งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการจำแนกประเภทของรถยนต์ที่มีความเสียหายและไม่มีความเสียหาย โดยใช้เทคนิคการเรียนรู้เชิงลึกและพัฒนาแบบจำลองการจำแนกความเสียหายของรถยนต์โดยใช้โครงข่ายประสาทเทียม (CNN) ได้แก่ VGG16, ResNet50 และ InceptionV3 ควบคู่ไปกับการใช้ เทคนิค งานวิจัยนี้มีวัตถุประสงค์เพื่อศึกษาการจำแนกภาพรถยนต์ที่เสียหายและไม่เสียหายโดยใช้เทคนิคการเรียนรู้เชิงลึกเพื่อพัฒนาแบบจำลองการจำแนกความเสียหายของรถยนต์โดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชันนัล (CNN) CNN ที่ใช้ในการพัฒนาแบบจำลองการจำแนกความเสียหายของยานพาหนะคือ VGG16 , ResNet50 และ InceptionV3 โดยใช้เทคนิคการถ่ายโอนการเรียนรู้
30 รูป 22 กราฟความสัมพันธ์ระหว่างความแม่นยำและการสูญเสียและระยะเวลาของแบบจำลอง VGG16 กับการเพิ่มข้อมูล 31 รูปที่ 24 กราฟความสัมพันธ์ระหว่างความแม่นยำและการสูญเสียและคาบของแบบจำลอง Resnet 50 32 รูปที่ 26 ความสัมพันธ์ระหว่างความแม่นยำและการสูญเสียและระยะเวลาของโมเดล Resnet 50. 32 รูปที่ 26 ความสัมพันธ์ระหว่างความแม่นยำและการสูญเสียและระยะเวลาของโมเดล ResNet 50 กับการเพิ่มข้อมูล
รูปที่ 33 รูปที่ 28 แสดงความสัมพันธ์ระหว่างความแม่นยำและการสูญเสียกับยุคของโมเดล inceptionV3 34 รูปที่ 30 แสดงความสัมพันธ์ระหว่างความแม่นยำและการสูญเสียกับยุคของโมเดล InceptionV3 กับการเพิ่มข้อมูล 35 รูปที่ 31 เมทริกซ์ความสับสนของโมเดล Del VGG16 , ResNet50 และ InceptionV3
36 รูป 32 เมทริกซ์ความสับสนของรุ่น Dell VGG16, ResNet50 และ InceptionV3 พร้อมการเพิ่มข้อมูล
ความส าคัญและความเป็นมาของงานวิจัย
วัตถุประสงค์
ขอบเขตการวิจัย
ประโยชน์ที่ได้รับจากงานวิจัย
การเรียนรู้เชิงลึก (Deep Learning)
โครงสร้างประสาทเทียมแบบคอนโวลูชั่น (Convolution Neural Network)
การสกัดคุณลักษณะ (Feature Extraction)
สไตรด์ (Stride) และแพดดิง (Padding)
พูลลิ่ง (Pooling)
Fully Connected Layer
การเรียนรู้แบบถ่ายโอน (Transfer Learning)
โครงสร้างการถ่ายโอนโมเดล VGG16
โครงสร้างการถ่ายโอนโมเดล ResNet50
โครงสร้างการถ่ายโอนโมเดล InceptionV3
การดัดแปลงข้อมูลต้นฉบับ (Data Augmentation)
การประเมินความแม่นย าของโมเดล
ขั้นตอนการด าเนินการเคลมประกันรถยนต์และเอกสารประกอบการเคลม
ขั้นตอนการเคลมประกันรถยนต์
เอกสารประกอบการเคลม
งานวิจัยที่เกี่ยวข้อง
