การตรวจสอบคุณภาพของถุงปูนด้วยวิธีการประมวลผลภาพโดยใช้โครงข่ายประสาทเทียมคอนโวลูชัน: กรณีศึกษากระบวนการผลิตถุงปูนซีเมนต์
คำสำคัญ:
การประมวลผลภาพ, โครงข่ายประสาทเทียมคอนโวลูชัน, การเรียนรู้เครื่องจักรบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการเรียนรู้เครื่องจักรในการตรวจและแยกคุณภาพถุงปูนบนรางการผลิต ประกอบด้วย 3 แบบจำลอง คือ 1) แบบจำลองตรวจสอบถุงปูนตัวอักษร เครื่องหมายการค้าขาดหายและสีไม่คมชัด 2) แบบจำลองตรวจสอบถุงปูนตัวอักษรและเครื่องหมายการค้าขาดหาย และ 3) แบบจำลองตรวจสอบแนวกาวของถุงปูน ซึ่งใช้วิธีประมวลผลภาพโดยใช้โครงข่ายประสาทเทียมคอนโวลูชัน (CNN) และ โครงข่ายประสาทเทียม VGG 16 โดยใช้ภาษาไพธอนในการตรวจสอบรูปภาพของถุงปูน กำหนดการศึกษาปัญหาที่เกิดขึ้น ซึ่งมีรายละเอียดในการพิจารณา 3 กรณี ได้แก่ กรณีถุงปูนแบบที่ 1 พิจารณาที่ตัวอักษรและเครื่องหมายการค้าของถุงปูน กล่าวคือ ตัวอักษรและเครื่องหมายการค้าขาดหายและสีไม่คมชัด กรณีถุงปูนแบบที่ 2 พิจารณาที่ตัวอักษรไม่สมบรูณ์และเครื่องหมายการค้าขาดหาย และกรณีถุงปูนแบบที่ 3 พิจารณาการตรวจสอบแนวกาวของถุงปูนที่ไม่ต่อเนื่องกัน จากนั้นทำการเก็บข้อมูลรูปภาพถุงปูนในกระบวนการผลิต และทำการพัฒนาแบบจำลองโดยใช้ภาษาไพธอน ผลการทดสอบ พบว่า แบบจำลองตรวจสอบถุงปูนแบบที่ 1 สามารถทำการตรวจสอบรูปถุงปูนที่สมบูรณ์ได้มีค่า F1-Score 95% และรูปถุงปูนที่ไม่สมบูรณ์มีค่า F1-Score 92% ขณะที่แบบจำลองตรวจสอบถุงปูนแบบที่ 2 การตรวจสอบรูปถุงปูนที่สมบูรณ์และไม่สมบูรณ์มีค่า F1-Score 100% และแบบจำลองการตรวจสอบแนวกาวมีการตรวจสอบแนวกาวที่สมบูรณ์และไม่สมบูรณ์มีค่า F1-Score 100% ตามลำดับ
เอกสารอ้างอิง
จิตรลดา พิศาลสุพงศ์ และสุพัตรา ศรีภูมิเพชร. (2560). การพัฒนาวิทยาศาสตร์ เทคโนโลยี วิจัย และนวัตกรรม. สืบค้นเมื่อ 5 มกราคม 2563, จาก https://waa.inter.nstda.or.th/stks/pub/2018/20181106-st-research-innovation development strategy.pdf
นพวัชร์ สำแดงเดช. (2560). การตรวจจับหน้าตัดของปลายท่อนซุงจากภาพถ่ายด้านท้ายรถบรรทุกไม้ยูคาลิปตัส. (วิทยานิพนธ์ปริญญามหาบัณฑิต). จุฬาลงกรณ์มหาวิทยาลัย, คณะวิศวกรรมศาสตร์.
มนัสกานต์ เสน่หา. (2559). การทำนายอายุการใช้งานคงเหลือของเครื่องจักรด้วยเน็ตเวิร์กคอนโวลูชันเชิงลึกที่เพิ่ม. (วิทยานิพนธ์ปริญญามหาบัณฑิต). จุฬาลงกรณ์มหาวิทยาลัย, คณะวิศวกรรมศาสตร์.
Adege, A. B., Yen, L., Lin, H. P., Yayeh, Y., Li, Y. R., Jeng, S. S., & Berie, G. (2018, April). Applying Deep Neural Network (DNN) for large-scale indoor localization using feed-forward neural network (FFNN) algorithm. Proceedings of the 2018 IEEE International Conference on Applied System Invention (ICASI), Japan, 814-817.
Behnke, S. (2003). Hierarchical neural networks for image interpretation, Vol. 2766. New York: Springer.
Essid, O., Laga, H., & Samir, C. (2018). Automatic detection and classification of manufacturing defects
in metal boxes using deep neural networks. PloS one, 13(11), e0203192.
Jian, C., Gao, J., & Ao, Y. (2017). Automatic surface defect detection for mobile phone screen glass based a machine vision. Applied Soft Computing, 52, 348-358.
Khan, A., Sohail, A., Zahoora, U., & Qureshi, A. S. (2019). A survey of the recent architectures of deep convolutional neural networks. arXiv: 1901.06032.
Li, L., Ota, K., & Dong, M. (2018). Deep learning for smart industry: Efficient manufacture inspection system with fog computing. IEEE Transactions on Industrial Informatics, 14(10), 4665-4673.
Russell, S. J., Norvig, P., & Davis, E. (2010). Artificial intelligence: a modern approach. (3rd ed). Upper Saddle River, NJ: Prentice Hall.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition.
arXiv: 1409.1556.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
กองบรรณาธิการขอสงวนสิทธิ์ในการปรับปรุงแก้ไขตัวอักษรและคำสะกดต่างๆ ที่ไม่ถูกต้อง และต้นฉบับที่ได้รับการตีพิมพ์ในวารสาร PSRU Journal of Science and Technology ถือเป็นกรรมสิทธิ์ของคณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏพิบูลสงคราม และ
ผลการพิจารณาคัดเลือกบทความตีพิมพ์ในวารสารให้ถือมติของกองบรรณาธิการเป็นที่สิ้นสุด
0-5526-7000 Ext. 4100
