การประเมินค่าคลอโรฟิลล์ของใบปาล์มน้ำมันโดยใช้ค่าสีร่วมกับการเรียนรู้ของเครื่อง: กรณีศึกษาการเปรียบเทียบระบบสี Chlorophyll Assessment of Oil Palm Leaves using Color Attributes Combined with Machine Learning: A Case Study of Color Space Comparison
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อประเมินค่าคลอโรฟิลล์ของใบปาล์มน้ำมันโดยใช้ค่าสีร่วมกับการเรียนของเครื่อง ตัวอย่างใบปาล์มน้ำมันรวมทั้งหมด 66 ตัวอย่าง ถูกสุ่มเก็บเพื่อวัดค่าคลอโรฟิลล์และวัดค่าสี L*a*b* จากนั้นค่าสีถูกแปลงเป็นค่าระบบสี RGB และ HSV จะได้ค่าระบบค่าสีที่แตกต่างกันทั้งหมด 16 รูปแบบ ได้แก่ L*a*b*, L*, a*, b*, RGB, R, G, B, HSV, H, S, V, L*a*b* + RGB, L*a*b + HSV, RGB + HSV และ L*a*b*+ RGB + HSV เพื่อทำการสร้างแบบจำลองโดยใช้ค่าคลอโรฟิลล์และระบบค่าสีด้วยการวิเคราะห์สมการถดถอยพหุคูณแบบเป็นขั้นตอน (Stepwise linear regression analysis, SLR) และซัพพอร์ตเวกเตอร์รีเกรสชั่น (Support Vector Regression, SVR) โดยใช้วิธีการพิสูจน์แบบไขว้ (Cross Validation) จากนั้นเลือกแบบจำลองที่ดีที่สุดทั้งหมด 3 อันดับแรก ผลจากการทดสอบความแตกต่างระหว่างค่าจริงและค่าทำนาย พบว่าค่าเฉลี่ยของค่าจริงและค่าทำนายจากทั้ง 3 แบบจำลอง ไม่มีความแตกต่างกันทางสถิติที่ระดับความเชื่อมั่น 95% และพบว่าค่าความแตกต่างของความผิดพลาดเฉลี่ยของแบบจำลอง 3 อันดับแรก ไม่มีความแตกต่างกันทางสถิติที่ระดับความเชื่อมั่น 95% แบบจำลองที่เหมาะสมที่สุดถูกพัฒนาจาก L*a*b* ซึ่งใช้วิธี SLR โดยมีค่าสัมประสิทธิ์การตัดสินใจ (R2) เท่ากับ 0.59 และมีค่าเฉลี่ยกําลังสองของการทํานายแบบไขว้ (RMSECV) เท่ากับ 5.22 SPAD
This research aims to assess the chlorophyll content of oil palm leaves using color values combined with
machine learning. A total of 66 oil palm leaf samples were randomly collected to measure chlorophyll content
and L*a*b* color values. The L*a*b* values were converted to RGB and HSV color systems, resulting in 16 different
colorimetric features: L*a*b*, L*, a*, b*, RGB, R, G, B, HSV, H, S, V, L*a*b* + RGB, L*a*b* + HSV, RGB + HSV, and L*a*b*+ RGB + HSV. Calibration models were developed using chlorophyll content and colorimetric variables with
stepwise linear regression analysis (SLR) and support vector regression (SVR) based on cross-validation. The top
three models were selected. Based on the hypothesis test for a difference between means, the means of the
predicted values and the actual values of all those 3 models were not statistically different at the 95% confidence
level. Additionally, the mean errors of the top 3 models were not statistically different at the 95% confidence
level. Among those 3 models, the suitable one having a coefficient of determination (R2) of 0.59 and a root mean
square error of cross-validation (RMSECV) of 5.22 SPAD was developed from the L*a*b* color features using SLR
approach.
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
สมาคมวิศวกรรมเกษตรแห่งประเทศไทย
Thai Socities of Agricultural Engineering
References
กรมวิชาการเกษตร. 2566. คำแนะนำการใช้ปุ๋ยปาล์มน้ำมันตามค่าวิเคราะห์ใบ. แหล่งข้อมูล: https://www.doa.go.th//fc/palmsurat/wpcontent/uploads/2020/06/5-1.pdf. เข้าถึงเมื่อ 1 พฤศจิกายน 2566.
