การพัฒนาแอปพลิเคชันบนเว็บเพื่อการตรวจจับและจดจำป้ายจราจรอัตโนมัติโดยใช้เครื่องมือ Teachable Machine
DOI:
https://doi.org/10.14456/jcct.2025.14คำสำคัญ:
การรู้จำป้ายจราจร, เครื่องมือ Teachable Machine, โครงข่ายประสาทเทียมแบบคอนโวลูชัน, การเพิ่มข้อมูลเทียม, การจำแนกรูปภาพบนเว็บแอปพลิเคชันบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาโมเดลสำหรับจำแนกประเภทของป้ายจราจรอัตโนมัติ โดยใช้เครื่องมือ Teachable Machine ซึ่งเป็นแพลตฟอร์มการเรียนรู้ของเครื่องที่ไม่ต้องอาศัยความรู้ด้านการเขียนโปรแกรม โดยโมเดลที่พัฒนาอาศัย โครงข่ายประสาทเทียมแบบคอนโวลูชัน โดยเฉพาะสถาปัตยกรรม MobileNet ซึ่งฝึกด้วยอัลกอริทึม Adam Optimizer บนพื้นฐานของ TensorFlow.js สำหรับการใช้งานฝั่งผู้ใช้ผ่านเว็บแอปพลิเคชัน ทั้งนี้ ชุดข้อมูลที่ใช้ประกอบด้วยภาพป้ายจราจรรวม 17,440 ภาพ จาก 27 คลาส ซึ่งรวบรวมจากชุดข้อมูลมาตรฐาน GTSRB และภาพถ่ายจากประเทศไทย โดยได้มีการประยุกต์ใช้เทคนิค Data Augmentation ได้แก่ การหมุนภาพ การปรับแสง การเพิ่มสัญญาณรบกวน และการแปลงมุมมอง เพื่อเพิ่มความหลากหลายของข้อมูลและลดความเสี่ยงจาก Overfitting โมเดลถูกฝึกด้วยพารามิเตอร์พื้นฐาน ได้แก่ ขนาดกลุ่มเท่ากับ 16 จำนวนรอบการฝึก เท่ากับ 50 และค่า Learning Rate เท่ากับ 0.001 การประเมินประสิทธิภาพของโมเดลดำเนินการผ่านตัวชี้วัดประสิทธิภาพมาตรฐาน ได้แก่ Accuracy, Precision, Recall และ F1-Measure ซึ่งคำนวณจาก Confusion Matrix ขนาด 27 × 27 และวิเคราะห์พฤติกรรมการเรียนรู้ด้วยกราฟ Accuracy per Epoch และ Loss per Epoch ผลการทดลองแสดงให้เห็นว่าโมเดลสามารถจำแนกป้ายจราจรได้อย่างมีประสิทธิภาพ โดยมีค่าเฉลี่ยของ Accuracy เท่ากับ 98.93% และ F1-Measure เท่ากับ 98.90% สะท้อนถึงศักยภาพของ Teachable Machine ในการสร้างโมเดลที่แม่นยำและสามารถนำไปประยุกต์ใช้จริงได้ ทั้งในบริบทของการศึกษาและระบบจราจรอัจฉริยะ
Downloads
เอกสารอ้างอิง
Alsiyeu, U., & Duisebekov, Z. (2024). Enhancing Traffic Sign Recognition with Tailored Data Augmentation: Addressing Class Imbalance and Instance Scarcity. arXiv. https://doi.org/10.48550/ARXIV.2406.03576.
Chen, A., Pitaru, A., Webster, B., Alvarado, I., Griffith, J., Phillips, K., Carney, M., & Howell, N. (2020). Teachable Machine: Approachable Web-Based Tool for Exploring Machine Learning Classification. https://research.google/pubs/teachable-machine-approachable-web-based-tool-for-exploring-machine-learning-classification.
