การระบุลักษณะทางกายภาพของยานพาหนะโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ
วิทยาศาสตรมหาบัณฑิต (วิทยาการข้อมูล),2566
Saved in:
| Main Author: | |
|---|---|
| Other Authors: | |
| Format: | Theses and Dissertations |
| Language: | Thai |
| Published: |
มหาวิทยาลัยสงขลานครินทร์
2024
|
| Subjects: | |
| Online Access: | http://kb.psu.ac.th/psukb/handle/2016/19603 |
| Tags: |
Add Tag
No Tags, Be the first to tag this record!
|
| Institution: | Prince of Songkhla University |
| Language: | Thai |
| id |
th-psu.2016-19603 |
|---|---|
| record_format |
dspace |
| spelling |
th-psu.2016-196032024-11-06T07:37:45Z การระบุลักษณะทางกายภาพของยานพาหนะโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ Vehicle Physical Appearance Identification Using Convolutional Neural Network คหบดี ประกอบชาติ ขวัญกมล ดิฐกัญจน์ College of Digital Science โครงการจัดตั้งวิทยาลัยวิทยาศาสตร์ดิจิทัล การเรียนรู้เชิงลึก การตรวจจับวัตถุ ยานพาหนะการตรวจจับลักษณะกายภาพ โครงข่ายประสาทเทียมแบบสังวัตนาการ วิทยาศาสตรมหาบัณฑิต (วิทยาการข้อมูล),2566 Traffic rule violations by drivers are a significant global concern, particularly in urban areas, as they contribute to increasing traffic accidents. This study proposed a novel approach to identifying vehicles involved in such violations by building vehicle detection model using image processing and machine learning techniques. The research focused on three key vehicle characteristics: type, colour, and brand. The study employed a transfer learning mechanism as the machine learning method to generate the prediction models. The results revealed that the YOLO V8 achieved the highest accuracy in predicting vehicle type and colour, with an accuracy of 83 % and 79 %, respectively. Comparatively, YOLO V7, YOLO V6, YOLO V5, YOLO V4, and YOLO V3 achieved lower accuracies. In terms of predicting vehicle brand, the YOLO V8 achieved an accuracy of 78 %, surpassing the accuracies of the YOLO V7, YOLO V6, YOLO V5, YOLO V4 and YOLO V3. These findings demonstrated the potential of image processing and machine learning techniques in accurately identifying vehicles involved in traffic violations and highlighted the opportunity to develop effective strategies to reduce the number of traffic accidents caused by rule violations.This research has significant implications for enhancing road safety and promoting advanced technologies to address real-world problems. การละเมิดกฎจราจรโดยผู้ขับขี่ยานพาหนะเป็นปัญหาสำคัญระดับโลก โดยเฉพาะในเขตเมืองเพราะสิ่งเหล่านี้ทำให้เกิดอุบัติเหตุจราจรเพิ่มมากขึ้น การศึกษานี้เสนอแนวทางใหม่ในการระบุยานพาหนะที่เกี่ยวข้องกับการละเมิดกฎจราจรโดยการสร้างตัวโมเดลการตรวจจับยานพาหนะโดยใช้เทคนิคการประมวลผลภาพ และการเรียนรู้ของเครื่อง การวิจัยมุ่งเน้นไปที่คุณลักษณะสำคัญของยานพาหนะ 3 ประเภท ได้แก่ ประเภทยานพาหนะ สี