LAB

AI Water Gauge Vision Test.

ทดลองอ่าน Staff Gauge และตำแหน่งผิวน้ำจากภาพ CCTV เพื่อเปรียบเทียบ Vision AI กับ Computer Vision แบบ deterministic

AIIoTโดย Thospaakเผยแพร่ 7 ต.ค. 2569อัปเดต 13 ต.ค. 2569

คำถามที่ต้องการตอบ

กล้อง CCTV ที่ติดตั้งอยู่กับที่และมองเห็น Staff Gauge ชัดเจน สามารถให้ค่าระดับน้ำที่เสถียรเพียงพอสำหรับ Monitoring ได้ด้วยวิธีใดบ้าง

แนวทางทดลอง

  1. กำหนด ROI ของ Staff Gauge และจุด Calibration ระหว่าง Pixel กับระดับจริง
  2. ทดลอง Waterline detection ด้วยวิธี deterministic / classical vision
  3. ทดลอง Object Detection หรือ Segmentation เมื่อสภาพภาพซับซ้อนขึ้น
  4. ส่งภาพเดียวกันให้ Vision AI เพื่ออ่านค่าโดยไม่ใช้ผลจาก Pipeline หลัก
  5. 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