การศึกษาเปรียบเทียบสถาปัตยกรรม YOLO สำหรับการตรวจจับข้อบกพร่องบนรอยเชื่อมที่ซับซ้อนภายใต้ความกำกวมของป้ายกำกับ
จำนวนผู้เข้าชม
22
Creative Commons License
| Collection | RMUTK Research Repository (RMUTK IR) วารสารวิชาการ — e-Journal Articles |
| ID RMUTK Digital | RMUTK000001 |
| Title | การศึกษาเปรียบเทียบสถาปัตยกรรม YOLO สำหรับการตรวจจับข้อบกพร่องบนรอยเชื่อมที่ซับซ้อนภายใต้ความกำกวมของป้ายกำกับ |
| Alternative title | Comparative Study of YOLO Architectures for Detecting Complex Weld Defects under Label Ambiguity |
| Authors | ผศ.สุรเทพ แป้นเกิด ผู้แต่งหลัก นายปิยะพงษ์ ค้ำคูณ |
| Faculty | คณะบริหารธุรกิจ |
| Journal Title | วารสารวิทยาศาสตร์และเทคโนโลยี หัวเฉียวเฉลิมพระเกียรติ |
| ISSN | 2985-1653 |
| Volume / Issue / Pages | Vol.12 | No.1 | pp.96-108 |
| Published | 2026-08-06 |
| Year | 2569 |
| Level | ระดับชาติ (TCI) TCI กลุ่ม 1 |
| Abstract | งานวิจัยมีวัตถุประสงค์เพื่อ 1)พัฒนาแบบจ าลองตรวจจับข้อบกพร่องของรอยเชื่อมด้วยสถาปัตยกรรม YOLO จ านวน 3 เวอร์ชัน2) เปรียบเทียบประสิทธิภาพของแบบจ าลอง YOLOv11l, YOLOv12lและ YOLOv26lภายใต้เงื่อนไขการทดลองเดียวกัน 3) วิเคราะห์ผลการตรวจจับข้อบกพร่องของรอยเชื่อมรายคลาส ได้แก่ รอยแตก (Crack), รูพรุน (Porosity), สะเก็ดเชื่อม (Spatter) และแนวเชื่อม (Weld Line)4) พัฒนาเว็บแอปพลิเคชันต้นแบบส าหรับการตรวจจับข้อบกพร่องของรอยเชื่อมโดยท าการศึกษาชุดข้อมูลจาก Roboflow Universe จ านวน 5,544 ภาพ และท าการประเมินผลด้วยตัวชี้วัด ผลการทดลองพบว่า YOLOv26l ให้ประสิทธิภาพสูงที่สุด โดยเฉพาะเมื่อฝึกที่ 300 epochs ซึ่งให้ค่า Precision = 0.91, Recall = 0.876, mAP50 = 0.908,mAP50–95 = 0.773และ F1-score = 0.89แสดงถึงความสามารถในการตรวจจับและระบุต าแหน่งข้อบกพร่องได้อย่างแม่นย าเหนือกว่าโมเดลอื่น นอกจากนี้ผลการวิเคราะห์รายคลาสชี้ว่าโมเดลสามารถจ าแนก Crack และ Weld Line ได้ดีอย่างสม ่าเสมอ ขณะที่ Porosity และ Spatter ยังคงมีความท้าทายเนื่องจากความคล้ายคลึงกับพื้นหลัง ทั้งนี้โมเดล YOLOv26l ถูกน าไปประยุกต์ใช้งานบนเว็บแอปพลิเคชันที่พัฒนาขึ้น ซึ่งสามารถใช้ตรวจจับข้อบกพร่องในสภาพแวดล้อมจริงได้อย่างมีประสิทธิภาพ สะท้อนศักยภาพของสถาปัตยกรรม YOLO รุ่นใหม่ส าหรับการตรวจสอบคุณภาพรอยเชื่อมในภาคอุตสาหกรรมอย่างไรก็ตามงานวิจัยนี้ยังมีข้อจ ากัดจากการใช้ชุดข้อมูลสาธารณะเพียงชุดเดียว จึงอาจยังไม่ครอบคลุมสภาพแวดล้อมจริงทั้งหมด |
| Abstract (EN) | The objectives of this research are 1) to develop a weld defect detection model utilizing the YOLO architecture, specifically three versions2) to compare the performance of the YOLOv11l, YOLOv12l, and YOLOv26l models under identical experimental conditions; 3) to analyze the class-specific weld defect detection results, which include Crack, Porosity, Spatter, and Weld Line; and 4) to develop aweb application prototype for weld defect detection. The study was conducted by examining a dataset of 5,544 annotated images comprising four defect categories: Crack, Porosity, Spatter, and Weld Line. All models were trained with identical configurations and assessed. The results indicate that YOLOv26l achieves the highest overall performance, particularly at 300 epochs, yielding a Precision of 0.91, Recall of 0.876, mAP50 of 0.908, mAP50–95 of 0.773and F1-score of 0.89.These metrics reflect superior localization accuracy and defect classification capability compared to the other architectures. Class-wise analysis reveals that Crack and Weld Line are consistently well-detected, whereas Porosity and Spatter remain more challenging due to visual similarity with background textures. Despite this, YOLOv26l demonstrates the best balance across all defect classes. Furthermore, the trained model was successfully deployed in a web-based application, enabling prototype demonstrationfor weld-quality inspection. The findings confirm the potential of modern YOLO architectures, especially YOLOv26l, for accurate and robust automated weld defect detection in industrial environments.However, this research is limited by the use of only a single public dataset, and therefore may not cover all real-world environments. |
| Keywords (TH) | การตรวจจับข้อบกพร่องรอยเชื่อมการเรียนรู้เชิงลึกการตรวจจับวัตถุวิสัยทัศน์คอมพิวเตอร์โยโล |
| Keywords (EN) | Weld defect detectionDeep learningObject detectionComputer visionYOLO |
| Access Level | Open Access (เปิดสาธารณะ) |
ลิงก์แหล่งเผยแพร่
เอกสารฉบับเต็ม (ลิงก์ภายนอก)
https://ph02.tci-thaijo.org/index.php/scihcu/article/view/263986/173885