การทำนายปริมาณสารไลโคปีนในฟักข้าวด้วยการวิเคราะห์ภาพสี RGB ร่วมกับวิธีการโครงข่ายประสาทเทียม
Main Article Content
บทคัดย่อ
งานวิจัยฉบับนี้นำเสนอวิธีการทำนายปริมาณสารไลโคปีนในผลฟักข้าวด้วยการประมาณวิเคราะห์ภาพสี RGB ร่วมกับโครงข่ายประสาทเทียม โดยมีการถ่ายภาพผลฟักข้าวจำนวนทั้งหมด 75 ลูก และนำภาพถ่ายนี้ไปวิเคราะห์แยกค่าสี RGB เพื่อใช้สำหรับเป็นข้อมูลเข้าของแบบจำลองการทำนาย ดำเนินการทดสอบหาปริมาณสารไลโคปีนการผลฟักข้าวแต่ละลูกด้วยวิธีการสเปกโทรโฟโทเมตรี-อัลตราไวโอเลต เพื่อใช้เป็นข้อมูลออกของขั้นตอนการเรียนรู้และการทดสอบแบบจำลองการทำนาย โครงข่ายประสาทเทียมแบบ 3 ชั้น ซึ่งมีจำนวนโหนดในชั้นซ่อน (2-12) จำนวนรอบในการฝึกสอน (300-1,500) อัตราการเรียนรู้ (0.1-0.4) และโมเมนตัม (0.1-0.4) ที่แตกต่างกัน ซึ่งได้พัฒนาขึ้นเพื่อใช้สำหรับการทดสอบ นอกจากนี้ได้มีการพัฒนาแบบจำลองการพยากรณ์ด้วยการวิเคราะห์เพื่อนบ้านใกล้ที่สุดที่มีค่าพารามิเตอร์ k แตกต่างกัน (2-10) เพื่อนำมาเปรียบเทียบผลการทำนายกับแบบจำลองโครงข่ายประสาทเทียม ผลลัพธ์จากการทำนายที่ดีที่สุดได้มาจากแบบจำลองโครงข่ายประสาทเทียมที่มีจำนวนโหนดในชั้นข้อมูลเข้า ชั้นซ่อนและชั้นข้อมูลออก 3, 3 และ 1 โหนด ตามลำดับ ผลลัพธ์แสดงค่าความคลาดเคลื่อนกำลังสองเฉลี่ย (MSE) 1.7252 และค่าสัมประสิทธิ์การตัดสินใจ (R2) 0.9867
คำสำคัญ : ฟักข้าว; สารไลโคปีน; โครงข่ายประสาทเทียม; การประมวลผลภาพ; การวิเคราะห์เพื่อนบ้านใกล้ที่สุด
Article Details
References
[2] Yua, J.S., Roh, H.S., Lee, S., Jung, K., Baek, K.H. and Kim, K.H., 2017, Antiproliferative effect of Momordica cochinchinensis seeds on human lung cancer cells and isolation of the major constituents, Rev Bras Farmacogn. 27: 329-333
[3] Kang, J.M., Kim, N., Kim, B., Kim, J.H., Lee, B.Y., Park, J.H., Lee, M.K., Lee, H.S., Kim, J.S., Jung, H.C. and Song, I.S., 2010, Enhancement of gastric ulcer healing and angio-genesis by Cochinchina Momordica seed extract in rats, J. Korean Med. Sci. 25: 875-881.
[4] Bhumsaidon, A. and Chamchong, M., 2016, Variation of lycopene and beta-carotene contents after harvesting of gac fruit and its prediction, ANRES 50: 257-263.
[5] Liu, Y., Pu, H. and Sun, D.W., 2017, Hyperspectral imaging technique for evaluating food quality and safety during various processes: A review of recent applications, Trends Food Sci. Tech. 69: 25-35.
[6] Gomes, J.F.S, Vieira, R.R. and Leta, F.R., 2013, Colorimetric indicator for classification of bananas during ripening, Sci. Hort. 150: 201-205.
[7] Liming, X. and Yanchao, Z., 2010, Automated strawberry grading system based on image processing, Comput. Electron. Agr. 71S: S32-S39.
[8] Manninen, H., Paakki, M., Hopia, A. and Franzen, R., 2015, Measuring the green color of vegetables from digital images using image analysis, LWT Food Sci. Technol. 63: 1184-1190.
[9] Khazaei, N.B., Tavakoli, T., Ghassemian, H., Khoshtaghaza, M.H. and Banakar, A., 2013, Applied machine vision and artificial neural network for modeling and controlling of the grape drying process, Comput. Electron. Agr. 98: 205-213.
[10] Nadian, M.H., Rafiee, S., Aghbashlo, M., Hosseinpour, S. and Mohtasebi, S.S., 2015, Continuous real-time monitoring and neural network modeling of apple slices color changes during hot air drying, Food Bioprod. Process. 94: 263-274.
[11] Han, J., Kamber, M. and Pei, J., Data Mining Concepts and Techniques, 3rd Ed., Elsevier, Inc., Massachusetts, 398 p.
[12] Yam, L.K. and Papadakis, E.S., 2004, A simple digital imaging method for measuring and analyzing color of food surfaces, J. Food Eng. 61: 137-142.
[13] Chen, X., Xun, Y., Lia, W. and Zhang, J., 2010, Combining discriminant analysis and neural networks for corn variety identification, Comput. Electron. Agr. 71S: S48-S53.