การพัฒนาระบบเฝ้าระวังช้างป่าบุกรุกในพื้นที่เกษตรกรรมเพื่อลดความขัดแย้งระหว่างคนและช้างด้วยเทคโนโลยีโครงข่ายประสาทเทียมแบบคอนโวลูชัน (The Development of Monitoring System for Elephant Intrusion Detection in Agricultural Areas to Reduce Human-elephant Conflict with Convolutional Neural network technology)
Article Sidebar
Main Article Content
บทคัดย่อ
ความขัดแย้งระหว่างคนกับช้างเกิดขึ้นเนื่องจากการอพยพของช้างจากถิ่นที่อยู่อาศัย ไปยังพื้นที่เกษตรกรรมของมนุษย์เพื่อหาอาหารและแหล่งน้ำ งานวิจัยนี้จึงได้นำเสนอเทคโนโลยีโครงข่ายประสาทเทียมแบบคอนโวลูชันเพื่อลดความขัดแย้งระหว่างคนกับช้าง ด้วยกระบวนการทำงานที่เรียกว่า โยโล่รุ่นที่ 5 เพื่อดำเนินการตรวจจับวัตถุแบบเรียลไทม์จากวิดีโอ โดยใช้อุปกรณ์สมองกลแบบฝังตัวเพื่อเฝ้าระวังช้างป่าบุกรุกในพื้นที่เกษตรกรรม ขั้นตอนแรกนักวิจัยได้รวบรวมชุดข้อมูลภาพช้างจากพื้นที่เฝ้าระวัง โดยใช้ประโยชน์จากเฟรมเวิร์คของปัญญาประดิษฐ์วิวัฒนาการเชิงลึก เพื่อพัฒนาแบบจำลองสถาปัตยกรรมเครือข่ายโยโล่ และสร้างสถาปัตยกรรมที่เหมาะสม กับอุปกรณ์สมองกลฝังตัวที่มีทั้งความเร็วและความแม่นยำที่เหมาะสม งานนี้นักวิจัยได้ปรับค่าไฮเปอร์พารามิเตอร์สำหรับแบบจำลองโยโล่ ได้แก่ แบบจำลองโยโล่เอ็น โยโล่เอส และโยโล่เอ็ม ซึ่งเป็นแบบจำลองการคำนวณที่ลดความซับซ้อนลง และแบบจำลองที่ได้นำเสนอมานี้มีความเหมาะสมกับอุปกรณ์สมองกลฝังตัว หลังจากทดสอบพบว่า แบบจำลองโยโล่เอส มีค่าเฉลี่ยความแม่นยำอยู่ที่ 95.68%mAP@.5 โดยมีความเร็วมากกว่าแบบจำลองโยโล่เอ็มถึง 50% ที่ความแม่นยำสูงสุด 95.46%mAP@.5 จากนั้น ก่อนนำแบบจำลองไปติดตั้งที่อุปกรณ์สมองกลฝังตัว นักวิจัยได้เพิ่มชุดข้อมูลรูปภาพช้างจากอินเทอร์เน็ตให้กับโยโล่เอส เพื่อเพิ่มความแม่นยำจนได้ค่าใหม่คือ 98.02%mAP@.5 หลังจากติดตั้งระบบพบว่าการเรียนรู้เชิงลึกสามารถตรวจจับการบุกรุกของช้างป่าในพื้นที่เกษตรกรรมได้อย่างแม่นยำ แม้บางครั้งอาจช้ากว่าที่มนุษย์สังเกตเห็นอยู่เล็กน้อย
Article Details
เอกสารอ้างอิง
Duporge, l. Isupova, O. Reece, S. Macdonald, D. and Wang, T. (2020). Using very-high-resolution satellite imagery and deep learning to detect and count African elephants in heterogeneous landscapes. Remote Sensing in Ecology and Conservation, 7, 369-381.
Girshick, R. Donahue, J. Darrell, T. and Malik, J. (2014). Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 23-28 June 2014, at USA, 580-587.
Gur-Arie, L. (2022). The practical guide for Object Detection with YOLOv5 algorithm [Online]. Retrieved Dec 11, 2021, from: https://towardsdatascience.com/the-practical-guide-for-object-detection-with-yolov5-algorithm-74c04aac4843.
Hongboonmee, N. and Sitthichokchaisiri, T. (2021). The Development of Application for Analysis of Eye Health with ImageRecognition Using Deep Learning Technique. Sripatum Review of Science and Technology, 13(1), 7-21. (in Thai)
Jagannathan, S., Kumar, V., and Meganathan, D. (2019). Design and implementation of in-situ human-elephant conflict management system. Journal of Intelligent & Fuzzy Systems, 3, 2005-2013.
Kaewtathanawatthana, P. and Brorewongtrakhul, S. (2020). Guidelines for Solving Conflicts between human and Wild Elephants A case study: Phawa Sub-district, Kaeng Hang Maeo District, Chanthaburi. Journal of Humanities and Social Sciences, 12(2), 113-127. (in Thai)
Kumar, V., Recupero, D., Riboni, D., and Helaoui, R. (2020). Ensembling Classical Machine Learning and learning approaches for Morbidity Identification From Clinical Notes. Institute of Electrical and Electronics Engineers (IEEE 2021), 9, 7107-7126.
Liu, S., Qi, L., Qin, H., Shi, J., and Jia, J. (2018). Path Aggregation Network for Instance Segmentation. The proceedings of the 2018 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 18-23 June 2018 at Salt Lake City, Utah, USA, 8759-8768.
Madheswaran, K.M.S., Veerappan, K., and Kumar, V. (2019). Region Based Convolutional Neural Network for Human-Elephant Conflict Management System. The proceedings of the International Conference on Computational Intelligence in Data Science (ICCIDS 2019), 21-23 Feb 2019 at Chennai in India. (IEEE 2019), 1, 1-5.
Noonto, B., Savini, C., Sriktrachang, M., and Maneesrikum, C. (2018). The Voice of the People, the Voice of the Wild Elephants: The Trend of Community Responses to the Management of Human-Elephant Conflict in Thailand. Bangkok: The Thailand Research Fund (TRF) Community-Based Research Division. (in Thai)
Sanguansat, P. (2019). Artificial Intelligence with Machine Learning, AI can be created using machine learning. Nonthaburi: ICD-premier. (in Thai)
Solawetz, J. (2020). yolov5 improvements and evaluation [Online]. Retrieved Jan 22, 2022, from: https://blog.roboflow.com/yolov5-improvements-and-evaluation.
Ultralytics. (2021). yolov5 [Online]. Retrieved Jan 22, 2022, from: https://github.com/ultralytics/yolov5
Unzueta, D. (2021). Convolutional Layers vs Fully Connected Layers [Online]. Retrieved Jan 12, 2022, from: www.towardsdatascience.com/convolutional-layers-vs-fully-connected-layers
Yamashita, R., Nishio, M., Kinh Gian Do, R., and Togashi, K. (2018). Convolutional neural networks: an overview and application in radiology. Insights into Imaging, 9(4), 611–629.
Zhou, X., Gong, W., Fu, W., and Du, F. (2017). Application of deep learning in object detection. The Proceeding of the IEEE/ACIS 16th International Conference on Computer and Information Science (ICIS 2017), 10-13 December 2017 at COEX Convention Centre (Seoul) in South Korea, 631-634.
