การจำแนกความผิดปกติของเล็บด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน

Main Article Content

ณัฐธิดา ลาภธนชัย
อาทิตยา ชมทอง
สัจจาภรณ์ ไวจรรยา
ณัฐโชติ พรหมฤทธิ์

บทคัดย่อ

เล็บเป็นอวัยวะหนึ่งของร่างกาย ซึ่งลักษณะของเล็บสามารถบ่งบอกถึงสุขภาพดีหรือโรคร้ายที่เกิดต่อร่างกายได้ เพื่อสร้างโมเดลที่สามารถนำไปประยุกต์เป็นเครื่องมือจำแนกความผิดปกติของเล็บได้ด้วยตนเอง บทความนี้เสนอการศึกษาและวิเคราะห์การจำแนกความผิดปกติของเล็บ 7 ลักษณะ ได้แก่ 1) เล็บเป็นร่องลึกตามแนวขวาง 2) เล็บเป็นแถบสีดำ 3) นิ้วปุ้ม 4) เล็บมีแถบขวางสีขาวสลับกับสีชมพู 5) ปลายเล็บร่น 6) เล็บเป็นสีขาวเกือบทั้งเล็บและมีแถบสีชมพูที่ปลายเล็บ และ 7) เล็บมีจุดสีขาว โดยรวบรวมข้อมูลจาก Google images จำนวน 700 ภาพ แบ่งเป็นชุดข้อมูลสำหรับฝึกฝนโมเดล ชุดข้อมูลสำหรับตรวจสอบโมเดล และชุดข้อมูลสำหรับทดสอบโมเดล คิดเป็นอัตราส่วน 64:16:20 ด้วยวิธีการสร้างโมเดลแบบโครงข่ายประสาทเทียมแบบคอนโวลูชันที่พัฒนาจากโมเดลแบบโครงข่ายประสาทเทียม พบว่า โมเดลแบบโครงข่ายประสาทเทียมแบบคอนโวลูชัน ได้ค่าความถูกต้องอยู่ที่ 81.43% ซึ่งมีประสิทธิภาพจำแนกความผิดปกติของเล็บได้มากกว่าโมเดลแบบโครงข่ายประสาทเทียมที่ได้ค่าความถูกต้องเพียง 43.57%

Article Details

How to Cite
ลาภธนชัย ณ. ., ชมทอง อ., ไวจรรยา ส., & พรหมฤทธิ์ ณ. (2023). การจำแนกความผิดปกติของเล็บด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน. วารสารวิทยาการสารสนเทศและเทคโนโลยีประยุกต์, 5(1), 18–35. https://doi.org/10.14456/jait.2023.2
บท
บทความวิจัย

References

ชนิดา ฉันทวนิชย์. (2558). การวิจัยและพัฒนาผลิตภัณฑ์เคลือบเล็บชนิดลอกออกได้. เชียงราย: มหาวิทยาลัยแม่ฟ้าหลวง.

ณัฐวุฒิ ศรีวิบูลย์. (2563). การปรับปรุงประสิทธิภาพการจำแนกภาพเอกซเรย์ทรวงอกด้วยโครงข่ายประสาทเทียมแบบสังวัตนาการโดยใช้เทคนิคการเพิ่มภาพสำหรับวินิจฉัยโรคโควิด-19. กาฬสินธุ์: มหาวิทยาลัยกาฬสินธุ์.

ณัฐโชติ พรหมฤทธิ์. (2564). Fundamental of DEEP LEARNING in Practice. (พิมพ์ครั้งที่ 1). กรุงเทพฯ: สำนักพิมพ์อินโฟเพรส.

พิมพา ชีวาประกอบกิจ. (2562). การปรับปรุงประสิทธิภาพในการจำแนกภาพด้วยโครงข่ายประสาทแบบคอนโวลูชันโดยใช้เทคนิคการเพิ่มภาพ. สระบุรี: มหาวิทยาลัยนานาชาติเอเชีย-แปซิฟิก.

วิชชุดา ธงกิ่ง, ภูษิต มิตรสมหวัง, บุระ สินธุภากร และเจษฎา ตัณฑนุช. (2565). การวิเคราะห์และการจำแนกกระดูกสันหลังที่ผิดปรกติด้วยขั้นตอนวิธีโครงข่ายประสาทสังวัฒนาการ. วารสารเทคโนโลยีสุรนารี, 16(1), 1-13. https://doi.org/10.14456/jait.2023.2

ศิรชัย โชติชาติมาลา และนุวีย์ วิวัฒนวัฒนา. (2563). แบบจำลองการคัดแยกผลไม้แบบหนึ่งชนิดด้วยการเรียนรู้ของเครื่องเพื่อตรวจจับรูปแอปเปิ้ล. กรุงเทพฯ: มหาวิทยาลัยศรีนครินทรวิโรฒ.

อุมาภรณ์ สายแสงจันทร์, รพีพร ช่ำชอง และอรรถพล สุวรรณษา. (2565). การเปรียบเทียบวิธีการวิเคราะห์โรคใบมะนาวด้วยการเรียนรู้เชิงลึก. วารสารวิทยาการสารสนเทศและเทคโนโลยีประยุกต์, 4(1), 71-86.

https://ph01.tci-thaijo.org/index.php/jait/article/view/248021

Alirezanejad, M., Saffari, V., Amirgholipour, S., & Sharifi, A. M. (2014). Effect of locations of using high boost filtering on the watermark recovery in spatial domain watermarking. Indian Journal of Science and Technology, 7(4), 517–524.

https://doi.org/10.17485/ijst/2014/v7i4.12

Brownlee, J. (2019). Deep learning for computer vision. Retrieved 23 May 2022. Retrieved from https://machinelearningmastery.com/how-to-configure-image-data-augmentation-when-training-deep-learning-neural-networks/

Fawcett, R. S., Thomas, M., & Daniel, L. (2004). Nail abnormalities: Clues to systemic disease. American Family Physician, 69(6), 1417-1424.

https://www.aafp.org/pubs/afp/issues/2004/0315/p1417.html

Nasritha, K., Kerdprasop, K., & Kerdprasop, N. (2018). Comparison of sampling techniques for imbalanced data classification. Journal of Applied Informatics and Technology, 1(1), 20–37. https://ph01.tci-thaijo.org/index.php/jait/article/view/90569