การประยุกต์ใช้เครื่องสเปกโตรโฟโตมิเตอร์และวิธีการวัดสีของภาพถ่ายจากโทรศัพท์มือถือ สำหรับการวัดความดิบในกากถั่วเหลือง
Article Sidebar
Main Article Content
บทคัดย่อ
การศึกษานี้มีวัตถุประสงค์เพื่อพัฒนาวิธีการตรวจวัดความดิบของกากถั่วเหลืองด้วยเครื่องสเปกโตรโฟโตมิเตอร์ และการวิเคราะห์สีของภาพถ่าย โดยเริ่มจากการประเมินความสัมพันธ์ระหว่างเปอร์เซ็นต์ความดิบของกากถั่วเหลืองด้วยการใช้ฟีนอลเรดเป็นอินดิเคเตอร์เพื่อตรวจสอบปริมาณเอนไซม์ยูรีเอส จากนั้นวัดค่าดูดกลืนแสงจากเครื่องสเปกโตรโฟโตมิเตอร์ และการวิเคราะห์สีของภาพถ่ายจากโทรศัพท์มือถือ IOS และ Android พบว่าเปอร์เซ็นต์ความดิบมีสหสัมพันธ์ทางบวกกับค่าดูดกลืนแสงจากเครื่องสเปกโตรโฟโตมิเตอร์ (r = 0.942; P < 0.01), (y = 33.738x - 13.236; R² = 0.886) และเปอร์เซ็นต์ความดิบมีสหสัมพันธ์ทางลบกับค่าความเป็นสีเหลือง (b*) จากโทรศัพท์มือถือ IOS (r = -0.955; P < 0.01), (y = -0.3001x + 12.645; R² = 0.912) อีกทั้งเปอร์เซ็นต์ความดิบมีสหสัมพันธ์ทางลบกับค่าความเป็นสีเขียว (G) จากโทรศัพท์มือถือ Android (r = -0.964; P < 0.01), (y = -0.1119x + 18.395; R² = 0.929) ส่วนเปอร์เซ็นต์ความดิบมีความสัมพันธ์ทางลบกับค่าความเป็นสีเขียว (G) จากโทรศัพท์มือถือโดยรวม (r = -0.941;P < 0.01), (y = -0.1093x + 17.727;R² = 0.886) จากนั้นเปรียบเทียบวิธีการวัดความดิบของกากถั่วเหลือง 5 ตัวอย่าง โดยใช้แผนการทดลองแบบสุ่มสมบูรณ์ ประกอบด้วย 4 ทรีทเมนต์ (10 ซ้ำ) (วิธีการวัดด้วยเครื่องสเปกโตรโฟโตมิเตอร์ วิธีการวัดสีของภาพถ่ายดิจิทัลจากโทรศัพท์มือถือ IOS, Android, และโทรศัพท์มือถือ) พบว่า วิธีการวัดด้วยเครื่องสเปกโตรโฟโตมิเตอร์และวิธีการวัดสีของภาพถ่ายจากโทรศัพท์มือถือให้ผลการวัดแตกต่างกัน (P<0.01) และการทดลองครั้งนี้ชี้ให้เห็นว่าวิธีการวัดด้วยเครื่องสเปกโตรโฟโตมิเตอร์ให้ผลการวัดที่ใกล้เคียงกับค่าเปอร์เซ็นต์ความดิบจริง
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารเกษตรพระจอมเกล้า
References
Ayilara, M. S., Olanrewaju, O. S., Babalol, O. O. & Odeyemi, O. (2020). Waste management through composting: challenges and potentials. Sustainability. 12, 4456.
Caprita, R., Caprita, A., Ilia, G., Cretescu, I. & Simulescu, V. O. (2010). Laboratory procedures for assessing quality of soybean meal. In Proceedings of the World Congress on Engineering and Computer Science 2010. San Francisco: Internaitional association of engineer, USA.
Chang, B. Y. (2012). Smartphone-based chemistry instrumentation: digitization of colorimetric measurements. Bulletin of the Korean Chemical Society. 33(2), 549-552.
Choodum, A., Parabun, K., Klawach, N., Daeid, N. N., Kanatharana, P. & Wongniramaikul, W. (2014). Real time quantitative colorimetric test for methamphetamine detection using digital and mobile phone technology. Forensic Science International. 235, 8-13.
Dhruv, A., Surendra, K. G. P., Devanshi, Y. A., Manoj, K. S., Rahul, S. & Amit, G. (2016). Shade selection: spectrophotometer vs digital camera – a comparative in-vitro study. Annals of Prosthodontics & Restorative Dentistry. 2(3), 73-78.
Firdaus, M. L., Alwi, W., Trinoveldi, F., Rahayu, I., Rahmidar, L. & Warsito, K. (2014). Determination of chromium and iron using digital image-based colorimetry. Procedia Environmental Sciences. 20, 298-304.
Franco, M. O. K, Suarez, W. T., Maia, M. V. & Santos, V. B. (2017). Smartphone application for methanol determination in sugar cane spirits employing digital image-based method. Food Analysis Methods. 10, 2102-2109.
Gabor, K. & Péter, E. (2015). Implementation of mobile phones in education. Research in Pedagogy. 5, 98-108.
