การสกัดข้อมูลเชิงพื้นที่จากข้อมูลภาพเคลื่อนไหวโดยใช้โครงข่ายประสาทแบบคอนโวลูชัน
Article Sidebar
Main Article Content
บทคัดย่อ
กองทัพอากาศมีระบบถ่ายและบันทึกภาพทางอากาศที่เรียกว่า Forward Looking Infrared (FLIR) มีขีดความสามารถปฏิบัติการได้ทั้งกลางวันและกลางคืนเหมาะสมกับภารกิจที่หลากหลาย โดยข้อมูลภาพเคลื่อนไหวจากอากาศยานจะสามารถส่งลงมาสู่ภาคพื้นได้ผ่านระบบ Video Down Link (VDL) ทำให้ผู้ใช้งานสามารถวิเคราะห์ข้อมูลภาพได้ในขณะที่มีการปฏิบัติภารกิจ อย่างไรก็ตามการแสดงผลข้อมูลภาพเคลื่อนไหวร่วมกับระบบสารสนเทศภูมิศาสตร์นั้น ยังคงมีข้อจำกัดที่จะต้องใช้โปรแกรมเฉพาะด้านจากบริษัท ซึ่งมีค่าใช้จ่ายในการจัดหาเพิ่มเติม ดังนั้นทีมงานจึงทดลองหาทางเลือกเพื่อพัฒนาระบบแสดงข้อมูลภาพเคลื่อนไหวจากระบบ FLIR สำหรับการวิเคราะห์ข้อมูลร่วมกับระบบสารสนเทศภูมิศาสตร์ในการติดตามการปฏิบัติภารกิจของอากาศยาน โดยประยุกต์ใช้โครงข่ายประสาทแบบคอนโวลูชัน (Convolution Neuron Network) ในการสร้างตัวแบบเพื่อวิเคราะห์ข้อมูลเชิงพื้นได้แก่ พิกัดตำแหน่ง ความเร็ว และความสูง จากข้อมูลภาพเคลื่อนไหวในขณะที่อากาศยานปฏิบัติภารกิจร่วมกับระบบสารสนเทศภูมิศาสตร์เพื่อใช้สำหรับติดตามอากาศยาน
Article Details
- เนื้อหาและข้อมูลในบทความที่ตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรง กองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
- บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศถือเป็นลิขสิทธิ์ของวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ หรือเพื่อกระทำการใด ๆ จะต้องได้รับอนุญาตเป็นลายลักอักษรณ์จากวารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ ก่อนเท่านั้น
เอกสารอ้างอิง
[2] พิมพา ชีวาประกอบกิจ. (2562). การปรับปรุงประสิทธิภาพในการจำแนกภาพด้วยโครงข่ายประสาทแบบคอนโวลูชันโดยใช้เทคนิคการเพิ่มภาพ. TNI Journal of Engineering and Technology, 7(1): 59-64.
[3] J. Sanuksan and O. Surinta (2019). Deep Convolutional Neural Networks for Plant Recognition in Natural Environment. Journal of Science and Technology Mahasarakham University, 38(2), 113–124.
[4] จักรภัทร แก้วทอง ไตรปิฎก อินทสุวรรณ. (2560).โปรแกรมตรวจจับวัตถุและข้อความบนป้ายโฆษณา.คณะเทคโนโลยีสารสนเทศ สถาบันเทคโนโลยีพระจอมเกล้าเจ้าคุณทหารลาดกระบัง (วิทยานิพนธ์วิทยาศาสตร์บัณฑิต ).
[5] ณัฏฐชา ยงยิ่ง. (2562). การประยุกต์ใช้เทคโนโลยีการเรียนรู้เชิงลึกในการจำแนกข้อมูลถนนจากภาพถ่าย Drone เพื่อการสำรวจถนนในเขตชนบท. คณะเกษตรศาสตร์ ทรัพยากรธรรมชาติและสิ่งแวดล้อม มหาวิทยาลัยนเรศวร (วิทยานิพนธ์วิทยาศาสตร์บัณฑิต).
[6] อัญญา บูชายันต์, วนมพร พาหะนิชย์, ภูมิ สาทสินธุ์. (2018). เทคโนโลยีภูมิสารสนเทศกับการรู้เรื่องภูมิศาสตร์. Special Issue : JHSSRRU, 20 : 385-397
[7] ภูมิพัฒน์ ดวงกลาง, รัจนา เครือแก้ว. (2562). แบบจำลองการทำนายแบบอากาศยานจากข้อมูลเป้าหมายไม่ทราบฝ่ายอัตโนมัติ.วารสารวิทยาศาสตร์และเทคโนโลยีนายเรืออากาศ, 15(1) : 1-8
[8] Evelyn Guindo Betancourt,Armando Plasencia Salgueiro.(2019).METHODOLOGICAL PROPOSAL FOR THE CLASSIFICATION OF TEXTS WITH CONVOLUTIONAL NEURAL NETWORKS. International Journal of Computer Science and Technology (IJCST), 4(1):1-20
[9] University Of Surrey. (2012). The Chars74K dataset. Retrived on January 10,2020, from http://www.ee.surrey.ac.uk/CVSSP/demos/chars74k/
[10] MOSES OLAFENWA. (2020). ImageAI. Retrived on January 5,2020, from https://github.com/OlafenwaMoses/ImageAI
[11] Kaiming He,Xiangyu Zhang,Shaoqing Ren,Jian Sun.(2016). Deep Residual Learning for Image Recognition. IEEE Conference on Computer Vision and Pattern Recognition (CVPR).
[12] esri. (2019). ArcGIS API for JavaScript. Retrived on February 15, 2020, from https://developers.arcgis.com/javascript
