Publication: การจำแนกความเสียหายรถยนต์โดยการเรียนรู้เชิงลึก
1
0
Files
Issued Date
2022-08-08
Resource Type
Language
tha
File Type
application/pdf
Access Rights
Open Access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
Thanus Benjaanuarcha, ธนัช เบญจอนุอาชา (2022). การจำแนกความเสียหายรถยนต์โดยการเรียนรู้เชิงลึก. สืบค้นจาก: https://hdl.handle.net/20.500.14740/54264
Alternative Title(s)
Car damage classification using deep learning
Author(s)
Advisor(s)
Organization
Abstract
The purpose of this research is to study the classification of damaged and undamaged car images using deep learning techniques in order to develop a car damage classification model using a convolutional neural network (CNN). The CNN used to develop the vehicle damage classification model were VGG16, ResNet50, and InceptionV3 using transfer learning techniques. The classification falls into two categories: damaged and non-damaged car. The datasets used for developing models are from Kaggle. To improve classification model accuracy batch size, learning rate, and pooling were selected for tuning parameters. The results showed that the accuracy of the VGG16 was 83 percent, which was higher than the accuracy of the other two methods.
งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการจำแนกรูปภาพรถยนต์ที่มีความเสียหายและไม่มีความเสียหาย โดยใช้เทคนิคการเรียนรู้เชิงลึก และพัฒนาแบบจำลองการจำแนกความเสียหายรถยนต์โดยโครงข่ายประสาทเทียมแบบสังวัฒนาการ หรือ Convolutional Neural Network (CNN) ได้แก่ VGG16, ResNet50 และ InceptionV3 ร่วมกับการใช้เทคนิคการเรียนรู้แบบถ่ายโอนซึ่งจำแนกออกเป็น 2 ประเภท ได้แก่ มีความเสียหาย และ ไม่มีความเสียหาย โดยได้ใช้ชุดข้อมูลจากเว็บไซต์ Kaggle ในการพัฒนาแบบจำลอง จากนั้นได้วัดประสิทธิภาพของแบบจำลองและปรับพารามิเตอร์ได้แก่ batch size, learning rate, pooling เพื่อให้ได้แบบจำลองที่มีประสิทธิภาพดีที่สุด ซึ่งผลลัพธ์ที่ได้คือโมเดล VGG16 มีประสิทธิภาพมากที่สุด วัดค่าความถูกต้อง (accuracy) เท่ากับ 83% ตามมาด้วยโมเดล InceptionV3 เท่ากับ 81% และ ResNet50 เท่ากับ 68%
งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการจำแนกรูปภาพรถยนต์ที่มีความเสียหายและไม่มีความเสียหาย โดยใช้เทคนิคการเรียนรู้เชิงลึก และพัฒนาแบบจำลองการจำแนกความเสียหายรถยนต์โดยโครงข่ายประสาทเทียมแบบสังวัฒนาการ หรือ Convolutional Neural Network (CNN) ได้แก่ VGG16, ResNet50 และ InceptionV3 ร่วมกับการใช้เทคนิคการเรียนรู้แบบถ่ายโอนซึ่งจำแนกออกเป็น 2 ประเภท ได้แก่ มีความเสียหาย และ ไม่มีความเสียหาย โดยได้ใช้ชุดข้อมูลจากเว็บไซต์ Kaggle ในการพัฒนาแบบจำลอง จากนั้นได้วัดประสิทธิภาพของแบบจำลองและปรับพารามิเตอร์ได้แก่ batch size, learning rate, pooling เพื่อให้ได้แบบจำลองที่มีประสิทธิภาพดีที่สุด ซึ่งผลลัพธ์ที่ได้คือโมเดล VGG16 มีประสิทธิภาพมากที่สุด วัดค่าความถูกต้อง (accuracy) เท่ากับ 83% ตามมาด้วยโมเดล InceptionV3 เท่ากับ 81% และ ResNet50 เท่ากับ 68%
Degree Name
วิทยาศาสตรมหาบัณฑิต (วท.ม.)
Degree Level
-
-
-
Degree Discipline
ภาควิชาวิทยาการคอมพิวเตอร์
Degree Grantor(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