การประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึกในการสำรวจแหล่งที่อยู่อาศัยด้วยภาพถ่ายจาก UAV ตลอดแนวท่อส่งก๊าซธรรมชาติ

ท่อส่งก๊าซธรรมชาติมีความสำคัญอย่างมากในด้านพลังงานของประเทศ โดยการขนส่งก๊าซธรรมชาตินั้นจะใช้การขนส่งทางท่อโดยส่วนใหญ่ การออกแบบและบำรุงรักษาระบบท่อจึงเป็นสิ่งที่สำคัญมากและต้องเป็นไปตามมาตรฐานสากล ดังนั้นจึงจะต้องมีการสำรวจชุมชนตลอดแนวท่อเป็นประจำเพื่อกำหนดแรงดันสูงสุดของท่อส่ง งานวิจัยนี้จึงมีแนวคิดที่จะศึกษาการประยุกต์ใช้เทคโนโลยีอากาศยานไร้คนขับ (UAV) เทคโนโลยีการเรียนรู้เชิงลึก (Deep Learning) และเทคนิค Support Vector Machine ในการสำรวจชุมชนแนวท่อส่งก๊าซธรรมชาติ โดยใช้ข้อมูลรูปภาพจากเอกสารรายงานผลการปฏิบัติงานการจัดทำภาพถ่ายทางอากาศเพื่อประเมินการเปลี่ยนแปลงของพื้นที่แนวท่อด้วยอากาศยายไร้คนขับ (UAV) ของบริษัท ปตท. จำกัด(มหาชน) ซึ่งเมื่อทำการ Data Selection เฉพาะรูปที่มีอาคารที่พักอาศัยได้จำนวนทั้งหมด 119 รูปและนำมาทำการ Data Augmentation ด้วยวิธีการตีกรอบ (Crop) เฉพาะที่พักอาศัยแต่ละหลัง การพลิกรูปในแนวแกนนอน (Horizontal Flip) และการหมุนรูป (Rotation) ด้วยขนาด 90, 180 และ 270 Degree จากนั้นนำข้อมูลรูปภาพทั้งหมดแบ่งเป็นข้อมูลสำหรับการฝึก (Training Dataset) จำนวน 80% และข้อมูลสำหรับการทดสอบ (Testing Dataset) จำนวน 20% นำเข้าประมวลผลกับโมเดล Convolutional Neural Network (CNN) และโมเดล Support Vector Machine (SVM) โดยข้อมูลที่เข้าประมวลผลในโมเดล SVM จะผ่านขั้นตอนการทำ Histogram of Oriented Gradients (HOG) เพื่อทำการสกัดคุณลักษณะ (Feature Extraction) จากนั้นทำการปรับค่าตัวแปรต่างๆ ของทั้ง 2 โมเดลเพื่อให้ได้โมเดลที่เหมาะสมที่สุด ซึ่งผลลัพธ์ที่ได้ค่าความถูกต้อง (Accuracy) ของ CNN เท่ากับ 97% และค่า F1 Score เท่ากับ 0.97 ส่วนด้านโมเดล SVM ค่าความถูกต้องเท่ากับ 88.34% ค่า F1 Score เท่ากับ 0.91