การควบคุมเลเซอร์พอยเตอร์สำหรับการตรวจจับบุคคลด้วยการเรียนรู้เชิงลึก
Article Sidebar
เผยแพร่แล้ว:
มิ.ย. 21, 2022
คำสำคัญ:
การตรวจจับบุคคล การติดตามบุคคล การเรียนรู้เชิงลึก
Main Article Content
บทคัดย่อ
งานวิจัยนี้ได้นำ เสนอวิธีการพัฒนาระบบการติดตามบุคคลแบบอัตโนมัติ ในปัจจุบันระบบตรวจสอบวัตถุโดยใช้การเรียนรู้เชิงลึก สามารถทำ งานได้อย่างแม่นยำ มีการนำ ไปประยุกต์ใช้อย่างแพร่หลาย การติดตามวัตถุในภาพวิดีโอก็เป็นอีกตัวอย่างหนึ่งที่นำ ไปประยุกต์ใช้ ในงานวิจัยนี้จึงได้พัฒนาระบบการติดตามและระบุตัวบุคคลที่มีการประยุกต์ใช้การเรียนรู้เชิงลึก โดยการทำ งาน ของระบบประกอบด้วย 2 ขั้นตอน ขั้นตอนแรกจะใช้การเรียนรู้เชิงลึกตรวจสอบบุคคลภายในภาพที่ได้รับจากกล้องดิจิตอล จาก นั้นนำ ภาพบุคคลที่ถูกตรวจสอบได้มาคำ นวณหาจุดศูนย์กลาง ขั้นตอนสุดท้ายจะนำ จุดศูนย์กลางไปคำ นวณระยะการเคลื่อนที่ ในแนวแกนตั้งและแกนนอนของสเต็ปปิ้งมอเตอร์ การเคลื่อนที่ของมอเตอร์จะไปบังคับตัวเลเซอร์พอยเตอร์ให้ชี้ไปยังตัวบุคคล ที่ตรวจสอบได้ภายในภาพจากกล้องดิจิตอล โดยผลการทำ งานของระบบนี้สามารถทำ การชี้ไปยังตัวบุคคลที่ปรากฏภายในภาพ
Article Details
บท
Original Articles
References
Abadi, M., Agarwal, A., Barham, P., Brevdo, E., Chen, Z., Citro, C., Corrado, G. S., et al. (2015). TensorFlow: Large-Scale Machine Learning on Heterogeneous Systems. Retrieved from https://www.tensorflow.org/
Chinpanthana, N. (2010). Automatic Counting Objects System by using Template Matching with Normalized Correlation. Dhurakij Pundit University. Retrieved from http://libdoc.dpu.ac.th/research/138607.pdf
Chinpanthana, N., & Phiasai, T. (2017). Fast Normalized Cross Correlationfor Real Time Automatic Counting. RMUTT Journal. Retrieved from http://www.sci.rmutt.ac.th/stj/index.php/stj/article/view/243/189
Girshick, R. (2015). Fast R-CNN.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Hongboonmee, N., & Jantawong, N. (2020). Apply of Deep Learning Techniques to Measure the SweetnessLevel of Watermelon via Smartphone. Journal of Information Science and Technology, 10, 59–69. Retrieved from https://ph02.tci-thaijo.org/index.php/JIST/article/download/240500/163974/
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., et al. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications.
Inthanon, P., & Mungsing, S. (2020). The Ability Test of Model the Facial Landmark Detecting. PKRU SciTech Journal, 4. Retrieved from https://ph01.tci-thaijo.org/index.php/pkruscitech/article/download/240864/165536
Kajornrit, J., Chaipornkaew, P., & Chuan, N. T. M. (2017). An Application of Internet of Things Technology to Control theIllumination Systems in Smart Home. JOURNAL OF INFORMATION SCIENCE AND TECHNOLOGY, 7.
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector. Lecture Notes in Computer Science, 21–37. doi:10.1007/978-3-319-46448-0_2
Manokij, F. (2019). Thailand’s Precipitation Forecasting Using Deep Learning Approach. Chulalongkorn University. Retrieved from http://cuir.car.chula.ac.th/handle/123456789/65135
Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., et al. (2019). PyTorch: An Imperative Style, High-Performance Deep Learning Library. Advances in Neural Information Processing Systems 32 (pp. 8024–8035). Curran Associates, Inc. Retrieved from http://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf
Pohtongkam, S., & Srinonchat, J. (2018). Object Recognition for Humanoid Robot using Tactile image processing andArtificial Neural Network. Naresuan University Engineering Journal. Retrieved from https://ph01.tci-thaijo.org/index.php/nuej/article/view/100438/114975
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2019). MobileNetV2: Inverted Residuals and Linear Bottlenecks.