เป็นไปโดยอัตโนมัติอันจะเป็นประโยชน์ต่อทั้งบริษัทและลูกค้า ระบบนี้จะถ่ายภาพรถที่เสียหาย ป้อนข้อมูลและให้ข้อมูลที่เกี่ยวข้อง เช่นชิ้นส่วนที่เสียหายและให้ประมาณการขอบเขตความ เสียหาย โดยท าการศึกษาความเสียหายของรถยนต์จากรูปภาพได้ทดลองโดยการฝึกโมเดลการ เรียนรู้เชิงลึกต่างๆ ออกแบบตัวท านายความเสียหายของรถยนต์ แยกแต่ละงานออกเป็นโมดูล ต่างๆ โมดูลแรกตรวจจับและก าหนดต าแหน่งชิ้นส่วนในภาพรถยนต์ การตรวจจับชิ้นส่วน จ าเป็นต้องระบุชิ้นส่วนที่เสียหาย โดยใช้โมเดล Mask R-CNN, PANet และใช้ทั้งสองอย่าง Ensemble โมดูลที่สองจ าแนกชิ้นส่วนที่ตรวจพบโดยโมดูลแรกคือมีเสียหายหรือไม่เสียหาย เมื่อ ตรวจพบชิ้นส่วนโดยใช้โมดูลแรก กรองส่วนที่ไม่เสียหายออก โดยใช้ตัวแยกประเภทภาพโมเดล VGG16 เพื่อจ าแนกชิ้นส่วนที่เสียหายและไม่เสียหาย เรียกเครือข่ายนี้ว่า Damage Net (D-Net) และคาดการณ์ขอบเขตความเสียหาย ได้ท าการทดสอบกับชุดข้อมูล COCO ประสิทธิภาพ Parts MRCNN, Part PA Net, Ensemble(Parts MRCNN+Part PA)แ ล ะ Damage MRCNN ผ ล คะแนน mAP (mean Average Precision ตามล าดับ Parts MRCNN มี. ความเสียหายเพื่อช่วยแบ่งเบาภาระของเจ้าหน้าที่ประกันภัยในการลงส ารวจภัย โดยใช้โครงสร้าง ประสาทเทียมแบบคอนโวลูชัน (Convolution neural network) ใช้เทคนิคการถ่ายโอน 3 โครงสร้าง (transfer learning) ได้แก่ 1) โครงสร้างการถ่ายโอนโมเดล VGG16 2) โครงสร้างการ ถ่ายโอนโมเดล ResNet50 3) โครงสร้างการถ่ายโอนโมเดล InceptionV3 วิธีการและขั้นตอนใน การด าเนินการวิจัย เพื่อใช้ในการสรุปผลของงานวิจัยดังนี้.
ขั้นตอนการด าเนินการวิจัย
การรวบรวมข้อมูล
การเตรียมข้อมูล (data preprocessing) และ การดัดแปลงข้อมูลต้นฉบับ (data
การสกัดคุณลักษณะ (Feature extraction)
ขั้นตอนการจ าแนกประเภท (Classification)
ขั้นตอนทดสอบ fine tune
สรุปขั้นตอนการทดลอง
การทดลองปรับพารามิเตอร์และเปรียบเทียบประสิทธิภาพ
การเปรียบเทียบระหว่าง max pooling และ average pooling
23 ตารางที่ 2 การเปรียบเทียบประสิทธิภาพความแม่นยำระหว่างการรวมสูงสุดและการรวมเฉลี่ย
การเปรียบเทียบระหว่าง learning rate 0.0001 และ 0.001
การเปรียบเทียบระหว่าง Batch size ขนาดต่างๆ
การทดสอบ fine tune
โมเดล VGG16
โมเดล ResNet50
โมเดล InceptionV3
เราจะดำเนินการต่อด้วยข้อมูลที่เตรียมไว้ในบทที่ 3 และในบทนี้ การฝึกอบรม 3 โมเดลการเรียนรู้แบบพกพา ได้แก่ InceptionV3, VGG16 และ ResNet 50 โดยใช้น้ำหนักจาก ImageNet และสร้างส่วนหัวที่กำหนดเอง เพิ่มเลเยอร์การรวม การใช้เลเยอร์การรวมสูงสุด และโดยการตั้งค่า ชั้นสุดท้ายที่มีความหนาแน่น 1 เพื่อกำหนดผลลัพธ์โดยใช้การเปิดใช้งาน sigmoid และแปลแบบจำลองโดยใช้เครื่องมือเพิ่มประสิทธิภาพเป็นอัตราการเรียนรู้ RMSprop = 0.0001 การสูญเสียเท่ากับสารานุกรมแบบไบนารีครอสโอเวอร์วัดประสิทธิภาพของการฝึกอบรมระหว่างการฝึกอบรม แต่ละรอบใช้เมตริกเท่ากับความแม่นยำและการฝึกเป็นเวลา 500 ยุค
