การเปรียบเทียบประสิทธิภาพของแบบจำลองการจำแนกภาพผลไม้ส่งออกของไทย
Article Sidebar
Main Article Content
บทคัดย่อ
ผลไม้เป็นสินค้าเกษตรที่มีความสำคัญทางเศรษฐกิจชนิดหนึ่งของประเทศไทย ทั้งในด้านเป็นอาชีพหลักและสร้างรายได้ให้แก่เกษตรกรจำนวนมาก งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาและประเมินประสิทธิภาพของแบบจำลองการจำแนกประเภทรูปภาพผลไม้ส่งออกของไทย โดยรวบรวมชุดข้อมูลรูปภาพเป็นจำนวนกว่า 710 รูป กระบวนการเรียนรู้แบบจำลองประกอบไปด้วย 2 ขั้นตอน ได้แก่ การลดมิติของข้อมูลรูปภาพ และการเรียนรู้แบบจำลอง ในขั้นตอนของการลดมิติมีการทดลอง 2 รูปแบบ ได้แก่ การบี้รูปภาพ และ การใช้โครงข่ายประสาทเทียม แบบจำลองที่ศึกษาในขั้นตอนที่ 2 ประกอบไปด้วยแบบจำลองจำนวน 3 แบบจำลอง ได้แก่ แบบจำลองเพื่อนบ้านที่ใกล้ที่สุด แบบจำลองต้นไม้ตัดสินใจ และแบบจำลอง การถดถอยโลจิสติกส์ ผลการวิจัยบนชุดข้อมูลที่ถูกรวบรวมพบว่า ประสิทธิภาพการจำแนกรูปภาพผลไม้ส่งออกของไทย โดยการใช้เทคนิคการลดมิติด้วยโครงข่ายประสาทเทียมมีประสิทธิภาพสูงกว่าการลดมิติด้วยการบี้รูปภาพ และแบบจำลองที่สามารถจำแนกรูปภาพได้ดีที่สุด คือ แบบจำลองการถดถอย โลจิสติกส์ ซึ่งให้ค่าความถูกต้องและค่าความจำแนกสูงสุดอยู่ที่ร้อยละ 95.21 ค่าความแม่นยำสูงสุดอยู่ที่ร้อยละ 95.50 ค่าเอฟวันสกอร์สูงสุดอยู่ที่ร้อยละ 95.16 โดยใช้ระยะเวลาในการเรียนรู้มากที่สุดอยู่ที่ 25.809 วินาที แต่มีระยะเวลาในการทำนายน้อยที่สุดอยู่ที่ 7.70 มิลลิวินาที
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ผู้แต่งจะต้องกรอกข้อมูลเพื่อโอนลิขสิทธิ์ (copyright) ให้กับวารสารวิทยาการสารสนเทศและเทคโนโลยีประยุกต์ ก่อนเผยแพร่บทความ โดยดูรายละเอียดเพิ่มเติมได้ที่ https://ph01.tci-thaijo.org/index.php/jait/copyrightlicense
References
Abadi, M. et al. (2016). Tensorflow: a system for large-scale machine learning. Proceeding of the 12th USENIX Conference on Operating Systems Design and Implementation, Savannah GA, USA, November 2-4, 2016, 265–283. https://www.usenix.org/conference/osdi16/technical-sessions/presentation/abadi
Chotichatmala, S. & Wiwatwattana, N. (2021). Machine learning-based one-class fruit classification models for apple images detection. Proceeding of the 1st Data Science Conference, Bangkok, Thailand, 2021, 16-20. http://ir-ithesis.swu.ac.th/dspace/handle/123456789/1085 [In Thai]
Chuchip, K. (2018). Remote Sensing Technical Note No.5 : Logistic Regression. Faculty of Forestry, Kasetsart
University. [In Thai]
Deng, J., Dong, W., Socher, R., Li, L.-J., Li, K., & Fei-Fei, L. (2009). ImageNet: A large-scale hierarchical image database.
In 2009 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 248-255. https://doi.org/10.1109/CVPR.2009.5206848
He, K., Zhang, X., Ren, S. & Sun, J. (2016). Deep residual learning for image recognition. In 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 770-778. IEEE. https://doi.org/10.1109/CVPR.2016.90
Klodpeng, J. (2023). Fruit classification system. Center for Agricultural Technology and Innovation, Bank for Agriculture and Agricultural Cooperatives, Naresuan University. Retrieved 5 November 2023. Retrieved from https://www.gosmartfarmer.com/innovation/21350. [In Thai]
Kummong, R. (2021). Mangosteen detection using deep learning. Information Technology Journal, 18(1), 47-55. [In Thai]
Office of Agricultural Economics. (2023). Thailand’s database system and foreign agricultural trade information services. Retrieved 15 November 2023. Retrieved from https://impexpth.oae.go.th. [In Thai]
Pakamwang, j., Khoomsab, K., & Srimuang, W. (2020). Model comparisons of classification for tourism development of Khao Kho district, Phetchabun Province using data mining techniques. Rajabhat Journal of Sciences Humanities & Social Sciences, 21(1), 213-223. https://ph01.tci-thaijo.org/index.php/psru/article/view/240641 [In Thai]
Pedregosa, F. et al. (2011). Scikit-learn: machine learning in Python. Journal of Machine Research, 12, 2825–2830. https://dl.acm.org/doi/10.5555/1953048.2078195
Sereepong, C. & Wiwatwattana, N. (2021). Coffee bean quality classification using convolutional neural network. Proceeding of the 1st Data Science Conference, Bangkok, Thailand, 2021, 74-85. [In Thai]
Suksukont, A., Santingamwong, C., Khamkhaek, W., & Pansuwan, S. (2022). Fruits ripening analysis system using image processing technology. Journal of Information Science and Technology, 12(1), 61-66. https://doi.org/10.14456/jist.2022.6 [In Thai]
Utanon, W., Phongsuphap, S., Sawangarom, W., & Singkleewan, N. (2020). Non-destructive image processing technique and rule-based classification in estimating the quality of fruit. Journal of Information, 19(1), 130-138. [In Thai]