การตรวจจับการสวมหน้ากากอนามัยโดยเทคนิคการส่งถ่ายความรู้
Article Sidebar
Main Article Content
บทคัดย่อ
การตรวจจับการสวมหน้ากากอนามัยโดยเทคนิคการส่งถ่ายความรู้มีวัตถุประสงค์เพื่อสร้างโมเดลการตรวจจับการสวมหน้ากากอนามัยโดยเทคนิคการส่งถ่ายความรู้ และเปรียบเทียบประสิทธิภาพโมเดลการส่งถ่ายความรู้ เครื่องมือที่ใช้ ภาษาไพรธอนร่วมกับไลบรารี Keras สำหรับสร้างแบบจำลองโมเดลการเรียนรู้เชิงลึก และไลบรารี Open CV สำหรับการประมวลผลภาพ กลุ่มตัวอย่างข้อมูลใบหน้าสวมใส่หน้ากากและไม่สวมใส่หน้ากากอนามัยใช้ดาต้าเซตจากเว็บไซต์ kaggle โดยแต่ละภาพมีขนาด 150 x 150 พิกเซล จำนวน 3,833 ภาพ แบ่งเป็นภาพใบหน้าสวมใส่หน้ากาก จำนวน 1,915 ภาพ และภาพใบหน้าไม่สวมใส่หน้ากาก จำนวน 1,918 ภาพ วิธีการดำเนินการแบ่งออก 3 ขั้นตอน ได้แก่ การเตรียมข้อมูล การสร้างแบบจำลอง การวัดประสิทธิภาพโดยใช้ค่าความถูกต้อง (accuracy) และค่าความผิดพลาด (loss) โดยการเปรียบเทียบโมเดลแบบจำลอง 3 แบบ ได้แก่ VGG16 Inceptionresnetv2 และ ResNet152V2 จากการทดลองแสดงให้เห็นว่าโมเดลแบบจำลอง ResNet152V2 มีค่าความถูกต้องมากที่สุด 98% และค่า Loss 0.08%
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
กรมควบคุมโรค. (2565). โรคติดเชื้อไวรัสโคโรนาสายพันธุ์ใหม่ 2019. แหล่งข้อมูล: https://ddc.moph.go.th/viralpneumonia. ค้นเมื่อวันที่ 29 กันยายน 2565.
จักรินทร์ สนุกแสน. (2562). การประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึกสำหรับการรู้จำพรรณไม้ที่อยู่ในสิ่งแวดล้อมทางธรรมชาติ. วิทยานิพนธ์วิทยาศาสตรมหาบัณฑิต, มหาวิทยาลัยมหาสารคาม. มหาสารคาม.
นพรุจ พัฒนสาร และณัฐวุฒิ ศรีวิบูลย์. (2563). การประมวลผลภาพสำหรับการจำแนกคุณภาพมะม่วงพันธุ์โชคอนันต์โดยการจำลองการมองเห็นของมนุษย์ด้วยวิธีการเรียนรู้เชิงลึก. วารสารวิทยาการและเทคโนโลยีสารสนเทศ 10(1): 24 – 29.
วีระยุทธ สุริคำ, นพพล อ่ำดี และชัยธำรง พงษ์พัฒนศิริ. (2564). การจำแนกความสุกของกล้วยฉาบด้วยเทคนิคการประมวลผลภาพ. วารสารวิชาการเทคโนโลยีอุตสาหกรรมและวิศวกรรม มหาวิทยาลัยราชภัฏพิบูลสงคราม 3(1): 55 – 67.
Akshai, K. and Anitha, J. (2021). Plant disease classification using deep learning. In: 2021 3rd International Conference on Signal Processing and Communication (ICPSC), Coimbatore. doi: 10.1109/icspc51351.2021.94.
Chellapandi, B., Vijayalakshmi, M. and Chopra, S. (2021). Comparison of Pre-Trained Models Using Transfer Learning for Detecting Plant Disease. In: 2021 International Conference on Computing, Communication, and Intelligent Systems (ICCCIS), Greater Noida doi: 10.1109/icccis51004.2021.9397098.
Color. (2022). Color. Source: http://msdn.microsoft.com/en-us/library/windows/desktop/aa511283.aspx. Retrieved from 4 February 2022.
Gonzalez R.C. and Woods R.E. (2006). Digital Image Processing (3rd Edition). New Jersey: Prentice-Hall, Inc.
Owens R. (2022). Binary Images. Source: http://homepages.inf.ed.ac.uk/rbf/CVonline/LOCAL_COPIES/OWENS/LECT2/node3.html. Retrieved from 20 February 2022.
Rajan, R. and Noumida, A. (2021). Multi-label Bird Species Classification Using Transfer Learning. In: 2021 International Conference on Communication. Control and Information Sciences (ICCISc), Idukki. doi: 10.1109/iccisc52257.2021.9484858.
Shrivastava, V.K. and Pradhan, M.K. (2020). Rice plant disease classification using color features: a machine learning paradigm. Journal of Plant Pathology 103:17 - 26.
Yann, L.C., Bottou, L., Bengio, Y. and Haffner, P. (1998) Gradient-Based Learning Applied to Document Recognition. Proceedings of the IEEE 86(1): 2278 - 23. doi: 10.1109/5.726791.
