| ชื่อบทความ |
ระบบจำแนกสภาพอากาศโดยใช้เทคโนโลยีการเรียนรู้เชิงลึกสำหรับกล้องถ่ายภาพทั่วท้องฟ้าของสถาบันวิจัยดาราศาสตร์แห่งชาติ (องค์การมหาชน)
|
| ชื่อบทความ(English) |
Weather Classification System using Deep Learning Technology for National Astronomical Research Institute of Thailand SkyCamera
|
|
|
|
| ประเภทบทความ |
บทความวิจัย
|
| ชื่อผู้แต่ง |
กณิศนันท์ ทองสกุล(1), กฤษฏา ปาลี(3), พยุงศักดิ์ เกษมสำราญ(1), ปวีณ เขื่อนแก้ว(1), สมชาย อารยพิทยา(2) และ ภานุวัฒน์ เมฆะ1(*) (Kanitnan Thongsakul(1), Krisada Palee(3), Payungsak Kasemsumran(1), Paween Khoenkaw(1), Somchai Arayapitaya(2) and Panuwat Mekha(1*))
|
| หน่วยงาน |
สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์ มหาวิทยาลัยแม่โจ้ 50290 ประเทศไทย(1), กองเทคโนโลยีดิจิทัล สำนักงานมหาวิทยาลัย มหาวิทยาลัยแม่โจ้ 50290 ประเทศไทย(2), ห้องปฏิบัติการหอดูดาว สถาบันวิจัยดาราศาสตร์แห่งชาติ (องค์การมหาชน) 50180 ประเทศไทย(3) (Department of Computer Science, Faculty of Science, Maejo University, Chiangmai, Thailand, 50290(1), Technology Digital Division, Office of University, Maejo University, 50290 Thailand(2), Observatory Laboratory, National Astronomical Research Institute of Thailand (Public Organization), 50180, Thailand(3)) *Corresponding author: panuwat_m@mju.ac.th
|
| ชื่อวารสาร |
วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 11 ฉบับที่ 2 พฤษภาคม – สิงหาคม 2568
|
| บทคัดย่อ |
ระบบจำแนกสภาพอากาศโดยใช้เทคโนโลยีการเรียนรู้เชิงลึกสำหรับกล้องถ่ายภาพทั่วท้องฟ้าของสถาบันวิจัยดาราศาสตร์แห่งชาติ (องค์การมหาชน) มีวัตถุประสงค์เพื่อนำข้อมูลของรูปถ่ายทางท้องฟ้าที่ถูกเก็บอยู่ในฐานข้อมูลอย่างต่อเนื่อง มาฝึกสอนเพื่อสร้างระบบปัญญาประดิษฐ์ในการจำแนกสภาพอากาศ เพื่อเพิ่มความแม่นยำในการแสดงสถานะของท้องฟ้า ได้แก่ ท้องฟ้าแจ่มใส มีเมฆ มืดครึ้ม และฝนตก โดยการใช้อัลกอริทึมแบบการเรียนรู้เชิงลึก โดยให้ค่าความถูกต้องร้อยละ 96.67 ด้วยวิธีการจำแนกภาพด้วยโครงข่ายประสาทแบบคอนโวลูชั่น ซึ่งมีพื้นฐานมาจากการใช้โครงข่ายประสาทเทียมที่สามารถเรียนรู้และวิเคราะห์ข้อมูลที่ซับซ้อนได้อย่างมีประสิทธิภาพ โดยระบบสามารถประมวลผลและจำแนกสถานะของท้องฟ้าได้แบบเรียลไทม์ตามสถานที่และเวลาที่กำหนด รวมทั้งสามารถเก็บข้อมูลเพื่อนำไปแสดงผ่านกราฟเพื่อให้ผู้ใช้งานสามารถทราบข้อมูลเกี่ยวกับสถานะท้องฟ้าที่เกิดขึ้นในแต่ละช่วงเวลา อีกทั้งระบบสามารถดูข้อมูลย้อนหลังตามวันที่ เวลา สถานที่ ที่ผู้ใช้งานต้องการทราบได้ อีกทั้งเป็นประโยชน์อย่างยิ่งในการศึกษาและวิเคราะห์สภาพอากาศ รวมถึงปรากฏการณ์ทางดาราศาสตร์ต่างๆ ต่อไปได้
|
| คำสำคัญ |
ภาพถ่ายท้องฟ้า; กล้องถ่ายภาพทั่วท้องฟ้า; การจำแนกสภาพอากาศ; การเรียนรู้เชิงลึก
|
| ปี พ.ศ. |
2568
|
| ปีที่ (Vol.) |
11
|
| ฉบับที่ (No.) |
2
|
| เดือนที่พิมพ์ |
พฤษภาคม - สิงหาคม
|
| เลขที่หน้า (Page) |
289-308
|
| ISSN |
ISSN 3027-7280 (Online)
|
| DOI |
|
| ORCID_ID |
0009-0003-0971-3090
|
| ไฟล์บทความ |
https://mitij.mju.ac.th/ARTICLE/R68019I.pdf
|
| | |
| เอกสารอ้างอิง | |
| |
ภานุวัฒน์ เมฆะ, พฤติพงศ์ มุสิกอง, ณัฐภาส ผลากอง, พาสน์ ปราโมกข์ชน และ พยุงศักดิ์ เกษม
สำราญ. (2566). การเปรียบเทียบประสิทธิภาพของโมเดลจำแนกภาพสำหรับโรคใบ ข้าวโพด. วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม, 9(2), 1-16.
