การตรวจจับทางม้าลายที่ซีดจางโดยใช้การตรวจจับวัตถุ

ทางม้าลายมีการชำรุดและซีดจางจากการใช้งานทุกวันทั่วโลก และอาจทำให้เกิดอุบัติเหตุระหว่างรถยนต์และคนเดินข้ามทางม้าลายได้ ซึ่งขั้นตอนวิธีในแบบการเรียนรู้ของเครื่อง (Machine learning) มีศักยภาพที่จะสกัดรูปแบบ (Pattern) ทางม้าลายที่ชำรุดและซีดจางออกมาได้ โดยการสร้างโมเดลจากภาพทางม้าลายในทุกระดับความชัดเจนและภาพไม่มีทางม้าลาย ผู้วิจัยเลือกใช้ YOLOv8 ให้เป็นโมเดลสำหรับระบบตรวจจับทางม้าลายในทุกระดับความชัดเจนเพราะมีประสิทธิภาพดีในการตรวจจับวัตถุในภาพ และประมวลผลได้รวดเร็ว โดยผู้วิจัยได้จัดทำชุดข้อมูลทางม้าลายในทุกระดับความชัดเจนจากการขับรถออกไปเก็บข้อมูลในเขตกรุงเทพฯ และปริมณฑล และได้จัดทำระบบในการคัดแยกภาพทางม้าลายออกเป็น 3 ระดับความชัดเจน นั่นคือ ชัดเจน ชำรุดและซีดจางน้อย และชำรุดและซีดจางมาก ซึ่งยังรวมถึงภาพไม่มีทางม้าลาย เพื่อนำมาจัดทำชุดข้อมูลทางม้าลายในทุกระดับความชัดเจนตามสัดส่วนของการฝึกอบรม (Train) การตรวจสอบ (Validate) และการทดสอบ (Test) ซึ่งใช้ในการสร้างโมเดลตรวจจับทางม้าลายในทุกระดับความชัดเจน และภายหลังจากการทดสอบโมเดลกับชุดข้อมูลการทดสอบ (Test) แล้วโมเดลได้ค่าความถูกต้อง (Accuracy) ที่ 87% ความแม่นยำ (Precision) ที่ 94% ความระลึกได้ (Recall) ที่ 92% และผลบวกเท็จ (False positive) ที่ 5% ส่วนเอ็มเอพี 50-95 (mAP50-95) ได้ที่ 76.6% และผู้วิจัยได้พัฒนาระบบการจำแนกประเภทด้วยเงื่อนไข (Conditional classification) ต่อยอดจากโมเดลเดิมเพื่อลดค่าผลบวกเท็จ (False positive) ซึ่งได้ค่าความถูกต้อง (Accuracy) ที่ 98.5% ความแม่นยำ (Precision) ได้ที่ 100% และความระลึกได้ (Recall) ได้ที่ 97.5% ส่วนผลบวกเท็จ (False positive) ลดเหลือ 0% ซึ่งระบบตรวจจับทางม้าลายในทุกระดับความชัดเจนของงานวิจัยนี้จะเป็นส่วนช่วยในการพัฒนาระบบแจ้งเตือนการตรวจจับทางม้าลายในทุกระดับความชัดเจนในมุมมองของผู้ขับขี่รถยนต์ และยังจะเป็นส่วนช่วยในการพัฒนาระบบชะลอหรือเบรกการขับขี่ของรถยนต์อัตโนมัติเมื่ออยู่ใกล้ทางม้าลายในทุกระดับความชัดเจนได้ซึ่งจะช่วยส่งเสริมการขับขี่ของรถยนต์อัตโนมัติได้อย่างปลอดภัยได้ต่อไป