ระบบตรวจจับเรือในแม่น้ำเจ้าพระยาด้วยเทคนิค YOLOv7
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มุ่งพัฒนาระบบตรวจจับเรือในแม่น้ำเจ้าพระยาโดยใช้เทคนิค YOLOv7 เพื่อแก้ไขปัญหาการจราจรทางน้ำที่หนาแน่นและอันตราย โดยเปรียบเทียบประสิทธิภาพของ 3 อัลกอริทึม ได้แก่ YOLO (You Only Look Once), SSD (Single Shot MultiBox Detector) และ Faster R-CNN (Region-based Convolutional Neural Network) บนชุดข้อมูลภาพถ่ายจากกล้องที่มีความละเอียด 608x608 พิกเซล จำนวน 1,000 ภาพ แบ่งเป็นภาพที่มีเรือ 750 ภาพ และภาพไม่มีเรือ 250 ภาพ ประเมินประสิทธิภาพของโมเดลโดยใช้ confusion matrix ผลการทดสอบพบว่าอัลกอริทึม YOLOv7 ให้ค่า F1-Score สูงสุด (95.0%) รองลงมาคือ Faster R-CNN (93.0%) และ SSD (82.0%) เพราะฉะนั้นอัลกอริทึม YOLOv7 มีประสิทธิภาพในการตรวจจับเรือในแม่น้ำเจ้าพระยาสูงที่สุดในการทดลองนี้
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์เป็นของวารสารวิศวกรรมศาสตร์ มหาวิทยาลัยศรีนครินทรวิโรฒ
เอกสารอ้างอิง
Royal Customs Department, Statistics on Smuggled Goods Seizure, Bangkok, Thailand: Royal Customs Department, 2022.
Marine Police Department, Statistics on Illegal Vessel Seizure, Bangkok, Thailand: Marine Police Department, 2022.
Royal Thai Police, Annual Report 2021, Bangkok, Thailand: Royal Thai Police, 2021.
Z. Chen, D. Chen, Y. Zhang, X. Cheng, M. Zhang and C. Wu, “Deep learning for autonomous ship-oriented small ship detection,” Safety Sci., vol. 130, Art. no. 104812, 2020.
P. Arumugam and N. Natarajan, “A survey of face detection, extraction and recognition,” Int. J. Comput. Appl., vol. 163, no. 7, pp. 1–6, 2017.
W. Liu et al., “SSD: Single Shot MultiBox Detector,” arXiv preprint, arXiv: 1512.02325, 2016.
J. Redmon, S. Divakar, A. Sivaram and R. Girshick, “You Only Look Once: Unified, real-time object detection,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 38, no. 9, pp. 1656–1667, 2016.
S. Ren, K. He, R. Girshick and J. Sun, “Faster R-CNN: Towards real-time object detection with region proposal networks,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 39, no. 6, pp. 1137–1149, 2016.
J. Dai, Y. Li, K. He and J. Sun, “R-FCN: Fully convolutional networks for object detection,” arXiv preprint, arXiv: 1605.06409, 2016.
Z. Cai, N. Vasconcelos and M. Li, “Cascade R-CNN: Delving into high-resolution feature representations for object detection,” arXiv preprint, arXiv: 1712.00726, 2018.
C. Fu, W. Liu, D. Anguelov and C. Szegedy, “SSD: Single-Shot MultiBox Detector,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 39, no. 9, pp. 2163–2177, 2017.
S. Meng, P. Sun and L. Lin, “Two-Stage SSD for real-time object detection,” arXiv preprint, arXiv: 1805.14173, 2018.
J. Redmon, S. Divakar, A. Sivaram and R. Girshick, “You Only Look Once: Unified, real-time object detection,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 38, no. 9, pp. 1656–1667, 2016.
Z. Ge, S. Deng and X. Li, “YOLOX: Scalable and efficient object detection with cross-scale stitching,” arXiv preprint, arXiv: 2304.14979, 2024.
H. Hu, W. Jiang, Z. Qin and J. Tang, “A real-time ship detection method based on improved YOLOv7 and Kalman filter,” Sensors, vol. 22, no. 1, p. 142, 2022.
S. Xie, M. Li, Q. Zhang and Z. Shao, “A ship detection method based on YOLOv7 and improved attention mechanism,” J. Coast. Res., vol. 149, pp. 1–8, 2022.
Y. Wang, C. Zhang and Z. Xu, “A real-time ship detection method based on YOLOv7 and lightweight network,” Appl. Sci., vol. 12, no. 1, p. 362, 2022.
N. Srivastava, G. Hinton, A. Krizhevsky, I. Sutskever and R. Salakhutdinov, “Dropout: A simple way to prevent neural networks from overfitting,” J. Mach. Learn. Res., vol. 15, no. 1, pp. 1929–1958, 2014.
Y. LeCun, Y. Bengio and G. Hinton, “Deep learning,” Nature, vol. 521, no. 7553, pp. 436–444, 2015.
C. Y. Wang, A. Bochkovskiy and H. Y. M. Liao, “YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors,” arXiv preprint, arXiv:2207.02696, 2022.
A. Bochkovskiy, C. Y. Wang and H. Y. M. Liao, “YOLOv4: Optimal speed and accuracy of object detection,” arXiv preprint, arXiv:2004.10934, 2020.
W. Liu et al., “SSD: Single-shot MultiBox Detector,” arXiv preprint, arXiv: 1603.03991, 2016.
S. Ren et al., “Faster R-CNN: Towards real-time object detection with region-based convolutional neural networks,” arXiv preprint, arXiv: 1506.01497, 2015.
J. Li, X. Zhang and H. Wang, “A survey of deep learning-based ship detection methods,” Remote Sens., vol. 13, no. 11, pp. 1–24, 2021.