และแบรนด์ งานวิจัยนี้ศึกษาการใช้เทคนิคการถ่ายโอนการเรียนรู้ซึ่งเป็นวิธีการเรียนรู้ของเครื่องสร้างตัวโมเดลการจำแนกผลการวิจัยพบว่า YOLO V8 มีความแม่นยำสูงสุดในการจำแนกการตรวจจับประเภท และสีของยานพาหนะ โดยมีความแม่นยำร้อยละ 83, และ 79 ตามลำดับ เมื่อเปรียบเทียบกับ YOLO V7, YOLO V6, YOLO V5, YOLO V4 และ YOLO V3 มีความแม่นยำต่ำตามลำดับ ส่วนในแง่ของการจำแนกการตรวจจับแบรนด์ของยานพาหนะ YOLO V8 มีความแม่นยำถึงร้อยละ 78 ซึ่งมีความแม่นยำมากกว่า YOLO V7, YOLO V6, YOLO V5, YOLO V4 และ YOLO V3 งานศึกษาวิจัยนี้แสดงให้เห็นถึงประสิทธิของเทคนิคการประมวลผลภาพ และการถ่ายโอนการเรียนรู้ของโมเดลในการระบุยานพาหนะที่เกี่ยวข้องกับการละเมิดกฎจราจรได้อย่างแม่นยำ และสามารถพัฒนาตัวโมเดลที่มีประสิทธิภาพในการลดจำนวนอุบัติเหตุจราจรที่เกิดจากการละเมิดกฎจราจร ผลที่ได้จากงานวิจัยนี้สามารถนำไปประยุกต์ใช้และต่อยอดในการเพิ่มความปลอดภัยทางถนนและส่งเสริมเทคโนโลยีเพื่อแก้ไขปัญหาในสถานการณ์จริง 2024-11-06T07:37:45Z 2024-11-06T07:37:45Z 2023 Thesis http://kb.psu.ac.th/psukb/handle/2016/19603 th Attribution-NonCommercial-NoDerivs 3.0 Thailand http://creativecommons.org/licenses/by-nc-nd/3.0/th/ application/pdf มหาวิทยาลัยสงขลานครินทร์ |
| institution |
Prince of Songkhla University |
| building |
Khunying Long Athakravi Sunthorn Learning Resources Center |
| continent |
Asia |
| country |
Thailand Thailand |
| content_provider |
Khunying Long Athakravi Sunthorn Learning Resources Center |
| collection |
PSU Knowledge Bank |
| language |
Thai |
| topic |
การเรียนรู้เชิงลึก การตรวจจับวัตถุ ยานพาหนะการตรวจจับลักษณะกายภาพ โครงข่ายประสาทเทียมแบบสังวัตนาการ |
| spellingShingle |
การเรียนรู้เชิงลึก การตรวจจับวัตถุ ยานพาหนะการตรวจจับลักษณะกายภาพ โครงข่ายประสาทเทียมแบบสังวัตนาการ คหบดี ประกอบชาติ การระบุลักษณะทางกายภาพของยานพาหนะโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ |
| description |
วิทยาศาสตรมหาบัณฑิต (วิทยาการข้อมูล),2566 |
| author2 |
ขวัญกมล ดิฐกัญจน์ |
| author_facet |
ขวัญกมล ดิฐกัญจน์ คหบดี ประกอบชาติ |
| format |
Theses and Dissertations |
| author |
คหบดี ประกอบชาติ |
| author_sort |
คหบดี ประกอบชาติ |
| title |
การระบุลักษณะทางกายภาพของยานพาหนะโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ |
| title_short |
การระบุลักษณะทางกายภาพของยานพาหนะโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ |
| title_full |
การระบุลักษณะทางกายภาพของยานพาหนะโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ |
| title_fullStr |
การระบุลักษณะทางกายภาพของยานพาหนะโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ |
| title_full_unstemmed |
การระบุลักษณะทางกายภาพของยานพาหนะโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ |
| title_sort |
การระบุลักษณะทางกายภาพของยานพาหนะโดยใช้โครงข่ายประสาทเทียมแบบสังวัตนาการ |
| publisher |
มหาวิทยาลัยสงขลานครินทร์ |
| publishDate |
2024 |
| url |
http://kb.psu.ac.th/psukb/handle/2016/19603 |
| _version_ |
1816860173187153920 |