Page 28 - วิศวกรรมสาร ปีที่ 78 ฉบับที่ 2 เมษายน - มิถุนายน 2568
P. 28

ปลอดหมอก มองชัด ปลอดภัยกว่า: การพัฒนาโครงข่ายประสาทเทียม
                      สำาหรับกำาจัดหมอกเพื่อเพิ่มความปลอดภัยในระบบขนส่งทางราง






          Tensorflow จะท�าให้ค่าพารามิเตอร์ของการเรียนรู้มีค่าเพิ่มขึ้น ที่น�าเสนอมีการเชื่อมต่อเชื่อมโยงเลเยอร์คอนโวลูชันแรกผ่าน
          มากกว่าหน่วยกระตุ้นชนิดอื่น อย่างไรก็ตาม การก�าหนดค่าที่เรา หน่วยกระตุ้น PReLU ที่สาม และหน่วยกระตุ้น PReLU สุดท้าย
          เสนอมีการเชื่อมต่อเพียงครั้งเดียว ดังนั้น เวลาการค�านวณในการ เข้าด้วยกัน สุดท้าย เลเยอร์ Output คือค่าประมาณ K ซึ่งเป็นผล
          อนุมาน (inference) ของโมเดลที่น�าเสนอมีการประมวลผลที่  มาจากเลเยอร์คอนโวลูชันทั้งหกนี้ เลเยอร์การประมาณค่า K
          น้อยกว่า AOD-Net ที่ไม่มีการน�าหน่วยกระตุ้นมาช่วยปรับจูน  ประเมินความหนาแน่นของระดับหมอกควันถูกอธิบายด้วยสมการ

          พารามิเตอร์เป็นส่วนประกอบของโครงข่ายประสาทเทียม โมเดล ที่ (3) ผลลัพธ์สุดท้ายสามารถเขียนได้ดังสมการที่ (5)























                                               รูปที่ 3 โมเดลก�าจัดหมอกที่น�าเสนอ



            โดย ค่า K นั้นถูกก�าหนดจากสมการที่ (1) รวมกับความหนา (learning rate) เท่ากับ 0.0001 และขนาดชุดข้อมูล (batch size)
          แน่นของหมอกที่ก�าหนดเป็นค่า K แสดงดังสมการที่ (3)  ถูกก�าหนดไว้ที่ 64 เส้นโค้งความสูญเสีย (loss curves) ส�าหรับ

            เมื่อ                                            ทั้งการฝึกฝน (training) และการตรวจสอบ (validation) ในแต่ละ
                                                        (3) รอบแสดงในรูปที่ 4


            เมื่อน�ามาจัดรูปให้อยู่ในรูปแบบสมการที่ (1) จะได้ผลลัพธ์
          ในรูปแบบสมการที่ 4

                                                                     (4)


            สามารถน�าค่าผลลัพธ์ที่ได้จากการผ่านเชื่อมโยงเลเยอร์คอนโวลูชัน
          เพื่อให้ได้ผลลัพธ์ค่า K ที่แตกต่างกันของระดับความหนาแน่น
          ของหมอก และเมื่อน�ามาจัดรูปแบบในสมการที่ (5) output คือ
          ค่า J(x) ภาพที่ไม่มีหมอกปรากฏและ input คือ I(x) ภาพที่มีหมอก

          ปรากฏ
                                                                     (5)
                                                                        รูปที่ 4 กราฟรอบการเรียนรู้ของโมเดล
            โมเดลถูกฝึกฝนเป็นเวลา 50 รอบ (Epochs) เพื่อประเมินความ
          สูญเสียในแต่ละรอบ เราได้ค�านวณค่าความคลาดเคลื่อนก�าลังสอง    3.2 ชุดข้อมูล

          เฉลี่ย (Mean squared error) เป็นค่าความผิดพลาดระหว่างภาพ   โมเดลที่น�าเสนอได้ฝึกฝนและทดสอบบนชุดข้อมูลสังเคราะห์
          ที่ท�านาย (Predicted imahe) และภาพความจริง (Ground truth)  จากโลกจริง Outdoor Training Set (OTS) ซึ่งประกอบด้วยภาพ
          โดยใช้ตัวปรับค่าที่เหมาะสมแบบ Adam โดยมีอัตราการเรียนรู้  ปราศจากหมอกควัน 50 ภาพส�าหรับภาพที่ปรากฎหมอกส�าหรับ



          28                                                     ปีที่ 78 ฉบับที่ 2 เมษายน - มิถุนายน 2568 l วิศวกรรมสาร
   23   24   25   26   27   28   29   30   31   32   33