ການຄວບຄຸມລະບົບໄຟອໍານາດເພື່ອການຈາລະຈອນຂອງລົດໃຫ້ມີປະສິດທິພາບ ໂດຍໃຊ້ວິທີການຮຽນຮູ້ແບບເລິກເຊິ່ງ

ຄາໍ ຂອບໃຈ ຂາ້ ພະເຈາ້ົ ຊ່ື ທ້າວ ບວົ ຫີ້ົ ທິບພະວງົ ເປັນນັກສຶກສາປະລນິ ຍາໂທ ລນ້ ທີ 1 ສາຂາວິທະຍາສາດຄອມພວິ ເຕີ ພາກ ວຊິ າວທິ ະຍາສາດຄອມພິວເຕີ, ຄະນະວິທະຍາສາດທໍາມະຊາດ, ມະຫາວທິ ະຍາ ໄລແຫ່ງຊາດ, ຂສໍ ະແດງຄາໍ ຂອບໃຈ ມາຍງັ ສະຖາບັນການສຶກສາ ແລະ ບໍລສິ ດັ ລາວໂທລະຄມົ ມະນາຄມົ ມະຫາຊົນ ທໄ່ີື ດໃ້ ຫໂ້ ອກາດ ແລະ ທນຶ ການສຶກ ສາກັບຂ້າພະເຈ້ົາມາສຶກສາຮາ່ໍ ຮຽນຕໍ່ໃນລະດບັ ປະລິນຍາໂທ ສາຂາວທິ ະຍາສາດຄອມພວິ ເຕີ. ຂໍຂອບໃຈ ອາຈານຈາກ ພາກສວ່ ນອນ່ື ໆ ທ່ໄີື ດ້ທມ່ ເທເຫອ່ື ແຮງສດິ ສອນ ແລະ ຖາ່ ຍທອດຄວາມຮ້ອນັ ລໍາຄາ່ ໃຫ້ກບັ ຂາ້ ພະເຈົາ້ . ຂ້າພະເຈາົ້ ຂສໍ ະແດງຄວາມຮບ້ ນຄນເປນັ ຢ່າງສງມາຍງັ ທ່ານ ອຈ. ປອ. ສມົ ສັກ ອນິ ທະສອນ ທ່ເືີ ປນັ ທັງອາຈານ ທປີື່ ກຶ ສາ, ອາຈານສອນ ແລະ ເປນັ ຄະນະຮັບຜິດຊອບຫັກສດ ທ່ໄີື ດ້ໃຫຄ້ ວາມຮ,້ ຄາໍ ປຶກສາ ແລະ ຊີ້ທົ ິດທາງໃນການ ຄ້ົນຄວ້າບດົ ວທິ ະຍານິພົນໃນຄງັົ້ ນີ້ົແຕ່ຕ້ົນຈົນສໍາເລັດ ແລະ ໄດ້ຮບັ ໝາກຜນົ ຢ່າງຈົບງາມ. ຂໍຂອບໃຈ ມາຍັງ ທ່ານ ອຈ. ປອ. ລດັ ສະໝີ ຈິດຕະວງົ ເຊງ່ິື ເປນັ ຜ້ສດິ ສອນໃຫ້ເຂົ້າໃຈເຖິງ ວທິ ີການຄ້ນົ ຄວາ້ Computer Vision, Computer Graphic, Decision Support System, Model Evaluation Metric ແລະ ຂຂໍ ອບໃຈ ທາ່ ນ ອຈ. ປອ. ພທອນ ວງົ ປະສດິ ທີື່ໄດ້ສິດສອນ, ຖາ່ ຍທອດປະສົບການ ແລະ ຄວາມຮທ້ າງດ້ານ Machine Learning. ຂໍຂອບໃຈ ທ່ານ ອຈ. ປທ. ບວົ ສດົ ໄຊຍະຈກັ ເຊືງິ່ ເປັນອາຈານຊ່ວຍທີປື່ ກຶ ສາທີື່ໄດກ້ ວດຜ່ານ ແລະ ໃຫຄ້ າໍ ແນະນໍາຕ່າງໆກຽ່ ວກັບບົດວິທະຍານິພນົ ໃນຄັ້ົງນົ້ີ. ຂໍຂອບໃຈ ມາຍງັ ທ່ານ ອຈ. ເທ້ ປາມະນີ ແລະ ທາ່ ນ ອຈ. ວລິ ະກອນ ຈນັ ທະມາລາ ທ່ເີື ປນັ ຜ້ຊ່ວຍພດັ ທະນາ ຕົ້ນແບບ (Prototype) ຂອງຊຸດຄວມຄມໄຟອາໍ ນາດທື່ຄີ ວມຄມດວ້ ຍເຄືອ່ ງມ ແລະ ປະກອບອປະກອນທາງດ້ານ IoT ພ້ອມທງັ ເປນັ ຜຊ້ ວ່ ຍໃນການໃຫ້ຂ້ມໍ ນທາງດາ້ ນ Board ແລະ Sensor ຕາ່ ງໆ. ສດທ້າຍນີ້ົ ຂາ້ ພະເຈົາ້ ຂໍຂອບໃຈມາຍັງ ຄອບຄົວ, ຍາດຕພິ ີື່ນອ້ ງ ແລະ ເພື່ອນຮວ່ ມງານໝດົ ທກຄນົ ທີໃ່ື ຫ້ການ ສະໜບັ ສະໜນ ແລະ ການຊວ່ ຍເຫອຂ້າພະເຈົ້າດວ້ ຍດີຕະຫອດມາ ແລະ ຂຂໍ ອບໃຈ ນກັ ສກຶ ສາປະລນິ ຍາໂທ ພາກ ວຊິ າວິທະຍາສາດຄອມພວິ ເຕລີ ນ້ ທີ 1 ໝົດທກຄົນທື່ໃີ ຫ້ການຊວ່ ຍເຫອ ແລະ ແນະນາໍ ກັນດ້ວຍດຕີ ະຫອດໃນໄລຍະ ທີື່ຜາ່ ນມາ. i

ບດົ ຄດັ ຫຍ້ໍ ໃນບົດຄ້ົນຄວາ້ ຄງ້ັົ ນ້ີົ, ໄດ້ສຶກສາເຖິງການຮຽນຮ້ແບບເລກິ ເຊງ່ິື (Deep Learning) ດ້ວຍເຕກັ ນກິ ວທິ ກີ ານ ຂອງ Algorithm YOLOv5 ໄດ້ສກຶ ສາເຖິງການກວດຈບັ ວດັ ຖຸ (Object detection) ໃນບໍລເິ ວນໄຟອານາດ ເພືອ່ ນໍາເອາົ ຄ່າຂອງຈາໍ ນວນລົດທໄ່ີື ດ້ ໄປປບັ ຄ່າລະບບົ ຄວບຄມໄຟອໍານາດ ດ້ວຍການສ່ົງຄາ່ ຜ່ານ Broker ທ່ີືເປນັ Public domain ໂດຍນາໍ ໃຊ້ເປນັ MQTT Protocol ຈາກການກວດຈັບວດັ ຖໄຸ ປຫາອປະກອນ IoT ທເື່ີ ຮັດໜາ້ ທຄື່ີ ວບຄມ ໄຟອໍານາດ ເພ່ືອແກໄ້ ຂບັນຫາລະບບົ ໄຟອໍານາດໃນປດັ ຈບນັ ທຍີື່ ັງບ່ໍມຄີ ວາມຢດື ຢນ່ ພຽງພໍ. ໂດຍການສາ້ ງໂມເດວ ການກວດຈັບວດັ ຖໃຸ ນຄ້ົງັ ນີົ້ ເລ່ີມື ຈາກການສ້າງ Dataset ດວ້ ຍການຖາ່ ຍຮບ ແລະ ນໍາເຂົາ້ ໄປສາ້ ງປາ້ ຍກາໍ ກບັ (Labelling), ສາ້ ງຂອບຂອງຮບພາບ (Annotate) ແລະ ປັບຂະໜາດຮບພາບເປນັ ຂະໜາດ 416x416 Pixel ຜ່ານ ເວັບໄຊທ໌ຂອງ Roboflow ໂດຍໄດ້ແບ່ງຊຸດຂມ້ໍ ນ (Dataset) ອອກເປນັ 3 ສວ່ ນຄ: Training set (70%), Validation (20%) ແລະ Testing (10%). ເຊື່ງິ ໄດກ້ າໍ ນົດຊຸດຂໍມ້ ນທັງໝົດແມ່ນ 1,524 ຮບພາບ, ປະກອບມີ 8 ຊດຸ ຂມໍ້ ນ. ໄດ້ນໍາໃຊ້ພາສາໂປຣແກຣມ Python 3.8 ແລະ Google Colab ເປນັ IDE ສໍາລບັ ການເຮັດການທດົ ລອງ ແລະ ການຂຽນໂຄດຕົວຈງິ . ເຊ່ງືິ ຜາ່ ນການຮຽນຮ້ (Training), ກວດສອບ (Validate) ແລະ ທດົ ລອງ (Testing) ຊຸດຂ້ໍມນ ເຫນັ ໄດ້ວາ່ ໂມເດວມີຄາ່ ຄວາມຖກຕອ້ ງ (Accuracy) ຢ່ 84.9% ແລະ ຄາ່ ຜິດພາດ (Loss) ຢ່ 15.1%. ດົ່ງັ ນ້ັົນ, ຈຶ່ງື ສະຫບຸ ໄດວ້ າ່ ການທດົ ລອງດງັ່ົ ກາ່ ວ ມຄີ າ່ ຄວາມຖກຕ້ອງທສື່ີ າມາດນາໍ ໄປໃຊ້ໄດ້ ພອ້ ມທັງ ສະແດງໃຫ້ເຫັນເຖິງການນາໍ ໃຊ້ Digital ເຂາ້ົ ໃນດ້ານ Object detection ແລະ ອປະກອນ IoT ຕ່າງໆ. ການສາ້ ງຕນົ້ ແບບຈາໍ ລອງ (Prototype) ທືີມ່ ຂີ ະໜາດນ້ອຍ 80x80cm ເພ່ືອຈາໍ ລອງການຄວມຄມລະບົບໄພ ອາໍ ນາດ ໂດຍໄດ້ນາໍ ໃຊ້ບອດ IoT ບາງປະເພດເຊົັນ່ : ບອດ Arduino, ຈພໍ າບ LCD, Realtime Clock, LED module traffic light, Voltage regulator module ແລະ NodeMCU esp8266. ເຊິື່ງສາມາດຄວບຄມຜາ່ ນ Prototype ແລະ ຜາ່ ນເວັບແອບັ , ເຊິງື່ ປະກອບມີ 2 ລະບົບຄ: 1. ລະບົບອດັ ຕະໂນມດັ (Automation) ສາມາດ ຄວບຄມລະບົບໄຟອໍານາດດ້ວຍຄາ່ ມາດຕະຖານ (Default) ແລະ ໄດ້ຈາກການກວດຈັບວດັ ຖຸ ຫ ຈາໍ ນວນລົດ ເພ່ືອ ຄໍານວນໂຕເລກ ແລະ ສົງ່ ຄ່າໄປຄວບຄມລະບົບໄຟອາໍ ນາດ ແລະ 2. ລະບບົ ທີືບ່ ່ແໍ ມ່ນອດັ ຕະໂນມດັ (Manual) ແມນ່ ໃຊ້ຄນົ ເປນັ ຜຄ້ ວບຄມຢ່ Prototype ແລະ ສາມາດຄວບຄມໃນໄລຍະໄກ ຫ ຄວບຄມຢ່ໃນຫ້ອງຄວບຄມ ໂດຍບໍ່ ຈາໍ ເປນັ ຕອ້ ງໄປສະຖານທືຈ່ີ ິງ ເຊງ່ືິ ການຄວບຄມທັງສອງແບບແມນ່ ໄດ້ມີການສງົ່ ຄ່າຜາ່ ນ MQTT Protocol ທ່ີືພັດ ທະນາເວບັ ແອັບດວ້ ຍ React JS ເຊືິງ່ ເປນັ Library ຂອງ JavaScript ສາໍ ລັບການສາ້ ງ UI ທບີື່ ກຄົນທ່ວົ ໄປສາມາດ ນໍາໃຊໄ້ ດງ້ ່າຍ, ສະດວກສະບາຍ ແລະ ພດັ ທະນາ Backend ເປນັ Node JS ເຊິື່ງເປນັ Runtime ຂອງ JavaScript ໂດຍໄດ້ພດັ ທະນາເປນັ API ເພ່ືອເປັນຂົວການເຊືອ່ ມຕໍລ່ ະຫວ່າງ UI ແລະ ໂມເດວທ່ືີເຮົາໄດເ້ ຮັດການ Trained ມາ. ii

Abstract In this research is to study techniques and algorithms of Deep Learning (DL) such as YOLO, Fast RNN. These were applied to build a model that can detect vehicles in the traffic light area to analyze and calculate how many numbers of vehicles in the traffic light control system by transmitting through the broker using the MQTT Protocol to IoT devices. On the other hand, the model can function to control the traffic light in order to solve the current traffic control system that is not flexible enough. The pattern model was trained and tested from a dataset on Roboflow platform (70% training set, 20% validation set and 10% testing set of 1,524 unique vehicle images) with experimental results that found an accuracy average 84.9% and loss average 15.1%. A prototype simulation board with a small size of 80x80cm, Arduino board, LCD monitor, Realtime Clock, LED traffic light module, Voltage regulator module and NodeMCU esp8266. This can be controlled through a web app, which includes 2 operations: (1) automatic operation can be controlled by the power system with standard values (default) and from detection of objects or the number of vehicles to calculate the number and send it to the traffic light control system, (2) non-automated operation (manual) can be controlled remotely. The web App was developed using ReactJS Framework, including Front-end and Back-end to connect and control IoT devices through API functions. Keywords: Smart traffic, IoT device iii

ສາລະບານ ຄາໍ ຂອບໃຈ ......................................................................................................................................i ບົດຄດັ ຫຍ້ໍ ....................................................................................................................... ii Abstract......................................................................................................................................iii ສາລະບານ....................................................................................................................... iv ສາລະບານຕາຕະລາງ ........................................................................................................... vi ສາລະບານຮບ.................................................................................................................. vii ຄໍາສບັ ຫຍ້ໍ ....................................................................................................................... ix ພາກທີ 1 ບົດນາໍ ............................................................................................................... 1 1.1 ຄວາມເປັນມາ ແລະ ສະພາບບນັ ຫາ...........................................................................................1 1.2 ຄາໍ ຖາມຄົນ້ ຄວາ້ ....................................................................................................................1 1.3 ຈດປະສົງ.............................................................................................................................2 1.4 ຜນົ ປະໂຫຍດຂອງການສກຶ ສາ ..................................................................................................2 ພາກທີ 2 ທົບທວນເອກະສານ ແລະ ຂອບເຂດແນວຄວາມຄດິ .......................................................... 3 2.1 ທບົ ທວນເອກະສານ ແລະ ທິດສະດີທືກີ່ ່ຽວຂ້ອງ ...........................................................................3 2.1.1 ທິດສະດພີ ້ົນຖານຂອງ AI, ML ແລະ DL ...........................................................................................3 2.1.1 ທິດສະດີພົນ້ ຖານຂອງ CNN............................................................................................................4 2.1.2 ກົດໝາຍວາ່ ດ້ວຍການຈະລາຈອນທາງບກົ ...........................................................................................8 2.1.3 ທິດສະດີພົ້ນຖານຂອງ IOT ..............................................................................................................8 2.1.4 ທດິ ສະດຄີ ິດໄລໄ່ ຟອາໍ ນາດ..............................................................................................................15 2.1.5 ທດິ ສະດີຂອງການປະເມນີ ໂມເດວ (EVALUATION MODEL) ..............................................................16 2.2 ທົບທວນບົດຄົ້ນຄວາ້ ວິທະຍາສາດທກ່ີື ່ຽວຂ້ອງ...........................................................................17 2.3 ຂອບເຂດແນວຄວາມຄິດ......................................................................................................20 2.4 ນິຍາມຄໍາສບັ ໃນທາງປະຕິບັດ.................................................................................................20 ພາກທີ 3 ວິທີການສກຶ ສາ ................................................................................................... 21 3.1 ການອອກແບບການສກຶ ສາ....................................................................................................21 3.1.1 ການກາໍ ນດົ ເນອ້ົ ໃນ ......................................................................................................................21 3.1.2 ການຄດັ ເລອກພ້ນົ ທ່ີື.....................................................................................................................23 3.2 ຂ້ມໍ ນການສກຶ ສາ.................................................................................................................24 3.2.1 ບນັ ດາຂໍ້ມນການສກຶ ສາ.................................................................................................................24 3.2.2 ວິທີເກບັ ກາໍ ຂມໍ້ ນ .........................................................................................................................25 iv

3.2.3 ເຄື່ອງມທນ່ືີ ໍາໃຊເ້ ກັບກໍາຂມ້ໍ ນ .........................................................................................................30 3.3 ການວເິ ຄາະຂໍ້ມນ ແລະ ການອະທບິ າຍຜົນ................................................................................30 3.3.1 ເຄ່ອື ງມໃນການວເິ ຄາະຂໍ້ມນ ແລະ ພັດທະນາ......................................................................................30 ຂັົ້ນຕອນການວິເຄາະຂໍ້ມນການກວດຈັບວັດຖຸ ....................................................................................31 3.3.2 ຂນົ້ັ ຕອນການສມົ ທຽບລະຫວາ່ ງ YOLOV5 ແລະ FAST R-CNN........................................................41 3.3.3 ຂ້ົນັ ຕອນການວເິ ຄາະຂ້ມໍ ນການກາໍ ນົດໄຟອໍານາດ ................................................................................42 3.3.4 ຂັົ້ນຕອນການນາໍ ເອາົ ໂມເດວໄປນາໍ ໃຊ້ ..............................................................................................46 3.3.5 ພາກທີ 4 ຜນົ ການສຶກສາ ແລະ ການສນົ ທະນາ .......................................................................... 48 4.1 ຜົນການສກຶ ສາ ...................................................................................................................48 4.1.1 ຜນົ ການສກຶ ສາຂັົ້ນຕອນການກວດຈບັ ວດັ ຖຸ (OBJECT DETECTION)....................................................48 4.1.2 ຜນົ ການສຶກສາຂັົນ້ ຕອນການກາໍ ນດົ ລະບົບໄຟອາໍ ນາດ (TRAFFIC CONTROL) ........................................52 4.2 ການສົນທະນາ....................................................................................................................54 ພາກທີ 5 ສະຫບຸ , ຂໍຈ້ ໍາກດັ ແລະ ຂແໍ້ ນະນໍາໃນການສກຶ ສາ............................................................. 55 5.1 ສະຫຸບຜນົ ໃນການສກຶ ສາ ......................................................................................................55 5.2 ຂໍ້ຈາໍ ກັດໃນການສກຶ ສາ.........................................................................................................56 5.3 ຂ້ແໍ ນະນໍາໃນການສຶກສາ .......................................................................................................56 ເອກະສານອາ້ ງອງີ .............................................................................................................. 57 ເອກະສານຊ້ອນທາ້ ຍ.......................................................................................................... 59 v

ສາລະບານຕາຕະລາງ ຕາຕະລາງທີ 2. 1: ຄວາມສາໍ ພັນໃນການວັດຄວາມສາມາດຂອງການຮຽນຮຂ້ ອງໂມເດວ.............................................16 ຕາຕະລາງທີ 2. 2: ຄາໍ ສບັ ທໃື່ີ ຊ້ໃນທາງປະຕບິ ດັ ..................................................................................................20 ຕາຕະລາງທີ 3. 1: ກາໍ ນົດຄາ່ ມາດຕະຖານຂອງລະບົບໄຟອາໍ ນາດ ............................................................................25 ຕາຕະລາງທີ 3. 2: ແຍກປະເພດກມ່ ຂ້ໍມນ .........................................................................................................26 ຕາຕະລາງທີ 3. 3: ສມົ ທຽບຄ່າຄວາມຖກລະຫວ່າງ YOLOv5 ແລະ Fast R-CNN ...............................................41 ຕາຕະລາງທີ 3. 4: ກາໍ ນົດ Label ແທນຄ່າຕົວຈງິ ..............................................................................................43 ຕາຕະລາງທີ 4. 1: ຜົນການ Training model YOLOv5 ....................................................................... 48 vi

