การตรวจจับเรือและจำแนกประเภทเรือในประเทศไทยแบบเรียลไทม์โดยใช้การเรียนรู้เชิงลึก

การค้นคว้าอิสระนี้ มีวัตถุประสงค์เพื่อศึกษาแบบจำลองของการตรวจจับเรือและการจำแนกประเภทเรือที่สามารถประมวลผลได้แบบเรียลไทม์ การค้นคว้าอิสระนี้ได้มีการรวบรวมรูปภาพเรือจากหลายแหล่งในอินเทอร์เน็ต รูปภาพเรือในข้อมูลชุดนี้จะถูกแบ่งออกเป็น 10 ประเภท โดยแต่ละประเภทจะมีรูปภาพประเภทละ 500 รูปภาพ รวมเป็นจำนวนทั้งหมด 5,000 รูปภาพ โดยทดสอบประสิทธิภาพด้านความแม่นยำ ด้านความรวดเร็วในการประมวลผล และด้านผลลัพธ์การใช้เทคนิคการเพิ่มจำนวนรูปภาพกับโมเดล YOLOv7, YOLOv8 และ YOLOv9ผลการวิจัยพบว่าด้านประสิทธิภาพ YOLOv8 ได้ค่า mAP ที่สูงที่สุดคือ 0.871 ซึ่งสูงกว่าทั้ง YOLOv7 ที่มีค่า mAP อยู่ที่ 0.820 และ YOLOv9 ที่มีค่า mAP อยู่ที่ 0.826 ด้านความรวดเร็ว YOLOv8 มีความเร็วในการประมวลผลที่ดีที่สุดด้วยเวลา 5.8 มิลลิวินาทีต่อภาพ ซึ่งเร็วกว่า YOLOv7 และ YOLOv9 ที่มีเวลาอนุมานอยู่ที่ 6.0 และ 6.1 มิลลิวินาทีต่อภาพตามลำดับ สุดท้าย การนำเทคนิค Data Augmentation มาใช้กับ YOLOv8 ได้ช่วยเพิ่มความแม่นยำโดยรวมของการตรวจจับเรือ โดยมีการปรับปรุงค่า mAP จาก 0.871 เป็น 0.905 การใช้เทคนิค Data Augmentation ทำให้ระบบสามารถตอบสนองได้ดีขึ้นในสภาพแวดล้อมที่หลากหลาย แสดงถึงความสำคัญของการเพิ่มความหลากหลายของข้อมูลในการพัฒนาโมเดลการตรวจจับวัตถุ