การเปรียบเทียบประสิทธิภาพของ LRT และ YOLO สำหรับการแบ่งส่วนพื้นที่น้ำท่วมจากภาพกล้องวงจรปิด: กรณีศึกษาจังหวัดน่าน ประเทศไทย
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอแนวทางการจำแนกพื้นที่น้ำจากภาพกล้องโทรทัศน์วงจรปิด (Closed-Circuit Television หรือ CCTV) เพื่อการเฝ้าระวังน้ำท่วมในจังหวัดน่าน ประเทศไทย โดยใช้แบบจำลอง Likelihood Ratio Test (LRT) ภายใต้สมมติฐานการแจกแจงแบบ Gaussian ที่มีความแปรปรวนเท่ากันระหว่างคลาส (Equal-Variance Gaussian Distribution) โดยใช้ค่าความเข้ม (Intensity) ของภาพ Grayscale เฉพาะในบริเวณที่สนใจ (Region of Interest หรือ ROI) สำหรับการจำแนกจุดภาพว่าเป็น “น้ำ” หรือ “ไม่ใช่น้ำ” พร้อมเปรียบเทียบกับแบบจำลอง YOLOv11n-seg และ YOLOv11x-seg ซึ่งเป็นเทคนิคการเรียนรู้เชิงลึก (Deep Learning) ที่ได้รับความนิยม ผลการทดลองแสดงให้เห็นว่า แบบจำลอง LRT ให้ค่า F1 Score เท่ากับ 0.84 ซึ่งใกล้เคียงหรือดีกว่าแบบจำลอง YOLO ทั้งสองเวอร์ชันที่ได้รับการฝึกจากข้อมูลต่างโดเมน (Domain adaptation) และมีความโดดเด่นด้านความเร็วในการประมวลผล โดยสามารถทำงานได้สูงถึง 679.54 เฟรมต่อวินาที บน CPU จึงเหมาะสมอย่างยิ่งสำหรับระบบที่มีข้อจำกัดด้านทรัพยากรและต้องการประมวลผลแบบเรียลไทม์ แม้ว่า LRT จะให้ผลลัพธ์ที่ดีในบริบทของข้อมูลเฉพาะในพื้นที่ศึกษา แต่แบบจำลอง YOLO ยังคงแสดงให้เห็นถึงศักยภาพในการ Generalize ภายใต้สถานการณ์ Domain shift ได้อย่างมีประสิทธิภาพ จึงเหมาะสำหรับการใช้งานในกรณีที่ข้อมูลมีความหลากหลายหรือยังไม่แน่นอน งานวิจัยนี้จึงเสนอข้อพิจารณาเชิงเปรียบเทียบระหว่างแบบจำลองที่มีโครงสร้างเรียบง่ายกับแบบจำลองเชิงลึก เพื่อสนับสนุนการพัฒนาระบบเฝ้าระวังน้ำท่วมที่มีประสิทธิภาพและเหมาะสมกับบริบทการใช้งานที่แตกต่างกัน
Downloads
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
R. Chityala, K. R. Hoffmann, D. R. Bednarek, and S. Rudin, "Region of Interest (ROI) Computed Tomography," vol. 5368, no. 2, SPIE, pp. 534 - 541, 2004.
S. M. Kay, Fundamentals of Statistical Signal Processing, Vol. II: Detection Theory. Upper Saddle River, NJ, USA: Prentice Hall PTR, 1998.
J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, "You Only Look Once: Unified, Real-Time Object Detection," in 2016 IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Jun. 2016, pp. 779 - 788, doi: 10.1109/CVPR.2016.91.
L. He, Y. Zhou, L. Liu, and J. Ma, "Research and Application of YOLOv11-Based Object Segmentation in Intelligent Recognition at Construction Sites," Buildings, vol. 14, no. 12, p. 3777, 2024, doi: 10.3390/buildings14123777.
J. Terven, D. - M. Cordova-Esparza, and J. - A. Romero-González, "A Comprehensive Review of YOLO Architectures in Computer Vision: From YOLOv1 to YOLOv8 and YOLO-NAS," Mach. Learn. Knowl. Extr., vol. 5, no. 4, pp. 1680 - 1716, 2023, doi: 10.3390/make5040083.