ສາລະບານຮບ ຮບທີ 2. 1 ການພວົ ພັນລະຫວາ່ ງ AI, ML ແລະ DL .......................................................................... 4 ຮບທີ 2. 2 ໂຄງສາ້ ງສະຖາປະຕິຍະກາໍ ຂອງ ANN............................................................................... 4 ຮບທີ 2. 3 ໂຄງສ້າງສະຖາປະຕຍິ ະກາໍ ຂອງ CNN ............................................................................... 5 ຮບທີ 2. 4 ຕວົ ຢາ່ ງການຄນ Metric ເພ່ືອຫາ Feature Map ................................................................. 5 ຮບທີ 2. 5 ການເຮັດວຽກຂອງ Convolutional Layer ...................................................................... 6 ຮບທີ 2. 6 ການສາ້ ງ ReLu Layer............................................................................................. 6 ຮບທີ 2. 7 ການຫາຄາ່ ຂອງ Max Pooling .................................................................................... 7 ຮບທີ 2. 8 ການເຮັດ Flattening............................................................................................... 7 ຮບທີ 2. 9 ການເຮັດວຽກຂອງ Fully connected ............................................................................ 7 ຮບທີ 2. 10 ຄນສົມບດັ ຂອງບອດ Arduino Mega2560 .................................................................... 9 ຮບທີ 2. 11 ຄນສົມບດັ ຂອງຂາ ແລະ ໜ່ວຍຄວາມຈໍາ ....................................................................... 10 ຮບທີ 2. 12 ຈໍ LCD .......................................................................................................... 11 ຮບທີ 2. 13 Realtime clock (DS323).................................................................................... 12 ຮບທີ 2. 14 Module traffic light.......................................................................................... 13 ຮບທີ 2. 15 Voltage Regulator Module ................................................................................ 13 ຮບທີ 2. 16 NodeMCU esp8266 ......................................................................................... 14 ຮບທີ 2. 17 ການສົມທຽບລະຫວາ່ ງ YOLOv1 ແລະ Fast R-CNN...................................................... 17 ຮບທີ 2. 18 ເສ້ົນັ ສະແດງການສົມທຽບຂອງ SSD, RetinaNet ແລະ YOLOv3 ......................................... 18 ຮບທີ 2. 19 ເສົນັ້ ສະແດງການສົມທຽບລະຫວ່າງ YOLOv3 ແລະ YOLOv4............................................. 18 ຮບທີ 3. 1 ຂ້ົນັ ຕອນວິທກີ ານຄ້ນົ ຄວາ້ ......................................................................................... 21 ຮບທີ 3. 2 ຂັົນ້ ຕອນການ Training model ................................................................................. 22 ຮບທີ 3. 3 ຂັົ້ນຕອນ Detection.............................................................................................. 22 ຮບທີ 3. 4 ບລໍ ິສດັ ລາວໂທລະຄມົ ມະນາຄມົ ມະຫາຊນົ ...................................................................... 23 ຮບທີ 3. 5 ໄຟແດງສາຍລມົ ຕັດກບັ ຖະໜົນລາ້ ນຊ້າງ .......................................................................... 23 ຮບທີ 3. 6 ຂມໍ້ ນຮບພາບແຕລ່ ະປະເພດລົດ ................................................................................... 24 ຮບທີ 3. 7 ຂມໍ້ ນຕວົ ເລກກາໍ ນົດໄຟອໍານາດ.................................................................................... 25 ຮບທີ 3. 8 ຮບພາບຕົວຢ່າງຂອງປະເພດລົດ Tuktuk......................................................................... 26 ຮບທີ 3. 9 ຮບພາບຕວົ ຢາ່ ງຂອງປະເພດລດົ Motorbike .................................................................... 27 ຮບທີ 3. 10 ຮບພາບຕວົ ຢາ່ ງຂອງປະເພດລົດ Truck......................................................................... 27 ຮບທີ 3. 11 ຮບພາບຕວົ ຢາ່ ງຂອງປະເພດລົດ Jumbo........................................................................ 28 ຮບທີ 3. 12 ຮບພາບຕວົ ຢ່າງຂອງປະເພດລົດ Skaylab...................................................................... 28 ຮບທີ 3. 13 ຮບພາບຕົວຢາ່ ງຂອງປະເພດລົດ Car............................................................................ 29 ຮບທີ 3. 14 ຮບພາບຕົວຢ່າງຂອງປະເພດລົດ Bus ........................................................................... 29 ຮບທີ 3. 15 ຮບພາບຕວົ ຢ່າງຂອງປະເພດລດົ Van ........................................................................... 30 ຮບທີ 3. 16 ຂົ້ນັ ຕອນວເິ ຄາະຂມໍ້ ນ............................................................................................. 31 ຮບທີ 3. 17 ກາໍ ນົດ Label ແລະ Annotate ໃຫກ້ ບັ ຮບພາບ ............................................................... 32 ຮບທີ 3. 18 ນາໍ ຊດຸ ຂໍ້ມນອອກມານາໍ ໃຊ້ (YOLOv5) ....................................................................... 32 ຮບທີ 3. 19 ນາໍ ຊດຸ ຂ້ໍມນອອກມານໍາໃຊ້ (Fast R-CNN) ................................................................... 33 ຮບທີ 3. 20 ຜນົ ຂອງການ Training model (YOLOv5)......................................................................... 33 ຮບທີ 3. 21 ຜນົ ຂອງການ Training model (Fast R-CNN) ............................................................ 34 ຮບທີ 3. 22 ປະເມີນໂມເດວດ້ວຍ Confusion Matrix ............................................................................. 34 vii

ຮບທີ 3. 23 ປະເມີນໂມເດວດວ້ ຍ COCOEvaluator ............................................................................... 35 ຮບທີ 3. 24 ຜນົ ການທດົ ສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Van......................................................... 35 ຮບທີ 3. 25 ຜົນການທົດສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Car ......................................................... 36 ຮບທີ 3. 26 ຜົນການທດົ ສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Jumbo ..................................................... 36 ຮບທີ 3. 27 ຜນົ ການທດົ ສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Motorbike ............................................... 36 ຮບທີ 3. 28 ຜົນການທົດສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Bus ......................................................... 37 ຮບທີ 3. 29 ຜົນການທົດສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Truck ...................................................... 37 ຮບທີ 3. 30 ຜົນການທດົ ສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Skylab..................................................... 37 ຮບທີ 3. 31 ຜນົ ການທົດສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Tuktuk .................................................... 38 ຮບທີ 3. 32 ຜນົ ການທົດສອບໂມເດວ Fast R-CNN ຂອງປະເພດລົດ Van .................................................... 38 ຮບທີ 3. 33 ຜນົ ການທດົ ສອບໂມເດວ Fast R-CNN ຂອງປະເພດລົດ Car..................................................... 39 ຮບທີ 3. 34 ຜົນການທດົ ສອບໂມເດວ Fast R-CNN ຂອງປະເພດລດົ Jumbo ................................................ 39 ຮບທີ 3. 35 ຜນົ ການທດົ ສອບໂມເດວ Fast R-CNN ຂອງປະເພດລດົ Motorbike........................................... 39 ຮບທີ 3. 36 ຜນົ ການທົດສອບໂມເດວ Fast R-CNN ຂອງປະເພດລດົ Bus .................................................... 40 ຮບທີ 3. 37 ຜນົ ການທົດສອບໂມເດວ Fast R-CNN ຂອງປະເພດລົດ Truck.................................................. 40 ຮບທີ 3. 38 ຜນົ ການທດົ ສອບໂມເດວ Fast R-CNN ຂອງປະເພດລດົ Skylab ................................................ 40 ຮບທີ 3. 39 ຜນົ ການທົດສອບໂມເດວ Fast R-CNN ຂອງປະເພດລົດ Tuktuk................................................ 41 ຮບທີ 3. 40 ຂນ້ົັ ຕອນການຄວບຄມສນັ ຍານໄຟອາໍ ນາດ ...................................................................... 42 ຮບທີ 3. 41 ຮບັ ຄາ່ , ປຽ່ ນຄາ່ ແລະ ຄວມຄມຜ່ານລະບບົ ຕນ້ົ ແບບ............................................................ 43 ຮບທີ 3. 42 ເວບັ ຄວບຄມລະບົບໄຟອາໍ ນາດແບບ Automation.................................................................... 44 ຮບທີ 3. 43 ການຄວບຄມລະບບົ ໄຟອາໍ ນາດຜ່ານບອດຮບແບບ Manual ......................................................... 45 ຮບທີ 3. 44 ການຄວບຄມລະບບົ ໄຟອາໍ ນາດຜາ່ ນເວບັ ໄຊທຮ໌ ບແບບ Manual.................................................... 45 ຮບທີ 3. 45 ພາບທີ່ືຕັດຈາກວິດໂີ ອກອ່ ນ Detection.................................................................................. 46 ຮບທີ 3. 46 ພາບວິດໂີ ອຫງັ Detection ................................................................................................. 47 ຮບທີ 4. 1 ກຣາບສະແດງຜນົ ລວມການຮຽນຮຂ້ ອງໂມເດວ .................................................................. 48 ຮບທີ 4. 2 ຄວາມສາໍ ພັນຂອງປະເພດຂໍ້ມນໃນ Confusion Metrix........................................................ 49 ຮບທີ 4. 3 ກຣາບສະແດງຄ່າຂອງ F1 Score................................................................................. 49 ຮບທີ 4. 4 ກຣາບສະແດງຄ່າຂອງ Precision................................................................................. 50 ຮບທີ 4. 5 ກຣາບສະແດງຄາ່ ຂອງ Recall .................................................................................... 50 ຮບທີ 4. 6 ກຣາບການພວົ ພນັ ລະຫວາ່ ງ Precision ແລະ Recall........................................................... 51 ຮບທີ 4. 7 ກຣາບສະແດງຄາ່ ຄວາມຖກຕ້ອງທງັ ໝົດ.......................................................................... 51 ຮບທີ 4. 8 ກຣາບການສນເສຍຂອງການຮຽນຮຂ້ ອງໂມເດວ ................................................................. 51 ຮບທີ 4. 9 ກຣາບສະແດງຄ່າຂອງການສນເສຍຂອງການ Validate Model................................................ 52 ຮບທີ 4. 10 ສະແດງການກາໍ ນດົ ເລນ ແລະ ຄາ່ Default ..................................................................... 52 ຮບທີ 4. 11 ໜາ້ ຈໍ LCD ສະແດງຜນົ ຂອງລະບບົ ໄຟອໍານາດ................................................................. 54 viii

ຄາໍ ສບັ ຫຍ້ໍ DT = Digital Transformation AI = Artificial Intelligence ML = Machine Learning DL = Deep Learning RNN = Recurrent Neural Network ANN = Artificial Neural Network CNN = Convolutional Neural Network NPL = Neural Processing Language FNN = Feedforward Neural Network YOLO = You Look Only Once COCO = Common Object in Context TN = True Negative FP = False Positive FN = False Negative P = Condition Positive N = Condition Negative mAP = Mean Average Precision IoT = Internet of Things FPS = Frames Per Second MQTT = Message Queuing Telemetry Transport Wi-Fi = Wireless Fidelity LCD = Liquid Crystal Display LED = Light Emitting Diode SDA = Serial Data SCL = Serial Clock IDE = Integrated Development Environment GPU = Graphics Processing Units PHF = Peak Hour Factor RTC = Real Time Clock API = Application Programming Interface UI = User Interfaces ix

ພາກທີ 1 ບດົ ນາໍ 1.1 ຄວາມເປນັ ມາ ແລະ ສະພາບບນັ ຫາ ປດັ ຈບນັ ບັນຫາລດົ ຕິດໃນຊົວ່ ໂມງທເື່ີ ລງົັ່ ດ່ວນຕາມເສນ້ົັ ທາງຫັກຢ່ນະຄອນຫວງວຽງຈນັ ເນອື່ ງຈາກເປນັ ເມອງຫວງຂອງປະເທດ ເຊ່ິງື ມຜີ ້ຄົນມາຈາກຫາກຫາຍບ່ອນບໍວ່ າ່ ຈະມາຈາກຕາ່ ງແຂວງ, ຕາ່ ງປະເທດ ເພອື່ ເຂົ້າມາ ເຮດັ ວຽກງານທາໍ ຈືຶງ່ ເກີດມີການເດີນທາງ ແລະ ການຈະລາຈອນທືີ່ໜາແໜ້ນຂນຶ້ົ ເລົ້ອຍໆ ໂດຍສະເພາະຊວ່ ງເວລາ ເລ່ົັງດ່ວນຂອງການເດີນທາງໄປວຽກ ແລະ ກັບຈາກການເລກີ ວຽກ ເຊ່ງືິ ສງັ ເກດເຫັນໄດ້ວ່າການລະບາຍລດົ ອາດຈະບໍ່ ທນັ ໄດດ້ ີເທ່ົາທຄ່ີື ວນ ນອກຈາກນ້ົນັ ບາງຊວ່ ງເວລາລດົ ນອ້ ຍແຕ່ຈາໍ ນວນໂຕເລກໄຟຂຽວແມ່ນຫາຍເກນີ ໄປ ເນອ່ື ງ ຈາກບ້ານເຮາົ ແມ່ນນໍາໃຊລ້ ະບບົ ໄຟອາໍ ນາດໃນຮບແບບ Fixed ຄ່າແບບຕາຍຕົວ ການຄວບຄມການເຮັດວຽກຂອງ ລະບົບໄຟອໍານາດ (Traffic control) ແຕ່ລະຈດນນ້ົັ ຍັງບທໍ່ ນັ ມີປະສິດທິພາບເທ່າົ ທືຄ່ີ ວນ ຕວົ ຢ່າງ ເສນ້ົັ ທາງທ່ມືີ ີລົດ ຫາຍແຕກ່ ບັ ມຈີ ໍານວນໄຟສີຂຽວນ້ອຍ, ເສ້ົັນທາງທບື່ີ ໍມ່ ີລົດກບັ ໄດ້ຈໍານວນໄຟຂຽວຫາຍ ເຊງ່ືິ ແຕ່ລະເສັົນ້ ທາງນ້ັນົ ມີ ຈໍານວນລົດແລນ່ ຜາ່ ນແຕກຕ່າງກັນໃນແຕ່ລະຊວ່ົ ໂມງຂອງແຕ່ລະວນັ , ຈາໍ ນວນລົດເທາົ່ ໃດຈ່ຶືງມີຄວາມເໝາະສົມກບັ ການເປີດໄປສີເຫອງເພ່ອື ໃຫລ້ ດົ ນົນັ້ ແລນ່ ຜ່ານເສ້ັົນທາງໃຫໄ້ ດປ້ ະສດິ ທພິ າບສງສດ. ການນັບຈາໍ ນວນລດົ ຜາ່ ນໃນແຕ່ ລະເສັ້ນົ ທາງ, ການຈໍາແນກປະເພດລົດ ລວມທັງການເກັບກໍາຂມ້ໍ ນວັດຖຸ ຫ ຍານພາຫະນະທີ່ືແລ່ນຜ່ານເສ້ົັນທາງ ຕ່າງໆເຊ່ົັນ: ປາ້ ຍລດົ , ສີລດົ , ຄວາມໄວ ແລະ ພດຶ ຕິກາໍ ຂອງລົດທີແ່ື ລນ່ ໃນເສ້ົັນທາງຕາ່ ງໆວາ່ ຊວົ່ ໂມງໃດລົດຫາຍ, ລົດ ປະເພດໃດຫາຍ, ການປະຕບິ ັດກົດຈະລາຈອນຖກຕ້ອງຈັກເປເີ ຊນັ ເປນັ ຕນ້ົ . ດງັົ່ ນ້ັນົ , ບດົ ວຍິ ານິພົນນົ້ແີ ມ່ນຄົນ້ ຄວ້າຫາ ວິທີ ແລະ ນາໍ ໃຊເ້ ຄືອ່ ງມທາງດ້ານ Internet of Things (IoT) ເຂົ້າມາຊ່ວຍໃນການສງ່ົ ຂ້ມໍ ນ ເພື່ອຕອບບນັ ຫາການ ຈະລາຈອນທີືຍ່ ັງບໍ່ໄດ້ປະສິດທິພາບເທາົ່ ທຄ່ີື ວນ ໂດຍນາໍ ໃຊ້ Algorithm You Look Only Once (YOLO) (Redmon et al., 2016) ເພ່ອື ກວດຈັບວດັ ຖຸ ແລະ ສາ້ ງລະບບົ ຄວບຄມໄຟອາໍ ນາດໃຫມ້ ີປະສດິ ທິພາບຫາຍຂນຶົ້ ໂດຍໃຫ້ໂມເດວສາມາດຮຽນຮ້ ແລະ ຄວບຄມໄດ້ດ້ວຍເຄອ່ື ງຄອມພິວເຕີເອງ. ນອກຈາກບັນຫາທກ່ີື ່າວມາຂ້າງເທງິ ແລວ້ ນັົ້ນ ບົດຄົນ້ ຄວາ້ ນົີ້ ຍງັ ສະແດງໃຫເ້ ຫັນເຖິງການຫນັ ໄປເປັນຍກດິ ຈິຕອລ (Digital Transformation) ຂອງບາ້ ນເຮົານົນັ້ ຍັງບ່ທໍ ັນແຜ່ຫາຍ ເຊງິ່ື ໃນບດົ ວິທະຍານິພນົ ນ້ຈົີ ະໄດ້ສື່ໃຫ້ ເຫນັ ການນໍາໃຊ້ Digital ເຂາົ້ ກັບວຽກງານທາງດ້ານການກວດຈັບວດັ ຖຸ (Object detection) ແລະ ການຄວບຄຸມ ໄຟອໍານາດ (Traffic Control) ຂອງບ້ານເຮົາໄດ້ເປັນຢາ່ ງດ.ີ 1.2 ຄາໍ ຖາມຄນ້ົ ຄວາ້ ເພ່ອື ບນັ ລເປົາ້ ໝາຍ ແລະ ຈດປະສົງຂອງການເຮັດບົດຄ້ົນຄວ້ າໃນຄັົງ້ ນົີ້, ບດົ ຄົ້ນຄວາ້ ສະບບັ ນຈົີ້ ະຕ້ອງຕອບໄດ້ ບນັ ດາຄໍາຖາມດ່ົງັ ລມ່ ນ້ົີ: ▪ ເຮົາມີວທິ ີການໃດບໍ່? ທເື່ີ ຮັດໃຫລ້ ະບົບໄຟອາໍ ນາດສາມາດຢດື ຢ່ນໄດ້ ແລະ ເຮາົ ສາມາດຄວບຄມດ້ວຍໄດ້ ເຮົາເອງ. ▪ ອປະກອນທາງດ້ານ IoT ສາມາດນາໍ ມາໃຊວ້ ຽກດ້ານການສ່ົງຂມໍ້ ນລະຫວ່າງໂຕກວດຈບັ ວັດຖໄຸ ປຫາໂມ ເດວໄດດ້ ້ວຍວທິ ກີ ານໃດ? ▪ ບ່ອນໃດທ່ືຈີ ະເຮັດໃຫ້ສາມາດລະບາຍລົດໄດ້ດີທືີ່ສດ ຫ ຫາຈດສົມດນຂອງລະບບົ ໄຟອາໍ ນາດ. 1

1.3 ຈດປະສງົ ▪ ເພື່ອສາ້ ງຊຸດຂໍ້ມນໃໝ່ (New Dataset) ທີື່ເປນັ ສະພາບແວດລອ້ ມ (Environment) ຂອງບາ້ ນເຮາົ . ▪ ເພອ່ື ຄົນ້ ຄວາ້ ຫາວິທີການກວດຈັບວດັ ຖຸ (Object detection) ໂດຍນໍາໃຊ້ການປະມວນຜົນຂອງຮບພາບ (Image Processing). ▪ ເພ່ອື ສ້າງແບບຈາໍ ຮອງ (Model) ໃນການຈັດການກັບລະບົບໄຟອາໍ ນາດ ໂດຍສາມາດປັບຄ່າຂອງລະບບົ ໄຟອໍານາດໄດ້ ເປນັ ລະບບົ ໄຟອາໍ ນາດທີ່ຢື ືດຢນ່ ໄດ້ (Dynamic) ແລະ ໂດຍສະແດງໃຫ້ເຫນັ ເຖິງການສົງ່ ຂ້ໍມນຈາກ ໂມເດວໄປຫາ Board ໂດຍຜ່ານ Protocol ທເີື່ ປັນ MQTT. ▪ ເພ່ອື ສ້າງໂຕຄວບຄມໄຟອໍານາດຜາ່ ນ Board, ສ້າງເວັບໄຊທຄ໌ ວບຄມ ແລະ ສົງ່ ຄາ່ ຈາກໂມເດວ ເພ່ອື ຄວບ ຄມລະບົບໄຟອາໍ ນາດ. 1.4 ຜນົ ປະໂຫຍດຂອງການສກຶ ສາ ▪ ຕຂໍ່ າ້ ພະເຈ້ົາ: ຈາກການສຶກສາ ແລະ ດາໍ ເນນີ ການທົດລອງຕົວຈງິ ເຮດັ ໃຫ້ມຄີ ວາມເຂາົ້ ໃຈໃນເລອື່ ງຂອງ ການກວດຈັບວັດຖຸ (Object detection), ການນາໍ ໃຊ້ເຄ່ອື ງມທາງດາ້ ນ IoT ເຂ້ົາມາຊວ່ ຍໃນການຄວບຄມລະບົບ ໄຟອໍານາດດ້ວຍການຮຽນຮແ້ ບບເລິກເຊງິ່ື ໂດຍນໍາໃຊ້ເຕັກນິກຂອງ YOLO ແລະ ການສົງ່ ຄາ່ ຂອງ MQTT Protocol. ▪ ຕ່ຜໍ ອ້ ່ານ: ເປັນບົດຄົນ້ ຄວາ້ ທໃ່ືີ ຫ້ຂ້ໍມນ ແລະ ປະໂຫຍດກັບຜ້ທ່ສີື ົນໃຈໃນການສຶກສາດາ້ ນການກວດຈັດ ວດັ ຖ,ຸ ການນາໍ ໃຊ້ເຄອ່ື ງມທາງດ້ານ IoT, ການສ່ົງຄ່າຂອງອປະກອນ ແລະ ການຮ້ຂອງໂມເດວແບບເລີກເຊ່ືິງ ເພື່ອ ເປັນພ້ົນຖານໃນການພັດທະນາຕ່ໍຍອດໃນອານາຄດົ . 2

