<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0" xmlns:cc="http://cyber.law.harvard.edu/rss/creativeCommonsRssModule.html">
    <channel>
        <title><![CDATA[Stories by Tanaanan .M on Medium]]></title>
        <description><![CDATA[Stories by Tanaanan .M on Medium]]></description>
        <link>https://medium.com/@mjsalyjoh?source=rss-8e6b31740bbc------2</link>
        <image>
            <url>https://cdn-images-1.medium.com/fit/c/150/150/1*jds-z8S6PAEan0RH1Se4Pg.gif</url>
            <title>Stories by Tanaanan .M on Medium</title>
            <link>https://medium.com/@mjsalyjoh?source=rss-8e6b31740bbc------2</link>
        </image>
        <generator>Medium</generator>
        <lastBuildDate>Sun, 22 Nov 2026 03:31:15 GMT</lastBuildDate>
        <atom:link href="https://medium.com/@mjsalyjoh/feed" rel="self" type="application/rss+xml"/>
        <webMaster><![CDATA[yourfriends@medium.com]]></webMaster>
        <atom:link href="http://medium.superfeedr.com/" rel="hub"/>
        <item>
            <title><![CDATA[วิเคราะห์ และ รักษาโรคจากต้นทุเรียนง่ายๆ ด้วย “ดูเรียน-นิ” (DurAIn-ni)]]></title>
            <link>https://medium.com/@mjsalyjoh/%E0%B8%A7%E0%B8%B4%E0%B9%80%E0%B8%84%E0%B8%A3%E0%B8%B2%E0%B8%B0%E0%B8%AB%E0%B9%8C-%E0%B9%81%E0%B8%A5%E0%B8%B0-%E0%B8%A3%E0%B8%B1%E0%B8%81%E0%B8%A9%E0%B8%B2%E0%B9%82%E0%B8%A3%E0%B8%84%E0%B8%88%E0%B8%B2%E0%B8%81%E0%B8%95%E0%B9%89%E0%B8%99%E0%B8%97%E0%B8%B8%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B8%99%E0%B8%87%E0%B9%88%E0%B8%B2%E0%B8%A2%E0%B9%86-%E0%B8%94%E0%B9%89%E0%B8%A7%E0%B8%A2-%E0%B8%94%E0%B8%B9%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B8%99-%E0%B8%99%E0%B8%B4-durain-ni-6eb3a3f55b6c?source=rss-8e6b31740bbc------2</link>
            <guid isPermaLink="false">https://medium.com/p/6eb3a3f55b6c</guid>
            <dc:creator><![CDATA[Tanaanan .M]]></dc:creator>
            <pubDate>Sun, 04 Sep 2022 03:26:20 GMT</pubDate>
            <atom:updated>2023-01-31T18:28:23.706Z</atom:updated>
            <content:encoded><![CDATA[<h3>วิเคราะห์ และ รักษาโรคจากต้นทุเรียนง่ายๆ ด้วย ดูเรียน-นิ (DurAIn-ni)</h3><h3>ดูเรียน-นิ (DurAIn-ni) คืออะไร ?</h3><ul><li>คือระบบที่ใช้วิเคราะห์ และ แนะนำวิธีการรักษาโรคที่เกิดจากต้นทุเรียนผ่านใบ จากรูปภาพ โดยใช้ AI (Object detection) อัตโนมัติ โดยไม่จำเป็นต้องพึ่งผู้เชี่ยวชาญในการวิเคราะห์</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/750/0*l02gL2kP7KBUQUwK.jpg" /><figcaption>image credit : <a href="https://www.google.com/search?q=%E0%B8%95%E0%B9%89%E0%B8%99%E0%B8%97%E0%B8%B8%E0%B9%80%E0%B8%A3%E0%B8%B5%E0%B8%A2%E0%B8%99+%E0%B8%AA%E0%B8%A7%E0%B8%A2%E0%B9%86&amp;sxsrf=ALiCzsbv0CjoRneAGftkHhsBAdGqRGkd_w:1662476399720&amp;source=lnms&amp;tbm=isch&amp;sa=X&amp;ved=2ahUKEwiMzIKat4D6AhXeSGwGHeEIByYQ_AUoAXoECAEQAw&amp;biw=1920&amp;bih=937&amp;dpr=1#imgrc=BWpXZfzZDLujbM&amp;imgdii=e1hzqEVGOYF1NM">ต้นทุเรียน สวยๆ — Google Search</a></figcaption></figure><h3>ปัญหา และ ที่มา ?</h3><ul><li>เรื่องเริ่มมาจากช่วงนี้ผมรู้สึกเบื่อๆ อยากลองทำอะไรแปลกใหม่ดูเลยถามเพื่อนว่ามีปัญหาอะไรบ้างไหม พบว่ามีเพื่อนผมคนหนึ่งเป็นเจ้าของสวนทุเรียน แล้วประสบปัญหาเรื่องต้นทุเรียนในช่วงอายุ 3–5 ปี (ต้นอ่อน) ตายโดยไม่ทราบสาเหตุในตอนแรก แล้วพึ่งทราบภายหลังจากที่มีผู้เชี่ยวชาญมาวิเคราะห์โรคว่าต้นทุเรียนติดเชื้อ โดยสวนทุเรียนที่ปลูกนั้นจ้างชาวบ้านที่เป็นชาวพม่ามาปลูก และดูแลต้นทุเรียน ปัญหาที่พบคือ พอเกิดโรคขึ้นมาก็ไม่รู้ว่าเป็นโรคอะไร, หาข้อมูลจากไหน และ รักษาอย่างไร จึงปล่อยปละละเลยไป หรือไม่ก็รักษามั่ว ๆใส่ปุ๋ยรวม ๆ กัน ซึ่งบางครั้งต้นทึเรียนก็หายจากโรคบ้าง หรือบางต้นก็ตายไปในที่สุด ทำให้เสียทั้งในเรื่องของเงิน และ ระยะเวลาที่ใช้ในการปลูกครับ</li></ul><h3>ทำไมถึงต้องแก้ปัญหานี้ ?</h3><ul><li>ต้นทุเรียนเป็นพืชเศรษฐิกิจของไทยที่มีราคาค่อนข้างสูง จึงเหมาะกับการที่จะแก้ปัญหา</li><li>จากปัญหาที่พบ เราจึงไปสอบถาม ชาวบ้านจากสวนทุเรียนอื่นๆ และ จากในงานเกษตรที่ขายต้นทุเรียน ซึ่งพบว่า ชาวบ้านก็ประสบปัญหาเดียวกันเช่นกัน</li><li>ถ้าเราคิดคล่าวๆ ค่าความเสียหายที่เกิดหลังจากต้นทุเรียนที่ตายไปแล้ว (3–5 ปี) เฉลี่ยอยู่ที่ประมาณ 1,500 – 3,000 (จากการสอบถามจากชาวบ้าน) ซึ่งแสดงว่าถ้าต้นทุเรียนตาย 1 ต้นเราจะเสียเงินฟรี ขั้นตํ่า 1,500 หรือ อาจสูงถึง 3,000 บาท</li><li>จากที่สอบถามว่าทำไมชาวบ้านถึง “ไม่ค้นหาข้อมูลเกี่ยวกับโรคที่เกิด หรือ ปรึกษาผู้เชี่ยวชาญดูล่ะ” พบว่าชาวบ้านไม่ทราบวิธีในการค้นหาข้อมูลบน internet และ ไม่มีทุนมากพอที่จะจ้างผู้เชี่ยวชาญมาให้คำปรึกษา และ ดูอาการ เนื่องจากปลูกกันเองแบบบ้านๆเป็นปกติ</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*MSIM5ZVAviPM3mS2S7N6_A.png" /><figcaption>ภาพแสดงสถิติการส่งออกทุเรียน ปี 2560– 2565</figcaption></figure><blockquote>** ต้นทุเรียนเป็นพืชเศรษฐิกิจของไทยที่มีราคาค่อนข้างสูง จึงเหมาะกับการที่จะแก้ปัญหา โดยทุเรียนนั้นส่งออกได้ เพิ่มขึ้นถึง 66.39 % เมื่อเทียบจากปีก่อนหน้า</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*CRdTfJ38rhutiG_RwkVoZw.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*dM5WhqLDHa8b-6pCgOKJMg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*vMylvOOCl9VkoI9dYTtTPQ.png" /><figcaption>สอบถามปัญหาที่ ชาวบ้าน / เกษตรกร พบเจอเกี่ยวกับโรคที่เกิดจากตุ้นทุเรียน</figcaption></figure><blockquote>** จากปัญหาที่ ชาวบ้าน / เกษตรกร ได้พบเจอทางเราจึงได้เสนอระบบ ดูเรียน-นิ (DurAIn-ni) พบว่าได้รับความสนใจเป็นอย่างมาก</blockquote><h3>แล้วจะแก้ปัญหายังไงอ่ะ ?</h3><ul><li>จากที่สอบถามชาวบ้านเลยได้ ไอเดีย ว่าจะทำระบบที่ให้ชาวบ้านถ่ายภาพโรคที่เกิดจากต้นทุเรียน แล้ว ระบบจะบอกว่ามีโอกาสเป็นโรคอะไรบ้างพร้อมกับบอกวิธีการรักษา และ เนื่องจาก user (ชาวบ้าน / เกษตรกร) ไม่ได้มีความถนัดในการใช้งานเทคโนโลยีมากเหมือนบุคคลทั่วไป เลยคิดว่าจะให้ใช้งานในระบบของ Line chatbot เป็นหลัก เนื่องจากใช้งานง่าย และ ไม่จำเป็นต้องโหลดแอพพลิเคชั่นอื่นๆเพิ่มเติม และ บน website ในกรณีที่ไม่มีอินเตอร์เน็ต</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*d9Lih4sai1g7LWrXAv_pZQ.png" /><figcaption>ขั้นตอนการทำงานของ Line Chatbot (DurAIn-ni)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TDtzKOwg3uUVwa9OBDbopg.png" /><figcaption>ขั้นตอนการทำงานของ Web application (DurAIn-ni)</figcaption></figure><p>โดยเราจะใช้ AI มาช่วยในการตรวจจับโรคจากต้นทุเรียน นั่นก็คือ… <a href="https://sennalabs.com/th/blogs/Objective-Detection">”Object Detection”</a> นั่นเองง (โคตรคูลล)</p><h3>แล้วทำไมต้องใช้กับระบบ Line ล่ะ</h3><ul><li>จากที่ผู้พัฒนาได้สอบถามถึงปัญหา และ เสนอแนวทางการแก้ไขปัญหาให้ กลุ่มเป้าหมาย (เกษตรกร / ชาวสวน) และ ผู้เชี่ยวชาญ ได้ดูพบว่าได้คำตอบมาดังนี้</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ztV5SWt8zxOyv42C2LpiKQ.png" /><figcaption>ตารางแสดงข้อมูลปัญหาที่ได้จากเกษตรกร และ ผู้เชี่ยวชาญ</figcaption></figure><ul><li>จากปัญหาข้างต้นที่พบผู้พัฒนามีความคิดที่ว่าจะต้องเป็นตัวกลางให้ระหว่างทั้งสองฝ่าย คือ ทางกลุ่มเป้าหมาย (เกษตรกร, ชาวสวน) และ ทางกลุ่มผู้เชี่ยวชาญ (อาจารย์) เพื่อที่จะให้โครงงานดำเนินการได้อย่างลุล่วง</li></ul><blockquote>ผู้พัฒนาจึงมีความคิดที่ว่าจะพัฒนาระบบให้ใช้งานใน Line Chatbot ที่ใช้งานง่าย และ มีความสะดวกสบาย เป็นหลักตามความต้องการของกลุ่มเป้าหมาย (เกษตรกร , ชาวบ้าน) และ นำความรู้จากผู้เชี่ยวชาญมาใส่ในระบบ</blockquote><h3>ปรึกษา และ สอบถามผู้เชี่ยวชาญเรื่องโรคพืช</h3><p>-&gt; เพื่อความชัวร์ว่ารูปภาพสามารถใช้ในการวิเคราะห์โรคได้จริงๆเราจึงไปปรึกษา และ สอบถาม อาจารย์จากคณะทรัพยากรธรรมชาติ มหาวิทยาลัยสงขลานครินทร์ ซึ่งได้คำตอบว่า <strong>“โครงงานมีความน่าสนใจ และสามารถทำได้ เพราะ แต่ละโรคมีจุดเด่นที่ต่างกัน”</strong> แต่ก็ยังต้องระวังบางโรคที่มีลักษณะคล้ายกันมากๆ เช่น <strong>“โรคใบจุด” กับ “โรคใบจุดสนิม” </strong>เป็นต้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*--EBAKi9RbSGHjcEIWt_2A.