| ชื่อบทความ |
การแบ่งส่วนภาพปลานิลสองขั้นตอนโดยใช้การเรียนรู้อย่างลึกด้วยเครือข่ายคอนโวลูชันพีระมิดเชิงพื้นที่
|
|
|
|
| ชื่อผู้แต่ง |
เพชรรัช ปะระไทย(1), นฤพร เต็งไตรรัตน์(1*) และ ชัชวาลย์ ชัยชนะ(2) (Phetcharat Parathai(1), Naruephorn Tengtrairat(1*) and Chatchawan Chaichana(2))
|
| หน่วยงาน |
สาขาวิชาวิศวกรรมซอฟต์แวร์ มหาวิทยาลัยพายัพ(1) และ ภาควิชาวิศวกรรมเครื่องกล คณะวิศวกรรมศาสตร์ มหาวิทยาลัยเชียงใหม่(2) (School of Software Engineering, Payap University(1) and Department of Mechanical Engineering, Faculty of Engineering, Chiang Mai University(2) *Corresponding author: naruephorn_t@payap.ac.th
|
| ชื่อวารสาร |
วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 10 ฉบับที่ 2 พฤษภาคม – สิงหาคม 2567
|
| บทคัดย่อ |
ปลานิลเป็นปลาที่สำคัญที่สุดในอุตสาหกรรมการเลี้ยงสัตว์น้ำของประเทศไทย งานวิจัยนี้เสนอ วิธีการการสร้างแบบจำลอง Tilapia Image Segmentation ด้วยวิธีการเรียนรู้อย่างลึกด้วยเครือข่ายคอนโวลูชันพีระมิดเชิงพื้นที่โดยใช้ YOLOv8 เพื่อระบุพิกเซลของปลานิลที่ว่ายอยู่ในน้ำขุ่น โดยสร้างชุดรูปภาพปลานิลในน้ำจากกล้องบันทึกภาพใต้น้ำ กระบวนการฝึกฝน Tilapia Image Segmentation แบบ Supervised Deep Transferred Learning การวิเคราะห์โครงสร้างแบบจำลอง YOLOv8 และเปรียบเทียบประสิทธิภาพการแบ่งส่วนภาพปลานิลระหว่างแบบจำลองจากวิธี YOLOv8 และวิธี Mask R-CNN จากผลการทดสอบแสดงให้เห็นว่า แบบจำลองแบ่งกลุ่มพิกเซลปลานิลของวิธี YOLOv8 มีความแม่นยำในการแบ่งส่วนภาพปลานิลในหลากหลายมุมมอง ได้ดีกว่าแบบจำลองที่สร้างด้วยวิธี Mask R-CNN ถึงร้อยละ 6 ของค่าเฉลี่ยความแม่นยำ วิธี YOLOv8 ใช้จำนวนชุดคำสั่งในการฝึกฝนเรียนรู้ของแบบจำลองน้อยกว่าวิธี Mask R-CNN ถึงร้อยละ 54.6 และมีค่าพื้นที่ใต้เส้นโค้ง (Area Under the Curve: AUC) ที่ระดับ 0.988 นอกจากนี้วิธี YOLOv8 สามารถแบ่งพิกเซลของปลานิลจากรูปภาพที่มีความขุ่นของน้ำและความไม่ชัดเจนของตัวปลาได้ โดยไม่มีกระบวนการรปรับปรุงคุณภาพของรูปภาพ
|
| คำสำคัญ |
การแบ่งส่วนภาพ, การเรียนรู้เชิงลึก YOLO, การเรียนรู้ของเครื่อง, วิสัยทัศน์คอมพิวเตอร์
|
| ปี พ.ศ. |
2567
|
| ปีที่ (Vol.) |
10
|
| ฉบับที่ (No.) |
2
|
| เดือนที่พิมพ์ |
พฤษภาคม - สิงหาคม
|
| เลขที่หน้า (Page) |
14-31
|
| ISSN |
ISSN 3027-7280 (Online)
|
| DOI |
10.14456/mitij.2024.10
|
| ORCID_ID |
0000-0002-4712-9923
|
| ไฟล์บทความ |
https://mitij.mju.ac.th/ARTICLE/R67022.pdf
|
| | |
| เอกสารอ้างอิง | |
| |
กลุ่มสถิติการประมง กองนโยบายและแผนพัฒนาการประมง. (2565). ประมาณการผลผลิตและมูลค่าสัตว์น้ำจากการประมงของประเทศไทย พ.ศ. 2565 - 2568. [ระบบออนไลน์]. แหล่งที่มา https://www4.fisheries.go.th/local/file_document/20230322114403_1_file.pdf
|
| |
Cheng, R., Zhang, C., Xu, Q., Liu, G., Song, Y., Yuan, X., & Sun, J. (2020). Underwater Fish Body Length Estimation Based on Binocular Image Processing. Information, 11, 476. doi: 10.3390/info11100476
|
| |
Elfwing, S., Uchibe, E., & Doya, K. (2018). Sigmoid-weighted linear units for neural network function approximation in reinforcement learning. Neural Networks, 107, 3-11.
|
| |
Hong Khai, T.; Abdullah, S.N.H.S.; Hasan, M.K.; Tarmizi, A. Underwater Fish Detection and Counting Using Mask Regional Convolutional Neural Network. Water 2022, 14, 222.
|
| |
Huang, A., Jiang, L., Zhang, J., & Wang, Q. (2022). Attention-VGG16-UNet: a novel deep learning approach for automatic segmentation of the median nerve in ultrasound images. Quantitative Imaging In Medicine And Surgery, 12(6), 3138-3150.
|
| |
Li, J., Chen, L., Shen, J., Xiao, X., Liu, X., Sun, X., Wang, X., & Li, D. (2023). Improved neural network with spatial pyramid pooling and online datasets preprocessing for underwater target detection based on side scan sonar imagery. Remote Sensing, 15(2), 440.
|
| |
Lin, T.-Y., Goyal, P., Girshick, R., He, K., & Doll?r, P. (2017). Focal Loss for Dense Object Detection. In 2017 IEEE International Conference on Computer Vision (ICCV) (pp. 2999-3007). Venice, Italy: IEEE. https://doi.org/10.1109/ICCV.2017.324.
|
| |
Loffe, S., & Szegedy, C. (2015). Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift. Proceedings of the 32nd International Conference on Machine Learning (pp. 37:448-456). Available from https://proceedings.mlr.press/v37/ioffe15.html.
|
| |
Tengtrairat, N.; Woo, W.L.; Parathai, P.; Rinchumphu, D.; Chaichana, C. Non-Intrusive Fish Weight Estimation in Turbid Water Using Deep Learning and Regression Models. Sensors 2022, 22, 5161.
|
| |
Wageeh, Y., Mohamed, H.ED., Fadl, A., El-Sayed, H.M., & El-Mahdy, M. (2021). YOLO fish detection with Euclidean tracking in fish farms. Journal of Ambient Intelligence and Humanized Computing, 12, 5-12.
|
| |
Ultralytics. (2023). Brief summary of YOLOv8 model structure. [ระบบออนไลน์]. แหล่งที่มา https://github.com/ultralytics/ultralytics/issues/189.
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|