ພາກທີ 2 ທົບທວນເອກະສານ ແລະ ຂອບເຂດແນວຄວາມຄດິ 2.1 ທບົ ທວນເອກະສານ ແລະ ທດິ ສະດທີ ກີື່ ຽ່ ວຂອ້ ງ 2.1.1 ທດິ ສະດພີ ນ້ົ ຖານຂອງ AI, ML ແລະ DL AI ຫ ເອນົ້ີ ວ່າປນັ ຍາປະດິດ ເຊງ່ິື ເປນັ ເທກັ ໂນໂລຢີຈາໍ ຮອງທືີ່ມີຄວາມສາມາດຄາ້ ຍຄກບັ ຄນົ ເຮົາ ໂດຍ ພດັ ທະນາໃຫ້ລະບົບສາມາດຮຽນຮ້, ເຂາ້ົ ໃຈ, ມເີ ຫດຜົນ ແລະ ຕດັ ສນິ ໃຈດວ້ ຍທາງເລອກທດີ່ື ີທີື່ສດແທນຄົນເຮົາໄດ້ (Kayser et al., 2009). ML ນົັ້ນເປັນສວ່ ນໜຶງ່ື ຂອງ AI, ML ແມ່ນການຮຽນຮ້ຂອງເຄອື່ ງຄອມພວິ ເຕດີ ວ້ ຍ Algorithm ເພອື່ ເພີມື່ ການເຮດັ ວຽກແບບອດັ ຕະໂນມດັ ໂດຍຜາ່ ນປະສບົ ການຂອງການຮຽນຮ້ດວ້ ຍຕົນເອງ. ເຊ່ືິງ Algorithm ນັົນ້ ສ້າງຂົຶ້ນໂດຍພົນ້ ຖານຂອງຂມໍ້ ນ ຈາກການຮຽນຮ້ຂອງຄອມພິວເຕໂີ ດຍການຮຽນຮຈ້ າກຂ້ໍມນ (Training Data), ML ນນົ້ັ ນາໍ ໃຊກ້ ນັ ຫາກຫາຍສາຂາວິຊາບໍ່ວາ່ ຈະເປັນ Computer Vision (Huang, 1997), Data mining (Fayyad et al., 1996), Object detection ແລະ ອນ່ື ໆ ເຊິງື່ ML ແບງ່ ອອກເປນັ 3 ໝວດໃຫຍ່ດງັົ່ ນີ້ົ (Michie, 1968). 1. Supervised Learning “ແມ່ນການຮຽນຮຂ້ ອງຄອມພິວເຕທີ ່ີມື ີ Label ກໍາກັບ ຫ ມກີ ານບອກ ວ່າສງິ່ື ນ້ແີົ ມ່ນຫຍງັ ແລະ ໃຫ້ຄອມພິວເຕີຮຽນຮຈ້ າກສງິື່ ທບີ່ື ອກໄວ້ນ້ນັົ ເຊືງ່ິ ປະກອບມີ Classification ແລະ Regression ໃນການແຍກປະເພດກ່ມຂອງຂ້ໍມນ, Supervised Learning ເປັນການຮຽນຮ້ທ່ສີື າມາດແຍກ Dataset ເປັນ Train ແລະ Test ໄດ”້ . 2. Unsupervised Learning “ແມ່ນການຮຽນຮຂ້ ອງຄອມພວິ ເຕທີ ີ່ືບ່ໍມີ Label ກາໍ ກບັ ຫ ບໍໄ່ ດ້ ບອກວາ່ ແມ່ນສືງິ່ ໃດ ແຕ່ຈະຈດັ ກມ່ ຕາມຄວາມໃກ້ຄຽງ ແລະ ຄວາມຄາ້ ຍຄກັນຂອງຂມໍ້ ນແທນ ເຊງື່ິ ປະກອບມີ Dimensionality Reduction ແລະ Clustering ໃນການແຍກປະເພດຂ້ມໍ ນ” 3. Reinforcement Learning “ແມນ່ ການຮຽນຮຂ້ ອງຄອມພິວເຕີທ່ຮືີ ຽນຮ້ຈາກຄວາມຜິດພາດ ຂອງການຕັດສນິ ໃຈຄົ້ັງຜ່ານມາ ເຊ່ງືິ ຈະຮຽນຮໄ້ ປເລົ້ອຍໆຈນົ ກວ່າຈະຖກທງັ ໝົດ. ເຊງ່ິື ປະກອບມສີ ່ວນສາຄນັ ຄ: Agent, Reward, Observation, Action ແລະ Environment” (Nguyen et al., 2019). DL ການຮຽນຮແ້ ບບເລິກເຊືິ່ງເປນັ ສວ່ ນໜຶງ່ື ຂອງ ML ເຊງື່ິ ມີພນ້ົ ຖານມາຈາກ ANN (Warren, 2005) ແລະ Representation Learning (Bengio et al., 2013) ໂດຍການຮຽນຮນ້ ້ົນັ ສາມາດເປນັ ໄດ້ທງັ Supervised, Semi-supervised ແລະ Unsupervised, DL ມໂີ ຄງສາ້ ງສະຖາປະຕຍິ ະກາໍ ຄ: Deep Neural Network, Deep Belief Network, RNN (Sherstinsky, 2020) ແລະ CNN (O’Shea & Nash, 2015) ເຊງ່ືິ ນາໍ ໃຊກ້ ນັ ຫາກຫາຍສາຂາວຊິ າເຊົ່ັນ: Computer Vision (Huang, 1997), Machine Vision, Speech Recognition, NPL (Kibble, 2013), Audio Recognition ແລະ ອືນ່ ໆ (Schmidhuber, 2015). 3

AI ເປັນໂປຣແກຣມທ່ສີື າມາດຮຽນຮ້ ແລະ ເຮັດວຽກແທນຄົນເຮົາໄດ້ ML ສາມາດຮຽນຮ້ ໂດຍບຕໍ່ ້ອງຕ້ັົງ ໂປຣແກຣມໄວຊ້ ັດເຈນ DL ຮຽນຮ້ຈາກຂໍ້ມນທ່ີືຫາກຫາຍ ໂດຍ Artificial Neural Network ຮບທີ 2. 1 ການພວົ ພັນລະຫວາ່ ງ AI, ML ແລະ DL ໃນຮບທີ 2. 1 ນສີ້ົ ະແດງເຖິງການພວົ ພນັ ລະຫວາ່ ງ DL ເປນັ ສ່ວນໜ່ງືຶ ຂອງ ML ແລະ ML ແມ່ນ ສ່ວນໜງ່ຶື ຂອງ AI. ໂດຍ AI ແມນ່ ຕ້ົນກາໍ ເນີດຂອງສອງຢາ່ ງ ML ແລະ DL. 2.1.1 ທດິ ສະດພີ ນ້ົ ຖານຂອງ CNN CNN ແມນ່ ມີພ້ົນຖານແນວຄິດຈາກ Artificial Neural Network (ANN) ເຊງ່ິື ເປນັ ຕົ້ນແບບຂອງ ເຄອຂາ່ ຍປະສາດທຽບ ໂດຍສະຖາປັດຕິຍະກໍາທີື່ດີສດຂອງ ANN ແມ່ນ CNN ໃຊ້ເປນັ ຫກັ ໃນການແກໄ້ ຂບນັ ຫາ ຮບແບບ Recognitive ທືີເ່ ປນັ ຮບພາບ (O’Shea & Nash, 2015). ຮບທີ 2. 2 ໂຄງສ້າງສະຖາປະຕິຍະກໍາຂອງ ANN ຈາກຮບທີ 2. 2 ປະກອບມີ 4 Input ເຊິ່ືງໂມເດວ ANN ປະກອບມີ 3 ຊົນ້ັ (Layer) ເຊງ່ິື ຊັົນ້ ທີໜງືຶ່ ແມນ່ Input Layer, ຊົນ້ັ ທີສອງແມ່ນ Hidden Layer ແລະ ຊ້ົນັ ສດທາ້ ຍແມນ່ Output Layer ໂດຍທງັ 3 ຊັົ້ນນ້ີົ ເອນ້ົີ ວ່າ Feedforward Neural Network (FNN). 4

CNN ແມ່ນການວເິ ຄາະຮບພາບໂດຍການແບງ່ ຮບພາບອອກເປນັ ພົ້ນທ່ືນີ ້ອຍໆໃນລະດບັ Pixel ເພ່ອື ເຮດັ ການວເິ ຄາະ Metric ຂອງຮບພາບ ເຊ່ືິງຮບພາບທເື່ີ ປັນຂາວດາໍ ແມ່ນຈະເປນັ Metric 2x2 ແຕຖ່ ້າເປນັ ຮບພາບສີ ຈະເປັນ Metric 3x3. ຂນັ້ົ ຕອນການເຮັດວຽກ CNN ມີຢ່ 4 ຢ່າງຄ: Convolution, Max pooling, Flattening ແລະ Full connection. ເຊ່ືງິ Input layer ແມ່ນຈະເກບັ ຄາ່ Pixel ຂອງຮບພາບໄວ້ ໂດຍສະແດງໃຫ້ເຫນັ ໃນຮບ ທີ 2. 3 ດັົງ່ ລ່ມນົີ້. ຮບທີ 2. 3 ໂຄງສ້າງສະຖາປະຕຍິ ະກໍາຂອງ CNN ຮບພາບຈາກ (O’Shea & Nash, 2015) ຈາກຮບທີ 2. 3 ເຮົາສາມາດແຍກ Convolutional Layer ອອກມາ ເຊງ່ືິ ໃນນ້ົີແມ່ນເຮດັ ໜາ້ ທ່ີຄື ນ Metric ລະຫວາ່ ງ Input Image ກບັ Feature Detection ເຮັດໃຫໄ້ ດ້ Feature Map ທືີ່ສະແດງໃຫເ້ ຫນັ ໃນຮບ ທີ 2. 4 ລ່ມນ້ົີ. ຮບທີ 2. 4 ຕວົ ຢ່າງການຄນ Metric ເພອື່ ຫາ Feature Map ຮບພາບຈາກ (O’Shea & Nash, 2015) ຈາກຮບທີ 2. 4 Input Image ແມນ່ ນາໍ ຮບພາບເຂ້ົາມາແລວ້ ປຽ່ ນເປັນ Gray scale ເຊ່ງືິ ໄດຄ້ າ່ ເປນັ Vector ຫງັ ຈາກນັ້ນົ ຄນໃຫ້ Metric ຂອງ Feature detection ຂະໜາດ 3x3 ແລະ ໄດ້ Feature map ອອກມາ. 5

ເມື່ອສາໍ ເລັດການຄນ Metric ທງັ ໝົດແລ້ວ ເຮາົ ຈະໄດ້ Feature Map ຈໍານວນຫາຍເກດີ ຂນ້ຶົ ເຊງື່ິ ທງັ ໝົດນັນ້ົ ເອີ້ນົ ວາ່ Convolutional Layer ໂດຍສະແດງໃຫ້ເຮາົ ເຫນັ ດົັງ່ ຮບ 2. 5 ດັງ່ົ ລມ່ ນ້ົີ. ຮບທີ 2. 5 ການເຮັດວຽກຂອງ Convolutional Layer ຮບພາບຈາກ (O’Shea & Nash, 2015) ຈາກຮບທີ 2. 5 ແມນ່ ສາເລດັ ການເຮັດວຽກຂອງ Convolutional Layer ຫັງຈາກນັົນ້ ແມນ່ ສາ້ ງ Rectifier ໂດຍກາໍ ນດົ ເປນັ ReLu Layer ເຊ່ິງື ປະກອບມແີ ກນ y ເປນັ ລວງຕົ້ງັ ແລະ ແກນ x ເປນັ ລວງນອນ ໂດຍ ມີລາຍລະອຽດໃນຮບທີ 2. 6 ລມ່ ນີົ້. ຮບທີ 2. 6 ການສ້າງ ReLu Layer ຮບພາບຈາກ (O’Shea & Nash, 2015) ໝາຍເຫດ: ຮບພາບທີ 2. 7 ຫາ 2. 9 ແມນ່ ຮບພາບຈາກ (O’Shea & Nash, 2015) 6

Max Pooling ແມ່ນການຫາຄາ່ ສງສດທ່ືຢີ ່ບໍລເິ ວນຂອງ Metric ເຊ່ງິື ລະບບົ ຈະຫາຄ່າສງສດເພອື່ ໃຫ້ ໄດ້ Pooled feature map ອອກມາ ໂດຍມີຂ້ັົນຕອນທີືສ່ ະແດງໃນຮບທີ 2. 7 ດງົ່ັ ລ່ມນ້.ີົ ຮບທີ 2. 7 ການຫາຄາ່ ຂອງ Max Pooling Flattening ແມ່ນການເຮດັ ໃຫ້ Pooling feature map ໄປຢ່ຖນັ ດຽວກນັ ຫ ປັບປຽ່ ນຮບແບບຂອງ ຂໍ້ມນໃຫຢ້ ່ຮບແບບດຽວກນັ ເພ່ອື ງ່າຍຕກ່ໍ ານວິເຄາະຂໍ້ມນ ໂດຍສະແດງໃຫເ້ ຫນັ ໃນຮບທີ 2. 8 ດັົ່ງລ່ມນີ້.ົ ຮບທີ 2. 8 ການເຮັດ Flattening Full Connection ແມ່ນການນາໍ ເອາົ Flattening ມາເຂົາ້ ສໂ່ ມເດວຂອງ ANN ເພ່ືອຄາດຄະເນຜົນ ຂອງໃນ Output layer ເຊືິງ່ ໃນຮບທີ 2. 9 ແມນ່ ໄດນ້ າເອົາຮບໝາເຂົາ້ ມາໃນ Input layer ແລວ້ ຜາ່ ນຂະບວນຂອງ Convolutional, Rectifier, Max pooling ແລະ Flattening ຈະໄດ້ Fully connected ໂດຍການ Predict ວ່າເປນັ ຮບໝາ 95% ແລະ ເປັນຮບແມວຢ່ 5% ທ່ືສີ ະແດງໃນຮບທີ 2. 9 ດົ່ງັ ລມ່ ນີົ້. ຮບທີ 2. 9 ການເຮັດວຽກຂອງ Fully connected 7

2.1.2 ກດົ ໝາຍວາ່ ດວ້ ຍການຈະລາຈອນທາງບກົ ອີງຕາມກດົ ໝາຍ ວາ່ ດ້ວຍການຈະລາຈອນທາງບກົ (ສະບັບປັບປງ). ນະຄອນຫວງວຽງຈນັ ເລກທີ 23/ສພຊ, ລົງວນັ ທີ 12/ທັນວາ/2012 (ຢາທຕໍ່ , 2012). ພາກທີ I ບດົ ບນັ ຍດັ ທວົ່ ໄປ, ມາດຕາ 3 ການອະທບິ າຍສບັ . ▪ ກົດຈະລາຈອນ ໝາຍເຖິງ ລະບຽບການລະອຽດກຽ່ ວກບັ ການຈະລາຈອນທາງບກົ . ▪ ເຄ່ືອງໝາຍຈະລາຈອນ ໝາຍເຖິງ ສງິື່ ຊົ້ີບອກກດົ ຈະລາຈອນຕາມເສ້ົັນທາງບົກດວ້ ຍການຕດິ ຕັງ້ົ ປ້າຍ, ຂດີ , ຂຽນ, ແຕ້ມໄວ້ຕາມໜາ້ ທາງ, ບາ່ ທາງ, ຂອບທາງ, ແຄມທາງ ແລະ ເທິງທາງ. ▪ ຜ້ນາໍ ໃຊເ້ ສ້ັນົ ທາງ ໝາຍເຖງິ ຜ້ຂັບຂີື່ ຫ ນໍາໃຊຍ້ ານພາຫະນະ, ຄນົ ຍາ່ ງ, ຜຄ້ ວບຄມສດັ , ຜ້ອານາໄມ, ຜ້ສອ້ ມແປງ, ຜ້ຕດິ ຕັງົ້ ປ້າຍ ແລະ ເຄອື່ ງໝາຍຈະລາຈອນຕາມເສ້ັົນທາງບົກ. ▪ ເສົນັ້ ທາງ ໝາຍເຖງິ ຂອບເຂດພົນ້ ທືີຊ່ ຶືງ່ ໄດ້ກສໍ ້າງຂຶົ້ນເພື່ອຮັບໃຊ້ແກ່ການຈະລາຈອນທາງບກົ . ▪ ຖະໜນົ ໝາຍເຖງິ ພ້ນົ ທຂື່ີ ອງເສ້ນົັ ທາງ ຫ ຫນົ ທາງ ທງັ ໝດົ ທ່ືນີ ໍາໃຊ້ສໍາລັບຈະລາຈອນທາງບກົ ໃນຕວົ ເມອງ. ▪ ຊອ່ ງຈະລາຈອນ ໝາຍເຖິງ ພນົ້ ທ່ືີຂອງເສນັ້ົ ທາງ ທີ່ແື ບງ່ ຂອບເຂດໜາ້ ທາງຕາມລວງຍາວຂອງເສ້ົນັ ທາງ ແລະ ມຄີ ວາມກວາ້ ງຕາມມາດຕະຖານທກ່ືີ າໍ ນົດ. ▪ ຍານພາຫະນະ ໝາຍເຖິງ ພາຫະນະທືແີ່ ລ່ນດວ້ ຍເຄອ່ື ງຈັກ. ພາກທີ III ລະບບົ ສນັ ຍານຈະລາຈອນ, ມາດຕາ 21 ລະບບົ ສນັ ຍານຈະລາຈອນ. ລະບບົ ສນັ ຍານຈະລາຈອນ ປະກອບດວ້ ຍ: - ປາ້ ຍຈະລາຈອນ - ສນັ ຍານຈະລາຈອນ - ເຄ່ືອງໝາຍຈະລາຈອນ ພາກທີ III ລະບບົ ສນັ ຍານຈະລາຈອນ, ມາດຕາ 23 ສນັ ຍານຈະລາຈອນ. ສັນຍານຈະລາຈອນແມ່ນການຊີບ້ົ ອກການສນັ ຈອນຕາມເສ້ັົນທາງດວ້ ຍແສງໄຟ, ສ,ີ ສຽງ, ຄົນ ແລະ ຫນ່ ຈໍາຮອງ. ສັນຍານດ້ວຍແສງໄຟ ປະກອບດວ້ ຍ 3 ສີດັົ່ງນົ້:ີ - ໄຟສແີ ດງແມ່ນຫາ້ ມສນັ ຈອນ - ໄຟສເີ ຫອງແມນ່ ໃຫ້ລະວງັ , ກຽມຢດ - ໄຟສີຂຽວແມນ່ ໃຫ້ສັນຈອນໄດ້ 2.1.3 ທດິ ສະດພີ ນ້ົ ຖານຂອງ IoT IoT ຫ ອນິ ເຕີເນດັ ຂອງທກໆສ່ິງື ໝາຍເຖງິ ເຄອຂາ່ ຍຂອງອປະກອນ, ພາຫະນະ ແລະ ສິງື່ ຂອງອື່ນໆທ່ືີ ວງົ ຈອນເອລກັ ໂທນິກ, ຊອບແວ, ເຊນັ ເຊົ້ີ ແລະ ການເຊອ່ື ມຕໍ່ເຂົ້າກັບເຄອຂາ່ ຍຢໃ່ ນໂຕ ເຮັດໃຫວ້ ັດຖຸເຫົາ່ ນ້ົນັ ສາມາດ ເກັບບັນທຶກ ແລະ ແລກປ່ຽນຂໍມ້ ນກນັ ໄດ.້ IoT ເຮັດໃຫວ້ ັດຖຸສາມາດ ຮັບຮສ້ ະພາບແວດລອ້ ມ ແລະ ຖກຄວບຄມ ໃນໄລຍະໄກ ຜາ່ ນທາງໂຄງສ້າງເຄອຂ່າຍທ່ືີມຢີ ແ່ ລວ້ . ຕວົ ຢ່າງ: ເທັກໂນໂລຊອີ ິນເຕິເນດັ ທືເີ່ ຊອ່ື ມອປະກອນ ແລະ ເຄື່ອງມຕາ່ ງໆ ເຊນ່ົັ : ໂທສະສບັ ມຖ, ລົດຍົນ, ໂທລະທດັ ແລະ ອນື່ ໆ ເຂ້ົາໄວດ້ ້ວຍກັນ ໂດຍເຄື່ອງມຕາ່ ງໆຈະສາມາດ ເຊືອ່ ມໂຍງ ແລະ ສ່ສື ານກນັ ໄດ້ຜ່ານອິນເຕີເນັດ ຫ ຜາ່ ນທາງລະບບົ ເນດັ ເວີກ (Mattern & Floerkemeier, 2010). 8

