การจำแนกขนาดเม็ดมะม่วงหิมพานต์ด้วยเทคนิคการเรียนรู้แบบผสมผสาน
Article Sidebar
Main Article Content
บทคัดย่อ
ที่มาของปัญหาการวิจัยนี้เกิดจากข้อจำกัดของวิธีการคัดแยกขนาดเม็ดมะม่วงหิมพานต์แบบดั้งเดิม ซึ่งส่งผลให้มีต้นทุนแรงงานสูงและคุณภาพผลิตภัณฑ์ไม่สม่ำเสมอ อันส่งผลกระทบต่อความสามารถในการแข่งขันของอุตสาหกรรมเม็ดมะม่วงหิมพานต์ไทยในตลาดโลก วัตถุประสงค์ของการวิจัยคือการพัฒนาระบบคัดแยกขนาดเม็ดมะม่วงหิมพานต์ที่มีความแม่นยำสูงด้วยการผสมผสานเทคโนโลยีการเรียนรู้เชิงลึก (Deep Learning) และการเรียนรู้ของเครื่อง (Machine Learning) วิธีการศึกษาได้นำเสนอระบบการคัดขนาดเม็ดมะม่วงหิมพานต์แบบผสมผสาน โดยประยุกต์ใช้การเรียนรู้เชิงลึกที่ใช้เทคนิค YOLOv5 ในการตรวจจับเม็ดมะม่วงหิมพานต์จากภาพ โดยได้ทดลองเพื่อหาพารามิเตอร์ที่เหมาะสมและมีประสิทธิภาพสูง และใช้การเรียนรู้ของเครื่องโดยใช้ SVM ในการคัดขนาด ซึ่งวิเคราะห์จากลักษณะโครงสร้างหลักที่ชัดเจน ได้แก่ ความกว้าง ความยาว และพื้นที่ โดยได้ทดลองกับเคอร์เนล (Kernel) 4 รูปแบบของ SVM ได้แก่ Linear, RBF, Polynomial และ Sigmoid ผลการวิจัยแสดงให้เห็นว่าโมเดลตรวจจับมีประสิทธิภาพดีที่สุดเมื่อใช้ Epochs เท่ากับ 400 และ Batch Size เท่ากับ 64 โดยมีค่า Precision เท่ากับ 0.9817 และ Recall เท่ากับ 0.9706 ขณะที่โมเดลคัดขนาดมีประสิทธิภาพสมบูรณ์ด้วยค่า Precision และ Recall ใกล้เคียง 1 ในทุกเคอร์เนล แม้ว่าประสิทธิภาพโดยรวมของระบบยังมีข้อจำกัดเนื่องจากขั้นตอนการตรวจจับที่ยังมีข้อผิดพลาดในบางกรณี การศึกษานี้สามารถสรุปได้ว่าระบบสามารถช่วยเพิ่มความแม่นยำในการคัดขนาดเม็ดมะม่วงหิมพานต์และทำให้สามารถช่วยเพิ่มความสามารถในการแข่งขันของอุตสาหกรรมเม็ดมะม่วงหิมพานต์ไทยในตลาดโลก โดยช่วยลดต้นทุนแรงงานและยกระดับคุณภาพผลิตภัณฑ์ให้มีความสม่ำเสมอมากขึ้น การพัฒนาในอนาคตควรมุ่งเน้นการปรับปรุงขั้นตอนการตรวจจับเพื่อเพิ่มประสิทธิภาพของระบบในภาพรวม
Article Details
เอกสารอ้างอิง
Baitu, G. P., Gadalla, O. A. A., & Öztekin, Y. B. (2023). Traditional machine learning-based classification of cashew kernels using colour features. Journal of Tekirdag Agricultural Faculty, 20(1), 115–124. https://doi.org/10.33462/jotaf.1100782
Kumari, A. S. S. S. R., Anjaneyulu, K. S. R., & Krishna, K. S. R. (2021). Classification of first quality fancy cashew kernels using four deep convolutional neural network models. Materials Today: Proceedings, 44, 3423–3429. https://doi.org/10.1016/j.matpr.2020.11.897
LearnOpenCV. (2021). Mean average precision (mAP) in object detection. https://learnopencv.com/mean-average-precision-map-object-detection-model-evaluation-metric/
Pham, V.-N., Do Ba, Q.-H., Tran Le, D.-A., Nguyen, Q.-M., Do Van, D., & Nguyen, L. (2024). A low-cost deep-learning-based system for grading cashew nuts. Computers, 13(3), Article 71. https://doi.org/10.3390/computers13030071
Song, X., Li, Z., Zhang, X., & Liu, J. (2022). Recognition and counting of apples in a dynamic state using a 3D camera and deep learning algorithms for robotic harvesting systems. Sensors, 22(19), Article 7012. https://doi.org/10.3390/s22197012
Sunoj, S., Igathinathane, C., & Jenicka, S. (2018). Cashews whole and splits classification using a novel machine vision approach. Computers and Electronics in Agriculture, 145, 1–9. https://doi.org/10.1016/j.compag.2017.12.034
World Population Review. (n.d.). Cashew production by country. Retrieved February 27, 2025, from https://worldpopulationreview.com/country-rankings/cashew-production-by-country
Zha, Y., Yang, L., Liu, Y., Ma, Y., Li, D., & Wang, H. (2025). Weed recognition in cotton fields based on YOLOv8. Intelligent Agriculture, 1(1), Article 100019. https://doi.org/10.1016/j.inag.2025.100019
Zhang, Y., Zhang, Y., & Zhang, Y. (2024). Apple fruit edge detection model using a rough set and convolutional neural network. Sensors, 24(7), Article 2283. https://doi.org/10.3390/s24072283
