การจำแนกลายผ้าไทย 12 ลายด้วยเทคนิคการเรียนรู้เชิงลึก

บทคัดย่อ

วัตถุประสงค์และที่มา: ผ้าทอไทยไม่เพียงแต่เป็นเครื่องนุ่งห่ม แต่ยังเป็นองค์ประกอบสำคัญของมรดกทางวัฒนธรรมที่จับต้องได้ของชาติไทย ซึ่งถักทอเรื่องราว ประวัติศาสตร์ ภูมิปัญญา และสะท้อนอัตลักษณ์ของชุมชนท้องถิ่นมายาวนาน การทอผ้าในประเทศไทยมีประวัติศาสตร์ย้อนกลับไปถึงยุคก่อนประวัติศาสตร์ โดยใช้วัสดุธรรมชาติอย่างฝ้ายและไหมในการสร้างสรรค์ ในแต่ละภูมิภาคลวดลายผ้าได้ถูกพัฒนาให้มีเอกลักษณ์เฉพาะตัว ซึ่งสะท้อนถึงสภาพแวดล้อม ความเชื่อทางศาสนา และโครงสร้างทางสังคม ลวดลายเหล่านี้จึงเปรียบเสมือนบันทึกทางประวัติศาสตร์ที่ไร้ตัวอักษร ทำหน้าที่ส่งต่อภูมิปัญญาจากรุ่นสู่รุ่น ทำให้ผ้าทอไทยกลายเป็นสินทรัพย์ทางวัฒนธรรมที่มีคุณค่ายิ่ง อย่างไรก็ตาม การอนุรักษ์ จัดเก็บ และจำแนกลวดลายผ้าทอที่มีความหลากหลายและซับซ้อนนั้นยังคงเป็นความท้าทายที่สำคัญ องค์ความรู้และความชำนาญในการจดจำลวดลายที่ซับซ้อนมักจำกัดอยู่ในกลุ่มช่างทออาวุโส ซึ่งมีความเสี่ยงที่จะสูญหายไปพร้อมกับการลดจำนวนลงของช่างฝีมือเหล่านี้ นอกจากนี้ ความหลากหลายและความคล้ายคลึงกันของลายผ้าทำให้การจำแนกประเภทอย่างแม่นยำเป็นเรื่องยากสำหรับ   คนทั่วไป อุปสรรคเหล่านี้ไม่เพียงแต่เป็นข้อจำกัดในการจัดทำฐานข้อมูลที่เป็นมาตรฐาน แต่ยังส่งผลกระทบต่อการศึกษา      และการต่อยอดในเชิงพาณิชย์อีกด้วย ด้วยความท้าทายดังกล่าว งานวิจัยนี้จึงนำเสนอการศึกษาความเป็นไปได้ในการประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์ (AI) โดยเฉพาะอย่างยิ่งการเรียนรู้เชิงลึก เพื่อพัฒนาระบบจำแนกลายผ้าไทย เทคโนโลยีการเรียนรู้เชิงลึกและโครงข่ายประสาทเทียมที่มีความสามารถโดดเด่นในการจดจำและวิเคราะห์รูปแบบภาพ ซึ่งเหมาะสมอย่างยิ่งกับการจำแนกรายละเอียดที่ซับซ้อนของลวดลายบนผืนผ้า การประยุกต์ใช้เทคโนโลยีนี้สอดคล้องกับแนวโน้มระดับสากลในการใช้ AI เพื่อการอนุรักษ์มรดกทางวัฒนธรรม และเป็นการวางรากฐานทางเทคโนโลยีที่สำคัญสำหรับการจัดทำคลังข้อมูลดิจิทัล การอนุรักษ์มรดก และการเผยแพร่องค์ความรู้ให้กว้างขวางยิ่งขึ้น