ຄນລັກສະນະ ແລະ ໜາ້ ທຂີື່ ອງອປະກອນ IoT ທີນ່ື າໍ ໃຊໃ້ ນບດົ ຄົນ້ ຄວາ້ ໃນຄງັ້ົ ນີ້ົມີດັ່ງົ ລ່ມນີ້:ົ Arduino ແມ່ນບອດໄມໂຄຄອນໂທຣເລທີ ືພ່ີ ັດທະນາມາຈາກ AT mega2560 ມີ 54ຂາ Input/Output ໂດຍມີ 14ຂາສາມາດໃຊເ້ ປັນ Output ແບບ PWM ໄດ,້ ມີ Analog input 16 ຂາ, ມີ UARTs (Hardware serial ports) 4ຂາ ເຮດັ ວຽກດ້ວຍຄວາມຖ່ືີ 16MHz ສາມາດເຊອ່ື ມຕ່ໍກັບຄອມພິວເຕີດວ້ ຍສາຍເຄ ເບີ USB ຫ ໃຊ້ Adapter AC-to-DC ເພື່ອເລມ່ີື ຕົ້ນໃຊ້ງານ ແລະ ມີປ່ມ Reset ສາມາດຕ່ໍເຂ້າົ ກບັ Shields ທີື່ ອອກແບບເພ່ອື ໃຊ້ງານກບັ Arduino Duemilanove ຫ Diecimila. ຄນສມົ ບດັ ຂອງ Arduino MEGA2560 ທືີສ່ ະແດງລາຍລະອຽດໃນຮບ 2. 10 ປະກອບມີ: ▪ ໄມໂຄຄອນໂທຣເລີ (Microcontroller) ▪ ແຮງດນັ ໄຟຟ້າ: 5 ໂວນ ▪ ແຮງດນັ ໄຟຟ້າ Input ແຈັກ SOURCE: 7-12 ໂວນ ▪ Digital I/O Pins: 54 ພນິ ▪ ຂາ Input ແບບ Analog: 16 ▪ ກະແສໄຟ DC ຕໍ່ I/O Pin: 20 mA ▪ ກະແສກງົ ສໍາລບັ 3.3V Pin: 50 mA ຮບທີ 2. 10 ຄນສົມບດັ ຂອງບອດ Arduino Mega2560 ຮບພາບຈາກ (electroschematics) ໜາ້ ທກືີ່ ານເຮດັ ວຽກຂອງບອດ ທ່ສືີ ະແດງໃນຮບທີ 2. 10 ປະກອບມດີ ່ັງົ ລມ່ ນ້ີົ: ▪ External Interrupts: 2 (Interrupt 0), 3 (Interrupt 1), 18 (Interrupt 5), 19 (Interrupt 4), 20 (Interrupt 3), 21 (Interrupt 2). Pins ເຫ່ົານ້ີົ ສາມາດກໍານົດຄ່າ ທີ່ືເອ້ີົນ Interrupt ໃນ ຄາ່ ຕາ່ໍ , ຂອງຂາຂນ້ຶົ ແລະ ລົງ ຫ ປ່ຽນແປງຄ່າຂ້ນຶົ ລງົ . ▪ PWM: 2 ເຖິງ 13 ແລະ 44 ເຖິງ 46 Output PWM output 8-bits. ▪ SPI: 50 (MISO), 51 (MOSI), 52 (SCK), 53 (SS) ໃຊ້ສາໍ ລບັ ຮອງຮບັ ການສສ່ື ານແບບ SPI ໂດຍທບີື່ ໍກ່ ຽ່ ວຂ້ອງກັນກັບ Uno, Duemilanove ແລະ Diecimila. 9

▪ LED 13: ເປນັ Build-in LED ທ່ືີເຊື່ອມຕກໍ່ ບັ Digital pin 13 ເມ່ອື Pin ມຄີ ່າເປນັ HIGH LED ຈະຕດິ , ແຕເ່ ມອື່ Pin ເປນັ LOW LED ຈະດັບ. ▪ TWI: 20(SDA) ແລະ 21(SCL) ຮອງຮັບການເຊື່ອມຕ່ໍແບບ TWI(I2C). ▪ ບອດ Mega2560 ມີ 16 Analog input ແຕລ່ ະ Pins ໃຫຄ້ ວາມລະອຽດ 10 bits. ▪ AREFF: ແຮງດັນອ້າງອງີ ສໍາລັບ Analog input. ▪ RESET: ໃຊ້ໃນການ Reset micro controller ໂດຍທົ່ວໄປຈະໃຊ້ໃນການເພມີື່ ປ່ມ Reset ໄວ້ ເທງິ Shields ເພອື່ ປອ້ ງກນັ ປມ່ ທ່ືີຢເ່ ທິງບອດ. ຄນສມົ ບດັ ຂອງຂາ (Pins) ທ່ືີສະແດງລາຍລະອຽດໃນຮບທີ 2. 11 ປະກອບມ:ີ ▪ VIN ເປັນ Input voltage ຂອງບອດ Arduino ໂດຍໃຊ້ແຫງ່ ຈ່າຍໄຟຈາກພາຍນອກ. ▪ 5V ເປນັ Output pin ທີື່ຄວບຄມ 5V ຈາກບອດ. ▪ 3V3 ໂວນ ທື່ສີ າ້ ງຂຶົ້ນຈາກ Regulator ເທິງບອດ ແລະ ໃຫກ້ ະເເສໄດ້ສງສດ 50mA. ▪ IOREF ເປນັ Pin ທ່ືໃີ ຫ້ Voltage reference ກບັ ໄມໂຄຄອນໂທຣເລີ ເພື່ອເລອກຄາ່ ແຮງດນັ ໃຫກ້ ັບ Shields ທືີມ່ າເຊ່ືອມຕ່ໍກັບບອດ. ໜວ່ ຍຄວາມຈາໍ ທືີ່ສະແດງລາຍລະອຽດໃນຮບທີ 2. 11 ປະກອບມ:ີ ▪ ATmega2560 ມີຫນ່ວຍຄວາມຈາໍ 256KB (8KB ໃຊ້ສາໍ ລັບ Bootloader) ນອກຈາກນີົຍ້ ງັ ມີ ອກີ 8KB ສາໍ ລບັ SRAM ແລະ 4KB ສາໍ ລບັ EEPROM. ຮບທີ 2. 11 ຄນສມົ ບດັ ຂອງຂາ ແລະ ໜ່ວຍຄວາມຈາໍ ຮບພາບຈາກ (electroschematics) 10

ຈໍ Liquid Crystal Display (LCD) ຈໍ LCD ເປັນຈໍສະແດງຜນົ ຮບແບບໜຶື່ງ ທ່ືີນິຍົມກັນນາໍ ມາໃຊງ້ ານ ກັບລະບບົ ສະໝອງກົນ ຢ່າງ ກວ້າງຂວາງ ມີທງັ ແບບສະແດງຜນົ ເປນັ ຕົວອັກສອນທືເ່ີ ອນີົ້ ວ່າ: Character LCD ເຊືງ່ິ ມີການກໍານດົ ຕວົ ອັກສອນທື່ີ ສາມາດ ສະແດງຜົນໄດ້ໄວ້ຢ່ແລ້ວ ແລະ ແບບທືສ່ີ າມາດ ສະແດງຜນົ ເປນັ ຮບພາບ ຫ ສນັ ຍາລັກຕາມຄວາມຕ້ອງການ ຂອງຜ້ໃຊ້ງານເອົ້ນີ ວ່າ: Graphic LCD. ນອກຈາກນ,ົ້ີ ມຈີ ບໍ າງຊະນິດທີຜ່ື ະລິດຂຶນ້ົ ມາໃຊ້ສະເພາະງານ ເຮັດໃຫ້ມີຮບ ແບບ ແລະ ຮບຮາ່ ງ ສະເພາະເຈາະຈົງໃນການສະແດງຜົນ ເຊ່ັົນ: ໂມງດຈີ ຕິ ອນ, ຈກັ ຄດິ ໄລ,່ ໜາ້ ປດັ ວິທະຍ ເປນັ ຕົ້ນ ໂດຍມີຮບປະກອບເປນັ ຮບທີ 2. 12 ດົ່ງັ ລມ່ ນີົ້. ຈໍ LCD ແບ່ງອອກເປນັ 2 ແບບຕາມລັກສະນະການສະແດງຜົນດ່ັງົ ນ້ົີ: ▪ Character LCD ເປນັ ຈໍທ່ີືສະແດງຜນົ ເປນັ ຕົວອກັ ສອນຕາມຊ່ອງແບບຕາຍຕົວເຊ່ັນົ : ຈໍ LCD ທື່ີ ມຂີ ະໜາດ 16x2 ໝາຍເຖງິ ໃນໜື່ງຶ ແຖວມຕີ ວົ ອັກສອນໃຊ້ໄດ້ຢ່ 16 ຕວົ ແລະ ມີທງັ ໝົດ 2 ແຖວ ໃຫ້ໃຊງ້ ານໄດ,້ ສວ່ ນ 20x4 ໝາຍເຖິງ ໃນໜ່ງຶື ແຖວມີຕວົ ອກັ ສອນໃສໄດ້ 20 ຕົວ ແລະ ມີທງັ ໝດົ 4 ແຖວ. ▪ Graphic LCD ເປັນຈທໍ ສື່ີ າມາດກາໍ ນົດວາ່ ຈະໃຫ້ແຕ່ລະຈດເທິງໜ້າຈໍກ່ັົນແສງ ຫ ສົງ່ ແສງອອກ ໄປໃຫຈ້ ນໍ ົ້ີ ສາມາດສາ້ ງຮບຂົ້ນຶ ມາເທິງໜາ້ ຈໍ ໄດຕ້ າມການລະບຂະໜາດ ໃນລກັ ສະນະຂອງຈໍານວນຈດ (Pixels). ຫກັ ການເຮດັ ວຽກແມນ່ ອາໄສທາດແຫວພເິ ສດທືມ່ີ ີຄນສົມບດັ ການບດິ ແກນໂພລາໄຣຂອງແສງ ຖາ້ ຈາ່ ຍແຮງດນັ ໄຟຟາ້ ເຂາ້ົ ໄປລະຫວ່າງແສງເຫົ່ານ້ີົ ໂມເລກນຈະປິດໂຕລົງ ແລະ ເຮດັ ໃຫ້ແສງບ່ໍສາມາດ ຜ່ານແວນ່ ອອກ ມາໄດ້ ຖາ້ ບມໍ່ ກີ ານຈາ່ ຍແຮງດນັ ໄຟຟ້າແສງຈະຊອດອອກມາໄດ້. ດ້ານເທິງແມນ່ ດາ້ ນໜາ້ ຂອງຈໍ LCD ແລະ ດາ້ ນລ່ມແມນ່ ດາ້ ນຫັງຂອງຈໍ LCD ເຊ່ິືງສະແດງໃນຮບທີ 2. 12 ລ່ມນີ.້ົ ຮບທີ 2. 12 ຈໍ LCD ຮບພາບຈາກ (sumeetinstruments) 11

Realtime Clock (DS3231) ແມ່ນອປະກອນທີ່ື ໃຫ້ຄາ່ ເວລາຕາມຈງິ ເຊື່ິງເຮັດວຽກ ໂດຍການຈບັ ສນັ ຍານຂອງໂມງ ທ່ືໄີ ດມ້ າຈາກ Crystal ນັົນ້ ເອງ ບາງລ້ນກໍມຖີ ານສາໍ ຮອງມາໃຫ້ນໍາ ເຮດັ ໜາ້ ທ່ືີໃນການບັນທກຶ ເວລາຢາ່ ງຕເໍ່ ນ່ອື ງ ເຖງິ ວ່າຈະບ່ມໍ ໄີ ຟ ລຽ້ ງມາທຕ່ີື ວົ ບອດ ຕວົ ເວລາກຍໍ ງັ ຄງົ ນັບໄດຕ້ ໍ່ ເຮດັ ໃຫບ້ ຕ່ໍ ້ອງເສຍເວລາມາຕ້ົັງເວລາໃໝ່ ຫັງຈາກທີຢື່ ດຈ່າຍໄຟລຽ້ ງ ໂມດນ RTC ນີ້ົ ຈໍາເປັນຫາຍກບັ ການໃຊງ້ ານທ່ຕືີ ອ້ ງມີການ ບັນທຶກເວລາ (Time Stamp) ເຊນົ່ັ : ອປະກອນ Data logger. Real Time Clock (RTC) ເປນັ ລະບົບຖານເວລາ ເຊິງ່ື ເປນັ ສິ່ືງສໍາຄນັ ທສີື່ າມາດນໍາໄປໃຊ້ໃນອປະ ກອນອີເລັກໂຕນິກໄດ້ຫາກຫາຍ ພາຍໃນໄມໂຄຄອນໂທຣເລີ (Microcontroller) ແລະ ທາມເມີ (Timer) ເພືອ່ ໃຊ້ ໃນການຈັບເວລາ ຫ ນໍາໄປໃຊເ້ ປນັ ຖານເວລາແທໄ້ ດ້ເຊົ່ນັ ກັນ ແຕ່ເນ່ອື ງຈາກໄມໂຄຄອນໂທຣເລສີ າມາດເຮດັ ວຽກ ໄດ້ເມອື່ ມໄີ ຟເຂົ້າມາລຽ້ ງເທາ່ົ ນັ້ົນ. ດງັ ນ້ົັນ, ການໃຊທ້ າມເມີຂອງໄມໂຄຄອນໂທຣເລົີເ້ ພ່ອື ສາ້ ງຖານເວລາແທ້ຈ່ືງຶ ບ່ໍເໝ າະສົມໃນບາງແອັບ. RTC ລນ້ Module DS3231 ເປັນໂມດຖານເວລາແບບເວລາແທ້ RTC ເຮັດໃຫເ້ ຮາົ ສາມາດເພມ່ືີ ວົງຈອນເວລາໃຫກ້ ັບ NodeMCU ຂອງເຮົາໄດ້ ໂມດນ DS3231 ນມ້ົີ າພອ້ ມກບັ IC EEPROM AT24C32 ເຮດັ ໃຫ້ພົ້ນທ່ໃືີ ນການເກັບຂໍ້ມນທີື່ເຮາົ ຕ້ອງການເຊນັົ່ : ການຕງັົ້ ຄາ່ ເວລາຕ່າງໆໄດ.້ ໂມດນ DS3231 ມີຄວາມແນ່ນອນ ແລະ ຖກຕອ້ ງສງເພາະທາງໃນມີວົງຈອນວດັ ອນຫະພມ ເພ່ອື ນໍາໄປຄໍານວນປັບຄາ່ ເວລາໃຫຖ້ ກຕ້ອງໃນວງົ ຈອນ ເຮັດໃຫວ້ ົງຈອນນົີ້ມີຄວາມສາມາດເປນັ ຖານເວລາ RTC ໜວ່ ຍ ຄວາມຈາໍ EEPROM ສາໍ ລບັ ເກບັ ຂມ້ໍ ນ ແລະ ມີເຊນັ ເຊອ້ົີ ນຫະພມມາໃຫນ້ ໍາ ມາພ້ອມແບດັ ເຕລີ ີ ເຮັດໃຫກ້ ານເຮດັ ວຽກໄດ້ໂດຍທ່ີື NodeMCU ຖກປດິ ໄປແລ້ວ ໂດຍຖາ້ ແຮງຈາ່ ຍໄຟຖກຕັດໄປ DS3231 ສາມາດສະວິກໄປໃຊ້ໄຟ ຈາກແບັດເຕລີ ີ ແລະ ເຮດັ ວຽກໄດ້ຕໍໄ່ ປໂດຍທຍ່ີື ງັ ສາມາດເກບັ ຂມໍ້ ນໄວໄ້ ດໂ້ ດຍບໍ່ເກດີ ຄວາມເສຍຫາຍ ເຊງ່ືິ ມີຮບ ປະກອບດົັງ່ ຮບທີ 2. 13 ລ່ມນີົ້. ຮບທີ 2. 13 Realtime clock (DS323) ຮບພາບຈາກ (gmelectronic) 12

LED Module Traffic Light Module LED ເໝາະສົມສາໍ ລບັ ການຈໍາລອງລະບົບໄຟອໍານາດທສື່ີ ະດວກສະບາຍໂດຍບຕໍ່ ອ້ ງສາ້ ງ ຂົຶ້ນມາເອງ ເຊງືິ່ ຈະໃຊງ້ ່າຍ, ສະດວກ ແລະ ທ່ືີສາໍ ຄນັ ແມນ່ ໃຊ້ໄຟພຽງແຕ່ 5V ເຮັດໃຫງ້ າ່ ຍໃນການໃຊ້ງານ ໂດຍເຮາົ ສາມາດສງັ່ົ ໄຟ 5V ຜາ່ ນບອດ Arduino ໄດ້ເລີຍ ເຊື່ງິ ມີຮບປະກອບດງ່ັົ ຮບທີ 2. 14 ລມ່ ນ້ົີ. ຮບທີ 2. 14 Module traffic light ຮບພາບຈາກ (gravitechthai) Voltage Regulator Module VR module ເປນັ ວງົ ຈອນແປງໄຟສໍາຫັບການຫຸດແຮງດັນໄຟຟາ້ ຂອງລະບົບ Switching ຄວບຄມ ດ້ວຍ IC ເບີ LM2596 ສາມາດຮັບແຮງດນັ ຕັ້ງົ ແຕ່ 4-40v ສາມາດປບັ ຫຸດແຮງດນັ ໄຟໄດ້ແຕ່ 1.5V-35V, ກະແສ ການໃຊງ້ ານປກກະຕແິ ມ່ນ 2A, ວົງຈອນສາມາດຕົງັ້ ຄາ່ ໄຟຂາອອກໄດ້ຕາມທື່ເີ ຮົາຕອ້ ງການ ດ້ວຍການປບັ ຄ່າຂອງ R-Trimport ຫັງຈາກມກີ ານປບັ ຄ່າແລ້ວວງົ ຈອນຈະປບັ ຄ່າແຮງດັນໃຫ້ຄົງທແ່ືີ ບບອດັ ຕະໂນມັດ ເຖງິ ວ່າແຮງດນັ ຂາ ເຂາ້ົ ຈະບ່ໍຄົງທກີື່ ໍ່ຕາມ ໂດຍມີຮບຕົວຢາ່ ງທີ 2. 15 ດງັົ່ ລ່ມນົ້ີ. ຮບທີ 2. 15 Voltage Regulator Module ຮບພາບຈາກ (addicore) Node MCU ESP8266 ESP8266 ເປນັ ຊຂ່ື ອງໄອຊີໃນໂມດນຂອງບອດ ເຊງືິ່ ໄອຊີ ESP8266 ບ່ໍມີພນ້ົ ທີໂ່ື ປຣແກຣມ ພາຍ ໃນຕວົ ເຮັດໃຫຕ້ ້ອງໃຊໄ້ ອຊີພາຍນອກ ໃນການເກບັ ໂປຣແກຣມ ທໃ່ືີ ຊ້ໃນການເຊອື່ ມຕຜ່ໍ າ່ ນ Protocol SPI ເຊ່ງືິ ສາເຫດນເ້ົີ ອງເຮັດໃຫ້ໂມດນ ESP8266 ມີພນ້ົ ທເ່ືີ ກັບໂປຣແກຣມຫາຍກວາ່ Microcontroller ແບບອື່ນໆ. 13

