การพัฒนาแอปพลิเคชันทำนายระดับความหวานของส้มโอ ผ่านสมาร์ตโฟนด้วยเทคนิคการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์ คือ 1) เพื่อพัฒนาโมเดลทำนายความหวานส้มโอโดยใช้เทคนิคการเรียนรู้เชิงลึก 2) เพื่อพัฒนาแอปพลิเคชันทำนายความหวานส้มโอสำหรับใช้งานบนสมาร์ตโฟนระบบปฏิบัติการแอนดรอยด์ และ 3) เพื่อประเมินความพึงพอใจการใช้งานแอปพลิเคชัน การดำเนินงานเริ่มจากการรวบรวมข้อมูลกลุ่มตัวอย่างภาพส้มโอจำนวน 4 ประเภท ได้แก่ พันธุ์ขาวแตงกวาหวาน พันธุ์ขาวแตงกวาไม่หวาน พันธุ์ท่าข่อยหวาน และพันธุ์ท่าข่อยไม่หวาน จำนวนภาพทั้งหมด 600 ภาพ โดยการนำภาพมาวิเคราะห์และสร้างโมเดลจำแนกภาพโดยใช้โครงข่ายประสาทเทียมเชิงลึกแบบคอนโวลูชัน ผลการศึกษาพบว่าโมเดลจากโครงข่ายประสาทเทียมคอนโวลูชันมีประสิทธิภาพสูง สามารถจำแนกระดับความหวานส้มโอได้อย่างแม่นยำ โดยได้ผลลัพธ์ที่ถูกต้องคิดเป็นความแม่นยำเฉลี่ยเท่ากับ 97 เปอร์เซ็นต์ จึงนำโมเดลดังกล่าวไปพัฒนาส่วนติดต่อผู้ใช้ในรูปแบบแอปพลิเคชันบนสมาร์ตโฟน โดยแอปพลิเคชันจะทำการเรียกใช้โมเดลผ่านชุดคำสั่งเพื่อวิเคราะห์ระดับความหวานจากภาพถ่ายของส้มโอการทดสอ[ประสิทธิภาพการทำงานของแอปพลิเคชัน พบว่าแอปพลิเคชันสามารถจำแนกภาพและวัดระดับความหวานส้มโอได้จริง โดยที่มีค่าความถูกต้องเฉลี่ยถึง 81.25 เปอร์เซ็นต์ และผลการประเมินความพึงพอใจของระบบโดยผู้ใช้งานอยู่ในระดับพึงพอใจระดับดี ค่าเฉลี่ยเท่ากับ 4.19 ผลการทดลองแสดงให้เห็นว่าแอปพลิเคชันนี้สามารถนำไปใช้ประโยชน์ในการช่วยทำนายความหวานของส้มโอได้ ช่วยเพิ่มความสะดวกรวดเร็วต่อการใช้งานอีกทั้งเป็นการส่งเสริมการขาย และสร้างความเชื่อมั่นในตัวผลิตภัณฑ์ให้กับเกษตรกรผู้ปลูกส้มโอได้อีกทางหนึ่ง
Article Details
ต้นฉบับที่ได้รับการตีพิมพ์ถือเป็นสิทธิของเจ้าของต้นฉบับและของวารสารวิชาการ มทร.สุวรรณภูมิ เนื้อหาบทความในวารสารเป็นแนวคิดของผู้แต่ง มิใช่เป็นความคิดเห็นของคณะกรรมการการจัดทำวารสาร และมิใช่ความรับผิดชอบของมหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ
เอกสารอ้างอิง
Achravittayakun, W. (2001). Growing pomelo. Bangkok: Kasetsarn Publishing. (in Thai)
Boonchuay, S., Amloy, S., & Preechaburana, P. (2018). Surface plasmon resonance refractometer based on smartphone platforms. Thaksin University Journal, 21(3), 124-131.
Butploy, N., & Boonying, S. (2020). Classification of Benjapakee Buddha amulets image by deep learning. RMUTSB Academic Journal, 8(1), 100-111.
Gaticaa, G., Bestb, S., Ceronic, J., & Lefranc, G. (2013). Olive fruits recognition using neural networks. Procedia Computer Science, 17(2013), 412-419.
Jmour, N., Zayen, S., & Abdelkrim, A. (2018). Convolutional neural networks for image classification. International Conference on Advanced Systems and Electrical Technologies (pp. 397-402). Tunusia: IEEE.
Kasemsin, W., & Yolai, J. (2020). The development of demonstration kit for intramuscular injection needle display via smartphone inventor application. RMUTSB Academic Journal, 8(1), 112-125.
Kauri, P., Kaleka, S., & Singh, C. (2017). Image analysis technique for automatic characterization of fruits and measurement the sweetness. International Journal for Research in Applied Science & Engineering Technology (IJRASET), 5(7), 954-964.
Kausar, A., Sharif, M., Park, J., & Shin, D. (2018). Pure-CNN: A framework for fruit images classification. International Conference on Computational Science and Computational Intelligence (CSCI) (pp. 404-408). USA: American Council on Science and Education.
Khairunniza-Bejo, S., & Kamarudin, S. (2011). Chokanan mango sweetness determination using HSB color space. Third International Conference on Computational Intelligence, Modelling & Simulation (pp. 216-221). Malaysia: Nottingham Trent University.
Liao, J., Cai, L., Xu, Y., & He, M. (2019). Design of accelerator for MobileNet convolutional neural network based on FPGA. IEEE 4th Advanced Information Technology, Electronic and Automation Control Conference (IAEAC 2019) (pp. 1392-1396). China: IEEE.
Lim, G., & Chuah, J. (2018). Durian types recognition using deep learning techniques. IEEE Control and System Graduate Research Colloquium (ICSGRC 2018) (pp. 183-187). Malaysia: IEEE.
Manipphan, N. (2018). Growing and breeding pomelo. Bangkok: Promote the Career of Diamond Publishing. (in Thai)
Neonics. (2019). Brix refractometer. Retrieved 14 September 2019, from: http://www.neonics.co.th
Pattansarn, N., & Sriwiboon, N. (2020). Image processing for classifying the quality of the Chok-Anan mango by simulating the human vision using deep learning. Journal of Information Science and Technology, 10(1), 24-29.
Petagon, R., & Pantho, O. (2020). Drone for detecting forest fires using deep learning technique. Sripatum Review of Science and Technology, 12(1), 65-78.
Phisachphen, R., & Ongkhunarak, P. (2013). Operational research. Bangkok: SE-ED Ucation. (in Thai)
Pornpanomchai, C., Ja, A., & Supainun, K. (2016). Pineapple sweetness measurement by digital image processing. Proceeding of 2016 International Computer Science and Engineering Conference (ICSEC 2016) (pp. 638-646). Chiang Mai: Maejo University. (in Thai)
Sinha, D., & EI-Sharkawy, M. (2019). Thin MobileNet: An enhanced MobileNet architecture. IEEE Annual Ubiquitous Computing, Electronics & Mobile Communication Conference (UEMCON) (pp. 280-285). USA: IEEE.
Waes, C., Baert, J., Carlier, L., & Bockstaele, E. (1998). A rapid determination of the total sugar content and the average inulin chain length in roots of chicory (Cichorium intybus L.). Journal of the Science of Food and Agriculture, 76(1), 107-110.
