Press/กด CtrlหรือCmd + P to print
or save as PDF

ระบบตรวจจำแนกสินค้าอัจฉริยะโดยการใช้วิธีถ่ายโอนการเรียนรู้แบบ YOLO

Last modified: June 24, 2021
You are here:
Estimated reading time: 1 min
ชื่อบทความ: ระบบตรวจจำแนกสินค้าอัจฉริยะโดยการใช้วิธีถ่ายโอนการเรียนรู้แบบ YOLO
Research Article: A smart product recognition system based on YOLO transfer learning
ผู้เขียน/Author: ศิวนาถ เจียรวงศ์ตระกูล, สกุลรัตน์  ชิตกร, ศิวะพร มหัคพิเชียร และ ทัศนัย พลอยสุวรรณ | Mr. Tachsanai Ploysuwan
Email: tuchsanai@gmail.com
สาขาวิชา/คณะ: ภาควิชาวิศวกรรมไฟฟ้า คณะวิศวกรรมศาสตร์ มหาวิทยาลัยสยาม กรุงเทพฯ 10160
Department/Faculty: Faculty of Electrical Engineering, Siam University, Bangkok 10160
Published/แหล่งเผยแพร่: การประชุมวิชาการเครือข่ายวิศวกรรมไฟฟ้า ครั้งที่ 11 (EENET 2019) วันที่ 15-17 พฤษภาคม 62 ณ โรงแรมกรุงศรีริเวอร์ จังหวัดพระนครศรีอยุธยา

เอกสารอ้างอิง/Citation

ศิวนาถ เจียรวงศ์ตระกูล, สกุลรัตน์ ชิตกร, ศิวะพร มหัคพิเชียร  และ ทัศนัย พลอยสุวรรณ. (2562). ระบบตรวจจำแนกสินค้าอัจฉริยะโดยการใช้วิธีถ่ายโอนการเรียนรู้แบบ YOLO . ใน การประชุมวิชาการเครือข่ายวิศวกรรมไฟฟ้า ครั้งที่ 11: EENET 2019 (315-318). พระนครศรีอยุธยา: มหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี.


บทคัดย่อ

งานวิจัยนี้นำเสนอการประยุกต์ใช้เทคนิคของการถ่ายโอนการเรียนรู้ (Transfer Learning) ภายใต้เทคโนโลยีการเรียนรู้เชิงลึก ( YOLO Deep Learning ) โดยทำการเพิ่มและลดโมดูลของ Convolutional Neural Networks (CNNs) Layers  และ Fully connected (FC) layers เข้าไปบางส่วนเพื่อให้ YOLO สามารถประยุกต์ใช้งานกับระบบจำแนกสินค้าชุดฝักบัวสายสแตนเลสชุบโครเมียม บนชั้นวางสินค้าอัจฉริยะผ่านกล้องวงจรปิดได้   โดยผลการทดลองพบว่าชุดฝักบัวสามารถถูกตรวจจำแนกได้ในเวลาจริง (real time) ที่ความเร็วเฉลี่ย 40-90 FPS (Frame Per Second) และยังสามารถทำงานได้แม้นในจังหวะที่มีการหยิบจับชิ้นสินค้าและตัวสินค้าถูกบดบังทัศนวิสัยบางส่วนจากมือของลูกค้า โดยระบบที่นำเสนอมีค่า Mean Average Precision (mAP)  =  85.1 และ IoU = 75.2 ตามลำดับ

คำสำคัญ: การถ่ายโอนการเรียนรู้, การเรียนรู้เชิงลึก, YOLO


ABSTRACT

This research presents the application of transfer learning techniques under YOLO deep learning by adding modules of convolutional neural networks (CNNs) layers and fully connected (FC) layers. The YOLO deep learning can be applied to product classification systems on shelves of intelligent products via CCTV. The results showed an average speed of 40-90 FPS with mean Average Precision (mAP) = 85 and IoU = 75.2.


ระบบตรวจจำแนกสินค้าอัจฉริยะโดยการใช้วิธีถ่ายโอนการเรียนรู้แบบ YOLO|A smart product recognition system based on YOLO transfer learning

Faculty of Engineering, Siam University, Bangkok, Thailand