การศึกษาและพัฒนาการตรวจจับเปลวไฟจากภาพเคลื่อนไหวโดยใช้วิธีการตรวจจับวัตถุเคลื่อนที่และการเรียนรู้ของเครื่อง

ชื่อนักเรียนผู้จัดทำโครงงานวิทยาศาสตร์

ณัฐชนน สนองคุณวรกุล, ขัมน์ อรุณศิริวงศ์

อาจารย์ที่ปรึกษาโครงงานวิทยาศาสตร์

เลาขวัญ งามประสิทธิ์

โรงเรียนที่กำกับดูแลโครงงานวิทยาศาสตร์

โรงเรียนมหิดลวิทยานุสรณ์

ปีที่จัดทำโครงงานวิทยาศาสตร์

พ.ศ. 2564

บทคัดย่อโครงงานวิทยาศาสตร์

ในปัจจุบันปัญหาที่เกิดจากอัคคีภัยนั้นเกิดขึ้นอยู่บ่อยครั้งและมักจะมีความสูญเสียเกิดขึ้นตามมาซึ่งส่วนมากเกิดขึ้นมาจากการที่ไม่สามารถรับรู้ได้ว่ามีเหตุอัคคีภัยเกิดขึ้นจึงทำให้ไฟลุกลามไปต่อเนื่อง สร้างความสูญเสียให้ทรัพย์สินและชีวิต โดยในปัจจุบันมีอุปกรณ์เตือนเมื่อเกิดอัคคีภัย เช่น อุปกรณ์ตรวจจับควันที่เกิดจากเหตุเพลิงไหม้ อุปกรณ์ตรวจจับความร้อนซึ่งใช้ตรวจจับเหตุเพลิงไหม้ที่เกิดขึ้นอย่างรวดเร็วและมีควันน้อย และอุปกรณ์ตรวจจับเปลวไฟซึ่งมักจะติดตั้งบริเวณที่มีความเสี่ยงต่อการเกิดเหตุเพลิงไหม้สูงหรือเสี่ยงต่อการระเบิดและจำเป็นต้องมีการตรวจสอบความพร้อมอย่างสม่ำเสมอ แม้ว่าอุปกรณ์เหล่านี้ถูกนำมาใช้กันอย่างแพร่หลาย แต่บางอุปกรณ์อาจไม่สามารถทำงานได้ดีในพื้นที่กลางแจ้งหรือบริเวณพื้นที่ขนาดใหญ่เพราะต้องใช้เวลาในการที่อนุภาคจะเดินทางไปถึงเซ็นเซอร์ตรวจจับ จากปัญหาข้างต้นจึงทำให้คณะผู้วิจัยสนใจที่จะศึกษาและพัฒนาระบบตรวจจับเปลวไฟโดยใช้การประมวลผลภาพและการเรียนรู้ของเครื่อง ที่สามารถนำไปใช้ตรวจจับอัคคีภัยในพื้นที่่กลางแจ้ง หรือพื้นที่ขนาดใหญ่ หรือบริเวณที่ไม่สามารถใช้ระบบตรวจจับอัคคีภัยแบบเดิมได้ และยังสามารถนำไปใช้กับระบบกล้องวงจรปิดที่มีอยู่แล้วและมีการติดตั้งใช้งานกันอย่างแพร่หลายให้สามารถตรวจจับเปลวไฟได้ซึ่งช่วยเสริมระบบความปลอดภัยให้ดีมากยิ่งขึ้น โดยวิธีการทดลอง เราจะแบ่งออกเป็น 2 ส่วน ส่วนที่หนึ่งคือการศึกษาการทำงานของระบบตรวจจับอัคคีภัยจากภาพเคลื่อนไหวโดยวิธี Rule-based โดยเริ่มจากการ pre-processing ด้วย gaussian filter จากนั้น image segmentation ด้วยวิธี Thresholding method จากนั้นใช้ Improved ViBe algorithm และตามด้วย คุณสมบัติของ roundness ในการแยกพื้นหลังที่ไม่ใช่ไฟ และในส่วนของการทดลองที่ 2 จะใช้วิธีการเรียนรู้ของเครื่อง จะใช้ pre-processing และ image segmentation เหมือนการทดลองที่ 1 จากนั้นนำ machine learning มาใช้โดยใช้ Naive Bayes classifier และใช้ Color correlogram feature ในการเรียนรู้การตรวจจับไฟแล้วฝึกฝนระบบ หลังจากทดสอบระบบแล้วก็จะนำประสิทธิภาพจากทั้ง 2 วิธีมาเปรียบเทียบกัน ซึ่งทางคณะวิจัยคาดว่าผลที่ออกมาคือประสิทธิภาพของ machine learning น่าจะมากกว่าของ rule-based