Page 24 - วิศวกรรมสาร ปีที่ 78 ฉบับที่ 2 เมษายน - มิถุนายน 2568

พิชยพัชยา ศรีคร้าม, อาทิตย์ อุ้มชู, อนุรักษ์ ค�าชัยมงคล
และปานรวี รุ่งสกุลโรจน์

บทคัดย่อ

หมอกเป็นปรากฏการณ์ทางธรรมชาติที่ส่งผล

กระทบต่อประสิทธิภาพและความแม่นย�าของระบบ
ปลอดหมอก วิทัศน์คอมพิวเตอร์ส�าหรับการตรวจจับวัตถุบนเส้นทาง
รถไฟอย่างมีนัยส�าคัญ โดยเฉพาะอย่างยิ่งเมื่อน�าไป
ใช้งานบนอุปกรณ์ประมวลผลพลังงานต�่าซึ่งมี

มองชัด ข้อจ�ากัดด้านทรัพยากรการค�านวณ งานวิจัยนี้น�าเสนอ
แบบจ�าลองโครงข่ายประสาทเทียมแบบคอนโวลูชัน
(Convolutional Neural Network: CNN) ส�าหรับ
การก�าจัดหมอกในภาพถ่าย ซึ่งได้รับการออกแบบเฉพาะ
เพื่อให้สามารถประมวลผลได้บนอุปกรณ์อินเทอร์เน็ต
ปลอดภัยกว่า: ของสรรพสิ่ง (IoT) หรืออุปกรณ์ประมวลผลขนาดเล็ก
โดยไม่จ�าเป็นต้องพึ่งพาหน่วยประมวลผลกราฟิก
(GPU) หรือหน่วยประมวลผลกลาง (CPU) สมรรถนะสูง
การพัฒนาโครงข่าย โมเดลที่พัฒนาขึ้นใช้กลไกการด�าเนินการบวก

ระหว่างชั้นคอนโวลูชัน (ADD operation) แทนการ
ประสาทเทียมส�าหรับ เชื่อมต่อแบบดั้งเดิม ช่วยลดขนาดและมิติของข้อมูล

รวมถึงลดภาระการค�านวณในชั้นคอนโวลูชันได้อย่าง
ก�าจัดหมอกเพื่อเพิ่ม มีประสิทธิภาพ การทดสอบระบบบน Raspberry

Pi 4 Model B ซึ่งท�าหน้าที่เป็นอุปกรณ์ประมวลผล
ความปลอดภัยในระบบ ที่ขอบ (Edge Device) แบบออฟไลน์ สามารถ
ประมวลผลภาพได้ในเวลาเฉลี่ยเพียง 280 มิลลิวินาที

ขนส่งทางราง ต่อภาพ ผลการประเมินคุณภาพของภาพด้วยค่า
Structural Similarity Index (SSIM) เท่ากับ 0.87
และ Peak Signal-to-Noise Ratio (PSNR) เท่ากับ

23.15 dB อยู่ในระดับที่ยอมรับได้ เมื่อทดสอบร่วมกับ
โมเดล Fast RCNN ส�าหรับการตรวจจับวัตถุบนราง
รถไฟ พบว่าความแม่นย�าในการตรวจจับวัตถุเพิ่ม
ขึ้นโดยเฉลี่ยถึง 40% เมื่อเปรียบเทียบระหว่างภาพ
ที่มีหมอกกับภาพที่ผ่านการก�าจัดหมอกแล้ว ทั้งใน

กรณีที่เกิดหมอกจริงและในกรณีที่มีหิมะร่วมกับ
หมอก แสดงให้เห็นถึงศักยภาพของแบบจ�าลองที่
พัฒนาขึ้นในการสนับสนุนระบบตรวจจับวัตถุบนราง
รถไฟให้มีความแม่นย�าและปลอดภัยมากยิ่งขึ้น

24 ปีที่ 78 ฉบับที่ 2 เมษายน - มิถุนายน 2568 l วิศวกรรมสาร