การพัฒนาโปรแกรมประยุกต์วิเคราะห์สุขภาพดวงตาด้วยการรู้จำภาพและการประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึก(The Development of Application for Analysis of Eye Health with Image Recognition Using Deep Learning Technique)
Article Sidebar
Main Article Content
บทคัดย่อ
การตรวจคัดกรองดวงตาช่วยให้ค้นพบความผิดปกติของดวงตาในระยะเริ่มแรกและช่วยให้ค้นพบโรคเกี่ยวกับดวงตาในขณะที่ยังไม่แสดงอาการทำให้รักษาได้ทันท่วงทีก่อนที่อาการจะรุนแรงและอาจสูญเสียดวงตาไปในที่สุด ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อนำเสนอวิธีการวิเคราะห์ดวงตาจากภาพถ่ายเพื่อวินิจฉัยปัญหาสุขภาพดวงตาในรูปแบบโปรแกรมประยุกต์บนสมาร์ทโฟนโดยนำเทคนิคการรู้จำภาพและเทคนิคการเรียนรู้เชิงลึกมาประยุกต์ใช้ในการพัฒนาโปรแกรมประยุกต์ กรอบแนวคิดงานวิจัยประกอบด้วยการสร้างแบบจำลองจำแนกภาพด้วยเทคนิคโครงข่ายประสาทเทียมการเรียนรู้เชิงลึกแบบคอนโวลูชันที่มีการใช้ขั้นตอนวิธีโมบายเน็ทผ่านไลบรารี่เทนเซอร์โฟลสำหรับการจำแนกภาพ ซึ่งฝึกสอนให้สามารถจำแนกภาพจำนวน 7 ประเภท ได้แก่ โรคตาแดง ตากุ้งยิง ต้อลม ต้อเนื้อ ต้อกระจก ต้อหินและตาปกติ โดยสอนด้วยภาพโรคตาประเภทละ 100 ภาพ ฝึกสอนจำนวน 500 รอบ ผลการศึกษาพบว่าแบบจำลองมีความแม่นยำที่สูงถึง 96.40% จากนั้นนำแบบจำลองไปพัฒนาส่วนติดต่อผู้ใช้ในรูปแบบโปรแกรมประยุกต์บนสมาร์ทโฟนเพื่อให้สะดวกในการใช้งาน พัฒนาด้วยโปรแกรมแอนดรอยด์สตูดิโอร่วมกับไลบรารี่เทนเซอร์โฟล ผลการทดสอบความแม่นยำพบว่าโปรแกรมประยุกต์สามารถจำแนกภาพโรคตาได้ถูกต้องมีประสิทธิภาพเฉลี่ย 85.71% สามารถสรุปได้ว่าโปรแกรมประยุกต์นี้มีประสิทธิภาพสามารถนำไปใช้ประโยชน์ในการวิเคราะห์ปัญหาสุขภาพดวงตาด้วยตนเองเบื้องต้นได้
Article Details
References
Asakun, S. (2017). Eye diseases that are found in practice (Revised version 2017). Chiang Mai: Chiang Mai University. (in Thai)
Asanathip, A. and Boonlue, S. (2015). An Applied of Image Processing for Neonatal Jaundice Screening. Journal of the Police Nurse, 7 (1), 166-182. (in Thai)
Ertam, F. and Aydin, G. (2017). Data classification with deep learning using Tensorflow. The Proceedings of IEEE International Conference on Computer Science and Engineering (UBMK), 5-8 October 2017 at Turkey, 755-758.
Gardezi, S. Awais, M. Faye, I. and Meriaudeau, F. (2017). Mammogram Classification using Deep Learning Features. The Proceedings of International Conference on Signal and Image Processing Applications (IEEE ICSIPA 2017), 12-14 September 2017 at Malaysia, 485-488.
Jmour, N., Zayen, S. and Abdelkrim, A. (2018). Convolutional Neural Networks for Image Classification. The Proceedings of International Conference on Advanced Systems and Electrical Technologies (IC_ASET), 22-25 March 2018 at Tunisia, 397–402.
Kraiphibun, P. (2013). Eye Disease. Bangkok: Amarin Health. (in Thai)
Phwanwilai, R. and Kangkachit, T. (2019). Automated Plant Disease Detection using Drones and Deep Learning. The Proceedings of the 15th National Conference on Computing and Information Technology (NCCIT2019), 4-5 July 2019 at Bangkok, 189–194. (in Thai)
Saha, S. (2018). A Comprehensive Guide to Convolutional Neural Networks-the ELI5 way. [Online]. Retrieved May 1, 2020, from: https://towardsdatascience.com/a-comprehensive-guide-to-convolutional-neural-networks-the-eli5-way-3bd2b1164a53
Sarawong, C., Somabut, S. Imtongkhum, P. Pimson, C and So-In, C. (2018). Notification, Validation, and Identification Systems of Lost Dog. The Proceedings of the 14th National Conference on Computing and Information Technology (NCCIT2018), 5-6 July 2018 at ChiangMai, 678–685. (in Thai)
Sinha, D.and EI-Sharkawy, M. (2019). Thin MobileNet: An Enhanced MobileNet Architecture. The Proceedings of IEEE 10th Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON), 10-12 October 2019 at New York City, USA. 280-285.
Thongpan, N., Rattanasiriwongwut, M. and Ketchum, M. (2019). Prototype of Real-time Lane Detection Device. Sripatum Review of Science and Technology, 11, 53-66. (in Thai)
Xing, W. and Du, D. (2018). Dropout Prediction in MOOCs: Using Deep Learning for Personalized Intervention. Journal of Educational Computing, 57(3), 1-23.