ระบบการเช็คชื่อเข้าชั้นเรียนด้วยการตรวจจับใบหน้าโดยใช้ CNN และ Deep Learning
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อทดสอบประสิทธิภาพความแม่นยำของระบบการเช็คชื่อเข้าชั้นเรียนด้วยการตรวจจับใบหน้าโดยใช้ CNN และ Deep learning และพัฒนาระบบลงชื่อด้วยการตรวจจับใบหน้า โดยลดข้อผิดพลาดในการบันทึกข้อมูลได้อย่างมีประสิทธิภาพด้วยโมเดลการจดจำใบหน้าที่พัฒนาโดยใช้เทคนิคการเรียนรู้เชิงลึก Convolutional Neural Networks (CNN) ร่วมกับเทคโนโลยีตรวจจับใบหน้า Histogram of Oriented Gradients (HOG) โปรแกรมประยุกต์ได้รับการพัฒนาด้วยPythonและส่วนของเว็บไซต์ถูกพัฒนาด้วยการใช้ PHP ร่วมกับ React.js ฐานข้อมูลผู้ใช้ และรายงานการเข้าเรียนถูกจัดเก็บไว้ใน MySQL ระบบได้รับการทดสอบภายใต้สภาพแสงภายในอาคารระยะการตรวจจับใบหน้า 2, 3, 4 และ 5 เมตร จำนวนใบหน้าเป้าหมาย 4, 6, 8, 10, 12, 14 และ 16 คน ทดสอบ 20 ครั้งภายใต้แต่ละเงื่อนไขการทดสอบ โดยสรุปผลการทดสอบได้ว่า 1) การใช้งานระบบการเช็คชื่อเข้าชั้นเรียนด้วยการตรวจจับใบหน้าโดยใช้ CNN และ Deep learning ควรใช้รูปภาพที่มีรายละเอียดของใบหน้าชัดเจน (เช่น ดวงตา จมูก ปาก และหน้าผาก) จะทำให้ระบบตรวจจับใบหน้าทำงานได้อย่างแม่นยำ และมีประสิทธิภาพ 2) การตรวจจับใบหน้าที่ระยะการตรวจจับที่ใกล้ (2 เมตร) และจำนวนของใบหน้าเป้าหมายในรูปภาพ ที่จำนวน 4 คน ต่อ 1 รูปภาพ จะให้ผลลัพธ์ที่แม่นยำมากที่สุด โดยค่าความสอดคล้องอยู่ในช่วงเฉลี่ยร้อยละ 100 3) การตรวจจับใบหน้าที่ระยะการตรวจจับที่ไกล (5 เมตร) และจำนวนของใบหน้าเป้าหมายในรูปภาพ ที่จำนวน 16 คน ต่อ 1 รูปภาพ จะให้ผลลัพธ์ที่แม่นยำน้อยที่สุด โดยค่าความสอดคล้องอยู่ในช่วงเฉลี่ยร้อยละ 30 4) ความแม่นยำในการตรวจจับใบหน้าขึ้นอยู่กับความละเอียดของใบหน้าในรูปภาพ หากความละเอียดของใบหน้าในรูปภาพน้อยลง ก็จะส่งผลให้ค่าเฉลี่ยความแม่นยำน้อยลงเช่นกัน 5) การตรวจจับใบหน้าของผู้เข้าร่วมชั้นเรียนทั้งหมดมีความแม่นยําเฉลี่ยร้อยละ 75
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
A. A. M. Alshiha, M. W. Al-Neama, and A. R. Qubaa, " Parallel Hybrid Algorithm for Face Recognition Using Multi-Linear Methods," International Journal of Electrical and Electronics Research, vol. 11, no. 4, pp. 1013–1021, Nov. 2023.
Z. Li, F. Liu, W. Yang, S. Peng and J. Zhou, " A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects,", IEEE Transactions on Neural Networks and Learning Systems, vol. 33, no. 12, pp. 6999-7019, Dec. 2022.
S. Sakib, N. Ahmed, A. J. Kabir, and H. Ahmed, "An overview of convolutional neural network: Its architecture and applications," Bangladesh: Preprints, 2018.
R. Yamashita, M. Nishio, R. K. G. Do, and K. Togashi, "Convolutional Neural networks: an Overview and Application in Radiology," Insights into Imaging, vol. 9, no. 4, pp. 611–629, Jun. 2018.
S. R. Dubey, S. K. Singh, and B. B. Chaudhuri, “Activation functions in deep learning: A comprehensive survey and benchmark,” Neurocomputing, vol. 503, pp. 93–108, Sep. 2022.
A. Zafar, M. Aamir, N. Mohd Nawi, A. Arshad, S. Riaz, A. Alruban, A. K. Dutta, and S. Almotairi, “A Comparison of Pooling Methods for Convolutional Neural Networks,” Applied Sciences, vol. 12, no. 17, p. 8643, Jan. 2022.
X. Zhao, L. Wang, Y. Zhang, X. Han, M. Deveci, and M. Parmar, "A review of convolutional neural networks in computer vision," Artificial Intelligence Review, vol. 57, pp. 99–142, Mar. 2024.
