมาะสม คือ Epoch = 60, Batch Size = 16, Learning Rate = 0.001 โดยได้ค่าความแม่นยำ (Accuracy) ที่ร้อยละ 97 เป็นค่าไฮเปอร์พารามิเตอร์ที่เหมาะสมในการนำไปใช้ และแสดงให้เห็นว่าสามารถตรวจจับไฟป่าได้อย่างแม่นยำ ทำให้เทคโนโลยีนี้สามารถนำไปพัฒนาต่อยอด เป็นอุปกรณ์ตรวจจับไฟป่าที่มีประสิทธิรูปสูงได้ในอนาคต
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารนวัตกรรมวิทยาศาสตร์เพื่อการพัฒนาอย่างยั่งยืนถือเป็นกรรมสิทธิ์ของคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต ห้ามผู้ใดนำข้อความทั้งหมดหรือบางส่วนไปพิมพ์ซ้ำ เว้นแต่จะได้รับอนุญาตอย่างเป็นลายลักษณ์อักษรจากคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยสวนดุสิต นอกจากนี้ เนื้อหาที่ปรากฎในบทความเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
เอกสารอ้างอิง
Agustian, D., Crisnapati, P. N., Novayanti, P. D., & Pertama, P. P. G. P. (2021). Implementation of machine learning using Google's Teachable Machine based on Android.
Forchhammer, S., Abu-Ghazaleh, A., Metzler, G., Garbe, C., & Eigentler, T. (2022). Development of an image analysis-based prognosis score using Google's Teachable Machine in melanoma. Cancers, 14(9). doi:10.3390/cancers14092243
Google. (n.d.). Teachable Machine. Retrieved from https://teachablemachine.withgoogle.com/
Hoyles Fire and Safety Ltd. (n.d.). What are the three elements of the fire triangle? Retrieved from https://www.hoyles.co.uk/latest-news/what-are-the-three-elements-of-the-fire-triangle/
Janjaroen, K. (2011). Identifying population and sample [in Thai]. Retrieved from https://www.ict.up.ac.th/surinthips/ResearchMethodology_2554/เอกสารเพิ่มเติม/การกำหนดประชากรและกลุ่มตัวอย่าง.PDF. [In Thai].
Janthanasub, V. (2022). Mask detection by Teachable Machine [in Thai]. Retrieved from https://sci.rmutp.ac.th/web2558/wp-content/uploads/2022/02/KM05-Mask-Detection-by-Teachable-Machine-by-Veerawan.pdf. [In Thai].
Jeong, H. (2020). Feasibility study of Google’s Teachable Machine in diagnosis of tooth-marked tongue. 치위생과학회지 / Journal of Dental Hygiene Science, 20(4), 206. Retrieved from https://portal.lib.ku.ac.th/login?url=https://search.ebscohost.com/login.aspx?direct=true&db=edskis&AN=edskis.3847205&site=eds-live
Ma, X. (2023). Application of artificial intelligence in computer network technology. Paper presented at the 2023 2nd International Conference on Artificial Intelligence and Autonomous Robot Systems (AIARS).
National Fire Protection Association. (n.d.). Reporters guide: All about fire. Retrieved from https://www.nfpa.org/About-NFPA/Press-Room/Reporters-Guide-to-Fire/All-about-fire
Pongpornsup, V. (2017). Design of experiment chapter 3 [in Thai]. For Quality Management, 23, 15-17. [In Thai].
Rizanov, S., & Yakimov, P. (2023). The technological ecosystem of modern wildfire detection: A review. Paper presented at the 2023 XXXII International Scientific Conference Electronics (ET).
Ruangsapdej, K. (2023). AI detects wildfires new approaches to global disasters [in Thai]. Post Today. Retrieved from https://www.posttoday.com/international-news/701359. [In Thai].
Saied, A. (2020). FIRE dataset. Retrieved from https://www.kaggle.com/datasets/phylake1337/fire-dataset?resource=download
Saraubon, K. (2020). Learning data science and AI: Machine learning using Python [in Thai]. Machine Learning เบื้องต้น, 1, 321-336. [In Thai].
Saraubon, K. (2022). Learning AI: Deep learning using Python [in Thai]. Machine Learning, 1, 321-336. [In Thai].
Seub Nakhasathien Foundation. (2018). Knowledge the forest – forest fire [in Thai]. Retrieved from https://www.seub.or.th/bloging/knowledge/รู้รักษ์ป่า/รู้รักษ์ป่า-ไฟป่า/. [In Thai].
