Page 61 - วารสารการเกษตรราชภัฏ ปีที่ 22 ฉบับที่ 1 มกราคม - มิถุนายน 2566

56
57
56 57

ครั้งละ 1 พิกเซล ชั้นพูลลิ่งใช้การพูลลิ่งด้วยค่าสูงสุด เลื่อนครั้งละ 1 พิกเซล ชั้นพูลลิ่งใช้การพูลลิ่งด้วย ผลการวิจัยและวิจารณ์ ภาพไก่พื้นเมืองได้อย่างมีประสิทธิภาพเช่นเดียวกัน แต่
จ านวน 2 ชั้น แต่ละชั้นประกอบด้วย ขนาดตัวกรอง ค่าสูงสุด จ านวน 3 ชั้น แต่ละชั้นประกอบด้วย ขนาด สถาปัตยกรรมแบบ CNN2 จะใช้เวลาในการประมวล
2x2 เลื่อนครั้งละ 2 พิกเซล ชั้นเชื่อมโยงสมบูรณ์ ตัวกรอง 2x2 เลื่อนครั้งละ 2 พิกเซล ชั้นเชื่อมโยง การเปรียบเทียบประสิทธิภาพของโมเดลด้วย เรียนรู้น้อยกว่า LeNet-5 จากผลลัพธ์ดังกล่าวจะเห็นได้ว่า
จ านวน 1 ชั้น ประกอบด้วย 64 โหนด และใช้ฟังก์ชัน สมบูรณ์ จ านวน 1 ชั้น ประกอบด้วย 64 โหนด และใช้ การทดสอบสถาปัตยกรรมของโครงข่ายประสาทเทียม เทคนิคโครงข่ายประสาทแบบคอนโวลูชันที่มีโครงสร้าง
กระตุ้นเรคติไฟด์ลินเนียนยูนิต ฟังก์ชันกระตุ้นเรคติไฟด์ลินเนียนยูนิต ทุกโครงสร้างใช้ แบบคอนโวลูชันเพื่อจ าแนกภาพไก่พื้นเมืองพันธุ์ประดู่หาง สถาปัตยกรรมอย่างง่ายสามารถน ามาใช้ในการจ าแนก
4) สถาปัตยกรรมแบบคอนโวลูชัน 3 ชั้น ออฟติไมเซอร์ (optimizer) เป็นอดัม (Adaptive ด า จ านวน 4 กลุ่ม ได้แก่ พันธุ์แท้เพศผู้ พันธุ์แท้เพศเมีย ภาพไก่พื้นเมืองได้อย่างมีประสิทธิภาพ ซึ่งสอดคล้องกับ
(CNN2) ประกอบด้วย ชั้นคอนโวลูชัน จ านวน 3 ชั้น Moment Estimation; Adam) และใช้ฟังก์ชันซอฟต์ ลูกผสมเพศผู้ และลูกผสมเพศเมีย โดยทดสอบ การทดลองเกี่ยวกับการจ าแนกสัตว์ปีกหลายชนิด ดังนี้
ประกอบด้วย ผังคุณลักษณะในชั้นที่ 1-3 เท่ากับ 32, แมกซ์ (Softmax function) ในการค านวณหาความ สถาปัตยกรรม 4 แบบ ได้แก่ LeNet-5, AlexNet, CNN1, Huang et al. (2019) ใช้โครงข่ายประสาทเทียมแบบคอน
64 และ 64 ตามล าดับ ใช้ตัวกรองขนาด 3x3 และ น่าจะเป็นเพื่อท านายผลข้อมูลส่งออก และ CNN2 แบ่งชุดข้อมูลส าหรับการเรียนรู้ การ โวลูชัน จ าแนกนก 27 ชนิด พบว่า มีความแม่นย า
ตรวจสอบ และการทดสอบ ในอัตราส่วน 80:10:10 และ 93.98% Singh et al. (2020) ท าการจ าแนกนก 5 ชนิด
ก าหนดการประมวลผล 2 ระดับ คือ 10 และ 20 รอบ ด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชันด้วย
จากการทดลองพบว่า สถาปัตยกรรม LeNet-5 ใช้ฟังก์ชัน สถาปัตยกรรมอย่างง่ายพบว่า มีความแม่นย าในการเรียนรู้
กระตุ้น ReLU และประมวลผลจ านวน 20 รอบ มีความ 93% Raj et al. (2020) ใช้สถาปัตยกรรม VGGNet
แม่นย าของชุดข้อมูลการเรียนรู้ การตรวจสอบ และการ และฟังก์ชันกระตุ้นเรคติไฟด์ลินเนียนยูนิต ในการจ าแนก
ทดสอบ ดีที่สุด คือ 99.87, 99.48 และ 98.66% ตามล าดับ นก 60 ชนิด จากการทดสอบโมเดลพบว่า มีความแม่นย า
แต่สถาปัตยกรรมแบบ CNN2 ประมวลผล 20 รอบ ในการเรียนรู้ 93.19% และ Yao et al. (2020) ท าการ
สามารถท านายถูกต้องมากที่สุด คือ 96.67 % (ตารางที่ จ าแนกไก่เพศผู้และเพศเมียด้วยด้วยสถาปัตยกรรม 6
1) และเมื่อพิจารณาดูจะเห็นว่าทั้ง 2 สถาปัตยกรรมมีค่า แบบ คือ AlexNet, VGG-16, VGG-19, ResNet-18,
ความแม่นย าและการท านายผลในการทดสอบโมเดล ResNet-34, และ DenseNet-121 จากการทดสอบโมเดล
ใกล้เคียงกันมีค่าต่างกันเพียงเล็กน้อยเท่านั้น ดังนั้น พบว่า VGG-19 ใช้การประมวลผล 5 รอบ มีความแม่นย า
สถาปัตยกรรมทั้ง 2 แบบ สามารถน าไปใช้ในการจ าแนก มากที่สุด คือ 96.85%

