การประเมินความหนาเนื้อมะพร้าวเจียด้วยสเปกโทรโฟโตมิเตอร์สำหรับวัดสี
DOI:
https://doi.org/10.14456/thaidoa-agres.2023.4คำสำคัญ:
มะพร้าวเจีย, ความหนาเนื้อ, สเปกโทรโฟโตมิเตอร์บทคัดย่อ
งานวิจัยนี้ศึกษาการประยุกต์ใช้สมบัติเชิงแสงของผิวมะพร้าวเจียในการทำนายความหนา เนื้อหรือความแก่สร้างสมการสำหรับทำนายความ หนาเนื้อมะพร้าวเจีย 210 ผลโดยเปรียบเทียบการ ใช้สเปกตรัมการสะท้อนแสงและค่าสี L*, a*, b* และ ค่าความเงา (gloss) ของผิวมะพร้าวมาสร้าง สมการ โดยเป็นค่าที่เฉลี่ยจากการวัดบริเวณด้าน ล่างของผลมะพร้าว 3 จุด ผลการวิเคราะห์สร้าง สมการทำนาย พบว่าสมการที่สร้างจากข้อมูลค่าสี มีความแม่นยำมากกว่าสมการที่สร้างจากสเปกตรัม การสะท้อนแสงเล็กน้อย โดยค่า b* เป็นค่าสีที่มี ความสำคัญกับการทำนายความหนาเนื้อมากที่สุด เมื่อนำข้อมูลความหนาเนื้อที่ทำนายได้จากค่าสี L*, a*, b* และ gloss มาคัดแยกผลมะพร้าวออก เป็น 3 เกรด พบว่า มีความแม่นยำในการคัดแยก 80.8% ซึ่งมากกว่าการคัดแยกโดยผู้ชำนาญของ ผู้ประกอบการที่มีความแม่นยำในการคัดแยกเท่ากับ 74% ผลจากงานวิจัยนี้แสดงให้เห็นถึงความเป็น ไปได้ในการใช้ค่าสีสำหรับทำนายความหนาเนื้อ หรือความแก่มะพร้าวเจีย ซึ่งสามารถนำผลวิจัย ไปพัฒนาเป็นเครื่องมือคัดแยกได้ต่อไป
เอกสารอ้างอิง
พีรพงษ์ แสงวนางค์กูล รณฤทธิ์ ฤทธิรณ ธีรนุต ร่มโพธิ์ภักดิ์ สมนึก ทองบ่อ และ ยุพิน อ่อนศิริ. 2554. การตรวจสอบ คุณภาพและความบริบูรณ์ของผลมะพร้าวอ่อนแบบไม่ทำลายด้วยเทคนิค NIRs เพื่ออุตสาหกรรมการส่งออก. รายงานผลการวิจัย. ศูนย์นวัตกรรมเทคโนโลยีหลังการเก็บเกี่ยว สำนักงานคณะกรรมการอุดมศึกษา.
สถาบันวิจัยพืชสวน. 2562. การจัดการความรู้เทคโนโลยีการผลิตมะพร้าวน้ำหอม. สำนักพิมพ์การันตี, กรุงเทพฯ. 98 หน้า.
สำนักงานเศรษฐกิจการเกษตร. 2565. สถิติการส่งออกมะพร้าวอ่อน กระทรวงเกษตรและสหกรณ์. แหล่งข้อมูล: http://impexp.oae.go.th/service/export.php?S_YEAR=2564&E_YEAR=2565&PRODUCT_GROUP=5252&PRODUCT_ID=5031&wf_search=&WF_SEARCH=Y สืบค้น: 12 มิถุนายน 2565.
Anonymous, 2022. Rhopoint Instruments. Gloss FAQs. Available at: https://www.rhopointinstruments.com/faqs/gloss/. Accessed: June 2022.
Caladcad, J.A., S. Cabahug, M.R. Catamco, P.E. Villaceran, L. Cosgafa, K.N. Cabizares and M. Hermosilla. 2020. Determining Philippine coconut maturity level using machine learning algorithms based on acoustic signal. Computers and Electronics in Agriculture. 172: 105327.
Dobrzanski, B. and R. Rybczynski. 2002. Colour change of apple as a result of storage, shelf-life, and bruising. International Agrophysics. 16(4):.261-268.
Hendrawan, Y., A. Amini, D.M. Maharani and S.M. Sutan. 2019. Intelligent Non-Invasive Sensing Method in Identifying Coconut (Coco nucifera var. Ebunea) Ripeness Using Computer Vision and Artificial Neural Network. PERTANIKA J. Science & Technology. 27(3): 1317-1339.
Javel, I. M., A.A. Bandala, R.C. Salvador, R.A.R. Bedruz, E.P. Dadios, and R.R.P. Vicerra. 2019. Coconut fruit maturity classification using fuzzy logic. pp. 1-6. In IEEE 10th International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM)).
Jha, S.N., S. Chopra and A.R.P. Kingsly. 2005. Determination of sweetness of intact mango using visual spectral analysis. Biosystems Engineering. 91 (2): 157–161.
McGuire, R.G.. 1992. Reporting of objective color measurements. HortScience. 27(12): 1254-1255.
Wanitchang, J., A. Terdwongworakul, P. Wanitchang and S. Noypitak. 2010. Maturity sorting index of dragon fruit: Hylocereus polyrhizus. J. Food Engineering. 100(3): 409-416.
Wanitchang, P., A. Terdwongworakul, J. Wanitchang, and N. Nakawajana. 2011. Non-destructive maturity classification of mango based on physical, mechanical and optical properties. J. Food Engineering. 105(3): 477-484.
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2023 วารสารวิชาการเกษตร
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารวิชาการเกษตร
