การเปรียบเทียบประสิทธิภาพการคัดแยกขยะขวดน้ำด้วยการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
ปัญหาขยะขวดน้ำเป็นปัญหาสำคัญส่งผลต่อระบบนิเวศ งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพการคัดแยกขยะขวดน้ำ โดยใช้การเรียนรู้เชิงลึก (Deep learning) ด้วยเทคนิคโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolution neural network) จากชุดข้อมูลขยะขวดน้ำ (Water bottle waste dataset) จำนวน 6 คลาส จำนวนทั้งสิ้น 841 ภาพ ขั้นตอนแรกเป็นการเปรียบเทียบประสิทธิภาพเพื่อหาโมเดลที่ดีที่สุดจากโครงข่ายประสาทเทียมแบบคอนโวลูชัน 3 สถาปัตยกรรม ได้แก่ EfficientNetVB0, EfficientNetV2B1 และ EfficientNetV2B3 พบว่า EfficientNetV2B1 มีค่าความถูกต้อง (Accuracy) สูงที่สุด 98.30% จากนั้นปรับปรุงประสิทธิภาพด้วยการเพิ่มเลเยอร์ในโครงข่ายที่มีการเชื่อมถึงกันหมด (Fully connected layer) กับสถาปัตยกรรมทั้ง 3 แบบ พบว่า ค่าความผิดพลาด (Loss) ของทั้ง 3 สถาปัตยกรรมลดลงเมื่อเปรียบเทียบกับวิธีที่ไม่เพิ่มเลเยอร์ ซึ่ง EfficientNetV2B3 ด้วยวิธีเพิ่มเลเยอร์มีค่าความถูกต้องมากที่สุด 98.59% และขั้นตอนสุดท้ายได้นำโมเดลที่ดีที่สุด คือ EfficientNetV2B3 ไปทดสอบกับข้อมูลทดสอบ (Testing set) ได้ค่าความถูกต้อง 97.16% และค่าความผิดพลาด 0.08
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เจ้าของลิขสิทธิ์ (สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์) ผู้เขียน ตกลงว่าการทำสำเนาบทความหรือส่วนใดส่วนหนึ่งของบทความดังกล่าวในรูปแบบสิ่งพิมพ์หรืออิเล็กทรอนิกส์ตามที่ได้รับอนุญาต จะต้องระบุประกาศลิขสิทธิ์ตามที่กำหนดไว้ในวารสาร พร้อมทั้งอ้างอิงข้อมูลฉบับสมบูรณ์ของบทความที่ตีพิมพ์ในวารสารที่จัดทำโดย สถาบันวิจัยและพัฒนา มหาวิทยาลัยกาฬสินธุ์ อย่างครบถ้วนทุกครั้ง
เอกสารอ้างอิง
Majchrowska S, Mikołajczyk A, Ferlin M, Klawikowska Z, Plantykow MA, Kwasigroch A, et al. Deep learning-based waste detection in natural and urban environments. Waste Management 2022;138:274–84. https://doi.org/10.1016/j.wasman.2021.12.001.
Armitage S, Awty-Carroll K, Clewley D, Martinez-Vicente V. Detection and classification of floating plastic litter using a vessel-mounted video camera and deep learning. Remote Sens (Basel) 2022;14:3425. https://doi.org/10.3390/rs14143425.
Sai Susanth G, Jenila Livingston LM, Agnel Livingston LGX. Garbage waste segregation using deep learning techniques. IOP Conf Ser Mater Sci Eng 2021;1012:012040. https://doi.org/10. 1088/1757-899X/1012/1/012040.
Fadlil A, Umar R, Sunardi ., Nugroho AS. Comparison of machine learning approach for waste bottle classification. Emerging Science Journal 2022;6:1075–85. https://doi.org/10.28991/ESJ-2022-06-05-011.
Chazhoor AAP, Ho ESL, Gao B, Woo WL. Deep transfer learning benchmark for plastic waste classification. Intelligence & Robotics 2022;2:1–19. https://doi.org/10.20517/ir.2021.15.
Liu W, Ouyang H, Liu Q, Cai S, Wang C, Xie J, et al. Image recognition for garbage classification based on transfer learning and model fusion. Math Probl Eng 2022;2022:1–12. https://doi.org/ 10.1155/2022/4793555.
Tan M, Le Q V. EfficientNetV2: Smaller models and faster training. Proceedings of the 38th International Conference on Machine Learning (PMLR), 2021;10096–10096.
ชลรวี หาญลำยวง. การคาดการณ์ดัชนีราคาหุ้นตลาดหลักทรัพย์แห่งประเทศไทยโดยใช้มะชีนเลิร์นนิงเทคนิค. (สารนิพนธ์ปริญญาการจัดการมหาบัณฑิต). วิทยาลัยการจัดการ มหาวิทยาลัยมหิดล, 2562.
ภานุพงษ์ ร่องอ้อ. ผลกระทบของการทำการสกัดคุณลักษณะของข้อมูลและการแทนที่ข้อมูลกับแบบจำลองพยากรณ์ฝุ่นละออง PM2.5 สำหรับบริเวณกรุงเทพมหานคร. (ปริญญานิพนธ์วิทยาศาสตรมหาบัณฑิต). สาขาวิชาเทคโนโลยีสารสนเทศ คณะวิทยาศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ, 2562.
Zhao Z-Q, Zheng P, Xu S, Wu X. Object detection with deep learning: A review. IEEE Trans Neural Netw Learn Syst 2019;30:3212–32.
Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition. ArXiv Preprint ArXiv:14091556 2014.
Tan M, Le Q. Efficientnet: Rethinking model scaling for convolutional neural networks. International conference on machine learning, PMLR; 2019;6105–14.
Srinath KR. Python–the fastest growing programming language. International Research Journal of Engineering and Technology 2017;4:354–7.
เธียรศักดิ์ พลาดิศัยเลิศ, ธนิศา นุ่มนนท์. การเปรียบเทียบโมเดลการเรียนรู้ของเครื่องแบบต่าง ๆ สำหรับการทำนายราคาบิทคอยน์. วารสารเทคโนโลยีสารสนเทศลาดกระบัง 2561;6:1–9.
Arantes PR, Polêto MD, Pedebos C, Ligabue-Braun R. Making it rain: Cloud-based molecular Simulations for everyone. J Chem Inf Model 2021;61:4852–6. https://doi.org/10.1021/acs. jcim.1c00998.
Lei C, Hu B, Wang D, Zhang S, Chen Z. A preliminary study on data augmentation of deep learning for image classification. Proceedings of the 11th Asia-Pacific Symposium on Internetware, New York, NY, USA: ACM; 2019;1–6. https://doi.org/10.1145/3361242. 3361259.
Zhu Q, He Z, Zhang T, Cui W. Improving classification performance of softmax loss function based on scalable batch-normalization. Applied Sciences 2020;10:2950. https://doi.org/10. 3390/app10082950.
Bjorck J, Weinberger KQ, Gomes C. Understanding Decoupled and Early Weight Decay. Proceedings of the AAAI Conference on Artificial Intelligence 2021;35:6777–85. https://doi.org/ 10.1609/aaai.v35i8.16837.
Garbin C, Zhu X, Marques O. Dropout vs. batch normalization: an empirical study of their impact to deep learning. Multimed Tools Appl 2020;79:12777–815. https://doi.org/10.1007/ s11042-019-08453-9.