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mJPjrbUNPIjlca2tu4wxZg.jpeg" /><figcaption>ทำการสอบถาม และ ขอคำแนะนำจากอาจารย์ คณะทรัพยากรธรรมชาติ มหาวิทยาลัยสงขลานครินทร์</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/375/1*D8sdvjjyLHhJC1BGtXsrIg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/718/1*eq47l9ZIx_KlGA0UhmwZXw.jpeg" /><figcaption>ภาพเปรียบเทียบ “โรคใบจุดสนิม” (ซ้าย) กับ “โรคใบจุด” (ขวา) จะเห็นว่าลักษณะใกล้เคียงกันมาก แต่วิธีรักษาแตกต่างกัน</figcaption></figure><p><strong>→ ในตอนนี้เราจะเลือกเฉพาะโรคที่เกิดขึ้นบ่อยๆในต้นทุเรียนก่อน (จะมีเพิ่มในอนาคต) ได้แก่</strong></p><ol><li>โรคใบจุด</li><li>โรคราแป้ง</li><li>โรคใบไหม้</li><li>โรคขาดธาตุ แมกนีเซียม (พัฒนาต่อในอนาคตเนื่องจากปัญหาเรื่อง Dataset)</li><li>โรคขาดธาตุ ไนโตรเจน</li></ol><p>→ อ่านข้อมูลเพิ่มเติม : <a href="https://kasetgo.com/t/topic/401483">โรคที่เกิดขึ้นในต้นทุเรียน</a></p><h3>แล้วทำยังไงล่ะ…</h3><h4>1. การเก็บข้อมูล Dataset</h4><ul><li>เนื่องจากข้อมูลโรคบนต้นทุเรียนนั้นค่อนข้างหายาก และ โรคบางโรคแทบไม่มีข้อมูลเลย จึงหาจากการทำ Image Scraping ภาพจากบน Internet แทน โดยใช้ BeautifulSoup 4 + Python แล้วก็ Clean data ด้วยมือเองอีกรอบนั่นเอง</li></ul><blockquote>** Code ในส่วนการทำ Image Scraping สามารถดูจากบทความก่อนหน้านี้ได้เลย</blockquote><blockquote>(เหมือนเป๊ !) จาก <a href="https://medium.com/@mjsalyjoh/atk-ocr-classification-aoc-%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%9A%E0%B8%84%E0%B8%B1%E0%B8%94%E0%B8%81%E0%B8%A3%E0%B8%AD%E0%B8%87%E0%B8%9C%E0%B8%A5%E0%B8%95%E0%B8%A3%E0%B8%A7%E0%B8%88-atk-%E0%B9%81%E0%B8%A5%E0%B8%B0-%E0%B8%9A%E0%B8%B1%E0%B8%95%E0%B8%A3%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%8A%E0%B8%B2%E0%B8%8A%E0%B8%99-fa32a8d47599#ab39">ตรงนี้…</a></blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*yYFa9nZjJWilehyWhbnL5w.png" /><figcaption>ตัวอย่างภาพที่ได้จากการ Scraping และ ทำการ Labels ผ่าน Roboflow (1250 ภาพ)</figcaption></figure><p>** จากภาพเราจะเน้น Bouding box ตรงส่วนที่เป็นจุดเด่น (Feature) ในโรคนั้น ๆ เนื่องจากข้อจำกัดของ Dataset **</p><h4>2. เทรน Object detection โมเดล (Faster-RCNN, Efficientdet, YoloV5)</h4><ul><li>โดยผมแบ่งทำเป็น 2 model แต่ใช้ Dataset เดียวกัน นั่นก็คือ</li></ul><ol><li>Faster-RCNN / Efficientdetโดยใช้ Icevision : ใช้ประมวลผลบน website (Web application) เนื่องจาก model มีขนาดใหญ่กว่า ใช้เวลานานกว่า แต่ได้ความแม่นยำที่มากกว่า (Web application version 1 / Version 2)</li></ol><p>2. YoloV5s / Yolov5m : ใช้ประมวลผลบน Line chatbot เนื่องจากมีความ Lightweight และ ใช้ระยะเวลาในการประมวลผลที่เร็วกว่า แต่แลกมากับความแม่นยำที่น้อยกว่า (Line chatbot version 1 / 2)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*GgIyekGDJotsTxll.jpg" /><figcaption>ภาพเปรียบเทียบ model Fast R-CNN กับ YOLO</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*ewrvV77DxKAIYSFi.png" /><figcaption>กราฟเปรียบเทียบ runtime และ accuracy (COCO AP) ระหว่าง model Efficientdet กับ YOLOV5</figcaption></figure><p>→ อ่านข้อมูลเพิ่มเติม : <a href="https://slideplayer.com/slide/12507663/">Comparison on Fast R-CNN and YOLO model.</a></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*TtxUnbRqRzM_OgfugvfUqg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/534/1*7HweZLHPTjM0suxpuySUHg.png" /><figcaption>ภาพ bouding box ที่ได้จากการเทรนโมเดล Faster-RCNN (ภาพซ้าย) กับ YOLOV5m (ภาพขวา) [โรคราแป้ง]</figcaption></figure><blockquote>** เพื่อให้เห็นภาพรวมผมขออธิบายแค่หลักการนะครับ ส่วนในเรื่องของการเทรนโมเดล Icevision แบบละเอียดสามารถอ่านได้จาก <a href="https://medium.com/@mjsalyjoh/atk-ocr-classification-aoc-%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%9A%E0%B8%84%E0%B8%B1%E0%B8%94%E0%B8%81%E0%B8%A3%E0%B8%AD%E0%B8%87%E0%B8%9C%E0%B8%A5%E0%B8%95%E0%B8%A3%E0%B8%A7%E0%B8%88-atk-%E0%B9%81%E0%B8%A5%E0%B8%B0-%E0%B8%9A%E0%B8%B1%E0%B8%95%E0%B8%A3%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%8A%E0%B8%B2%E0%B8%8A%E0%B8%99-fa32a8d47599">“ บทความ AOC ”</a> ก่อนหน้าของผม กับ YOLOV5 สามารถอ่านได้จาก <a href="https://medium.com/@intouchkunakorntum/image-detection-%E0%B9%82%E0%B8%94%E0%B8%A2%E0%B9%83%E0%B8%8A%E0%B9%89-yolov5-%E0%B8%88%E0%B8%B2%E0%B8%81%E0%B8%95%E0%B9%89%E0%B8%99%E0%B8%88%E0%B8%99%E0%B8%88%E0%B8%9A-%E0%B8%95%E0%B8%AD%E0%B8%99-4-model-training-dfc10d6b4e7b">“ บทความ ”</a> นี้เลย (เขียนดีม๊ากก… UwU)</blockquote><h4><strong>3. วัดประสิทธิภาพของ model ด้วย Test set</strong></h4><ul><li>จากปัญหาการที่ผู้พัฒนาได้ทำการ Bounding Boxในส่วนที่เป็นจุดเด่นเป็นจุด ๆ แยกกันไปจึงทำให้เราไม่สามารถวัดผลความแม่นยำของโมเดลด้วย Metrics ได้</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*WrWmfnd5zzr9rfNL1SAgvg.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pTKkDB5b3Cp6QQkxBA-rBA.png" /><figcaption>ภาพซ้าย : ภาพแสดงผลการเทรนโมเดลจำนวน 500 epoch (YOLOV5) จาก Metrics | ภาพขวา : ภาพแสดงการ Bouding Box ใบที่เกิดโรค</figcaption></figure><blockquote>จากภาพเราจะเห็นได้ว่าได้เทรน model ไปเป็นจำนวน 500 epoch แต่ค่า mAP คงที่อยู่ที่เพียง 31.7 % เนื่องจาก Model อาจจะไม่ได้ Bouding Box ตรงกับ Baseline ที่เราใส่ไว้เสมอไปจะเกิดจุดไหนก็ได้ จึงจำเป็นต้องใช้การวัดผลด้วย Test set แทน</blockquote><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*lEkd8lWJ-boI5in9wNMrzA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*BZPWQnyUe_z7Y4km0gme8g.png" /><figcaption>ภาพซ้าย : กราฟแสดงค่าความแม่นยำที่ได้จาก Test set (Efficientdet model) || ภาพขวา : กราฟแสดงค่าความแม่นยำที่ได้จาก Test set (YOLOV5 model).</figcaption></figure><blockquote><strong>Keywords จากกราฟ…</strong></blockquote><blockquote>Powder leaf / Powdery Mildew = โรคราแป้ง</blockquote><blockquote>Blight leaf = โรคใบจุด</blockquote><blockquote>N_loss = อาการขาดธาตุไนโตรเจน</blockquote><blockquote>Spot leaf = โรคใบจุด</blockquote><p>จากกราฟผู้พัฒนาได้ทดลองวัดประสิทธิภาพโมเดลกับข้อมูล Testset (โรคละ 50 ภาพ) โดยสามารถสรุปได้ว่า</p><ol><li>ในโมเดลใน Web application (Efficientdet) จะมีความแม่นยำรวมที่มากกว่า แต่ขนาดของโมเดลก็จะมีขนาดใหญ่กว่า และประมวลผลนานกว่า</li><li>ในโมเดลใน Line chatbot (YOLOV5) อาจจะมีความแม่นยำที่น้อยกว่า แลกมากับขนาดของโมเดลที่เล็กกว่า และใช้ระยะเวลาในการประมวลผลที่มากกว่า</li></ol><p><strong>** จุดเด่นของระบบมีข้อดี และ ข้อเสียที่แตกต่างกันตามความต้องการของผู้ใช้งาน</strong></p><h4>4. ทำให้ model สามารถใช้งานได้จริง (Deployment)</h4><p>หลังจากที่เราได้ model ที่สามารถ detect โรคจากใบทุเรียนได้แล้วขั้นตอนต่อไปก็คือการทำให้ model สามารถใช้ได้สะดวกมากขึ้น โดยเราแบ่งเป็น 2 ส่วน</p><ol><li>Streamlit deploy (Fast-RCNN / Efficientdet) : Web application</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Fwycb-LT9KcGVLhFNcaNog.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*-U3eg0DvGbJhQuI4hFvZkA.png" /><figcaption>ตัวอย่างการใช้งาน “DurAIn-ni” ผ่านระบบ Web application (Streamlit)</figcaption></figure><p>ข้อดีของระบบ Web application</p><ul><li>สำหรับกรณีที่ไม่มี internet ในสวนทุเรียน (ถ่ายภาพเก็บไว้ก่อนแล้วใช้งานระบบ web application ที่สำนักงานตนเอง)</li><li>กรณีที่ต้องการผลความแม่นยำที่มากกว่า (model มีขนาดใหญ่กว่า กับ ใช้เวลาประมวลผลนานกว่า)</li><li>ใส่รูปภาพวิเคราะห์ผลหลายๆรูป (สามารถแนบไฟล์ใส่ได้ทีหลายๆอัน)</li></ul><p>2. Line chatbot (YOLOV5m) : Line Chatbot</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/1*hvQVxEGRM3PkILneSdX_SQ.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/1*X3j4YUBs_-KuEiDtyUzvMA.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/720/1*n7VVaSLv2aBLL2120_8hgg.jpeg" /><figcaption>ตัวอย่างการใช้งาน “DurAIn-ni” ผ่านระบบ Line chatbot</figcaption></figure><p>ข้อดีของระบบ Line Chatbot</p><ul><li>ใช้งานได้รวดเร็ว และ สะดวกกว่า (model มีขนาดเล็ก และ ประมวลผลเร็ว)</li><li>ถ่ายภาพ และ ทำการวิเคราะห์ผลได้ทันทีในระบบ</li><li>เลือกวิธีการรักษาเฉพาะโรคได้</li></ul><h3><strong>ทดลองใช้งานจริง (เกษตรกร, ชาวสวน)</strong></h3><p>พอดีที่แถวบ้านผมมีจัดงานเกษตรของ มอ. พอดี (จัดขึ้นทุกปี) เราจึงได้ไปเสนอ และ ให้ชาวสวน / เกษตรกร ที่นำต้นทุเรียนมาขายในงานได้รู้จัก และ ทดลองใช้ระบบ ดูเรียน-นิ (DurAIn-ni) เพื่อที่จะได้ ข้อเสนอแนะในการปรับปรุงระบบให้ดีขึ้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*FNg3kbBL6V8O930ksqSQqg.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*0x_Kgq03CDB73J5JY8h3Og.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*jwcoWP8chyX8jxIOV9ldAA.jpeg" /><figcaption>เสนอ และ ให้ ชาวสวน /เกษตรกร ได้ทดลองใช้งานระบบ DurAIn-ni ดูเรียน-นิ</figcaption></figure><blockquote>หลังจากให้ เกษตรกร ได้รู้จัก และ ทดลองใช้งานระบบ ดูเรียน-นิ (DurAIn-ni) แล้วมีพบว่าให้ความสนใจ และ อยากที่จะใช้งานเป็นอย่างมาก เนื่องจากสามารถใช้งานได้ง่าย วิเคราะห์โรคได้เร็ว พร้อมกับ บอกวิธีการรักษาให้</blockquote><h3>จุดบกพร่องของระบบ และ ข้อเสนอแนะ</h3><ul><li>หลังจากที่เราได้ให้ ชาวบ้าน , เกษตรกร และ ผู้เชี่ยวชาญได้ทดลองใช้ก็ได้พบถึงจุดบกพร่อง และ ข้อเสนอแนะ ของระบบ ดูเรียน-นิ (DurAIn-ni) นั่นก็คือ</li></ul><ol><li>ยังมีภาพบางภาพที่ระบบหาโรคไม่พบ หรือ วิเคราะห์ผิดพลาดอยู่บ้าง [แก้ได้โดยการเพิ่ม dataset (จากสวนทุเรียนโดยตรง) และ เทรนโมเดลใหม่]</li></ol><p>2. โรคที่มีในระบบยังไม่ครอบครุมเท่าที่ควรนัก [พัฒนาต่อในอนาคตให้มีความครอบครุมมากกว่านี้]</p><p>3. ในการพัฒนาให้ระบบมีประสิทธิภาพที่มากกว่านี้ จำเป็นต้องใช้ Dataset ที่มีความหลากหลาย และมีความละเอียดภาพที่คมชัดกว่านี้ [พัฒนาต่อในอนาคต]</p><h3>ผลสรุป (Conclusion)</h3><ul><li>เราสามารถสรุปได้ว่าระบบ ดูเรียน-นิ (DurAIn-ni) ค่อนข้างประสบความสำเร็จ เนื่องจากได้รับความสนใจเป็นอย่างมากจาก ชาวสวน และ เกษตรกร เนื่องจากสามารถใช้งานได้ง่าย วิเคราะห์ผลได้เร็ว พร้อมแนะนำวิธีการรักษาโรคในทันที จึงคุ้มค่าที่จะพัฒนาระบบให้ระบบมีความแม่นยำ และ ใช้งานได้สะดวกสบายมากขึ้นกว่าเดิมต่อในอนาคต</li></ul><h3><strong>แนวทางในการพัฒนาต่อในอนาคต (Future plan)</strong></h3><ul><li>โดยในอนาคตผู้พัฒนามีแผนที่จะเพิ่มเติม</li></ul><ol><li>เก็บข้อมูล dataset (โรคจากต้นทุเรียน) จากสวนทุเรียนโดยตรง : [เพื่อความแม่นยำ และ ความหลากหลายของข้อมูลที่มากกว่าเดิม]</li><li>เพิ่มวิธีการรักษาโรคในระบบให้ครอบครุมมากกว่าเดิม</li><li>พัฒนาให้ระบบสามารถใช้เวลาในการวิเคราะห์เร็วมากขึ้นกว่าเดิม</li></ol><p><strong>โดยผู้พัฒนาได้ทำการปรึกษา และ ทำการขออนุเคราะห์ Dataset คำแนะนำข้อมูลจากทางคณะทรัพยากรธรรมชาติ มหาวิทยาลัยสงขลานครินทร์ เพื่อใช้ในการพัฒนาต่อในอนาคต</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*MwQ6eEWyIwKtqXVt9XlWrQ.