ระบบสำหรับอ่านแผ่นวัดระดับน้ำอัตโนมัติ

The automatic reading the water level gauge system

Name: พรรษชนม์ กุตัน

keyword: การจำแนกข้อมูลภาพ

ThaSH: ระดับน้ำ -- การวัด

; การตรวจจับภาพ

ThaSH: การประมวลผลภาพ

; แผ่นวัดระดับน้ำอัตโนมัติ

ThaSH: ปัญญาประดิษฐ์ -- การประมวลผลข้อมูล

; เครือข่ายประสาทเทียมคอนโวลูชัน

; กระบวนการ CNN.

; Convolutional neural networks.

Abstract: หน่วยงานด้านการบริหารจัดการทรัพยากรน้ำ มีการบันทึกระดับน้ำเป็นประจำทุกวัน โดยใช้โทรมาตรหรือแผ่นวัดระดับน้ำ หากใช้โทรมาตรก็สามารถวัดค่าได้อัตโนมัติ แต่มีราคาแพง ส่วนแผ่นวัดระดับน้ำมีราคาถูกกว่า แต่ไม่สามารถบันทึกข้อมูลได้แบบอัตโนมัติ ปัจจุบัน มีหลายหน่วยงานถ่ายทอดสดแผ่นวัดระดับน้ำจากกล้องวงจรปิดเพื่อเผยแพร่ให้ประชาชน ได้รับชมผ่านเว็บไชต์ สารนิพนธ์นี้จึงนำเสนอวิธีการประยุกต์ใช้กระบวนการ Convolutional Neural Network ในการตรวจจับระดับน้ำจากแผ่นวัดระดับน้ำที่ถ่ายทอดสดผ่านกล้องวงจรปิด โดยบันทึกรูปภาพแผ่น วัดระดับน้ำจากเว็บไชต์ที่เผยแพร่ทุกๆ 60 นาที จากนั้นนำมาเข้าสู่กระบวนการ Train เพื่อให้ได้ model ใช้ตรวจจับตัวเลข, ตัวอักษร E ทั้งหมดในแผ่นวัดระดับน้ำและตรวจจับเสาวัดระดับน้ำ หากมีหลายเสาจะเลือกเสาที่มีขนาดที่มีขนาดเล็กที่สุด แล้วอ่านค่าระดับน้ำ ผลการทดลองพบว่า วิธีการที่นำเสนอนี้มีความแม่นยำเฉลี่ยร้อยละ 83.52 ซึ่งสูงกว่าวิธีการ Optical character recognition ที่ไม่สามารถตรวจจับตัวเลข,เสาติดแผ่นวัดระดับน้ำและตัวอักษร E ได้เลย และวิธีการ Convolutional Neural Network กับ Hue, Saturation และ Value ที่สามารถ ตรวจจับเฉลี่ยได้เพียงร้อยละ 27.45 นอกจากนี้ วิธีการนี้ยังสามารถตรวจจับแผ่นวัดระดับน้ำได้สูงสุด 3 แผ่นหรือมากกว่า ในขณะที่วิธีการ OCR และ CNN+HSV สามารถตรวจจับแผ่นวัดระดับน้ำ ได้เพียง 1 เสาเท่านั้น

Abstract: Water agencies often record water levels daily using a telemeter or staff gauge. Telemeters can automatically measure water levels, but they are expensive. Staff gauges are less expensive, but they cannot automatically record data. Many agencies now stream staff-gauge images from closed-circuit television to the public. This thesis presents a method for applying the Convolutional Neural Network technique to detect water levels from staff gauge images streamed from closed-circuit television. Images of staff gauges from the streaming websites are recorded every 60 minutes. Then, those images are used to train a model to detect all numbers, the E symbols in the staff gauge and to detect the staff gauge pole. If there are multiple poles, the proposed method selects and reads the value of the water level on the smallest pole size. The experimental results showed that the proposed method had an average accuracy of 83.52%, which was significantly higher than the Optical Character Recognition method. The Optical Character Recognition method cannot detect any numbers, staff gauges, or the E symbols. The Convolutional Neural Network with Hue, Saturation and Value method is able to detect the numbers close to the water level with an average of only 27.45%. Furthermore, this proposed method is able to detect up to 3 or more water level gauges, while the OCR and CNN+HSV methods could detect only a single gauge.

มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ. สำนักหอสมุดกลาง

Address: กรุงเทพมหานคร

Email: library@kmutnb.ac.th

Name: คันธารัตน์ อเนกบุณย์

Role: ที่ปรึกษาสารนิพนธ์

Email : khantharat.a@sci.kmutnb.ac.th

Created: 2566

Modified: 2567-06-24

Issued: 2567-06-24

วิทยานิพนธ์/Thesis

application/pdf

tha

DegreeName: วิทยาศาสตร์มหาบัณฑิต

Level: ปริญญาโท

Descipline: วิทยาการคอมพิวเตอร์

Grantor: มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

©copyrights มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าพระนครเหนือ

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17644008.pdf	2.15 MB	1	2024-08-03 12:25:59

ใช้เวลา

0.022119 วินาที