Please use this identifier to cite or link to this item:
https://ir.stou.ac.th/handle/123456789/363Full metadata record
| DC Field | Value | Language |
|---|---|---|
| dc.contributor.advisor | วฤษาย์ ร่มสายหยุด, อาจารย์ที่ปรึกษา | th_TH |
| dc.contributor.advisor | ธงชัย แก้วกิริยา, อาจารย์ที่ปรึกษา | th_TH |
| dc.contributor.author | อุเทน ว่องไว, 2522- | - |
| dc.contributor.other | มหาวิทยาลัยสุโขทัยธรรมาธิราช. สำนักบัณฑิตศึกษา | th_TH |
| dc.date.accessioned | 2022-08-09T07:53:10Z | - |
| dc.date.available | 2022-08-09T07:53:10Z | - |
| dc.date.issued | 2561 | - |
| dc.identifier.uri | http://ir.stou.ac.th/handle/123456789/363 | - |
| dc.description | วิทยานิพนธ์ (วท.ม.(เทคโนโลยีสารสนเทศและการสื่อสาร))--มหาวิทยาลัยสุโขทัยธรรมาธิราช, 2561 | th_TH |
| dc.description.abstract | การวิจัยครั้งนี้มีวัตถุประสงค์ 1) เพื่อพัฒนาระบบจดจำภาพสำหรับการตรวจจับอะไหล่โดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน และ 2) เพื่อประเมินประสิทธิภาพของระบบจดจำภาพสำหรับตรวจจับอะไหล่โดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน การวิจัยครั้งนี้ประกอบด้วยสองวิธีหลัก วิธีที่หนึ่งขยายความสามารถอัลกอริทึม จากหลักการของการจดจำรูปภาพตามวิธีการเรียนรู้การถ่ายโอนจากความรู้เกี่ยวกับแบบจำลองการถ่ายโอน นำข้อมูลจากแหล่งข้อมูลไปที่แบบจำลองเป้าหมายวิธีนี้ทำการฝึกฝนข้อมูลบนชุดข้อมูลขนาดใหญ่เพื่อตรวจจับชิ้นส่วนอะไหล่ โดยการฝึกฝนจากภาพชิ้นส่วนอะไหล่จำนวน 500 – 1,200 ภาพ และวิธีที่สองดำเนินการโดยการสร้างและการทดสอบแบบจำลอง ซึ่งแบ่งกลุ่มอะไหล่ออกเป็น 5 หมวดหมู่ 1) อะไหล่ขนาดเล็ก 2) อะไหล่พลาสติก 3) อะไหล่โลหะ 4) อะไหล่แผ่นโลหะ และ 5) อะไหล่แท่งเฟอร์ไรต์ การดำเนินการนี้ประยุกต์ใช้โครงข่ายประสาทเทียมตามวิธีการเรียนรู้การถ่ายโอนเพื่อเพิ่มประสิทธิภาพของระบบตรวจจับภาพอะไหล่ และแสดงคำอธิบายชิ้นส่วนอะไหล่แบบเรียลไทม์ ผลการวิจัยนี้มีค่าความแม่นยำร้อยละ 87.44 ค่าเรียกคืนร้อยละ 86.76 ค่าความถูกต้องร้อยละ 86.76 และการวัดประสิทธิภาพโดยรวมร้อยละ 86.64 ตามลำดับ | th_TH |
| dc.format | application/pdf | en_US |
| dc.language.iso | th | th_TH |
| dc.publisher | มหาวิทยาลัยสุโขทัยธรรมาธิราช | th_TH |
| dc.rights | มหาวิทยาลัยสุโขทัยธรรมาธิราช | th_TH |
| dc.rights | Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) | en_US |
| dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/ | en_US |
| dc.source | Born digital | en_US |
| dc.subject | มหาวิทยาลัยสุโขทัยธรรมาธิราช. สาขาวิชาวิทยาศาสตร์และเทคโนโลยี--วิทยานิพนธ์ | th_TH |
| dc.subject | มหาวิทยาลัยสุโขทัยธรรมาธิราช. แขนงวิชาเทคโนโลยีสารสนเทศและการสื่อสาร--วิทยานิพนธ์ | th_TH |
| dc.subject | การรู้จำภาพ | th_TH |
| dc.subject | นิวรัลเน็ตเวิร์ค (วิทยาการคอมพิวเตอร์) | th_TH |
| dc.title | การพัฒนาระบบจดจำภาพสำหรับการตรวจจับอะไหล่โดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน | th_TH |
| dc.title.alternative | Development of an image recognition system for spare parts detection using convolutional neural network | th_TH |
| dc.type | Thesis | th_TH |
| dc.degree.name | วิทยาศาสตรมหาบัณฑิต | th_TH |
| dc.degree.level | ปริญญาโท | th_TH |
| dc.degree.discipline | สาขาวิชาวิทยาศาสตร์และเทคโนโลยี | th_TH |
| dc.degree.grantor | มหาวิทยาลัยสุโขทัยธรรมาธิราช | en_US |
| dc.description.abstractalternative | The purposes of this research were as follows: 1) to develop an image recognition system for spare parts detection using convolutional neural network, and 2) to evaluate the effectiveness of the image recognition system for spare parts detection using convolution neural network. This research consisted of two main methods. The first method extended an algorithm from principle approach of an image recognition based on the transfer learning method by the knowledge of transfer model from source to target task model. This method was trained on a large dataset to detect spare parts by training 500 – 1,200 photos. The second method was carried out by generating and testing the model that was operated by categorizing groups of spares into 5 categories as 1) small spares 2) plastic spares 3) metal spares 4) metal sheet spares, and 5) ferrite bar spares. This method applied the convolutional neural network based on transfer learning method for increasing the performance of image detection system and displaying spare part description in real-time. The measurement results were 87.44% for precision, 86.76% for recall, 86.76% for accuracy, and 86.64 for F-measure respectively | en_US |
| Appears in Collections: | Science Tech - Theses | |
Files in This Item:
| File | Description | Size | Format | |
|---|---|---|---|---|
| fulltext_160545.pdf | เอกสารฉบับเต็ม | 2.9 MB | Adobe PDF | View/Open |
This item is licensed under a Creative Commons License
