การจำแนกเมล็ดพันธุ์ข้าวด้วยระบบการประมวลผลภาพร่วมกับโครงข่ายประสาทเทียม

Main Article Content

สมพร หงษ์กง
จรัญ มงคลวัย
สุริยา โชคเพิ่มพูน

บทคัดย่อ

            บทความวิจัยนี้เสนอการจำแนกเมล็ดพันธุ์ข้าวด้วยการวิเคราะห์ภาพร่วมกับการใช้แบบจำลองโครงข่ายประสาทเทียม (ANN) โดยมีขั้นตอนที่เริ่มจากการใช้ภาพเมล็ดพันธุ์ข้าวมาฝึกฝน และสร้างแบบจำลองโครงข่ายประสาทเทียมแบบ Back propagation algorithm โดยมี input เป็นค่าของสี 0 - 255 ระดับ และ output เป็นพันธุ์ข้าว กข.6 และขาวดอกมะลิ 105 ซึ่งมีแบบจำลอง 2 รูปแบบคือ แบบจำลองแรก ANN-1 มี input 3 ค่า คือ [R G B] และแบบจำลองที่สอง ANN-2 มี input 4 ค่า คือ [R G B K] ทุกๆ แบบจำลองมีการปรับเปลี่ยนจำนวน perceptron ในชั้น Hidden layer จาก 1 2 3 4 5 10 15 และ 20 โดยแบบจำลองที่ได้สร้างแต่ละรูปแบบนั้นได้ถูกนำมาใช้สำหรับในการตัดสินใจให้ชุดระบบสาพานคัดแยกตามตำแหน่งเมล็ดพันธุ์ ผลพบว่าการแบบจำลอง ANN-2 ที่มีจำนวน perceptron ในชั้น Hidden layer เท่ากับ 15 มีความเหมาะสมในการจำแนกชนิดพันธุ์ทั้งข้าว กข.6 และขาวดอกมะลิ 105 ได้สูงถึงร้อยละ 98 ซึ่งมีผลจากปัจจัยของข้อมูลที่ถูกป้อนในการเรียนรู้ และจดจำของแบบจำลองที่มี input 4 ค่า จะมีการแยกรูปแบบได้ดีกว่า input 3 ค่า ประโยชน์ที่ได้จากงานวิจัยนี้สามารถนำไปพัฒนาใช้ในการจำแนกเมล็ดพันธุ์อื่นๆ ในด้านงานเกษตรด้วยลักษณะทางกายภาพ รูปทรงหรือขนาดโดยไม่ทำลายโครงสร้างภายในเมล็ดพันธุ์


 

Article Details

รูปแบบการอ้างอิง
หงษ์กง ส. ., มงคลวัย จ. ., & โชคเพิ่มพูน ส. . (2024). การจำแนกเมล็ดพันธุ์ข้าวด้วยระบบการประมวลผลภาพร่วมกับโครงข่ายประสาทเทียม. วารสารสมาคมวิศวกรรมเกษตรแห่งประเทศไทย, 30(2), 33–41. สืบค้น จาก https://li01.tci-thaijo.org/index.php/TSAEJ/article/view/258290
ประเภทบทความ
Post-harvest and food engineering

เอกสารอ้างอิง

กองวิจัยและพัฒนาข้าว. พันธุ์ข้าว. ได้จาก : 2559. http://www.ricethailand.go.th/rkb3/title-index.php file=content.php&id=11.htm สืบค้นเมื่อ 31 พฤษภาคม 2565.

Verma, B. 2010. Image Processing Techniques for Grading & Classification of Rice.ICCCT 10, 220-223.

Yang, C. C., Prasher, S.O., Landry, J.A. 2002. Weed recognition in corn fields using back- propagation neural network models. CANADIAN BIOSYSTEMS ENGINEERING. 44(7), 15-22.

Guzman, J.D., Peralta, E K.. 2008. Classification of Philippine Rice Grains Using Machine Vision and Artificial Neural Networks. IAALD AFITA WCCA 2008, 41-48.

Savakar, D. 2012. Recognition and lassification of Similar Looking Food Grain Images using Artificial Neural Networks. Journal of Applied Computer Science & Mathematics, no. 13 (6), 61-65

Guang-rong, L. 2011. Detection of Chalk Degree of Rice Based on Image Processing Technique. SIE. 83, 515-518.

Ferdous,N., Eliasb, S.M., Howladerb, Z. H., Biswasc, S. K., Rahmand, Md., Habibae, S. K., Serajb, K. Z. I. 2018. Profiling Bangladeshi rice diversity based on grain size and amylose content using molecular markers. 14, 56-65.

López, G., Batlles, F.J., Tovar-Pescador, J. 2005. Selection of Input Parameters to Model Direct

Solar Irradiance by using Artificial Neural Networks. Fuel and Energy. 47, 1675-1684.