การจำแนกเว็บไซต์พนันออนไลน์จากภาพหน้าจอด้วย MobileNetV2
คำสำคัญ:
โมบายเน็ตV2, การจำแนกภาพหน้าจอเว็บไซต์, เว็บไซต์พนัน, การเรียนรู้เชิงลึก, การถ่ายทอดการเรียนรู้บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาและประเมินประสิทธิภาพของระบบอัตโนมัติสำหรับการจำแนกเว็บไซต์พนันออนไลน์จากภาพหน้าจอเว็บไซต์ โดยประยุกต์ใช้เทคนิคการประมวลผลภาพร่วมกับการเรียนรู้เชิงลึกผ่านสถาปัตยกรรมโมบายเน็ตวีทู ซึ่งเป็นโครงข่ายประสาทเทียมแบบคอนโวลูชันที่ผ่านการฝึกสอนล่วงหน้าบนชุดข้อมูลอิมเมจเน็ต และนำมาปรับใช้ด้วยเทคนิคการเรียนรู้แบบถ่ายโอนเพื่อเพิ่มประสิทธิภาพกับชุดข้อมูลเฉพาะทาง ชุดข้อมูลที่ใช้ทดลองประกอบด้วยภาพหน้าจอเว็บไซต์ 1,200 ภาพ แบ่งเป็นเว็บไซต์การพนันและเว็บไซต์ทั่วไปในสัดส่วนที่เท่ากัน กระบวนการเตรียมข้อมูลรวมถึงการปรับขนาดภาพมาตรฐานและการทำนอร์มัลไลเซชัน โดยแบ่งชุดข้อมูลเพื่อฝึกสอน ตรวจสอบ และทดสอบ ในสัดส่วนร้อยละ 70-20-10 และร้อยละ 80-10-10 เพื่อเปรียบเทียบผลลัพธ์เชิงประจักษ์ นอกจากนี้ได้ปรับค่าพารามิเตอร์หลัก ได้แก่ ขนาดแบทช์ 8 และ 16 ร่วมกับจำนวนรอบการฝึกสอนระหว่าง 10-50 รอบ พร้อมประยุกต์ใช้เทคนิคการหยุดก่อนกำหนดเพื่อป้องกันปัญหาการเรียนรู้เกินและเพิ่มเสถียรภาพของแบบจำลอง ทั้งนี้ได้ประเมินประสิทธิภาพผ่านตัวชี้วัดความแม่นยำ ค่าความระลึก ค่าเอฟวัน และค่าพื้นที่ใต้เส้นโค้งลักษณะเฉพาะ เพื่อสะท้อนความสามารถในการจำแนกข้อมูลอย่างครอบคลุม ผลการทดลองพบว่า การแบ่งข้อมูลในสัดส่วน 80–10–10 ร่วมกับ Batch Size เท่ากับ 8 และ Epoch เท่ากับ 50 ให้ประสิทธิภาพสูงสุด โดยมีค่า Accuracy เท่ากับ 0.97, Precision เท่ากับ 0.98, Recall เท่ากับ 0.95, F1-Score เท่ากับ 0.95 และ ROC AUC เท่ากับ 0.9969 ซึ่งอยู่ในระดับยอดเยี่ยม ผลการวิจัยพบว่าโมบายเน็ตวีทูมีประสิทธิภาพสูงในการจำแนกเว็บไซต์การพนันออนไลน์อย่างแม่นยำและมีเสถียรภาพ ด้วยจุดเด่นด้านขนาดแบบจำลองที่เล็กและใช้ทรัพยากรต่ำ จึงเหมาะสมต่อการประยุกต์ใช้ในระบบเฝ้าระวังและสนับสนุนการบังคับใช้กฎหมาย อย่างไรก็ตาม งานวิจัยยังมีข้อจำกัดด้านขนาดชุดข้อมูลและการจำแนกเพียงสองกลุ่ม งานวิจัยในอนาคตจึงควรเพิ่มความหลากหลายของข้อมูล ทดลองเปรียบเทียบกับสถาปัตยกรรมอื่น
เอกสารอ้างอิง
พระราชบัญญัติการพนัน พุทธศักราช 2478. (2478, 5 กุมภาพันธ์). ราชกิจจานุเบกษา. เล่ม 52, ตอนที่ 0 ก. หน้า 1980-2003.
พระราชบัญญัติคุ้มครองข้อมูลส่วนบุคคล พ.ศ. 2562. (2562, 27 พฤษภาคม). ราชกิจจานุเบกษา. เล่ม 136, ตอนที่ 69 ก. หน้า 52-95.
พระราชบัญญัติว่าด้วยการกระทำความผิดเกี่ยวกับคอมพิวเตอร์ พ.ศ. 2550. (2550, 18 มิถุนายน). ราชกิจจานุเบกษา. เล่ม 124, ตอนที่ 27 ก. หน้า 4-13.
Nair, B. J. B., Arjun, B., Abhishek, S., Abhinav, N. M., and Madhavan, V. (2024). Classification of Indian medicinal flowers using MobileNetV2. 2024 11th International Conference on Computing for Sustainable Global Development (INDIACom), pp. 1512-1518.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., and Chen, L.-C. (2018). MobileNetV2: Inverted residuals and linearized bottlenecks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp. 4510-4520.
พระราชบัญญัติการบริหารงานและการให้บริการภาครัฐผ่านระบบดิจิทัล พ.ศ. 2562. (2562, 22 พฤษภาคม). ราชกิจจานุเบกษา. เล่ม 136, ตอนที่ 67 ก. หน้า 40-52.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.
Pedregosa, F., Varoquaux, G., Gramfort, A., Michel, V., Thirion, B., Grisel, O., Blondel, M., Prettenhofer, P., Weiss, R., Dubourg, V., Vanderplas, J., Passos, A., Cournapeau, D., Brucher, M., Perrot, M., & Duchesnay, É. (2011). Scikit-learn: Machine learning in Python. Journal of Machine Learning Research, vol. 12, pp. 2825–2830.
Patel, S., Kumar, A., & Singh, R. (2020). AI for inclusive education: A case study. International Journal of Special Education, vol. 35(3), pp. 10-23.
Aufar, Y., & Kaloka, T. P. (2021). Robusta coffee leaf detection based on YOLOv3-MobileNetV2 model. International Journal of Electrical and Computer Engineering (IJECE). vol. 12(6), pp. 6675-6683.
Masters, D., & Luschi, C. (2018). Revisiting small batch training for deep neural networks. arXiv:1804.07612. pp. 1-18.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
หมวดหมู่
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารวิศวกรรมศาสตร์และการวิจัยเชิงนวัตกรรม
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
