การเรียนรู้ถ่ายโอนสำหรับการจำแนกประเภทภาพเนื้อลายหินอ่อนเทียมด้วยโครงข่ายประสาทคอนโวลูชัน

เกรซ พานิชกรณ์

dc.contributor.advisor	ญาใจ ลิ่มปิยะกรณ์
dc.contributor.author	เกรซ พานิชกรณ์
dc.contributor.other	จุฬาลงกรณ์มหาวิทยาลัย. คณะวิศวกรรมศาสตร์
dc.date.accessioned	2021-09-22T23:36:51Z
dc.date.available	2021-09-22T23:36:51Z
dc.date.issued	2563
dc.identifier.uri	http://cuir.car.chula.ac.th/handle/123456789/77225
dc.description	วิทยานิพนธ์ (วท.ม.)--จุฬาลงกรณ์มหาวิทยาลัย, 2563
dc.description.abstract	ในปัจจุบัน เทคนิคการประมวลผลภาพถูกนำมาใช้กันอย่างแพร่หลายในหลากหลายอุตสาหกรรม หนึ่งในนั้นคือการควบคุมคุณภาพที่ใช้ในอุตสาหกรรมการผลิตอาหาร ขณะเดียวกัน หนึ่งในปัญหาที่การเรียนรู้เชิงลึกสามารถนำมาใช้ตอบโจทย์ได้ดีเยี่ยมคือปัญหาการจำแนกรูปภาพ ในมุมมองของการเรียนรู้เชิงลึก ปัญหาที่หลากหลายของการจำแนกประเภทภาพสามารถแก้ไขได้อย่างรวดเร็วผ่านการเรียนรู้ถ่ายโอน งานวิจัยนี้จึงนำเสนอวิธีการประยุกต์ใช้เทคนิคการเรียนรู้ถ่ายโอนในการฝึกสอนแบบจำลองโครงข่ายคอนโวลูชันเชิงลึกเพื่อจำแนกภาพเนื้อลายหินอ่อนเทียมหรือเป็นเนื้อลายหินอ่อนแท้ แบบจำลองที่เทรนมาเรียบร้อยแล้วสามแบบจำลอง ประกอบด้วย วีจีจี16 เรสเน็ต50 และ อินเซปชันวี3 ได้ถูกเลือกมาใช้ในการทดลองเพื่อสร้างแบบจำลองทั้งหมด 4 ตัว ประกอบด้วย ซีเอ็นเอ็นปกติ ซีเอ็นเอ็น+วีจีจี16 ซีเอ็นเอ็น+เรสเน็ต50 และ ซีเอ็นเอ็น+อินเซปชันวี3 พบว่า สมรรถนะแบบจำลองซีเอ็นเอ็น+อินเซปชันวี3 ให้ผลลัพธ์ที่ดีที่สุด จึงถูกเลือกนำไปปรับละเอียด การประเมินผลบนชุดข้อมูลทดสอบของแบบจำลองซีเอ็นเอ็น+อินเซปชันวี3ภายหลังการปรับแต่งให้ผลลัพธ์ค่าความแม่นยำที่ดีที่สุดคือ 96.7% เห็นได้ว่า แนวทางการจำแนกประเภทภาพที่นำเสนอมีความหวังสามารถนำไปพัฒนาต่อยอดเพื่อเป็นประโยชน์ต่อผู้ซื้อในการตรวจสอบเนื้อลายหินอ่อนเทียมที่อาจตั้งราคาสูงเกินจริง อันเป็นผลมาจากการฉีดไขมันให้มีลายมากมายสวยงาม ซึ่งจะทำให้เนื้อมีรสชาติดีขึ้นรวมทั้งสามารถตั้งราคาที่สูงขึ้นได้อีกด้วย
dc.description.abstractalternative	Nowadays, image processing is widely used as one of the quality control techniques applied in the food and neutral industrial sectors. Whereas one of the problem domains that deep learning excels is image classification. From a deep learning perspective, a variety of image classification problems could be quickly solved through transfer learning. This research thus presents a method of applying the technique of transfer learning to training deep convolutional neural networks models for binary classification if the image is artificial marbling beef. The three selected pre-trained models include VGG16, ResNet50, and InceptionV3. The experiments were carried out to construct the four models consisting of the CNN trained from scratch, the CNN+VGG16, the CNN+ResNet50, and theCNN+InceptionV3. Among all, the CNN+InceptionV3 achieved the best performance, the model was then chosen for fine tuning. The evaluation of the final CNN+InceptionV3 on test dataset reported the best accuracy of 96.7%. The proposed approach of image classification is promising. And since the intensely, beautifully marbled fat results in rich flavor and increased price of the cuts, more or less, the presented classifier would benefit the buyers for detecting imposter marbling beef with mark-up price.
dc.language.iso	th
dc.publisher	จุฬาลงกรณ์มหาวิทยาลัย
dc.relation.uri	http://doi.org/10.58837/CHULA.THE.2020.1032
dc.rights	จุฬาลงกรณ์มหาวิทยาลัย
dc.subject.classification	Computer Science
dc.subject.classification	Computer Science
dc.title	การเรียนรู้ถ่ายโอนสำหรับการจำแนกประเภทภาพเนื้อลายหินอ่อนเทียมด้วยโครงข่ายประสาทคอนโวลูชัน
dc.title.alternative	Transfer learning for image classification of artificial marbling beef with convolutional neural networks
dc.type	Thesis
dc.degree.name	วิทยาศาสตรมหาบัณฑิต
dc.degree.level	ปริญญาโท
dc.degree.discipline	วิทยาศาสตร์คอมพิวเตอร์
dc.degree.grantor	จุฬาลงกรณ์มหาวิทยาลัย
dc.identifier.DOI	10.58837/CHULA.THE.2020.1032