งานนี้พัฒนาโมเดลสองขั้นสำหรับ ThaiSook โดยขั้นแรกแยกภาพผักหรือผลไม้ออกจากภาพอื่น และขั้นที่สองจำแนกผัก ผลไม้ 43 ชนิดกับเมนูผักอีก 3 หมวด ชุดข้อมูลรวม 40,595 ภาพ แบ่งเป็นภาพติดป้าย 11,210 ภาพและภาพผู้ใช้ที่ยังไม่ติดป้าย 29,385 ภาพ โมเดลที่ใช้ label smoothing และ temperature scaling ทำได้ 92.43% สำหรับ Top-1, 94.56% สำหรับ Top-3 และ 94.91% สำหรับ Top-5 ส่วน Noisy Student เพิ่ม Top-1 เป็น 92.59% อย่างไรก็ดี งานใช้การแบ่งข้อมูลครั้งเดียว ยังไม่มีการทดสอบบนมือถือจริงหรือประเมินว่าการจำแนกช่วยให้บันทึกอาหารและผลลัพธ์สุขภาพแม่นขึ้นเพียงใด
ข้อค้นพบสำคัญ
- โมเดลสองขั้นที่ใช้ label smoothing α=0.10 และ temperature scaling T=2.00 ทำได้ Top-1 92.43%, Top-3 94.56% และ Top-5 94.91% การเพิ่ม Noisy Student ทำให้ Top-1 เป็น 92.59% เทียบกับ 82.11% ของโมเดลขั้นเดียว หรือเพิ่มขึ้น 10.48 จุดเปอร์เซ็นต์
- EfficientNetV2S ให้ผลดีที่สุดในขั้น binary จากสถาปัตยกรรมที่เปรียบเทียบ 7 แบบ โดยมี accuracy 95.62%, F1 95.61%, AUROC 95.57% และ PRAUC 96.82% อย่างไรก็ตาม ในการจำแนกหลายหมวด Noisy Student ให้ผลเพิ่มเพียงเล็กน้อยเมื่อเทียบกับโมเดลที่ปรับ label smoothing และ temperature scaling แล้ว
- ผลรายหมวดไม่สม่ำเสมอ: weighted F1 เท่ากับ 0.9250 แต่ macro F1 เท่ากับ 0.8988 หมวดกล้วย บรอกโคลี น้อยหน่า ขนุน และสตรอว์เบอร์รีมี F1 มากกว่า 0.95 ขณะที่ cantaloupe ได้ 0.6400, musk melon 0.7500 และส้มตำ 0.7692 ความคล้ายของสี รูปทรง วัตถุดิบผสม ฉากหลัง แสง และคุณภาพภาพเป็นสาเหตุสำคัญของความผิดพลาด
- บน Fruits-360 การตั้ง α=0.10 และ T=2.00 ให้ accuracy 98.53%, AUROC 98.45% และ F1 99.20% แต่การทดสอบนี้เป็น benchmark คนละชุดข้อมูล ไม่ใช่การยืนยันประสิทธิภาพกับภาพ ThaiSook ใหม่จากผู้ใช้หรือในสภาพใช้งานภาคสนาม
ทำไมจึงมีความสำคัญระดับโลก
ระบบจำแนกภาพที่ครอบคลุมผักผลไม้เอเชียตะวันออกเฉียงใต้และเมนูท้องถิ่นอาจลดภาระการตรวจรายการอาหารด้วยคน และช่วยให้แอปสุขภาพให้ feedback ได้เร็วขึ้น โดยเฉพาะอาหารที่ฐานข้อมูลสากลครอบคลุมน้อย คุณค่าระดับโลกของงานอยู่ที่การแสดงแนวทางสร้างโมเดลเฉพาะบริบทจากข้อมูลติดป้ายขนาดเล็กร่วมกับภาพผู้ใช้ที่ยังไม่ติดป้าย อย่างไรก็ดี accuracy ของชื่อหมวดอาหารยังไม่เท่ากับความแม่นยำของปริมาณบริโภค สารอาหาร หรือผลลัพธ์สุขภาพ การนำไปใช้จริงต้องทดสอบกับภาพใหม่จากหลายประเทศ อุปกรณ์และสภาพแสงต่างกัน อาหารหลายชนิดในจานเดียว รวมถึงประเมินว่าระบบช่วยเปลี่ยนพฤติกรรมหรือคุณภาพข้อมูลโภชนาการได้จริงหรือไม่
บทบาทของนักวิจัยไทย
สวทช. พัฒนาแพลตฟอร์ม ThaiSook และเป็นสังกัดของ Decho Surangsrirat กับ Panyawut Sri-iesaranusorn ส่วน Polathep Vichitkunakorn สังกัดคณะแพทยศาสตร์ มหาวิทยาลัยสงขลานครินทร์ และเป็นผู้ประสานงานบทความ คำชี้แจง CRediT ของสำนักพิมพ์ระบุว่าผู้เขียนสังกัดไทยทั้งสามมีบทบาทกว้างตั้งแต่แนวคิด วิธีวิจัย ซอฟต์แวร์ การจัดการและตรวจสอบข้อมูล การวิเคราะห์ การเขียน การบริหารโครงการ และการกำกับงาน ข้อมูลภาพจากผู้ใช้ ThaiSook และการรับรองจริยธรรมจากทั้ง สวทช. และมหาวิทยาลัยสงขลานครินทร์ทำให้สถาบันไทยเป็นแกนของข้อมูล ระบบ และการกำกับงาน ไม่ใช่เพียงผู้ร่วมชื่อ
ข้อจำกัดที่ควรรู้
ผลหลักมาจากการแบ่งข้อมูลฝึก–ทดสอบเพียงครั้งเดียว ไม่มี repeated cross-validation หรือช่วงความเชื่อมั่น และบทความไม่อธิบายสัดส่วน validation แยกต่างหากแม้ใช้ validation loss สำหรับ early stopping การเลือกสถาปัตยกรรมและพารามิเตอร์ใน pipeline เดียวกันจึงอาจทำให้ค่าประสิทธิภาพมองโลกในแง่ดีเกินไป ชุดข้อมูลมีอคติไปทางผักผลไม้และอาหารไทย ข้อมูลภาพฉบับเต็มไม่มีลิงก์ดาวน์โหลดสาธารณะ และ pseudo-label อาจถ่ายทอดข้อผิดพลาดของ teacher model งานใช้ temperature scaling แต่ไม่ได้รายงาน Expected Calibration Error หรือ reliability diagram จำนวนชุดทดสอบที่รายงาน 1,168 และ 1,091 ภาพไม่สอดคล้องพอดีกับ 20% ของยอดในตารางโดยไม่มีคำอธิบาย ที่สำคัญ ค่า model size 83.16 MB, inference 0.1131 วินาทีต่อภาพ, 8.84 FPS และ RAM 1.83 GB วัดในสภาพแวดล้อมระดับเซิร์ฟเวอร์/Google Colab Tesla T4 ไม่ใช่มือถือจริง ส่วน TensorFlow Lite, quantisation และ on-device latency ยังเป็นงานอนาคต