หลักสูตร/ปี พ.ศ. วิศวกรรมศาสตรบัณฑิต สาขาวิชาวิศวกรรมคอมพิวเตอร์ ปี พ.ศ. 2566
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2565
ประเภทโครงงาน
โครงงานวิศวกรรม
ชื่อโครงงานภาษาไทย
การเพิ่มประสิทธิภาพระบบการติดตามวัตถุ และการศึกษาการส่งข้อมูลการรู้จำวัตถุสำหรับอากาศยานไร้คนขับ
ชื่อโครงงานภาษาอังกฤษ
The Enhancement of Object Tracking System and The Study of Object Recognition and Transfer for UAV’s
ผู้พัฒนา
6210503772 นายภีมวรัชญ์ อินทมูล
อาจารย์ที่ปรึกษาหลัก
สุภาพร เอื้อจงมานี
อาจารย์ที่ปรึกษาร่วม
-
บทคัดย่อ
อากาศยานไร้คนขับหรือ Unmanned Aerial Vehicles (UAV) เป็นอากาศยานที่ถูกนำมาใช้ประโยชน์มากในการตรวจจับและติดตามวัตถุเป้าหมายที่มีการเคลื่อนที่ ในปัจจุบัน ได้มีการพัฒนาระบบควบคุมอากาศยานไร้คนขับแบบเป็นฝูงหรือที่เรียกว่า UAV Swarm ด้วย โครงงานนี้ได้พัฒนาระบบตรวจจับและติดตามวัตถุุ โดยใช้ YOLOv5 ตรวจจับวัตถุ และในส่วนของการติดตามวัตถุได้ใช้อัลกอริธึม SiameseRPN ซึ่งเป็นอัลกอริธึมติดตามวัตถุที่มีการใช้ Siamese Network โดยพัฒนาบนโครงข่ายประสาทเทียมแบบคอนโวลูชันสองตัว ส่งผลให้อัลกอริธึมมติดตามนี้สามารถแยกแยะวัตถุออกจากพื้นหลังได้ดีมากขึ้น นอกจากนี้โครงงานนี้ได้พัฒนาระบบการส่งข้อมูลการรู้จำวัตถุ โดยใช้โมเดล MobileNetV3-Small ซึ่งเป็นโครงข่ายประสาทเทียมแบบคอนโวลูชัน โดยมีการรู้จำวัตถุเป้าหมายจากวิดีโอที่ได้จากมุมกล้องต่างกัน และสามารถส่งข้อมูลการรู้จำได้ ผลการทดสอบพบว่าระบบติดตามวัตถุสามารถติดตามวัตถุได้ถูกต้องมากถึง 83.54% และระบบการรู้จำสามารถทำนายได้ถูกต้องมากถึง 84.17% ของกรณีทดสอบ
Abstract
Unmanned Aerial Vehicles (UAVs) have been vastly used in moving object detection and object tracking applications. Nowadays, there is a development in the simultaneous control system for multiple UAVs, that is also known as “UAV Swarm.” This project has implemented the object detection and tracking system for UAVs. The implemented system uses YOLOv5 for object detection and SiameseRPN for object tracking. SiameseRPN is a tracking algorithm developed on the Siamese Network and uses double Convolutional Neural Networks (CNN). The SiameseRPN from the background. Furthermore, this project has developed the object recognition and transfer system using the CNN-based MobileNetV3-small model. The recognition system can recognize the target from different camera perspectives and transfer the recognition knowledge model. The test results show that the overall system achieved 83.54% in object tracking and 84.17% in object recognition in accuration.
คำสำคัญ (Keywords)
Unmanned Aerial Vehicles (UAVs), Object Tracking, Object Recognition, Convolutional Neural Network (CNN), YOLO, SiameseRPN, MobileNet
เว็บไซต์โครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
-
ผู้นำเข้าข้อมูลครั้งแรก
นายภีมวรัชญ์
อินทมูล
(b6210503772)
แก้ไขครั้งสุดท้าย
เมื่อ April 6, 2023, 3:50 p.m. โดย
นายภีมวรัชญ์
อินทมูล
(b6210503772)
สถานะการอนุมัติ
รออนุมัติ