Deep Learning and Image Processing for Disc Brake Pad Identification: A Case Study of Brake Pads Company
Article Sidebar
Main Article Content
บทคัดย่อ
Disc brake pad identification is a difficult task that requires experiences of disc brake experts. However, disc brake pad retails must identify the part to deliver the right product to customers. In this research, the deep learning algorithms and object detection technologies to help identify disc brake pad in a case study of disc brake pads company are proposed. The goal is to implement disc brake identification system that finds the right brake pad model correctly in an instant time. We select two deep learning algorithms that are well known in object detection which are YOLOv5 and Faster R-CNN. The disc brake pad detection performance of the two algorithms is compared. There are four measurements: precision, detection speed, loss function (regression loss, classification loss), and training time. We use the two algorithms to detect and classify five disc brake pad models. The results show that YOLOv5 has better precision, detection speed, loss function, but Faster R-CNN requires less training time.
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
J. Laborda and M. J. Moral, “Automotive aftermarket forecast in a changing world: The stakeholders’ perceptions boost!,” Sustainability, vol. 12, no. 18, p. 7817, 2020.
A. Borawski, “Conventional and unconventional materials used in the production of brake pads – review,” Sci. Eng. Compos. Mater., vol. 27, no. 1, pp. 374–396, 2020, doi: 10.1515/secm-2020-0041.
K. U. Sharma and N. V. Thakur, “A review and an approach for object detection in images,” Int. J. Comput. Vision Robot., vol. 7, no. 1/2, pp. 196–237, 2017, doi: 10.1504/ijcvr.2017.081234.
A. Kumar and S. Srivastava, “Object detection system based on convolution neural networks using single shot multi-box detector,” Procedia Comput. Sci., vol. 171, pp. 2610–2617, 2020.
Á. Casado-Garcia and J. Heras, “Ensemble methods for object detection,” in Proc. 24th Eur. Conf. Artif. Intell., Santiago de Compostela, Spain, Jun. 2020, pp. 2688–2695.
M. Noman, V. Stankovic, and A. Tawfik, “Object detection techniques: Overview and performance comparison,” in Proc. IEEE 19th Int. Symp. Signal Process. and Infor. Technol. (ISSPIT), Ajman, United Arab Emirates, Dec. 2019, pp. 489–493.
L. Wang and W. Q. Yan, “Tree leaves detection based on deep learning,” in Geometry and Vision (Communications in Computer and Information Science vol. 1386), M. Nguyen, W. Q. Yan, and H. Ho, Eds., Cham, Switzerland: Springer, 2021, pp. 26–38.
A. Turečková, T. Holík, and Z. Komínková Oplatková, “Dog face detection using YOLO network,” Mendel, vol. 26 no. 2, pp. 17–22, Dec. 2020.
S.-E. Ryu and K.-Y. Chung, “Detection model of occluded object based on YOLO using hard-example mining and augmentation policy optimization,” Appl. Sci., vol. 11, no. 15, p. 7093, Jul. 2021, doi: 10.3390/app11157093.
Y. Yoon et al., “Analyzing basketball movements and pass relationships using realtime object tracking techniques based on deep learning,” IEEE Access, vol. 7, pp. 56564–56576, 2019, doi: 10.1109/ACCESS.2019.2913953.
C. G. Melek, E. B. Sonmez, and S. Albayrak, “Object detection in shelf images with YOLO,” in Proc. IEEE EUROCON 2019 -18th Int. Conf. Smart Technol., Novi Sad, Serbia, Jul. 2019, pp. 1–5.
B. Yan, P. Fan, X. Lei, Z. Liu, and F. Yang, “A real-time apple targets detection method for picking robot based on improved YOLOv5,” Remote Sens., vol. 13, no. 9, p. 1619, Apr. 2021, doi: 10.3390/rs13091619.
A. Malta, M. Mendes, and T. Farinha, “Augmented reality maintenance assistant using YOLOv5,” Appl. Sci., vol. 11, no. 11, p. 4758, May 2021, doi: 10.3390/app11114758.
F. Shi, H. Zhou, C. Ye, and J. Mai, “Faster detection method of driver smoking based on decomposed YOLOv5,” J. Phys.: Conf. Ser., vol. 1993, 2021, Art. no. 012035, doi: 10.1088/1742-6596/1993/1/012035.
F. Jubayer et al., “Mold detection on food surfaces using YOLOv5,” Curr. Res. Food Sci., vol. 4, pp. 724–728, 2021.
Z. Ning, X. Wu, J. Yang, and Y. Yang, “MT-YOLOv5: Mobile terminal table detection model based on YOLOv5,” J. Phys.: Conf. Ser., vol. 1978, 2021, Art no. 012010, doi: 10.1088/1742-6596/1978/1/012010.
J. Cui, F. Chen, D. Shi, and L. Liu, “Eye detection with faster R-CNN,” in Proc. Int. Conf. Adv. Comput. Technol., Inf. Sci. and Commun., Xiamen, China, Mar. 2019, pp. 111–116.
S. Wan and S. Goudos, “Faster R-CNN for multi-class fruit detection using a robotic vision system,” Comput. Netw., vol. 168, Feb. 2020, Art. no. 107036.
W. Li, “Analysis of object detection performance based on Faster R-CNN,” J. Phys.: Conf. Ser., vol. 1827, 2021, Art. no. 012085, doi: 10.1088/1742-6596/1827/1/012085.
R. Yamashita, M. Nishio, R. K. G. Do, and K. Togashi, “Convolutional neural networks: an overview and application in radiology,” Insights Imaging, vol. 9, pp. 611–629, Jun. 2018.
D. Thuan, “Evolution of YOLO algorithm and YOLOV5: the state-of-the-art object detection algorithm,” B.S. thesis, Dept. Inf. Technol., Oulu Univ. Appl. Sci., Oulu, Finland, 2021. [Online]. Available: https://www.theseus.fi/handle/10024/452552
P. Punyato and N. Sidahao, “Implementation of a low-cost real-time people counting system on raspberry pi based on applied tiny YOLO V3,” (in Thai), Eng. Trans.: A Res. Publication Mahanakorn Univ. Technol., vol. 22, no. 2, pp. 72–78, 2019.
J. Du, “Understanding of object detection based on CNN family and YOLO,” J. Phys.: Conf. Ser., vol., 1004, 2018, Art. no. 012029, doi: 10.1088/1742-6596/1004/1/012029.
X. Yao, X. Wang, S. H. Wang, and Y. D. Zhang, “A comprehensive survey on convolutional neural network in medical image analysis,” Multimed. Tools Appl., vol. 81, pp. 41361–41405, 2020, doi: 10.1007/s11042-020-09634-7.
A. Rácz, D. Bajusz, and K. Héberger, “Effect of dataset size and train/test split ratios in QSAR/QSPR multiclass classification,” Molecules, vol. 26, no. 4, p. 1111, Feb. 2021, doi: 10.3390/molecules26041111.
P. Henderson and V. Ferrari, “End-to-end training of object class detectors for mean average precision,” in Proc. 13th Asian Conf. Comput. Vis., Taipei, Taiwan, Nov. 2016, pp. 198–213.
S. Visa, B. Ramsay, A. Ralescu, and E. van der Knaap, “Confusion matrix-based feature selection,” in Proc. 22nd Midwest Artif. Intell. and Cogn. Sci. Conf., Cincinnati, OH, USA, Apr. 2011, pp. 120–127.