ธีรชัย ปรมาพิจิตรวัฒน์. 2565. การพัฒนากระบวนการแปรรูปมะม่วงตัดแต่งพันธุ์น้ำดอกไม้โดยใช้พลาสม่าเย็น. ปริญญาวิศวกรรมศาสตรมหาบัณฑิต. เชียงใหม่: สาขาวิชาวิศวกรรมอาหาร, มหาวิทยาลัยแม่โจ้.
ธีระพงศ์ จันทรนิยม. 2556. เอกสารเผยแพร่ของศูนย์วิจัยและพัฒนาการผลิตปาล์มน้ำมัน. คณะทรัพยากรธรรมชาติ มหาวิทยาลัยสงขลานครินทร์.
พจนา แววสวัสดิ์. 2547. เกณฑ์การคัดเลือกตัวแบบสำหรับความถดถอยเชิงเส้น. วารสารศรีปทุมปริทัศน์ 4(1), 5-20.
รัฐพงษ์ สุวลักษณ์, พงศกร ปงใจดี, สิทธิโชค เซี่ยมกั้ง, อนุชา บรรดาศักดิ์, กิตติศักดิ์ เพ็ชรพันธ์. 2564. การศึกษาความเป็นไปได้ในการประเมินระดับคลอโรฟิลล์ของใบปาล์มน้ำมันโดยใช้เทคนิคการประมวลผลภาพถ่ายจากกล้องสมาร์ทโฟน. วารสารสมาคมวิศวกรรมเกษตรแห่งประเทศไทย 27(2), 1–6.
รัสรินทร์ เมธาเฉลิมพัฒน์. 2565. การประยุกต์ใช้ Machine Learning กับงานในภาคอุตสาหกรรม ตอนที่ 1 กลุ่มวิจัยไอโอทีและระบบอัตโนมัติสำหรับงานอุตสาหกรรม (IIARG).ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ(NECTEC).
วัชรพงษ์ แจ่มสว่าง. 2561. โครงการการพัฒนาวิธีการวิเคราะห์ ปริมาณยา Rifampin ในเม็ดยาโดยการเทียบด้วยการประมวลภาพดิจิตอล. โครงการวิจัยประเภทงบประมาณเงินรายได้จากเงินอุดหนุนรัฐบาล (งบประมาณแผ่นดิน) ประจำปี 2561. มหาวิทยาลัยบูรพา.
ศศิภา เต็กอวยพร. 2554. การพัฒนาาระบบวิเคราะห์เชิงภาพถ่ายเพื่อตรวจติดตามคุณภาพของผลติภัณฑ์ขนมปังกรอบ. วิทยานิพนธ์วิทยาศาสตร์มหาบัณฑิต. นครปฐม : ภาควิชาเทคโนโลยีอาหาร, มหาลัยศิลปากร.
ศูนย์วิจัยปาล์มน้ำมันสุราษฎร์ธานี. 2554. คู่มือปาล์มน้ำมันชุดที่ 1. ศูนย์วิจัยปาล์มน้ำมันสุราษฎร์ธานี สำนักวิจัยและพัฒนาการเกษตรเขตที่ 7 กรมวิชาการเกษตร.
ศูนย์วิจัยปาล์มน้ำมันสุราษฎร์ธานี. 2563ก. ข่าวสารปาล์มน้ำมัน. แหล่งข้อมูล: https://www.doa.go.th/fc/palmsurat/wpcontent/uploads/2020/07/ข่าวสารปาล์มน้ำมัน-20763.pdf. เข้าถึงเมื่อ 1 พฤศจิกายน 2566.
ศูนย์วิจัยปาล์มน้ำมันสุราษฎร์ธานี. 2563ข. นวัตกรรมปาล์มน้ำมัน. แหล่งข้อมูล: https://www.doa.go.th //fc/palmsurat/wpcontent/uploads/2020/06/เอกสารนวัตกรรมปาล์มน้ำมัน.pdf. เข้าถึงเมื่อ 1 พฤศจิกายน 2566.
