งานวิจัยนี้มีวัตถุประสงค์ดังนี้(1) เพื่อศึกษาประสิทธิภาพของโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolutional Neural Network: CNN) สำหรับการจำแนกภาพจากชุดข้อมูล CIFAR-10 และ (2) เพื่อ เปรียบเทียบประสิทธิภาพของโมเดลโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) กับเทคนิคพื้นฐาน สำหรับการ จำแนกภาพจากชุดข้อมูล CIFAR-10 โดยวิธีการเรียนรู้เชิงลึก (Deep Learning) ผ่านการออกแบบสถาปัตยกรรม โครงข่ายประสาทเทียมแบบคอนโวลูชัน ประกอบด้วย ชั้นคอนโวลูชัน ชั้นพูลลิง และชั้นเชื่อมต่อเต็มรูปแบบ พร้อม ทั้งใช้เทคนิคการปรับปรุงประสิทธิภาพของโมเดล เช่น การใช้ฟังก์ชันกระตุ้น การลดปัญหา overfitting และการ ปรับพารามิเตอร์ของโมเดล วิเคราะห์ข้อมูลด้วยการวัดค่าความแม่นยำ (Accuracy) และค่าความสูญเสีย (Loss) ผลการวิจัย พบว่า (1) โครงข่ายประสาทเทียมแบบคอนโวลูชัน สามารถเรียนรู้คุณลักษณะของภาพจากชุด ข้อมูล CIFAR-10 ได้อย่างมีประสิทธิภาพ และ (2) ผลการเปรียบเทียบประสิทธิภาพ พบว่าโครงข่ายประสาทเทียม แบบคอนโวลูชัน มีประสิทธิภาพสูงสุด ด้วยค่าความถูกต้องแม่นยำ เท่ากับ 0.7015 รองลงมา คือ HOG + SVM (Accuracy = 0.6208) และ LBP + k-NN (Accuracy = 0.1012) ตามลำดับ ผลการศึกษาแสดงให้เห็นว่าโครงข่าย ประสาทเทียมแบบคอนโวลูชัน มีศักยภาพในการนำไปประยุกต์ใช้กับงานด้านการประมวลผลภาพจริง

งานวิจัยนี้มีวัตถุประสงค์ (1) เพื่อศึกษาประสิทธิภาพของเทคนิคโครงข่ายประสาทเทียมแบบคอนโวลู ชัน (Convolutional Neural Network: CNN) ในการวิเคราะห์และจำแนกรูปภาพตัวเลขลายมือเขียน และ (2) เพื่อเปรียบเทียบประสิทธิภาพของเทคนิค CNN กับเทคนิคพื้นฐาน ในการวิเคราะห์รูปภาพตัวเลข โดยใช้ ชุดข้อมูล Digit-MNIST ซึ่งเป็นชุดข้อมูลมาตรฐานที่ประกอบด้วยภาพตัวเลขลายมือเขียนตั้งแต่เลข 0 ถึง 9 เป็นข้อมูลในการทดลอง การสร้างโมเดลสำหรับการจำแนกรูปภาพด้วยเทคนิค CNN และเทคนิคพื้นฐาน ผล การศึกษาพบว่า (1) เทคนิค CNN ให้ประสิทธิภาพในการจำแนกรูปภาพตัวเลข คิดเป็น 98.64% และ (2) เทคนิค CNN มีประสิทธิภาพสูงกว่าเทคนิคพื้นฐาน คือ HOG + SVM มีประสิทธิภาพ 95.75% และ LBP + kNN มีประสิทธิภาพ 35.32% ตามลำดับ แสดงให้เห็นว่าเทคนิค CNN มีความเหมาะสมและมีประสิทธิภาพสูง สำหรับการประมวลผลและวิเคราะห์รูปภาพตัวเลข และสามารถนำไปประยุกต์ใช้กับงานด้านการรู้จำรูปภาพ ในด้านอื่น ๆ ได้อย่างมีประสิทธิภาพ