การพัฒนาโปรแกรมจำแนกประเภทหน้ากากและตรวจจับการสวมใส่ด้วยเทคโนโลยีประมวลผลภาพ
Article Sidebar
Main Article Content
บทคัดย่อ
การพัฒนาโปรแกรมจำแนกประเภทหน้ากากและตรวจจับการสวมใส่ด้วยเทคโนโลยีประมวลผลภาพ มีวัตถุประสงค์เพื่อจำแนกประเภทหน้ากากและตรวจจับการสวมใส่หน้ากาก มีสามขั้นตอนการพัฒนา 1) การเตรียมชุดข้อมูล 2) การฝึกฝนโมเดล และ 3) การจำแนกประเภทหน้ากากและการสวมใส่ ผู้วิจัยได้เก็บชุดข้อมูล โดยมีทั้งหมด 4 คลาส ได้แก่ คลาสที่ 1 ภาพบุคคลไม่สวมหน้ากาก คลาสที่ 2 ภาพบุคคลสวมหน้ากากอนามัย คลาสที่ 3 ภาพบุคคลสวมหน้ากากผ้า และคลาสที่ 4 ภาพบุคคลสวมหน้ากาก N95 การทดลองการจำแนกประเภทหน้ากากครั้งนี้ ได้เปรียบเทียบอัลกอริทึมโยโล่เวอร์ชัน 4 บนสภาพแวดล้อมเทนเซอร์โฟร์ และอัลกอริทึมโยโล่เวอร์ชัน 5 บนสภาพแวดล้อมไพทอช ด้วยชุดข้อมูลจำนวน 2,311 ภาพ ซึ่งผลการทดลองพบว่า ความแม่นยำเฉลี่ยทุกคลาสของอัลกอริทึมโยโล่เวอร์ชัน 5 (0.9943) มีประสิทธิภาพดีกว่าอัลกอริทึมโยโล่เวอร์ชัน 4 (0.9057) ในขณะที่อัลกอริทึมโยโล่เวอร์ชัน 5สามารถจำแนกหน้ากากผ้าได้ดีที่สุด ด้วยค่าเฉลี่ย F1-score เท่ากับ 0.9995 และได้นำโมเดลที่ได้จากอัลกอริทึมโยโล่เวอร์ชัน 5 ไปใช้งานจริงกับการตรวจจับด้วยกล้องเว็บแคม (Webcam) จำนวน 12 คน พบว่าสามารถจำแนกหน้ากากผ้าได้ถูกต้องสูงสุด จำนวน 11 คน คิดเป็นร้อยละ 0.91
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
นโยบายการรับบทความ
กองบรรณาธิการวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น มีความยินดีรับบทความจากอาจารย์ประจำ และผู้ทรงคุณวุฒิในสาขาวิศวกรรมศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่นที่นำส่ง ดังนั้นผู้สนใจที่จะร่วมเผยแพร่ผลงานและความรู้ที่ศึกษามาสามารถนำส่งบทความได้ที่กองบรรณาธิการเพื่อเสนอต่อคณะกรรมการกลั่นกรองบทความพิจารณาจัดพิมพ์ในวารสารต่อไป ทั้งนี้บทความที่สามารถเผยแพร่ได้ประกอบด้วยบทความวิจัย ผู้สนใจสามารถศึกษาและจัดเตรียมบทความจากคำแนะนำสำหรับผู้เขียนบทความ
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏภายในบทความของแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็น ความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับสถาบันเทคโนโลยีไทย-ญี่ปุ่น และคณาจารย์ท่านอื่น ๆ ในสถาบัน แต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา ทัศนะ หรือข้อคิดเห็นใด ๆ ของบทความในวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น ไปเผยแพร่ก่อนได้รับอนุญาตจากผู้นิพนธ์ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
ผู้ประสงค์จะส่งบทความเพื่อตีพิมพ์ในวารสารวิชาการ สถาบันเทคโนโลยีไทย-ญี่ปุ่น สามารถส่ง Online ที่ https://www.tci-thaijo.org/index.php/TNIJournal/ โปรดสมัครสมาชิก (Register) โดยกรอกรายละเอียดให้ครบถ้วนหากต้องการสอบถามข้อมูลเพิ่มเติมที่
- กองบรรณาธิการ วารสารสถาบันเทคโนโลยีไทย-ญี่ปุ่น
- ฝ่ายวิจัยและนวัตกรรม สถาบันเทคโนโลยีไทย-ญี่ปุ่น
