การศึกษาการจดจำวัตถุจากการประมวลผลภาพที่ได้จากการสัมผัส

Abstract

การพัฒนาเทคโนโลยีทางหุ่นยนต์เสมือนมนุษย์มุ่งเน้นให้หุ่นยนต์มีความสามารถในการสัมผัส รับรู้และจดจำวัตถุเลียนแบบการทำงานของมนุษย์ ซึ่งเป็นแขนงหนึ่งของปัญญาประดิษฐ์ (Artificial Intelligence) ทั้งนี้มีการนำเอาเทคโนโลยีคอมพิวเตอร์ที่มีประสิทธิภาพสูงมาใช้งาน แต่ประสิทธิภาพใน การจดจำวัตถุจากการสัมผัสยังต่ำเนื่องจากขาดเซ็นเซอร์ที่เหมาะสม ดังนั้นในงานวิจัยนี้จึงได้ ทำการศึกษาระบบการเรียนรู้และจดจำวัตถุจากการสัมผัสของหุ่นยนต์ โดยได้พัฒนาระบบประสาท สัมผัสทางกายเทียมขึ้น โดยการประยุกต์ใช้ Tactile Sensor ทำหน้าที่เป็นผิวหนังอิเล็กทรอนิกส์ (Electronic skin) ในงานวิจัยนี้ได้พัฒนา Tactile Sensor แบบ Piezoresistive มีขนาด 16 × 16 Pixel มีขนาดกายภาพ 56.0 × 56.0 ตารางมิลลิเมตร และพัฒนาระบบอ่านค่าเซ็นเซอร์เพื่อแปลงค่าแรงกดที่ ได้เป็นข้อมูลภาพ (Tactile Image) เพื่อนำมาใช้ในการวิเคราะห์การจดจำด้วยวิธีการประมวลผลภาพ การวิเคราะห์การจดจำพัฒนาบน Algorithm 2 วิธีคือ BoF และ DCNN โดยวิธี BoF พบว่าวิธี Polar Fourier Descriptor ร่วมกับ SVM ให้ผลการจดจำสูงที่สุด ส่วนการใช้วิธี DCNN ได้ทำการทดสอบกับ 19 Model พบว่า InceptionResNetV2 ให้ผลการจดจำสูงที่สุด นอกจากนี้งานวิจัยนี้ได้พัฒนา Glove Tactile Sensor ซึ่งประกอบด้วย Tactile Sensor Array 15 จุดตามจุดสัมผัสของฝ่ามือ และทดสอบร่วมกับวิธี BoF และ DCNN ในส่วนของวิธี BoF พบว่าการใช้ SVM เป็น Classifier ร่วมกับ Moment Analysis Descriptor ให้ความถูกต้องสูงที่สุด โดยให้ความถูกต้องสูงกว่าร้อยละ 80.15 ในการจับวัตถุ 5 ครั้ง และวิธี DCNN พบว่า InceptionNetV3 ให้ความถูกต้องสูงสุดอยู่ที่ร้อยละ 98.28 ในการจับวัตถุเพียงครั้งเดียว

With the development of human-like robotic technologies, robots have been advanced for the ability of sensing and recognizing objects, which is one branch of artificial intelligence, in order to mimic human reactions. Although high-performance computer technologies are used, the ability of object recognition by touch is still low due to the lack of proper sensors. Therefore, in this research, the system of object learning and recognition through robot touches was studied by developing an artificial sensory system acting as an electronic skin with tactile sensors. This study built 16 × 16-pixel piezoresistive tactile sensors with the physical size of 56.0 × 56.0 mm2 and developed a sensor reading system to convert obtained pressure values into tactile images for recognition analysis through image processing. Recognition analysis was based on two algorithm methods, namely BoF and DCNN. With BoF, Polar Fourier Descriptor with SVM provided the best recognition, and from the use of DCNN for testing with 19 models, InceptionResNetV2 provided the best recognition. Glove tactile sensors comprising 15 points of tactile sensor array according to touchpoints of the palm were also developed and then tested together with BoF and DCNN methods. With BoF technique, using SVM as a classifier with Moment Analysis Descriptor provided the highest accuracy as it showed the accuracy of more than 80.15% from five grasping of an object. With DCNN approach, InceptionNetV3 provided the highest accuracy of 98.28% from only one capture of an object.