การจำแนกภาพพระเครื่องเบญจภาคีด้วยดีฟเลิร์นนิ่ง
Article Sidebar
Main Article Content
บทคัดย่อ
พระเครื่องเป็นสัญลักษณ์วัตถุทางความเชื่อและศาสนาที่มีความขลังและหาดูยาก บางองค์เห็นได้เฉพาะภาพถ่าย ผู้ที่ไม่ได้ศึกษาจะไม่สามารถทราบชื่อหรือจำแนกองค์พระเครื่องได้ ปัจจุบันการรู้จำภาพด้วยเทคโนโลยีการเรียนรู้ของเครื่องจักรพัฒนาขึ้นอย่างรวดเร็ว ดีฟเลิร์นนิ่งเป็นหนึ่งในเทคโนโลยีที่ช่วยให้คอมพิวเตอร์สามารถรู้จำภาพได้อย่างแม่นยำ การพัฒนาโมเดลที่เหมาะสมกับการรู้จำภาพจะช่วยสร้างระบบอัตโนมัติสำหรับจำแนกองค์พระเครื่องเบญจภาคีได้ งานวิจัยนี้จึงเสนอการประยุกต์ใช้ดีฟเลิร์นนิ่งแบบ convolutional neural network (CNNs) สำหรับจำแนกภาพพระเครื่องเบญจภาคี วัตถุประสงค์เพื่อพัฒนาสถาปัตยกรรมดีฟเลิร์นนิ่งที่เหมาะสมกับการรู้จำองค์พระเครื่องเบญจภาคีให้ระบบสามารถจำแนกภาพได้อย่างแม่นยำให้กับผู้สนใจที่ไม่ทราบและไม่สามารถจำแนกองค์พระเครื่องแต่ละองค์ได้ การทดลองให้เครื่องคอมพิวเตอร์เรียนรู้ภาพพระเครื่องเบญจภาคีแต่ละองค์ๆ ละ 100 ภาพ รวมทั้งหมด 500 ภาพ และทดลองจำแนกภาพพระเครื่องที่นำเข้าใหม่จำนวน 50 ภาพ จากการทดลองพบว่าสถาปัตยกรรม convolution ขนาด 3 ชั้น ให้ผลลัพธ์ดีที่สุด การวัดค่าประสิทธิภาพสามารถจำแนกภาพพระสมเด็จ ภาพพระนางพญา ภาพพระรอดและภาพพระซุ้มกอถูกต้อง 80 เปอร์เซ็นต์ ส่วนภาพพระผงจำแนกถูกต้อง 70 เปอร์เซ็นต์ ซึ่งความแตกต่างระหว่างภาพองค์พระเครื่องเบญจภาคีที่เป็นเอกลักษณ์แตกต่างกันอย่างชัดเจนทำให้สามารถจำแนกภาพได้อย่างแม่นยำ แต่ถึงอย่างไรความแม่นยำจะขึ้นอยู่กับจำนวนภาพที่นำมาเรียนรู้ซึ่งโมเดลที่นำเสนอนี้อาจจะเหมาะสมกับภาพที่ผู้วิจัยนำมาทดสอบเท่านั้น ดังนั้นผู้ที่สนใจในการรู้จำภาพอาจจะต้องพัฒนาโมเดลที่เหมาะสมกับภาพที่นำมาทดลองต่อไป
Article Details
ต้นฉบับที่ได้รับการตีพิมพ์ถือเป็นสิทธิของเจ้าของต้นฉบับและของวารสารวิชาการ มทร.สุวรรณภูมิ เนื้อหาบทความในวารสารเป็นแนวคิดของผู้แต่ง มิใช่เป็นความคิดเห็นของคณะกรรมการการจัดทำวารสาร และมิใช่ความรับผิดชอบของมหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ
เอกสารอ้างอิง
Fugthong, P., & Meesad, P. (2013). Buddha amulet information retrieval using digital images combined with feature extraction and K-nearest neighbor techniques. Information Technology Journal, 9(2), 34-40. (in Thai)
Korbuakaew, C. (2007). Identification of amulets with special feature matching (Master’s thesis). Silpakorn University, Bangkok. (in Thai)
Krizhevsky, A., Sutskever, I., & Hinton, G. (2012). ImageNet classification with deep convolutional neural networks. In F. Pereira (Ed.), NIPS’12 Proceedings of the 25th International Conference on Neural Information Processing Systems (pp. 1097-1105). Nevada: Curran Associates Inc.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature International journal of science, 521, 436-444.
Lin, M., Chen, Q., & Yan, S. (2014). Network in network. In Y. Bengio (Ed.), International Conference on Learning Representations 2014 (ICLR 2014). Banff: ICLR.
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting. J. Mach. Learn. Res., 15, 1929-1958.
Noord, N., & Postma, E. (2016). Learning scale-variant and scale-invariant features for deep image classification. Retrieved 7 April 2019, from https:// arXiv:1602.01255.pdf
Orlando, J. I., Prokofyeva, E., del Fresno, M., & Blaschko, M. B. (2017). An ensemble deep learning based approach for red lesion detection in fundus images. Comput Methods Programs Biomed, 153, 115-127.
Phawattanakul, K. (2012). Suggestion Mining from reviewers’ reviews of television programs (Master’s thesis). National Institute of Development Administration.
Phinitsap, S. (2012). Education for the sake of creativity: Case the degeneration in the faith on the Buddha series five parties in Thai society (Master’s thesis). Srinakharinwirot University, Bangkok.
Remez, T., Litany, O., Giryes, R., & Bronstein, A. M. (2017). Deep convolution denoising of low-light images. Retrieved 7 April 2019, from https://arxiv.org/pdf/1701.01687.pdf
Sivaramakrishnan, R., Antani, S., & Jaeger, S. (2017). Visualizing Deep Learning Activations for Improved Malaria Cell Classification. In Proceedings of First workshop Medical Informatics and Healthcare, Machine Learning Research vol.69 (pp. 40-47). Halifax Canada: Machine Learning Research.
Springenberg, J. T., Dosovitskiy, A., Brox, T. & Riedmiller, M. (2015). Striving for simplicity: The all convolutional net. In Y. Bengio (Ed.), International Conference on Learning Representations 2015 (ICLR 2015) Workshop Track. San Diego: ICLR.
Thai Buddha Image Admiration Association. (2019). Genesis of the Benjapakee Buddha Amulet. Retrieved 7 April 2019, from https://www.samakomphra.com (in Thai)