ESP8266 ເຮດັ ວຽກທີແ່ື ຮງດນັ ໄຟຟາ້ 3.3V-3.6V ຖາ້ ຈະນໍາໄປໃຊ້ງານຮວ່ ມກນັ ກບັ ເຊັນເຊອີ ່ືນໆທີື່ ມແີ ຮງດັນ 5V ຈໍາເປັນຕອ້ ງໄດ້ໃຊວ້ ົງຈອນແບ່ງແຮງດນັ ເຂາົ້ ມາຊ່ວຍເພອື່ ປອ້ ງກັນບໃ່ໍ ຫ້ໂມດນ ເກີດການເສຍຫາຍ ສ່ວນກະແສທືີ່ໂມດນສາມາດໃຊ້ງານໄດ້ສງສດແມ່ນ 200mA ແລະ ຄວາມຖີືແ່ ມນ່ 2.4GHz ເຮັດໃຫຖ້ າ້ ນໍາໄປໃຊ້ ງານກັບບັນດາອປະກອນທີືເ່ ຮດັ ວຽກ ອງີ ຕາມຄວາມໄວຂອງຄວາມຖືີ່. ເປນັ Open Source ທສືີ່ າມາດຂຽນໂປຣແກຣມໄດ້ດ້ວຍພາສາ Lau ໄດ້ ເຮດັ ໃຫກ້ ານໃຊ້ງານແມນ່ ມຄີ ວາມສະດວກສະບາຍຫາຍຂ້ນົຶ ເພາະມໂີ ມດນ Wi-Fi (ESP8266) ມາໃນໂຕ ເຊ່ືິງເປັນຫົວໃຈສາໍ ຄັນທີື່ໃຊໃ້ ນ ການເຊອ່ື ມຕ່ກໍ ບັ ອນິ ເຕເີ ນັດນົ້ນັ ເອງ ໂມດນ ESP8266 ນນ້ົັ ແມ່ນມີດ້ວຍກນັ ຫາກຫາຍລ້ນ ຕ້ງົັ ແຕເ່ ປັນລນ້ ທາອດິ ທື່ີ ເປັນ ESP-01 ຈນົ ໃນປດັ ຈບັນມີເຖິງ ESP-12 ແລະ ທຝືີ່ ັງຢ່ໃນ NodeMCU version ທາໍ ອິດນນ້ັົ ກໍເປັນ ESP- 12 ແຕ່ໃນ version2 ຈະໃຊ້ເປັນ ESP-12E ແທນ ເຊ່ືິງການໃຊງ້ ານໂດຍລວມກໍບໍ່ແຕກຕາ່ ງກນັ ຫາຍ NodeMCU ນນ້ັົ ມຄີ ວາມຄ້າຍຄກັນກບັ Arduino ບ່ອນທືີມ່ ພີ ອດ I/O build in ມາໃນຕົວ ສາມາດຂຽນໂປຣແກຣມ Control ອປະກອນ I/O ໄດ້ໂດຍບຕໍ່ ອ້ ງຜ່ານອປະກອນອນື່ ເຊງ່ືິ ມີສ່ວນປະກອບສາໍ ຄັນທືີສ່ ະແດງໃນຮບທີ 2.16. ▪ VCC ເປນັ ຂາຈາ່ ຍໄຟເຂາ້ົ ໄປໃນໂມດຣເພອ່ື ເຮັດໃຫ້ໂມດຣເຮັດວຽກໄດ້ເຊືິ່ງແຮງດັນທືສ່ີ າມາດໃຊ້ ງານໄດ້ແມ່ນ 3.3 -3.6V. ▪ GND. ▪ Reset ແລະ CH_PD (ຫ EN) ເປັນຂາທ່ືຕີ ້ອງຕເ່ໍ ຂົ້າໄຟ + ເພືອ່ ໃຫ້ໂມດນສາມາດເຮັດວຽກໄດ້ ທັງສອງຂານສ້ີົ າມາດນາໍ ມາຣເີ ຊັດໂມດນໄດຄ້ ກນັ ແຕ່ແຕກຕາ່ ງກນັ ທ່ຂີື າ Reset ສາມາດປອ່ ຍໄວ້ ໄດ້ ແຕ່ຂາ CH_PD (ຫ EN) ຈໍາເປນັ ຕອ້ ງຕ່ໍເຂ້າົ ໄປ + ເທາົ່ ນນັົ້ ຖ້າບໍ່ຕເ່ໍ ຂົ້າ + ໂມດນຈະບເໍ່ ຮດັ ວຽກທນັ ທີ. ▪ GPIO ເປນັ ຂາ Digital Input/Output ເຮດັ ວຽກທືແ່ີ ຮງດນັ 3.3V. ▪ GPIO15 ເປນັ ຂາທຕ່ີື ອ້ ງຕໍລ່ ງົ GND ເທົ່ານນົັ້ ເພ່ືອໃຫ້ໂມດນເຮັດວຽກ. ▪ GPIO0 ເປັນຂາສໍາລບັ ເລອກໂໝດໃນການເຮດັ ວຽກຖ້າຕໍລ່ ົງ GND ຈະເຂົ້າໂໝດໂປຣແກຣມ ຫາກປ່ອຍໄວ້ ຫ ຕໍ່ເຂົາ້ ໄຟ + ຈະເຂາ້ົ ໂໝດປກກະຕິ. ADC ເປັນຂາ Analog input ຮບັ ແຮງດນັ ສງສດຢ່ທື່ີ 1V ຂະໜາດ 10 ບິດ ການນາໄປໃຊ້ກບັ ແຮງດັນທ່ີືສງ ກວາ່ ຈະຕ້ອງເອາົ ວົງຈອນແບງ່ ແຮງດນັ ເຂົາ້ ຊວ່ ຍ. ຮບທີ 2. 16 NodeMCU esp8266 ຮບພາບຈາກ (community.home-assistant.io) 14

2.1.4 ທດິ ສະດຄີ ດິ ໄລໄ່ ຟອາໍ ນາດ ລະບົບໄຟອໍານາດຖກສ້າງຂນ້ົຶ ໃນວັນທີ 09 ເດອນ ທັນວັນ ປີ 1869 ໃນປະເທດອງັ ກດິ ໃນເສ້ົັນທາງ ລະຫວາ່ ງເມອງລອນດອນຫາເມອງໄບຕັນ ເພ່ືອຫດຸ ອປະຕເິ ຫດ ແລະ ຊ່ວຍຊີວິດຄົນໃນການນາໍ ໃຊເ້ ສນົ້ັ ທາງດ່ົັງກ່າວ ໃນປີ 1866 ມຄີ ນົ ເສຍຊວີ ິດ 1,102 ຄນົ ແລະ ບາດເຈັບ 1,334 ຄົນ (Knight, 1887) ຍ້ອນຍັງບ່ໍທັນມີລະບບົ ໄຟ ອາໍ ນາດ. ການກາໍ ນົດເວລາໃຫ້ກບັ ລະບົບໄຟອາໍ ນາດນນັົ້ ຕ້ອງໄດຄ້ ໍານຶງເຖິງປະລມິ ານຄວາມຕອ້ ງການຂອງທາງ ແຍກ ສົມທຽບກັບຊອ່ ງທາງ (Lane) ຫ ຈານວນເສນົ້ັ ທາງເປັນຫກັ ໃນກລໍ ະນີທ່ືີສະພາບການລະບາຍລົດບໍໄ່ ດ້ແອອັດ ຫ ເກນີ ສະພາວະອມ່ືີ ຕົວ (Cheng et al., 2003) ໄດ້ສະເໜສີ ດຄວາມຍາວໃນການລຖໍ ້າສັນຍານໄຟອານາດດ້ວຍສດ ດ່ົງັ ລມ່ ນ.້ົີ ͳǤͷ‫ܮ‬൅ͷ ‫ܥ‬଴ൌͳെσሺܸൗ‫ݏ‬ሻሺʹǤͳሻ C0 ແມ່ນຄາ່ ຄວາມຍາວອ້ອມຮອບຂອງສນັ ຍານໄຟອາໍ ນາດທີື່ເໝາະສົມ. L ແມ່ນຜນົ ລວມຂອງເວລາທສີ່ື ນເສຍ ໃນແຕ່ Phase ໃນຊ່ວງລະຍະເວລາລວມ ຂອງສັນຍານໄຟຂຽວ ຫວົ ໜ່ວຍເປນັ ວນິ າທີ. V/s ແມນ່ ອດັ ຕາສ່ວນຂອງອດັ ຕາການໄຫອອກຄກບັ ອດັ ຕາການໄຫອີືມ່ ຕົວ ສໍາຫັບວິທກີ ານ ຫ ຊວ່ ງ ທາງທີ່ືສໍາຄັນໃນແຕ່ລະ Phase. ການຄົນ້ ຄວາ້ ຂອງ (Builenko et al., 2018) ໄດຄ້ ນົ້ ຄວ້າຫາສດການລະບາຍລົດໃນຊ່ວງເວລາເລງົັ່ ດ່ວນຂອງການເດີນທາງໄປວຽກ ໂດຍໄດ້ແນະນາໍ ສດທສືີ່ າມາດລະບາຍລດົ ໄດດ້ ທີ ່ີືສດຂອງລະບົບໄຟອາໍ ນາດໄວດ້ ົ່ງັ ສດລມ່ ນ້.ີົ ͳǤͷ‫ܮ‬൅ͷ ܶ௖ൌͳെܻ ሺʹǤʹሻ Tc ແມນ່ ຄ່າຄວາມຍາວຂອງສັນຍານໄຟອາໍ ນາດໃນແຕ່ລະຮອບວຽນ. L ແມ່ນຄາ່ ຜນົ ລວມຂອງເວລາທ່ີືສນເສຍ. Y ແມ່ນຜົນລວມຂອງສາໍ ປະສິດໃນແຕລ່ ະ Phase. ນອກຈາກນັົ້ນ, ທມີ ຂອງ (Builenko et al., 2018) ໄດ້ພດັ ທະນາວທີ ກີ ານປະເມນີ ຄາ່ ຄວາມໄວສາໍ ຫັບການຄໍານວນຄວາມຍາວຂອງຮອບສັນຍານໄຟອາໍ ນາດ ສດສາໍ ຫັບການປະເມນີ ຄາ່ ຄວາມຍາວຂອງເວລາໃນຮອບ ສັນຍານໄຟອໍານາດດັົ່ງລມ່ ນ.ີົ້ ‫ܮ‬ ‫ܥ‬ൌͳെ‹ሺܴ‫ܵܵܥ‬ǡܴܵሻሺʹǤ͵ሻ C ແມ່ນຄວາມຍາວເວລາຂອງຮອບສນັ ຍານໄຟອາໍ ນາດ ຫົວໜວ່ ຍເປນັ ວນິ າທີ L ແມນ່ ຜນົ ລວມຂອງເວລາທສີ່ື ນເສຍ ຫົວໜວ່ ຍເປັນວນິ າທີ CS ແມນ່ ຜນົ ລວມຂອງປະລິມານລດົ ຊ່ວງແອອັດຂອງການຈະລາຈອນ (ຈາໍ ນວນລົດ/ຊົວ່ ໂມງ) RS ແມນ່ ອດັ ຕາການໄຫລວມຂອງສາໍ ປະສດິ = 1,710 *PHF*f a f a ແມ່ນມຄີ າ່ ຢ່ 0.09 (ເຂດໃນຕົວເມອງ) ແລະ 1.00 (ເຂດນອກຕົວເມອງ) PHF ແມ່ນ Peak Hour Factor 15

2.1.5 ທດິ ສະດຂີ ອງການປະເມນີ ໂມເດວ (Evaluation model) ຫັກການຂອງ Confusion matrix ໂດຍ Confusion matrix ແມນ່ ເປັນຕາຕະລາງສາໍ ພນັ ໃນການ ວັດຄວາມສາມາດຂອງການຮຽນຮດ້ ວ້ ຍເຄອ່ື ງຄອມພວິ ເຕີໃນການແກໄ້ ຂບັນຫາຂອງການຈາໍ ແນກຂໍ້ມນ. ຕາຕະລາງທີ 2. 1: ຄວາມສາພນັ ໃນການວດັ ຄວາມສາມາດຂອງການຮຽນຮຂູ້ ອງໂມເດວ ▪ True Position (TP) ໝາຍເຖິງການພະຍາກອນວາ່ ເປັນຈງິ ແລະ ມີຄາ່ ທື່ີເປັນຈງິ . ▪ True Negative (TN) ໝາຍເຖງິ ການພະຍາກອນວ່າເປັນຈງິ ແລະ ມຄີ າ່ ທືີ່ບ່ໍເປນັ ຈິງ ▪ False Position (FT) ໝາຍເຖງິ ການພະຍາກອນວາ່ ບໍເ່ ປັນຈງິ ແລະ ມີຄ່າທືີ່ເປັນຈິງ ▪ False Negative (FT) ໝາຍເຖງິ ການພະຍາກອນວ່າບໍ່ເປັນຈິງ ແລະ ມຄີ າ່ ທີ່ືບໍ່ເປັນຈງິ ໝາຍເຫດ: True ແມນ່ ພະຍາກອນວາ່ ຖກຕອ້ ງ, False ແມນ່ ພະຍາກອນຜິດ, Positive ແມ່ນ ພະຍາກອນເປັນຈງິ ແລະ Negative ແມ່ນພະຍາກອນບ່ເໍ ປນັ ຈງິ . Precision: ວັດຄວາມຖກຕອ້ ງຂອງຂມໍ້ ນໂດຍພຈິ າລະນາແຍກຕາມແຕລ່ ະຄລາດ. ”‡…‹ൌ•‹୘୔‘ (2.4) ୘୔ା୊୔ Recall: ວັດຄວາມຖກຕອ້ ງຂອງແບບຈາໍ ຮອງໂດຍພຈິ າລະນາແຍກຕາມແຕລ່ ະຄລາດ. ‡…ൌƒŽ୘Ž୊ (2.5) ୘୔ା୊୒ Accuracy: ວັດຄວາມຖກຕ້ອງຂອງແບບຈາໍ ຮອງ. ……—”ൌƒ…୘›୔ା୘୒ (2.6) ୘୔ା୘୒ା୊୔ା୊୒ F1-Score: ໝາຍເຖງິ ການວດັ ຄາ່ ສະເລ່ຍໂດຍລວມຂອງ Harmonic ໂດຍການພິຈາລະນາຄາ່ ຂອງ Precision ແລະ Recall ເພື່ອຫາຄ່າຄວາມຊດັ ເຈນ ແລະ ຄາ່ ຄາດເຄື່ອນ. (2.7) 16

2.2 ທບົ ທວນບດົ ຄນົ້ ຄວາ້ ວທິ ະຍາສາດທກີື່ ຽ່ ວຂອ້ ງ You Only Look Once (YOLO) Unified, Real-Time Object Detection ສາມາດຈໍາແນກວັດຖຸ ພາຍໃນຮບພາບ ແລະ ວດິ ໂີ ອທີ່ືເຮາົ ຖາ່ ຍກັນທກມົ້ນົີ້ໄດ້ດວ້ ຍວິທກີ ານທາງ Object detection ໃນນີົ້ YOLO ສາມາດກວດຈບັ ວັດຖແຸ ບບ Real time ໄດ້ຢ່ທີ່ື 45 frames per second (FPS) ໂດຍການກວດຈບັ ວດັ ຖຸ ແບບ YOLO ກຍໍ ັງມີຂໍ້ຜິດພາດທາງດາ້ ນ Localize ຢ່ ເມອ່ື ປຽບທຽບກັບ Object detection ໂຕອນ່ື ໆ, YOLO ນນົັ້ ເປນັ ໂມເດວ ໃນການກວດຈບັ ວດັ ຖຸ ເຊງື່ິ ສາມາດສາ້ ງແບບຈາໍ ຮອງ ແລະ Train ມນັ ກບັ ຮບພາບແບບເຕມັ (Trained full image) ໂດຍແຕກຕາ່ ງຈາກວິທກີ ານແຍກຂມ້ໍ ນຮບພາບ ໃນລະຫວ່າງການ Train ນນ້ົັ ຍງັ ສນເສຍ ຄາ່ ຂອງຟງັ ຊັນທີເື່ ຮດັ ໜາ້ ທີ່ືກວດຈັບວດັ ຖຸປະສິດທພິ າບ ຂອງໂມເດວລງົ (Redmon et al., 2016). ຮບທີ 2. 17 ການສມົ ທຽບລະຫວ່າງ YOLOv1 ແລະ Fast R-CNN ຮບພາບຈາກ (Redmon et al., 2016) ຈາກຮບທີ 2. 17 ສາມາດເວົ້າໄດ້ວາ່ ຄາ່ ຄວາມຖກຕ້ອງຂອງ Fast R-CNN (71.6%) ມຄີ ່າສງກວ່າ YOLO (65.5%) ໂດຍມຄີ ່າຄວາມສນເສຍຢ່ Loc ຫ Localize ຫາຍກວ່າເທາ່ົ ຕວົ . YOLOv2 ຫ YOLO9000 Better, Faster, Stronger ແມນ່ ເປນັ Object detection ທືສ່ີ າມາດກວດ ຈັບວດັ ຖຸໄດເ້ ຖງິ 9,000 ກວ່າປະເພດວດັ ຖຸ ແລະ ເປັນການກວດຈັດວດັ ຖຸທເ່ີື ປັນ Real time, ສາມາດ Train ບນັ ດາ Algorithm ຮວ່ ມເຂົາ້ ກັນໃຫຮ້ ັບເອາົ ການກວດຈບັ ແລະ ແຍກປະເພດຂ້ມໍ ນ ເຊງ່ິື ສາມາດກວດຈບັ ຮບພາບທ່ເືີ ປນັ ວດັ ຖໃຸ ນແບບ Localize ແລະ ຄາສັບ ຫ ປະໂຫຍກໄດຫ້ າຍຂນົ້ຶ ໂດຍນາໍ ໃຊ້ Dataset COCO (Lin et al., 2014), ເຊງິື່ ໄດ້ຄ່າຄວາມຖກຕອ້ ງຢ່ 19.7 mAP, YOLOv2 ນົ້ນັ ມີການກວດຈັບວັດຖຸໄດໄ້ ວກວ່າໃນຊດຸ ຂໍ້ມນທີ່ືຫາກຫາຍ ກວ່າ. ນອກຈາກນນັ້ົ , ຍັງສາມາດເຮດັ ວຽກໄດດ້ ີກັບຂະຫນາດຮບທື່ີໃຫຍ່ ແລະ ສາມາດເຮັດໃຫເ້ ກີດການແລກປຽ່ ນ ທດີື່ ລີ ະຫວ່າງຄວາມໄວ (Speed) ແລະ ຄວາມຖກຕອ້ ງ (Accuracy). ເມ່ອື ສມົ ທຽບລະຫວາ່ ງ YOLO ກບັ Fast R-CNN ເຫນັ ໄດວ້ ່າ YOLO ນ້ັົນມຄີ າ່ ຜິດດຽ່ ງຫາຍກວາ່ ແລະ ມີການຄນຄາ່ ໄດ້ຊ້າກວ່ານາໍ ອີກ ຈຶືງ່ ມີຄວາມຈາໍ ເປນັ ຕອ້ ງໄດ້ມກີ ານປັບປງການຄນຄ່າ, Localize ແລະ ການກວດຈັບວດັ ຖຸທກືີ່ ວາ້ ງຂຶນ້ົ (Redmon & Farhadi, 2017). 17

YOLOv3 ເປັນການອບັ ເດດ YOLO ທບີື່ ໍໄ່ ດ້ເປນັ ລະດບັ Major ເຊ່ືິງໄດເ້ ຮດັ ການທດົ ລອງ Train ໂມເດວ ໃນການ ແຍກປະເພດຂໍ້ມນຂອງເນດັ ເວີກໄດດ້ ກີ ວ່າໂຕອນ່ື ທ່ືີຜ່ານມາ, ໂດຍສະຫບຸ ໃຫເ້ ຮາົ ເຫນັ ຕງ້ັົ ແຕເ່ ລມື່ີ ຕົ້ນຈົນ ໝົດເພືອ່ ຄວາມເຂາົ້ ໃຈມັນທັງໝດົ (Redmon & Farhadi, 2018). ຮບທີ 2. 18 ເສນ້ົັ ສະແດງການສມົ ທຽບຂອງ SSD, RetinaNet ແລະ YOLOv3 ຮບພາບຈາກ (Redmon & Farhadi, 2018) ໃນຮບທີ 2. 18 ແມນ່ ສະແດງໃຫ້ເຫນັ ເຖງິ ການສົມທຽນຄ່າຄວາມຖກຕອ້ ງ ຂອງການຮຽນຮ້ຂອງບນັ ດາ Algorithm ຕາ່ ງໆເຊົນ່ັ : SSD, RetinaNet ແລະ YOLOv3 ເຊ່ືິງ RetinaNet ມີຄ່າຄວາມຕອ້ ງສງກວາ່ YOLOv3 ແຕ່ YOLOv3 ນໍາໃຊ້ເວລາໃນການຮຽນຮນ້ ອ້ ຍກວາ່ ຫ ເວົ້າໄດ້ວາ່ ມຄີ ວາມໄວໃນການຮຽນຮດ້ ກີ ວ່າ. YOLOv4 ນາໍ ໃຊ້ CNN ທີເ່ື ປັນພນົ້ ຖານຂອງການນາໍ ໃຊ້ Object detection ທີື່ເປນັ ຂະຫນາດໃຫຍ່, ໃນ YOLOv4 ກເໍ ນັົ້ນໄປທ່ີຄື ວາມຖກຕອ້ ງຂອງ Real time detection ກັບການນາໍ ໃຊ້ Graphics Processing Units (GPU) ລວມທງັ ລະບົບທ່ີເື ປັນຮບແບບ Stand alone ນາໍ ອີກດ້ວຍ, State-of-the-art detection ເຊ່ງິື ມັນ ສາມາດກວດຈັບວັດຖຸ ໄດ້ໄວຫາຍ Frame Per Second (FPS) ແລະ ຄວາມຖກຕ້ອງກສໍ ງເຊ່ນົັ ກັນ MS COCO AP50…95 (ໃນ Epoch ທີ 50 ຫາ 90), YOLOv4 ນແ້ົີ ມນ່ ສາມາດໃຊ້ກາດຈທໍ ່ີເື ປນັ GPU 8-16GB-VRAM ໄດ້ ແລະ ໄດຢ້ ັງົ້ ຢນື Features ທ່ສືີ າມາດກວດຈັບກບັ ຮບພາບຈໍານວນຫາກຫາຍໄດ້ ທງັ ຍກົ ລະດບັ ຄວາມຖກຕ້ອງ, ງ່າຍຕໍກ່ ານສກຶ ສາ ແລະ ພັດທະນາໃນຕໍ່ອານາຄົດ (Bochkovskiy et al., 2020) ດົງ່ັ ຮບທີ 2. 19 ລ່ມນີ.້ົ ຮບທີ 2. 19 ເສັົ້ນສະແດງການສົມທຽບລະຫວ່າງ YOLOv3 ແລະ YOLOv4 ຮບພາບຈາກ (Bochkovskiy et al., 2020) 18