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/960/1*_ifeYfiSwTGrziB_A0Fm_Q.jpeg" /><figcaption>ทำการปรึกษา ฟังข้อแนะนำ และ ขอความอนุเคราะห์ Dataset จากทางคณะทรัพยากรธรรมชาติ มอ.</figcaption></figure><h3>ทีมผู้พัฒนา (Developer)</h3><p>กลุ่มนักเรียน ม. ปลาย ที่ชอบค้นหาอะไรใหม่ๆ เพื่อแก้ปัญหาในชีวิตประจำวันให้ดีขึ้น</p><ol><li><a href="https://www.facebook.com/profile.php?id=100004500556669">M. (Tanaanan Chalearmpan)</a> [พัฒนาโมเดล , รวบรวม dataset, ระบบ web application]</li><li><a href="https://www.facebook.com/profile.php?id=100005215360162">Chokun. (Napassakorn Saenieo)</a> [รวบรวม dataset, ผู้คิดริเริ่มโครงงาน]</li><li><a href="https://www.facebook.com/jiraphat.sri">Peem. (Jiraphat Sritawee)</a> [ระบบ Line chatbot]</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*UYE3lAZBRBvsoCYzD4zwNQ.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/828/1*tl-ySFVlHXVz1W3-ttpqUQ.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/200/1*d4viRbopg6fYNa-CvZEwPg.jpeg" /><figcaption>Developer Team ( M. | Chokun. | Peem. )</figcaption></figure><h3>รายละเอียดเพิ่มเติม</h3><p><strong>-&gt; ทดลองใช้งานระบบ ดูเรียน-นิ (DurAIn-ni)</strong></p><ul><li>Web application (Efficientdet model) : <a href="https://huggingface.co/spaces/Tanaanan/DurAIn_ni">https://huggingface.co/spaces/Tanaanan/DurAIn_ni</a></li><li>Web application (Yolov5 model) : <a href="https://tanaanan-durain-ni-yolov5--app-gx7gsd.streamlit.app/">https://tanaanan-durain-ni-yolov5--app-gx7gsd.streamlit.app/</a></li><li>Line chatbot (Yolov5 model) : <a href="https://line.me/R/ti/p/%40273bxxor">https://line.me/R/ti/p/%40273bxxor</a></li></ul><p><strong>-&gt; Github repository (Coding platform)</strong></p><ul><li>Web application (Efficientdet model): <a href="https://github.com/Tanaanan/DurAIn_ni_Webapp">Tanaanan/DurAIn_ni_Webapp</a></li><li>Web application (Yolov5 model) : <a href="https://github.com/Tanaanan/DurAIn_ni-yolov5-">https://github.com/Tanaanan/DurAIn_ni-yolov5-</a></li><li>Line chatbot : <a href="https://github.com/Tanaanan/DurAIn-ni-Line-deploy-">Tanaanan/DurAIn-ni-Line-deploy</a></li></ul><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=6eb3a3f55b6c" width="1" height="1" alt="">]]></content:encoded>
        </item>
        <item>
            <title><![CDATA[ATK-OCR Classification (AOC) ระบบคัดกรองผลตรวจ ATK และ บัตรประชาชน]]></title>
            <link>https://medium.com/@mjsalyjoh/atk-ocr-classification-aoc-%E0%B8%A3%E0%B8%B0%E0%B8%9A%E0%B8%9A%E0%B8%84%E0%B8%B1%E0%B8%94%E0%B8%81%E0%B8%A3%E0%B8%AD%E0%B8%87%E0%B8%9C%E0%B8%A5%E0%B8%95%E0%B8%A3%E0%B8%A7%E0%B8%88-atk-%E0%B9%81%E0%B8%A5%E0%B8%B0-%E0%B8%9A%E0%B8%B1%E0%B8%95%E0%B8%A3%E0%B8%9B%E0%B8%A3%E0%B8%B0%E0%B8%8A%E0%B8%B2%E0%B8%8A%E0%B8%99-fa32a8d47599?source=rss-8e6b31740bbc------2</link>
            <guid isPermaLink="false">https://medium.com/p/fa32a8d47599</guid>
            <dc:creator><![CDATA[Tanaanan .M]]></dc:creator>
            <pubDate>Sun, 12 Jun 2022 11:19:16 GMT</pubDate>
            <atom:updated>2022-10-14T10:53:26.192Z</atom:updated>
            <content:encoded><![CDATA[<h3>Table of content</h3><pre>[Introduction]</pre><pre>- <a href="#6b48">มารู้จักกานนน….. UwU</a><br>- <a href="#6f63">AOC คืออะไร ?</a><br>- <a href="#2a16">ทำไมถึงเลือกทำ AOC ?</a><br>- <a href="#ab39">แล้วทำยังไงล่ะ???</a></pre><pre>[Process]</pre><pre>- <a href="#51c6">ส่วนที่ 1 บัตรประชาชน (OCR + NLP + Coding / Edit distance)</a><br>- <a href="#14de">ส่วนที่ 2 / 1 คัดกรองผลตรวจ ATK (Img Classification / FastAI)</a><br>- <a href="#7135">ส่วนที่ 2 / 2 พัฒนาให้การคัดกรองผลตรวจ ATK ดีขึ้นไปอีกก… (Object detection / Icevision)</a></pre><pre>[Conclusion]</pre><pre>- <a href="#f17b">Model ต้องมีประสิทธิภาพแค่ไหนล่ะถึงจะดีพอ?? (Baseline comparison)</a><br>- <a href="#4449">Deploy model กันเลยยย</a><br>- <a href="#b983">Future plan แผนที่จะพัฒนาต่อในอนาคต</a><br>- <a href="#7712">บทสรุป (Conclusion)</a><br>- <a href="#ba07">Deploy Link</a><br>- <a href="#5d2d">Github Link</a><br>- <a href="#de62">อ้างอิง (Reference)</a></pre><h3>มารู้จักกานนน….. UwU</h3><p>สวัสดีครับ ชื่อ M. นะฮะมาจากโครงการ <a href="https://github.com/ai-builders/ai-builders.github.io">AI Builders</a> ปีที่สองครับ ตอนนี้กำลังศึกษาอยู่ชั้น ม.6 โรงเรียนแสงทองวิทยา จ.สงขลา ครับบ OwO โดยใน Blog นี้ผมจะมาอธิบายโปรเจคที่ผมได้ทำขึ้นมาระหว่างอยู่ในโครงการนี้นั้นเองงง…. เริ่มมม!</p><p><a href="#2e74">→ back to content</a></p><h3><strong>AOC คืออะไร ?</strong></h3><p>เป็นระบบที่สามารถคัดกรองผลตรวจเชื้อของ COVID-19 ได้ผ่าน ที่ตรวจ ATK (Antigen Test Kit) ควบคู่กับบัตรประชาชน จากรูปภาพ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/980/1*ZHpxXuUyEOPTLCStlGKNQg.jpeg" /><figcaption>ข้อมูลที่ใช้เป็น input</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*b5EvSs2YnXLjX00ecutksw.png" /><figcaption>ขั้นตอนการทำงานของ AOC model</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*LTfyo3GOGyaJuq637l634g.png" /><figcaption>AOC model pipeline</figcaption></figure><p><a href="#2e74">→ back to content</a></p><h3><strong>ทำไมถึงเลือกทำ AOC ?</strong></h3><p>เกิดจากช่วงนี้ในสถานการณ์ของ COVID-19 ผมที่ต้องไปโรงเรียนจึงต้องมีการส่งภาพผลตรวจเชื้อ COVID-19 คู่กับ บัตรประชาชนเพื่อยืนยัน แล้วก็ส่งภาพเข้าอัลบั้มกลุ่มไลน์ห้อง หรือ ในอัลบั้มต่างๆ ฟังดูเหมือนง่ายใช่ไหมครับ ใช้ครับมันง่ายตอนส่ง แต่จะลำบากตอนรวบรวมข้อมูลเอาแทน ให้นึกดูครับเวลาเราจะบันทึกข้อมูลต้องทำอะไรบ้าง เริ่ม….</p><ol><li>เปิดอัลบั้มรูปภาพที่บันทึกไว้ + หาภาพ (ประมาณ 10 วินาที)</li><li>พิมพ์ ชื่อ-นามสกุล, เลขบัตรประชาชน กับ ผลตรวจเชื้อ ATK (อย่างเร็ว 25 วินาที)</li><li>บันทึกเข้าไฟล์ word, excel</li></ol><p>สรุปได้ว่า ในการบันทึกข้อมูลต่อ 1 คนเราต้องทำถึง 3 ขั้นตอน อย่างเร็วผมว่าอาจจะใช้เวลาประมาณ 35 วินาที (แบบรีบพิมพ์สุดๆ ) แล้วถ้าสมมติมีสัก 40 คนดูก็ประมาณ 23 นาที ยังไม่รวมกรณีพิมพ์ตกหล่น ต่างๆอีกนะครับ ตอนนั้นผมเสียเวลาในการกรอกข้อมูลผลตรวจไปเกือบ 2 ชม. เลยครับ และ กรอกข้อมูลผิดไปด้วยอีก</p><blockquote>**จะดีกว่าไหมครับถ้ามีระบบที่แค่ส่งรูปภาพก็จะสามารถแสดง หรือ บันทึกผลตรวจได้ทันที และ แถมยังสามารถบันทึก นามสกุล และ เลขบัตรจากบัตรประชาชนได้อีกด้วยย</blockquote><p><a href="#2e74">→ back to content</a></p><h3><strong>แล้วทำยังไงล่ะ???</strong></h3><p>เริ่มแรกสุดๆก่อนเลย คือ เราต้องมี dataset ก่อนน (ผลตรวจ ATK ติด / ไม่ติด)</p><h4>-ขั้นตอนการ scraping ภาพจากเว็บ</h4><p>เนื่องจากที่ผมดูมายังไม่เคยมีใครทำ image processing กับ ที่ตรวจ ATK มาก่อน (ใน Kaggle ก็ไม่มี… ถถถถถ) ผมจึงต้องทำการหา dataใหม่เองทั้งหมดนั่นเองงง</p><p>โดยผมจะหา dataset จากการทำ web scraping ผ่าน เว็บ stock image ต่างๆ เพื่อเอามาใช้เป็น (Training set กับ Validation set)</p><p>จากที่ผมทำการสำรวจมาพบว่า ภาพที่ผมต้องการ (ผลตรวจ ATK) นั้นภาพจะมีอยู่เยอะในพวกเว็บ stock image ทั้งหลาย ผมเลยเลือกที่จะ scrape ภาพมาจากเว็บ stock image โดยตรงนั่นเอง โดยผมใช้ BeautifulSoup ในการ scraping ครับ</p><pre>import re<br>import requests<br>import os<br>from urllib.request import Request<br>from urllib.request import urlopen<br>from bs4 import BeautifulSoup</pre><pre>def url_page_gen(url, page):<br> page_index = 0<br> split_url_1 = “”<br> split_url_key = “”<br> split_url_2 = “”<br> new_url = “”</pre><pre> #page key word<br> keyword = [“&amp;pn=”, “&amp;page=”, “?pg=”, “&amp;search_page=”]</pre><pre> for name_key in keyword:<br> if name_key in url:<br> page_index = url.find(name_key)<br> #split url to 3 part head, pagetype, tail<br> split_url_1 = url[:page_index]<br> split_url_key = url[page_index:page_index+len(name_key)] #&amp;pn=<br> split_url_2 = url[page_index+len(name_key):]<br> <br> # find page position<br> isnum_index = 0<br> for i in range(len(split_url_2)):<br> if (split_url_2[i]).isnumeric() == True:<br> isnum_index += 1<br> else:<br> break<br> split_url_2 = split_url_2[isnum_index:] # remove page num<br></pre><pre> new_url = split_url_1 + split_url_key + str(page) + split_url_2</pre><pre> if len(new_url) &gt; 0:<br> return new_url</pre><pre>#page index = page<br>def Scraping_img_url(https://medium.com/url,%20save_path%20,page_start,%20page_end):</pre><pre> # User-Agent <br> headers = {<br> “User-Agent” : “Mozilla/5.0 (X11; Linux x86_64; rv:100.0) Gecko/20100101 Firefox/100.0”<br> }<br> count = 0</pre><pre> for page_index in range(page_start,page_end+1): # loop page <br> new_url = url_page_gen(url=url, page=page_index)<br> #print(new_url, page_index)</pre><pre> response = requests.get(url=new_url, headers=headers)<br> soup = BeautifulSoup(response.content, ‘html.parser’)</pre><pre> images = soup.find_all(‘img’)</pre><pre> for each_img in images:<br> try:<br> # inspect and check image type on web<br> name_key = each_img[‘data-src’]<br> if (“.jpg” in name_key) or (“.png” in name_key) or (“.jpeg” in name_key):<br> with open(save_path + “/” + f”image_{count}.jpg”, “wb”) as f:<br> <br> im = requests.get(name_key)<br> f.write(im.content) <br> count+=1<br> print(f”Processing on img_{count} ,page : {page_index}”)<br> <br> except:<br> pass<br> print(“Scraping Successful!”)