เลขที่ 1771/1 สถาบันเทคโนโลยีไทย-ญี่ปุ่น ซอยพัฒนาการ 37-39 ถนนพัฒนาการ แขวงสวนหลวง เขตสวนหลวง กรุงเทพมหานคร 10250 ติดต่อกับคุณพิมพ์รต พิพัฒนกุล (02) 763-2752 , คุณจุฑามาศ ประสพสันติ์ (02) 763-2600 Ext. 2402 Fax. (02) 763-2754 หรือ E-mail: JEDT@tni.ac.th
References
P. Intra, “Filtration efficiency of surgical masks, fabric masks and N95/KN95/FFP1/FFP2 masks available for use during the COVID-19 pandemic in Thailand,” (in Thai), Thai Sci. Technol. J., vol. 29, no. 5, pp. 904–918, 2021.
R. C. Gonzalez and R.E. Woods, Digital Image Processing, 3rd ed. Upper Saddle River, NJ, USA: Pearson Prentice Hall, 2008.
J. Wu, “Introduction to convolutional neural networks,” National Key Lab for Novel Software Technology, Nanjing University, Nanjing, China, Accessed: Jan. 20, 2022. [Online]. Available: https://cs.nju.edu.cn/wujx/paper/CNN.pdf
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proc. IEEE Conf. Comput. Vision and Pattern Recognit. (CVPR), Las Vegas, NV, USA, 2016, pp. 779–788.
J. Redmon and A. Farhadi, “Yolov3: An incremental improvement,” arXivLabs: experimental projects with community collaborators, Apr. 8, 2018. Accessed: Jan. 20, 2022. [Online]. Available: https://arxiv.org/abs/1804.02767
A. Bochkovskiy, C.-Y. Wang, H.-Y. M. Liao, “Yolov4: Optimal speed and accuracy of object detection,” arXivLabs: experimental projects with community collaborators, Apr. 2020. Accessed: Jan. 20, 2022. [Online]. Available: https://arxiv.org/abs/2004.10934
YOLOv5: The friendliest AI architecture you'll ever use, Ultralytics Company, Aug. 2013. [Online]. Available: https://ultralytics.com/yolov5
H. Adusumalli, D. Kalyani, R. K. Sri, M. Pratapteja, and P. V. R. D. P. Rao, “Face Mask Detection Using OpenCV,” in Proc. 3rd Int. Conf. Intell. Commun. Technol. and Virtual Mobile Networks (ICICV), Tirunelveli, India, Feb. 2021, pp. 1304–1309.
S. Teboulbi, S. Messaoud, M. A. Hajjaji, and A. Mtibaa, “Real-Time implementation of AI-based face mask detection and social distancing measuring system for COVID-19 prevention,” Scientific Program., vol. 2021, Sep. 2021, Art. no. 8340779.
S. Sethi, M. Kathuria, and T. Kaushik, “Face mask detection using deep learning: An approach to reduce risk of Coronavirus spread,” J. Biomed Inform., vol. 120, Aug. 2021, Art. no. 103848.
H. Goyal, K. Sidana, C. Singh, A. Jain, and S. Jindal. “A real time face mask detection system using convolutional neural network,” Multimedia Tools Appl., vol. 81, no. 11, pp. 14999–15015, May 2022.