หลักสูตร/ปี พ.ศ. วิทยาศาสตรมหาบัณฑิต สาขาวิชาเทคโนโลยีสารสนเทศ ปี พ.ศ. 2562
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2561
ประเภทโครงงาน
วิทยานิพนธ์
ชื่อโครงงานภาษาไทย
ขั้นตอนวิธีการจำแนกรอยแตกถนนลาดยาง
ชื่อโครงงานภาษาอังกฤษ
Algorithm for Classifying Asphalt Pavement Distress
ผู้พัฒนา
5614550828 ภานพ ขุมทรัพย์
อาจารย์ที่ปรึกษาหลัก
พันธุ์ปิติ เปี่ยมสง่า
อาจารย์ที่ปรึกษาร่วม
พีรวัฒน์ วัฒนพงศ์
บทคัดย่อ
การตรวจสอบพื้นผิวทางเพื่อหารอยแตกร้าว การบิดเบี้ยว และ การหลุดร่อนของผิวทาง รวมไปถึงการบำรุงรักษาพื้นผิวทางที่เหมาะสม เป็นสิ่งสำคัญต่อการคงคุณภาพของผิวทางและความปลอดภัยในการใช้รถใช้ถนน การเกิดรอยแตกตามยาวและตามขวาง รอยแตกผิวจระเข้ และหลุมบ่อ ซึ่งเป็นความเสียหายที่เกิดขึ้นบ่อย จำต้องใช้วิธีการบำรุงรักษาที่แตกต่างกัน ดังนั้นการจำแนกชนิดของรอยแตกจึงมีความจำเป็นอย่างยิ่ง
งานวิจัยนี้เสนอการสกัดคุณลักษณะใหม่ 2 รูปแบบโดยอาศัยข้อมูลจากการทำ Regional profiling และ Cartesian profiling ซึ่งสามารถทำงานได้ดีกับปัญหาเฉพาะนี้ และได้เพิ่มประโยชน์จากการสกัดคุณลักษณะจากตัวจำแนกข้อมูล (Classifier)
จากผลการศึกษาแสดงให้เห็นว่าการสกัดคุณสมบัติแบบ Cartesian profiling ทำงานได้ดีกับ Decision Tree (DT) และ Regional profiling ทำงานได้ดีกับ Support Vector Machine (SVM) ซึ่งมีค่า F-measure เท่ากับ 0.877 (0.864 Recall) และ 0.875 (0.873 Recall) ตามลำดับ
ในทางปฏิบัติจริงที่ต้องการวิธีการที่ดีที่สุดซึ่งเมื่อพิจารณาค่า Recall ประกอบด้วยแล้วสามารถแสดงให้เห็นได้ว่าการสกัดคุณสมบัติแบบ Regional profiling ที่ทำงานคู่กับ Support Vector Machine สามารถจำแนกความเสียหายของปัญหาเฉพาะนี้ได้ดีที่สุด
Abstract
Road surface inspection for cracks, distortion, and disintegration—together with appropriate surface treatments—are mandatory in maintaining the ride quality and safety of the highways. Due to especially high occurrences of ‘reflection’, ‘alligator cracks’ and ‘potholes’ in Thailand, and the fact that they require markedly different treatment methods, a classifier that can distinguish among those three types of bad surface is most desirable.
This paper proposed two novel feature extractions based on regional profiling and Cartesian profiling of orthogonal axes features which worked well with this particular problem, with added benefit of decoupling feature extraction from the classifiers themselves.
The experimental results showed that Cartesian profiling of orthogonal axes features works well with Decision Tree (DT), and regional profiling works well with Support Vector Machine (SVM) achieving F-measures of 0.877 (0.864 Recall) and 0.875 (0.873 Recall) respectively.
In real life survey operation that needs only best method. When considering the recall value, it can be shown that regional profiling that works with Support Vector Machine (SVM) is the best way to distinguish the damage of a particular problem.
คำสำคัญ (Keywords)
Alligator crack, pothole, reflection crack, road crack, detection
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
-
ผู้นำเข้าข้อมูลครั้งแรก
ภานพ
ขุมทรัพย์
(g5614550828)
แก้ไขครั้งสุดท้าย
เมื่อ July 27, 2019, 2:22 p.m. โดย
ภานพ
ขุมทรัพย์
(g5614550828)
สถานะการอนุมัติ
อนุมัติแล้ว โดย
พันธุ์ปิติ
เปี่ยมสง่า
(pp)
เมื่อ July 31, 2019, 2:03 p.m.