YOLOv5 ແມ່ນ Algorithm ທີື່ໃຊໃ້ ນການກວດຈັບວດັ ຖຸແບ່ງເປັນທັງຮບພາບ ແລະ ວດິ ີໂອ ໂດຍເປນັ ລະບົບກຣິດ (Grid system) ເຊືິ່ງແຕ່ລະແຊວທ່ີືຢໃ່ ນຕາຕະລາງມີໜາ້ ທີື່ກວດຈັບວດັ ຖພຸ າຍໃນຕົວເອງ ແລະ YOLOv5 ເປັນ Algorithm ທືີເ່ ປນັ ທນ່ີື ິຍມົ ໃຊ້ໃນການກວດຈັບວດັ ຖທຸ ມ່ືີ ີຊ່ສື ຽງ ເນ່ອື ງຈາກມີຄວາມໄວ ແລະ ຄວາມຖກຕອ້ ງນາໍ (Jocher, 2020). ການກວດຈັດວັດຖຸ ໂດຍໄດ້ຮບພາບຈາກການຖາ່ ຍພາບຂອງໂດຣນ (Drone) ໂດຍມລີ ະດັບຄວາມສງຂອງ ການຖ່າຍພາບທືແ່ີ ຕກຕາ່ ງກນັ ຈຶືງ່ ເກີດມີພາບທີມ່ື ຄີ ວາມໃຫຍນ່ ອ້ ຍແຕກຕາ່ ງກນັ ຫາຍ ແລະ ເກີດມພີ າບທືບ່ີ ຈໍ່ ະແຈ້ງ ເຊິງ່ື ໃນບດົ ຄົນ້ ຄວາ້ ນີແົ້ ມ່ນນໍາໃຊ້ເຕັກນກິ Transformer Prediction Heads (TPH) ເຂົາ້ ກັບ YOLO ໂດຍເປັນ TPH-YOLOv5 ເຊິງ່ື ເປນັ ການເພີມ່ື ການຄາດເດາົ ຈາກສວ່ ນຫວົ ກ່ອນ ຈງືຶ່ ກບັ ມາຄາດເດົາໃນແບບ YOLO ທາໍ ມະ ດາຄນ ແລະ ປຽບທຽບກັນ ໂດຍມຄີ າ່ ຄວາມຖກຕ້ອງຢ່ 39.43% ເມືອ່ ທຽບໃສ່ YOLOv5 ທາໍ ມະດາແມນ່ ດຂີ ້ນຶົ 7% (Zhu et al., 2021). ການຫຸດບັນຫາລດົ ຕດິ ໃນເສັ້ນົ ທາງທມ່ືີ ີລະບບົ ໄຟອໍານາດ ແມນ່ ມີຫາຍປະເທດໃຫ້ຄວາມສນົ ໃຈກັບບນັ ຫາ ດັົງ່ ກວ່າ ການນາໍ ໃຊບ້ ອດ Raspberry Pi ເຂາ້ົ ມາເປັນເຄອື່ ງມທາງດ້ານ IoT ເພອື່ ສົ່ງຂໍ້ມນຈາກກອ້ ງວງົ ຈອນ ຫ Webcam ຫາໂມເດວດວ້ ຍເຕກັ ນິກຂອງ Message Queuing Telemetry Transport (MQTT) ເພືອ່ ການດົ ລະບົບຄວບຄມໄຟອາໍ ນາດດ້ວຍຂ້ໍມນທີ່ໄື ດຈ້ າກການກວດຈບັ ວດັ ຖຸ. ດງົ່ັ ນົ້ັນ, ການອອກແບບ ແລະ ການຕິດຕົັງ້ ລະບົບຄວບຄມໄຟອໍານາດໂດຍການນາໍ ໃຊ້ Raspberry Pi (DESIGN AND IMPLEMENTATION OF REAL TIME TRAFFIC LIGHT SYSTEM USING RASPBERRY PI) ຈຶື່ງມຄີ ວາມຈໍາເປນັ ແລະ ສໍາຄນັ ໃນການຊ່ວຍຫດຸ ບນັ ຫາລດົ ຕິດໃນໄຟແດງຕາ່ ງໆໄດ້ (Ms. R. Arthi, et al. 2020). Fast R-CNN ແມ່ນໜຶືງ່ ປະເພດຂອງ Object detection ທີມ່ື ີພົ້ນຖານມາຈາກ CNN ໂດຍຫຸດການແບງ່ ປນັ ຂອງ Convolution Across Proposal ໃນ Convolution Layer, Fast R-CNN ນົັ້ນນຍິ ົມໃຊກ້ ານກັບ ການກວດຈັບວດັ ຖແຸ ບບ Real time ໃນສາຂາຂອງ Deep Learning ເຊງິື່ ການຮຽນຮໂ້ ມເດວໂດຍ Algorithm ຂອງ Fast R-CNN ນນ້ັົ ໄດ້ເພີ່ມື ປະສດິ ທິພາບຂອງການຮຽນຮ້ໂມເດວດວ້ ຍການນາໍ ໃຊ້ CPU ໃຫ້ດີຂນົ້ຶ 2 ວິນາທີ, ແລະ ເພີືມ່ ການແລກປ່ຽນລະຫວາ່ ງຄນນະພາບຂອງ Proposal ແລະ ຄວາມໄວໄດດ້ ີຂົ້ນຶ 0.2 ວິນາທີຕໍ່ໜືຶ່ງຮບພາບ. ນອກຈາກນົ້ນັ , ຍັງມີຜນົ ດີຕໍ່ກບັ ການຮຽນຮຂ້ ອງໂມເດວດວ້ ຍ GPU ແລະ ການນໍາໃຊ້ Region Proposal Network (RPNs) ໃນການແລກປຽ່ ນຄາ່ ໃນ Convolutional layer ນໍາອີກ (Ren et al., 2017). ການເພີື່ມຂ້ນົຶ ຂອງຂໍມ້ ນໃນການຮຽນຮຂ້ ອງໂມເດວ ແລະ ການປັບປງປະສດິ ທພິ າບຂອງການກວດຈບັ ວດັ ຖຸ (Object Detection), ວິທີການກວດຈັບວດັ ຖຸທ່ືີມພີ ນ້ົ ຖານມາຈາກ CNN ໄດກ້ າຍເປັນ Algorithm ທ່ືນີ ິຍົມກນັ ຫາຍໃນຂົງເຂດຂອງການກວດຈັບວດັ ຖຸ ຈດປະສົງຫັກແມ່ນເພີ່ມື ປະສິດທພິ າບຂອງ Algorithm Fast R-CNN ໃນການກວດຈັບວັດຖຸທີ່ືມຂີ ະໜາດນອ້ ຍໂດຍ 2 ຮບແບບຄ: ໜືງຶ່ ເພມືີ່ ປະສິດທພິ າບການສນເສຍຂອງການຮວ່ ມກັນ ຂອງ Interaction over Union (IoU) ສາຫັບການແຍກກອ່ ງຂອງວດັ ຖຸ ແລະ ສອງເພື່ມີ ປະສດິ ທິພາບຂອງ Regional of Interest (RoI) ຂອງ Max Pooling, ໂດຍໄດສ້ ້າງການຮຽນຮຂ້ ອງໂມເດວໃຫ້ຮຽນຮວ້ ດັ ຖທຸ ີຢື່ ່ ຂອບເຂດຂອງລະບົບໄຟອໍານາດໃນອດັ ຕາສວ່ ນ 0 ຫາ 32 ຂອງຄວາມລະອຽດຂອງຮບພາບ ເຊງິ່ື ໄດ້ຄ່າຂອງ Recall ຢ່ 90% ແລະ ຄາ່ ຄວາມຖກຕອ້ ງຢ່ 87% (Cao et al., 2019). 19

2.3 ຂອບເຂດແນວຄວາມຄດິ ▪ ສ້າງຊດຸ ຂມໍ້ ນໃໝ່ທີືເ່ ປນັ ສະພາບແວດລ້ອມຂອງບ້ານເຮາົ (Customize dataset) ໂດຍການຖ່າຍຮບພາບ ລົດໃນນະຄອນຫວງວຽງຈນັ , ສ້າງ Labelling, ສາ້ ງ Annotate ແລະ ນໍາເອົາຊຸດຂໍ້ມນໄປ Train ໃນ Colab. ▪ ສມົ ທຽບການຮຽນຮ້ໂມເດວລະຫວາ່ ງ Algorithm YOLOv5 ແລະ Fast R-CNN. ▪ ຄ້ົນຄວ້າຫາວິທກີ ານກວດຈັບວດັ ຖຸ ໂດຍນໍາໃຊ້ການປະມວນຜົນຮບພາບ ແລະ ເຕກັ ນກິ ຂອງ Algorithm YOLO ສາມາດຈໍາແນກປະເພດລດົ ທື່ແີ ລນ່ ຕາມເສ້ົນັ ທາງໄດ້ ຕາມປະເພດລົດຂອງຊດຸ ຂມ້ໍ ນທືີເ່ ຮົາມີ. ▪ ສາ້ ງຕົ້ນແບບຈໍາລອງ (Prototype) ໃນການຈັດການກບັ ລະບບົ ໄຟອໍານາດ ໂດຍສາມາດປບັ ຄ່າຂອງລະບົບ ໄຟອໍານາດໄດ້ ເປັນລະບົບໄຟອາໍ ນາດທືຢ່ີ ືດຢນ່ ໄດ້ (Dynamic), ສາມາດສົ່ງຄາ່ ຜ່ານ MQTT Protocol, ສ້າງ ເວບັ ແອັບດ້ວຍ React JS ແລະ ສາ້ ງ Backend API ດວ້ ຍ Node JS. 2.4 ນຍິ າມຄາໍ ສບັ ໃນທາງປະຕບິ ດັ ເພ່ືອໃຫ້ຄໍາສບັ ມຄີິ ວາມໝາຍຊດັ ເຈນ-ເຂົ້າໃຈງ່າຍ, ຈຶງ່ື ໄດ້ນິຍາມຄໍາສບັ ໃນທາງປະຕິບດັ ດ່ງົັ ລ່ມນົີ້: ຕາຕະລາງທີ 2. 2: ຄາໍ ສບັ ທ່ືໃີ ຊ້ໃນທາງປະຕບິ ດັ ຄາໍ ສັບ ຄວາມໝາຍ YOLO You Look Only Once ເປັນ Algorithm ການກວດຈບັ ວັດຖໃຸ ນຮບພາບ ແລະ ວດິ ີໂອ. Common Objects in Context ເປັນຊຸດຂ້ໍມນຂອງບລໍ ິສັດ Microsoft ເຊືິ່ງເປນັ ຊຸດຂມ້ໍ ນ COCO (Dataset) ທທີື່ ກຄນົ ສາມາດນໍາໃຊໃ້ ນການຄ້ົນຄວ້າໄດ້. Message Queuing Telemetry Transport ເຊື່ງິ ພດັ ທະນາໂດຍບໍລສິ ດັ IBM. MQTT ຊຸດຂມໍ້ ນສໍາລັບການຮຽນຮ້ຂອງໂມເດວ. Training Set ຊດຸ ຂມ້ໍ ນສໍາລັບທົດສອບໂມເດວ. Validate Set ຊດຸ ຂມ້ໍ ນສໍາລັບການທດົ ລອງ. Testing Set ຕົ້ນແບບຈໍາລອງ ເພອື່ ຈາໍ ລອງລະບບົ ຄວບຄມໄຟຈະລະຈອນ. Prototype ເປັນການຂຽນປ້າຍກາໍ ກັບວາ່ ຮບພາບດັ່ງົ ກວາ່ ແມ່ນນອນຢ່ໃນ Class ໃດ. LabelImg ແມ່ນຂນ້ັົ ຕອນການກາໍ ນດົ ຂອບໃຫກ້ ັບຮບພາບເພອື່ ລະບບ Label. Annotate ແມນ່ ແຍກປະເພດຂອງຮບພາບ ເພື່ອການຈໍາແນກໄດງ້ ່າຍ. Classes ມາດຕະຖານກບັ ຮັບສ່ງົ ຂ້ໍມນ. Protocol ການກວດຈັບວັດຖຸ ເຊງ່ິື ໃນຄນົ້ ຄວ້າໄດ້ທາໍ ການກວດຈັບຖຸວດັ ທີືເ່ ປນັ ລົດ ແລະ ວັດຖຸອນ່ື ທື່ີ ນອກຢ່ໃນ Classes ຂອງ Dataset. Object detection ເປນັ IDE ທີໃື່ ຊ້ໃນການຂຽນໂຄດສ້າງໂມເດວ, ທົດສອບ ແລະ ສາ້ ງ ກຣາບຕ່າງ. Google Colab ແມ່ນເວັບໄຊທທ໌ ໃ່ີື ຊ້ໃນການ LabelImg, Annotate ເພື່ອແຍກ Classes ຂອງຊຸດຂມໍ້ ນ. Roboflow ຄວາມຖກຕອ້ ງນາໍ ໃຊ້ໃນການປະເມີນໂມເດວຂອງ Confusion matrix. Precision ແມນ່ ຄ່າຄວາມຖກຕ້ອງທ່ືໄີ ດຈ້ າກການຄາດເດົາວາ່ ຖກຫານໃຫກ້ ບັ ຄາ່ ທງັ ໝດົ Recall Mean Average Precision ຄ່າສະເລ່ຍຄວາມຖກຕອ້ ງ. mAP 20

ພາກທີ 3 ວິທກີ ານສກຶ ສາ 3.1 ການອອກແບບການສກຶ ສາ 3.1.1 ການກາໍ ນດົ ເນ້ົອໃນ ໃນການເຮັດບດົ ຄົນ້ ຄວ້າຄ້ັົງນີ້ົ ແມ່ນປະກອບດ້ວຍຂນົັ້ ຕອນຕ່າງໆທີືສ່ ະແດງໃນຮບທີ 3. 1 ດ່ງັົ ລ່ມນ:ີົ້ ▪ ຮວບຮວມຂໍມ້ ນຮບພາບຈາກກອ້ ງຂອງມຖ ແລະ ບັນທກຶ ຈາກ Google Image. ▪ ສ້າງ Label ກໍາກບັ ຂ້ໍມນຮບພາບ ແລະ ເຮດັ Annotate ໃຫ້ກັບຮບພາບ. ▪ Training ໂມເດວ ແລະ ເຮັດການປະເມີນໂມເດວ. ▪ ນໍາໂມເດວທ່ືໄີ ດໄ້ ປກວດຈບັ ຊຸດຂ້ໍມນ. ▪ ສາ້ ງລະບບົ ຄວບຄມລະບບົ ໄຟອໍານາດ ໂດຍສາມາດຄວບຄມໄດຫ້ າຍຊອ່ ງທາງເຊ່ົັນ: ຈາກໂຕກວດ ຈບັ ວດັ ຖຸເອງ, ຈາກເວັບໄຊທ໌ ແລະ ຈາກບອດຂອງການຄວບຄມ. ຮບທີ 3. 1 ຂ້ນັົ ຕອນວທິ ີການຄົນ້ ຄວ້າ ໃນຮບທີ 3. 1 ສະແດງໃຫ້ເຫນັ ເຖງິ ຂນ້ັົ ຕອນການຄ້ົນຄວາ້ ໂດຍແບ່ງເປັນ 5 ຂົນ້ັ ຕອນຄ: ຂົ້ນັ ຕອນການ ທ້ອນໂຮມຂໍ້ມນຮບພາບ, ຂັນົ້ ຕອນການດໍາເນນີ ງານ, ຂັົ້ນຕອນການຮຽນຮຂ້ ອງໂມເດວ, ຂົ້ນັ ຕອນການນາໍ ໃຊ້ໂມ ເດວ ແລະ ຂັົ້ນຕອນການຄວບຄມລະບົບໄຟອໍານາດ. ຈາກຮບທີ 3. 1 ເຊງ່ິື ສາມາດແບ່ງອອກເປນັ 2 ສ່ວນຄ: ສ່ວນຂອງການຮຽນຮຂ້ ອງໂມເດວ ແລະ ສ່ວນ ຂອງການນາໍ ເອາົ ໂມເດວໄປນໍາໃຊ.້ 21

▪ ສວ່ ນຂອງການຮຽນຮໂ້ ມເດວ (Training model) ສວ່ ນຂອງການຮຽນຮຂ້ ອງໂມເດວປະກອບດວ້ ຍ 4 ຂົນ້ັ ຕອນທື່ສີ ະແດງໃນຮບທີ 3. 2 ຄ: ຂົ້ນັ ຕອນ ການນໍາເອາົ ຊຸດຂມໍ້ ນເຂາົ້ , ຂັ້ນົ ຕອນການ Process ໃນນ້ົແີ ບ່ງສອງຂັ້ົນຕອນ ປະກອບດວ້ ຍ ການເຮັດ Labelling ແລະ ການເຮັດ Annotate, ຂ້ັົນຕອນການຮຽນຮຂ້ ອງໂມເດວ ປະກອບມກີ ານປະເມີນການຮຽນຮຂ້ ອງໂມເດວ ແລະ ການສົມທຽບ Algorithm ແລະ ສດທ້າຍເຮາົ ຈະໄດ້ໂມເດວອອກມານາໃຊ້ ເຊງິື່ ມີຮບຂັ້ນົ ຕອນທືີສ່ ະແດງໃນຮບທີ 3. 2 ລມ່ ນົ.້ີ ຮບທີ 3. 2 ຂົັ້ນຕອນການ Training model ▪ ສວ່ ນຂອງການນາໍ ເອາົ ໂມເດວໄປນາໍ ໃຊ້ (Object Detection) ສວ່ ນຂອງການນາໍ ເອາົ ໂມເດວໄປນໍາໃຊ້ນນົັ້ ແບງ່ ເປນັ 3 ຂັນ້ົ ຕອນ ເຊງ່ິື ປະກອບມີ ຂນ້ັົ ຕອນການນາ ເຂາົ້ ຂມໍ້ ນຮບພາບ ຫ ວດິ ີໂອ, ຂົັນ້ ຕອນການກວດຈບັ ວັດຖຸຂອງໂມເດດທືຜ່ີ າ່ ນການຮຽນຮມ້ າແລ້ວ ແລະ ກໍານດົ ລະບບົ ໄຟອໍານາດ ເຊ່ືງິ ມີລາຍລະອຽດທື່ີສະແດງໃນຮບທີ 3. 3 ດົັ່ງລມ່ ນົ້.ີ ຮບທີ 3. 3 ຂນົັ້ ຕອນ Detection 22

