การตรวจจับพื้นผิวรอยขีดข่วนของวัตถุโลหะโดยใช้วิธีการประมวลผล การแบ่งภาพและโครงข่ายประสาทแบบคอนโวลูชัน
0
0
Files
Issued Date
2023
Resource Type
Language
tha
File Type
application/pdf
Rights Holder(s)
มหาวิทยาลัยสุโขทัยธรรมาธิราช
Suggested Citation
นัฒธี มละสาร (2023). การตรวจจับพื้นผิวรอยขีดข่วนของวัตถุโลหะโดยใช้วิธีการประมวลผล การแบ่งภาพและโครงข่ายประสาทแบบคอนโวลูชัน. สืบค้นจาก: https://hdl.handle.net/20.500.14770/13742
Alternative Title(s)
Scratched Surface Detection of Metal Objects Using Processing Methods of Image Subdivision and Convolution Neural Network
Author(s)
Advisor(s)
Other Contributor(s)
Abstract
วัตถุประสงค์การศึกษาค้นคว้าอิสระนี้คือ (1) เพื่อศึกษาการตรวจจับการขีดข่วนบนภาพพื้นผิวโลหะอะลูมิเนียมโดยใช้วิธีการแบ่งภาพและโครงข่ายประสาทแบบคอนโวลูชัน (2) เพื่อพัฒนาและประเมินประสิทธิภาพโมเดลการตรวจจับการขีดข่วนบนภาพพื้นผิวโลหะอะลูมิเนียมโดยใช้วิธีการแบ่งภาพและโครงข่ายประสาทแบบคอนโวลูชันการศึกษานี้ได้พัฒนาวิธีการตรวจจับรอยขีดข่วนบนผิวโลหะอะลูมิเนียมโดยใช้วิธีการแบ่งภาพอินพุตที่มีขนาดจำนวนพิกเซลและความละเอียดสูงออกเป็นภาพย่อย แต่ละภาพย่อยที่ถูกแบ่งจะถูกประมวลผลด้วยโครงข่ายประสาทแบบคอนโวลูชัน (CNN) เพื่อตรวจจับรอยขีดข่วน วิธีการแบ่งภาพสามารถแบ่งได้เป็น 4 ส่วน, 9 ส่วน, 16 ส่วน, 36 ส่วน และ 64 ส่วน การแบ่งภาพช่วยทำให้รายละเอียดในภาพยังคงอยู่ได้แม้ในการประมวลผลของ CNN ที่มีการปรับลดขนาดพิกเซลของภาพลง โดยวิธีการของ CNN ในการศึกษานี้ใช้โมเดล YOLOv8n, โมเดล YOLOv8s และโมเดล YOLOv8x สำหรับทำการประมวลผลภาพย่อยแต่ละภาพผลการศึกษาพบว่า (1) วิธีการแบ่งภาพและ CNN สามารถตรวจจับรอยขีดข่วนได้เพิ่มขึ้นและดีกว่าการไม่แบ่งภาพ และ (2) วิธีการ CNN ของโมเดล YOLOv8s ได้รับผลที่เหมาะสมสำหรับวิธีการแบ่งภาพอินพุตเป็นภาพย่อยแบบ 4 ส่วน, 9 ส่วน, 16 ส่วน, 36 ส่วน และ 64 ส่วน การประเมินประสิทธิภาพวิธีการนี้ ได้ใช้ชุดข้อมูลภาพฝึกสอน 2,600 ภาพที่มีรอยขีดข่วนแบบต่าง ๆ บนภาพ และชุดข้อมูลภาพทดสอบ 7 ภาพที่มีรอยขีดข่วนรวม 48 รอย การตรวจจับรอยขีดข่วนของภาพทดสอบที่ไม่ได้ถูกแบ่งภาพสามารถตรวจจับรอยได้ 37 รอยหรือร้อยละ 77.08 และเมื่อแบ่งภาพทดสอบนี้เป็น 4 ส่วนสามารถตรวจจับรอยขีดข่วนที่เหลือเพิ่มได้อีก 10 รอยหรือเพิ่มเป็นร้อยละ 90.90 และเมื่อแบ่งภาพทดสอบออกเป็น 9 ส่วน, 16 ส่วน, 36 ส่วน และ 64 ส่วนเทียบกับภาพทดสอบที่ไม่ได้ถูกแบ่งภาพ วิธีการนี้สามารถตรวจจับรอยที่เหลือทั้งหมดได้ครบ 11 รอยหรือคิดเป็นร้อยละ 100
The objectives of this independent study were (1) to study the scratched detection on images of aluminum metal surfaces using image subdivision and convolutional neural network methods and (2) to develop and evaluate the performance of a model for the scratched detection on images of aluminum metal surfaces using image subdivision and convolutional neural network methods.This study developed the scratched detection method on aluminum metal surfaces using the subdivision method of the input images that had high pixel dimensions and resolution. Each sub-image was processed using the convolutional neural network (CNN) to detect the scratched regions. The image subdivision method could separate the image into 4, 9, 16, 36, and 64 parts. The separated images could preserve the content in the image, although the CNN processing reduced the pixel dimensions of the images. The CNN method of this study used the YOLOv8n, YOLOv8s, and YOLOv8x models for processing the sub-images. The study results found that (1) the image subdivision and CNN methods could detect more and better scratches than no image subdivision, and (2) the YOLOv8s model of the CNN method achieved appropriate results for the image subdivision methods that included the 4, 9, 16, 36, and 64 parts. The performance evaluation of this method used the training image dataset, 2,600 images, that had several scratches, and the testing image dataset, 7 images, that had 48 scratches. The scratch detection results of the non-subdivision images found 37 scratches or 77.08% and the testing images that separated into 4 parts could detect the remaining scratches of 10 scratches or about 90.90%. The remaining results of the testing images that were separated into 9, 16, 36, and 64 parts could detect all remaining scratches of 11 scratches or about 100%.
The objectives of this independent study were (1) to study the scratched detection on images of aluminum metal surfaces using image subdivision and convolutional neural network methods and (2) to develop and evaluate the performance of a model for the scratched detection on images of aluminum metal surfaces using image subdivision and convolutional neural network methods.This study developed the scratched detection method on aluminum metal surfaces using the subdivision method of the input images that had high pixel dimensions and resolution. Each sub-image was processed using the convolutional neural network (CNN) to detect the scratched regions. The image subdivision method could separate the image into 4, 9, 16, 36, and 64 parts. The separated images could preserve the content in the image, although the CNN processing reduced the pixel dimensions of the images. The CNN method of this study used the YOLOv8n, YOLOv8s, and YOLOv8x models for processing the sub-images. The study results found that (1) the image subdivision and CNN methods could detect more and better scratches than no image subdivision, and (2) the YOLOv8s model of the CNN method achieved appropriate results for the image subdivision methods that included the 4, 9, 16, 36, and 64 parts. The performance evaluation of this method used the training image dataset, 2,600 images, that had several scratches, and the testing image dataset, 7 images, that had 48 scratches. The scratch detection results of the non-subdivision images found 37 scratches or 77.08% and the testing images that separated into 4 parts could detect the remaining scratches of 10 scratches or about 90.90%. The remaining results of the testing images that were separated into 9, 16, 36, and 64 parts could detect all remaining scratches of 11 scratches or about 100%.
Degree Name
วิทยาศาสตรมหาบัณฑิต (เทคโนโลยีสารสนเทศและการสื่อสาร)
Degree Level
ปริญญาโท
Degree Discipline
วิทยาศาสตร์และเทคโนโลยี
Degree Grantor(s)
มหาวิทยาลัยสุโขทัยธรรมาธิราช