A Simple 3D Pet Food Pellet Measurement Application based on Intel RealSense and Streamlit
Article Sidebar
Main Article Content
Abstract
Quality control of pet food pellet size is a critical factor in the manufacturing process. Currently, most inspections rely on manual labor, which leads to delays, high error rates, and the inability to perform real-time monitoring. This research proposes an automated 3D pet food pellet measurement system to replace manual inspection. The system applies image processing techniques, specifically thresholding and contour detection, utilizing an Intel RealSense D435i depth camera to analyze width, length, and thickness. To ensure convenient and fast access to the results, the system was developed as a web application using the Streamlit library. Experimental results comparing the system with a vernier caliper across three pellet shapes showed average accuracies of 93.55% for width, 93.93% for length, and 93.62% for thickness. This process is significantly faster than manual measurement. Consequently, this system demonstrates potential as an effective and simple-to-develop quality control tool for the pet food industry.
Article Details
This work is licensed under a 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
References
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.
