การพัฒนาอัลกอริทึมสำหรับการจำเเนกรูปเเบบรอยร้าวคอนกรีตโดยใช้มิติสาทิสรูปร่วมกับเครือข่าย DeepLabv3 และ UHK-Net

ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์

ศุภากร โพธิ์แก้ว, ณภัทร มณีศิลาสันต์, ศุภกิตติ์ สังข์ทอง

อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์

สัณหจุฑา ถิรางกูร, ศักดิ์นรินทร์ จันทร์นาค

โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์

โรงเรียนวิทยาศาสตร์จุฬาภรณราชวิทยาลัย เพชรบุรี

ปีที่จัดทำโครงงานวิทยาศาสตร์

พ.ศ. 2566

บทคัดย่อโครงงานวิทยาศาสตร์

ปัจจุบันการเสื่อมสภาพทางโครงสร้างของโบราณสถานที่สร้างจากคอนกรีตมีการทรุดโทรมจำนวนมาก เมื่อเวลาผ่านไปคอนกรีตมีประสิทธิภาพในการรับน้ำหนักได้น้อยลง เกิดเป็นรอยร้าวบนผนังคอนกรีตตามมาซึ่งรอยร้าวแบ่งเป็น 2 ประเภท ได้แก่ ประเภทเส้นเดี่ยว และประเภทร่างแห โดยรอยร้าวประเภทเส้นเดี่ยวจะส่งผลรุนแรงต่อโครงสร้างของโบราณสถาน และมีผลต่อการวางแผนซ่อมแซมบำรุงรักษา แต่รอยร้าวทั้ง 2 ประเภทอาจเกิดร่วมกันในบางบริเวณซึ่งจำแนกด้วยสายตาได้ยาก โครงงานนี้จึงพัฒนาอัลกอริทึมในการจำแนกประเภทของรอยร้าวบนผนังคอนกรีตโดยใช้ค่ามิติสาทิสรูป (Fractal Dimension Value) ร่วมกับเครือข่าย DeepLabv3 และเครือข่าย UHK-Net โดยศึกษาค่ามิติสาทิสรูปของรอยร้าวผนังคอนกรีตมาใช้ในการระบุความรุนแรงของรอยร้าวแต่ละประเภทจากความสัมพันธ์ระหว่างลักษณะรอยร้าวและค่ามิติสาทิสรูปเนื่องจากรอยร้าวแต่ละประเภทมีค่ามิติสาทิสรูปที่จำเพาะ ดังนั้นจึงนำเทคนิค Image Classification มาใช้สำหรับการจำแนกรูปภาพที่ตรวจพบรอยร้าว จากการศึกษาเพื่อหาโมเดลที่มีประสิทธิภาพสูงสุด พบว่าเป็นโมเดล Xception ค่าความแม่นยำในการจำแนกรูปภาพรอยร้าวได้ 92% ประกอบกับใช้วิธีการ Image segmentation ที่เป็นกระบวนการสำหรับการจำแนกองค์ประกอบภาพในระดับพิกเซล (Pixel) ด้วยเครือข่าย DeepLabv3 เปรียบเทียบกับเครือข่าย UHK-Net ในการเก็บข้อมูลภาพในแต่ละ Layers สำหรับการส่งข้อมูลเข้ากระบวนการ Image segmentation แล้วประมวลผลภาพรอยร้าว เพื่อนำไปคำนวณหาค่ามิติสาทิสรูปและเพื่อวิเคราะห์จำแนกประเภทของรอยร้าวนั้นด้วยอัลกอริทึม Support Vector Machine (SVM) คณะผู้จัดทำได้เก็บข้อมูลรูปรอยร้าวจากโบราณสถานภายในจังหวัดเพชรบุรีจำนวน 2,500 ภาพ และนำไปประมวลผลกับอัลกอริทึมที่ได้พัฒนาขึ้นใหม่ซึ่งมีความสามารถในจำแนกประเภทของรอยร้าวบนผนังโบราณสถานว่ามีลักษณะรอยร้าวประเภทใดและส่งผลต่อโครงสร้างของโบราณสถานหรือไม่ พบว่าอัลกอริทึมที่ใช้เครือข่าย DeepLabv3 มีประสิทธิภาพในการแยกส่วนภาพรอยร้าวมากกว่าอัลกอริทึมที่ใช้เครือข่าย UHK-Net และเมื่อเปรียบเทียบประสิทธิภาพของอัลกอริทึมที่ได้พัฒนาขึ้นใหม่โดยใช้เครือข่าย DeepLabv3 กับอัลกอริทึม Image classification ได้แก่ โมเดล VGG และโมเดล InceptionResNetv2 พบว่าอัลกอริทึมที่ได้พัฒนาขึ้นใหม่ มีประสิทธิภาพในการจำแนกรอยร้าวสูงกว่าอัลกอริทึม Image classification โมเดล VGG คิดเป็น 46% และสูงกว่าโมเดล InceptionResNetv2 คิดเป็น 51% จึงสรุปได้ว่าอัลกอริทึมที่พัฒนาใหม่โดยใช้เครือข่าย DeepLabv3 ถือเป็นแนวทางใหม่ที่ใช้ในการจำแนกรอยร้าวผนังคอนกรีตได้อย่างมีความแม่นยำและประสิทธิภาพสูง อีกทั้งคณะผู้พัฒนาได้ต่อยอดอัลกอริทึมให้สามารถใช้งานในรูปแบบ Web application เพื่อให้ผู้ใช้งานมีความสะดวกในการประเมินรูปแบบรอยร้าวได้มากขึ้น