ความแปรปรวนของลักษณะสัณฐานวิทยาสามารถอธิบายรูปแบบความคลาดเคลื่อนของการจัดเกรดไข่ตามน้ำหนักในไก่ดำนิลเกษตร (ศาสตร์): แนวทางการวิเคราะห์ด้วยการเรียนรู้ของเครื่อง

บทคัดย่อ

การจัดเกรดไข่ในระบบการผลิตสัตว์ปีกมักอาศัยน้ำหนักเป็นเกณฑ์หลัก อย่างไรก็ตาม ในไก่พันธุ์พื้นเมือง เช่น ไก่ดำนิลเกษตร (ศาสตร์) ซึ่งมีความแปรปรวนของรูปร่างไข่สูง การจัดเกรดด้วยน้ำหนักเพียงอย่างเดียวอาจไม่สามารถสะท้อนลักษณะภายนอกของไข่ได้อย่างครบถ้วน และอาจนำไปสู่ความคลาดเคลื่อนในการจำแนกเกรด แม้ว่าจะมีการประยุกต์ใช้เทคนิคการเรียนรู้ของเครื่อง (Machine Learning; ML) ในงานคัดเกรดไข่มากขึ้น แต่การศึกษาที่มุ่งวิเคราะห์ความสัมพันธ์ระหว่างลักษณะสัณฐานวิทยากับความคลาดเคลื่อนของการจัดเกรดไข่ในไก่พื้นเมืองยังมีจำกัด การศึกษานี้มีวัตถุประสงค์เพื่อประเมินศักยภาพของลักษณะสัณฐานวิทยา ได้แก่ ความกว้าง ความยาว และดัชนีรูปร่าง (Shape Index; SI) ในการอธิบายรูปแบบความคลาดเคลื่อนของระบบจัดเกรดไข่ตามน้ำหนัก โดยไม่ใช้ข้อมูลน้ำหนักเป็นตัวแปรต้น ไข่ไก่ดำนิลเกษตร (ศาสตร์) จำนวน 8,435 ฟอง ถูกจำแนกตามน้ำหนักเป็น 3 เกรด ได้แก่ S (<42 กรัม), M (42–52 กรัม) และ L (>52 กรัม) ข้อมูลสัณฐานวิทยาถูกวิเคราะห์ด้วยแบบจำลอง ML จำนวน 6 วิธี ได้แก่ XGBoost, Random Forest, Support Vector Machine, Decision Tree, Logistic Regression และ k-Nearest Neighbors โดยประเมินประสิทธิภาพด้วย Accuracy, F1-score และ Confusion Matrix ผลการศึกษาพบว่า XGBoost ให้ประสิทธิภาพสูงสุด โดยมีความแม่นยำร้อยละ 83.74 การวิเคราะห์ความคลาดเคลื่อนพบว่า ไข่เกรด S ที่มีลักษณะรูปร่างค่อนข้างใหญ่ถูกจำแนกเป็นเกรด M ร้อยละ 41.20 ขณะที่ไข่เกรด L ที่มีลักษณะค่อนข้างกลมหรือมีขนาดเล็กถูกจำแนกเป็นเกรด M ร้อยละ 20.10 ผลการศึกษาชี้ให้เห็นว่า ความแปรปรวนของลักษณะสัณฐานวิทยามีความสัมพันธ์กับรูปแบบความคลาดเคลื่อนของการจัดเกรดไข่ตามน้ำหนัก และอาจเป็นข้อมูลพื้นฐานสำหรับการพัฒนาแนวทางการประเมินลักษณะไข่ที่สอดคล้องกับความหลากหลายของผลผลิตในสัตว์ปีกพันธุ์พื้นเมืองในอนาคต