การประเมินปริมาณของเมล็ดข้าวในภาพถ่าย โดยใช้เทคนิคประมวลผลภาพ
Article Sidebar
Main Article Content
บทคัดย่อ
การเก็บเกี่ยวข้าวด้วยรถเกี่ยวนวดข้าว มีปัจจัยที่ส่งผลต่อความสูญเสีย ได้แก่ ปัจจัยด้านการปรับแต่งเครื่อง ที่สามารถควบคุมได้ และปัจจัยด้านสภาพพืช ซึ่งไม่สามารถควบคุมได้ ยกตัวอย่างเช่น ความหนาแน่นของพืช เนื่องจากความหนาแน่นของข้าวในแต่ละพื้นที่ไม่เท่ากัน ส่งผลให้ดัชนีล้อโน้มไม่เหมาะสมกับกลุ่มข้าว ผู้วิจัยนำเสนอวิธีการประเมินความหนาแน่นของเมล็ดข้าว โดยพัฒนาอัลกอริทึมคัดแยกเมล็ดข้าวจากภาพถ่ายของกล้องดิจิตอล เพื่อนำไปพัฒนาเป็นระบบหัวเกี่ยวข้าวที่ปรับความเร็วของล้อโน้มได้อัตโนมัติ ภาพถ่ายต้นข้าว จากภาคสนาม จะถูกวิเคราะห์ด้วยการจับภาพนิ่งส่วนต่างๆ ของต้นข้าว แบ่งเป็นกลุ่มได้แก่ เมล็ดข้าว, ใบ, ลำต้น, และ พื้น โดยมีปัจจัยศึกษาได้แก่ ความชื้นของข้าว และระดับความสูงการถ่ายภาพ อัลกอริทึมที่พัฒนาจะใช้ Model Random forest classification เพื่อทำนายกลุ่มพิกเซลในภาพถ่าย ผลทดสอบอัลกอริทึมที่ได้พัฒนา พบว่า Model ให้ความแม่นยำของการทำนายกลุ่มต่างๆจากพิกเซล อยู่ในช่วง 59.43-86.94 เปอร์เซ็นต์ หลังจากการทำนายพบว่า เปอร์เซ็นต์เมล็ดข้าวในรูปภาพอยู่ที่ 3.08-6.92 เปอร์เซ็นต์ ทำให้ทราบถึงปริมาณของพิกเซลเมล็ดข้าวในภาพถ่าย ซึ่งสามารถใช้อ้างอิงเป็นความหนาแน่นของเมล็ดข้าวได้ และสามารถใช้ปริมาณการทำนายนี้ ในการอ้างอิงการพัฒนาปรับตั้งระบบหัวเกี่ยวข้าว ที่ปรับความเร็วของล้อโน้มได้อัตโนมัติ เพื่อให้ได้ดัชนีล้อโน้มที่เหมาะสมกับความหนาแน่นข้าว
Article Details
วารสารวิศวกรรมฟาร์มและเทคโนโลยีควบคุมอัตโนมัติ (FEAT Journal) มีกําหนดออกเป็นราย 6 เดือน คือ มกราคม - มิถุนายน และกรกฎาคม - ธันวาคม ของทุกปี จัดพิมพ์โดยกลุ่มวิจัยวิศวกรรมฟาร์มและเทคโนโลยีควบคุมอัตโนมัติ คณะวิศวกรรมศาสตร์มหาวิทยาลัยขอนแก่น เพื่อเป็นการส่งเสริมและเผยแพร่ความรู้ ผลงานทางวิชาการ งานวิจัยทางด้านวิศวกรรมศาสตร์และเทคโนโลยีพร้อมทั้งยังจัดส่ง เผยแพร่ตามสถาบันการศึกษาต่างๆ ในประเทศด้วย บทความที่ตีพิมพ์ลงในวารสาร FEAT ทุกบทความนั้นจะต้องผ่านความเห็นชอบจากผู้ทรงคุณวุฒิในสาขาที่เกี่ยวข้องและสงวนสิทธิ์ ตาม พ.ร.บ. ลิขสิทธิ์ พ.ศ. 2535
References
วินิต ชินสุวรรณ, สมชาย ชวนอุดม, วสุ อุดมเพทายกุล, วราจิต พะยอม, ณรงค์ ปัญญา. ความสูญเสียในการเก็บเกี่ยวข้าวหอมมะลิโดยใช้แรงงานคนและใช้เครื่องเกี่ยวนวด. วารสารวิจัย มหาวิทยาลัยขอนแก่น. 2542; 4(2): 4-7.
วินิต ชินสุวรรณ, นิพนธ์ ป้องจันทร์, สมชาย ชวนอุดม, วราจิต พะยอม. ผลของอัตราป้อนและความเร็วลูกนวดที่มีต่อสมรรถนะการนวดของเครื่องเกี่ยวนวดข้าวแบบไหลตามแกน. วารสารสมาคมวิศวกรรมเกษตรแห่งประเทศไทย. 2546; 10(1): 9–14.