Dhawan, K., Srinivasa Perumal, R., & Nadesh, R. K. (2023). Identification of Traffic Signs for Advanced Driving Assistance Systems in Smart Cities Using Deep Learning. Multimedia Tools and Applications, 82, 26465-26480. https://doi.org/10.1007/s11042-023-14823-1.
Dineley, A., Natalia, F., & Sudirman, S. (2024). Data Augmentation for Occlusion-Robust Traffic Sign Recognition Using Deep Learning. ICIC Express Letters, Part B: Applications, 15(4), 381-388. https://doi.org/10.24507/icicelb.15.04.381.
Ge, J. (2023). Traffic Sign Recognition Dataset and Data Augmentation. arXiv. https://doi.org/10.48550/ARXIV.2303.18037.
Google Creative Lab. (2020). Teachable Machine Community Library (Image). GitHub. https://github.com/googlecreativelab/teachablemachine-community/blob/master/libraries/image/src/teachable-mobilenet.ts.
Jantaragate, T. (2024). Deep Convolutional Neural Network for Speed Limit Signs Classification. [Master's dissertation, Srinakharinwirot University]. DSpace at Srinakharinwirot University. http://ir-ithesis.swu.ac.th/dspace/handle/123456789/3127. (In Thai)
Jeong, H. (2020). Feasibility Study of Google’s Teachable Machine in Diagnosis of Tooth-Marked Tongue. Journal of Dental Hygiene Science, 20(4), 206–212. https://doi.org/10.17135/jdhs.2020.20.4.206.
Khunarsa, T., Sahoh, A., & Pubphasomtrakool, P. (2021, June 22). Traffic Signs Detection and Recognition. The 1st Rajamangala University of Technology Suvarnabhumi National Conference, 417-426. Rajamangala University of Technology Suvarnabhumi. (In Thai)
Kingma, D. P., & Ba, J. (2014). Adam: A Method for Stochastic Optimization. arXiv. https://doi.org/10.48550/ARXIV.1412.6980.
Kozhamkulova, Z., Bidakhmet, Z., Vorogushina, M., Tashenova, Z., Tussupova, B., Nurlybaeva, E., & Kambarov, D. (2024). Development of Deep Learning Models for Traffic Sign Recognition in Autonomous Vehicles. International Journal of Advanced Computer Science and Applications, 15(5), 913-920. https://doi.org/10.14569/IJACSA.2024.0150593.
Kurz, T. L., Jayasuriya, S., Swisher, K., Mativo, J., Pidaparti, R., & Robinson, D. T. (2024). The Impact of Teachable Machine on Middle School Teachers’ Perceptions of Science Lessons after Professional Development. Education Sciences, 14(4), 417. https://doi.org/10.3390/educsci14040417.
Stallkamp, J., Schlipsing, M., Salmen, J., & Igel, C. (2011). Dataset. Institut für Neuroinformatik. https://benchmark.ini.rub.de/gtsrb_dataset.html.
Thipsanthia, P. (2021). Improvement of the Performance of Traffic Signs Detection. [Doctoral’s dissertation, Mahasarakham University]. DSpace at Mahasarakham University. http://202.28.34.124/dspace/handle123456789/2162. (In Thai)
Wong, J. J. N., & Fadzly, N. (2022). Development of Species Recognition Models using Google Teachable Machine on Shorebirds and Waterbirds. Journal of Taibah University for Science, 16(1), 1096-1111. https://doi.org/10.1080/16583655.2022.2143627.
Yim, I. H. Y., & Su, J. (2025). Artificial Intelligence (AI) Learning Tools in K-12 Education: A Scoping Review. Journal of Computers in Education, 12(1), 93–131. https://doi.org/10.1007/s40692-023-00304-9.
Zhu, Y., & Yan, W. Q. (2022). Traffic Sign Recognition Based on Deep Learning. Multimedia Tools and Applications, 81(13), 17779–17791. https://doi.org/10.1007/s11042-022-12163-0.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
หมวดหมู่
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2025 วารสารคอมพิวเตอร์และเทคโนโลยีสร้างสรรค์
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