Saraphak, W., & Thaweewannakij, P. (2018). Real Time GPS Application with Track Team Location. Journal of Project in Computer Science and Information Technology, 4. Retrieved from https://ph02.tci-thaijo.org/index.php/project-journal/article/download/153087/111611/
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2015). Rethinking the Inception Architecture for Computer Vision.
Wongta, P. (2017). Vsion-Based Bus Route Number Reader. Chulalongkorn University. Retrieved from http://doi.org/10.14457/CU.the.2017.574
Yongying, N. (2019). A Deep Learning Approach on Road Detection from Unmanned AerialVehicle-Based Images in Rural Road Monitoring. Naresuan University. Retrieved from http://www.agi.nu.ac.th/nred/Document/is-PDF/2562/geo_2562_05_FullPaper.pdf
Chinpanthana, N. (2010). Automatic Counting Objects System by using Template Matching with Normalized Correlation. Dhurakij Pundit University. Retrieved from http://libdoc.dpu.ac.th/research/138607.pdf
Chinpanthana, N., & Phiasai, T. (2017). Fast Normalized Cross Correlationfor Real Time Automatic Counting. RMUTT Journal. Retrieved from http://www.sci.rmutt.ac.th/stj/index.php/stj/article/view/243/189
Girshick, R. (2015). Fast R-CNN.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
Hongboonmee, N., & Jantawong, N. (2020). Apply of Deep Learning Techniques to Measure the SweetnessLevel of Watermelon via Smartphone. Journal of Information Science and Technology, 10, 59–69. Retrieved from https://ph02.tci-thaijo.org/index.php/JIST/article/download/240500/163974/
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., et al. (2017). MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications.
Inthanon, P., & Mungsing, S. (2020). The Ability Test of Model the Facial Landmark Detecting. PKRU SciTech Journal, 4. Retrieved from https://ph01.tci-thaijo.org/index.php/pkruscitech/article/download/240864/165536
Kajornrit, J., Chaipornkaew, P., & Chuan, N. T. M. (2017). An Application of Internet of Things Technology to Control theIllumination Systems in Smart Home. JOURNAL OF INFORMATION SCIENCE AND TECHNOLOGY, 7.
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single Shot MultiBox Detector. Lecture Notes in Computer Science, 21–37. doi:10.1007/978-3-319-46448-0_2
Manokij, F. (2019). Thailand’s Precipitation Forecasting Using Deep Learning Approach. Chulalongkorn University. Retrieved from http://cuir.car.chula.ac.th/handle/123456789/65135
Paszke, A., Gross, S., Massa, F., Lerer, A., Bradbury, J., Chanan, G., Killeen, T., et al. (2019). PyTorch: An Imperative Style, High-Performance Deep Learning Library. Advances in Neural Information Processing Systems 32 (pp. 8024–8035). Curran Associates, Inc. Retrieved from http://papers.neurips.cc/paper/9015-pytorch-an-imperative-style-high-performance-deep-learning-library.pdf
Pohtongkam, S., & Srinonchat, J. (2018). Object Recognition for Humanoid Robot using Tactile image processing andArtificial Neural Network. Naresuan University Engineering Journal. Retrieved from https://ph01.tci-thaijo.org/index.php/nuej/article/view/100438/114975
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2019). MobileNetV2: Inverted Residuals and Linear Bottlenecks.
Saraphak, W., & Thaweewannakij, P. (2018). Real Time GPS Application with Track Team Location. Journal of Project in Computer Science and Information Technology, 4. Retrieved from https://ph02.tci-thaijo.org/index.php/project-journal/article/download/153087/111611/
Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J., & Wojna, Z. (2015). Rethinking the Inception Architecture for Computer Vision.
Wongta, P. (2017). Vsion-Based Bus Route Number Reader. Chulalongkorn University. Retrieved from http://doi.org/10.14457/CU.the.2017.574
Yongying, N. (2019). A Deep Learning Approach on Road Detection from Unmanned AerialVehicle-Based Images in Rural Road Monitoring. Naresuan University. Retrieved from http://www.agi.nu.ac.th/nred/Document/is-PDF/2562/geo_2562_05_FullPaper.pdf