การออกแบบและพัฒนาเครื่องทดสอบคุณภาพสีใบยาสูบด้วยการประมวลผลภาพ

Main Article Content

นลินี หมู่หมื่นศรี
ประสพสุข สร้อยทอง
ณรงค์ฤทธิ์ อุปพงษ์

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อสร้างเครื่องตรวจสอบคุณภาพสีใบยาสูบโดยใช้เทคนิคการจำแนกคลาสสี โดยใช้งานเครื่องมือการสอนและใช้อัลกอริทึมการจำแนกคลาสแบบเนียร์เรสเนเบอร์ ซึ่งจัดเป็นอัลกอริทึมการจำแนกคลาสในกลุ่มที่อิงกับตัวอย่างใช้สอน โดยมีโมเดลของแต่ละคลาสเป็นเซตของเวคเตอร์ฟีเจอร์ที่แต่ละสมาชิกเป็นเวกเตอร์ฟีเจอร์ของภาพตัวอย่างชิ้นงานชนิดเดียวกันกับที่ใช้สอนโมเดล งานวิจัยนี้ใช้กลุ่มตัวอย่างในขั้นการสอน 8 กลุ่มตัวอย่าง จำนวนทั้งสิ้น 800 ใบ โดยแบ่งเป็นกลุ่มตัวอย่างละ 100 ใบ การทดสอบการทำงานของเครื่องใช้วิธีการนำใบยาที่ได้ผ่านการคัดเลือกจากผู้เชี่ยวชาญ กลุ่มตัวอย่างละ 20 ใบ รวม 160 ใบ มาให้เครื่องทำการตรวจสอบ ซึ่งเครื่องทดสอบคุณภาพสีใบยาสูบสามารถคัดแยกสีได้ถูกต้อง จำนวน 152 ใบ และตรวจสอบผิดพลาดอยู่ที่ 8 ใบ คิดเป็นเปอร์เซ็นต์ค่าความแม่นยำในแต่ละคลาส ดังนี้ กลุ่มบีแอล มีค่าเฉลี่ย 95 เปอร์เซ็นต์ กลุ่มบีเอฟ มีค่าเฉลี่ย 90 เปอร์เซ็นต์ กลุ่มบีเค มีค่าเฉลี่ย 100 เปอร์เซ็นต์ กลุ่มซีแอล มีค่าเฉลี่ย 100 เปอร์เซ็นต์ กลุ่มซีเอฟ มีค่าเฉลี่ย 100 เปอร์เซ็นต์ กลุ่มซีวี มีค่าเฉลี่ย 90 เปอร์เซ็นต์ กลุ่มซีเอส มีค่าเฉลี่ย 95 เปอร์เซ็นต์ กลุ่มเอ็กซ์เอส มีค่าเฉลี่ย 90 เปอร์เซ็นต์ โดยมีค่าเฉลี่ยรวมอยู่ที่ 95 เปอร์เซ็นต์ ภาพรวมการทำงานของเครื่องอยู่ในระดับดี ซึ่งจะสามารถพัฒนาเป็นแนวทางการนำเทคโนโลยีการประมวลผลภาพมาเพิ่มความแม่นยำ ลดความผิดพลาดจากการทำงานของคนในกระบวนการรับซื้อใบยาสูบในอนาคต

Article Details

How to Cite
[1]
หมู่หมื่นศรี น., สร้อยทอง ป., และ อุปพงษ์ ณ. ., “การออกแบบและพัฒนาเครื่องทดสอบคุณภาพสีใบยาสูบด้วยการประมวลผลภาพ”, J of Ind. Tech. UBRU, ปี 12, ฉบับที่ 2, น. 29–41, ก.ย. 2022.
บท
บทความวิจัย

References

Pengchan C, Chomtohsuwan T, Cost-Benefit Analysis of Tobacco Production in Thailand. In Piewthongngam K, editors. The 10th Annual Master’s Thesis Conference in Economics; 2016 May 13; Faculty of Economics Khonkaen University. Khonkaen : Faculty of Economics Khonkaen University ; 2016. 40-9. (in Thai)

Yawootti A. Kaewtrakulpong P. A machine vision system for thai flue-cured tobacco classification. In Electrical Engineering/Electronics, Computer, Telecommunications, and Information Technology International Conference; 2005.

Kaewtrakulpong P, Applications of machine vision algorithms using NI Vision. Bangkok: Chulalongkorn University Press; 2016. (in Thai)

Porjai P, Wungmool P, Khamchaiseemek N, Luengviriya C, Chongsereecharoen E, & Wongkrogsri W. (2017). Classification of Thai Rice Seed Cultivars with Image Processing. Progress in Applied Science and Technology, 7(2), 145-52. (in Thai)

Kuhumbunmee Y, Nattawuttsit S, Maneerat P. The Classification of RGB Image with Deep Learning Technique by Artificial Neural Network. Mahidol R2R e-Journal. 2018; 5(2): 1-9. (in Thai)

Pannawan A, Sudsawat S. Automated part inspection by image Processing system in vehicle part manufacturing. The Journal of Applied Science. 2017; 16(1): 45-59. (in Thai)

Nerakaea P, Uangpairojb P, Chamniprasartb K. Using machine vision for flexible automatic assembly system. Procedia Computer Science. 2016; 96: 428-35.