การศึกษาเทคโนโลยีการรู้จำตัวบุคคลด้วยเสียงเพื่อพัฒนาแพลตฟอร์มการยืนยันตัวบุคคลด้วยเทคโนโลยีชีวมิติที่มีความมั่นคงปลอดภัย สำหรับกองทัพอากาศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
ในปัจจุบัน การประยุกต์ใช้งานการยืนยันตัวบุคคลด้วยเทคโนโลยีชีวมิติได้รับความนิยมเพิ่มมากขึ้นสำหรับการยืนยันตัวบุคคลแบบหลายปัจจัย ถึงกระนั้นกองทัพอากาศยังขาดการประยุกต์ใช้เทคโนโลยีชีวมิติเพื่อการยืนยันตัวบุคคล ดังนั้น คณะผู้วิจัยจึงได้วิจัยและพัฒนาองค์ความรู้ในการประยุกต์ใช้งานเทคโนโลยีชีวมิติด้วยการใช้เสียงของมนุษย์เพื่อใช้ยืนยันตัวบุคคล เนื่องจากชีวมิติดังกล่าวมีความแม่นยำ ปลอดภัย และใช้ต้นทุนในการพัฒนาระบบที่ต่ำกว่าชีวมิติประเภทอื่น ๆ โดยคณะผู้วิจัยได้พัฒนาโมเดลโดยใช้ชุดข้อมูล LibriSpeech และทำการทดสอบโดยใช้เสียงภาษาไทย ภายใต้ข้อจำกัดด้านสภาพแวดล้อมและความเสี่ยงจากเสียงปลอมแปลงจากเทคโนโลยี Deep Voice ผลการทดลองพบว่า โมเดลมีระดับความถูกต้องในการยืนยันตัวบุคคลที่ดีที่สุดอยู่ที่ 75% ณ ค่าขีดแบ่งที่ 0.9 และพบว่าปัจจัยเกี่ยวกับสภาพแวดล้อมที่มีผลกระทบอย่างมีนัยยะสำคัญต่อประสิทธิภาพของโมเดลได้แก่ รูปแบบประโยคในการยืนยันตัวบุคคลที่แตกต่างกัน ประเภทของอุปกรณ์บันทึกเสียงที่แตกต่างกัน ในทางตรงกันข้าม การใส่หน้ากากอนามัยและเสียงรบกวนต่าง ๆ ที่ไม่ดังเกินไป กลับไม่มีผลกระทบอย่างมีนัยยะสำคัญกับประสิทธิภาพ มากไปกว่านั้น ผลการวิจัยยังระบุว่า โมเดลดังกล่าวมีความเปราะบางต่อเสียงปลอมแปลงจากเทคโนโลยี Deep Voice ซึ่งเป็นการเน้นย้ำถึงความสำคัญของการพัฒนาโมเดลที่ทนทานต่อการโจมตีทางไซเบอร์ดังกล่าวก่อนที่จะนำเอาโมเดลไปประยุกต์ใช้งานจริงในอนาคต
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
- เนื้อหาและข้อมูลในบทความที่ตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง กองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
- บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศถือเป็นลิขสิทธิ์ของวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ หรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักอักษรณ์จากวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ ก่อนเท่านั้น
เอกสารอ้างอิง
กองทัพอากาศ. (2563). ยุทธศาสตร์กองทัพอากาศ 20 ปี (ฉบับปรับปรุง พ.ศ.2563). สืบค้น 12 มีนาคม 2565,
จาก www.rtaf.mi.th/th/Documents/Publication/RTAF%20Strategy_Final_04122563.pdf
Manikandan, K., & Chandra, E. (2016). Speaker Identification using a Novel Prosody with Fuzzy based Hierarchical
Decision Tree Approach. Indian Journal of Science and Technology. 9: 44.
Dhakal, P., Damacharla, P., Javaid, A. Y., & Devabhaktuni, V. (2019). A Near Real-Time Automatic Speaker Recognition
Architecture for Voice-Based User Interface. Machine Learning and Knowledge Extraction. 1: 504 - 520.
The Math Works, Inc. (1994). Speaker Identification Using Pitch and MFCC. Retrieved on May 5, 2022, from
https://www.mathworks.com/help/audio/ug/speaker-identification-using-pitch-and-mfcc.html
Zaharchuk, G., Gong, E., Wintermark, M., et al. (2018). Deep learning in neuroradiology. AJNR Am J Neuroradiol.
: 1776 - 1784.
Tirumala, S.S., Shahamiri, S. R., Garhwal, A. S., & Wang, R. (2017). Speaker identification features extraction
methods: A systematic review. Expert Systems with Applications. 90: 250 - 271.
พายัพ ศิรินาม. (2562). การพัฒนาโมเดลการเลียนเสียงเชิงลึกสำหรับงานด้านสงครามไซเบอร์ (รายงานผลการวิจัย).
กรุงเทพฯ: โรงเรียนนายเรืออากาศนวมินทกษัตริยาธิราช.
Adrian Rosebrock. (2020). GANs with Keras. Retrieved on May 12, 2022, from https://pyimagesearch.com/
/11/16/gans-with-keras-and-tensorflow/
Vassil Panayotov. (2015). LibriSpeech. Retrieved on June 6, 2022, from https://paperswithcode.com/dataset/librispeech
Ambient Sound TH. (2565). เสียงคนงานกำลังทำงานก่อสร้าง. Retrieved on June 6, 2022, from https://www.youtube.com/
watch?v=3mpmmCqx9fo&ab_channel=AmbientSound%E2%80%8BTH
