Vision-based Deep Learning for Anomaly Detection from Video Cartoon for Kids
Tananop Janpakdee, Thitirat Siriborvornratanakul · Journal of Applied Science · 2022
บทคั ดย่ อ จากผลสํ ารวจในปี พ.ศ.2563 พบว่ า เด็ กไทย Generation Z มี การใช้ งานสื ่ อโซเชี ยลมี เดี ยประเภท Youtube มากเป็ น อั นดั บหนึ ่ ง ซึ ่ งปั ญหาที ่ ตามมาคื อวิ ดี โอสํ าหรั บเด็ กจํ านวนหนึ ่ งบนแพลตฟอร์ ม Youtube นั ้ นถู กสอดแทรกไว้ ด้ วยเนื ้ อหาที ่ ไม่ เหมาะสมกั บเด็ ก ทํ าให้ เด็ กที ่ ดู เกิ ดอาการตื ่ นตกใจ หวาดกลั ว หรื อเกิ ดพฤติ กรรมเลี ยนแบบที ่ ไม่ พึ งประสงค์ ได้ อย่ างไรก็ ตาม การ ที ่ ผู ้ ปกครองจะมาตรวจสอบภาพทุ กภาพในวิ ดี โอเพื ่ อหาสิ ่ งผิ ดปกติ ซึ ่ งอาจมี สอดแทรกอยู ่ เพี ยงเล็ กน้ อยในวิ ดี โอหนึ ่ ง ๆ นั ้ นเป็ น เรื ่ องที ่ กิ นเวลามาก และแทบจะเป็ นไปไม่ ได้ สํ าหรั บจํ านวนวิ ดี โอที ่ มี อยู ่ มากมายมหาศาลบน Youtube ด้ วยเหตุ นี ้ ผู ้ วิ จั ยจึ งมี แนวคิ ดจะนํ าเทคนิ คการวิ เคราะห์ ภาพด้ วยการเรี ยนรู ้ เชิ งลึ กมาช่ วยในการตรวจจั บภาพเนื ้ อหาที ่ ไม่ เหมาะสมในวิ ดี โอการ์ ตู น สํ าหรั บเด็ กโดยอั ตโนมั ติ งานวิ จั ยนี ้ มี จุ ดประสงค์ เพื ่ อตรวจหาเฟรมภาพที ่ ผิ ดปกติ จากวิ ดี โอการ์ ตู นของเด็ กโดยใช้ เทคนิ คการเรี ยนรู ้ เชิ งลึ ก ซึ ่ ง ความผิ ดปกติ ที ่ เป็ นเป้ าหมายของงานนี ้ ได้ แก่ ภาพที ่ เป็ นฉากเลื อด และ ภาพที ่ มี อาวุ ธ (ปื นหรื อมี ด) ปรากฏอยู ่ ในภาพ โดยใน ส่ วนของการตรวจจั บฉากเลื อดนั ้ นผู ้ วิ จั ยใช้ เทคนิ คถ่ ายโอนความรู ้ จากโมเดลต้ นแบบ ResNet50, VGG16 และ VGG19 เพื ่ อ จํ าแนกภาพแต่ ละภาพว่ าเป็ นหรื อไม่ เป็ นฉากเลื อด ผลการทดลองพบว่ าโมเดลต้ นแบบ VGG16 ให้ ผลลั พธ์ ดี ที ่ สุ ด คื อ ความ แม่ นยํ าเท่ ากั บ 0.84 และพื ้ นที ่ ใต้ กราฟ ROC เท่ ากั บ 0.92 และในส่ วนของการตรวจจั บอาวุ ธผู ้ วิ จั ยใช้