สำนักเศรษฐกิจการเกษตร. 2566. ครม.ได้รับทราบโครงการผลักดันการส่งออกน้ำมันปาล์ม . แหล่งข้อมูล: https://www.oae.go.th /view/1/รายละเอียดข่าว/ข่าว%20สศก./41752/TH-TH. เข้าถึงเมื่อ 1 พฤศจิกายน2566.
Alves, J. C. L., Poppi, R. J. 2013. Biodiesel content determination in diesel fuel blends using near infrared (NIR) spectroscopy and support vector machines (SVM). Talanta 104, 155-161.
Amirruddin, A. D., Muharam, F. M., Ismail, M. H., Tan, N. P., Ismail, M. F. 2 0 2 2 . Synthetic Minority Oversampling Technique (SMOTE) and Logistic Model Tree (LMT)-Adaptive Boosting algorithms for classifying imbalanced datasets of nutrient and chlorophyll sufficiency levels of oil palm (Elaeis guineensis) using spectroradiometers and unmanned aerial vehicles. Computers and Electronics in Agriculture 193, 106646.
Berg, A. K., Perkins, T. D. 2004. Evaluation of a portable chlorophyll meter to estimate chlorophyll and nitrogen contents in sugar maple (Acer saccharum Marsh.) leaves. Forest Ecology and Management 200, 113-117.
Chungcharoen, T., Donis-Gonzalez, I., Phetpan, K., Udompetaikul, V., Sirisomboon, P., Suwalak, R. 2022. Machine learning-based prediction of nutritional status in oil palm leaves using proximal multispectral images. Computers and Electronics in Agriculture 198, 107019.
Ciurczak, E. W., Igne, B., Workman Jr, J., Burns, D. A. 2021. Handbook of near-infrared analysis. CRC press.
Evans, J.R. 1989. Partitioning of nitrogen between and within leaves grown under different irradiances. Functional Plant Biology 16, 533-548.
Hu, H., Liu, H., Zhang, H., Zhu, J., Yao, X., Zhang, X., Zheng, K. 2010. Assessment of chlorophyll content based on image color analysis, comparison with SPAD-502. 2nd International Conference on Information Engineering and Computer Science 2010, 476-478. Wuhan, China. 25-26 December 2010, Wuhan, China.
Kerkech, M., Hafiane, A., Canals, R. 2018. Deep leaning approach with colorimetric spaces and vegetation indices for vine diseases detection in UAV images. Computers and electronics in agriculture 155, 237- 243.
Křížová, K., Kadeřábek, J., Novák, V., Linda, R., Kurešová, G., Šařec, P. 2022. Using a single-board computer as a low-cost instrument for SPAD value estimation through colour images and chlorophyll-related spectral indices. Ecological Informatics 67, 101496.
Lima, A., Pereira, J. A., Baraldi, I., Malheiro, R. 2017 . Cooking impact in color, pigments and volatile composition of grapevine leaves (Vitis vinifera L. var. Malvasia Fina and Touriga Franca). Food chemistry 221, 1197-1205.
Liu, Z. A., Yang, J. P., Yang, Z. C. 2 0 1 2 . Using a chlorophyll meter to estimate tea leaf chlorophyll and nitrogen contents. Journal of soil science and plant nutrition 12(2), 339-348.
Malegori, C., Marques, E. J. N., de Freitas, S. T., Pimentel, M. F., Pasquini, C., Casiraghi, E. 2017. Comparing the analytical performances of Micro-NIR and FT-NIR spectrometers in the evaluation of acerola fruit quality, using PLS and SVM regression algorithms. Talanta 165, 112-116.
Posom, J., Shrestha, A., Saechua, W., Sirisomboon, P. 2016. Rapid non-destructive evaluation of moisture content and higher heating value of Leucaena leucocephala pellets using near infrared spectroscopy. Energy 107, 464–472.
Vesali, F., Omid, M., Kaleita, A., Mobli, H. 2015. Development of an android app to estimate chlorophyll content of corn leaves based on contact imaging. Computers and Electronics in Agriculture 116, 211-220.
Wang, Y., Wang, D., Shi, P., Omasa, K. 2014. Estimating rice chlorophyll content and leaf nitrogen concentration with a digital still color camera under natural light. Plant Methods 10, 36.