วิธีดำเนินการวิจัย: ในการดำเนินงานวิจัยนี้ได้มีการรวบรวมชุดข้อมูลภาพลายผ้าไทย 12 ลาย ประกอบด้วย ลายกระจับ,ลายขาเปีย, ลายคมห้า, ลายดอกรักราชกัญญา, ลายนกยูง, ลายฟองน้ำ, ลายมูลสีคราม, ลายเมล็ดข้าวผสมดอกดาวเรือง, ลายวชิรภักดิ์, ลายหมี่คั่นนาคโบราณ, ลายแห และลายโสร่ง โดยแต่ละลายมีจำนวน 120 ภาพ รวมทั้งสิ้น 1,440 ภาพ ชุดข้อมูลทั้งหมดได้ผ่านกระบวนการเตรียมข้อมูลเพื่อให้มีความเหมาะสมและเพิ่มความทนทานของแบบจำลอง เริ่มตั้งแต่การปรับขนาดภาพทั้งหมดให้เป็น 224x224 พิกเซล การปรับปรุงคอนทราสต์โดยใช้เทคนิคการปรับสมดุลฮิสโตแกรม กับช่องความสว่าง (Y) เพื่อให้ลายผ้าโดดเด่นขึ้น การลดสัญญาณรบกวนด้วยฟิลเตอร์ bilateral เพื่อรักษาความคมของขอบลายผ้า การเพิ่มความคมชัดของขอบด้วยฟิลเตอร์ kernel เพื่อช่วยให้โมเดลตรวจจับลักษณะเฉพาะได้ง่ายขึ้น และการทำให้เป็นมาตรฐาน โดยปรับค่าสีของพิกเซลให้อยู่ในช่วง 0.0 ถึง 1.0 นอกจากนี้ยังมีการใช้เทคนิคการเพิ่มข้อมูล เช่น การหมุนภาพและการพลิกภาพ เพื่อป้องกันการเกิดภาวะการเรียนรู้เกิน จากนั้นชุดข้อมูลถูกแบ่งออกเป็นชุดสำหรับฝึกสอนและตรวจสอบ 80% (1,152 ภาพ) และชุดสำหรับทดสอบ 20% (288 ภาพ) งานวิจัยนี้ได้ประเมินประสิทธิภาพของโมเดลการเรียนรู้เชิงลึก 6 รูปแบบที่แตกต่างกัน ได้แก่ Custom_CNN: แบบจำลองที่ออกแบบขึ้นโดยเฉพาะสำหรับงานวิจัยนี้ VGG16: โมเดลที่มีโครงสร้างเรียบง่ายแต่มีความลึก 16 ชั้น ResNet50: โมเดลลึก 50 ชั้นที่ใช้เทคนิค Residual Connections เพื่อแก้ปัญหาการเลือนหายของเกรเดียน MobileNetV2: โมเดลน้ำหนักเบาที่ออกแบบมาสำหรับอุปกรณ์พกพา InceptionV3: โมเดลที่สามารถสกัดคุณลักษณะได้จากหลายระดับขนาดภายในชั้นเดียวกัน DenseNet121: โมเดลที่โดดเด่นด้วยการเชื่อมต่อแบบหนาแน่นเพื่อส่งเสริมการนำคุณลักษณะกลับมาใช้ใหม่

ผลการวิจัย: ผลการทดลองบนชุดข้อมูลทดสอบชี้ให้เห็นว่าโมเดล Custom_CNN มีประสิทธิภาพสูงสุด โดยมีความแม่นยำโดยรวมสูงถึง 99.65% สามารถทำนายภาพได้ถูกต้อง 287 ภาพจาก 288 ภาพ ตามมาด้วยโมเดล VGG16 ที่มีความแม่นยำ 99.31% และ DenseNet121 ที่ 98.61% ในทางตรงกันข้าม โมเดล ResNet50 กลับให้ประสิทธิภาพต่ำที่สุดอย่างมีนัยสำคัญที่ 81.25% โดยทำนายภาพผิดพลาดถึง 54 ภาพ

สรุปผลการวิจัย: ผลการวิจัยนี้แสดงให้เห็นถึงความสำคัญของการเลือกโมเดลที่เหมาะสมกับลักษณะของชุดข้อมูล การที่โมเดล Custom_CNN ซึ่งมีโครงสร้างไม่ซับซ้อนสามารถให้ประสิทธิภาพสูงสุดได้นั้น อาจอธิบายได้ว่าชุดข้อมูลลายผ้าไทยเป็นชุดข้อมูลที่มีความเฉพาะทางสูงและมีคุณภาพดี ทำให้โมเดลที่มีความซับซ้อนมากเกินไปอย่าง ResNet50 ซึ่งออกแบบมาสำหรับชุดข้อมูลที่ใหญ่และหลากหลายกว่าอย่าง ImageNet อาจเกิดภาวะการเรียนรู้เกิน กล่าวคือ โมเดลที่ซับซ้อนเกินไปอาจเริ่มจดจำรายละเอียดของข้อมูลฝึกฝนแทนที่จะเรียนรู้คุณลักษณะทั่วไปของลายผ้า ความลึกที่มากเกินไปและคุณลักษณะระดับสูงที่เรียนรู้มาจากชุดข้อมูลอื่นอาจไม่เหมาะสมกับคุณลักษณะเชิงพื้นผิวที่ละเอียดอ่อนของลายผ้า ทำให้โมเดลไม่สามารถปรับตัวเข้ากับงานใหม่ได้ดี งานวิจัยนี้ไม่เพียงแต่แสดงให้เห็นถึงความสำเร็จในการสร้างระบบจำแนกลายผ้าไทย 12 ชนิดที่มีความแม่นยำสูง แต่ยังเป็นการวางรากฐานทางเทคโนโลยีที่สำคัญสำหรับการสร้างคลังข้อมูลดิจิทัลเพื่อการอนุรักษ์มรดกทางวัฒนธรรมและเผยแพร่องค์ความรู้ให้กว้างขวางยิ่งขึ้น ข้อค้นพบนี้ยังเน้นย้ำว่าโมเดลที่ดีที่สุดไม่จำเป็นต้องเป็นโมเดลที่ซับซ้อนที่สุดเสมอไป แต่คือโมเดลที่เหมาะสมกับลักษณะของปัญหาและชุดข้อมูลมากที่สุด