DEEP CONVOLUTIONAL NEURAL NETWORKFOR SPEED LIMIT SIGNS CLASSIFICATION

Abstract

The objective of this research is to study the structure of the model and compare the parameters that affect the classification of traffic signs with speed limit restrictions. Using convolutional neural network (CNN) techniques Using LeNet-5, AlexNet, VGG16, ShuffleNet, and MobileNet models, trained on traffic sign images dataset obtained from Kaggle named GTSRB - German Traffic Sign Recognition Benchmark, selecting images that are only speed limit signs. The total number of images was 12,780. The study seeks to compare model performance across groups of images with varying sizes or resolutions, divided into three groups: low resolution images, high resolution images, and mixed resolution images which are grouped according to the average resolution of the image using the KNIME Platform. The experimental findings ShuffleNet achieved the best performance with an Accuracy of 99% and LeNet-5 and AlexNet closely follow with Accuracy of 98%

งานวิจัยนี้มีวัตถุประสงค์ เพื่อศึกษาโครงสร้างของแบบจำลองและเปรียบเทียบพารามิเตอร์ที่ส่งผลกับการจำแนกป้ายจราจรประเภทป้ายจำกัดความเร็ว ด้วยเทคนิคโครงข่ายประสาทเทียมแบบคอนโวลูชัน โดยใช้แบบจำลองทั้งหมด 5 ชนิด ได้แก่ LeNet-5 AlexNet VGG16 ShuffleNet และ MobileNet โดยใช้ภาพถ่ายจริงของป้ายจราจรจากชุดข้อมูลการจดจำป้ายจราจรเยอรมัน (German Traffic Sign Recognition Benchmark) จาก Kaggle โดยคัดเลือกเฉพาะที่ป้ายจราจรที่จำกัดความเร็วเท่านั้น จำนวนรูปภาพรวมทั้งสิ้น 12,780 ภาพ งานวิจัยนี้มีจุดประสงค์เพื่อเปรียบเทียบประสิทธิภาพของแบบจำลองกับกลุ่มภาพที่แตกต่างกันตามความละเอียด ได้แก่ กลุ่มภาพความละเอียดต่ำกลุ่มภาพความละเอียดสูง และกลุ่มภาพความละเอียดผสม ซึ่งแบ่งกลุ่มตามค่าเฉลี่ยของความละเอียดของรูปภาพ โดยใช้โปรแกรม KNIME เพื่อหากลุ่มภาพที่ทำให้แบบจำลองมีประสิทธิภาพในการคัดแยกมากที่สุด ซึ่งผลการทดลองพบว่า แบบจำลองที่มีประสิทธิภาพดีที่สุด คือ ShuffleNet มีความสามารถในการคัดแยกป้ายจราจรจำกัดความเร็วได้ดีที่สุด รองลงมาเป็น Lenet-5 และ AlexNet