การทำนายปริมาณสารไลโคปีนในฟักข้าวด้วยการวิเคราะห์ภาพสี RGB ร่วมกับวิธีการโครงข่ายประสาทเทียม

Main Article Content

ศุษมา โชคเพิ่มพูน
เตือนใจ น้อยพา
กนกทิพย์ โคตรสำราญ

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

บท
Engineering and Architecture
Author Biographies

ศุษมา โชคเพิ่มพูน

ภาควิชาวิศวกรรมไฟฟ้าและคอมพิวเตอร์ คณะวิทยาศาสตร์และวิศวกรรมศาสตร์ มหาวิทยาลัยเกษตรศาสตร์วิทยาเขตเฉลิมพระเกียรติ จังหวัดสกลนคร ตำบลเชียงเครือ อำเภอเมือง จังหวัดสกลนคร 47000

เตือนใจ น้อยพา

ภาควิชาวิทยาศาสตร์ทั่วไป คณะวิทยาศาสตร์และวิศวกรรมศาสตร์ มหาวิทยาลัยเกษตรศาสตร์วิทยาเขตเฉลิมพระเกียรติ จังหวัดสกลนคร ตำบลเชียงเครือ อำเภอเมือง จังหวัดสกลนคร 47000

กนกทิพย์ โคตรสำราญ

ภาควิชาวิทยาศาสตร์ทั่วไป คณะวิทยาศาสตร์และวิศวกรรมศาสตร์ มหาวิทยาลัยเกษตรศาสตร์วิทยาเขตเฉลิมพระเกียรติ จังหวัดสกลนคร ตำบลเชียงเครือ อำเภอเมือง จังหวัดสกลนคร 47000

References

[1] Vuong, L.T., 2000, Underutilized -carotene-rich crops of Vietnam, Food Nutr. Bull. 21: 173-181.
[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.