Page 30 - วิศวกรรมสาร ปีที่ 78 ฉบับที่ 2 เมษายน - มิถุนายน 2568

ปลอดหมอก มองชัด ปลอดภัยกว่า: การพัฒนาโครงข่ายประสาทเทียม
สำาหรับกำาจัดหมอกเพื่อเพิ่มความปลอดภัยในระบบขนส่งทางราง

ตารางที่ 3.1 ค่าเฉลี่ย PSNR และ SSIM
ข้อมูล PSNR SSIM

ค่าเฉลี่ย 23.1504751 0.873062037
ค่าตำ่าสุด 17.6408630 0.73771733
ค่าสูงสุด 31.745436 0.9415908

รูปที่ 5 ตัวอย่างผลการทดลองของชุดข้อมูล RESIDE

ตารางที่ 3.2 การเปรียบเทียบผลคุณภาพของภาพหลังจากค่าเฉลี่ย
ของ SSIM และ PSNR ภายหลังการปรับปรุงภาพด้วยโมเดลการก�าจัดหมอก
ระหว่างวิธีที่น�าเสนอและวิธีอื่น ๆ
วิธีการ PSNR SSIM

Multi-Scale Residual Network [6] 23.05 0.92
AOD-net [8] 19.06 0.85
PD [11] 21.14 0.91

DehazeNet [14] 21.14 0.85
Fast Linear Transformation [15] 16.52 0.70
Haze-Lines [16] 17.97 0.77

RefineNet [17] 20.10 0.86
Multi-scale convolutional neural 17.57 0.81
networks [18]
โมเดลก�ำจัดหมอกที่น�ำเสนอ 23.15 0.87

เนื่องจากชุดข้อมูล RESIDE เป็นภาพที่ท�าการสร้างจากประเทศจีนซึ่งให้โทนสีของแสง

ที่แตกต่างกันของแต่ละประเทศ งานวิจัยนี้ได้ขยายผลลัพธ์เพิ่มเติมโดยการน�าภาพสภาพ
แวดล้อมในประเทศไทยสร้างหมอกสังเคราะห์ระดับ คืออนุภาคของหมอกและมลพิษ
ทางอากาศที่มีค่า 1.5 และ 2 แสดงดังรูปที่ 6-9 ที่เป็นค่าระดับสูงสุดเพื่อท�าการ
เปรียบเทียบคุณภาพของภาพหลังจากก�าจัดหมอก ในระดับ ที่มีค่า 1.5 และ 2 ให้ผลลัพธ์
ที่ไม่แตกต่างกันมาก โมเดลที่น�าเสนอสามารถน�ามาใช้งานได้ในสภาพบรรยากาศของ

ประเทศไทย ผลลัพธ์ที่ได้ส�าหรับเวลาการประมวลผลเฉลี่ยด้วย Raspberry Pi 4 Model
B ซึ่งท�างานเป็นอุปกรณ์ที่ขอบแบบออฟไลน์ สามารถประมวลผลได้ในเวลา 280
มิลลิวินาทีต่อภาพ

30 ปีที่ 78 ฉบับที่ 2 เมษายน - มิถุนายน 2568 l วิศวกรรมสาร