Georgieva-Nikolova, M. & Stoykova, V. (2020). Application of mobile devices in distance learning. In The 15th international conference on virtual learning ICVL. (pp. 272-277). University of Bucharest, Bucharest, Romania.
Girolami, A., Napolitano, F., Faraone, D. & Braghieri, A. (2013). Measurement of meat color using a computer vision system. Meat Science. 93, 111-118.
Gómez-García, M., Soto-Varela, R., Morón-Marchena, J. & del Pino-Espejo, M. (2020). Using mobile devices for educational purposes in compulsory secondary education to improve student’s learning achievements. Sustainability. 12, 3724.
Hamathulin, A., Simla, S., Boontang, S. & Inchuen, S. 2012. Relationship between color value and anthocyanin content in purple waxy corn germplasm. Khon Kaen AGR. J. 40 (Suppl.4), 59-64. (in Thai).
Is-haak, J., Taparhudee, W., joongjaraunsuk, R., biakaew, T. & Pandee, T. (2015). Application of a webcam and image processing techniquesfor measuring total ammonia and nitrite concentrationsin fresh water. RMUTSB Acadamic Journal. 2(3), 129-136. (in Thai).
Khajarern, J. (2017). Manual of feed microscopic and quality control. 2nd ed. Khon Kean: Thai Society of Animal Nutritionists National Farmers Council of Thailand.
Liu, F., Cheng, X., Miu, J., Li, X., Yin, R., Wang, J. & Qu, Y. (2021). Application of different methods to determine urease activity in enzyme engineering experiment and production. E3S Web of Conferences. 251, 02057.
Mendoza, F. & Aguilera, J. M. (2004). Application of image analysis for classification of ripening bananas. Journal of Food Science. 69, 471-477.
Nopparatmaitree, M., Montirach, P., Chotnipat, S., Raksasiri, B. V., Glinubon, J., Arkaphati, C. & Chaowalit, O. (2022). The development of photocolorimetric methodology for determining egg yolk color of laying hens as learning platform during the COVID-19 outbreak situation. Khon Kaen Agriculture Journal. 50(1), 62-75. (in Thai).
Nopparatmaitree, M., Sritulanond, S., Khunkhao, S., Konchan, N., Srapothong, A., Chotnipat, S., Raksasiri, B. V., Glinubon, J., Arkaphati, C. & Chaowalit, O. (2021). The photocolorimetric methodology as an alternative tool for chicken meat color assessment. Journal Mahanakorn Veterinary Medicine. 16(1), 147-158.
Nopparatmaitree, M., Wongwean, P., Riab-Roi, P., Chotnipat, S., Pootaeng-On, Y., Glinubon, J., Srakaew, W., Arkaphati, C. & Chaowalit, O. (2023). Development of technique for measuring non protein nitrogen in soybean meal by spectrophotometer and photocolorimetric methodology. Khon Kaen Agriculture Journal. 51(Suppl.1), 31-39. (in Thai).
R Core Team. R. (2020). R: A Language and Environment for Statistical Computing. Vienna: R Foundation for Statistical Computing.
Rocha, C., Durau, J. F., Barrilli, L. N. E., Dahlke, F., Maiorka, P. & Maiorka, A. (2014). The effect of raw and roasted soybeans on intestinal health, diet digestibility, and pancreas weight of broilers. Journal of Applied Poultry Research. 23(1), 71-79.
Saad, A. G., Iberahim, A., & El-Bialee, N. (2016). Internal quality assessment of tomato fruits using image colour analysis. Agricultural Engineering International: CIGR Journal. 18, 339-352.
SAS. (1996). SAS User’s guide: a basic version 6. 4th edition. North Carolina: SAS intitute inc, USA.
Shane K. K., Landmark, J. D. & Stickle, D. F. (2006). Demonstration of absorbance using digital color image analysis and colored solutions. Journal of Chemical Education. 4(83), 644-646.
Steel, R. G. D. & Torrie, J. H. (1992). Principles and Procedure Statistics. 2nd ed. Singapore: McGraw-Hill Book Co., Inc, Singapore.
Tanong, K., Jatuporn, C., Suvanvihok, V. & Seerasarn, N. (2021). Forecasting import demand for soybean meal in thailand using box-jenkins method. Journal of Hunan University (Natural Sciences). 48(5), 58-65.
Thaenthanee, W., Dechoswang, K. & Pongpiachan, P. (2006). Soybean rawness measurement by spectrophotometer. Kamphaengsaen Academic Journal. 4(1), 8-14. (in Thai).
Thongchai, W., Chammui, Y., Poolprasert, P. & Thongchai, S. (2019). Using a digital image camera and colorimetric analysis for simple detecting soil quality in Nam Dok Mai mango orchards. Agricultural Science Journal. 50(2), 211-223. (in Thai).
Trinderup, C. H. & Kim, Y. H. B. (2015). fresh meat color evaluation using a structured light imaging system. Food Research International. 71, 100-107.
Zlatev, Z. & Baycheva, S. (2017). Application of educational technical tools for analysis the color of essential oils from white oregano. In Proceedings of the 12th International Conference on Virtual learning (ICVL 2017). (pp. 144-144). Sibiu: University of Bucharest, “Lucian Blaga” University of Sibiu in cooperation with SIVECO Romania.