การจำแนกพันธุ์ทุเรียนเพื่อการส่งออกด้วยการใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้เป็นการนำเสนอการใช้เทคนิคโครงข่ายประสาทเทียมแบบคอนโวลูชัน เพื่อเพิ่มประสิทธิภาพการจำแนกทุเรียนให้ได้คุณภาพตามมาตรฐานการส่งออก ในการทดลองใช้ทุเรียน 4 พันธุ์ และแบ่งตามชั้นคุณภาพเป็น 3 ชั้น รวมเป็น 12 กลุ่ม ได้แก่ หมอนทองชั้นพิเศษ หมอนทองชั้นหนึ่ง หมอนทองชั้นสอง ชะนีชั้นพิเศษ ชะนีชั้นหนึ่ง ชะนีชั้นสอง ก้านยาวขั้นพิเศษ ก้านยาวชั้นหนึ่ง ก้านยาวชั้นสอง กระดุมทองชั้นพิเศษ กระดุมทองชั้นหนึ่ง และกระดุมทองชั้นสอง ทดสอบสถาปัตยกรรม LeNet-5 กับสถาปัตยกรรมอย่างง่ายของโครงข่ายประสาทเทียมแบบคอนโวลูชัน จากการทดสอบพบว่า การปรับขนาดภาพเป็น 500 x 500 พิกเซล ใช้สถาปัตยกรรม LeNet-5 และฟังก์ชันเรคติไฟด์ลินเนียนยูนิต ใช้จำนวนรอบในการเรียนรู้ 30 รอบ มีค่าความแม่นยำในการเรียนรู้มากที่สุด คือ 99.86 เปอร์เซ็นต์ สถาปัตยกรรมแบบคอนโวลูชัน 4 ชั้น ใช้จำนวนรอบในการเรียนรู้ 50 รอบ มีค่าความแม่นยำในการทดสอบมากที่สุด คือ 95.36 เปอร์เซ็นต์ และสถาปัตยกรรมแบบคอนโวลูชัน 5 ชั้น ใช้จำนวนรอบในการเรียนรู้ 50 รอบ มีค่าความถูกต้องในการทำนายผลมากที่สุด คือ 97.89 เปอร์เซ็นต์ จากผลลัพธ์แสดงให้เห็นว่าการใช้สถาปัตยกรรมอย่างง่ายของโครงข่ายประสาทเทียมแบบคอนโวลูชันสามารถจำแนกภาพทุเรียนขนาด 500 x 500 พิกเซล ได้แม่นยำและทำนายผลได้ถูกต้องมากที่สุด
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์ในวารสารฯ ท้ังในรูปแบบของรูปเล่มและอิเล็กทรอนิกส์เป็นลิขสิทธิ์ของวารสารฯ
References
S. Ketsa, Exotic Fruits Reference Guide, Chennai, India: MPS Limited, 2018.
Bureau of Commodity Trade, “Durian and Product.” Department of Trade Negotiations. Accessed: May. 1, 2022. [Online]. Available: https://www.dtn.go.th/th/content/page/index/id/2599 (in Thai)
A. Taecholarn et al., Exporter Registration and Rules, Regulations and Conditions for Exporting Agricultural Products Out of the Kingdom, Nonthaburi, Thailand: Agricultural Cooperative Association of Thailand, 2017. (in Thai)
Y. Thipsrirach, K. Poonikom and C. Na-Badalung, “A model of cost reduction eastern region fruits logistics: durian in the Rayong province,” in Industrial Engineering Network 2018, Ubon Ratchathani, Thailand, Jul. 23-26, 2018, pp. 1268-1274.
P. Timkhum and A. Terdwongworakul, “Prediction of days after anthesis of durian fruit cv. 'Monthong' by measuring absorbance at the spine,” Agricultural Science Journal, vol. 46, no. 3/1 (Suppl.), pp. 417-420, 2015.
A. Phromfaiy and P. Khlaichom, “Use of image processing to classify ripeness level of long Lub-Lae durian via evaluation of its peel color,” KMUTT Research and Development Journal, vol. 40, no. 2, pp. 189-202, 2017.
A. Talabnark and A. Terdwongworakul, “Minimally destruction evaluation of durian maturity using near infrared spectroscopy,” Thai Society of Agricultural Engineering Journal, vol. 23, no. 2, pp. 9-16, 2017.
K. Saraubon, Learn AI: Deep Learning with Python, Bangkok, Thailand: Intermedia Publishing, 2022. (in Thai)
National Bureau of Agricultural Commodity and Food Standards Ministry of Agriculture and Cooperatives, “Thai Agricultural Standard Tas 3-2013; Durian.” Rayong Province. Accessed: May. 1, 2022. [Online]. Available: http://patricklepetit.jalbum.net/RAYONG/LIBRARY/durian-TIS.pdf
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, Nov. 1998.
P. Kunakornvong and D. M. Asriny, “Apple image classification using convolutional neural network,” in the 34th International Technical Conference on Circuits/Systems, Computers and Communications (ITC-CSCC), C.W. Choi, Ed. Landing Resort Jeju Shinhwa World, Republic of Korea, Jun. 23-26, 2019, pp. 1-4.
D. M. Asriny, S. Rani and A. F. Hidayatullah, “Orange fruit images classification using convolutional neural networks,” in Information Technology and Digital Application (ICITDA), F. Wahid, Ed. Yogyakarta, Indonesia, Nov. 15-16, 2019, pp. 1-6.
G. M. Lim and H. J. Chuah, “Durian type recognition using deep learning techniques,” in Control and System Graduate Research Colloquium (ICSGRC), M.N Taib et al., Eds. Shah Alam, Malaysia, Aug. 3-4, 2018, pp. 183-187.
W. Kharamat, M. Wongsaisuwan and N. Wattanamongkhol, “Durian ripeness classification from the knocking sounds using convolutional neural network,” in International Electrical Engineering Congress (iEECON), A. Kaewsong, D. Arunyagool, K. Ruamboon, C. Suwannapong and N. Sonard, Eds. Chiang Mai, Thailand, Mar. 4-6, 2020, pp. 1-4.