รูปที่ 3 ขั้นตอนการจ าแนกภาพไก่พื้นเมืองด้วยสถาปัตยกรรม LeNet-5, AlexNet, CNN1, และ CNN2 ตารางที่ 1 ประสิทธิภาพของสถาปัตยกรรมที่ใช้ในการจ าแนกภาพไก่พื้นเมือง
Architecture Activation Time Epochs Accuracy (%) + SD Prediction

การประเมินประสิทธิภาพของโมเดล Function (s) (%)
เดียวกับที่ใช้ในการทดสอบโมเดลทั้ง 4 กลุ่ม ๆ ละ 10 Training Validation Testing
การประเมินประสิทธิภาพของโมเดลด้วยการ ภาพ รวมเป็น 40 ภาพ น ามาทดสอบการท านายผล LeNet-5 Tanh 243 10 21.23 + 0.10 23.16 + 0.82 21.45 + 0.49 17.59 + 0.57
ค านวณหาค่าความแม่นย า (Accuracy) (สมการที่ 1) (Prediction) โดยการนับจ านวนภาพที่โมเดลท านาย 414 20 22.14 + 0.43 25.20 + 0.52 22.72 + 0.58 26.11 + 0.96
(กอบเกียรติ, 2565) และการท านายผล (Prediction) ถูกต้องแล้วน าค านวณหาค่าเป็นเปอร์เซ็นต์ความ ReLu 236 10 100 + 0.00 100 + 0.00 97.92 + 0.47 100 + 0.00
ค านวณหาโดยการสุ่มข้อมูลภาพไก่พื้นเมืองจาก ชุด ถูกต้องเพื่อวัดประสิทธิภาพของการท างานของโมเดล 410 20 99.87 + 0.14 99.48 + 0.52 98.66 + 0.51 95.65 + 0.47
ข้อมูลภาพชุด AlexNet ReLu 3,510 10 13.19 + 0.04 8.85 + 0.49 14.73 + 0.98 13.04 + 0.97
7,103 20 15.56 + 0.76 10.43 + 0.51 14.73 + 1.06 15.22 + 0.48
(TP+TN) x 100 CNN1 ReLu 87 10 97.74 + 0.82 95.63 + 0.75 96.87 + 0.89 97.19 + 0.14
Accuracy = (1) 163 20 97.01 + 0.56 98.58 + 0.93 97.67 + 0.25 96.27 + 0.44
(TP+TN+FP+FN) CNN2 ReLu 94 10 98.33 + 0.84 97..61 + 0.95 97.93 + 0.27 95.67 + 0.59
178 20 98.44 + 0.39 98.96 + 0.78 98.48 + 0.40 96.67 + 0.85
โดยก าหนดให้ค่าที่พยากรณ์ถูกต้องเชิงบวก บวก (False Positive: FP) เป็นข้อมูลที่ท านายผิดเป็น
(True Positive: TP) เป็นข้อมูลที่ท านายตรงกับข้อมูลจริง กลุ่มที่ก าลังพิจารณา และค่าที่พยากรณ์ผิดพลาดเชิงลบ สรุป และ CNN2 ที่ใช้ฟังก์ชันกระตุ้น ReLU สามารถจ าแนก
ในกลุ่มที่ก าลังพิจารณา ค่าที่พยากรณ์ถูกต้องเชิงลบ (False Negative: FN) เป็นข้อมูลที่ท านายผิดเป็นกลุ่มที่ ภาพไก่พื้นเมืองได้มีประสิทธิภาพเหมือนกัน โดยมีค่า
(True Negative: TN) เป็นข้อมูลที่ท านายตรงกับข้อมูล ไม่ได้พิจารณา การใช้เทคนิคการเรียนรู้เชิงลึกด้วยโครงข่าย ความแม่นย าของการเรียนรู้ การตรวจสอบ และการ
จริงในกลุ่มที่ไม่ได้พิจารณา ค่าที่พยากรณ์ผิดพลาดเชิง ประสาทเทียมแบบคอนโวลูชันในการจ าแนกไก่พื้นเมือง ทดสอบ ใกล้เคียงกัน รวมถึงความถูกต้องของการท านาย
พันธุ์ประดู่หางด า ผลลัพธ์ของการทดลองแสดงให้เห็นว่า ผลด้วย ดังนั้นสามารถน าไปใช้ประโยชน์ในการตรวจความ
สถาปัตยกรรมที่มีโครงสร้างอย่างง่าย ได้แก่ LeNet-5 ถูกต้องของพันธุ์ไก่พื้นเมืองเพื่อลดปัญหาความผิดพลาดใน

วารสารการเกษตรราชภัฏ ปีที่ 22 ฉบับที่ 1 มกราคม-มิถุนายน 2566 วารสารการเกษตรราชภัฏ ปีที่ 22 ฉบับที่ 1 มกราคม-มิถุนายน 2566
วารสารการเกษตรราชภัฏ ปีที่ 22 ฉบับที่ 1 มกราคม-มิถุนายน 2566
วารสารการเกษตรราชภัฏ ปีที่ 22 ฉบับที่ 1 มกราคม-มิถุนายน 2566