การประยุกต์ใช้เทคนิคการประมวลผลภาพสำหรับกำหนดตำแหน่งการตัดหัวปลา
Article Sidebar
Main Article Content
บทคัดย่อ
กระบวนการตัดหัวปลาเป็นขั้นตอนที่สำคัญในช่วงแรกของกระบวนการผลิตอาหารทะเลแปรรูป โดยขั้นตอนนี้ส่วนใหญ่จะใช้แรงงานคนที่มีความเชี่ยวชาญเพื่อให้ได้ผลผลิตมากที่สุด ถึงแม้จะมีเครื่องมือและเครื่องจักรที่ช่วยในการตัดหัวปลา แต่เครื่องจักรเหล่านั้นยังขาดความยืดหยุ่นในการปรับเปลี่ยนลักษณะการตัดให้สอดคล้องกับขนาดปลาและรูปร่างของปลาแต่ละตัว ปัจจุบันเทคนิคการประมวลผลภาพได้มีความก้าวหน้าเป็นอย่างมาก และถูกนำมาประยุกต์เป็นส่วนหนึ่งของระบบอัตโนมัติเพื่อเพิ่มประสิทธิภาพของกระบวนการผลิต เช่น การควบคุมการผลิตและการตรวจสอบคุณภาพ งานวิจัยนี้มีวัตถุประสงค์ในการนำเทคนิคการประมวลผลภาพมากำหนดเส้นทางการตัดหัวปลาเพื่อลดการสูญเสียเนื้อปลา โดยการดำเนินงานวิจัยประกอบด้วย 3 ส่วนคือ 1. การเก็บข้อมูลภาพปลาทูแขกซึ่งนิยมใช้ผลิตปลากระป๋อง ถ่ายภาพปลาจากมุมมองด้านบนภายใต้กล่องควบคุมแสงและมีการติดตั้งมาตราส่วนอ้างอิง 2. การประมวลผลภาพปลาเพื่อให้ได้ข้อมูลเชิงปริมาณของตัวปลา และสุดท้ายคือ การนำผลการวิเคราะห์ทางสถิติของข้อมูลดังกล่าวมากำหนดตำแหน่งและสร้างเส้นทางการตัดหัวปลา ผลจากประมวลผลและวิเคราะห์ข้อมูลภาพปลาจำนวน 50 รูป ในช่วงขนาดความยาว 150 ถึง 250 มิลลิเมตร พบว่าอัตราส่วนระหว่างความยาวของหัวปลาต่อความยาวของตัวปลา มีค่าเฉลี่ยและส่วนเบี่ยงเบนอยู่ที่ 0.23 และ 0.006 ตามลำดับ ค่าอัตราส่วนนี้ได้ถูกนำมาใช้การกำหนดตำแหน่งและเส้นทางการตัดหัวปลาแบบตัดตรง เส้นทางการตัดนั้นได้ถูกทดสอบความแม่นยำด้วยภาพตัวอย่างปลาจำนวน 50 ภาพ ด้วยหลักการ Fréchet distance พบว่าค่าความคลาดเคลื่อนระหว่างตำแหน่งการตัดที่สร้างจากการประมวลผลภาพกับตำแหน่งที่ถูกกำหนดด้วยผู้เชี่ยวชาญเฉลี่ยอยู่ที่ 2.15 มิลลิเมตร และมีส่วนเบี่ยงเบน 1.21 มิลลิเมตร ซึ่งคิดเป็น 1.01 %ของความยาวตัวปลาซึ่งมีค่าน้อยมาก เมื่อทดสอบตัดปลาจริงจำนวน 15 ตัวอย่าง พบว่าค่าเฉลี่ยของค่าของน้ำหนักที่สูญเสียหลังจากถูกตัดหัวออกอยู่ที่ 24.47 % ของน้ำหนักตัวทั้งหมด และมีส่วนเบี่ยงเบน 3.23 % ซึ่งอยู่ในเกณฑ์ที่อุตสาหกรรมอาหารทะเลแปรรูปยอมรับได้ จึงสรุปได้ว่าเทคนิคการประมวลผลภาพเพื่อกำหนดตำแหน่งการตัดหัวปลานั้นเป็นเครื่องมือที่มีความถูกต้องเป็นที่ยอมรับได้ และสามารถประยุกต์ใช้ร่วมกับเครื่องตัดหัวปลาอัตโนมัติเพื่อเพิ่มประสิทธิภาพการผลิตในอุตสาหกรรมแปรรูปปลา
Article Details
เอกสารอ้างอิง
ศูนย์เทคโนโลยีสารสนเทศและการสื่อสาร สำนักงานปลัดกระทรวงพาณิชย์. สินค้าส่งออกสำคัญของไทย 2563. Available from: https://tradereport.moc.go.th/Report/Default.aspx?Report=MenucomTopNCountry&Option [Accessed 15th January 2024].
สำนักงานปลัดกระทรวงแรงงาน. สถานการณ์ด้านแรงงานรายปี 2563. Available from: https://bigdata.mol.go.th/lmis/upload/setup_portal_document/1/สถานการณ์ด้านแรงงานประจำปี -2563.pdf [Accessed 15th January 2024].
Sampels S. The effects of processing technologies and preparation on the final quality of fish products. Trends in Food Science & Technology. 2015;44(2): 131–146.
Nassiri SM, Tahavoor A, Jafari A. Fuzzy logic classification of mature tomatoes based on physical properties fusion. Information Processing in Agriculture. 2022;9(4): 547–555.