D. A. Roberts, S. Yaida, and B. Hanin, The Principles of Deep Learning Theory. NY, USA: Cambridge University Press, 2022.
S. Minaee, Y. Boykov, F. Porikli, A. Plaza, N. Kehtarnavaz, and D. Terzopoulos, "Image Segmentation Using Deep Learning: A Survey," IEEE Trans. Pattern Anal. Mach. Intell., vol. 44, no. 7, pp. 3523 - 3542, 2021.
C. Kanan and G. W. Cottrell, "Color-to-Grayscale: Does the Method Matter in Image Recognition?," PloS ONE, vol. 7, no. 1, p. e29740, 2012.
Studio Encoding Parameters of Digital Television for Standard 4:3 and Wide-Screen 16:9 Aspect Ratios, Recommendation ITU-R BT.601-7, Mar. 2011. [Online]. Available: https://www.itu.int/dms_pubrec/itu-r/rec/bt/R-REC-BT.601-7-201103-I!!PDF-E.pdf
L. A. Curtiss, P. C. Redfern, and K. Raghavachari, "Gaussian 4 Theory," J. Chem. Phys., vol. 126, no. 8, p. 084108, Mar. 2007, doi: 10.1063/1.2436888.
G. Shafer, "Conditional Probability," Int. Stat. Rev., vol. 53, no. 3, pp. 261-275, 1985, doi: 10.2307/1402890.
N. A. Muhadi, A. F. Abdullah, S. K. Bejo, M. R. Mahadi, and A. Mijic, "Deep Learning Semantic Segmentation for Water Level Estimation Using Surveillance Camera," Appl. Sci., vol. 11, no. 20, p. 9691, 2021.
L. Lopez-Fuentes, C. Rossi, and H. Skinnemoen, "River segmentation for flood monitoring," 2017 2017: IEEE, pp. 3746-3749.
Y. Wang et al., "Urban flood extent segmentation and evaluation from real-world surveillance camera images using deep convolutional neural network," Environmental Modelling & Software, vol. 173, p. 105939, 2024 2024.
J. Wan et al., "Automatic segmentation of urban flood extent in video image with DSS-YOLOv8n," Journal of Hydrology, vol. 655, p. 132974, 2025 2025.
C. Sazara, M. Cetin, and K. M. Iftekharuddin, "Detecting floodwater on roadways from image data with handcrafted features and deep transfer learning," 2019 2019: IEEE, pp. 804-809.
M. G. Ragab et al., "A comprehensive systematic review of YOLO for medical object detection (2018 to 2023)," IEEE Access, vol. 12, pp. 57815-57836, 2024 2024.
W. Luangluewut, P. Thiennviboon, K. Viriyasatr, P. Maleecharoen, and T. Kasetkasem, "Investigating Domain Adaptation Feasibility for Drone Detection: A CPU-Based YOLO Approach Using RGB-Infrared Images," 2025 2025: IEEE, pp. 0926-0931.
P. Akiva, M. Purri, K. Dana, B. Tellman, and T. Anderson, "H2O-Net: Self-supervised flood segmentation via adversarial domain adaptation and label refinement," 2021 2021, pp. 111-122.
S. Visa, B. Ramsay, A. Ralescu, and E. Knaap, "Confusion Matrix-based Feature Selection," 2011/01// 2011, vol. 710, pp. 120-127.
Ultralytics, "Segmentation tasks," (in en). [Online].Available:https://docs.ultralytics.com/tasks/segment.
A. Hisyam, "River Water Segmentation Dataset," ed: Roboflow, 2024.
M. Tan, R. Pang, and Q. V. Le, "EfficientDet: Scalable and Efficient Object Detection," in 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 13-19 June 2020 2020, pp. 10778-10787, doi: 10.1109/CVPR42600.2020.01079.
A. Safonova, G. Ghazaryan, S. Stiller, M. Main-Knorn, C. Nendel, and M. Ryo, "Ten deep learning techniques to address small data problems with remote sensing," (in en), International Journal of Applied Earth Observation and Geoinformation, vol. 125, p. 103569, 2023/12// 2023, doi: 10.1016/j.jag.2023.103569.
R. O. Duda, P. E. Hart, and D. G. Stork, Pattern Classification, 2nd ed., Wiley, 2001
