การจำแนกขนาดแก้วมังกรสายพันธุ์ขาวเวียดนามด้วยภาพถ่าย โดยใช้เทคนิคการประมวลผลภาพและโครงข่ายประสาทเทียมแบบคอนโวลูชัน
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์ 1) เพื่อสร้างโมเดลจำแนกขนาดแก้วมังกรสายพันธุ์ขาวเวียดนามจากภาพถ่ายด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน และ 2) เพื่อทดสอบประสิทธิภาพของโมเดลที่พัฒนา วิธีการประกอบด้วย 4 ส่วน ได้แก่ 1) การได้มาซึ่งภาพ 2) การเตรียมข้อมูลภาพ ซึ่งใช้การประมวลผลภาพ การตัดรูปภาพ การเสริมภาพ 3) การสร้างโมเดลจำแนกขนาดแก้วมังกร และ 4) การวัดประสิทธฺภาพของโมเดล ชุดข้อมูลสำหรับสร้างโมเดลได้จากกล้องดิจิตอลมิลเลอร์เลสโดยใช้แก้วมังกรสายพันธุ์ขาวเวียดนาม แบ่งออกเป็น 5 กลุ่ม ได้แก่ ขนาด 1 (คลาส 1) ขนาด 2 (คลาส 2) ขนาด 3 (คลาส 3) ขนาด 4 (คลาส 4) และขนาด 5 (คลาส 5) โดยแต่ละกลุ่มมีจำนวน 400 ภาพ รวมทั้งสิ้น 2000 ภาพ ใช้เป็นข้อมูลสำหรับฝึกสอนโมเดล ร้อยละ 80 ได้ภาพ 1600 ภาพ ใช้เป็นข้อมูลสำหรับทดสอบโมเดล ร้อยละ 20 ได้เป็น 400 ภาพ ภาพที่นำเข้ามีขนาดความกว้างและความสูง 256 พิกเซล ใช้โครงข่ายประสาทเทียมแบบคอนโวลูชันเป็นโมเดลจำแนก โดยมีการเปรียบเทียบกับโครงข่ายประสาทเทียมแบบคอนโวลูชันจำแนกขนาดมะม่วง และโครงข่ายประสาทเทียมแบบคอนโวลูชันจำแนกขนาดแอบเปิ้ล โดยข้อมูลชุดทดสอบให้ค่าความแม่นยำร้อยละ 96 ค่าความระลึกร้อยละ 99 ค่าความถูกต้องร้อยละ 96 และค่าเอฟ-1 สกอร์ร้อยละ 97
Downloads
Article Details
ลิขสิทธิ์บทความวิจัยที่ได้รับการตีพิมพ์เผยแพร่ในวารสารวิจัยและพัฒนา วไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ ถือเป็นกรรมสิทธิ์ของสถาบันวิจัยและพัฒนา มหาวิทยาลัยราชภัฏวไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ ห้ามนำข้อความทั้งหมดหรือบางส่วนไปพิมพ์ซ้ำ เว้นแต่จะได้รับอนุญาตจากมหาวิทยาลัยเป็นลายลักษณ์อักษร
ความรับผิดชอบ เนื้อหาต้นฉบับที่ปรากฏในวารสารวิจัยและพัฒนา วไลยอลงกรณ์ ในพระบรมราชูปถัมภ์ เป็นความรับผิดชอบของผู้นิพนธ์บทความหรือผู้เขียนเอง ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
References
กรมส่งเสริมการเกษตร. (2566). แก้วมังกร. สืบค้นจาก https://esc.doae.go.th/wp-content/uploads/2016/03/Dragon_fruit.pdf
สำนักงานมาตรฐานสินค้าเกษตรและอาหารแห่งชาติ (มกอช.) (2566). มาตรฐานสินค้าเกษตร เรื่อง แก้วมังกร (มกษ.25-2558). สืบค้นจาก https://e-book.acfs.go.th/Book_view/202
ทศพร แก้ววิจิตร, ธีรวัช บุณยโสภณ, ทวีชัย ทับทิม, และอรรคพล พลอยแสงพัน. (2562). การคัดแยกสีและขนาดเมล็ดกาแฟคั่วด้วยการประมวลผลภาพ. รายงานสืบเนื่องจากการประชุมวิชาการมหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์ ครั้งที่ 4 (น. 1–8). สถาบันวิจัยและพัฒนา มหาวิทยาลัยเทคโนโลยีราชมงคลรัตนโกสินทร์.
นพรุจ พัฒนสาร, และณัฐวุฒิ ศรีวิบูลย. (2563). การประมวลผลภาพสำหรับการจำแนกคุณภาพมะม่วงพันธุ์โชคอนันต์ โดยการจำลองการมองเห็นของมนุษย์ด้วยวิธีการเรียนรู้เชิงลึก. วารสารวิทยาการและเทคโนโลยีสารสนเทศ, 10(1), 24–29.
โยษิตา คําบุญมี, สุขสวัสดี ณัฎฐวุฒิสิทธิ์, และปราลี มณีรัตน์. (2561). การจำแนกภาพถ่ายระบบอาร์จีบีด้วยเทคนิคการเรียนรู้เชิงลึกของโครงข่ายประสาทเทียม. ว ารสาร Mahidol R2R e-Journal, 5(2), 1-9.
Aherwadi, N., Mittal, U., Singla, J., Jhanjhi, N. Z., Yassine, A., & Hossain, M. S. (2022). Prediction of Fruit Maturity, Quality, and Its Life Using Deep Learning Algorithms. Electronics, 11(24), 4100.
de Luna, R., Dadios, E., Bandala, A., & Vicerra, R. (2019). Size Classification of Tomato Fruit Using Thresholding, Machine Learning, and Deep Learning Techniques. AGRIVITA Journal of Agricultural Science, 41(3), 586-596.
Fu, Y., Nguyen, M., & Yan, W. Q. (2022). Grading Methods for Fruit Freshness Based on Deep Learning. SN Computer Science, 3(4), 264.
Hendrawan, Y., Rohmatulloh, B., Prakoso, I., Liana, V., Fauzy, M. R., Damayanti, R., … Sandra. (2021). Classification of large green chilli maturity using deep learning. IOP Conference Series: Earth and Environmental Science, 924(1), 012009.
Khisanudin, I. S., & Murinto. (2020). Dragon Fruit Maturity Detection Based-HSV Space Color Using Naive Bayes Classifier Method. IOP Conference Series: Materials Science and Engineering, 771(1), 012022.
Li, Y., Feng, X., Liu, Y., & Han, X. (2021). Apple quality identification and classification by image processing based on convolutional neural networks. Scientific reports, 11(1), 16618.
Momeny, M., Jahanbakhshi, A., Jafarnezhad, K., & Zhang, Y.-D. (2020). Accurate classification of cherry fruit using deep CNN based on hybrid pooling approach. Postharvest Biology and Technology, 166, 111204.
Poojitha, K. S., Teena, R., Prabha, V. U., Janani, S. R., & Kalaikumaran T. (2020). Automated Copra Grading System Using AI. International Journal of Research in Engineering, Science and Management. 3(4), 230-234.
Yusamran, N., & Hiransakolwong, N. (2022). DIPDEEP: Classification for Thai dragon fruit. Engineering and Applied Science Research, 49(4), 521–530.
Zheng, B., & Huang, T. (2021). Mango grading system based on optimized convolutional neural network. Mathematical Problems in Engineering, 2021, 1–11.