การเพิ่มประสิทธิภาพความแม่นยำในการจำแนกความสุกของทุเรียนด้วยการตัดภาพพื้นหลังแบบไฮบริด
Article Sidebar
Main Article Content
บทคัดย่อ
ทุเรียนเป็นผลไม้เศรษฐกิจที่สำคัญของประเทศไทย ได้รับความนิยมในการบริโภคทั้งในประเทศและต่างประเทศ ส่งผลให้ทุเรียนมีบทบาทสำคัญในการกระตุ้นเศรษฐกิจทั้งในระดับประเทศและระหว่างประเทศ โดยเฉพาะทุเรียนสายพันธุ์หมอนทองซึ่งได้รับความนิยมเป็นอย่างสูง ซึ่งทุเรียนสามารถบริโภคได้ทั้งการบริโภคแบบสด หรือบริโภคแปรรูปได้ สำหรับการบริโภคทุเรียนแบบสดหรือต้องการซื้อทุเรียนเพื่อทำการแปรรูปโดยมีเงื่อนไขจากระดับความสุกของทุเรียนเข้ามาเกี่ยวข้อง หากไม่มีความเชี่ยวชาญในการจำแนกทุเรียนสุกหรือดิบ อาจส่งผลให้ได้รับทุเรียนที่ไม่ตรงตามความต้องการของตนเอง ซึ่งในปัจจุบันมีการประยุกต์เทคนิคด้านปัญญาประดิษฐ์เข้ามาใช้ในการจำแนกระดับความสุกของผลไม้เพื่อช่วยผู้บริโภคในการเลือกผลไม้ให้ได้ตรงตามที่ต้องการ โดยใช้รูปภาพของผลไม้ซึ่งบางครั้งจะมีภาพพื้นหลังติดไปด้วย เมื่อนำภาพเหล่านั้นไปประมวลผลจะต้องมีการตัดภาพพื้นหลังออกเพื่อให้ประสิทธิภาพในการจำแนกข้อมูลดีขึ้น ในบางครั้งการใช้ความรู้ด้านการประมวลผลภาพที่มีอยู่ในการตัดพื้นหลังของรูปด้วยอัลกอริทึมสำหรับตัดภาพพื้นหลังเพียงชนิดเดียวอาจจะไม่ดีเพียงพอต่อการใช้งานสำหรับบางข้อมูล ดังนั้นงานวิจัยนี้จึงนำเสนอการเพิ่มประสิทธิภาพการเรียนรู้เชิงลึกในการจำแนกความสุกของทุเรียนด้วยการตัดภาพพื้นหลังแบบไฮบริด ด้วยการใช้อัลกอริทึมโซเบลในการหาขอบของทุเรียนร่วมกับการตัดภาพพื้นหลังด้วยอัลกอริทึมแกรปคัท หลังจากนั้นนำไปสร้างรูปแบบการเรียนรู้ด้วยอัลกอริทึมการเรียนรู้เชิงลึก 4 รูปแบบ เพื่อเปรียบเทียบประสิทธิภาพการจำแนกระดับความสุกของทุเรียนระหว่างการใช้รูปดั้งเดิมกับการใช้รูปภาพที่ตัดพื้นหลัง ผลลัพธ์ที่ได้พบว่าวิธีการตัดภาพพื้นหลังที่นำเสนอส่งผลให้ความแม่นยำในการจำแนกประเภททุเรียนมีความแม่นยำมากยิ่งขึ้น โดยเฉลี่ยทั้ง 4 อัลกอริทึมมีประสิทธิภาพเพิ่มขึ้นที่ร้อยละ 8
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธ์ ของมหาวิทยาลัยเทคโนโลยีราชมงคลพระนครเอกสารอ้างอิง
N. M. Z. Hashim, M. H. A. K. Bahri, S. M. Abd Ghani, M. D. Sulistiyo, K. A. M. Kassim, and N. A. H. Zahri, “An Introduction to A Smart Durian Musang King and Durian Kampung Classification”, in 2022 2nd International Conference on Intelligent Technologies (CONIT), IEEE, 2022, pp. 1-6.
J. N. Uy and J. F. Villaverde “A durian variety identifier using canny edge and CNN”, in 2021 IEEE 7th International Conference on Control Science and Systems Engineering (ICCSSE), IEEE, 2021, pp. 293-297.
