การจำแนกระดับความหวานของสับปะรดโดยใช้การเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
สับปะรดเป็นพืชเศรษฐกิจที่สำคัญของประเทศไทย โดยมูลค่าขึ้นอยู่กับความหวานของสับปะรด การหาความหวานของผลไม้สามารถทำได้โดยใช้เครื่องหาความหวานแบบส่องหรือเครื่องมืออื่นๆ แต่จำเป็นต้องใช้บุคลากรที่มีประสบการณ์ อีกทั้งการวัดความหวานผลไม้ทีละลูกสิ้นเปลืองกำลังคนและเวลา ดังนั้นในการวิจัยนี้จึงได้พัฒนาวิธีการจำแนกระดับความหวานของสับปะรดโดยพิจารณาจากลักษณะทางกายภาพที่ปรากฏให้เห็นบนรูปภาพด้วยวิธีการวิเคราะห์ทางการเรียนรู้เชิงลึกชื่อว่า AlexNet ซึ่งทำงานร่วมกับข้อมูลรูปภาพสับปะรดที่มีผลสีเหลือง ได้ทำการแบ่งข้อมูลออกเป็น 4 คลาส ตั้งแต่ M1 ถึง M4 เรียงตามระดับความหวานจากน้อยไปมาก และแบ่งข้อมูลออกเป็นข้อมูลฝึกสอนร้อยละ 80 และข้อมูลทดสอบร้อยละ 20 การทดลองในงานวิจัยนี้แบ่งออกเป็น 5 การทดลองที่มีจำนวน epoch ต่างกันทำงานร่วมกับข้อมูลที่เตรียมไว้ จากผลการทดลองสามารถสรุปได้ว่า โมเดล AlexNet ที่ให้ผลลัพธ์ที่ดีที่สุดคือโมเดลที่มีการฝึกสอน 10 epoch ทำงานร่วมกับข้อมูลที่สมดุลและมีขนาด 120 รูปต่อคลาส โมเดลสามารถให้ความถูกต้อง 91.78% และได้ค่า F1 score อยู่ที่ 92.31%
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ ถือเป็นลิขสิทธิ์ของวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด จะต้องได้รับอนุญาตเป็นลายลักอักษรจากวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ ก่อนเท่านั้น
References
สำนักงานเศรษฐกิจการเกษตร. (2564). สำนักงานเศรษฐกิจการเกษตร. สืบค้น 14 มิถุนายน 2565, จาก http://mis-app.oae.go.th/product/สับปะรด
Baruwa, OI. (2013). Profitability and constraints of pineapple production in Osun State, Nigeria. Journal of Horticultural research, 21(2).
Hossain, MF., Akhtar, S. and Anwar, M. (2015). Nutritional value and medicinal benefits of pineapple. International Journal of Nutrition and Food Sciences, 4(1), 84-88.
Behera, SK., Rath, AK., and Sethy, PK. (2021). Maturity status classification of papaya fruits based on machine learning and transfer learning approach. Information Processing in Agriculture, 8(2), 244-250.
Lee, CH. & Jhou, JC. (2021). A Non-Invasive Method to Classify the Sweetness Levels of Apples. In 5th International Conference on Artificial Intelligence and Virtual Reality (AIVR): 128–134.
Chawgien, K. & Kiattisin, S. (2021). Machine learning techniques for classifying the sweetness of watermelon using acoustic signal and image processing. Computers and Electronics in Agriculture, 181, 105938.
Sangsongfa, A., Am-Dee, N. and Meesad, P. (2020). Prediction of Pineapple Sweetness from Images Using Convolutional Neural Network. EAI Endorsed Transactions on Context-aware Systems and Applications, 7(21).
Nazulan, WNSW., Asnawi, AL., Ramli, HAM., Jusoh, AZ., Ibrahim, SN. and Azmin, NFM. (2020). Detection of Sweetness Level for Fruits (Watermelon) With Machine Learning. In 2020 IEEE Conference on Big Data and Analytics (ICBDA) (pp. 79-83). IEEE.
Mejia, NL., Lobaton, HF. and Morales-Posada, B. (2019). Pineapple classification images and measured properties. mendeley data.
Krizhevsky, A., Sutskever, I. and Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25.
Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., ... and Fei-Fei, L. (2015). Imagenet large scale visual recognition challenge. International journal of computer vision, 115(3), 211-252.