Jujube Classification from Images Using Deep Learning Technique

Main Article Content

Suksun Promboonruang
Peeraya Radasai
Sirada Suphaphan
Thummarat Boonrod

Abstract

This research presents the extraction of jujubes from photographs using a deep learning technique identify jujubes from photographs using the Inception V3 algorithm. Data sets used in this research are separated into four groups: a,b,c, and d, each group contains 300 images. Test data contains 50 images and data sets used to validate model contains 40 images for training and test models. The experimental results show that Inception V3 has the highest accuracy of 97%, compared to the accuracy of the CNN model of 89% and MobileNet V2 of 86%. It can be used for jujube classification, which is beneficial to farmers. The research findings for the classification data with different quality. The accuracy of the jujube classification model can be further improved.

Article Details

How to Cite
Promboonruang, S., Radasai, P., Suphaphan, S., & Boonrod, T. (2023). Jujube Classification from Images Using Deep Learning Technique. Journal of Science Ladkrabang, 32(2), 97–112. Retrieved from https://li01.tci-thaijo.org/index.php/science_kmitl/article/view/257367
Section
Research article

References

สำนักงานแรงงานจังหวัดกาฬสินธุ์. 2564. ภูมิประเทศ. แหล่งข้อมูล : https://kalasin.mol.go.th/. ค้นเมื่อวันที่ 20 ตุลาคม 2564.

ณัฐวดี หงษ์บุญมี และธีรพงศ์ อ่อนคํา. 2565. การจําแนกระดับคุณภาพน้ำด้วยการเรียนรู้เชิงลึกผ่านแอปพลิเคชันระบบปฏิบัติการแอนดรอยด์. วารสารวิทยาการและเทคโนโลยีสารสนเทศ, 12(2), 31-41. [Nattavadee Hongboonmee and Thirapong Oonkham. 2022. Classification of Water Quality Level using Deep Learning on Android Application. Journal of Information Science and Technology, 12(2), 31–41. (in Thai)]

นพรุจ พัฒนสาร และณัฐวุฒิ ศรีวิบูลย์. 2563. การประมวลผลภาพสําหรับการจําแนกคุณภาพมะม่วงพันธุ์โชคอนันต์โดยการจําลองการมองเห็นของมนุษย์ด้วยวิธีการเรียนรู้เชิงลึก. วารสารวิทยาการและเทคโนโลยีสารสนเทศ, 10(1), 24–29. [Nopparut Pattansarn and Nattavut Sriwiboon. 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. (in Thai)]

ณัฐวดี หงษ์บุญมี และณัฐพงศ์ จันต๊ะวงศ์. 2563. การประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึกเพื่อวัดระดับความหวานของแตงโมผ่าน สมาร์ทโฟน. วารสารวิทยาการและเทคโนโลยีสารสนเทศ, 10(1), 59–69. [Nattavadee Hongboonmee and Nutthapong Jantawong. 2020. Apply of Deep Learning Techniques to Measure the Sweetness Level of Watermelon via Smartphone. Journal of Information Science and Technology, 10(1), 59–69. (in Thai)]

Yann, L., Bottou, L., Bengio, Y. and Haffner, P. 1998. Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278-2324.

Arif, R.B., Siddique, M.A.B., Khan, M.M.R. and Oishe, M.R. 2018. Study and Observation of the Variations of Accuracies for Handwritten Digits Recognition with Various Hidden Layers and Epochs using Convolutional Neural Network. Proceedings 4th IEEE International Conference on Electrical Engineering and Information & Communication Technology (iCEEiCT 2018), 112-117.

เทอดศักดิ์ เงินมูล, พิเชษฐ เหมยคำ, วิโรจน์ ปงลังกา และวิวัฒน์ ทิพจร. 2560. การคัดแยกความสุกสตรอเบอรี่ด้วยซัพพอร์ตเวกเตอร์แมชชีน. วิศวกรรมสาร มหาวิทยาลัยนเรศวร, 12(2), 55-62. [Therdsak Ngernmoon, Pichet Moeikham, Wirot Ponglanka and Wiwat Tippachon. 2017. Strawbeery Ripeness Classification by Support Vector Machine. Naresuan University Engineering Journal, 12(2), 55-62. (in Thai)]

Okafor E, Pawara P, Karaaba F, Surinta O, Codreanu V, Schomaker L, et al. 2016. Comparative Study Between Deep Learning and Bag of Visual Words for Wild- Animal Recognition. Proceedings IEEE Symposium Series on Computational Intelligence, 1-8.

Sladojevic, S., Arsenovic, M., Anderla, A., Culibrk, D. and Stefanovic, D. 2016. Deep Neural Networks Based Recognition of Plant Diseases by Leaf Image Classification. Computational Intelligence and Neuroscience, 2016, 3289801.

Zang, D., Chai, Z., Zhang, J., Zhang, D. and Cheng, J. 2015. Vehicle license plate recognition using visual attention model and deep learning. Journal of Electronic Imaging, 24(3), 1-10.