Preliminary Classification of Gemstone Types on Mobile Application using Deep Learning
Article Sidebar
Main Article Content
Abstract
การตรวจสอบชนิดอัญมณีที่ได้มาตรฐานในปัจจุบันต้องส่งตรวจห้องปฏิบัติการตรวจสอบอัญมณี
ซึ่งวิธีการดังกล่าวมีระยะเวลาดำเนินการและมีค่าใช้จ่ายค่อนข้างสูง จึงมีการนำเทคโนโลยีการเรียนรู้เชิงลึกที่ช่วยให้คอมพิวเตอร์สามารถจำแนกภาพได้อย่างแม่นยำมาประยุกต์ใช้เพื่อแก้ปัญหาดังกล่าว งานวิจัยนี้จึงนำเสนอการพัฒนาแบบจำลองจำแนกชนิดอัญมณีด้วยการเรียนรู้เชิงลึก รวมทั้งพัฒนาโมบายแอปพลิเคชันสำหรับจำแนกชนิดอัญมณีแบบอัตโนมัติ เพื่อให้ผู้ที่ไม่มีองค์ความรู้เกี่ยวกับอัญมณีสามารถจำแนกชนิดอัญมณีได้ การดำเนินงานประกอบด้วยกระบวนการสร้างแบบจำลองจำแนกภาพโดยใช้โครงข่ายประสาทเทียม
คอนโวลูชัน ซึ่งฝึกสอนให้คอมพิวเตอร์สามารถจำแนกภาพอัญมณีที่มีลักษณะทางกายภาพใกล้เคียงกันจำนวน 6 ชนิด ได้แก่ ทับทิม โกเมน ซิทริน บุษราคัม เพริดอตและเขียวส่อง จากการทดลองประเมินประสิทธิภาพของแบบจำลองพบว่า แบบจำลอง MobileNetV1 ให้ค่าประสิทธิภาพดีที่สุด โดยมีค่าความถูกต้อง 95.00%
ค่าความแม่นยำ 95.00% และค่าความระลึก 95.10% มีความเหมาะสมกับการนำไปใช้งาน จากนั้นนำแบบจำลอง
ไปพัฒนาส่วนติดต่อผู้ใช้ในรูปแบบโมบายแอปพลิเคชัน ประเมินประสิทธิภาพแอปพลิเคชันโดยใช้การหาค่าความถูกต้องในการจำแนกกลุ่มบนชุดข้อมูลทดสอบ ผลการวิจัยพบว่า แอปพลิเคชันสามารถจำแนกภาพอัญมณีได้อย่างมีประสิทธิภาพและง่ายต่อการใช้งาน โดยมีค่าความถูกต้องเฉลี่ย 82.50% แสดงให้เห็นว่า
แอปพลิเคชันที่พัฒนาขึ้นสามารถนำไปใช้ประโยชน์ในการตรวจสอบและจำแนกชนิดอัญมณีเบื้องต้นได้
Article Details
References
Abidalkareem, A. Abd, M. Ibrahim, A. Zhuang, H. Altaher, A. and Ali, A. (2020). Diabetic Retinopathy (DR) Severity Level Classification Using Multimodel Convolutional Neural Networks. The Proceedings of 42nd Annual International Conference of the IEEE Engineering in Medicine & Biology Society (EMBC), July 2020 at Montreal, Canada, 1404-1407.
Abu-Jamie, T. and Abu-Naser, S. (2022). Classification of Sign-Language Using MobileNet- Deep Learning. International Journal of Academic Information Systems Research, 6 (7), 29-40.
Butploy, N. and Boonying, S. (2020). Classification of Benjapakee Buddha amulets image by deep learning. RMUTSB Academic Journal, 8(1), 100-111. (in Thai)
Chow, B. and Reyes-Aldasoro, C. (2022). Automatic Gemstone Classification Using Computer Vision. Minerals, 12(1), 1-21.
Department of International Trade Promotion. (2022). Information on the export situation of gems and jewelry products. [Online]. Retrieved Dec 1, 2022, from: https://www.ditp.go.th/ditp_web61/article_sub.php?cate=474&catetab=790&d=474 (in Thai)
Gem and Jewelry Institute of Thailand. (2022). Gem testing laboratory sdards jewelry and precious metals. [Online]. Retrieved Nov 12, 2022, from: https://www.gitsdard.com (in Thai)
Haritha, D. Swaroop, N., and Mounika, M. (2020). Prediction of COVID-19 Cases Using CNN with X-rays. The Proceedings of 5th International Conference on Computing, Communication and Security (ICCCS), October 2020 at Patna, India, 2020, 1-6.
Howard, A. Zhu, M. Chen, B. Kalenichenko, D. Wang, W., and Weyand, T. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. [Online]. Retrieved Mar 10, 2023, from: https://arxiv.org/abs/1704.04861
Imania, A., Yulinda, P., and Norfa, S. (2021). Implementation of Deep Learning Using Convolutional Neural Network Algorithm for Classification Rose Flower. Journal of Physice: Conference Series, 1842(1), 1-11.
Petagon, R., and Pantho, O. (2020). Drone for Detecting Forest Fires using Deep Learning Technique. Sripatum Review of Science and Technology, 12(1), 65-78. (in Thai)
Phimphisan, S., and Sriwiboon, N. (2020). Image Processing for Fundus Image Classification using Deep Learning. Journal of Information Science and Technology, 10(2), 19-25. (in Thai)
Phromrit, N., and Waijanya, S. (2021). Fundamental of Deep Learning in Practice. Bangkok: IDC Premier Publishing. (in Thai)
Promrangka, P., Wanthong, S., and Ratapoka, C. (2022). Mobile Application for Breeding Bird Classification using Deep Learning Technique. Journal of Information Science and Technology, 12(1), 37-46. (in Thai)
Sae-Lim, W., Wettayaprasit, W., and Aiyarak, P. (2019). Convolutional Neural Networks Using MobileNet for Skin Lesion Classification. The Proceedings of 16th International Joint Conference on Computer Science and Software Engineering (JCSSE), 10-12 July 2019 at Chonburi, Thailand, 242-247.
Saraubon, K. (2022). Learn AI: Deep Learning with Python. Bangkok: Intermedia Publishing. (in Thai)
Tropea, M., Fedele, G., Luca, R., Miriello, D., and Rango, F. (2022). Automatic Stone Classification through a CNN-Based Approach. Sensors, 22 (16), 1-19.
Xuan, Q., Fang, B., Liu, Y., Wang, J., Zhang, J., Zheng, Y., and Bao, G. (2018). Automatic Perl Classification Machine Based on a Multistream Convolutional Neural Network. IEEE Transactions on Industrial Electronics, 65 (8), 6538-6547.