การตรวจจับมังคุดด้วยการเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
เทคโนโลยีด้านหุ่นยนต์ได้รับความสนใจและพัฒนามากขึ้นอย่างรวดเร็ว มีการพัฒนาหุ่นยนต์มาใช้เก็บผลไม้แทนมนุษย์ หุ่นยนต์นี้อาศัยกล้องถ่ายภาพและคอมพิวเตอร์ประมวลผลตรวจจับภาพเพื่อจำแนกตำแหน่งและผลไม้ที่เหมาะสมสำหรับควบคุมแขนกลในการเก็บผลไม้ เทคนิคการตรวจจับภาพจึงเป็นเทคโนโลยีที่สำคัญในการพัฒนาเทคโนโลยีการมองเห็นของหุ่นยนต์ มังคุดเป็นผลไม้ที่ประเทศไทยส่งออกเป็นอันดับต้นๆของโลกมีลำต้นสูงเก็บเกี่ยวลำบาก การตรวจจับมังคุดที่อยู่บนต้นต้องจำแนกมังคุดอ่อน มังคุดแก่หรือสุกที่อยู่บนกิ่งและอาจถูกบังด้วยใบ งานวิจัยนี้จึงนำเสนอการตรวจจับมังคุดที่อยู่บนต้นที่ได้จากภาพถ่าย ด้วยเทคนิคการเรียนรู้เชิงลึกโครงข่ายประสาทคอนโวลูชั่นแนล เปรียบเทียบกับฟาสเตอร์อาร์ซีเอ็นเอ็น โดยขั้นตอนการวิจัยมีดังนี้ 1) การเตรียมภาพ 2) การฝึกสอนการเรียนรู้เชิงลึกตรวจจับมังคุดแก่หรือสุก และ 3) การทดสอบตรวจจับมังคุดแก่หรือสุก ประเมินประสิทธิภาพโมเดล ด้วยคอนฟิวชันเมทริกซ์ (Confusion Matrix) ผลการทดลองพบว่าแบบจำลองโครงข่ายประสาทคอนโวลูชั่นแนล สามารถจำแนกมังคุดแก่หรือสุก ได้ค่าความถูกต้องร้อยละ 50.62 ค่าความเที่ยงร้อยละ 26.42 ค่าความครบถ้วนร้อยละ 93.33 และ เอฟวันสกอร์ ร้อยละ 41.18 แบบจำลองฟาสเตอร์อาร์ซีเอ็นเอ็น สามารถจำแนกมังคุดแก่หรือสุก ได้ค่าความถูกต้องร้อยละ 90.22 ค่าความเที่ยงร้อยละ 63.16 ค่าความครบถ้วนร้อยละ 48.98 และ เอฟวันสกอร์ ร้อยละ 55.17
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
มติชน, “หุ่นยนต์” เกษตรกรในอนาคต. สืบค้นจาก :https://www.matichon.co.th/ lifestyle/news_387076. สืบค้นเมื่อ 1 มิถุนายน 2562.
วิชาการดอทคอม, การพัฒนาเทคโนโลยีหุ่นยนต์เก็บสตรอว์เบอร์รี. สืบค้นจาก: http://www.vcharkarn.com/ vnews/153453. สืบค้นเมื่อ 2 มิถุนายน 2562.
สำนักงานเศรษฐกิจการเกษตร, ข้อมูลเศรษฐกิจการเกษตร. สืบค้นจาก : https://www.moac.go.th สืบค้นเมื่อ 20 มกราคม 2563.
แนวหน้า, โลกธุรกิจ. สืบค้นจาก : https://www.naewna.com/business/513651. สืบค้นเมื่อ 1 กันยายน 2563.
L. M. Azizah, S. F. Umayah, S. Riyadi, C. Damarjati, and N. A. Utama, “Deep Learning Implementation using Convolutional Neural Network in Mangosteen Surface Defect Detection.” IEEE International Conference on Control System, Computing and Engineering (ICCSCE), Penang, Malaysia, pp. 242-246, 2017.
S. Bargoti, and J. Underwood. “Deep Fruit Detection in Orchards.” IEEE International Conference on Robotics and Automation (ICRA), Singapore, pp. 5164-5172, 2017.
H. Mureşan, and M. Oltean. “Fruit recognition from images using deep learning.” An International Scientific Journal of Sapientia Hungarian University of Transylvania, Vol. 10, No. 1, pp. 26-42, June, 2018.
S. A. Sanchez, H. J. Romero, and A. D. Morales. “A review: Comparison of performance metrics of pretrained models for object detection using the Tensor Flow framework.” IOP Conference Series: Materials Science and Engineering, Cartagena, Colombia, pp. 1-15, 2019.
W. S. McCulloch, and W. Pitts, “A logical calculus of the ideas immanent in nervous activity.” Bulletin of Mathematical Biophysics, Vol. 5, pp. 115–137, 1943.
Y. LeCun, B. Boser, J. S. Denker, D. Henderson, R. E. Howard, W. Hubbard, and L. D. Jackel. “Backpropagation Applied to Handwritten Zip Code Recognition.” Neural Computation, Vol. 1, No. 4, pp. 541-551, December, 1989.
Y. LeCun, L. Bottou, Y. Bengio, and P. Haffner. “Gradient- Based Learning Applied to Document Recognition.” in Proceedings of the IEEE, Vol. 86, No. 11, pp. 2278–2324, November, 1998.
M. Subhi, and S. H. Ali, “A Deep Convolutional Neural Network for Food Detection and Recognition.” IEEE-EMBS Conference on Biomedical Engineering and Sciences (IECBES), Sarawak, Malaysia, pp. 284-287, 2018.
M. M. Rahman, S. M. Islam, R. Sassi, and M. Aktaruzzaman. “Convolutional neural networks performance comparison for handwritten Bengali numerals recognition.” SN Applied Sciences, November, 2019.
R. S. Ren, K. He, R. Girshick, and J. Sun, Faster R-CNN:Towards Real-Time Object Detection with Region Proposal Networks. Available Online at https://arxiv.org/abs/1506.01497, accessed on 1 December, 2019.
Y. Zhou, T. Xu, W. Zheng, and H. Deng. “Classification and recognition approaches of tomato main organs based on DCNN.” Nongye Gongcheng Xuebao/Transactions of the Chinese Society of Agricultural Engineering, Nongye Gongcheng Xuebao/Transactions of the Chinese Society of Agricultural Engineering, Vol. 33, No. 15, pp. 219-226, August, 2017.
L. Fu, Y. Feng, Y. Majeed, and X. Zhang. “Kiwifruit detection in field images using Faster R-CNN with ZFNet” IFAC-PapersOnLine, Vol. 51, Issue 17, pp. 45-50. 2018.
X. Mai, H. Zhang, M. and Q. -. Meng, "Faster R-CNN with Classifier Fusion for Small Fruit Detection." IEEE International Conference on Robotics and Automation (ICRA), Brisbane, QLD, Australia, pp. 7166-7172, 2018.
S. Bargoti, and J. Underwood, “Deep Fruit Detection in Orchards.” IEEE International Conference on Robotics and Automation (ICRA), Singapore, pp. 3626-3633, 2017.