<br> print(f”Total Image = {count}, from page {page_start} to {page_end}”)<br></pre><pre>Scraping_img_url(https://medium.com/url=%E2%80%9Dhttps://www.freepik.com/search?format=search&amp;page=7&amp;query=atk%20result%E2%80%9D,%3Cbr%3Esave_path=%20%E2%80%9C/home/holyfakowo/Documents/StockImg%E2%80%9D,%3Cbr%3Epage_start=1,%20page_end=7)</pre><h4>-ขั้นตอนการทำความสะอาดข้อมูล Data cleaning</h4><p>เนื่องจากภาพที่เราทำ web scraping มาจากในเว็บต่างๆนั้น ไม่ได้มีทุกภาพที่เราสามารถที่จะใช้ได้ ผมจึงทำการลบข้อมูลพวกนี้ออกครับ ยกตัวอย่างเช่น</p><p>- เป็นภาพที่ไม่ใช่ผลตรวจ ATK หรือ มีภาพผลตรวจมากกว่า 1 อันในภาพ</p><p>- ภาพผลตรวจ ATK อยู่ไกล้เกินไปจนมองไม่ชัด หรือ เบลอ</p><p>- มุมของผลตรวจ ATK มีความบิดเบี้ยวมากจนเกินไป</p><p>- ภาพซํ้ากัน (เนื่องจากเรา scrape มาจากหลายเว็บอาจจะมีโอกาสที่ภาพเหมือนกันได้)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/767/1*cfc860bY_0tICkjjORyZyw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*weiqbWtkt7wrpY86mDUnmQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/800/1*qdk1lbTAIAaeuK1Agdaiwg.jpeg" /><figcaption>ตัวอย่างภาพที่ได้จากการ scraping ผ่าน website ต่างๆที่ไม่สามารถใช้เป็น dataset ได้</figcaption></figure><p>ปล. เนื่องจากภาพที่ผมได้มาจาก scraping นั้นมีเยอะจัดๆ และหลายรูปแบบมาก จึงคิดว่าไม่สามารถเช็คได้ทั้งหมดว่ามีภาพไหนบ้างที่ซั้ากันผมจึงเขียนโค้ด loop เช็คแต่ละภาพมาเทียบกันว่ามีความใกล้เคียงกันไหม ถ้าใช่ก็จะให้บันทึกข้อมูลเข้าไปเป็น .csv แล้วผมค่อยทำการเช็คแล้วลบมืออีกทีครับ</p><pre>from PIL import Image<br>import glob<br>import numpy as np<br>import pandas as pd<br><br># can use with folder in folder path<br>def find_img_path(folder_path):<br>    count = 0<br>    img_path = []<br>    for root, dirs, files in os.walk(folder_path):<br>        for file in files:<br>            if file.lower().endswith(&quot;.jpg&quot;):<br>                # print(os.path.join(root, file))<br>                img_path.append((os.path.join(root, file)))<br>                count +=1<br>            elif file.lower().endswith(&quot;.jpeg&quot;):<br>                img_path.append((os.path.join(root, file)))<br>                count += 1<br>            elif file.lower().endswith(&quot;.png&quot;):<br>                img_path.append((os.path.join(root, file)))<br>                count+=1<br>    return img_path<br><br>def get_same_img_path(list_img_file, save_path):<br>    <br>    Data = {&#39;path1&#39; : [],<br>          &#39;path2&#39; : []}<br>    <br>    index_lst = []<br>    <br>    # change str to index<br>    for i in range(len(list_img_file)):<br>        index_lst.append(i)<br>    <br>    num_pack = []<br>    <br>    #pack check with index [1, 2] <br>    #ex. [0,1,2,3] --&gt; [0,1], [0,2], [0,3], [1,2], [1,3], [2,3]<br>    for j in range(len(index_lst)):<br>        for k in range(len(index_lst)):<br>            try:<br>                if (index_lst[j] - index_lst[k+1]) &lt; 0:<br>                    num_pack.append([index_lst[j], index_lst[k+1]])<br>            except:<br>                pass<br>    <br>    img_path_pack = []<br>    <br>    #change num_pack to str path using index from num_pack<br>    <br>    for l in range(len(num_pack)):<br>        pair1 = num_pack[l][0]<br>        pair2 = num_pack[l][1]<br>        #print(pack[i][0], pack[i][1])<br>        #print(sum[pair1], sum[pair2])<br>        img_path_pack.append([list_img_file[pair1], list_img_file[pair2]])<br>    <br>    index_same_path = []<br>    # output  == 1 --&gt; Same image<br>    # output  == 2 --&gt; Difference image<br>    # check same image<br>    <br>    for m in range(len(img_path_pack)):<br>        print(f&quot;running... img {m+1} / {len(img_path_pack)}&quot;)<br>        path_1 = img_path_pack[m][0]<br>        path_2 = img_path_pack[m][1]<br>        <br>        im1 = Image.open(path_1)<br>        im2 = Image.open(path_2)<br><br>        #print(im1.getdata(), im2.getdata())<br>        if list(im1.getdata()) == list(im2.getdata()):<br>            index_same_path.append(1)<br>        else:<br>            index_same_path.append(0)<br>    <br>    img_same_path = []<br>    #change index_same_path to img_path by using index<br>    <br>    for n in range(len(index_same_path)):<br>        if 1 == index_same_path[n]:<br>            #print(f&quot;index = {n}&quot;)<br>            img_same_path.append(img_path_pack[n])<br>    <br>    #Save same img path to .csv (Pandas)<br>    <br>    for same_path in img_same_path:<br>        try:<br>            Data[&#39;path1&#39;].append(same_path[0])<br>            Data[&#39;path2&#39;].append(same_path[1])<br>        except:<br>            pass<br><br>        df = pd.DataFrame(Data)<br><br>    df.to_csv(save_path + &#39;.csv&#39;, encoding=&#39;utf-8&#39;)<br>    print(f&quot;Save to {save_path} successful!&quot;)<br>    <br>    <br>    <br>   <br>get_same_img_path(list_img_file=find_img_path(&quot;/home/holyfakowo/Downloads/Scraping+ST 2&quot;),<br>                     save_path = &quot;/home/holyfakowo/Downloads/same_img&quot;)</pre><p><a href="#2e74">→ back to content</a></p><h4>- การแบ่ง Training set, Validation set และ Test set</h4><p>หลังจากเราได้ Dataset มาแล้วเราจะมาแบ่งข้อมูลกันโดยผมเลือก Training set : Validation set : Test set แบ่งเป็น 80 : 10 : 10 % ก็เลยจะได้ข้อมูลเป็น</p><pre>- Train set : 1652 img (Positive : Negative)</pre><pre>- Valid set : 159 img (Positive : Negative)</pre><pre>- Test set : 162 img (Positive : Negative)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/902/1*ZZ-4tKDmAHkVaXuNrXbkeg.png" /><figcaption>ตัวอย่างภาพใน Dataset</figcaption></figure><p><a href="#2e74">→ back to content</a></p><h3>- มาเริ่มทำ model กันเลยย…. OwO</h3><p>คืองี้ฮะ เราจะแบ่งออกเป็น 2 กรณี (3 ส่วน) ก่อนคือ</p><ol><li>บัตรประชาชน : สิ่งที่เราต้องการจากบัตรประชาชนคือ เลขบัตรประชาชน กับ ชื่อ-นามสกุล โดยวิธีที่ผมจะใช้คือ Optical character recognition (OCR), Natural language processing (NLP) และ Edit distance ครับ</li><li>ผลตรวจ ATK : สิ่งที่เราต้องการคือ คำตอบว่า ติดเชื้อ หรือ ไม่ติดเชื้อ ผมจึงเลือกใช้ image classification / object detection ในการคัดกรองผลตรวจ ATK ครับ</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ygR2dlr0zsCQgX990MNVSA.png" /><figcaption>กระบวนการทำงานของระบบ AOC</figcaption></figure><p>โดยหลังจากที่เราได้ model จากบัตรประชาชน (OCR) แล้วก็ model จากผลตรวจ ATK (Image classification / Object detection) แล้วเราก็จะเอามายำรวมกัน ก็จะได้ model ที่สามารถดึงข้อมูลจากบัตรประชาชน และ ตรวจจับผลตรวจ ATK ได้นั่นเองง</p><p><a href="#2e74">→ back to content</a></p><h3>ส่วนที่ 1 บัตรประชาชน (OCR + NLP + Coding + Edit distance)</h3><blockquote><strong>1. ดึงข้อมูลจากบัตรประชาชน Optical Character Recognition (OCR)</strong></blockquote><p>ในการดึงข้อมูลที่เป็นรูปภาพออกจากตัวบัตรประชน + ATK แล้วแปลงเป็น text โดยใช้ OCR (Optical Character Recognition) ก่อนโดยผมเลือกใช้ตัวของ EasyOCRแทนตัวของ Tesseract ที่คนส่วนใหญ่ใช้เพราะว่า</p><p>1.1 เมื่อเทียบ bounding box ระหว่าง EasyOCR กับตัวของ Tesseract แล้วพบว่าตัว EasyOCR จะจับแบบแบ่งเป็น pattern ซึ่งทำให้เราจัดการกับข้อมูลได้ง่ายกว่า ของ Tesseract ที่จะจับข้อมูลแบบติดๆกัน ซึ่งทำให้จัดการกับข้อมูลยากกว่า</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/738/1*jrE8X9v5LYWDqnp_SZLlKg.png" /><figcaption>ภาพการตรวจจับ bounding box ของ EasyOCR</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/738/1*NZcXcPVV1m2CRMpprB9msQ.png" /><figcaption>ภาพการตรวจจับ bounding box ของ Tesseract</figcaption></figure><blockquote>** รูปภาพบัตรประชาชนอ้างอิงมาจาก <a href="https://aiforthai.in.th/files/iappIDcr-front-ex.jpg">AI For Thai</a></blockquote><p>1.2 จากประสบการณ์ และ จากข้อมูลที่พบใน internet พบว่า ในกรณีที่ภาพไม่ได้ชัดมาก และมีแสงหรือรอยขีดข่วนเข้ามา (พบได้บ่อย) ตัวของ EasyOCR ยังตรวจจับคำได้แม่นยำมากกว่าตัว Tesseract แต่ไม่มากนัก โดยใช้ <a href="https://en.wikipedia.org/wiki/Levenshtein_distance#:~:text=Informally%2C%20the%20Levenshtein%20distance%20between,considered%20this%20distance%20in%201965.">Levenshtein distance</a> (วัดหาค่าความต่างกันของสายอักขระสองชุด) ในการเปรียบเทียบ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/608/1*rCGwSkkog_zvytvwPl3Lwg.png" /><figcaption>กราฟแสดงการเปรียบเทียบผลระหว่าง Easy OCR กับ Tesseract</figcaption></figure><p>1.3 EasyOCR โดยเฉลี่ยแล้วจะใช้เวลาในการประมวลผลที่เร็วกว่า Tesseract</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*1aWY3q6Q75U-MgR2wb5jmw.png" /><figcaption>ตารางการเปรียบเทียบระยะเวลาในการประมวลผลรูปภาพระหว่าง Easy OCR กับ Tesseract</figcaption></figure><pre>import easyocr<br>#Easy OCR<br># Doing OCR. Get bounding boxes.