Page 27 - วิศวกรรมสาร ปีที่ 78 ฉบับที่ 2 เมษายน - มิถุนายน 2568

ปลอดหมอก มองชัด ปลอดภัยกว่า: การพัฒนาโครงข่ายประสาทเทียม

สำาหรับกำาจัดหมอกเพื่อเพิ่มความปลอดภัยในระบบขนส่งทางราง

ในอดีตเทคนิคที่นิยมใช้ในการลดผลกระทบจากหมอก คือ Dark ADD operation ช่วยลดจ�านวนข้อมูลและการค�านวณ ท�าให้โมเดล
Channel Prior (DCP) [3] ซึ่งเป็นเทคนิคการปรับภาพให้ชัดขึ้น สามารถท�างานได้อย่างรวดเร็วและใช้ทรัพยากรต�่า เมื่อน�าไป
โดยใช้ค่าความเข้มของแสงบรรยากาศเป็นตัวช่วย แม้ว่าจะสามารถ ทดสอบบน Raspberry Pi 4 ซึ่งท�าหน้าที่เป็นอุปกรณ์ประมวลผลสอบ
ปรับปรุงคุณภาพของภาพได้ในระดับหนึ่ง แต่เมื่อพบเจอกับหมอก พบว่าสามารถประมวลผลภาพหมอกได้ภายในเวลาเฉลี่ย 280
ที่มีความหนาแน่นหลากหลาย หรือกระจายตัวไม่สม�่าเสมอในแต่ละ มิลลิวินาทีต่อภาพ พร้อมทั้งให้คุณภาพของภาพหลังการลดหมอก

พื้นที่ของภาพ ผลลัพธ์ที่ได้อาจท�าให้ภาพมีสีผิดเพี้ยนและความ อยู่ในระดับที่ดี ด้วยค่า SSIM เฉลี่ย 0.87 และ PSNR เฉลี่ย 23.15 dB
ชัดเจนลดลง การใช้งานจริงจึงไม่สามารถแก้ไขปัญหาหมอกได้ดีใน ที่ส�าคัญเมื่อน�าไปใช้ร่วมกับโมเดลตรวจจับวัตถุ Fast R-CNN
ทุกกรณี จากข้อจ�ากัดดังกล่าว ท�าให้มีการน�าเทคนิค Deep Learning บนภาพรถไฟ พบว่าความแม่นย�าในการตรวจจับวัตถุเพิ่มขึ้นโดย
เข้ามาพัฒนาให้สามารถก�าจัดหมอกได้อย่างมีประสิทธิภาพยิ่งขึ้น เฉลี่ยกว่า 40% เมื่อเทียบกับกรณีที่ไม่มีการลดหมอก ทั้งในสภาพ
[4] โดยเฉพาะการใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน แวดล้อมที่มีหมอกเพียงอย่างเดียวและกรณีที่มีหมอกร่วมกับหิมะ
(CNN) ซึ่งสามารถเรียนรู้ความหลากหลายของหมอกในภาพถ่าย

จ�านวนมากได้ อย่างไรก็ตาม วิธีการส่วนใหญ่ยังคงจ�าเป็นต้องใช้
GPU หรือหน่วยประมวลผลระดับสูง ส่งผลให้ไม่เหมาะกับการใช้ 3. ระเบียบวิธีวิจัย
งานจริงในระบบที่มีข้อจ�ากัดด้านขนาดและก�าลังประมวลผล

แนวทางของงานวิจัยนี้ จึงน�าเสนอการออกแบบโมเดล โครงข่าย 3.1 โมเดลโครงข่ายประสาทเทียมแบบ
ประสาทเทียมแบบคอนโวลูชัน (CNN) ส�าหรับการก�าจัดหมอกที่ คอนโวลูชันก�าจัดหมอก