นุชรี ธรรมโชติ. พัฒนาระบบการประมวลผลภาพและโครงข่ายประสาทเทียมสำหรับกระบวนการคัดแยกขนาดและสายพันธุ์ของหมึกกล้วยแปรรูป.วิศวกรรมศาสตร์มหาบัณฑิต: มหาวิทยาลัยสงขลานครินทร์; 2014.
วรรณรีย์ วงศ์ไตรรัตน์, ถนอมศักดิ์ โสภณ, ประเสริฐ นามเวช, ศศิพันธ์ วงศ์สุทธาวาส. การคัดแยกผลผลิตทางการเกษตรโดยใช้การประมวลผลภาพ. การประชุมวิชาการงานวิจัยและพัฒนาเชิงประยุกต์ ครั้งที่ 7. จังหวัดตรัง, ประเทศไทย; 2558.
Fernandes AFA, Dórea JRR, Rosa GJ de M. Image analysis and computer vision applications in animal sciences: an overview. Frontiers in Veterinary Science. 2020;7: 551269.
Sture Ø, Øye ER, Skavhaug A, Mathiassen JR. A 3D machine vision system for quality grading of Atlantic salmon. Computers and Electronics in Agriculture. 2016;123: 142–148.
Thanasarn N, Chaiprapat S, Waiyakan K, Thongkaew K. Automated discrimination of deveined shrimps based on grayscale image parameters. Journal of Food Process Engineering. 2019;42(4): e13041.
Uchida S. Image processing and recognition for biological images. Development, growth & differentiation. 2013;55(4): 523–549.
Bajaj L, Gupta K, Hasija Y. Image processing in biomedical science. Advances in soft computing and machine learning in image processing. 2018; 185–211.
Ijemaru G, Nwajana A, Oleka E, Otuka R, Ihianle I, Ebenuwa S, et al. Image processing system using MATLAB-based analytics. Bulletin of Electrical Engineering and Informatics. 2021;10: 2566–2577.
Nolden M, Zelzer S, Seitel A, Wald D, Müller M, Franz AM, et al. The Medical Imaging Interaction Toolkit: challenges and advances: 10 years of open-source development. International journal of computer assisted radiology and surgery. 2013;8: 607–620.
Schindelin J, Rueden CT, Hiner MC, Eliceiri KW. The ImageJ ecosystem: An open platform for biomedical image analysis. Molecular reproduction and development. 2015;82(7–8): 518–529.
Gracia L, Perez-Vidal C, Gracia C. Computer vision applied to flower, fruit and vegetable processing. International Journal of Computer and Information Engineering. 2011;5(6): 616–622.
Wadie IHC, Khodabandehloo K. Path generation for robotic cutting of carcasses. Computers and Electronics in Agriculture. 1995;12(1): 65–80.
Rico-Díaz ÁJ, Rabuñal JR, Gestal M, Mures OA, Puertas J. An application of fish detection based on eye search with artificial vision and artificial neural networks. Water. 2020;12(11): 3013.
Fernandes AF, Turra EM, de Alvarenga ER, Passafaro TL, Lopes FB, Alves GF, et al. Deep Learning image segmentation for extraction of fish body measurements and prediction of body weight and carcass traits in Nile tilapia. Computers and electronics in agriculture. 2020;170: 105274.
White DJ, Svellingen C, Strachan NJ. Automated measurement of species and length of fish by computer vision. Fisheries Research. 2006;80(2–3): 203–210.
Sung HJ, Park MK, Choi JW. Automatic grader for flatfishes using machine vision. International Journal of Control, Automation and Systems. 2020;18: 3073–3082.
Azarmdel H, Mohtasebi SS, Jafari A, Rosado Muñoz A. Developing an orientation and cutting point determination algorithm for a trout fish processing system using machine vision. Computers and Electronics in Agriculture. 2019;162: 613–629.
Bratt L. Technical guide to fish canning. FAO GLOBEFISH Research Programme. 2013;111: 1–69.
Rawat S, Benakappa S, Kumar J, Naik K, Pandey G, Pema C. Identification of fish stocks based on truss morphometric: A review. Journal of Fisheries and Life Sciences. 2017;2(1): 9–14.
Mojekwu T, Anumudu C. Advanced techniques for morphometric analysis in fish. Journal of Aquaculture Research & Development. 2015;6(8): 1–6.
Petrellis N. Measurement of fish morphological features through image processing and deep learning techniques. Applied Sciences. 2021;11(10): 4416.
Rani N. Image processing techniques: a review. Journal on Today’s Ideas-Tomorrow’s Technolosgies. 2017;5(1): 40–49.
Oliveira NF, Torati LS, Borin-Carvalho LA, de Lima LK, Puvanendran V, Demiciano TH, et al. Fish Size Correlates to Size and Morphology of Intermuscular Bones in Tambaqui Colossoma macropomum as Shown by Dissection and X-ray Imaging Methods. Fishes. 2023;8(4): 180.
McKinney W. Python for data analysis: O’Reilly Media, Inc.; 2022.
Jekel CF, Venter G, Venter MP, Stander N, Haftka RT. Similarity measures for identifying material parameters from hysteresis loops using inverse analysis. International Journal of Material Forming. 2019;12: 355–378.
Wylie T, Zhu B. Following a curve with the discrete Fréchet distance. Theoretical Computer Science. 2014;556: 34–44.
Su H, Liu S, Zheng B, Zhou X, Zheng K. A survey of trajectory distance measures and performance evaluation. The VLDB Journal. 2020;29(1): 3–32.
Hou B, Zhang C, Yang S. Computer vision tool-setting system of numerical control machine tool. Sensors. 2020;20(18): 5302.