<br>reader = easyocr.Reader([‘th’,’en’])<br>bounds = reader.readtext(name)</pre><pre>split_data = []<br>try:<br> for data in bounds:<br> split_data.append(data[1])<br>except:<br> print(“ — — — — Oops! index out of range — — — -”)</pre><pre>print(split_data)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*eAgfU_sA8FqeRLdo87CrZg.png" /><figcaption>ผลที่ได้หลังจากการทำ OCR ข้อมูลจากบัตรประชาชน</figcaption></figure><p>จากภาพเราจะเห็นได้ว่าข้อมูลที่ได้มีทั้งส่วนที่ผิดเพี้ยนไปบ้าง โดยเฉพาะข้อความที่เป็นภาษาไทยแทบจะจับไม่ถูกเลยครับ วรรณยุกต์ สระ หายไปค่อนข้างเยอะ ผมจึงตัดคำที่เป็นภาษาไทยออกครับ แล้วเอาเฉพาะที่เป็นภาษาอังกฤษ นั่นก็คือหน้าที่ของ OCR ในขั้นตอนต่อไปนั่นเองงง</p><blockquote><strong>2. แยกคำภาษาไทย, อังกฤษ และ ทำความสะอาดข้อมูล ด้วย NLP (PythaiNLP) + Clean syntax (Coding)</strong></blockquote><p>หลังจากที่เราได้ข้อมูล text จากการทำ OCR แล้วตัดสินใจว่าจะเอาคำภาษาไทยออก แล้ว เอาส่วนที่เป็นเฉพาะภาษาอังกฤษมาใช้ ขั้นตอนต่อไปเราก็ต้องหาวิธีแยกครับ…</p><p>โดยผมเลือกใช้ PythaiNLP ในการแยกภาษาไทย กับ อังกฤษ (Class : Isthai) แล้วเอาส่วนที่เป็นเฉพาะภาษาอังกฤษออกมา</p><pre>from pythainlp.util import isthai</pre><pre>def get_english(raw_list): # Cut only english var<br>   eng_name = []<br>   thai_name = []<br><br>   for name in raw_list:<br>     if isthai(name) == True:<br>       thai_name.append(name)<br>     else:<br>       eng_name.append(name)<br><br>return eng_name</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*S1awt6A-DEOe5OVY0_0cfA.png" /><figcaption>ข้อมูลที่ได้หลังจากตัดคำที่เป็นภาษาไทยออก</figcaption></figure><p>หลังจากที่เราได้ข้อมูลที่เป็นภาษาอังกฤษแล้วเอาไปเช็คอีกรอบว่า มีตัวอักษรอื่นๆ หรือ เว้นวรรคไหม ถ้ามีก็จะทำการลบข้อมูลนั้นออกครับ</p><pre>def Clear_syntax(raw_list):<br><br>   Clean_syntax = [&quot;&quot;,&quot;#&quot;,&quot;.&quot;,&quot;{&quot;,&quot;}&quot;,&quot;=&quot;,&quot;/&quot;,&quot;@&quot;,&quot;#&quot;,&quot;$&quot;,&quot;--&quot;,&quot;|&quot;,&quot;%&quot;,&quot;-&quot;,&quot;(&quot;,&quot;)&quot;,&quot;¥&quot;, &quot;[&quot;, &quot;]&quot;, &quot;&#39;&quot;,&#39;:&#39;,&#39;;&#39;] # Symbol check for clean<br><br>   for k in range(len(Clean_syntax)):<br>     while (Clean_syntax[k] in raw_list): # remove single symbol<br>       raw_list.remove(Clean_syntax[k])<br><br>   for l in range(len(raw_list)):<br>     raw_list[l] = raw_list[l].replace(&quot;!&quot;,&quot;l&quot;) #split ! --&gt; l (Error OCR Check)<br>     raw_list[l] = raw_list[l].replace(&quot;,&quot;,&quot;.&quot;)<br>     raw_list[l] = raw_list[l].replace(&quot; &quot;,&quot;&quot;) #split &quot; &quot; out from str<br>     raw_list[l] = raw_list[l].lower() #Set all string to lowercase<br><br>   for m in range(len(raw_list)): #Clear symbol in str &quot;Hi/&#39;&quot; --&gt; &quot;Hi&quot;<br>     for n in range(len(Clean_syntax)):<br>         raw_list[m] = raw_list[m].replace(Clean_syntax[n],&quot;&quot;)<br>   return raw_list</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/797/1*5R7J8cdAmA6WY860_qoHMg.png" /><figcaption>ข้อมูลที่ได้หลังจาก Clean syntax</figcaption></figure><p>โอเครฮะตอนนี้ข้อมูลเราค่อนข้างสะอาดระดับนึงแล้ว ขั้นตอนต่อไปก็จะเป็นการ แยกเลขบัตรประชาชน, ชื่อ และ นามสกุล จากข้อมูลที่เรา clean เรียบร้อยแล้วนั่นเองงง</p><blockquote><strong>3. หาคำที่ใช้ Coding / Edit distance</strong></blockquote><p>โดยขั้นตอนนี้ผมเลือกที่จะใช้ Rule-based system แทน Token classification เพราะเนื่องจากข้อมูลจากบัตรประชาชนเป็นข้อมูลส่วนบุคคล จึงยากที่จะหา dataset มาใช้ได้ ผมจึงใช้ Rule based system แทน Token classification ครับ</p><p><strong>โดยในส่วนนี้ผมขอแบ่งเป็น 2 ส่วนนะฮะ คือ</strong></p><p><strong>3.1 เลขบัตรประชาชน (ID number)</strong></p><p>จากที่ผมได้ลองกับข้อมูลที่ได้จาก EasyOCR มาหลายๆแบบสามารถสรุปได้ว่าจะมี 2 แบบ หลักๆในส่วนของ ข้อมูลเลขบัตรประชาชนครับ โดย</p><p>3.1.1 เลขบัตรประชาชนอยู่ครบ 13 หลัก ใน string เดียว (ง่ายสุด)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/313/1*ZP64jwayb77kBGxZZ_4WJA.png" /><figcaption>ตัวอย่างเลขบัตรประชาชนอยู่ครบ 13 หลัก ใน string เดียว</figcaption></figure><p>3.1.2 เลขบัตรประชาชนแยกกัน 13 หลัก อยู่คนละ string กัน (พบได้บ่อยสุด)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/464/1*du8HSPPHOeEvU9ph3oKu_Q.png" /><figcaption>ตัวอย่างเลขบัตรประชาชนแยกกัน 13 หลัก อยู่คนละ string กัน</figcaption></figure><p>จาก 2 กรณีที่ได้มา ผมจึงคิด algorithm ว่าให้เช็คเป็น 2 แบบ ก่อน คือ</p><p>1. ถ้า string เป็นตัวเลขหมด และ มีจำนวน 13 ตัว ให้ string ตำแหน่งนั้นคือเลขบัตรประชาชน (ง่ายสุด)</p><p>2. ถ้า string เป็นตัวเลข แต่ไม่ครบ 13 หลัก ให้ เก็บจำนวนหลักตัวล่าสุดไว้ แล้ว เช็คต่อไปว่าตัวต่อไปเป็นตัวเลข หรือไม่ มีกี่หลัก ไปเรื่อยๆ จนกว่าจะครบ 13 หลัก</p><p>** ถ้าไม่เจอจากข้อ 1, 2 ก็ให้ return ค่าเป็น None (หาไม่เจอ) ครับ</p><p>-&gt; อาจจะงงๆหน่อยนะฮะงั้นเรามาดู code กันดีกว่าา OwO</p><pre>def get_idnum(raw_list):<br>     id_num = {&quot;id_num&quot; : &quot;None&quot;}<br>     # 1. normal check<br>     for i in range(len(raw_list)): # check if len(list) = 1, 4, 5, 2, 1 (13 digit idcard) and all is int<br>       try:<br>         if ((len(raw_list[i]) == 1) and (len(raw_list[i+1]) == 4) and (len(raw_list[i+2]) == 5) and (len(raw_list[i+3]) == 2) and (len(raw_list[i+4]) == 1)) and ((raw_list[i] + raw_list[i+1] + raw_list[i+2] + raw_list[i+3] + raw_list[i+4]).isnumeric()):<br>           id_num[&quot;id_num&quot;] = (raw_list[i] + raw_list[i+1] + raw_list[i+2] + raw_list[i+3] + raw_list[i+4])<br>           break<br>       except:<br>         pass<br>    <br>     # 2. Hardcore Check<br>     if id_num[&quot;id_num&quot;] == &quot;None&quot;:<br>       id_count = 0<br>       index_first = 0<br>       index_end = 0<br>       for i in range(len(raw_list)):<br>         if id_count == 13:<br>           index_end = i-1 #ลบ 1 index เพราะ ครบ 13 รอบก่อนหน้านี้<br>           #print(f&quot;index_first == {index_first} index_end == {index_end}&quot;)<br>           #print(f&quot;id = {raw_list[index_first:index_end+1]}&quot;)<br>           id_num[&quot;id_num&quot;] = &#39;&#39;.join(raw_list[index_first:index_end+1])<br>           break<br>         else:<br>           if raw_list[i].isnumeric() == True and index_first == 0:<br>             id_count += len(raw_list[i])<br>             index_first = i<br>           elif raw_list[i].isnumeric() == True and index_first != 0:<br>             id_count += len(raw_list[i])<br>           elif raw_list[i].isnumeric() == False:<br>             id_count = 0<br>             index_first = 0<br>          <br>     return id_num</pre><p><strong>3.2 ชื่อ และ นามสกุล (Name, Lastname)</strong></p><p>**ส่วนนี้ผมคิดว่าเป็นส่วนที่หินที่สุดจาก EasyOCR แล้วล่ะครับ OwO มาหลายรูปแบบมากก แต่เราสู้ครับบ มาต่อกันเลยยย</p><p>โอเครฮะ ในส่วนนี้ผมก็เลือกใช้ Rule-based system เหมือนเดิมนะครับ เนื่องจากผมเคยลอง NER (Name Entity Recognition) จากหลายๆตัว เช่น Nltk, Bert เป็นต้น พบว่าไม่สามารถแยกได้ว่าเป็นชื่อคนเลยครับ อาจจะเนื่องจากชื่อของเราเป็นชื่อทับศัพท์ด้วยครับ model เลยไม่สามารถแยกได้นั่นเองงง</p><p>โดยปกติตรงส่วนที่เป็นชื่อ นามสกุลที่ได้จาก EasyOCR + บัตรประชาชน เราจะได้รูปแบบที่มี <strong>1. แท็กชื่อ (Name)</strong> กับ <strong>2. แท็กนามสกุล (Lastname)</strong> คู่กันเสมอนะฮะ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*scXw4cxcAOT-zGfqCqV19w.png" /><figcaption>ภาพแสดง 1. แท็กชื่อ (Name) กับ 2. แท็กนามสกุล (Lastname)</figcaption></figure><p>จากข้อมูลที่ได้ทำให้เราสามารถระบุตำแหน่งของ ชื่อ และ นามสกุล จากแท็กชื่อ และ แท็กนามสกุล ได้นั่นเองง</p><p>จากที่ผมลองจากข้อมูลหลายๆรูปแบบพบว่า EasyOCR จะจับชื่อนามสกุลได้เป็น แบบ ดังนี้ครับ</p><ol><li>ทุกส่วนอยู่แยกกัน และ ไม่ผิดเพี้ยนกัน(ง่ายสุด)</li></ol><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mnUVG2Favilim1Ed4GxPQA.png" /></figure><p>2. มีคำบางส่วนอยู่ติดกัน และ ไม่ผิดเพี้ยนกัน</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/986/1*soRJrYRL1WtGAuYRXWvskg.png" /></figure><p>3. ส่วนใดส่วนหนึ่งของ แท็กชื่อ หรือ แท็กนามสกุล ขาดหาย