3.1.2 ການຄດັ ເລອກພນົ້ ທື່ີ ສະຖານທໃ່ືີ ນການດາໍ ເນນີ ການຄົນ້ ຄວາ້ ຄງັົ້ ນແົີ້ ມນ່ ຢ່ ບໍລສິ ດັ ລາວໂທລະຄມົ ມະນາຄມົ ມະຫາຊົນ, ພະ ແນກວິເຄາະລະບບົ ຂ້ໍມນ-ຂາ່ ວສານ, ພາກສວ່ ນພັດທະນາໂປຣແກຣມ ໂດຍມີຮບປະກອບຂອງສນໃຫຍ່ ສາຍລົມ ບໍລິສດັ ລາວໂທລະຄມົ ມະນາຄົມ ມະຫາຊົນ ດົ່ງັ ຮບທີ 3. 4 ລ່ມນີົ.້ ຮບທີ 3. 4 ບລໍ ິສດັ ລາວໂທລະຄມົ ມະນາຄົມ ມະຫາຊົນ ຮບພາບຈາກ Facebook Fan Page Lao Telecom ສະຖານທີເື່ ກັບກໍາຂມໍ້ ນວິດໂີ ອຂອງການສນັ ຈອນພາຫານະ ແລະ ຕວົ ເລກກາໍ ນດົ ຄາ່ ຂອງໄຟອໍານາດຢ່ ໄຟແດງສາຍລມົ ຕດັ ກັບຖະໜນົ ລ້ານຊາ້ ງ, ບາ້ ນຫັດສະດ,ີ ເມອງຈນັ ທະບລີ, ນະຄອນຫວງວຽງຈນັ . ເຊິື່ງເປນັ ທາງຄົບ ກັບຂອງ 4 ເສັົນ້ ທາງຄ: ເສນັົ້ ທາງທແື່ີ ລ່ນມາແຕຫ່ ຄໍ າເປັນຖະໜົນລາ້ ນຊ້າງ, ເສັ້ົນທາງທແ່ີື ລນ່ ມາແຕ່ ບລໍ ິສັດ ລາວ ໂທລະຄມົ ມະນາຄົມ ມະຫາຊນົ ເປັນຖະໜົນສາຍລມົ , ເສົ້ັນທາງມາແຕປ່ ະຕໄຊ ເປນັ ຖະໜນົ ລ້ານຊາ້ ງ ແລະ ເສົັນ້ ທາງ ມາແຕວ່ ັດທາດຝນ່ ເປັນຖະໜົນສາຍລົມ ໂດຍມຮີ ບປະກອບຮບທີ 3. 5 ດົັງ່ ລມ່ ນີ.້ົ ຮບທີ 3. 5 ໄຟແດງສາຍລມົ ຕດັ ກັບຖະໜົນລາ້ ນຊ້າງ 23

3.2 ຂມໍ້ ນການສກຶ ສາ 3.2.1 ບນັ ດາຂມໍ້ ນການສກຶ ສາ ຊດຸ ຂມ້ໍ ນທນືີ່ ໍາມາສຶກສາຄ້ັົງນ້ົີມທີ ັງໝດົ 1,524 ຮບພາບ (Images) ແບ່ງເປັນຊດຸ ຂມໍ້ ນ Training set 1,069 ຮບພາບຄິດເປັນ 70%, ຊດຸ ຂ້ໍມນ Validation set 302 ຮບພາບຄດິ ເປນັ 20% ແລະ ຊດຸ ຂ້ມໍ ນ Testing set 153 ຮບພາບຄດິ ເປັນ 10%. ຊຸດຂມໍ້ ນທັງໝົດແມ່ນໄດ້ເຮດັ Label ກາໍ ກັບ ແລະ ຂຽນຄາ່ ໄວໃ້ ນໄຟຣ໌ data.yaml ດ້ວຍການອບັ ໂຫດຮບພາບຂ້ນົຶ ເວັບໄຊທຂ໌ ອງ Roboflow ເຊງ່ືິ ມລີ າຍລະອຽດດົ່ັງຮບທີ 3. 6 ລ່ມນ.້ີົ ຮບທີ 3. 6 ຂໍ້ມນຮບພາບແຕລ່ ະປະເພດລດົ ໃນຮບທີ 3. 6 ແມ່ນຮບທ່ີືໄດ້ຈາກການ Capture ມາຈາກເວບັ ໄຊທ໌ Roboflow ເຊງ່ິື ໄດແ້ ບງ່ ປະເພດ ຊດຸ ຂມ້ໍ ນລົດເປນັ 8 ປະເພດຊດຸ ຂ້ໍມນດັ່ງົ ລ່ມນ:ົີ້ ▪ Local-Tuktuk-In-Laos ແມ່ນຊຸດຂໍມ້ ນຂອງປະເພດລດົ Tuktuk (ລົດຕກຕກ) ▪ Local-Motorbike-In-Laos ແມນ່ ຊດຸ ຂໍມ້ ນຂອງປະເພດລົດ Motorbike (ລົດຈກັ ) ▪ Local-Truck ແມ່ນຊດຸ ຂໍມ້ ນຂອງປະເພດລົດ Truck (ລົດກະບະ ແລະ ລດົ ບັກທກ) ▪ Local-Jumbo-In-Laos ແມ່ນຊດຸ ຂໍ້ມນຂອງປະເພດລົດ Jumbo (ລົດຈາໍ ໂບ້) ▪ Local-Skylab-In-Laos ແມນ່ ຊດຸ ຂໍ້ມນຂອງປະເພດລົດ Skylab (ລົດສະກາຍແຫບ) ▪ Local-Car-In-Laos ແມນ່ ຊຸດຂ້ມໍ ນຂອງປະເພດລດົ Car (ລດົ ເກງ ແລະ ລດົ ກະປກ) ▪ Local-Bus-In-Laos ແມ່ນຊດຸ ຂໍມ້ ນຂອງປະເພດລດົ Bus (ລດົ ເມ) ▪ Local-Van-In-Laos ແມ່ນຊຸດຂໍມ້ ນຂອງປະເພດລດົ Van (ລດົ ຕ)້ 24

3.2.2 ວທິ ເີ ກບັ ກາໍ ຂມ້ໍ ນ ຂໍ້ມນຕວົ ເລກກໍານົດຄາ່ ໄຟອໍານາດ ຈາກໄຟແດງສາຍລົມຕັດກັບຖະໜນົ ລາ້ ນຊ້າງ, ບ້ານຫັດສະດີ, ເມອງຈນັ ທະບລີ, ນະຄອນຫວງວຽງຈນັ ໂດຍມີຄາ່ ມາດຕະຖານປດັ ຈບນັ (27-06-2021) ເຊິງ່ື ມລີ າຍລະອຽດ ດງ່ົັ ຕາຕະລາງທີ 3. 1 ດັງ່ົ ລມ່ ນົ້ີ. ຕາຕະລາງທີ 3. 1: ກໍານດົ ຄາ່ ມາດຕະຖານຂອງລະບົບໄຟອໍານາດ ລ/ດ ເລນ ຈາໍ ນວນໄຟແດງ ຈາໍ ນວນໄຟເຫອງ ຈໍານວນໄຟຂຽວ 1 Lane 1 115 ວິນາທີ 3 ວິນາທີ 40 ວິນາທີ 2 Lane 2 130 ວິນາທີ 3 ວິນາທີ 25 ວນິ າທີ 3 Lane 3 115 ວິນາທີ 3 ວນິ າທີ 40 ວນິ າທີ 4 Lane 4 125 ວິນາທີ 3 ວິນາທີ 35 ວນິ າທີ ຮບທີ 3. 7 ຂມໍ້ ນຕົວເລກກາໍ ນດົ ໄຟອາໍ ນາດ ຈາກຮບທີ 3. 7 ສາມາດແບງ່ Lane ຂອງລົດອອກເປນັ 4 Lane ດງ່ົັ ລ່ມນີ:້ົ ▪ Lane 1 ແມ່ນແທນໃຫ້ເສັນ້ົ ທາງທີື່ມາແຕ່ຫຄໍ າໍ ▪ Lane 2 ແມນ່ ແທນໃຫເ້ ສັນົ້ ທາງທມ່ືີ າແຕສ່ າຍລົມ ▪ Lane 3 ແມ່ນແທນໃຫ້ເສົ້ັນທາງທ່ມືີ າແຕປ່ ະຕໄຊ ▪ Lane 4 ແມ່ນແທນໃຫເ້ ສ້ົັນທາງທືີ່ມາແຕວ່ ັດທາດຝ່ນ ຂມໍ້ ນຮບພາບທງັ ໝົດແມ່ນໄດ້ຈາກການຖ່າຍພາບດວ້ ຍຕນົ ເອງ ແລະ ດາວໂຫດຈາກອິນເຕເີ ນດັ ຈໍານວນໜຶ່ືງຈາກ Google Image ໂດຍແບງ່ ເປນັ 8 ຊຸດຂມ້ໍ ນຮບພາບຄ: 1 ຊຸດຂໍມ້ ນຮບພາບປະເພດລົດ Tuktuk (ລດົ ຕກຕກ), 2 ຊຸດຂໍມ້ ນຮບພາບປະເພດລົດ Motorbike (ລດົ ຈັກ), 3 ຊຸດຂໍມ້ ນຮບພາບປະເພດລົດ Truck (ລດົ ກະບະ ແລະ ລົດບັນທກ), 4 ຊດຸ ຂ້ໍມນຮບພາບປະເພດລົດ Jumbo (ລດົ ຈໍາໂບ້), 5 ຊຸດຂມໍ້ ນຮບພາບປະເພດລົດ Skylab (ລົດສະກາຍແຫບ), 6 ຊຸດຂໍ້ມນຮບພາບປະເພດລດົ Car (ລົດເກງ ແລະ ລດົ ກະປກ), 7 ຊຸດຂໍ້ມນຮບພາບ ປະເພດລດົ Bus (ລົດເມ) ແລະ 8 ຊຸດຂໍມ້ ນຮບພາບປະເພດລດົ Van (ລົດຕ້) ໂດຍມີລາຍລະອຽດສະແດງໃນ ຕາຕະລາງທີ 3. 2 ລ່ມນີ້.ົ 25

ຕາຕະລາງທີ 3. 2: ແຍກປະເພດກ່ມຂມໍ້ ນ No. ປະເພດ Training Set Validation Set Testing Set Total 1 ຊດຸ ຮບພາບ Tuktuk 103 29 15 147 2 ຊດຸ ຮບພາບ Motorbike 150 42 22 214 3 ຊຸດຮບພາບ Truck 146 42 21 209 4 ຊດຸ ຮບພາບ Jumbo 193 54 27 274 5 ຊຸດຮບພາບ Skylab 106 30 15 151 6 ຊດຸ ຮບພາບ Car 153 43 21 218 7 ຊຸດຮບພາບ Bus 114 33 16 163 8 ຊຸດຮບພາບ Van 111 33 16 160 ລວມ: 1,076 306 153 1,536 ໜາຍເຫດ: ຂ້ໍມນຮບພາບທັງໝດົ ຈະບ່ໍເທ່ົາກັບຈາໍ ນວນທ່ີສື ະຫບຸ ໄວຂ້ ໍ້ 3.1.1 ເນ່ອື ງຈາກໃນໜຶືງ່ ຮບ ພາບສາມາດມໄີ ດຫ້ າຍກວາ່ ໜງຶ່ື ປະເພດຂ້ມໍ ນ ຫ ມໄີ ດ້ຫາຍກວາ່ ໜ່ືຶງວັດຖຸ. A. ປະເພດລດົ Tukuk ລວມທັງໝດົ 147 ຮບພາບ ເຊງ່ິື ປະກອບມີ Training set 103 ຮບພາບ (70%), Validation set 29 ຮບພາບ (20%) ແລະ Testing set 15 ຮບພາບ (10%) ໂດຍຮບພາບຕວົ ຢ່າງແມ່ນ ສະແດງໃນຮບທີ 3. 8 ດັງົ່ ລມ່ ນ.້ົີ ຮບທີ 3. 8 ຮບພາບຕວົ ຢ່າງຂອງປະເພດລົດ Tuktuk ຮບພາບທີ 3. 8 ຫາ 3. 15 ແມນ່ ໄດຈ້ າກການ Capture ໃນເວບັ ໄຊທຂ໌ ອງ Roboflow ໂດຍຜາ່ ນ ການ Labelling ແລະ Annotate ມາໝົດແລວ້ . 26

B. ປະເພດລດົ Motorbike ລວມທງັ ໝດົ 214 ຮບພາບ ເຊງິື່ ປະກອບມີ Training set 150 ຮບ ພາບ (70%), Validation set 42 ຮບພາບ (20%) ແລະ Testing set 22 ຮບພາບ (10%) ໂດຍຮບພາບຕວົ ຢາ່ ງ ແມນ່ ສະແດງໃນຮບທີ 3. 9 ດ່ັົງລມ່ ນ.ີ້ົ ຮບທີ 3. 9 ຮບພາບຕວົ ຢາ່ ງຂອງປະເພດລົດ Motorbike C. ປະເພດລດົ Truck ລວມທັງໝດົ 209 ຮບພາບ ເຊິງື່ ປະກອບມີ Training set 146 ຮບພາບ (70%), Validation set 42 ຮບພາບ (20%) ແລະ Testing set 21 ຮບພາບ (10%) ໂດຍຮບພາບຕົວຢ່າງແມ່ນ ສະແດງໃນຮບທີ 3. 10 ດົ່ງັ ລ່ມນ້ົ.ີ ຮບທີ 3. 10 ຮບພາບຕວົ ຢາ່ ງຂອງປະເພດລົດ Truck 27

D. ປະເພດລດົ Jumbo ລວມທງັ ໝດົ 274 ຮບພາບ ເຊ່ງິື ປະກອບມີ Training set 193 ຮບພາບ (70%), Validation set 54 ຮບພາບ (20%) ແລະ Testing set 27 ຮບພາບ (10%) ໂດຍຮບພາບຕົວຢາ່ ງແມນ່ ສະແດງໃນຮບທີ 3. 11 ດົັ່ງລ່ມນ.້ີົ ຮບທີ 3. 11 ຮບພາບຕວົ ຢ່າງຂອງປະເພດລົດ Jumbo E. ປະເພດລົດ Skaylab ລວມທັງໝດົ 151 ຮບພາບ ເຊິ່ືງປະກອບມີ Training set 106 ຮບພາບ (70%), Validation set 30 ຮບພາບ (20%) ແລະ Testing set 15 ຮບພາບ (10%) ໂດຍຮບພາບຕວົ ຢາ່ ງແມນ່ ສະແດງໃນຮບທີ 3. 12 ດ່ັງົ ລ່ມນົ.້ີ ຮບທີ 3. 12 ຮບພາບຕວົ ຢ່າງຂອງປະເພດລົດ Skaylab 28

F. ປະເພດລດົ Car ລວມທງັ ໝົດ 218 ຮບພາບ ເຊ່ືິງປະກອບມີ Training set 153 ຮບພາບ (70%), Validation set 43 ຮບພາບ (20%) ແລະ Testing set 21 ຮບພາບ (10%) ໂດຍຮບພາບຕວົ ຢາ່ ງແມນ່ ສະແດງໃນຮບທີ 3. 13 ດັງົ່ ລ່ມນີ້ົ. ຮບທີ 3. 13 ຮບພາບຕວົ ຢ່າງຂອງປະເພດລົດ Car G. ປະເພດລດົ Bus ລວມທັງໝດົ 163 ຮບພາບ ເຊ່ິງື ປະກອບມີ Training set 114 ຮບພາບ (70%), Validation set 33 ຮບພາບ (20%) ແລະ Testing set 16 ຮບພາບ (10%) ໂດຍຮບພາບຕວົ ຢາ່ ງແມ່ນ ສະແດງໃນຮບທີ 3. 14 ດງັ່ົ ລ່ມນ.ີົ້ ຮບທີ 3. 14 ຮບພາບຕວົ ຢ່າງຂອງປະເພດລດົ Bus 29

H. ປະເພດລົດ Van ລວມທງັ ໝົດ 160 ຮບພາບ ເຊ່ງິື ປະກອບມີ Training set 111 ຮບພາບ (70%), Validation set 33 ຮບພາບ (20%) ແລະ Testing set 16 ຮບພາບ (10%) ໂດຍຮບພາບຕົວຢ່າງແມ່ນ ສະແດງໃນຮບທີ 3. 15 ດງົັ່ ລ່ມນ້ົ.ີ ຮບທີ 3. 15 ຮບພາບຕວົ ຢາ່ ງຂອງປະເພດລດົ Van 3.2.3 ເຄອື່ ງມທນື່ີ າໍ ໃຊເ້ ກບັ ກາໍ ຂມໍ້ ນ ເຄ່ອື ງມນໍາໃຊໃ້ ນບົດຄ້ົນຄວາ້ ຄງົ້ັ ນ້ີົ, ແມ່ນໄດນ້ າໍ ໃຊ້ໂທສະມຖ ຖ່າຍພາບວດິ ີໂອ ແລະ ຮບພາບທໍາມະ ດາ ຫງັ ຈາກໄດ້ຂມໍ້ ນ ແມນ່ ໄດ້ Upload ຂ້ໍມນໄປສາ້ ງ Labelling ແລະ ເຮັດ Annotate ຢທ່ ີ່ືເວັບໄຊທ໌ Roboflow ເພ່ືອກາໍ ນົດ Format ແລະ ກໍານດົ Label ໃຫ້ກັບຮບພາບ ຫັງຈາກນ້ັນົ Export ເປນັ ຮບແບບຂອງ PyTorch YOLOv5 ແບ່ງເປນັ Training Set, Validation Set ແລະ Testing Set. 3.3 ການວເິ ຄາະຂມ້ໍ ນ ແລະ ການອະທບິ າຍຜນົ 3.3.1 ເຄອື່ ງມໃນການວເິ ຄາະຂມ້ໍ ນ ແລະ ພດັ ທະນາ ໃນບດົ ວທິ ະຍານທິ ນົ ນີົ້ ແມ່ນໄດ້ນໍາໃຊເ້ ຄືອ່ ງມເພອ່ື ການປະມວນຜນົ ຮບພາບ (Computer Vision) ເຊືິງ່ ມີຂັົນ້ ຕອນການຮຽນຮແ້ ບບເລິກເຊ່ິງື (Deep Learning) ໂດຍນາໍ ໃຊ້ Algorithm ຂອງ YOLOv5 ແລະ ການ ກາໍ ນດົ ໂມເດວຂອງລະບົບການຄວບຄມສນັ ຍາໄຟອໍານາດ (Traffic control). 1) ອປະກອນ (Hardware) ▪ ຄອມພິວເຕໂີ ນດບກ 1 ເຄື່ອງ, AMD Ryzen 7 4800H, Ram 8GB, HDD 500GB. ▪ ບອດ Arduino Maga2560 ▪ ຈໍ Liquid Crystal Display ▪ Realtime Clock ▪ Voltage Regulator Module ▪ NodeMCU esp-8266 30

2) ຊອບແວນ໌ າໍ ໃຊ້ (Software) ▪ Google Colab ເພ່ອື ນໍາໃຊ້ເປັນ Code Editor ໂດຍມີພາສາ Python 3.8 ເປນັ ພາສາຂຽນໂປຣ ແກຣມໃນການວິເຄາະຂ້ໍມນ, Validate, Testing, Tuning ແລະ Evaluation. ▪ Roboflow ເປັນ Platform ໃນການສ້າງ LabelImg ແລະ Annotate ຮບພາບ ເພອ່ື ສາມາດ Export ອອກມານາໍ ໃຊຕ້ ່ໄໍ ດ້. ▪ Draw IO ເຊ່ືິງເປນັ ໜງຶ່ື Product ຂອງ Google ໂດຍເປັນບອ່ ນແຕ້ມແຜນວາດຂອງໂມເດວ ການເຮັດວຽກຂອງລະບບົ ແລະ ສ່ວນຕ່າງໆຂອງການໄຫຂອງຂ້ມໍ ນ. ▪ PyTorch ກລໍ ະນີເປັນ Algorithm YOLOv5 ເຊ່ືິງເປັນ Framework ທີໃື່ ຊ້ໃນການ Training model. ▪ Detectron2's ກໍລະນເີ ປັນ Algorithm Fast R-CNN ເຊງ່ືິ ເປນັ Framework ທ່ໃີື ຊ້ໃນການ Training model. 3.3.2 ຂນ້ົັ ຕອນການວເິ ຄາະຂມໍ້ ນການກວດຈບັ ວດັ ຖຸ ຂັນ້ົ ຕອນການວິເຄາະຂ້ໍມນຂອງການກວດຈັບວດັ ຖຸ (Object detection) ເຊິືງ່ ເປັນອີກສ່ວນໜງຶື່ ຂອງ ການວເິ ຄາະຂ້ໍມນ ໂດຍມຂີ ັນົ້ ຕອນ ແລະ ສະແດງໃນຮບທີ 3. 16 ດງ່ັົ ລມ່ ນ້ົີ. ▪ ອບັ ໂຫດຂໍມ້ ນຂົ້ນຶ ເວບັ ໄຊທ໌ ແລວ້ ທໍາການ Label ແລະ Annotate ▪ Export dataset ທຜ່ີື າ່ ນການ Label ▪ ນາໍ ໃຊ້ Google Colab training dataset ▪ ປະເມນີ ຜນົ ການ Training ▪ ທົດສອບກັບຊດຸ ຂໍມ້ ນ Testing ຮບທີ 3. 16 ຂັ້ນົ ຕອນວິເຄາະຂມໍ້ ນ ຈາກຮບທີ 3. 16 ແມ່ນໄດແ້ ບງ່ ການວເິ ຄາະຂ້ໍມນຂອງການກວດຈບັ ວດັ ຖຸ ອອກເປັນ 5 ຂນົ້ັ ຕອນ ເຊືິ່ງ ມີລາຍລະອຽດຂອງແຕລ່ ະຂົ້ັນຕອນດົັງ່ ລ່ມນີົ້ ໂດຍເລມືີ່ ຈາກ Upload dataset ຈົນຮອດ Testing ເຊືງ່ິ ແຕລ່ ະຂໍຈ້ ະ ມີລາຍລະອຽດສາມາດປະຕິບັດຕາມໄດ້. 31

