Development of a Web-Based Application for Automatic Traffic Sign Detection and Recognition Using Teachable Machine

งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาโมเดลสำหรับจำแนกประเภทของป้ายจราจรอัตโนมัติ โดยใช้เครื่องมือ Teachable Machine ซึ่งเป็นแพลตฟอร์มการเรียนรู้ของเครื่องที่ไม่ต้องอาศัยความรู้ด้านการเขียนโปรแกรม โดยโมเดลที่พัฒนาอาศัย โครงข่ายประสาทเทียมแบบคอนโวลูชัน โดยเฉพาะสถาปัตยกรรม MobileNet ซึ่งฝึกด้วยอัลกอริทึม Adam Optimizer บนพื้นฐานของ TensorFlow.js สำหรับการใช้งานฝั่งผู้ใช้ผ่านเว็บแอปพลิเคชัน ทั้งนี้ ชุดข้อมูลที่ใช้ประกอบด้วยภาพป้ายจราจรรวม 17,440 ภาพ จาก 27 คลาส ซึ่งรวบรวมจากชุดข้อมูลมาตรฐาน GTSRB และภาพถ่ายจากประเทศไทย โดยได้มีการประยุกต์ใช้เทคนิค Data Augmentation ได้แก่ การหมุนภาพ การปรับแสง การเพิ่มสัญญาณรบกวน และการแปลงมุมมอง เพื่อเพิ่มความหลากหลายของข้อมูลและลดความเสี่ยงจาก Overfitting โมเดลถูกฝึกด้วยพารามิเตอร์พื้นฐาน ได้แก่ ขนาดกลุ่มเท่ากับ 16 จำนวนรอบการฝึก เท่ากับ 50 และค่า Learning Rate เท่ากับ 0.001 การประเมินประสิทธิภาพของโมเดลดำเนินการผ่านตัวชี้วัดประสิทธิภาพมาตรฐาน ได้แก่ Accuracy, Precision, Recall และ F1-Measure ซึ่งคำนวณจาก Confusion Matrix ขนาด 27 × 27 และวิเคราะห์พฤติกรรมการเรียนรู้ด้วยกราฟ Accuracy per Epoch และ Loss per Epoch ผลการทดลองแสดงให้เห็นว่าโมเดลสามารถจำแนกป้ายจราจรได้อย่างมีประสิทธิภาพ โดยมีค่าเฉลี่ยของ Accuracy เท่ากับ 98.93% และ F1-Measure เท่ากับ 98.90% สะท้อนถึงศักยภาพของ Teachable Machine ในการสร้างโมเดลที่แม่นยำและสามารถนำไปประยุกต์ใช้จริงได้ ทั้งในบริบทของการศึกษาและระบบจราจรอัจฉริยะ