หรือ ผิดเพี้ยนไป</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*45pURJu9f21ROmk3gaiZUg.png" /></figure><p>4. แท็กชื่อ กับ นามสกุล และ คำนำหน้าชื่อ ขาดหาย และ ผิดเพี้ยนไป (หายนะสุดด)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*EsbN1wxyvMUxLsjVMFFwRw.png" /></figure><p>โอเครฮะหลังจากที่เราได้รู้กรณีทั้งหมดคร่าวๆในส่วนของ ชื่อ และ นามสกุล แล้วจะพบว่าสิ่งที่เป็นปัญหาที่สุดคือ แท็กชื่อ แท็กนามสกุล หรือ คำนำหน้าชื่อ ผิดเพี้ยน ผมเลยใช้สิ่งที่เรียกว่า <a href="https://en.wikipedia.org/wiki/Edit_distance">Edit distance</a> ในการแก้ปัญหานี้นั่นเองครับ</p><p>โดยเราจะใช้ Edit distance มาประยุกต์กับข้อมูลที่เราได้จาก EasyOCR นั่นเองง โดยผมเลือกใช้ตัว Edit distance ของ Pypi ครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*xVyhe4N6j2m_y-CFNpelCA.png" /><figcaption>ตัวอย่างการใช้งาน Edit distance</figcaption></figure><p>หลังจากเราทำ Edit distance แล้วก็จะมี แท็กคำที่ถูกต้องมากขึ้นนั่นเองฮะ แล้วหลังจากนี้เราก็หาเทียบตำแหน่งปกติได้เลยนั่นเองง ง่ายสุดๆ</p><blockquote>ปล. code ในส่วนนี้ผมขอไม่แปะให้นะครับ เพราะว่าค่อนข้างยาวเลยทีเดียว ถ้าสนใจสามารถดูใน Github ได้เลยฮะ UwU</blockquote><p><strong>ผลที่ได้จาก OCR บัตรประชาชน</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/740/1*emtxfZljTpyApFgluBrKdw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/502/1*DCCARZdzgcXsV6t-P-VF0A.png" /></figure><p>ผลที่ได้จาก Rule-Based ที่เราเขียนขึ้นมาค่อนข้างโอเคเลย ใช้เวลารันไปที่ 2.81 วินาที เราได้ทั้ง ชื่อ นามสกุล และ เลขบัตรประชาชนเลยย โดยได้ระยะเวลาในการประมวลผลเฉลี่ยทอยู่ที่ (2–5 วินาที)</p><p><strong>ข้อผิดพลาดที่พบจากการทำ OCR</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/678/1*MM_QBCgQKw6Lx8OYBnxgpA.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/553/1*yUTNuLnxIQYyl_5BWwCYtw.png" /><figcaption>ภาพที่ 1 :ข้อมูลชื่อและนามสกุลจากบัตรประชาชน ; ภาพที่ 2 : ผลลัพธ์ที่ OCR ออกมาได้</figcaption></figure><blockquote>** ชื่อ-นามสกุล ที่อยู่ในภาพประกอบนั้นได้รับการอนุญาติจากเจ้าของเป็นที่เรียบร้อยแล้ว</blockquote><p>จากภาพสามารถสรุปได้ว่า model ยังมีความลังเลในการแยกตัวอักษร i (ตัวอักษรไอเล็ก) กับ l (ตัวอักษรแอลเล็ก) เพราะ จากบัตรประชาชน ตัว . (จุด) บน i ติดกันมากจนมองแบบลอยๆก็จะเห็นเป็นตัว l นั่นเองงง</p><p><strong>วิธีแก้ข้อผิดพลาดจาก OCR</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1007/1*H9uSJRVXOR7dZ4bxQ7Jz8w.png" /><figcaption>สร้าง model สำหรับ predict ตัว i กับ l</figcaption></figure><p>วิธีแก้ที่ผมคิดไว้คือ ทำ model predict ตัว i กับ l อีกทีครับโดยเช็คจากสามอักษรแรก และ สามอักษรหลัง ส่วน dataset ที่เราต้องมีก็คือ ชื่อคนไทย (ภาษาอังกฤษ) ที่ชื่อมีตัว i กับ l อยู่ด้วยนั่นเองง (ไม่ได้ทำนะฮะ ทำไม่ทัน…. OwO เป็น future plan ไปก่อน)</p><blockquote>เย้…… ในที่สุดเราก็ได้ข้อมูล ชื่อ-นามสกุล และ เลขบัตรประชาชนเป็นที่เรียบร้อยแล้วว ได้ไปส่วนต่อไปแล้วว นั่นก็คือ ผลตรวจ ATK นั่นเองงง OwO</blockquote><p><a href="#2e74">→ back to content</a></p><h3>ส่วนที่ 2 / 1 คัดกรองผลตรวจ ATK (Image Classification / FastAI)</h3><p>โดยส่วนของ Img Classification ผมเลือกใช้ FastAI เป็นเครื่องมือในการแยกผลตรวจ ATK เนื่องจากใช้งานง่าย และ สะดวกต่อการปรับแต่ง และ เทรน model นั่นเองครับ</p><h4>Dataset</h4><p>ในส่วนของ dataset เราใช้ dataset ที่เตรียมไว้เรียบร้อยแล้วจาก หัวข้อ <a href="#9944"><strong>“การแบ่ง Training set, Validation set และ Test set ”</strong></a> ได้เลยครับ</p><p><strong>สร้าง Datablock</strong></p><pre>dblock = DataBlock(<br>    blocks=(ImageBlock, CategoryBlock), #x - image ; y - single class<br>    get_items=get_image_files, #get image from selected folder (path) ; return list of pic<br>    splitter=GrandparentSplitter(train_name = &#39;Train&#39;,valid_name=&#39;Valid&#39;), #use parent folder as train-valid split<br>    get_y=parent_label, #use parent folder as label <br>    item_tfms=Resize(512, method=ResizeMethod.Squish), # Resize image to same size using Squish<br>    batch_tfms=aug_transforms(size=512, flip_vert=False, pad_mode=PadMode.Reflection, max_lighting=0.2, p_lighting=0.75 )<br>    )<br><br>dls = dblock.dataloaders(&#39;/content/drive/MyDrive/AI Builder/Dataset/Dataset/Scraping+ST 3&#39;, bs=5 ,shuffle=True)</pre><ul><li>จากที่ทดลองมาพบว่า ภาพขนาด 512 x 512 จะได้ผลลัพธ์ที่ดีกว่าภาพที่ขนาดเล็กกว่านั้นเพราะภาพเริ่มเบลอและมองไม่เห็นที่ตรวจ ATK ชัดเจน</li><li>เราทำการเพิ่มข้อมูลรูปภาพ (Data augmentation) โดยใช้ การปรับความเข้มแสง เพราะ ถ้าเราทำการปรับแสงภาพก็ยังคงอยู่สภาพเดิมไม่มีส่วนไหนขาดหายไปนั่นเอง</li></ul><p><strong>Model มีมากมายแล้วเราจะเลือกใช้ตัวไหนดีล่ะ….</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*ZOg45U8JNNMds5QH3ufC_w.png" /><figcaption>กราฟแสดงผลการเปรียบเทียบ ความแม่นยำสูงสุดที่แต่ละ model จะทำได้</figcaption></figure><p>ผมเลือกใช้ตัวที่เป็น Efficientnet b_7 เพราะ จากที่ผมลองผิดลองถูกมาหลายๆอย่าง พบว่าตัว Efficientnet b_7 เป็น model ที่ให้ค่า accuracy และ F1-score ได้ดีที่สุด แต่ก็ต้องแลกมากับ model ที่มีขนาดใหญ่ และใช้เวลาในการเทรนที่นาน (เพื่อประสิทธิภาพที่ดี เราทำได้…)</p><p><strong>ทำการหา Learning rate (lr) เพื่อหาอัตราการเทรนที่เหมาะสม</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/625/1*dXVIRHNR10rh4_l0D3TaPw.png" /><figcaption>กราฟแสดงผล learning rate โดยได้ค่าที่ดีที่สุดอยู่ที่ 10e-4</figcaption></figure><p><strong>เทรน model ด้วย Efficientnet d_7 โดยใช้ transfer learning</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/936/1*MJKbwxUgLCtXJ8POb3meNQ.png" /></figure><p>โดยเราเทรนไปจำนวน 20 epoch ก็พอ เพราะเราใช้ transfer learning ที่ถูกเคยนำมาใช้เทรนก่อนอยู่แล้ว</p><p><strong>ผลที่ได้จากเทรนเสร็จแล้ว…</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/607/1*nq2EofXN23TAoDXHYVO5ew.png" /><figcaption>แสดงผล classification report ที่ model ทำได้</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/708/1*H7tiG0h5y4upnnnxgzkUZQ.png" /><figcaption>แสดงผล Confusion Matrix ที่ model ทำนายได้จาก Validation Set</figcaption></figure><p>จากผลที่ได้มาเราจะเห็น model ทายผิดค่อนข้างน้อย (F1-score = 96 %) ผลที่เราได้มาค่อยข้างโอเคเลยฮะ</p><p><strong>แล้ว model ทายส่วนไหนผิดบ้างล่ะ…</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/825/1*eGyEB22Oo1mUJ4HmxntkVg.png" /><figcaption>ตารางแสดงภาพ และ ผลลัพธ์ที่ model ทายผิดค่อนข้างบ่อย (Predict, Labels)</figcaption></figure><p><strong>ผลที่ได้จากการทำ image classification</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/578/1*IF7nfowQQzoQieP_e7p3kQ.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/200/1*791KLffcE_uTW7h-AOjxLg.png" /></figure><p>modelใช้เวลาในการตรวจจับ ATK ประมาณ (3–5 วินาที) สามารถตรวจจับได้อย่างแม่นยำ ถือว่าใช้ได้เลยทีเดียว…</p><p><strong>เช็คกับ test set อีกรอบเพื่อกันการ Overfitting</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/570/1*KyWVshsP8cNXJx7ChmFcGQ.png" /><figcaption>ผลที่ได้หลังจากการลองกับ test set</figcaption></figure><p>ได้ผลลัพธ์มาว่า ภาพจาก test set จำนวน 245 ภาพ ทำนาย ผิดไป 6 ภาพ ได้ความแม่นยำ (Accuracy) ที่ 97.55 % ซึ่งมีประสิทธิภาพ และ ไม่ Overfitting นั่นเองง</p><p><strong>ข้อผิดพลาดของ model</strong></p><p>จากที่ผมลอง model กับตัว test set พบว่าผมเจอปัญหานึงที่ image classification ยังมีข้อบกพร่องอยู่นั่นก็คือ…</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/605/1*osAZpYtq-j4OE_YkRdUJog.png" /><figcaption>ภาพที่เจอข้อบกพร่องอยู่ใน test set</figcaption></figure><p>อันนี้คือตัวอย่างภาพจาก test set ครับ ถ้าเรามองด้วยตาเปล่าก็จะรู้ว่าผลตรวจมันคือ Positive (เป็นบวก) นั่นเองแต่ model ทายว่าเป็น Negative (เป็นลบ) ทำไมกันนนน… <strong>ภาพอาจจะชัดขนาดนี้หนิ ???</strong></p><p>พอผมลองแบ่งภาพมาเป็นส่วนๆแล้วลอง ให้ model ทายดูพบว่า</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*R0SpMJrmTXuL3zzw-QYv8g.png" /><figcaption>ภาพส่วนแรกที่แบ่งออกมา</figcaption></figure><p>ส่วนแรกถ้าเราเอาภาพที่มีแต่แท่ง ATK จะพบว่า model ทำนายถูกด้วยความมั่นใจถึง 99.8 % (Negative = 0.0012 ; Positive = 0.99)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/638/1*ulwifSxBrVA1dRRfsp_V1A.png" /><figcaption>ภาพส่วนที่สองที่แบ่งออกมา</figcaption></figure><p>ส่วนที่สองเป็น background ที่เป็นปากกาสีแดง พบว่า model ทำนายว่าไม่ติด(Negative = 0.53 ; Positive = 0.46)</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/511/1*Lopk0AGECMdLzYkO1ju6Ag.