ปัจจัยในการคัดแยกเมล็ดวัชพืชที่ปนมากับเมล็ดพันธุ์คะน้าด้วยวิธีการประมวลผลภาพ

Main Article Content

จันทร์พิศ เดชหามาตย์
เกรียงไกร แก้วตระกูลพงษ์
รักศักดิ์ เสริมศักดิ์
สมพงษ์ เจษฎาธรรมสถิต
ถวัลย์ศักดิ์ เผ่าสังข์
ยุพดี ฟูประเสริฐ

บทคัดย่อ

การศึกษาครั้งนี้ได้นำวิธีการประมวลผลภาพมาประยุกต์ใช้เพื่อการคัดแยกเมล็ดวัชพืชที่ปนมากับเมล็ดพันธุ์คะน้า ซึ่งการคัดแยกด้วยสายตาที่ใช้อยู่ในปัจจุบันมีความล่าช้าและอาจทำให้เกิดความผิดพลาดได้ ประกอบกับการประมวลผลภาพเป็นวิธีการที่รวดเร็วและไม่ทำลายตัวอย่างเมล็ด จึงได้ทำการศึกษาโดยถ่ายภาพเมล็ดพันธุ์คะน้าและเมล็ดวัชพืช ได้แก่ ผักโขมและผักเบี้ย ชนิดละ 100 ภาพ ขนาดภาพ 200x200 พิกเซล ระยะถ่ายภาพ 4 เซนติเมตร จากนั้นประมวลผลภาพโดยใช้โปรแกรมคอมพิวเตอร์ที่พัฒนาขึ้นด้วยภาษาไพธอนเพื่อวิเคราะห์หาค่าขนาด ได้แก่ ความกว้าง ความยาว และพื้นที่ของเมล็ด แล้ววิเคราะห์ปัจจัยด้านสีของเมล็ด ได้แก่ สีแดง (R) สีเขียว (G) สีน้ำเงิน (B) ผลการประมวลผลภาพพบว่า ค่าเฉลี่ยของความกว้าง ความยาว และพื้นที่เมล็ดของเมล็ดพันธุ์คะน้ามีค่ามากกว่าค่าเฉลี่ยของเมล็ดผักโขมและผักเบี้ยอย่างมีนัยสำคัญทางสถิติ ส่วนค่าสีแดง (R) สีเขียว (G) สีน้ำเงิน (B) ของเมล็ดพันธุ์คะน้าพบว่ามีความแตกต่างกับค่าสีของเมล็ดผักโขมและผักเบี้ยอย่างมีนัยสำคัญทางสถิติ โดยค่าสีของเมล็ดผักโขมและผักเบี้ยพบว่าไม่มีความแตกต่างกัน ดังนั้นปัจจัยที่สามารถนำมาใช้ในการคัดแยกเมล็ดวัชพืชที่ปนมากับเมล็ดพันธุ์คะน้าได้ คือ ความกว้าง ความยาว พื้นที่ และสีของเมล็ด

Article Details

บท
บทความวิจัย (research article)

References

จักรกฤษ แสงแก้ว. 2549. การเขียนโปรแกรมภาษาไพธอนด้วยตัวเอง. สำนักพิมพ์ ส.ส.ท.

โชติพันธุ์ หล่อเลิศสุนทร. 2554. คู่มือเรียน เขียนโปรแกรม python (ภาคปฏิบัติ). สำนักพิมพ์คอร์ฟังก์ชั่น. กรุงเทพฯ

วรวุฒิ กังหัน และ อิศกฤตา โลหพรหม. 2561. การพัฒนาและทดลองคัดแยกเกรดแตงโมด้วยการประมวลภาพดิจิตอล. การประชุมวิชาการวิศวกรรมเกษตรแห่งประเทศไทยระดับชาติ ครั้งที่ 19 วันที่ 26-27 เมษายน 2561. (Available online at www.tsea.asia)

Arman A. A.M. Motlagh., and A. Khoshroo. 2011. Recognition of weed seed species by image processing. Journal of food, Agriculture& Environment Vol. 9: 379-383.

Chupawa P.and K.Kanjanawanishkul. 2014. Sweet Pepper Seed Inspection Using Image Processing Techniques. Advanced Materials Research. ISSN: 1662-8985, Vol. 931-932, pp. 1614-1618.

Granitto P. M., H. D. Navone, P. F. Verdes, and H. A. Ceccatto. 2002. Weed seeds identification by machine vision, Computers and Electronics in Agriculture. Vol. 33: 91-103.

Kuncan M., H.M. Ertunc. 2016. Olive separation machine based on image processing. MECHANIKA. Volume 22: 438-443.

Kurttulmus F., I. Alibas and I Kavdir. 2016. Classification of pepper seeds using machine vision based on neural network. Int J Agric& Biol Eng, Vol. 9 No. 1.

Lee H., T. Quoc Huy, E. Park, H.-Jin Bae, I. Baek, M. S. Kim, C. Mo and B.-Kwan Cho. 2017. Machine Vision Technique for Rapid Measurement of Soybean Seed Vigor. Journal of Biosystems Engineering. 42: 227-233.

Pandey P., S. Krishna and S. Sharma. 2013. Automatic Seed Classification by Shape and Color Features using Machine Vision Technology, International Journal of Computer Applications Technology and Research. 2: 208-213.

Somthawin Khunkhet and T. Remsungnen. 2018. Non-destructive Identification of Breeding Rice Seed by Using Image Processing and Fuzzy Logic. Journal of Scientific and Engineering Research. 5: 108-121.