การประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึกเพื่อวัดระดับความหวานของแตงโมผ่านสมาร์ทโฟน
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอการพัฒนาระบบอัตโนมัติสำหรับวิเคราะห์ความหวานและพันธุ์แตงโมด้วยภาพถ่ายโดยประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึกสำหรับใช้งานบนสมาร์ทโฟนเพื่ออำนวยความสะดวกสำหรับบุคคลทั่วไปที่ต้องการทราบชื่อพันธุ์และความหวานแตงโม ส่วนประกอบหลักของระบบประกอบด้วย (1) การสร้างโมเดลจำแนกพันธุ์และระดับความหวานของแตงโมด้วยโครงข่ายประสาทเทียมการเรียนรู้เชิงลึกผ่านไลบรารี TensorFlow โดยนำอัลกอริทึม InceptionV3 และ MobileNet มาทำการทดลองเปรียบเทียบการจำแนกภาพ ซึ่งฝึกสอนให้สามารถจำแนกภาพจำนวน 4 ประเภท ประเภทละ 100 ภาพ ฝึกสอนจำนวน 500 รอบ ผลการทดลองพบว่าโมเดลจากอัลกอริทึม InceptionV3 มีค่าความถูกต้องที่เท่ากับโมเดลจากอัลกอริทึม MobileNet ค่าความถูกต้องเท่ากับ 97.20% แต่จากการพิจารณาขนาดของโมเดลที่ได้จากการเรียนรู้ พบว่า MobileNet มีขนาดของโมเดลเล็กกว่า InceptionV3 ดังนั้นจึงเลือกโมเดลจาก MobileNet ไปพัฒนาระบบต่อไป (2) การนำโมเดลจากอัลกอริทึม MobileNet ไปพัฒนาเป็นแอปพลิเคชันบนสมาร์ทโฟน ดำเนินการพัฒนาด้วยโปรแกรม Android Studio ผลการทดสอบความพึงพอใจการใช้แอปพลิเคชันจากผู้ใช้พบว่าความพึงพอใจเฉลี่ยเท่ากับ 4.34 ส่วนเบี่ยงเบนมาตรฐาน 0.62 อยู่ในเกณฑ์ระดับดี สามารถสรุปได้ว่าแอปพลิเคชันนี้มีประสิทธิภาพสามารถนำไปใช้งานจริงได้
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
I/we certify that I/we have participated sufficiently in the intellectual content, conception and design of this work or the analysis and interpretation of the data (when applicable), as well as the writing of the manuscript, to take public responsibility for it and have agreed to have my/our name listed as a contributor. I/we believe the manuscript represents valid work. Neither this manuscript nor one with substantially similar content under my/our authorship has been published or is being considered for publication elsewhere, except as described in the covering letter. I/we certify that all the data collected during the study is presented in this manuscript and no data from the study has been or will be published separately. I/we attest that, if requested by the editors, I/we will provide the data/information or will cooperate fully in obtaining and providing the data/information on which the manuscript is based, for examination by the editors or their assignees. Financial interests, direct or indirect, that exist or may be perceived to exist for individual contributors in connection with the content of this paper have been disclosed in the cover letter. Sources of outside support of the project are named in the cover letter.
I/We hereby transfer(s), assign(s), or otherwise convey(s) all copyright ownership, including any and all rights incidental thereto, exclusively to the Journal, in the event that such work is published by the Journal. The Journal shall own the work, including 1) copyright; 2) the right to grant permission to republish the article in whole or in part, with or without fee; 3) the right to produce preprints or reprints and translate into languages other than English for sale or free distribution; and 4) the right to republish the work in a collection of articles in any other mechanical or electronic format.
We give the rights to the corresponding author to make necessary changes as per the request of the journal, do the rest of the correspondence on our behalf and he/she will act as the guarantor for the manuscript on our behalf.
All persons who have made substantial contributions to the work reported in the manuscript, but who are not contributors, are named in the Acknowledgment and have given me/us their written permission to be named. If I/we do not include an Acknowledgment that means I/we have not received substantial contributions from non-contributors and no contributor has been omitted.
References
E. MuengKasem, “Watermelon Secrets We Never Knew: I Love Nature Set,” 1st ed. Bangkok: Nanmeebooks Kiddy, 2016.
T. Chaerueangyot, “Growing crops and making good money,” 1st ed. Bangkok: Agricultural Knowledge Distribution Club, 2015.
Q. Wu, Y. Liu, Q. Li, S. Jim and F. Li, “The Application of Deep Learning in Computer Vision,” in Proceeding of 2017 Chinese Automation Congress (CAC), Jinan, China, 2017, pp. 6522–6527.
P. Chandran, B. Byju, R. Deepak, K. Nishakumari, P. Devanand and P. Sasi, “Missing Child Identification System using Deep Learning and Multiclass SVM,” in Proceeding of 2018 IEEE Recent Advances in Intelligent Computational Systems (RAICS), Thiruvananthapuram, India, 2018, pp. 113–116.
B. Debnath, M. O’Brien, M. Yamaguchi and A. Behera, “Adapting MobileNets for Mobile Based Upper Body Estimation,” in Proceeding of 2018 15th IEEE International Conference on Advanced Video and Signal Based Surveillance (AVSS), Auckland, New Zealand, 2018.
C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, Rethinking the Inception Architecture for Computer Vision. In Proceeding of 2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, Nevada, 2016, pp. 2818-2826.
F. Ertam and G. Aydin, “Data Classification with Deep Learning using Tensorflow,” in Proceeding of 2017 International Conference on Computer Science and Engineering (UBMK), Antalya, Turkey, 2018, pp. 755–758.
KBThaiscale, “Brix Refractometer 0-32%,”2019. [Online].Available:http://www.kbthaiscale.com/product/489. [Accessed: April 11, 2020].
C. Sarawong, S. Somabut, P. Imtongkhum, C. Pimson and C. So-In, “Notification Validation and Identification Systems of Lost Dog,” in Proceeding of 14th National Conference on Computing and Information Technology (NCCIT), King Mongkut’s University of Technology North Bangkok, Chiang Mai, 2018, pp. 678–685.
P. Wairotchanaphutha, N. Boonsirisumpun, W. Puarungroj, “Detection and Classification of Vehicles using Deep Learning Algorithm for Video Surveillance Systems,” in Proceeding of 14th National Conference on Computing and Information Technology (NCCIT), King Mongkut’s University of Technology North Bangkok, Chiang Mai, 2018, pp. 402–407.
A. Rangsuk, T. Kungkajit, “Classification of Amulets using Deep Learning Techniques,” in Proceeding of 10th National Conference on Information Technology (NCIT), Mahasarakhan University, Khon Kaen, 2018, pp. 190–194.
L. Pan, S. Pouyanfar, H. Chen, J. Qin and S. Chen, "DeepFood: Automatic Multi-Class Classification of Food Ingredients Using Deep Learning", 2017 IEEE 3rd International Conference on Collaboration and Internet Computing (CIC), San Jose, CA, 2017, pp. 181-189.
A. V. Singh, Content-based Image Retrieval using Deep Learning, New York: Rochester Institute of Technology, 2015.
E. Pacharawongsakda, “An Introduction to Data Mining Techniques,” 2nd ed. Bangkok: Data cube, 2014.