1. Burapha University Research Information
  2. Faculty of Geoinformatics
  3. รายงานการวิจัย (Research Reports)
กรุณาใช้ตัวระบุนี้เพื่ออ้างอิงหรือเชื่อมต่อรายการนี้: https://buuir.buu.ac.th/xmlui/handle/1234567890/17498
ระเบียนเมทาดาทาแบบเต็ม
ฟิลด์ DC ค่าภาษา
dc.contributor.authorกฤษณะ อิ่มสวาสดิ์-
dc.date.accessioned2025-10-10T10:18:22Z-
dc.date.available2025-10-10T10:18:22Z-
dc.date.issued2567-
dc.identifier.urihttps://buuir.buu.ac.th/xmlui/handle/1234567890/17498-
dc.descriptionงานวิจัยนี้ได้รับทุนสนับสนุนจากงบประมาณเงินรายได้ ประจำปีงบประมาณ 2566 คณะภูมิสารสนเทศศาสตร์ มหาวิทยาลัยบูรพา.th_TH
dc.description.abstractการพัฒนาระบบตรวจจับจำนวนและจำแนกประเภทยานพาหนะจากกล้องวงจรปิด โดยใช้ เทคนิคการเรียนรู้โครงข่ายประสาทเทียมเชิงลึกแบบคอนโวลูชันและสร้างแบบจำลองแผนที่การจราจรบนถนน ในเขตเทศบาลเมืองแสนสุข จังหวัดชลบุรี ปัญญาประดิษฐ์มีบทบาทสำคัญในระบบขนส่งอัจฉริยะ (ITS) และการเฝ้าระวังการจราจรที่มีอัตราการเติบโตของยานพาหนะเพิ่มขึ้นอย่างรวดเร็ว โครงสร้างพื้นฐานการเฝ้าระวังการตรวจจับจากกล้องวงจรปิด ในวิจัยนี้นำโครงข่ายประสาทเทียมเชิงลึก YOLOV8 มาใช้วิเคราะห์การเรียนรู้ประเภทยานพาหนะทั้ง 12 ประเภท การจำแนกได้เปรียบเทียบสัดส่วนค่าความถูกต้องของการจำแนกภาพจากการคาดการณ์และภาพจริง Confusion Matrix ของการจำแนกยานพาหนะมีค่าความถูกต้องอยู่ในช่วงระหว่าง 0.68 –1 โดยประเภทรถอเนกประสงค์ประเภทครอบครัน (SUV), รถอเนกประสงค์ที่มีพื้นฐานและดัดแปลงมาจากรถกระบะ (PPV) และรถอเนกประสงค์ค์ที่มามารถนั่งได้ประมาณ 5 - 7 คน (MPV) มีค่าระหว่าง 0.68 - 0.78 หรือประมาณ 68 – 78 เปอร์เซ็นต์ ส่วนรถมอเตอร์ไซด์พ่วงข้าง (Sidecar), รถบรรทุก (truck), รถกระบะ (pick-up), รถยนต์นั่งส่วนบุคคล 4 ที่นั่ง (sedan), รถมอเตอร์ไซด์ (Motorcycle), รถตู้ (van) และ รถประจำทาง (Bus) มีค่าในช่วง 0.87 – 0.90 หรือประมาณ 87 – 90 เปอร์เซ็นต์ ประเภทรถกระบะขนส่งตู้ทึบ (Solidbox pick-up) และรถสองแถว (Songthaew) มีค่าระหว่าง 0.91 – 1.00 หรือประมาณ 91 – 100 เปอร์เซ็นต์ โดยการจำแนกประเภทยานพาหนะมีระดับคüามแม่นยำเฉลี่ยประมาณ 80 เปอร์เซ็นต์ ค่า mAP50 เฉลี่ยรüมทุกประเภทยานพาหนะอยู่ที่ประมาณ 86 เปอร์เซ็นต์ และค่า mAP50-95 เฉลี่ย รวมทุกประเภทยานพาหนะอยู่ที่ประมาณ 70 เปอร์เซ็นต์ การสร้างแพลตฟอร์มสำหรับการจำแนกและติดตามยานพาหนะบนถนนมีรูปแบบที่แตกต่างกัน เพื่อทดสอบการจำแนกความถูกต้องแม่นยำของ แบบจำลองการจำแนกยานพาหนะ เพื่อติดตามนับจำนวนยานพาหนะบนการจราจรแบบตามเวลาจริง จากกล้องวงจรปิด และพัฒนาวิธีการทำแผนที่มุมมองย้อนกลับแบบผสมผสานจากภาพถ่ายจากดาวเทียมและภาพจากกล้องวงจรปิด เพื่อพัฒนาแผนที่แบบจำลองการจราจรบนถนนบูรณาการเทคโนโลยีปัญญาประดิษฐ์รับฝึกสอนข้อมูลให้สามารถจดจำ เรียนรู้ประเภทของยานพาหนะเพื่อสร้างแบบจำลองการตรüจจับ การจำแนกและประยุกต์บนข้อมูลภูมิสารสนเทศในรูปแบบแผนที่ โดยค่าความถูกต้องของการจำแนกและค่าความแม่นยำของตำแหน่งยานพาหนะมีค่าเฉลี่ย 85 – 90 เปอร์เซ็นต์ ของแผนที่แบบจำลองการจราจรขึ้นอยู่กับมุมมองกล้องวงจรปิด ความสูง รายละเอียดภาพและ การวางจุดอ้างอิงบนภาพth_TH