ชัยยันต์ จันทร์ศิริ และ วินิต ชินสุวรรณ. ผลของปัจจัยการทำงานของเครื่องเกี่ยวนวดที่มีต่อความสูญเสียจากชุดหัวเกี่ยวเมื่อเก็บเกี่ยวข้าวพันธุ์ชัยนาท 1. การประชุมวิชาการวิทยาการหลังการเก็บเกี่ยวแห่งชาติ ครั้งที่ 5, 28-29 มิถุนายน 2550, กรุงเทพมหานคร; 2550.
ชัยยันต์ จันทร์ศิริ. การทำนายความสูญเสียจากระบบการเกี่ยวของเครื่องเกี่ยวนวดข้าวในประเทศไทย. [วิทยานิพนธ์ปริญญาวิศวกรรมศาสตร์]. ขอนแก่น: มหาวิทยาลัยขอนแก่น 2553.
ชัยยันต์ จันทร์ศิริ. พารามิเตอร์การทำงานของเครื่องเกี่ยวนวดที่มีผลต่อความสูญเสียจากชุดหัวเกี่ยวสำหรับข้าวพันธุ์ ขาวดอกมะลิ 105. วารสารวิจัย มหาวิทยาลัยขอนแก่น. 2551; 13(5): 613-20.
Ribera J, Chen Y, Boomsma C, Delp EJ. Counting plants using deep learning. IEEE Global Conference on Signal and Information Processing. 2017; 1344–8.
Ghosal S, Blystone D, Singh AK, Ganapathysubramanian B, Singh A, Sarkar S. An explainable deep machine vision framework for plant stress phenotyping. Proceedings of the National Academy of Sciences. 2018; 115(18): 4613–8.
Ise T, Minagawa M, Onishi M. Identifying 3 moss species by deep learning, using the “chopped picture” method. Open Journal of Ecology; 2017; 8(3): 166-73.
Sa I, Ge Z, Dayoub F, Upcroft B, Perez T, McCool C. Deepfruits: a fruit detection system using deep neural networks. Sensors. 2016; 16(8): 1222.
Xiong X, Duan L, Liu L, Tu H, Yang P, Wu D, et al. Panicle-seg: a robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization. Plant Methods. 2017;13(1):104.
ปิยะวัฒน์ ศรีธรรม. แขนกลจับชิ้นงานจากเครื่องคัดแยกวัสดุอัตโนมัติตามสายพาน. วารสารวิศวกรรมฟาร์มและเทคโนโลยีการควบคุมอัตโนมัติ. 2561; 4(1): 19-27.
ธีรวัฒน์ เจเถื่อน, ฉัตริน เรืองจอหอ, มงคล คธาพันธ์, กมลชนน วงศ์สถาน, พยุงศักดิ์ จุลยุเสน. การพัฒนาระบบควบคุมการบังคับเลี้ยวสำหรับรถแทรกเตอร์อัตโนมัติ. วารสารวิศวกรรมฟาร์มและเทคโนโลยีการควบคุมอัตโนมัติ. 2562; 5(1): 1-11.
จาริณี จงปลื้มปิติ, พลเทพ เวงสูงเนิน, สาวิตรี ประภาการ, ณัฐดนย์ พรรณุเจริญวงษ์, พลกฤต ปุ่นนอก. การควบคุมจากค่าปรับตั้งที่ใช้ในการควบคุมสภาวะแวดล้อม แบบอัตโนมัติไร้สายภายในโรงเรือนเปิดดอกเห็ดนางฟ้า. วารสารวิศวกรรมฟาร์มและเทคโนโลยีการควบคุมอัตโนมัติ. 2563; 6(1): 40-9.
Desai, SV, Balasubramanian VN, Fukatsu T., Ninomiya S, Guo W. Automatic estimation of heading date of paddy rice using deep learning. Plant Methods. 2019; 15(1): 76.
Abraham S, Huynh C, Vu H. Classification of Soils into Hydrologic Groups Using Machine Learning. MDPI Data. 2019; 5(1): 2.
Rodriguez-Galiano VF, Ghimireb B, Roganb J, Chica-Olmoa M, Rigol-Sanchez JP. An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing. 2012; 67: 93–104.
Yano IH, Alves JR, Santiago WE, Mederos BJT. Identification of weeds in sugarcane fields through images taken by UAV and Random Forest classifier. ScienceDirect IFAC-PapersOnLine. 2016; 49(16): 415–20.
Raczko E, Zagajewski B. Comparison of support vector machine, random forest and neural network classifiers for tree species classification on airborne hyperspectral APEX images. European Journal of Remote Sensing. 2017; 50(1): 144-54.