เหมาะสมกับการใช้งานบนอุปกรณ์ขนาดเล็ก เช่น Raspberry Pi AOD-Net เป็นแรงบันดาลใจให้กับโมเดลขจัดหมอกควันที่เรา
หรืออุปกรณ์ IoT โดยไม่ต้องพึ่งพาการ์ด GPU หรือ CPU สมรรถนะสูง เสนอซึ่งใช้ CNN โดยซีเอ็นเอ็นน�้าหนักเบานี้สามารถประมวลผล
โมเดลนี้ได้รับแรงบันดาลใจจาก AOD-Net [9] ซึ่งเป็นงานเดิมที่มี ภาพขนาด 480 × 640 ภาพเดียวด้วย GPU เดียว [9] คุณลักษณะ
ประสิทธิภาพสูง แต่ยังไม่เหมาะสมกับการใช้งานบนอุปกรณ์พกพา ที่โดดเด่นของ AOD-Net คือการเชื่อมต่อคุณลักษณะจากเลเยอร์
ที่ต้องการการประมวลผลแบบออฟไลน์ เนื่องจากต้องใช้การ คอนโวลูชันก่อนหน้าและถัดไป และเลเยอร์กลางของ AOD-Net
เชื่อมต่อระหว่างชั้นจ�านวนมาก และเพิ่มมิติของข้อมูลที่ซับซ้อน ไม่ได้มีการใช้เลเยอร์การกระตุ้น (activation layer) ผลลัพธ์
นอกจากนี้ งานวิจัยที่เกี่ยวข้องยังมีความพยายามในการปรับปรุง สุดท้ายคือการเชื่อมต่อของเลเยอร์คอนโวลูชันทั้งหมด เลเยอร์การ

โมเดลให้เหมาะสมกับการใช้งานในบริบทที่แตกต่างกัน เช่น Z. เชื่อมต่อสามารถรวมเทนเซอร์ Input สองตัวเข้าด้วยกัน ท�าให้
Cao และคณะ [6] ได้พัฒนาโมเดลที่รวมโครงสร้างของ Residual ขนาดของเลเยอร์ Output เพิ่มขึ้น ซึ่งเครือข่ายประสาทเทียมตรง
Neural Network หลายมาตราส่วน ได้แก่ SRNet, MRNet และ กลางสามารถเป็นคุณลักษณะระดับหยาบได้
LRNet ซึ่งช่วยให้การลดหมอกในภาพรถไฟมีประสิทธิภาพดีขึ้น โมเดลโครงข่ายประสาทเทียมแบบคอนโวลูชันก�าจัดหมอกที่
Titan R. Zhao และคณะ [7] ได้ปรับปรุง DenseNet ให้มี น�าเสนอใช้การด�าเนินการแบบตัวบวก (Adder operation) เพื่อรวม

โครงสร้างฟีเจอร์ที่หนาแน่นยิ่งขึ้น เพื่อเพิ่มคุณภาพของภาพหลัง เทนเซอร์ Input สองตัวเข้าด้วยกันแทนการเชื่อมต่อ (Concatenation)
การลดหมอก แต่ต้องแลกกับเวลาในการประมวลผลที่เพิ่มขึ้น Y. ดังแสดงในรูปที่ 3 การด�าเนินการแบบตัวบวกคือการรวมผลรวม
Wu และคณะ [8] ได้น�าเสนอ DPRNet ซึ่งเป็น Residual Network ของเลเยอร์คอนโวลูชัน ซึ่งไม่ได้เพิ่มขนาดของเลเยอร์ Output
รูปแบบพีระมิด ที่ออกแบบมาเพื่อให้ดึงข้อมูลจากชั้นที่ซ่อนอยู่ได้ เลเยอร์ Output เป็นคุณลักษณะที่ถูกควบคุมผ่านหน่วยกระตุ้น
ดีขึ้น ส่งผลให้การลดหมอกในภาพของอากาศยานไร้คนขับ (UAV) PReLU ที่อนุญาตให้ค่าลบของน�้าหนัก (Negative weight) ของ
มีประสิทธิภาพสูง แต่ยังคงใช้เวลาในการประมวลผลสูงอยู่เช่นกัน โครงข่ายประสาทเทียมสามารถปรับแต่งค่าการเรียนรู้ได้ มีการ

ส�าหรับงานวิจัยนี้ ได้ออกแบบโมเดล CNN ที่ลดความซับซ้อน กระทบกับเวลาการค�านวณในการฝึกฝนของโมเดลน�าเสนอ
ภายในชั้นคอนโวลูชัน ด้วยการแทนที่การเชื่อมต่อแบบดั้งเดิมด้วย เนื่องจากการสร้างโมเดลที่มี หน่วยกระตุ้น PReLU ด้วยไลบราลี่

วิศวกรรมสาร l ปีที่ 78 ฉบับที่ 2 เมษายน - มิถุนายน 2568 27