dc.language.isothth_TH
dc.publisherคณะภูมิสารสนเทศศาสตร์ มหาวิทยาลัยบูรพาth_TH
dc.subjectการวิเคราะห์ข้อมูลระยะไกลth_TH
dc.subjectจราจรth_TH
dc.subjectภาพถ่ายทางอากาศth_TH
dc.subjectระบบสารสนเทศทางภูมิศาสตร์th_TH
dc.titleการประยุกต์เทคโนโลยีภูมิสารสนเทศกับปัญญาประดิษฐ์พัฒนาระบบตรวจจับจำแนกวัตถุเชิงพื้นที่สำหรับตรวจสอบการจราจรบริเวณเทศบาลเมืองแสนสุขth_TH
dc.title.alternativeApplication of geoinformatics technology and artificial intelligence to develop a spatial object classification and detection system for traffic inspection in the Saensuk municipality areath_TH
dc.typeResearchth_TH
dc.year2567th_TH
dc.description.abstractalternativeDevelopment of a Vehicle Detection, Counting, and Classification System from CCTV Using Deep Convolutional Neural Networks and a replica of the traffic map in Saensuk Municipality, Chon Buri province, Thailand. Artificial intelligence plays a crucial role in Intelligent Transportation Systems (ITS) and traffic surveillance amidst rapidly growing vehicle populations. This research employs the YOLOV8 deep neural network to analyze and classify 12 vehicle types from CCTV footage. Classification accuracy was evaluated using confusion matrices, with accuracy rates ranging from 0.68 to 1.00. SUVs, PPVs, and MPVs showed accuracies between 68-78%, while sidecars, trucks, pick-ups, sedans, motorcycles, vans, and buses achieved 87-90% accuracy. Solidbox pick-ups and songthaews demonstrated the highest accuracy at 91-100%. Overall classification accuracy averaged 80%, with mAP50 at 86% and mAP50-95 at 70% across all vehicle types. The study developed various platforms for real-time vehicle classification, tracking, and counting from CCTV feeds. It also created an integrated reverse-view mapping method combining satellite imagery and CCTV footage to produce an AI-enhanced replica of the traffic map. The system's ability to detect, classify, and apply geospatial data to mapping achieved an average accuracy of 85-90% for vehicle classification and position precision, with performance dependent on CCTV viewpoint, height, image resolution, and reference point placement.th_TH
ปรากฏในกลุ่มข้อมูล:รายงานการวิจัย (Research Reports)

แฟ้มในรายการข้อมูลนี้:
แฟ้ม รายละเอียด ขนาดรูปแบบ 
2569-074.pdf10.34 MBAdobe PDFดู/เปิด
แสดงระเบียนรายการแบบย่อ


รายการทั้งหมดในระบบคิดีได้รับการคุ้มครองลิขสิทธิ์ มีการสงวนสิทธิ์เว้นแต่ที่ระบุไว้เป็นอื่น