ผลลัพธ์ประสิทธิภาพผลลัพธ์ของโมเดลแต่ละโมเดล
- ผลลัพธ์ประสิทธิภาพของโมเดล VGG16
- ผลลัพธ์ประสิทธิภาพโมเดล VGG16 with data augmentation
- ผลลัพธ์ประสิทธิภาพผลลัพธ์ของโมเดล ResNet 50
- ผลลัพธ์ประสิทธิภาพโมเดล ResNet 50 with data augmentation
- ผลลัพธ์ประสิทธิภาพผลลัพธ์ของโมเดล InceptionV3
- ผลลัพธ์ประสิทธิภาพโมเดล InceptionV3 with data augmentation
ผลการทดลองที่ได้รับสำหรับโมเดล InceptionV3 ในขั้นตอนก่อนการประมวลผล
การเปรียบเทียบผลลัพธ์ประสิทธิภาพของแต่ละโมเดล
ผลลัพธ์การเพิ่มประสิทธิภาพด้วยวิธีการ fine tune
สรุปผลการวิจัย
อภิปรายผลการวิจัย
ข้อเสนอแนะ
เอกสารที่นำเสนอในการประชุมวิชาการนานาชาติเรื่องความก้าวหน้าทางเทคโนโลยีสารสนเทศครั้งที่ 1 ชั้นการรวมสูงสุดที่หนาแน่น (sigmoid) เพิ่มส่วนหัวให้กับข้อมูลการฝึกอบรม คำสั่งบอกให้โมเดลหยุดการฝึกหากการสูญเสียไม่เปลี่ยนแปลงใน 3 ยุค
จ านวนภาพการฝึก (train) และทดสอบ (test) จ าแนกตามคลาส
เปรียบเทียบประสิทธิภาพความถูกต้องระหว่าง Max pooling และ Average pooling 23
เปรียบเทียบประสิทธิภาพผลลัพธ์ของ Batch size ขนาดต่างๆ
เปรียบเทียบผลลัพธ์ประสิทธิภาพของแต่ละโมเดล
เปรียบเทียบผลลัพธ์ประสิทธิภาพของแต่ละโมเดลหลังจากการทดลอง fine tune
ส่วนประกอบของโครงสร้างประสาทเทียม
น้ำหนักของเครือข่ายมีขนาดใหญ่และมีพารามิเตอร์ประมาณ 138 ล้านพารามิเตอร์ โครงสร้างสถาปัตยกรรมของ VGG16 แสดงอยู่ในภาพประกอบ 8 โมเดลการฝึก VGG16 (หากต้องการเรียนรู้วิธีเรียกโมเดลอื่น คุณสามารถเปลี่ยนรหัสส่วนนี้ได้) กำหนดขนาดภาพเป็น 128x128x3
แสดงโครงสร้าง Convolution Neural Network
การ Stride
การ padding
Max Pooling
Fully Connected Layer
การเปรียบเทียบระหว่าง Tradition ML และ Transfer Learning
สถาปัตยกรรม VGG 16
สถาปัตยกรรม Inception V3
Data Augmentation
ขั้นตอนการเคลมประกันรถยนต์
โฟลเดอร์เก็บข้อมูล Train และ Test
ตัวอย่างรูปภาพชุดข้อมูล (Data set)
ชั้นของโมเดลที่ใช้ในการฝึกฝนในการจ าแนกประเภท
แสดงชั้นของโมเดลที่ใช้ในการฝึกฝนในการ fine tune
ขั้นตอนการทดลอง
กราฟแสดง Accuracy และ Loss เปรียบเทียบกันระหว่าง learning rate
กราฟแสดงความสัมพันธ์ระหว่าง accuracy และ loss ของ Batch size ขนาด