J. R. Balbin, J. A. I. Alday, C. O. Aquino, and M. F. G. Quintana, “Durio Zibethinus ripeness determination and variety identification using principal component analysis and support vector machine”, in 10th International Conference on Graphics and Image Processing (ICGIP), Chengdu, PEOPLES R CHINA, 2018, pp. 475-480.
A. P. Bhandarkar, A. N. Alaguraj, and S. S. Madhugiri, "Detection of fruit ripeness using image processing," International Journal of Computer Vision and Image Processing, vol. 12, no. 3, pp. 1–15, 2021.
C. C. Olisah, B. Trewhella, B. Li, M. L. Smith, B. Winstone, E. C. Whitfield, F. Fernandez Fernandez, and H. Duncalfe, "Convolutional neural network ensemble learning for hyperspectral imaging-based blackberry fruit ripeness detection in uncontrolled farm environment," Engineering Applications of Artificial Intelligence, vol. 132, no. 107945, Jun 2024.
B. Xiao, M. Nguyen, and W. Q. Yan, "Fruit ripeness classification using YOLOv8 model," Multimedia Tools and Applications, vol. 83, no. 2, pp. 28039–28056, Aug. 2023.
Suharjito, F. A. Junior, Y. P. Koeswandy, D. Pratiwi, W. Nurhayati, M. Asrol, and Marimin, "Annotated datasets of oil palm fruit bunch piles for ripeness grading using deep learning," Scientific Data, vol. 10, article no. 72, Feb. 2023.
P. K. Mishra, R. Jain, and D. Singh, "Fruit ripeness detection using convolutional neural networks," Journal of Emerging Trends in Information Research (JETIR), vol. 5, no. 7, pp. 573–580, Apr. 2023.
S. Sukkasem, W. Jitsakul, and P. Meesad, "Durian ripeness classification using deep transfer learning," in Proceedings of the 20th International Conference on Computing and Information Technology, (IC2IT 2024), 2024, pp. 150–161.
A. Muthulakshmi and P. N. Renjith, "Durian ripeness classification using machine learning," in Proceedings of the 2020 5th International Conference on Intelligent Information Technology, 2020, pp. 190–195.
F. Yi and I. Moon, “Image segmentation: A survey of graph-cut methods,” in 2012 International Conference on Systems and Informatics, (ICSAI2012), Yantai, China, 2012, pp. 1936-1941.
C. Rother, V. Kolmogorov, and A. Blake, “GrabCut interactive foreground extraction using iterated graph cuts,” ACM transactions on graphics (TOG), vol. 23, no. 3, pp. 309-314, Aug. 2004.
O. R. Vincent and O. Folorunso, “A descriptive algorithm for Sobel image edge detection,” in Proceedings of Informing Science & IT Education Conference, (InSITE), 2009, pp. 97-107.
L. Han, Y. Tian, and Q. Qi, “Research on edge detection algorithm based on improved sobel operator”. in 2019 International Conference on Computer Science Communication and Network Security, (CSCNS2019), MATEC Web of Conferences, 2020.
A. Shervine, “Cheatsheet: Convolutional Neural Networks,” [Online]. Available: https://stanford.edu/
~shervine/teaching/cs-230/cheatsheet-convolutional-neural-networks. [Accessed: Mar., 26, 2024].
Z. Li, F. Liu, W. Yang, S. Peng, and J. Zhou, "A survey of convolutional neural networks: analysis, applications, and prospects," IEEE Transactions on Neural Networks and Learning Systems, vol. 33, no. 12, pp. 6999-7019, Jun. 2021.
N. Ketkar and J. Moolayil, "Convolutional neural networks," in Deep Learning with Python: Learn Best Practices of Deep Learning Models with PyTorch, 2021, pp. 197-242.
D. Theckedath and R. R. Sedamkar, "Detecting affect states using VGG16, ResNet50 and SE-ResNet50 networks," SN Computer Science., vol. 1, p. 79, Mar. 2020.
S. Mascarenhas and M. Agarwal, "A comparison between VGG16, VGG19 and ResNet50 architecture frameworks for Image Classification," in 2021 International Conference on Disruptive Technologies for Multi-Disciplinary Research and Applications, (CENTCON), Bengaluru, India, 2021, pp. 96-99.
M. Z. Alom, T. M. Taha, C. Yakopcic, S. Westberg, P. Sidike, M. S. Nasrin, and V. K. Asari, “The history began from AlexNet: A comprehensive survey on deep learning approaches,” arXiv preprint, arXiv:1803.01164, 2018.
