Please use this identifier to cite or link to this item: http://kb.psu.ac.th/psukb/handle/2016/19137
Full metadata record
DC FieldValueLanguage
dc.contributor.advisorApirat Wanichsombat.-
dc.contributor.authorKachasak Intim-
dc.date.accessioned2023-12-06T02:39:40Z-
dc.date.available2023-12-06T02:39:40Z-
dc.date.issued2023-
dc.identifier.urihttp://kb.psu.ac.th/psukb/handle/2016/19137-
dc.descriptionMaster of Science (Applied Mathematics and Computing Science), 2023en_US
dc.description.abstractThis research focuses on developing a mask detection and facial recognition system for real-world applications. The study tests different models for face detection, including Haar Cascade, SSD, HOG, and MTCNN, as well as facial recognition architectures, including VGG, Inception-ResNet-v2, ResNet50, and EfficientNet. The chosen face detection model is the SSD model, which is faster and smaller than other models, and the facial recognition model is FaceNet, a triple lossless model with high accuracy that uses the Inception-ResNet-v2 architecture and includes temperature detection. The final system includes reporting results to the LINE application and was tested with 76 participants from PSU. Wittayanusorn Surat Thani School. The system achieved 99% accuracy in detecting masks and recognized 91% of the faces of all subjects.en_US
dc.description.sponsorshipNational Research Council of Thailand (NRCT), Prince of Songkla University, Surat Thani Campusen_US
dc.language.isoenen_US
dc.publisherPrince of Songkla Universityen_US
dc.rightsAttribution-NonCommercial-NoDerivs 3.0 Thailand*
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/th/*
dc.subjectface detectionen_US
dc.subjectCOVID-19en_US
dc.subjectneural networksen_US
dc.subjectface recognitionen_US
dc.titleThe Computational and Performance Aspects of Masked Face Detection and Recognitionen_US
dc.title.alternativeCOVID-19 Face Mask Detection and Identification using FaceNeten_US
dc.typeThesisen_US
dc.contributor.departmentFaculty of Science and Industrial Technology-
dc.contributor.departmentคณะวิทยาศาสตร์และเทคโนโลยีอุตสาหกรรม-
dc.description.abstract-thงานวิจัยนี้เกี่ยวกับการพัฒนาระบบตรวจจับหน้ากาก และการจดจำใบหน้าขณะสวมหน้ากากอนามัย เป็นการศึกษาเพื่อทดสอบประสิทธิภาพของโมเดลต่าง ๆ ได้แก่การตรวจจับหน้ากากใบหน้าและการจดจำใบหน้าสำหรับการใช้งานจริง ในการศึกษานี้ โมเดลตรวจจับใบหน้า ได้แก่ Haar Cascade, SSD, HOG และ MTCNN และสถาปัตยกรรมจดจำใบหน้า ได้แก่ VGG, Inception-ResNet-v2, ResNet50, EfficientNet โดยเราจะใช้การประเมินผลของโมเดลตรวจจับใบหน้าและสถาปัตยกรรมจดจำใบหน้าจากการค้นคว้าจากงานวิจัยต่าง ๆ ที่มีการเปรียบเทียบข้างต้นแล้ว และการทำงานที่เพิ่มขึ้นคือ มีระบบวัดอุณหภูมิที่พัฒนาบนบอร์ดไมโครคอนโทรลเลอร์ Jetson Xavier NX จากการศึกษาพบว่า โมเดลที่เหมาะสมที่สุดสำหรับการตรวจจับใบหน้าคือโมเดล SSD ซึ่งเร็วและเล็กกว่าโมเดลตรวจจับใบหน้าอื่น ๆ และ เราเลือกใช้โมเดลการจดจำใบหน้าคือ Face Net ซึ่งเป็นโมเดลที่ใช้วิธีการสูญเสียสามเท่าซึ่งมีความแม่นยำดีมาก และมีสถาปัตยกรรม Inception-ResNet-v2 พร้อมการตรวจจับอุณหภูมิและการทำงานขั้นตอนสุดท้ายของระบบจะเป็นการรายงานผลงานไปยังแอปพลิเคชัน LINE การทดสอบการใช้งานจริงกับบุคลากรโรงเรียน มอ. วิทยานุสรณ์ สุราษฎร์ธานี โดยมีผู้เข้าร่วมทดลอง 76 คน โดยระบบสามารถตรวจจับหน้ากากอนามัยได้ดีมากมีความแม่นยำอยู่ที่ 99% ในขณะเดียวกัน ระบบสามารถจดจำใบหน้าได้ 91% จากผู้เข้าร่วมทดลองทั้งหมดen_US
Appears in Collections:932 Thesis

Files in This Item:
File Description SizeFormat 
6340320501.pdf11.61 MBAdobe PDFView/Open
Show simple item record


This item is licensed under a Creative Commons License Creative Commons