AI Water Gauge Vision Test.
ทดลองอ่าน Staff Gauge และตำแหน่งผิวน้ำจากภาพ CCTV เพื่อเปรียบเทียบ Vision AI กับ Computer Vision แบบ deterministic
คำถามที่ต้องการตอบ
กล้อง CCTV ที่ติดตั้งอยู่กับที่และมองเห็น Staff Gauge ชัดเจน สามารถให้ค่าระดับน้ำที่เสถียรเพียงพอสำหรับ Monitoring ได้ด้วยวิธีใดบ้าง
แนวทางทดลอง
- กำหนด ROI ของ Staff Gauge และจุด Calibration ระหว่าง Pixel กับระดับจริง
- ทดลอง Waterline detection ด้วยวิธี deterministic / classical vision
- ทดลอง Object Detection หรือ Segmentation เมื่อสภาพภาพซับซ้อนขึ้น
- ส่งภาพเดียวกันให้ Vision AI เพื่ออ่านค่าโดยไม่ใช้ผลจาก Pipeline หลัก
- เปรียบเทียบค่ากับ Ground Truth และบันทึกกรณีที่แต่ละวิธีพลาด
ตัวแปรที่ต้องทดสอบ
- กลางวัน / กลางคืน
- ฝนตก
- เงาและแสงสะท้อน
- น้ำขุ่น
- กล้องสั่นหรือมุมภาพเปลี่ยน
- สิ่งกีดขวาง Staff Gauge
เกณฑ์เบื้องต้น
ผลทดลองควรบันทึก Error, Confidence, Failure Mode และภาพตัวอย่าง ไม่ใช้ความรู้สึกว่าโมเดล “ดูเหมือนอ่านถูก” เป็นเกณฑ์เพียงอย่างเดียว
Promotion criteria
Lab นี้จะถูกยกระดับจาก experiment เมื่อมีชุดภาพที่ผูกกับ Ground Truth จริงและสามารถตอบได้อย่างน้อยว่า:
- Error distribution ของ deterministic waterline detector อยู่ในช่วงใด
- กลางวัน/กลางคืน/ฝน/เงา/กล้องสั่นทำให้ error เปลี่ยนอย่างไร
- Vision AI ช่วยจับ anomaly หรือ failure case เพิ่มได้จริงหรือไม่
- เมื่อค่าจากภาพไม่ตรงกับ Primary Sensor ระบบควร flag disagreement แบบใดโดยไม่ overwrite Measurement หลักอัตโนมัติ
ก่อนถึงจุดนั้น ผลจากภาพยังเป็น Secondary Verification และไม่ใช่แหล่งข้อมูลหลักของ Flood Monitor
