การตรวจจับการทำงานของเครื่องปรับอากาศแบบไม่รุกรานโดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน
คำสำคัญ:
คอมพิวเตอร์วิทัศน์, โครงข่ายประสาทเทียมแบบคอนโวลูชัน, ระบบควบคุมและจัดการจากระยะไกลบทคัดย่อ
ในปัจจุบันมีการสร้างและใช้งานเครื่องดูแลและตรวจจับการทำงานของอุปกรณ์อิเล็กทรอนิกส์มากขึ้นเพื่อให้ผู้ใช้หรือผู้ดูแลระบบสามารถดูแลและตรวจจับการทำงานระยะไกลผ่านอินเทอร์เน็ตได้ แต่ในการทำงานจริงนั้น ระบบเหล่านี้ยังมีข้อจำกัด โดยเฉพาะอย่างยิ่งสำหรับเครื่องปรับอากาศ เนื่องจากเครื่องปรับอากาศมีราคาสูง มีอายุการใช้งานยาวนาน และเมื่อมองภาพรวมระดับอาคารหรือองค์กร จะเห็นว่าการใช้เครื่องปรับอากาศหลายรุ่นหรือจากหลายผู้ผลิตมักเป็นสิ่งที่เลี่ยงไม่ได้ ทำให้การเปลี่ยนเครื่องเดิมให้เข้ากับระบบดังกล่าวมีความซับซ้อนและมีราคาสูง จึงทำให้เกิดการศึกษาและพัฒนาเครื่องมือตรวจจับการทำงานเครื่องปรับอากาศแบบไม่รุกรานโดยใช้ปัญญาประดิษฐ์จากภาพวงจรปิดขึ้น โมเดลที่ใช้เป็นโครงข่ายประสาทเทียมแบบคอนโวลูชัน โดยใช้การทรานสเฟอร์เลิร์นนิงจากโมบิลเน็ต พัฒนาโดยใช้เทนเซอร์โฟลว โดยมีการทดลองโมเดล 3 แบบจากการใช้ข้อมูลความละเอียดเชิงเวลาที่ต่างกัน คือ 1, 2, และ 30 เฟรมต่อวินาที ซึ่งผลการทดลองโมเดลที่พัฒนาพบว่า โดยรวมโมเดลสามารถแยกแยะการทำงานของเครื่องปรับอากาศได้ดีกว่าฐานการเปรียบเทียบ และในเครื่องปรับอากาศหลายรูปลักษณ์ โมเดลสามารถแยกแยะการทำงานได้ 100%
References
McNeil, M. A., & Letschert, V. E. (2008). Future air conditioning energy consumption in developing countries and what can be done about it: the potential of efficiency in the residential sector.
Luo, H., Xiong, C., Fang, W., Love, P. E., Zhang, B., & Ouyang, X. (2018). Convolutional neural networks: Computer vision-based workforce activity assessment in construction. Automation in Construction, 94, 282-289.
Srijakkot, K., Kanjanasurat, I., Wiriyakrieng, N., Lartwatechakul, M., & Benjangkaprasert, C. (2020). Intruder Detection by Using Faster R-CNN in Power Substation. In Recent Advances in Information and Communication Technology 2020: Proceedings of the 16th International Conference on Computing and Information Technology (IC2IT 2020) (pp. 159-167). Springer International Publishing.
Harjoseputro, Y., Yuda, I., & Danukusumo, K. P. (2020). MobileNets: Efficient convolutional neural network for identification of protected birds. IJASEIT (International Journal on Advanced Science, Engineering and Information Technology), 10(6), 2290-2296.
Favorskaya, M., & Pakhirka, A. (2019). Animal species recognition in the wildlife based on muzzle and shape features using joint CNN. Procedia Computer Science, 159, 933-942.
Qu, D., Huang, Z., Gao, Z., Zhao, Y., & Song, G. (2018, December). An automatic system for smile recognition based on CNN and face detection. In 2018 IEEE International Conference on Robotics and Biomimetics (ROBIO) (pp. 243-247). IEEE.
Akhand, M. A. H., Roy, S., Siddique, N., Kamal, M. A. S., & Shimamura, T. (2021). Facial emotion recognition using transfer learning in the deep CNN. Electronics, 10(9), 1036.
Kaur, G., Sinha, R., Tiwari, P. K., Yadav, S. K., Pandey, P., Raj, R., ... & Rakhra, M. (2022). Face mask recognition system using CNN model. Neuroscience Informatics, 2(3), 100035.
Torrey, L., & Shavlik, J. (2010). Transfer learning. In Handbook of research on machine learning applications and trends: algorithms, methods, and techniques (pp. 242-264). IGI global.
Tan, M., & Le, Q. (2019, May). Efficientnet: Rethinking model scaling for convolutional neural networks. In International conference on machine learning (pp. 6105-6114). PMLR.
Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., ... & Adam, H. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv preprint arXiv:1704.04861.
Deng, J., Dong, W., Socher, R., Li, L. J., Li, K., & Fei-Fei, L. (2009, June). Imagenet: A large-scale hierarchical image database. In 2009 IEEE conference on computer vision and pattern recognition (pp. 248-255). Ieee.
Yae, J. (2022). Unintended look-ahead bias in out-of-sample forecasting. Applied Economics Letters, 1-5.
Ying, X. (2019, February). An overview of overfitting and its solutions. In Journal of physics: Conference series (Vol. 1168, p. 022022). IOP Publishing.
Srivastava, N., Hinton, G., Krizhevsky, A., Sutskever, I., & Salakhutdinov, R. (2014). Dropout: a simple way to prevent neural networks from overfitting. The journal of machine learning research, 15(1), 1929-1958.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2023 วารสารวิทยาศาสตร์และเทคโนโลยี มทร.สุวรรณภูมิ
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
