A Development of Information Retrieval System of Indigo Fabric Pattern with Deep Learning Techniques
Keywords:
Deep Learning, Image Processing, Indigo Fabric Pattern, Convolutional Neural NetworkAbstract
This research is an application of image processing technology with deep learning techniques to classify the indigo fabric pattern of natural indigo dye processing groups that have been registered to use the symbolizing geographical indication. In Sakon Nakhon province, there were 42 groups, with a collection of 216 images of fabric patterns. The model is developed using the architecture of the convolutional neural network (CNN) which uses the RestNet50 model. The model accuracy assessment was 93% with a lower loss of 0.09%. Then the model was used in the information retrieval system of indigo fabric pattern with deep learning techniques. As a result, the accuracy on 10 samples of indigo fabric pattern was more than 80%. In addition, the system can support the identity and basic information of the indigo pattern, which is a part of public relations for community tourism called “The Indigo Way”. As a result, the community income has increased and the community also has stability and sustainability.
References
อนุรัตน์ สายทอง, อังคณา เทียนกลุ่ม, สุดกลม ลาโสภา. ครามและผลิตภัณฑ์คราม. สกลนคร: มหาวิทยาลัยราชภัฏสกลนคร; 2554.
กระทรวงวิทยาศาสตร์และเทคโนโลยี ร่วมกับมหาวิทยาลัยเทคโนโลยีราชมงคลอีสาน วิทยาเขตสกลนคร. การพัฒนาผลิตภัณฑ์ผ้าสกลนคร; 2555.
สำนักงานเกษตรจังหวัดสกลนคร กรมส่งเสริมการเกษตร กระทรวงเกษตรและสหกรณ์. แผนพัฒนาการเกษตรจังหวัดสกลนครปี 2563-2564; 2562.
นพรุจ พัฒนาสาร, ณัฐวุฒิ ศรีวิบูลย์. การประมวลผลภาพสำหรับจำแนกคุณภาพมะม่วงพันธ์โชคอนันต์ โดยการจำลองการมองเห็นของมนุษย์ด้วยวิธีการเรียนรู้เชิงลึก. Journal of Information Science and Technology. 2563;10(1):24-29.
Shamrat FJM, Mahmud I, Rahman AS, et al. A smart automated system model for vehicles detection to maintain traffic by image processing. International Journal of Scientific & Technology Research. 2020; 9(02):2921-2928.
Rahouma KH, Mahfouz AZ. Design and implementation of a face recognition system based on API mobile vision and normalized features of still images. Journal of Procedia Computer Science. 2021;194:32-44.
Rahmatov N, Paul A, Saeed F, et al. Machine learning–based automated image processing for quality management in industrial Internet of Things. International Journal of Distributed Sensor Networks. 2019;15(10):1-11.
Schlett T, Rathgeb C, Busch C. Deep learning-based single image face depth data enhancement. Computer Vision and Image Understanding Journal. 2021;210:1-15.
Gjoreski M, Gradišek A, Budna B, et al. Machine learning and end-to-end deep learning for the detection of chronic heart failure from heart sounds. IEEE Access. 2020;8:20313-20324.
Han C, Lei S, Mingming W, et al. Innovative design of traditional calligraphy costume patterns based on deep learning. In Journal of Physics: Conference Series. 2021;1790(1):1-6.
LeCun Y, Bottou L, Bengio Y, et al. Gradient based learning applied to document recognition. In: Proceedings of the IEEE. 1998;86(11):2278–2324.
Wang D, Wang J, Li W, et al. T-CNN: Trilinear convolutional neural networks model for visual detection of plant diseases. Computers and Electronics in Agriculture Expert Systems with Applications Journal. 2021;190:1-10.
Giuseppe CA. ResNet-50-based Convolutional neural network model for language ID identification from speech recordings. Proceedings of the Third Workshop on Computational Typology and Multilingual NLP; 2021 June. Association for Computational Linguistics. 2021:136-144.
Zhang H, Jiang L, Li C. Cs-resnet: cost-sensitive residual convolutional neural network for PCB cosmetic defect detection. Expert Systems with Applications Journal. 2021;185:1-10.
Yamane T. Statistics: An introduction analysis. New York: Harper & Row; 1973.
Bruckhaus T. The business impact of predictive analytics. In Knowledge discovery and data mining: Challenges and realities. USA: Igi Global; 2007.
Downloads
Published
How to Cite
Issue
Section
License
Copyright (c) 2022 UTK RESEARCH JOURNAL
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
กองบรรณาธิการวารสารวิชาการ มหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ มีความยินดีที่จะรับบทความจากอาจารย์ นักวิจัย นักวิชาการทั้งภายในและภายนอกมหาวิทยาลัย ในสาขาวิชาวิทยาศาสตร์และเทคโนโลยี ได้แก่ สาขาวิชาวิทยาศาสตร์ วิศวกรรมศาสตร์ และสาขาอื่นๆ ที่เกี่ยวข้อง รวมถึงสาขาต่างๆ ที่มีการบูรณาการข้ามศาสตร์ที่เกี่ยวข้องวิทยาศาสตร์และเทคโนโลยี ที่เขียนเป็นภาษาไทยหรือภาษาอังกฤษ ซึ่งผลงานวิชาการที่ส่งมาขอตีพิมพ์ต้องไม่เคยเผยแพร่ในสิ่งพิมพ์อื่นใดมาก่อน และต้องไม่อยู่ในระหว่างการพิจารณาของวารสารอื่น
การละเมิดลิขสิทธิ์ถือเป็นความรับผิดชอบของผู้ส่งบทความโดยตรง บทความที่ได้รับการตีพิมพ์ต้องผ่านการพิจารณากลั่นกรองคุณภาพจากผู้ทรงคุณวุฒิและได้รับความเห็นชอบจากกองบรรณาธิการ
ข้อความที่ปรากฏอยู่ในแต่ละบทความที่ตีพิมพ์ในวารสารวิชาการเล่มนี้ เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ไม่เกี่ยวข้องกับมหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพแต่อย่างใด ความรับผิดชอบด้านเนื้อหาและการตรวจร่างบทความแต่ละบทความเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใดๆ ผู้เขียนแต่ละท่านจะต้องรับผิดชอบบทความของตนเองแต่ผู้เดียว
กองบรรณาธิการขอสงวนสิทธิ์มิให้นำเนื้อหา หรือข้อคิดเห็นใดๆ ของบทความในวารสารวิชาการ มหาวิทยาลัยเทคโนโลยีราชมงคลกรุงเทพ ไปเผยแพร่ก่อนได้รับอนุญาตจากกองบรรณาธิการ อย่างเป็นลายลักษณ์อักษร ผลงานที่ได้รับการตีพิมพ์ถือเป็นลิขสิทธิ์ของวารสาร
