ระบบหยิบไข่ไก่อัตโนมัติด้วยแขนกลควบคุมจากการเรียนรู้ของเครื่อง และการเรียนรู้เชิงลึกในฟาร์มไก่แบบปล่อยอิสระ
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้เป็นการนำเสนอการใช้ระบบแขนกลหยิบไข่ไก่ โดยคำนวณการทำงานและควบคุมมอเตอร์แขนกลผ่านการใช้เทคนิคการเรียนรู้ของเครื่อง ร่วมกับกล้องสามมิติประกอบการระบุตำแหน่งแบบอัตโนมัติจากวิธีการเรียนรู้เชิงลึก (YOLOv5s) ซึ่งภาพรวมของงานวิจัยเป็นการจำลองการหยิบเก็บไข่ไก่ ในสภาพแวดล้อมที่มีการเลี้ยงไก่แบบปล่อยอิสระและสร้างรังไข่ไว้สำหรับให้ไก่ไข่โดยเฉพาะ งานวิจัยสามารถนำไปต่อยอดในการเคลื่อนที่ของหุ่นยนต์สำหรับเดินเก็บไข่ไก่ในสถานการณ์ต่าง ๆ ต่อไปได้ โดยในงานวิจัยแสดงให้เห็นถึงผลของประสิทธิภาพของการใช้การเรียนรู้ของเครื่องในการหยิบไข่ไก่ของแขนกล และความถูกต้องของตำแหน่งไข่ไก่จากโมเดลการเรียนรู้เชิงลึก รวมถึงปัญหาที่สามารถเกิดขึ้นในการทดลองการหยิบจับไข่ไก่ด้วย และจากการทดลองในกรณีที่มีโนดซ่อนของโมเดลการเรียนรู้ของเครื่องที่แตกต่างกัน แขนกลหยิบไข่สามารถหยิบไข่ไก่ได้อย่างถูงต้องในช่วงร้อยละ 75-90
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารวิศวกรรมฟาร์มและเทคโนโลยีควบคุมอัตโนมัติ (FEAT Journal) มีกําหนดออกเป็นราย 6 เดือน คือ มกราคม - มิถุนายน และ กรกฎาคม - ธันวาคม ของทุกปี จัดพิมพ์โดยกลุ่มวิจัยวิศวกรรมฟาร์มและเทคโนโลยีควบคุมอัตโนมัติ คณะวิศวกรรมศาสตร์มหาวิทยาลัยขอนแก่น เพื่อเป็นการส่งเสริมและเผยแพร่ความรู้ ผลงานทางวิชาการ งานวิจัยทางด้านวิศวกรรมศาสตร์และเทคโนโลยีพร้อมทั้งยังจัดส่ง เผยแพร่ตามสถาบันการศึกษาต่างๆ ในประเทศด้วย บทความที่ตีพิมพ์ลงในวารสาร FEAT ทุกบทความนั้นจะต้องผ่านความเห็นชอบจากผู้ทรงคุณวุฒิในสาขาที่เกี่ยวข้องและสงวนสิทธิ์ ตาม พ.ร.บ. ลิขสิทธิ์ พ.ศ. 2535
เอกสารอ้างอิง
Kittiwong K, Saeliw K. การผลิตและการตลาดไข่ไก่ในประเทศไทย. Kaen Kaset. 2019;47(Suppl 1):890–4.
Molee W, Khempaka S, Homta C. ผลของการเลี้ยงไก่ไข่แบบปล่อยต่อสมรรถนะการให้ผลผลิต คุณภาพไข่ ปริมาณคอเลสเตอรอล และองค์ประกอบของกรดไขมันในไข่. Nakhon Ratchasima: Suranaree University of Technology; 2015.
Klompunya A, Srikitkasemwat K, Sitthikraipong R. ผลของระบบการเลี้ยงแบบปล่อยอิสระและแบบกรงตับต่อคุณภาพไข่ในไก่ไข่อายุ 19–31 สัปดาห์. Agric Sci J. 2017;35(2 Suppl 2):920–4.
Sharma A, Jain A, Gupta P, Chowdary V. Machine learning applications for precision agriculture: a comprehensive review. IEEE Access. 2021;9:4843–78.
Pitla S, Bajwa S, Bhusal S, Brumm T, Brown-Brandl TM, Buckmaster DR, et al. Ground and aerial robots for agricultural production: opportunities and challenges. CAST Issue Pap. 2020;70:1–20. Available from: https://digitalcommons.unl.edu/biosysengfacpub/727
Benos L, Tagarakis AC, Dolias G, Berruto R, Kateris D, Bochtis D. Machine learning in agriculture: a comprehensive updated review. Sensors (Basel). 2021;21(11):3758.
Spanaki K, Sivarajah U, Fakhimi M, Despoudi S, Irani Z. Disruptive technologies in agricultural operations: a systematic review of AI-driven AgriTech research. Ann Oper Res. 2021. doi:10.1007/s10479-020-03922-z
Wang CH, Xie BX, Chang CL. Design and implementation of livestock robot for egg picking and classification in the farm. In: Proceedings of the 2019 IEEE Eurasia Conference on Biomedical Engineering, Healthcare and Sustainability (ECBIOS); 2019 May 31–June 3; Okinawa, Japan. New York: IEEE; 2019. p. 161–5.
Jermann T, Kolvenbach H, Esquivel Estay F, Krämer K, Hutter M. An efficient multi-robot arm coordination strategy for pick-and-place tasks using reinforcement learning. arXiv [Preprint]. 2024 [cited 2025 May 29]. Available from: https://arxiv.org/abs/2409.13511
Tian X, Pan B, Bai L, Wang G, Mo D. Fruit picking robot arm training solution based on reinforcement learning in digital twin. J ICT Stand. 2023;11(3):261–82.
Wu Z, Zhang H, Fang C. Research on machine vision online monitoring system for egg production and quality in cage environment. Poult Sci. 2025;104:104552.
Yang X, Zhang J, Paneru B, Lin J, Bist RB, Lu G, et al. Precision monitoring of dead chickens and floor eggs with a robotic machine vision method. AgriEngineering. 2025;7(2):35.
Çevik KK, Koçer HE, Boga M. Deep learning based egg fertility detection. Vet Sci. 2022;9(10):574.
NVIDIA Corporation. Jetson Xavier NX: World's smallest AI supercomputer [Internet]. Santa Clara (CA): NVIDIA; [cited 2025 Feb 9]. Available from: https://www.nvidia.com/en-us/autonomous-machines/embedded-systems/jetson-xavier-nx/
Jocher G. Ultralytics YOLOv5 [Internet]. 2020 [cited 2025 Feb 10]. Available from:https://github.com/ultralytics/yolov5
CVAT.ai Corporation. CVAT: Computer Vision Annotation Tool [Internet]. Palo Alto (CA): CVAT.ai Corporation; [cited 2025 Jan 20]. Available from: https://www.cvat.ai/
Heymsfeld R. Arduino Neural Network [Internet]. Hobbizine; [cited 2025 Jan 19]. Available from: http://robotics.hobbizine.com/arduinoann.html
Everingham M, Van Gool L, Williams CKI, Winn J, Zisserman A. The Pascal Visual Object Classes (VOC) Challenge. Int J Comput Vis. 2009;88(2):303–38.