1) ນາໍ ຊດຸ ຂມໍ້ ນເຂາ້ົ ລະບບົ (Upload Dataset) ນາໍ ຮບພາບທ່ີືໄດ້ເຂົ້າໄປສາ້ ງ LabelImg, Annotate ແລະ ປບັ ຂະໜາດຮບພາບໃຫ້ເປນັ ຂະໜາດ 416x416 Pixels ປະກອບມີ 8 ປະເພດຊດຸ ຂ້ໍມນຄ: 1 ຊຸດຂມໍ້ ນຮບພາບປະເພດລົດ Tuktuk, 2 ຊດຸ ຂມໍ້ ນຮບພາບ ປະເພດລດົ Motorbike, 3 ຊຸດຂໍ້ມນຮບພາບປະເພດລົດ Truck, 4 ຊຸດຂໍມ້ ນຮບພາບປະເພດລດົ Jumbo, 5 ຊຸດ ຂໍມ້ ນຮບພາບປະເພດລົດ Skylab, 6 ຊດຸ ຂໍ້ມນຮບພາບປະເພດລດົ Car, 7 ຊຸດຂໍ້ມນຮບພາບປະເພດລົດ Bus ແລະ 8 ຊດຸ ຂມໍ້ ນຮບພາບປະເພດລົດ Van. ໂດຍແບງ່ ໃນອດັ ຕາສວ່ ນ Training Set 70%, Validation Set 20% ແລະ Testing Set 10% ເຊິືງ່ ມີລາຍລະອຽດໃນຮບທີ 3. 17 ດ່ງົັ ລ່ມນີ້ົ. ຮບທີ 3. 17 ກາໍ ນົດ Label ແລະ Annotate ໃຫກ້ ັບຮບພາບ 2) ນາໍ ຊດຸ ຂມ້ໍ ນອອກ (Export dataset) Export dataset ຈາກ Roboflow ເພືອ່ ນໍາໃຊ້ກັບ Algorithm YOLOv5 ໂດຍການເຂາ້ົ ທີື່ Export < ເລອກ Format ເປນັ YOLO v5 PyTorch < ເລອກ Show download code < Continue < Done. ໂດຍຈະໄດ້ Code Python ເຊງິ່ື ຈະບງັ ຫ ເຊືອ່ ງ api_key ໄວ້ ດງ່ົັ ຮບທີ 3. 18 ລມ່ ນົ້ີ. ຮບທີ 3. 18 ນາໍ ຊຸດຂໍມ້ ນອອກມານາໍ ໃຊ້ (YOLOv5) 32

Export dataset ຈາກ Roboflow ເພອື່ ນາໍ ໃຊ້ກບັ Algorithm Fast R-CNN ໂດຍການເຂ້ົາທ່ີື Export < ເລອກ Format ເປນັ COCO JSON < ເລອກ Show download code < Continue < Done. ໂດຍຈະໄດ້ Code Python curl ມາດັົງ່ ຮບທີ 3. 19 ລ່ມນີົ້. ຮບທີ 3. 19 ນາໍ ຊຸດຂ້ໍມນອອກມານໍາໃຊ້ (Fast R-CNN) 3) ກາໍ ນດົ ຄາ່ ການຮຽນຮຂ້ ອງໂມເດວ (Training model) ຫັງຈາກໄດ້ຮບແບບຂອງຊດຸ ຂມໍ້ ນແລ້ວ ຈືຶງ່ ທາໍ ການ Train model ດວ້ ຍພາສາ Python ໂດຍມີ Pytorch ເຊ່ງິື ເປນັ Scientific computing framework ໂດຍເປັນພົ້ນຖານໃຫ້ກັບ Algorithm ທເີ່ື ປນັ Deep Learning ດ້ວຍການນາໍ ນດົ ຄ່າ Training ຂອງ Algorithm YOLOv5 ດງົ່ັ ລ່ມນ:ົ້ີ ▪ Img ຂະໜາດຮບ 416x416 pixel ▪ Batch size ຢ່ທ່ືີ 16 ▪ Epochs ຢ່ທື່ີ 150 ຮອບ ຮບທີ 3. 20 ຜນົ ຂອງການ Training model (YOLOv5) ໃນຮບທີ 3. 20 ນົີໄ້ ດ້ສະແດງໃຫ້ເຫັນຜນົ ຂອງການຮຽນຮຂ້ ອງໂມເດວ ດ້ວຍການນໍາໃຊ້ Algorithm YOLOv5 ໂດຍໃຊເ້ ວລາໃນການຮຽນຮ້ຂອງໂມເດວໄປທັງໝດົ ປະມານ 48 ນາທີ ໄດ້ໄຟຣ໌ຂອງໂມເດວທ່ືມີ ຊີ ່ວື າ່ last.pt ຂະໜາດ 14.4 MB ທັງໝົດມີ 213 Layers, 7,031,701 Parameters ໂດຍໄດຄ້ ່າສະເລຍ່ ຂອງ P 0.89, ຄ່າຂອງ R 0.77 ແລະ ຄາ່ ຂອງ mAP 0.84 ເຊື່ງິ ມລີ າຍລະອຽດໃນເອກະສານຊອ້ ນທາ້ ຍ. ກໍານດົ ຄ່າ Training model ຂອງ Algorithm Fast R-CNN ໂດຍມີລາຍລະອຽດດງ່ົັ ນີ:ົ້ ▪ ກາໍ ນດົ ເອົາຄ່າຂອງ NUM_WORKERS = 4 ແລະ IMS_PER_BATCH = 4 ▪ ນາໍ ນົດ Checkpoint_url = X101-FPN ▪ ນາໍ ນດົ BASE_LR = 0.001 ▪ ນໍານົດ WARMUP_ITERS = 1000 ແລະ MAX_ITER = 1500 ▪ ນໍານດົ STEPS = (1000, 1500) ແລະ GAMMA = 0.05 ▪ ນາໍ ນົດ BATCH_SIZE_PER_IMAGE = 64 ▪ ນໍານດົ NUM_CLASSES = 9 ເນອ່ື ງຈາກ 1 Class ແມ່ນຊຂື່ ອງ ຊຸດຂໍມ້ ນ ▪ ນໍານົດ EVAL_PERIOD = 500 33

ຮບທີ 3. 21 ຜົນຂອງການ Training model (Fast R-CNN) ໃນຮບທີ 3. 21 ນໄີົ້ ດ້ສະແດງຜົນຂອງການຮຽນຮ້ຂອງໂມເດວ ດ້ວຍການນໍາໃຊ້ Algorithm Fast R-CNN ໂດຍໃຊເ້ ວລາໃນການຮຽນຮ້ຂອງໂມເດວໄປທັງໝົດປະມານ 31 ນາທີ ໄດ້ຄາ່ ຂອງ AP 64.87%, AP50 82.74%, AP75 75.36%, APs 12.59, APm 38.92% ແລະ APl 74.33% ເຊື່ງິ ມີລາຍລະອຽດໃນ ເອກະສານຊອ້ ນທາ້ ຍ. 4) ປະເມນີ ການຮຽນຮຂ້ ອງໂມເດວ (Evaluation model) ເຂົ້າສ່ຂະບວນການປະເມີນການຮຽນຮ້ຂອງໂມເດວ (Evaluation model) ດວ້ ຍຫກັ ການຂອງ Confusion matrix ໂດຍ Confusion matrix ແມ່ນເປນັ ຕາຕະລາງສໍາພນັ ໃນການວັດຄວາມສາມາດຂອງການ ຮຽນຮ້ດວ້ ຍຂອງໂມເດວ ໃນການແກ້ໄຂບັນຫາຂອງການຈາແນກຂມ້ໍ ນ ໃນຮບທີ 3. 22 ແມ່ນການ Training model ຂອງ Algorithm YOLOv5 ດັງົ່ ລມ່ ນ.ີົ້ ຮບທີ 3. 22 ປະເມນີ ໂມເດວດ້ວຍ Confusion Matrix ໃນຮບທີ 3. 22 ແມ່ນສະແດງກຣາບການປະເມີນການຮຽນຮຂ້ ອງໂມເດວ ໃນແຕ່ລະປະເພດຂໍມ້ ນ ແລະ ພາບພນ້ົ ຫງັ ຂອງຮບວດັ ຖຂຸ ອງເຮົາວາ່ ແຕລ່ ະປະເພດຂ້ໍມນມີຄວາມຄາ້ ຍຄກັນ ແລະ ມີພາບພົ້ນຫັງທີື່ບໍຊ່ ດັ ເຈນບ່ໍ ເຊງິື່ ລາຍລະອຽດເພ່ມີື ຕມ່ື ແມ່ນຈະຢໃ່ ນພາກທີ 4 ຜົນຂອງການສຶກສາ. 34

ການປະເມີນການຮຽນຮ້ຂອງໂມເດວດວ້ ຍ Algorithm ຂອງ Fast R-CNN ໂດຍໄດ້ຄ່າຄວາມ ຖກຕອ້ ງຢ່ 67.60% ໂດຍແບ່ງເປນັ ປະເພດລົດ Jumbo 81.18%, Truck 63.01%, Motorbike 56.83%, Tuktuk 68.75%, Car 60.87% ແລະ Van 70% ໂດຍສະແດງລາບລະອຽດໃນຮບທີ 3. 23 ດງ່ົັ ລມ່ ນ.້ົີ ຮບທີ 3. 23 ປະເມນີ ໂມເດວດ້ວຍ COCOEvaluator 5) ການທດົ ສອບໂມເດວ (Testing model) ການທົດສອບໂມເດວແມ່ນໄດ້ແບງ່ ເປັນ 2 ສວ່ ນຄ: 1 ການທົດສອບໂມເດວຂອງການຮຽນຮໂ້ ມເດວ ດວ້ ຍ Algorithm ຂອງ YOLOv5 ແລະ 2 ການທົດສອບໂມເດວຂອງການຮຽນຮ້ໂມເດວດວ້ ຍ Algorithm Fast R-CNN. ການທດົ ສອບໂມເດວຂອງການຮຽນຮໂ້ ມເດວດວ້ ຍ Algorithm YOLOv5 ການທດົ ສອບໂມເດວຂອງການຮຽນຮ້ໂມເດວດວ້ ຍ Algorithm YOLOv5 ແມ່ນຈະໄດ້ນໍາໃຊ້ຊດຸ ຂໍ້ມນທເ່ືີ ຮົາແບງ່ ໄວ້ກ່ອນໜາ້ ນົ້ີ 10% ເຊ່ິງື ໃນຕອນນໍາຊດຸ ຂໍ້ມນເຂົາ້ ໄປ Annotate ເຮົາໄດ້ແບງ່ ຊດຸ ຂໍ້ມນໜ່ຶືງໄວ້ທດົ ສອບໂມເດວເປນັ ຈາໍ ນວນ 153 ຮບພາບ, ໃນນົີ້ສະແດງຮບພາບທຜືີ່ ່ານການທົດສອບບາງສວ່ ນເປນັ ຈາໍ ນວນ 24 ຮບ ເຊ່ືິງແບງ່ ເປນັ ປະເພດລດົ ລະ 3 ຮບພາບ ຂອງການຮຽນຮໂ້ ມເດວດ້ວຍ Algorithm ຂອງ YOLOv5 ໂດຍມລີ າຍ ລະອຽດດ່ົງັ ດງົ່ັ ລມ່ ນ.້ົີ ▪ ຊດຸ ຂມ້ໍ ນປະເພດລດົ Van ປະກອບດ້ວຍ 3 ຮບພາບຄ: (ກ) ຮບພາບປະເພດລດົ Van ໂມເດວ ສາມາດກວດຈບັ ຄາ່ ຄວາມຖກຕ້ອງຢ່ 0.94 ຫ 94%, (ຂ) ໂມເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕ້ອງຢ່ 92% ແລະ (ຄ) ໂມເດວສາມາດກວດຈບັ ຄາ່ ຄວາມຖກຕອ້ ງໄດ້ 89% ໂດຍສະແດງໃນຮບທີ 3. 24 ດງັ່ົ ລມ່ ນ້.ີົ (ກ) (ຂ) (ຄ) ຮບທີ 3. 24 ຜົນການທົດສອບໂມເດວ YOLOv5 ຂອງປະເພດລົດ Van 35

▪ ຊດຸ ຂມໍ້ ນປະເພດລດົ Car ປະກອບດ້ວຍ 3 ຮບພາບຄ: (ກ) ຮບພາບປະເພດລົດ Car ໂມເດວ ສາມາດກວດຈບັ ຄ່າຄວາມຖກຕ້ອງຢ່ 0.96 ຫ 96%, (ຂ) ໂມເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕອ້ ງຢ່ 95% ແລະ (ຄ) ໂມເດວສາມາດກວດຈບັ ຄາ່ ຄວາມຖກຕ້ອງໄດ້ 94% ໂດຍສະແດງໃນຮບທີ 3. 25 ດົ່ງັ ລມ່ ນີ້.ົ (ກ) (ຂ) (ຄ) ຮບທີ 3. 25 ຜົນການທດົ ສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Car ▪ ຊດຸ ຂມ້ໍ ນປະເພດລດົ Jumbo ປະກອບດວ້ ຍ 3 ຮບພາບຄ: (ກ) ຮບພາບປະເພດລົດ Jumbo ໂມ ເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕອ້ ງຢ່ 0.90 ຫ 90%, (ຂ) ໂມເດວສາມາດກວດຈັບຄ່າຄວາມຖກຕ້ອງຢ່ 96% ແລະ (ຄ) ໂມເດວສາມາດກວດຈບັ ຄາ່ ຄວາມຖກຕອ້ ງໄດ້ 95% ໂດຍສະແດງໃນຮບທີ 3. 26 ດົັ່ງລມ່ ນົີ້. (ກ) (ຂ) (ຄ) ຮບທີ 3. 26 ຜົນການທດົ ສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Jumbo ▪ ຊດຸ ຂມໍ້ ນປະເພດລດົ Motorbike ປະກອບດວ້ ຍ 3 ຮບພາບຄ: (ກ) ຮບພາບປະເພດລດົ Motorbike ໂມເດວສາມາດກວດຈັບຄ່າຄວາມຖກຕ້ອງຢ່ 75% (ຂ) ໂມເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕ້ອງຢ່ 72% ແລະ (ຄ) ໂມເດວສາມາດກວດຈັບຄ່າຄວາມຖກຕອ້ ງໄດ້ 96% ໂດຍສະແດງໃນຮບທີ 3. 27 ດັົ່ງລ່ມນ້ີົ. (ກ) (ຂ) (ຄ) ຮບທີ 3. 27 ຜົນການທດົ ສອບໂມເດວ YOLOv5 ຂອງປະເພດລົດ Motorbike 36

▪ ຊດຸ ຂມ້ໍ ນປະເພດລດົ Bus ປະກອບດວ້ ຍ 3 ຮບພາບຄ: (ກ) ຮບພາບປະເພດລດົ Bus ໂມເດວ ສາມາດກວດຈບັ ຄ່າຄວາມຖກຕອ້ ງຢ່ 95%, (ຂ) ໂມເດວສາມາດກວດຈບັ ເປັນປະເພດລດົ Car ແລະ ມີຄ່າຄວາມ ຖກຕ້ອງຢ່ 91% ແລະ (ຄ) ໂມເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕ້ອງໄດ້ 92% ໃນຮບທີ 3. 28 ດ່ງົັ ລມ່ ນ້.ົີ (ກ) (ຂ) (ຄ) ຮບທີ 3. 28 ຜນົ ການທົດສອບໂມເດວ YOLOv5 ຂອງປະເພດລົດ Bus ▪ ຊດຸ ຂມ້ໍ ນປະເພດລດົ Truck ປະກອບດວ້ ຍ 3 ຮບພາບຄ: (ກ) ຮບພາບປະເພດລດົ Truck ໂມ ເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕອ້ ງຢ່ 0.91 ຫ 91%, (ຂ) ໂມເດວສາມາດກວດຈບັ ຄາ່ ຄວາມຖກຕອ້ ງຢ່ 93% ແລະ (ຄ) ໂມເດວສາມາດກວດຈບັ ຄາ່ ຄວາມຖກຕອ້ ງໄດ້ 93% ໂດຍສະແດງໃນຮບທີ 3. 29 ດັົ່ງລມ່ ນົີ.້ (ກ) (ຂ) (ຄ) ຮບທີ 3. 29 ຜນົ ການທດົ ສອບໂມເດວ YOLOv5 ຂອງປະເພດລດົ Truck ▪ ຊດຸ ຂມໍ້ ນປະເພດລດົ Skylab ປະກອບດ້ວຍ 3 ຮບພາບຄ: (ກ) ຮບພາບປະເພດລດົ Skylab ໂມ ເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕ້ອງຢ່ 0.83 ຫ 83%, (ຂ) ໂມເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕ້ອງຢ່ 94% ແລະ (ຄ) ໂມເດວສາມາດກວດຈັບຄ່າຄວາມຖກຕອ້ ງໄດ້ 80% ໂດຍສະແດງໃນຮບທີ 3. 30 ດັົ່ງລມ່ ນ.້ີົ (ກ) (ຂ) (ຄ) ຮບທີ 3. 30 ຜນົ ການທົດສອບໂມເດວ YOLOv5 ຂອງປະເພດລົດ Skylab 37

▪ ຊດຸ ຂມ້ໍ ນປະເພດລດົ Tuktuk ປະກອບດວ້ ຍ 3 ຮບພາບຄ: (ກ) ຮບພາບປະເພດລດົ Tuktuk ໂມເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕ້ອງຢ່ 0.96 ຫ 96%, (ຂ) ໂມເດວສາມາດກວດຈບັ ຄາ່ ຄວາມຖກຕ້ອງຢ່ 93% ແລະ (ຄ) ໂມເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕ້ອງໄດ້ 96% ໂດຍສະແດງໃນຮບທີ 3. 31 ດງົັ່ ລມ່ ນົີ້. (ກ) (ຂ) (ຄ) ຮບທີ 3. 31 ຜນົ ການທດົ ສອບໂມເດວ YOLOv5 ຂອງປະເພດລົດ Tuktuk ການທດົ ສອບໂມເດວຂອງການຮຽນຮໂ້ ມເດວດວ້ ຍ Algorithm Fast R-CNN ການທົດສອບໂມເດວຂອງການຮຽນຮ້ໂມເດວດ້ວຍ Algorithm Fast R-CNN ແມ່ນຈະໄດ້ນາໃຊ້ ຊດຸ ຂ້ໍມນທເື່ີ ຮົາແບງ່ ໄວ້ກອ່ ນໜາ້ ນີົ້ 10% ເຊືິງ່ ໃນຕອນນໍາຊຸດຂ້ມໍ ນເຂາົ້ ໄປ Annotate ເຮົາໄດແ້ ບ່ງຊດຸ ຂໍມ້ ນໜຶງ່ື ໄວ້ ທົດສອບໂມເດວເປນັ ຈໍານວນ 153 ຮບພາບ, ໃນນສົີ້ ະແດງຮບພາບທີ່ຜື າ່ ນການທົດສອບບາງສ່ວນເປັນຈາໍ ນວນ 16 ຮບພາບ ເຊງື່ິ ແບ່ງເປນັ ປະເພດລົດລະ 2 ຮບພາບ ຂອງການຮຽນຮໂ້ ມເດວດ້ວຍ Algorithm Fast R-CNN ໂດຍມີ ລາຍລະອຽດດງົ່ັ ລ່ມນ.ີົ້ ▪ ຊດຸ ຂມໍ້ ນປະເພດລດົ Van ປະກອບດວ້ ຍ 2 ຮບພາບຄ: (ກ) ຮບພາບປະເພດລດົ Van ໂມເດວ ສາມາດກວດຈັບຄາ່ ຄວາມຖກຕ້ອງຢ່ 0.94 ຫ 94%, (ຂ) ໂມເດວສາມາດກວດຈັບຄາ່ ຄວາມຖກຕອ້ ງຢ່ 93% ໂດຍ ສະແດງໃນຮບທີ 3. 32 ດົ່ັງລມ່ ນ.້ົີ (ກ) (ຂ) ຮບທີ 3. 32 ຜົນການທດົ ສອບໂມເດວ Fast R-CNN ຂອງປະເພດລົດ Van ▪ ຊດຸ ຂມໍ້ ນປະເພດລດົ Car ປະກອບດ້ວຍ 2 ຮບພາບຄ: (ກ) ຮບພາບປະເພດລົດ Car ໂມເດວ ສາມາດກວດຈັບຄາ່ ຄວາມຖກຕ້ອງຢ່ 0.82 ຫ 82%, (ຂ) ໂມເດວສາມາດກວດຈບັ ຄາ່ ຄວາມຖກຕ້ອງຢ່ 96% ໂດຍ ສະແດງໃນຮບທີ 3. 33 ດງ່ົັ ລ່ມນົີ້. 38