OnionGuard

เจ้าของผลงานเล่าไว้แบบนี้

OnionGuard — UX/UI mockup v2 (single-angle) · 6 หน้า · Vercel: onion-guard.vercel.app https://web-static-ten-gamma.vercel.app # OnionGuard — ระบบ AI คัดกรองเชื้อราบนหอมแดงด้วยแสง UV 365 นาโนเมตร คัดกรอง "ความผิดปกติที่สัมพันธ์กับเชื้อรา" บนหอมแดง จากภาพถ่ายใต้แสง UV 365nm ด้วยการสกัดฟีเจอร์ + Gradient Boosting แล้วแสดงผลบนเว็บ > **สถานะ: ใช้ข้อมูลจริงแล้ว** — โมเดลปัจจุบันเทรนจากหอมแดงจริง 60 หัว > (พบ 35 / ไม่พบ 25) ป้ายกำกับจาก CompactDry YM ทุกหัว > ตัวเลขด้านล่างเป็นค่าประมาณจากกลุ่มตัวอย่างขนาดเล็ก ช่วงความเชื่อมั่นกว้าง ## ผลปัจจุบัน วัดด้วย 5-fold cross-validation × 20 shuffle บน seed ที่ไม่เคยใช้ตอนเลือกวิธี (`reports/experiments/verify_finalists.csv`) | | ค่า | เกณฑ์ | ผล | |---|---|---|---| | Accuracy | 0.816 | ≥ 0.80 | ผ่าน | | Recall | 0.846 | ≥ 0.80 | ผ่าน | | Kappa | 0.620 | ≥ 0.61 | ผ่าน | | Specificity | 0.774 | — | | | AUC | 0.905 | — | | **อ่านตัวเลขนี้อย่างระวัง** — bootstrap สุ่มหัวหอมใหม่ 4000 ครั้งได้ช่วง kappa 0.49–0.86 แปลว่าถ้าเก็บหอมชุดใหม่ 60 หัว มีโอกาสราว 78% ที่จะผ่านเกณฑ์ ช่วงกว้างขนาดนี้มาจาก n=60 ล้วน ๆ ไม่ใช่จากตัวโมเดล `src/train.py` รายงาน kappa 0.544 เพราะใช้ shuffle เดียวตามวิธีในเล่ม ที่ 12 หัวต่อ fold ตัวเลขจาก shuffle เดียวแกว่งมาก ค่าที่ควรอ้างคือ 0.620 ## วิธีเริ่มใช้ ```bash python3 -m venv .venv .venv/bin/pip install -r requirements.txt .venv/bin/python web/app.py # เปิดเว็บที่ :5000 ``` ## การทำงาน ถ่ายด้วยมือถือ (Pro mode ล็อก ISO/shutter/WB) → อัปโหลดผ่านเว็บ → เซิร์ฟเวอร์ประมวลผล มือถือไม่ได้คำนวณอะไร เพราะโมเดลเป็น Python รันในเบราว์เซอร์ไม่ได้ ``` อัปโหลด (JPEG / DNG) → Pillow/rawpy อ่านไฟล์ + หมุนตาม EXIF → onio

โดย nattawat-ootalp · ดูโพสต์ต้นทาง