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

รูปแบบการอ้างอิง
เดชหามาตย์ จ. ., แก้วตระกูลพงษ์ เ. ., เสริมศักดิ์ ร., เจษฎาธรรมสถิต ส. ., เผ่าสังข์ ถ. ., & ฟูประเสริฐ ย. . (2019). ปัจจัยในการคัดแยกเมล็ดวัชพืชที่ปนมากับเมล็ดพันธุ์คะน้าด้วยวิธีการประมวลผลภาพ. วารสารแก่นเกษตร, 47(6), 1113–1118. สืบค้น จาก https://li01.tci-thaijo.org/index.php/agkasetkaj/article/view/249966
ประเภทบทความ
บทความวิจัย (research article)

เอกสารอ้างอิง

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.