https://colab.research.google.com/drive/1kQ1Xi3XFeiPex2DwPg2lc8Rr9W4ArKkm?usp=sharing
https://drive.google.com/drive/folders/1hmc1Io_lg4_Q3fMqsmSPD9XpsBZ93FmJ?usp=sharing
https://github.com/TAUTOLOGY-EDUCATION/DATASET
เป็นโปรเจค Image classification สำหรับพืชศ์วงกะเพรา 3 ชนิดคือ กะเพรา โหระพา เเละเเมงลัก เหตุผล 1.เป็นพืชที่ใช้ประกอบในอาหารไทยหลากหลายชนิด 2.พืชทั้งสามชนิดนี้มีลักษณะบางอย่างที่ทำให้เราเกิดความสับสน
โดยวิธีการเเก้ปัญหาในปัจจุบัน คือ ในปัจจุบันได้ใช้วิธีจำเเนกพืชสามชนิดนี้ด้วยการสังเกต ลักษณะใบ รูปร่างความมันวาวของผิวใบ เเละสี เพิ่มเติมจากการสอบถามบุคคลที่ได้ทำเเบบสอบถาม ได้มาว่า ที่สำคัญที่สุดคือกลิ่น
โดยได้เลือก architecture สำหรับการเทรนคือ goolgenet resnet152 vgg19 โดยมีข้อมูลทั้งหมด 4 ชุด คือ testset ที่เเบ่งไว้ก่อนสร้าง trainset เพื่อป้องกันไม่ให้รูปจาก trainset ไปอยู่ใน testset validationset คือรูปที่ถูกเเบ่งออกมาจาก trainset 20% เพื่อนตรวจสอบความเเม่นยำขณะเทรน เเละสุดท้าย validation mini คือชุดข้อมูลที่สุ่มเลือกจาก Trainset เพื่อใช้ในเเบบฟอร์ม เพื่อใช้ในการเปรียบเทียบความสามารถในการจำเเนกของโมเดล
โดยโมเดลที่ทำได้ดีที่สุดคือ googlenet เเละนำไปทดสอบต่อใน validation mini เพื่อนำความเเม่นยำของโมเดลไปเรียบเทียบกับความเเม่นยำในการจำเเนกของบุคคลตัวอย่าง
โดยได้เปรียบเทียบกับกลุ่มคนด้วยการให้จำเเนกชุดข้อมูลเดียวกันได้ผลว่า โมเดลมีความเเม่นยำมากกว่ามนุษย์ 34.5% โดยเปรียบเทียบกับค่าเฉลียของข้อที่ตอบถูก ระหว่างกลุ่มคนตัวอย่างเเละ โมเดลโดย กลุ่มคนตัวอย่างที่ได้สุ่มเลือกมีค่าเฉลียบในการตอบถูก 52.16% เเละโมเดลทำได้ถึง 86.66% ทำให้สรุปได้ว่าโมเดลมีความสามารถในการจำเเนกมากกว่ากลุ่มคนกลุ่มนี้
ข้อจำกัดของโมเดล 1.เก่งกับใบมากกว่าต้น 2.ความเเม่นยำต่ำเมื่อนำไปใช้กับภาพที่มีสภาพเเวดล้อมเป็นพื้นหลัง 3.ข้อมูลที่ใช้เทรนได้มาจากผักตามตลาดทำให้โมเดลไม่เก่งกับภาพพืชที่ได้รับความเสียหายจากสภาพเเวดล้อม 4.ต้องโฟกัสภาพเพื่อให้เห็นรายละเอียดของใบชัดเจนก่อน เพื่อให้โมเดลมีประสิทธิภาพสูงสุด