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/475/1*DAaBnrNg6lrhK_JQfle_3Q.png" /><figcaption>ภาพที่ 1 : ผลที่ได้จากภาพ (Negative = 0.81 ; Positive = 0.18) ; ภาพที่ 2 : ภาพใช้ในการทำนาย</figcaption></figure><p>อีกปัญหาที่พบคือถ้าเราใส่ภาพที่ไม่ใช่ที่ตรวจ ATK ในmodel ก็จะมีพลังวิเศษในการแปลงภาพจากภาพทั่วไปเป็นผลตรวจ ATK ด้วยนั่นเองง 5555+ (ปัญหาใหญ่เลย)</p><blockquote>จากข้อผิดพลาดที่เราเจอ สรุปได้ว่า เราพบว่ากรณีที่ภาพที่ไม่ใช่ผลตรวจ ATK เลย หรือ มาเป็นแท่ง ATK + background (ภาพพื้นหลัง) มากๆ หรือ ที่เป็นขีดๆคล้ายๆกับขีดที่เป็นของที่ตรวจ ATK อาจจะทำให้ model สับสนว่าจะหา feature (จุดเด่น) จากตรงไหนดีและอาจทำให้ model ทำนายผิดพลาดได้นั่นเองครับ …. เพราะว่า Img Classification นั้นจะ detect ทั้งภาพ ต่างจาก object detection (detect เฉพาะส่วนที่ labels ไว้)</blockquote><p><strong>วิธีแก้ไขข้อผิดผลาดของ model</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/703/0*uB4KB-6lAtiQe-u8.png" /><figcaption>ref : Google( image classification vs object detection )</figcaption></figure><p>วิธีแก้ไขก็คือการให้ model detect เฉพาะตัวแท่ง ATK เป็น bounding box จะได้ไม่มีปัญหา background กับ ไม่พบ ATK นั่นก็คือหลักการของ Object detection นั่นเองง</p><blockquote>** จากข้อผิดพลาดส่วนนี้ของ model ทำให้ผมอยากที่จะพัฒนาให้มันดีขึ้นไปอีก นั่นก็คือ ส่วนต่อไปนั่นเองง สถานีต่อไป Object detection…………….</blockquote><p><a href="#2e74">→ back to content</a></p><h3>ส่วนที่ 2 / 2 พัฒนาให้การคัดกรองผลตรวจ ATK ดีขึ้นไปอีกก… (Object detection / Icevision)</h3><p><strong>- เตรียม dataset สำหรับทำ Object detection</strong></p><p>ขั้นตอนในการเตรียม dataset ของ Object detection อาจจะยุ่งยากกว่า image classification หน่อยคือ ใน object detection เราต้องตีกรอบ (annotate) ภาพๆนั้นไปด้วยนั่นเองง โดยผมเลือกใช้ tool ที่ชื่อว่า Roboflow เพราะ เราสามารถ เตรียม Dataset ได้ในเว็บและ เพิ่มจำนวนภาพ (augmentation) แถมตอน export เราสามารถเลือกรูปแบบได้ด้วย เช่น COCO หรือ Pascal VOC เรียกได้ว่าสะดวกสบายสุดๆ OwO</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*O1btcMEyQjfybNeW9zcIHg.png" /></figure><p>เนื่องจากตัวของ Icevision รองรับ Annotated file เป็นรูปแบบของ Pascal VOC ดังนั้นเราจะ export Dataset เป็นรูปแบบของ Pascal VOC นั่นเองง</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mBwLT1_OEUo6NLMV3hry8w.png" /><figcaption>export dataset ออกมาเป็นรูปแบบของ Pascal VOC (.xml)</figcaption></figure><p><strong>หลังจากเรา download มาจาก roboflow ก็จะได้หน้าตามาประมาณนี้</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*TL4FrsWQCPxdPrgcS1fr5w.png" /><figcaption>Dataset ที่ได้จาก Roboflow</figcaption></figure><p>เราจะเห็นได้ว่า file รูปภาพ กับ file annotate (.xml) มันอยู่ใน folder เดียวกันเลยซึ่งค่อนข้างอ่านยากและยากในการจัดการกับ dataset ผมเลยจะแยกเป็น 2 folder</p><p>โดยเราจะใช้ python ในการแยก folder เพราะขี้เกียจแยกมือนั่นเองง UwU</p><pre>#mv .xml to new folder<br>import os<br>anntotate_path = &quot;/Users/holyfakowo/Documents/ATK_VOC/annotations&quot;<br>folder_path = &quot;/Users/holyfakowo/Documents/ATK_VOC/images&quot;<br>each_path = []<br>for root, dirs, files in os.walk(folder_path):<br>    for file in files:<br>        if file.lower().endswith(&quot;.xml&quot;):<br>            #print(f&quot;{root}\{file}&quot;)<br>            #print(file)<br>            os.replace(f&quot;{root}/{file}&quot;, f&quot;{anntotate_path}/{file}&quot; )<br>print(&quot;replace file complete!&quot;)</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*pLhk8mPrOnX6d6WG6tXyTQ.png" /><figcaption>Dataset ที่ได้หลังจากทำการแบ่ง folder เรียบร้อยแล้ว</figcaption></figure><p>โอเครฮะ หลังเราแยก folder ภาพ กับ annotation เรียบร้อยแล้วก็แสดงว่า Dataset เราพร้อมใช้ในการทำ Object detection แล้วนั่นเอง</p><p><strong>เริ่มเทรน model กันน…..</strong></p><p>ในส่วนของ Object detection ผมเลือกใช้ Icevision ที่มีฐานมาจากตัวของ FastAI ทำให้ใช้งานง่ายและมี backbone (model) ที่มีให้ใช้งานได้หลากหลายให้เราเลือกใช้งานนั่นเองง</p><pre># Create the parser<br>parser = parsers.VOCBBoxParser(annotations_dir=&quot;/content/drive/MyDrive/AI_Builder/Dataset/Dataset/ATK_xml(train)/annotations&quot;,<br>                               images_dir=&quot;/content/drive/MyDrive/AI_Builder/Dataset/Dataset/ATK_xml(train)/images&quot;)<br>train_records, valid_records = parser.parse()</pre><p>ระบุตำแหน่งที่อยู่ของ ภาพ (images_dir) กับ folder ของ annotate file Pascal VOC (annotations_dir)</p><pre># Transforms<br># size is set to 384 because EfficientDet requires its inputs to be divisible by 128<br>image_size = 384<br>train_tfms = tfms.A.Adapter([*tfms.A.aug_tfms(size=image_size, presize=512), tfms.A.Normalize()])<br>valid_tfms = tfms.A.Adapter([*tfms.A.resize_and_pad(image_size), tfms.A.Normalize()])</pre><p>ทำการ augmentation ด้วยการ presize ภาพ</p><pre>model_type = models.ross.efficientdet<br>backbone = model_type.backbones.tf_d2<br># The efficientdet model requires an img_size parameter<br>extra_args[&#39;img_size&#39;] = image_size</pre><p><strong>Model มีมากมายแล้วเราจะเลือกใช้ตัวไหนดีล่ะ….</strong></p><p>โดยผมเลือกใช้ backbone เป็นตัวของ efficientdet_d2 ซึ่งมีความแม่นยำสูง และ มีประสิทธิภาพมากกว่า model ตัวอื่นๆ จากที่ผมเคยลองมาหลายๆตัว</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/551/1*Ys_CU4mAJPvrPDLu_lGJrQ.png" /><figcaption>กราฟแสดงผลการเปรียบเทียบ ความแม่นยำสูงสุดที่ model แต่ละตัวทำได้</figcaption></figure><pre># Instantiate the model<br>model = model_type.model(backbone=backbone(pretrained=True), num_classes=len(parser.class_map), **extra_args)</pre><p>กำหนด model ให้ใช้ transfer learning และ จำนวน class 2 อัน ได้แก่ Positive (ผลเป็นบวก) กับ Negative (ผลเป็นลบ)</p><pre>metrics = [COCOMetric(metric_type=COCOMetricType.bbox), SimpleConfusionMatrix(print_summary=True)]</pre><pre>learn = model_type.fastai.learner(dls=[train_dl, valid_dl], model=model, metrics=metrics)</pre><p>เลือกใช้ metricsที่ เป็น COCOMetrics (Accuracy) และ SimpleConfusionMatrix (Confusion matrix) กับ เลือกใช้ model ของ FastAI ในการเทรน</p><p><strong>หาค่า learning rate เพื่อหาอัตราในการเทรนที่เหมาะสม</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/808/1*1vuYaYKZgv4koFdsKM0ezA.png" /><figcaption>กราฟแสดงผล learning rate โดยได้ค่าที่ดีที่สุดอยู่ที่ 10e-3</figcaption></figure><p><strong>เทรน modelโดยใช้ค่า learning rate ที่หาได้จาก lean.lr_find() จำนวน 100 epoch</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/528/1*oNYvYNjLUELDs9q0xuyNEg.png" /><figcaption>ทำการ finetune (transfer learning) ด้วยอัตรา learning rate ที่ 10e-3</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/526/1*Xo0gZofOUIzFUNlJozrObg.png" /><figcaption>ผลที่ได้หลังจากเทรน model เสร็จ</figcaption></figure><p>ค่าความแม่นยำ (accuracy) จาก COCOMetrics ที่ประมาณ 97.5 % ผลเป็นที่น่าพึงพอใจเป็นอย่างมาก</p><p><strong>ผลที่ได้จากการแยกผลตรวจ ATK โดยใช้ Object detection (Icevision)</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*nE4iwWWVUbM9PIbXMwRyEw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/640/1*xBdtVA1nYT4S_TMzRU2NCQ.png" /><figcaption>ภาพที่ 1 : ผลลัพธ์ที่ได้จากการทำ detection (Positive 99.5 %) ; ภาพที่ 2 : ภาพที่ model ตรวจจับแท่ง ATK ได้</figcaption></figure><p><strong>ทำการ save model (.pkl)</strong></p><pre>checkpoint_and_model = model_from_checkpoint(checkpoint_path,</pre><pre>model_name=&#39;ross.efficientdet&#39;,</pre><pre>backbone_name=&#39;tf_d2&#39;,</pre><pre>img_size=384,</pre><pre>is_coco=False)</pre><p><strong>ตรวจสอบว่า model ทำนายอะไรผิดไปบ้างจำนวนเท่าไหร่ด้วย Confusion matrix</strong></p><pre>learn.metrics[1].metric.plot()</pre><figure><img alt="" src="https://cdn-images-1.medium.com/max/934/1*uOoCcV5ASAntRwomgBsp7w.png" /><figcaption>Confusion Matrix ที่ได้จากการเทรน model</figcaption></figure><p>จากภาพจะเห็นได้ว่าทายผิดค่อนข้างน้อย ผลออกมาค่อนข้างดีเลยทีเดียว แต่ด้วยความที่ความแม่นยำค่อนข้างสูงอาจจะมีโอกาสที่จะเกิด Overfitting ได้</p><p><strong>เช็คกับ test set อีกรอบเพื่อกันการ Overfitting</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/534/1*_GF37Gdd12XrsYjUhZkEVw.png" /><figcaption>ผลที่ได้หลังจากการลองกับ test set</figcaption></figure><p>ได้ผลลัพธ์มาว่า ภาพจาก test set จำนวน 233 ภาพ ทำนาย ผิดไป 6ภาพ และหาที่ตรวจ ATK ไม่พบอีก 4 ภาพ ได้ความแม่นยำ (Accuracy) ที่ 95.70 % ซึ่งถือว่าค่อนข้างมีประสิทธิภาพ และ ไม่ Overfitting นั่นเองง</p><blockquote>**ถึงค่าความแม่นยำจะได้น้อยกว่าการทำ image classification แต่เราก็สามารถมั่นใจได้ว่าถ้ามีรูปภาพที่ไม่ใช่ที่ตรวจ ATK มา model ก็จะไม่ทำการเดามั่วแน่นอน (เอาแบบแม่นๆ) ผมจึงเลือกใช้ Object detection นั่นเองง เพราะสมมติถ้าไม่เจอที่ตรวจ ATK model ก็จะบอกว่าไม่พบ แล้วเราก็สามารถให้ผู้ใช้งานทำการถ่ายภาพใหม่นั่นเอง</blockquote><p><strong>ข้อผิดพลาดของ model และ วิธีแก้ปัญหา</strong></p><ul><li>ถ้าภาพผลตรวจ ATK ไม่ชัด หรือ อยู่ไกลมากๆ เปอร์เซ็นที่ model จะตรวจจับได้มีค่อนข้างตํ่า (แนะนำให้ถ่ายใกล้ๆ และ ถ่ายให้ชัด)</li><li>ในกรณีที่ผลตรวจ ATK เป็น Positive แต่ ขีดที่ผลตรวจมีความจางมากจนเกินไป (จ๊างจางงง….) model จะสามารถ ทายผิดได้ (โอกาสเกิดน้อยมาก ;</li></ul><p>แนะนำให้ถ่ายภาพใหม่ หรือ ลองกับผลตรวจใหม่)</p><ul><li>ในกรณีที่มีสิ่งของที่เป็นแท่งสี่เหลี่ยมรูปร่างคล้ายกับที่ตรวจ ATK มากๆอาจทำให้ model ทำนายผิดแล้วไปตรวจจับสิ่งๆนั้นเอาได้ (โอกาสเกิดน้อยมาก แต่เกิดขึ้นได้ ; แนะนำตอนถ่ายภาพไม่ควรมีสิ่งอื่นอยู่ด้วยนอกจาก ผลตรวจ ATK + บัตรประชาชน)</li></ul><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*VNBClnQfY3j7iUrv4yFBGw.