การจำแนกหมวดหมู่สินค้าบนระบบอีคอมเมิร์ซโดยใช้เทคนิคการเรียนรู้เชิงลึกวิเคราะห์ภาพสินค้า
คำสำคัญ:
การเรียนรู้เชิงลึก, การจำแนกประเภทของรูปภาพ, การจำแนกหมวดหมู่ของสินค้า, อีคอมเมิร์ซบทคัดย่อ
งานวิจัยนี้มีจุดประสงค์เพื่อสร้างตัวแบบการเรียนรู้เชิงลึกสำหรับใช้จำแนกหมวดหมู่ของสินค้าบนระบบอีคอมเมิร์ซจากภาพถ่ายของสินค้าด้วยเทคนิคต่างๆ อีกทั้งเพื่อเปรียบเทียบประสิทธิภาพและหาตัวแบบที่ดีที่สุด โดยทดลองวิจัยจากข้อมูลรูปภาพของระบบอีคอมเมิร์ซ Shopee จำนวน 38 หมวดหมู่ รวม 106,309 รูป ซึ่งเป็นรูปสินค้าที่ใช้งานจริงและมีความซับซ้อนสูงในเชิงของการวิเคราะห์ข้อมูลจากรูปภาพ ทดลองใช้ตัวแบบทั้งหมด 6 ตัวแบบ และใช้ Loss Function ที่แตกต่างกัน 2 แบบ พบว่า ตัวแบบ EfficientNetB5 เป็นตัวแบบที่ดีที่สุดเมื่อพิจารณาจากค่า Accuracy จากขนาดของตัวแบบ และจากเวลาที่ใช้ในการจำแนกภาพ โดยมีค่า Accuracy เมื่อทดสอบกับชุดข้อมูลทดสอบ 84% ค่า Accuracy เมื่อทดสอบกับชุดข้อมูลทดสอบเพิ่มเติม 92% ใช้เวลาในการจำแนก 0.068 วินาทีต่อรูป และมีขนาดของตัวแบบเป็น 141.9 MB เมื่อนำตัวแบบดังกล่าวไปทดสอบประสิทธิภาพในการจำแนกภาพเปรียบเทียบกับแอปพลิเคชัน Shopee พบว่าตัวแบบ EfficientNetB5 สามารถจำแนกได้แม่นยำมากกว่าถึง 31.5% และเมื่อเปรียบเทียบกับการจำแนกภาพโดยผู้เข้าร่วมการทดลองจำนวน 4 รายก็พบว่าแม้ตัวแบบของผู้วิจัยจะมีความแม่นยำน้อยกว่าผู้เข้าร่วมการทดลอง 7.16% แต่สามารถจำแนกประเภทของภาพได้เร็วกว่าผู้เข้าร่วมการทดลอง ถึงประมาณ 25.5 เท่า
References
Electronic Transactions Development Agency, 2019, Value of e-Commerce: Survey in Thailand 2019 [Online], Available: http://blog.bru.ac.th/wp-content/uploads/bp-attachments/35694/เอกสารการแถลงผลการสำรวจมูลค่าพาณิชย์อิเล็กทรอนิกส์-ปี-2562.pdf. (In Thai) [1 August 2021]
Wunderman Thompson, 2021, “The Future Shopper Report 2021 [Online], Available: https://www.wundermanthompson.com/insight/the-future-shopper-report-2021. [1 August 2021]
Dan, C., 2014, “Consumer-To-Consumer (C2C) Electronic Commerce: The Recent Picture,” International Journal of Networks and Communications, 4 (2), pp. 29-32.
Herdian, Kusuma, G.P. and Suharjito, 2019, “Classification of C2C e-Commerce Product Images Using Deep Learning Algorithm,” International Journal of Advanced Computer Science and Applications, 10 (9), pp. 196-203.
Partalas, I. and Balikas, G., 2016, E-Commerce Product Classification: Our Participation At cDiscount 2015 Challenge [Online], Available: https://arxiv.org/abs/1606.02854. [1 August 2021]
Oyewole, S.A. and Olugbara, O.O., 2018, “Product Image Classification Using Eigen Colour Feature with Ensemble Machine Learning,” Egyptian Informatics Journal, 19 (2), pp. 83-100.
Jha, B.K., Sivasankari, G.G. and Venugopal, K.R., 2021, “E-Commerce Product Image Classification Using Transfer Learning," International Conference on Computing Methodologies and Communication (ICCMC), 8-10 April 2021, Erode, India, pp. 904-912. https://doi.org/ 10.1109/ICCMC51019.2021.9418371
Simonyan, K. and Zisserman, A., 2015, Very Deep Convolutional Networks for Large-Scale Image Recognition [Online], Available: https://arxiv.org/abs/1409.1556. [1 August 2021]
He, K., Zhang, X., Ren, S. and Sun, J., 2016, “Deep Residual Learning for Image Recognition,” IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 27-30 June 2016, Las Vegas, USA, pp. 770-778.
Tan, M. and Le, Q.V., 2019, EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks [Online], Available: https://arxiv.org/abs/1905.11946. [1 August 2021]
Li, F., Kant, S., Araki, S., Bangera, S. and Shukla, S.S., 2020, Neural Networks for Fashion Image Classification and Visual Search [Online], Available: https://arxiv.org/abs/2005.08170 [1 August 2021]
Rajnoha, M., Burget, R. and Povoda, L., 2018, “Image Background Noise Impact on Convolutional Neural Network Training,” International Congress on Ultra-Modern Telecommunications and Control Systems and Workshops (ICUMT), 5-9 November 2018, Moscow, Russia, pp. 1-4.
Dodge, S. and Karam, L., 2016, “Understanding How Image Quality Affects Deep Neural Networks,” International Conference on Quality of Multimedia Experience (QoMEX), 6-8 June 2016, Lisbon, Portugal, pp. 1-6.
Lin, T.Y., Goyal, P., Girshick, R., He, K. and Dollár, P., 2017, “Focal Loss for Dense Object Detection," IEEE International Conference on Computer Vision (ICCV), 22-29 October 2017, Venice, Italy, pp. 2999-3007.
Zhao, Y., Lin, F., Liu, S., Hu, Z., Li, H. and Bai, Y., 2019, “Constrained-Focal-Loss Based Deep Learning for Segmentation of Spores,” IEEE Access, 7, pp. 165029-165038.
Bitirim, Y., Bitirim, S., Ertugrul, D.C. and Toygar, O., 2020, “An Evaluation of Reverse Image Search Performance of Google,” IEEE Annual Computers, Software, and Applications Conference (COMPSAC), 13-17 July 2020, Madrid, Spain, pp. 1368-1372.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2023 มหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาของบทความที่ตีพิมพ์ในวารสาร Science and Engineering Connect ในทุกรูปแบบ รวมถึงข้อความ สมการ สูตร ตาราง ภาพ ตลอดจนภาพประกอบในรูปแบบอื่นใด เป็นลิขสิทธิ์ของมหาวิทยาลัยเทคโนโลยีพระจอมเกล้าธนบุรี การนำเนื้อหา ไม่ว่าจะในรูปแบบใด ของบทความไปใช้ประโยชน์ในเชิงพาณิชย์ ต้องได้รับอนุญาตจากบรรณาธิการวารสารอย่างเป็นลายลักษณ์อักษรก่อนเท่านั้น
