การใช้โครงข่ายประสาทเทียมแบบคอนโวลูชั่นทำนายภาษากายของคน สำหรับการควบคุมหุ่นยนต์
Article Sidebar
Main Article Content
บทคัดย่อ
ปัจจุบันมีการใช้ปัญญาประดิษฐ์มาช่วยงานในหลายเรื่องและบ่อยครั้งที่จำเป็นต้องใช้กล้องร่วมกับปัญญาประดิษฐ์เพื่อให้เป้าหมายลุล่วงไปได้ โดยทั่วไปหุ่นยนต์จะใช้การควบคุมอัตโนมัติหรือการควบคุมผ่านตัวควบคุม อย่างไรก็ตามความอิสระและเป็นธรรมชาติค่อนข้างน้อย งานวิจัยนี้จึงได้นำเสนอการใช้โครงขายประสาทเทียมแบบคอนโวลูชั่นทำนายภาษากายของคนสำหรับควบคุมหุ่นยนต์ขับเคลื่อนสองล้อเพื่อเพิ่มความอิสระในการควบคุม หลักการทำงานคือกล้องจะทำการรับภาพและส่งไปยังคอมพิวเตอร์ ท่าทางที่ประมาณได้จะถูกส่งเป็นสัญญาณไร้สายจากคอมพิวเตอร์ไปยังหุ่นยนต์เพื่อให้ทำงานตามคำสั่ง การทดลองจะใช้ภาพจากกล้องหลายชนิดในการเก็บภาพสำหรับทำการฝึกปัญญาประดิษฐ์ เมื่อได้ค่าน้ำหนักที่ใช้ในการทดลองแล้ว ระบบจะถูกปรับปรุงเพื่อให้สามารถทำงานแบบเวลาจริง ผลที่ได้คือใช้เวลาในการประมวลผลแต่ละภาพโดยเฉลี่ย 0.05 วินาที ค่าความถูกต้องอยู่ที่ 80 เปอร์เซ็นต์
Article Details
References
Kijdech D. (2020). Weed Classification by Using Convolution Neural Network for Studying and
Weed Eliminate Robot, The 7th SAU National Interdisciplinary Conference 2020, 29-30 May 2020.
Kijdech D. and Vongbunyong S. (2021). Artificial Intelligence in Localization and Classification of Cactus for Automatic Watering Works, The 8th SAU National Interdisciplinary Conference 2021, 4-5 June 2021.
Kuznetsova A., Maleva T. and Soloviev V., (2020). “Detecting Apples in Orchards Using YOLOv3 and YOLOv5 in General and Close-Up Images,” Advances in Neural Networks – ISNN, pp. 233-243.
Yang G., Feng W., Jin J., Lei Q., Li X., Gui G. and Wang W., (2020). “Face Mask Recognition System with YOLOV5 Based on Image Recognition,” IEEE 6th International Conference on Computer and Communications (ICCC), Chengdu, China, pp. 1398-1404.
Benjdira B., Khursheed T., Koubaa A., Ammar A. and Ouni K., (2019). “Car Detection using Unmanned Aerial Vehicles: Comparison between Faster R-CNN and YOLOv3,” Proceedings of the 1st International Conference on Unmanned Vehicle Systems (UVS), Muscat, Oman, 5-7 February.
Tian Y., Yang G., Wang Z., Wang H., Li E. and Liang Z., (2019). “Apple detection during different growth stages in orchards using the improved YOLO-V3 model,” Computers and Electronics in Agriculture 157, pp. 417-426.
Jiang Z., Zhao L., Li S. and Jia Y., (2020). “Real-time object detection method based on improved YOLOv4-tiny,” Computer Vision and Pattern Recognition.
He K., Gkioxari G., Dollar P. and Girshick R. (2021). Mask R-CNN, Proceedings of the IEEE International Conference on Computer Vision (ICCV), 2017, pp. 2961-2969
Myint C., and Nu Win N., (2016). “Position and Velocity control for Two-Wheel Differential Drive Mobile Robot,” International Journal of Science, Engineering and Technology Research (IJSETR) Volume 5, Issue 9, September 2016.
Mondada F., Franzi E. and Ienne P., (2005) “Mobile robot miniaturisation: A tool for investigation in control algorithms,” Experimental Robotics III, pp. 501–513.
Desouza G. N. and Kak A. C., (2002). “Vision for mobile robot navigation: a survey,” IEEE Transactions on Pattern Analysis and Machine Intelligence, 24(2), pp. 237–267.
Yang G., Feng W., Jin J., Lei Q., Li X., Gui G. and Wang W., “Face Mask Recognition System with YOLOV5 Based on Image Recognition,” IEEE 6th International Conference on Computer and Communications (ICCC), Chengdu, China, 2020, pp. 1398-1404.
Dlužnevskij D., Stefanovič P. and Ramanauskaite S., (2021). “Investigation of YOLOv5 Efficiency in iPhone Supported Systems,” Baltic Journal of Modern Computing , 9(3), pp. 333-344.