การจำแนกดอกรักด้วยภาพถ่าย โดยการสกัดคุณลักษณะและการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้นำเสนอขั้นตอนวิธีการจำแนกดอกรักด้วยการวิเคราะห์ภาพซึ่งใช้เทคนิคการเรียนรู้ของเครื่องเพื่อเรียนรู้ลักษณะเด่นของภาพดอกรักดอกรักที่ใช้ในงานวิจัยนี้ แบ่งออกเป็น 4 คลาส (1) ดอกที่มีลักษณะดี (2) ดอกที่มีเชื้อราติดอยู่ (3) ดอกที่มีกลีบยาวไม่เท่ากัน (4) ดอกที่ฐานชิดติดกัน ซึ่งมีคลาสละ 200 ดอก รวมทั้งสิ้น 800 ดอก คุณลักษณะเด่นที่ใช้ในงานวิจัย มี 3 คุณลักษณะ ได้แก่ (1) ร้อยละของพิกเซลสีเข้ม (2) พื้นที่กลีบดอก (3) พื้นที่ระหว่างกลีบดอก งานวิจัยนี้ทำการทดลองใช้เครื่องจักรเรียนรู้ 3 เทคนิค คือ (1) ต้นไม้ตัดสินใจ (2) ซัพพอร์ตเวกเตอร์แมทชีน และ (3) การเรียนรู้เชิงลึก งานวิจัยนี้กำหนดให้จำนวนข้อมูลร้อยละ 70 จากทั้งหมด นำมาใช้สร้างตัวจำแนก และจำนวนข้อมูลที่เหลือ 30% นำมาใช้ในการทดสอบตัวจำแนก ผลของการวัดประสิทธิภาพของตัวจำแนกด้วย 10 fold cross validation คือ ค่าความแม่นยำ ร้อยละ 95.92 ค่าความระลึก ร้อยละ 95.90 ค่าความถูกต้อง 95.89 และค่าความถ่วงดุล ร้อยละ 95.91 ชุดข้อมูลทดสอบถูกใช้ในการวัดประสิทธิภาพ พบว่า ต้นไม้ตัดสินใจเป็นเครื่องจักรเรียนรู้ที่มีประสิทธิภาพสูงสุด ผลลัพธ์ คือ ค่าความความแม่นยำ ร้อยละ 99.59 ค่าความระลึก ร้อยละ 99.58 ค่าความถูกต้อง ร้อยละ 99.58 และค่าความถ่วงดุล ร้อยละ 99.58
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.
เอกสารอ้างอิง
Nattavadee Hongboonmee and Praphasiri Trepanichkul, “Comparison of Data Classification Efficiency to Analyze Risk Factors that Affect the Occurrence of Hyperthyroidusing Data Mining Techniques”, Journal of Information Science and Technology, Vol. 9, No. 1, pp. 41-51, JAN-JUN 2019.
Arika Thammano1, Muthita Wangkid and Arit Thammano, “Breast Cancer Prediction Using K-mean Classification Algorithm with Self-adaptive Weight”, Journal of Information Science and Technology, Vol. 10, No. 2, pp. 1-9, JUL-DEC 2020.
Songgrod Phimphisan and Nattavut Sriwiboon, “Image Processing for Fundus Image Classification using Deep Learning”, Journal of Information Science and Technology, Vol. 10, No. 2, pp. 19-25, JUL-DEC 2020.
Nattavadee Hongboonmee and Nutthapong Jantawong, “Apply of Deep Learning Techniques to Measure the Sweetness Level of Watermelon via Smartphone”, Journal of Information Science and Technology, Vol. 10, No. 2, pp. 59-69, JUL-DEC 2020.
Sarawoot Boonkidram and Nattavut Sriwiboon, “Physical Quality Investigation of Germinated Brown Rice by using Image Processing”, Journal of Information Science and Technology, Vol. 10, No. 2, pp. 101-109, , JUL-DEC 2020.
Jittrapong Jaroenjit, Apirak Panpanasakul, Pollawat Chaisri, Peerapong Promduang and Sutida Prompongusawa, “Classification pearls using image processing,” presented at the 9 th Hatyai National and International Conference, Hatyai University, Songkhla, Thailand, Jul. 20, 1679-1691, 2018.
Nattavadee Hongboonmee and Kanin Pratoomthong, “The Analysis System of Counterfeit Banknote by Photo on Smartphone using Deep Learning Technique”, Journal of Information Science and Technology, Vol. 10, No. 2, pp. 90-100, JUL- DEC 2020.
Somying Thainimit, “Introduction to Image Processing,” in Digital Image Processing with MATLAB, Thailand: Kasetsart University, 2010. Accessed: Oct. 1, 2021. [Online]. Available: https://ebook.lib.ku.ac.th/ebook27/ebook/2014RG0087/index.html#p=1
Charturong Tantibundhit, “Introduction to Pattern Recognition,” in Pattern Recognition, Thailand: Thammasat Printing house, 2012.
Parinya Sanguansat, “Decision Tree,” in Artificial Intelligence with Machine Learning, Thailand: INFOPRESS, 2019.
Buncha Pasilatesung, “Support Vector Machines,” in Python Machine Learning, Thailand: SE-EDUCATION PUBLIC COMPANY LIMITED, 2021.
Tatpong Katanyukul, “Neural Network,” in Introduction to Machine Learning, Thailand: Faculty of Engineering Khon Kaen University, 2017.
Jakkarin Sanuksan and Olarik Surinta, “Deep Convolutional Neural Networks for Plant Recognition in the Natural Environment”, Journal of Science and Technology Mahasarakham University, Vol. 38, No. 2, pp. 113-124, MAR-APR 2019.
Rotsarin Tritanasombat and Tawin Tanawong, “Orchid Species Analyze System with Artificial Convolution Neural Network,” presented at the 9 th Asia Undergraduate Conference on Computing, Rajamangala University of Technology Rattanakosin, Prachuap Khiri Khan, Thailand, Feb. 25, 1337-1343, 2021.
Thanawat Poonyarit and Chutiphon Srisawat, “Peace Lily Images Classification with Visual Contents,” presented at the UTCC Academic Day Conference, University of the Thai Chamber of Commerce, Bangkok, Thailand, Jun. 7, 704-716, 2017.
Put Panuwanitchakorn and JanjiraPayakpate, “Using Image Segmentation Technique on the Image of Orchids Paphiopedilum Native Species of Thailand,” presented at the 10 th Mahasarakham University Research Conference, Mahasarakham University, Mahasarakham, Thailand, Sep. 11-12, 1679-1691, 2014.
Nopparut Pattansarn and Nattavut Sriwiboon, “Image Processing for Classifying the Quality of the Chok-Anan Mango by Simulating the Human Vision using Deep Learning”, Journal of Information Science and Technology, Vol. 10, No. 1, pp. 24-29, JAN-JUN 2020.
Hossin, M.1 and Sulaiman, M.N, “A Review on Evaluation Metrics for Data Classification Evaluations”, International Journal of Data Mining & Knowledge Management Process, Vol. 5, No. 2, pp. 1-11, , March 2015.