|
| |
ภานุวัฒน์ เมฆะ, ณัฐณิชา ตียะสุขเศรษฐ์, คึกฤทธิ์ โอสถานนต์กุล (2567). การเปรียบเทียบ
ประสิทธิภาพด้วยเครือข่ายประสาทเทียมจากการกำหนดค่าการเรียนรู้แบบต่าง ๆ สำหรับจำแนกภาพประเภทโรคอัลไซเมอร์ในมนุษย์. วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม, 10(4), 1-18.
|
| |
ภานุวัฒน์ เมฆะ, ณัฐณิชา ตียะสุขเศรษฐ์ (2567). การเปรียบเทียบประสิทธิภาพของอัลกอริทึม
จำแนกภาพสำหรับโรคตาในมนุษย์. วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม, 10(3), 1-16.
|
| |
Chen, J. (2019). Deep learning for handwritten digits recognition using MATLAB
toolbox [Master's thesis, University of Victoria]. UVicSpace. http://hdl.handle.net/1828/11353
|
| |
Ichim, L., & Popescu, D. (2017). Retinal image segmentation based on weighted
local detectors and confusion matrix. IEEE Transactions on Signal Processing, 65(15), 4053-4064.
https://doi.org/10.1109/TSP.2017.8076068
|
| |
Hugo, Vega-Huerta., Kevin, Renzo, Pantoja-Pimentel., Sebastian, Yimmy, Quintanilla
Jaimes., Gisella, Luisa, Elena, Maquen-Ni?o., Percy, De-La-Cruz-VdV., Luis, Guerra-Grados. (2024). Classification of Alzheimer’s Disease Based on Deep Learning Using Medical Images. International Journal of Online Engineering (ijoe), doi: 10.3991/ijoe.v20i10.49089
|
| |
L. -W. Kang, K. -L. Chou and R. -H. Fu, Deep Learning-Based Weather Image
Recognition. 2018 International Symposium on Computer, Consumer and Control (IS3C), Taichung, Taiwan, 2018, pp. 384-387,
doi: 10.1109/IS3C.2018.00103.
|
| |
MathWorks. (n.d.). Deep Learning Toolbox. MathWorks. ค้นจาก
https://ch.mathworks.com/products/deep-learning.html
|
| |
MathWorks. (n.d.). Train Deep Learning Model in MATLAB. MathWorks. ค้นจาก
https://ch.mathworks.com/help/deeplearning/ug/training-deep-learning-models-in-matlab.html
|
| |
P. Mekha and N. Teeyasuksaet, Image Classification of Rice Leaf Diseases Using
Random Forest Algorithm. 2021 Joint International Conference on Digital Arts, Media and Technology with ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunication Engineering, Cha-am, Thailand, 2021, pp. 165-169, doi: 10.1109/ECTIDAMTNCON51128.2021.9425696.
|
| |
Mekha, P., & Teeyasuksaet, N. (2019, January). Deep learning algorithms for
predicting breast cancer based on tumor cells. In 2019 Joint International Conference on Digital Arts, Media and Technology with ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunications Engineering (ECTIDAMT-NCON) (pp. 343-346). IEEE.
|
| |
Mekha, P., Teeyasuksaet, N., Sompowloy, T., & Osathanunkul, K. (2022). Honey bee
sound classification using spectrogram image features. In 2022 Joint International Conference on Digital Arts, Media and Technology with ECTI Northern Section Conference on Electrical, Electronics, Computer and Telecommunications Engineering (ECTI DAMT & NCON) (pp. 205–209). IEEE.
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|
| |
|