การพัฒนาระบบวัดขนาดเม็ดอาหารสัตว์เลี้ยงแบบ 3 มิติอย่างง่าย ด้วยกล้อง Intel RealSense และไลบรารี Streamlit
Article Sidebar
Main Article Content
บทคัดย่อ
การควบคุมคุณภาพขนาดเม็ดอาหารสัตว์เลี้ยงเป็นปัจจัยสำคัญในกระบวนการผลิต ซึ่งในปัจจุบันกระบวนการตรวจสอบส่วนใหญ่ยังคงพึ่งพาแรงงานมนุษย์ ส่งผลให้เกิดความล่าช้าหรือมีโอกาสเกิดความผิดพลาดสูง และไม่สามารถตรวจสอบแบบเรียลไทม์ได้ งานวิจัยนี้จึงนำเสนอการพัฒนาระบบวัดขนาดเม็ดอาหารสัตว์เลี้ยงแบบ 3 มิติอัตโนมัติ เพื่อทดแทนกระบวนการตรวจสอบด้วยแรงงานมนุษย์ โดยประยุกต์ใช้เทคโนโลยีการประมวลผลภาพ (Image Processing) ด้วยเทคนิค Thresholding และ Contour Detection ร่วมกับกล้องวัดระยะ (Depth Camera) รุ่น Intel RealSense D435i ทำให้สามารถวิเคราะห์ได้ทั้งความกว้าง ความยาว และความหนาของเม็ดอาหาร ระบบนี้ถูกพัฒนาเป็นเว็บแอปพลิเคชันโดยใช้ไลบรารี Streamlit เพื่อให้ผู้ใช้งานสามารถเข้าถึงผลการวิเคราะห์ได้อย่างสะดวกและรวดเร็ว ผลการทดสอบเปรียบเทียบกับเวอร์เนียคาลิปเปอร์ ในเม็ดอาหาร 3 รูปแบบ พบว่าระบบที่พัฒนาขึ้นมีความแม่นยำเฉลี่ย 93.55% ของความกว้าง 93.93% ของความยาว และ 93.62% ของความหนา ซึ่งเป็นกระบวนการที่รวดเร็วกว่าการวัดด้วยแรงงานคน ระบบนี้จึงแสดงให้เห็นถึงศักยภาพในการเป็นเครื่องมือควบคุมคุณภาพที่มีประสิทธิภาพสำหรับอุตสาหกรรมอาหารสัตว์เลี้ยงด้วยการพัฒนาระบบที่ง่าย
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
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
เอกสารอ้างอิง
เกศินี ศศิธร. แนวโน้มอุตสาหกรรมอาหารสัตว์เลี้ยงไทย. ศูนย์วิจัยกสิกรไทย. 2567;4:1–3.
Bravi L, Murmura F, Santos G. The ISO 9001:2015 quality management system standard: companies’ drivers, benefits and barriers to its implementation. Qual Innov Prosper. 2019;23(2):65–7.
Buga R, et al. Streamlit application and deep learning model for brain metastasis monitoring after Gamma Knife treatment. Biomedicines. 2025;13(2):423.
Xin G, et al. Error analysis of green pellet size distribution measurement on conveyor belt. ISIJ Int. 2024.
Microtrac. CAMSIZER 3D [product datasheet]. 2023.
Miranda JC, et al. Assessing automatic data processing algorithms for RGB-D imaging-based apple fruit size and weight prediction. Comput Electron Agric. 2023.
Gené-Mola J, et al. Assessing the performance of RGB-D sensors for 3D fruit crop canopy characterization. Sensors. 2020.
Ljungqvist MG, Nielsen ME, Ersbøll BK, Frosch S. Image analysis of pellet size for a control system in industrial feed production. PLoS One. 2011;6(10):e26492.
Ma W, Wang L, Jiang T, Yang A, Zhang Y. Overlapping pellet size detection method based on marker watershed and GMM image segmentation. Metals. 2023;13(2):327.
สันติภาพ สัตย์ธรรมรังษี, อรอุมา พร้าโมต. การจำแนกขนาดแก้วมังกรสายพันธุ์ขาวเวียดนามด้วยภาพถ่ายโดยใช้เทคนิคการประมวลผลภาพและโครงข่ายประสาทเทียมแบบคอนโวลูชัน. วารสารวิจัยและพัฒนาวไลยอลงกรณ์ ในพระบรมราชูปถัมภ์. 2567;19(1):18–9.
สิรวิชญ์ เดชอธิรัชช์. การทำนายระดับความสุกของผลอะโวคาโดด้วยวิธีการประมวลผลภาพ [วิทยานิพนธ์]. ปทุมธานี: มหาวิทยาลัยเทคโนโลยีราชมงคลธัญบุรี; 2566.
นคินทร พัฒนชัย, สัน นามตะคุ, ศศิน เทียนดี. การจำแนกคุณภาพยางแผ่นโดยใช้การประมวลผลภาพและการจัดกลุ่มแบบเคมีน. วารสารสมาคมวิศวกรรมเกษตรแห่งประเทศไทย. 2568;20(2):166–7.
Hoang ML. Object size measurement and camera distance evaluation for electronic components using fixed-position camera. Sanderman Publishing House. 2023;2(1):1–2.
Ji X, Wang M, Wang W, Liu Q. Enhancing small object detection for HCI: BRA-YOLO algorithm with RealSense 3D trajectory tracking. Franklin Open. 2025;100325.