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*bQu631qv-kFaKQOyQPBkTw.png" /><figcaption>ข้อผิดพลาดของ model ในกรณีที่ขีดที่ผลตรวจมีความจางมากจนเกินไป (จ๊างจางง)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/612/1*C1dLifa28OfbKn-F4hLPfg.png" /><figcaption>ข้อผิดพลาดของ modelในกรณีที่มีสิ่งของที่เป็นแท่งสี่เหลี่ยมรูปร่างคล้ายกับที่ตรวจ ATK</figcaption></figure><p>เอาล่ะผลค่อนข้างเป็นที่น่าพอใจแล้ววล่ะ ผมขอปิดส่วนของ object detection เพียงเท่านี้ค้าบบ….</p><p><a href="#2e74">→ back to content</a></p><h3><strong>Model ต้องมีประสิทธิภาพแค่ไหนล่ะถึงจะดีพอ?? (Baseline comparison)</strong></h3><p>จากที่ผมได้จัดทำแบบสอบถาม โดยให้คน 10 คน ทำการบันทึกผลที่ได้จาก บัตรประชาชน คู่กับ ผลตรวจ ATK โดยให้กรอก ชื่อ-นามสกุล (ภาษาอังกฤษ) เลขบัตรประชาชน และ ผลตรวจ ATK (ติด / ไม่ติด) โดยจับเวลาด้วย จำนวน 10 ภาพ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/768/1*d4vvMrgX2Q9TtTwjsYmTSw.png" /><figcaption>ตัวอย่าง รูปแบบคำถามจากแบบสอบถามที่ใช้เป็น Baseline</figcaption></figure><p><strong>ผลที่ได้จากการเปรียบเทียบกันระหว่าง model กับ คน (Baseline)</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*aZjptKcFPKEITGe3" /><figcaption>ตารางเปรียบเทียบความแม่นยำเฉลี่ยที่ model ทำได้เปรียบเทียบกับ baseline (คน)</figcaption></figure><p>(ปล. ผมใช้ บัตรประชาชน + ผลตรวจ ATK ใน model จำนวน 30 รูป ที่ภาพถ่ายชัด และ ถูกต้องตามแบบคล้ายคลึงตามในแบบสอบถาม)</p><p>จากผลที่ได้สรุปได้ว่า ส่วนที่ผ่าน baseline และมีประสิทธิภาพดีกว่าคัดกรองด้วยคนคือ ผลตรวจ ATK ได้ผลที่ 100 %, เลขบัตรประชน ได้ผลที่ 100 % และ ความเร็วในการคัดกรอง ได้ผลที่ 4.84 วินาที ซึ่งมีความเร็วมากกว่า 81% เมื่อเทียบกับคัดกรองด้วยคน ถือว่ามีประสิทธิภาพที่สูงมากในการคัดกรอง แต่ยังมีส่วน ชื่อ-นามสกุล ที่ได้ความแม่นยำที่ 82.76 % น้อยกว่า baseline 3 %</p><blockquote>** ในการนำ model ไปใช้งานจริงผมแนะนำให้ใช้ เลขบัตรประชาชน แทน ชื่อ-นามสกุล เพราะ ชื่อ-นามสกุล ยังมีปัญหาเรื่อง ตัวอักษร i, j, l ที่ model ยังแยกไม่ค่อยออกอยู่ครับ OwO</blockquote><p><a href="#2e74">→ back to content</a></p><h3><strong>Deploy model กันเลยยย</strong></h3><p>หลังจากที่เราค่อนข้างมั่นใจแล้วว่า model เรามีประสิทธิภาพ และ สามารถใช้งานได้จริงแล้วส่วนสุดท้ายก็คือการ deploy นั่นเอง โดยผมใช้ EC2 (Elastic Compute Cloud) ของ Amazon Web Service ในการรันเว็บ และ Streamlit ในการตกแต่งหน้าเว็บครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*uBqTm_-jZVzbV3SadnB1Ow.png" /><figcaption>ผลลัพธ์ที่ได้หลังจากทำการ deploy (EC2 + Streamlit)</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*mEkeXuDUJSQBW6PVXnL42Q.png" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*GEjmcXOnkLkNwzWGhIk6HA.jpeg" /><figcaption>ตัวอย่างการใช้งาน AOC_Webapp</figcaption></figure><p>** หลายคนอาจสงสัยว่าทำไมไม่ deploy ลง Streamlit cloud ล่ะ ง่ายกว่าเยอะเลยไม่ต้องถึงขั้นใช้ EC2 หรอก…. ใช่แล้วครับผมก็มีความคิดแบบผู้อ่านหลายๆคนนั่นแหละครับ แต่มันเกิดสิ่งที่เราไม่คาดคิดขึ้นนั่นก็คือ bug นั่นเองง = = ซึ่งผมลองแก้มาทุกรูปแบบก็ยังแก้ไม่ได้ เลยคิดว่าน่าจะเป็นปัญหาของ Streamlit cloud ครับ <strong>(ตอนนี้กำลัง debug เรื่อยๆครับ ถ้าได้จะมีการ update นะครับ OwO)</strong></p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/0*v7ZJRWv6Ug7kgSjc.png" /><figcaption>ปัญหาที่พบตอน deploy บน Streamlit cloud</figcaption></figure><p><a href="#2e74">→ back to content</a></p><h3>Future plan แผนที่จะพัฒนาต่อในอนาคต</h3><p>โอเครฮะหลังจากที่เรา ทดลอง deploy ลงเว็บให้ได้ทดลองใช้แล้ว ผมคิดว่าในอนาคตผมอยากจะทำเป็น Line api ไว้สำหรับคัดกรองผลตรวจ ATK จากเชื้อ Covid-19 (ภายในเร็วๆนี้) เพื่อที่จะสามารถใช้งานจริงได้ในหน่วยงานนั้นๆ เช่น ในสถานศึกษา , ในหน่วยงานภาครัฐ หรือ เอกชน เพื่อที่จะช่วยอำนวยความสะดวก และ ลดภาระงานในเรื่องของการคัดกรอง แล้วเอาเวลาไปทำอย่างอื่นแทนฮะ และ จะพัฒนาในส่วนของ OCR ชื่อ-นามสกุลที่ยังมีปัญหาอยู่ในเรื่องตัวอักษร i, j, l ที่ตอนนี้ยังทำนายได้ไม่ค่อยแม่นยำเท่าไหร่ครับ</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/774/1*guoxcovEm__9XoLq4hz8QQ.jpeg" /><figcaption>ขั้นตอนการทำ api line เพื่อนำ model ไปใช้จริง</figcaption></figure><p>แล้วก็ พัฒนาในส่วนของ ชื่อ-นามสกุล ที่ยังมีข้อบกพร่องในตัวอักษร i กับ l ที่โมเดลยังจับไม่ค่อยถูกเท่าไหร่ โดยการสร้าง prediction model ตัวอักษร i กับ l แล้วเอามารวมกับ AOC model เพื่อให้ได้ประสิทธิภาพในการใช้งานจริงที่มากขึ้น</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*12U_Y6tdf5gRvt__kpaOHQ.png" /><figcaption>รวม prediction model (i, j) กับ AOC model เพื่อให้ได้ประสิทธิภาพในการหา ชื่อ-นามสกุล มากขึ้น</figcaption></figure><p><a href="#2e74">→ back to content</a></p><h3><strong>บทสรุป (Conclusion)</strong></h3><p>ก็จบไปแล้วนะครับสำหรับการทำ Object detection + Optical character recognition (OCR) เพื่อคัดกรองผลตรวจ Antigen test kit (ATK) คู่กับ บัตรประชาชน โดยโปรเจค “ATK-OCR Classification (AOC)” จะไม่มีทางเกิดขึ้นเลยครับ ถ้าผมไม่ได้รับโอกาสจากทางโครงการ AI Builders และ พี่ๆที่ปรึกษา กับ เพื่อนๆ ที่ให้ความรู้ และ ช่วยเหลือผมในเรื่องต่างๆเป็นอย่างดี จนทำให้ผมสามารถสร้างสรรค์ผลงาน Machine Learning ที่สามารถใช้ได้จริงตามที่ผมไฝ่ฝันขึ้นมาได้ครับ และ ก็ขอบคุณผู้ที่สนใจที่อ่าน Blog ของผมมาจุดนี้ด้วยครับ ผมหวังว่าสิ่งที่ผมได้ทำ และ ถ่ายทอดออกมาในครั้งนี้ เป็นประโยชน์ หรือ แรงบันดาลใจให้กับใครหลายๆคน ไม่มากก็น้อยครับ ถ้าหากมีข้อผิดพลาดประการใดก็ต้องขออภัยใน ณ ที่นี้ ด้วยครับ UwU</p><p>** สุดท้ายนี้ ผมขอขอบคุณแบบสุดๆ คือ พี่ๆ TA และ เพื่อนๆ ในทีม Lucky Doves ทุกคนครับที่ช่วยมางมกับ bug ปัญหาต่างๆอย่างมากมายที่ผมเจอ พร้อมกับช่วยแนะนำเสนอแนะ ในส่วนที่บกพร่องครับ (กราบงามๆ…)</p><p><strong>เหล่าท่านเทพที่ปรึกษา….</strong></p><p>พี่เต๋อ : Panyawut Sri-iesaranusorn [Algorithm Engineer, TikTok, Singapore]</p><p>พี่โอ : Phiradet Bangcharoensap [Machine Learning Engineer, Tiktok, Singapore]</p><p>และ เพื่อนๆ พี่ๆ ทุกคนในทีม Lucky Doves ฮะ UwU</p><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*cpBpOx5E0MNJzCO5BJ_Slw.jpeg" /><figcaption>My Teams and Mentors (Lucky-Doves) #AI Builders 2022</figcaption></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*_0Y_OLfKX-EHpnw2mUE9YA.jpeg" /></figure><figure><img alt="" src="https://cdn-images-1.medium.com/max/1024/1*Ed-XVFJPSKYaiuxzmuuErw.jpeg" /><figcaption>Pitching and present to mass medium @ AI Builders showcase (BACC Bangkok Thailand)</figcaption></figure><p><a href="#2e74">→ back to content</a></p><h3><strong>Deploy Link (Web application)</strong></h3><ul><li><a href="https://huggingface.co/spaces/Tanaanan/ATK_OCR_Classification_Icevision">AOC (ATK-OCR Classification)</a> [Object detection : Icevision]</li><li><a href="https://huggingface.co/spaces/Tanaanan/ATK_OCR_Classification_FastAI">AOC (ATK-OCR Classification)</a> [Image Classification : FastAI]</li><li><a href="https://huggingface.co/spaces/Tanaanan/Thai-Identification-Card_OCR_Webapp">Thai Identification-Card (OCR)</a> [Optical Character recognition + Natural Language Processing : EasyOCR + PythaiNLP]</li></ul><h3><strong>Github Link (Source Code)</strong></h3><ul><li><a href="https://github.com/Tanaanan/AOC_ATK_OCR_Classification">AOC (ATK-OCR Classification)</a></li><li><a href="https://github.com/Tanaanan/Thai-Identification-Card-OCR-Webapp.">Thai Identification-Card OCR</a></li></ul><h3>อ้างอิง (Reference)</h3><ul><li><a href="https://ai-builders.github.io/">AI Builders</a></li><li><a href="https://github.com/PyThaiNLP/pythainlp">PythaiNLP</a></li><li><a href="https://airctic.com/0.12.0/">Icevision</a></li><li><a href="https://github.com/JaidedAI/EasyOCR">EasyOCR</a></li><li><a href="https://th.wikipedia.org/wiki/%E0%B8%A3%E0%B8%B0%E0%B8%A2%E0%B8%B0%E0%B8%97%E0%B8%B2%E0%B8%87%E0%B9%80%E0%B8%A5%E0%B9%80%E0%B8%A7%E0%B8%99%E0%B8%8A%E0%B9%80%E0%B8%95%E0%B8%A2%E0%B9%8C%E0%B8%99)">Editdistance</a></li><li><a href="https://medium.com/codex/review-efficientdet-scalable-and-efficient-object-detection-ed9ebc70f873">Object detection comparison</a></li><li><a href="https://medium.com/incubate-co-th/%E0%B8%9E%E0%B8%AD%E0%B8%81%E0%B8%B1%E0%B8%99%E0%B8%97%E0%B8%B5%E0%B8%81%E0%B8%B1%E0%B8%9A%E0%B8%81%E0%B8%B2%E0%B8%A3%E0%B9%80%E0%B8%9B%E0%B8%A5%E0%B8%B5%E0%B9%88%E0%B8%A2%E0%B8%99-webhook-%E0%B8%97%E0%B8%B5%E0%B9%88-line-developer-console-%E0%B9%80%E0%B8%A1%E0%B8%B7%E0%B9%88%E0%B8%AD-line-%E0%B8%A1%E0%B8%B5-api-%E0%B9%83%E0%B8%AB%E0%B8%A1%E0%B9%88-e8ce55496a7">Line deployment</a></li></ul><p><a href="#2e74">→ back to content</a></p><img src="https://medium.com/_/stat?event=post.clientViewed&referrerSource=full_rss&postId=fa32a8d47599" width="1" height="1" alt="">]]></content:encoded>
        </item>
    </channel>
</rss>