การศึกษาเบื้องต้นเกี่ยวกับการตรวจจับฉนวนไฟฟ้าด้วยโครงข่ายประสาทเทียม สำหรับหุ่นยนต์ทำความสะอาดฉนวนผ่าน MQTT โดยประมวลผลบน CPU
Article Sidebar
Main Article Content
บทคัดย่อ
การตรวจจับวัตถุ (Object Detection) เป็นกระบวนการที่ใช้เทคนิคจากโครงข่ายประสาทเทียม (Neural Network) ซึ่งได้รับความนิยมอย่างแพร่หลายในงานวิจัยด้านการมองเห็นของหุ่นยนต์ (Robot Vision) งานวิจัยนี้ได้นำเทคนิคดังกล่าวมาประยุกต์ใช้กับหุ่นยนต์ทำความสะอาดฉนวนไฟฟ้า (Insulator Cleaning Robot) โดยระบบจะรับภาพจากกล้องเพื่อตรวจหาพิกัด bounding box ของเป้าหมาย ก่อนส่งข้อมูลไปยังหน่วยควบคุมหุ่นยนต์ผ่านการสื่อสารไร้สายแบบ MQTT โดย การทดสอบดำเนินการบน CPU 6-Core Intel Xeon E5 ความเร็ว 3.5 GHz พร้อม RAM ขนาด 16 GB โดยไม่ใช้ GPU ในการประมวลผล ผลการเปรียบเทียบหลายสถาปัตยกรรมโมเดลพบว่า YOLOv11n ให้ประสิทธิภาพดีที่สุด ด้วยค่า mAP@0.5 = 97.6% และ Precision = 98.66% ความเร็วเฉลี่ยของระบบ (รวมทั้งการประมวลผลและส่งข้อมูล) อยู่ที่ 1.61 FPS แม้จะต่ำกว่างานวิจัยก่อนหน้าซึ่งมีความเร็ว 24–51 FPS แต่ระบบที่พัฒนาขึ้นมีจุดเด่นในการส่งพิกัดเป้าหมายล่วงหน้า 0.62 วินาที ทำให้หน่วยควบคุมสามารถเคลื่อนที่ตามพิกัดได้โดยไม่จำเป็นต้องพึ่งพาภาพแบบเรียลไทม์ในทุกขั้นตอน นอกจากนี้ เวลารวมในการประมวลผลและส่งข้อมูลคิดเป็นเพียง 52% ของเวลาทั้งหมดต่อเฟรม แสดงให้เห็นว่าระบบมีความเหมาะสมต่อการใช้งานจริง แม้จะทำงานด้วย CPU เพียงอย่างเดียวก็ตาม
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
J. Arents and M. Greitans, "Smart industrial robot control trends, challenges and opportunities within manufacturing," Applied Sciences, vol. 12, no. 2, p. 937, 2022.
M. Casini, D. Prattichizzo, and A. Vicino, "The automatic control telelab," IEEE Control Systems Magazine, vol. 24, no. 3, pp. 36-44, 2004.
J. Qi et al., "Computer vision-based hand gesture recognition for human-robot interaction: a review," Complex & Intelligent Systems, vol. 10, no. 1, pp. 1581-1606, 2024.
Z. Zou et al., "Object detection in 20 years: A survey," Proceedings of the IEEE, vol. 111, no. 3, pp. 257-276, 2023.
C. Ju et al., "Speed-FairMOT: multi-class multi-object tracking for real-time manipulation," Signal, Image and Video Processing, 2025.
Y. Ye et al., "Dynamic and real-time object detection based on deep learning for home service robots," Sensors, vol. 23, no. 23, p. 9482, 2023.
L. He et al., "Research and application of YOLOv11-based object segmentation," Buildings, vol. 14, no. 12, p. 3777, 2024.
S. Zhai et al., "DF-SSD: An improved SSD object detection algorithm," IEEE Access, vol. 8, pp. 24344-24357, 2020.
Y. Wang et al., "Automatic ship detection based on RetinaNet," Remote Sensing, vol. 11, no. 5, p. 531, 2019.
P. Jiang et al., "A review of YOLO algorithm developments," Procedia Computer Science, vol. 199, pp. 1066-1073, 2022.
M. Sportelli et al., "Evaluation of YOLO object detectors for weed detection," Applied Sciences, vol. 13, no. 14, p. 8502, 2023.
W. Luangluewut et al., "Performance Comparison of LRT and YOLO," Defence Technology Academic Journal, 2025.
C. Kang and S. Kim, "Real-time object detection and segmentation technology," JMST Advances, vol. 5, no. 2, pp. 69-76, 2023.
T. Diwan et al., "Object detection using YOLO," Multimedia Tools and Applications, vol. 82, no. 6, pp. 9243-9275, 2023.
D. Maji et al., "YOLO-pose," CVPR, pp. 2637-2646, 2022.
W. Luangluewut et al., "Domain Adaptation for Drone Detection," ICAIIC, 2025.
R. Khanam and M. Hussain, "YOLOv11: An overview," arXiv, 2024.
G. Jocher et al., "Ultralytics YOLO11," GitHub, 2024.
J. Redmon et al., "You Only Look Once," CVPR, pp. 779-788, 2016.
M. Tan et al., "EfficientDet," CVPR, pp. 10781-10790, 2020.
B. Mehlig, Machine Learning with Neural Networks. Cambridge University Press, 2021.
OASIS, "MQTT Version 3.1.1," 2014.
S. Visa et al., "Confusion Matrix-based Feature Selection," CEUR Workshop Proc., 2011.
Roboflow, "Insulator Detection Dataset," 2023.
