การเพิ่มประสิทธิภาพการเรียนรู้เชิงลึกเพื่อตรวจจับการสวมใส่หมวกกันน็อกของผู้ขับขี่รถจักรยานยนต์ด้วยเทคนิคการเพิ่มข้อมูล
Article Sidebar
Main Article Content
บทคัดย่อ
การสูญเสียที่เกิดจากผู้ขับขี่รถจักรยานยนต์ที่ไม่สวมหมวกกันน็อกถือว่าเป็นปัญหาที่สำคัญ เพื่อลดการสูญเสียและลดโอกาสที่จะได้รับการบาดเจ็บที่บริเวณศีรษะได้อย่างมีประสิทธิภาพ ดังนั้นผู้ขับขี่จึงต้องสวมหมวกกันน็อก และในปัจจุบันได้มีการพัฒนาระบบตรวจจับผู้ไม่สวมใส่หมวกกันน็อกด้วยการเรียนรู้เชิงลึก (Deep Learning) ในการทำการตรวจจับวัตถุแต่อย่างไรก็ตามประสิทธิภาพที่ได้ขึ้นอยู่กับจำนวนข้อมูลที่ใช้ในการฝึกสอน ซึ่งในงานวิจัยนี้มีข้อจำกัดในด้านการเก็บข้อมูลจึงทำให้มีข้อมูลในการฝึกสอนค่อนข้างน้อยดังนั้นในงานวิจัยนี้จึงทำการเพิ่มจำนวนข้อมูลที่ใช้ในการฝึกสอนด้วยวิธีการเพิ่มข้อมูล (Data augmentation) ด้วยวิธีการ cutmix โดยหลังจากการเพิ่มข้อมูลการฝึกสอนส่งผลให้ประสิทธิภาพของระบบตรวจจับผู้ไม่สวมใส่หมวกกันน็อกด้วยการเรียนรู้เชิงลึก ที่อยู่ในช่วง 90-95% เพิ่มเป็น 99.3%
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
กลุ่มสถิติการขนส่ง. (2562). รายงานการวิเคราะห์สถิติการ เกิดอุบัติเหตุจราจรทางบก รอบ 12 เดือนปีงบประมาณ 2562 (ตุลาคม 2561 – กันยายน 2562). กองแผนงานกรมการขนส่งทางบก.
ยงยุทธ ละมูลมอญ และธนาสัย สุคนธ์พันธ์. (2562). การตรวจจับหมวกนิรภัยและการใช้อาวุธปืน เพื่อเตือนภัยเหตุโจรกรรมจากภาพกล้องวงจรปิดแบบเวลาจริง. ผลงานค้นคว้าอิสระของนักศึกษาคณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนาบริหารศาสตร์ ประจำปี รุ่น 2563.
Albawi, S., Mohammed, T.A., and Al-Zawi, S. (2017). Understanding of a convolutional neural network. In: 2017 International Conference on Engineering and Technology (ICET). 1-6.
Bochkovskiy, A., Wang, C.Y., and Liao, H. Y. M. (2020). Yolov4: Optimal speed and accuracy of object detection. arXiv preprint arXiv: 2004.10934.
Doan, T.N., and Truong, M.T. (2020). Real-time vehicle detection and counting based on YOLO and DeepSORT. In: 2020 12th International Conference on Knowledge and Systems Engineering (KSE). 67-72.
Li, J., and Wu, Z. (2021). The application of Yolov4 and a new pedestrian clustering algorithm to implement social distance monitoring during The COVID-19 pandemic. Journal of Physics Conference Series 1865(4): 042019.
Redmon, J., Divvala, S., Girshick, R., and Farhadi, A. (2016). You only look once: Unified, real-time object detection. In: Proceeding of the IEEE conference on computer vision and pattern recognition. 779-788.
Yun, S., Han, D., Oh, S.J., Chun, S., Choe, J., and Yoo, Y. (2019). Cutmix: Regularization strategy to train strong classifiers with localizable features. In: Proceedings of the IEEE/CVF International Conference on Computer Vision. 6023-6032.
Zhao, Z. Q., Zheng, P., Xu, S.T., and Wu, X. (2019). Object detection with deep learning: A review. IEEE transactions on neural networks and learning systems 30(11): 3212-3232.