Nwankpa, C. E., Ijomah, W., Gachagan, A., and Marshall, S. “Activation functions: comparison of trends in practice and research for deep learning,” in Proc. 2nd International Conference on Computational Sciences and Technology, Jamshoro, Pakistan. 2021. pp.123 - 133.
P. Carcagnì, M. Del Coco, M. Leo, and C. Distante, "Facial expression recognition and histograms of oriented gradients: a comprehensive study," SpringerPlus, vol. 4, no. 645, pp. 1–25, 2015.
W. Zhou, S. Gao, L. Zhang, and X. Lou, "Histogram of Oriented Gradients Feature Extraction from Raw Bayer Pattern Images," IEEE Transactions on Circuits and Systems II: Express Briefs, vol. 67, no. 12, pp. 3502–3506, Dec. 2020.
Chaiyadecha, S., "Image Classification: Histogram of Oriented Gradients," Medium, Mar. 23, 2022. [Online]. Available: https://lengyi.medium.com/image-classification-histogram-of-oriented-gradients-87ab7b657b6b.
S. S. Umar, Z. S. Iro, A. Y. Zandam, and S. S. Shitu, "Accelerated Histogram of Oriented Gradients for Human Detection," Dutse Journal of Pure and Applied Sciences (DUJOPAS), vol. 9, no. 1a, pp. 44–56, Mar. 2023.
L. Ke and Y. Luo, "A new pedestrian detection method based on histogram of oriented gradients and support vector data description," in Electronics, Communications and Networks, vol. 10, pp. 333–342, 2024.
อรวรรณ เลียบศิริ, "การจำแนกอารมณ์ตัวการ์ตูนด้วยฮิสโตแกรมของทิศทางตามค่าเกรเดียนท์," วิทยานิพนธ์ วท.ม. (วิทยาการคอมพิวเตอร์) มหาวิทยาลัยธรรมศาสตร์, กรุงเทพฯ, 2559.
Mahmoudi, K., "Understanding Histogram of Oriented Gradients (HOG) for Face Detection," Kaamraan, Jan. 22, 2024. [Online]. Available: https://kaamraan.com/understanding-histogram-of-oriented-gradients-hog-for-face-detection/?fbclid=IwY2xjawHm4VpleHRuA2FlbQIxMAABHScZFsJCy47aTiivHij-tn9OSpAqphhex2hSZ3QNv1WORKeIdA5T8q7jpA_aem_5X4rPpW9wc8LUBOho_Y5zg.
ชลิดา ภัทรณิชกุล, "ระบบการจดจำใบหน้าของบุคคลโดยใช้การเรียนรู้เชิงลึกและการเรียนรู้ของเครื่อง" วิทยานิพนธ์ วศ.ม. (วิศวกรรมไฟฟ้า) มหาวิทยาลัยศรีนครินทรวิโรฒ, กรุงเทพฯ, 2566.
เอกรัตน์ สุขสุคนธ์, "ระบบลงทะเบียนใบหน้าและตรวจสอบนักศึกษาเข้าห้องเรียน ด้วยหลักการ ประมวลผลภาพร่วมกับเทคนิคการรู้จำใบหน้า,"วารสารวิชาการสมาคมสถาบันอุดมศึกษาเอกชนแห่งประเทศไทย, ปีที่ 10, ฉบับที่ 2, หน้า 30-39, กรกฎาคม – ธันวาคม, 2564.
ศันศนีย์ หิรัญจันทร์ และจิระ ทิวถาวรวงศ์ (2563). "ระบบตรวจจับหน้าใบหน้าเพื่อยืนยันตัวบุคคลเพื่อสนับสนุนระบบทะเบียนอาชญากร," วารสารวิทยาศาสตร์ เทคโนโลยีและนวัตกรรม, ปีที่ 1, ฉบับที่ 6, หน้า 1-7, พฤศจิกายน – ธันวาคม, 2563.
ณัฐชนนท์ ภูกลาง, ณสิทธิ์ เหล่าเส็น, พิทา จารุพูนผล, และ ธนกฤษ จันทร์แสง, "ระบบลงเวลาการเข้าทำงานด้วยเทคโนโลยีการจดจำใบหน้าในช่วงการแพร่ระบาดของโควิด-19," ใน รายงานการประชุมและนำเสนอผลงานวิชาการระดับชาติด้านการศึกษา ครั้งที่ 2, มหาวิทยาลัยราชภัฏชัยภูมิ, 2565.
อะดาว น้องวี, บุญชัย แซ่สิ้ว และศุภรัชชัย วรรัตน์, “การประยุกต์ใช้เทคโนโลยีการรู้จำใบหน้าเพื่อบันทึกเวลาเข้าออกของพนักงาน,” วารสารการจัดการเทคโนโลยี มหาวิทยาลัยราชภัฏมหาสารคาม, ปีที่ 8, ฉบับที่ 1, หน้า 99–113, มกราคม–มิถุนายน, 2564.