การพัฒนาซอฟต์แวร์เพื่อตรวจนับจำนวนเมล็ดพืชจากภาพถ่ายโดยอัตโนมัติ
คำสำคัญ:
เมล็ดพืช, การกรอง, ภาพขาวดำ, ภาพบทคัดย่อ
วัตถุประสงค์ในการวิจัยนี้ เพื่อพัฒนาซอฟต์แวร์ในการตรวจนับจำนวนเมล็ดพืชจากภาพถ่ายโดยอัตโนมัติ ผลการประเมินประสิทธิภาพของระบบที่ได้จากการประมวลผลภาพด้วยซอฟต์แวร์ที่พัฒนาใหม่จากกลุ่มภาพตัวอย่าง 5 กลุ่ม กลุ่มละ 100 เมล็ด รวม 500 เมล็ด ในระดับมาตรฐานของภาพ 640x480 พิกเซล ความแม่นยำของกลุ่มที่ 1 มีค่าเฉลี่ย 85 % ความแม่นยำของกลุ่มที่ 2 มีค่า เฉลี่ย 95 % ความแม่นยำของกลุ่มที่ 3 มีค่าเฉลี่ย 95 % ความแม่นยำของกลุ่มที่ 4 มีค่าเฉลี่ย 95 % ความแม่นยำของกลุ่มที่ 5 มีค่าเฉลี่ย 95 % และความแม่นยำของค่าเฉลี่ยรวม 93 % วิธีการใช้ระบบต้องเพิ่มอุปกรณ์กล้องถ่ายภาพเชื่อมกับคอมพิวเตอร์แล้วทำการจับภาพโดยตรงจากกล้องหรือนำภาพจากกล้องที่ถ่ายภาพทั่วไป สามารถนำมาประมวลผลกับซอฟต์แวร์ได้
ภาพรวมระบบที่พัฒนาถือว่ามีประสิทธิภาพ อยู่ในระดับดีมากแสดงว่าคุณภาพในการตรวจนับจำนวนเมล็ดพืชจากภาพถ่าย ของซอฟต์แวร์ที่พัฒนาขึ้นอยู่ ในระดับที่ค่อนข้างมีความเที่ยงตรงสูง และมีความเหมาะสมต่อการนำไปประยุกต์ใช้งานในการในการตรวจนับจำนวนเมล็ดพืชจากภาพถ่ายต่อไป
เอกสารอ้างอิง
Bishop, C. M. (2006). Pattern Recognition and Machine Learning. Springer.
Bradski, G. (2000). The OpenCV library. Dr. Dobb's Journal: Software Tools for the Professional Programmer, 25(11), 120–125.
Gonzalez, R. C., & Woods, R. E. (2018). Digital Image Processing (4th ed.). Pearson Education.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep Learning. MIT Press.
LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444.
Munklang . Y (2012). Image Retrieval using Feature Vec tors of Color Cluster. King Mongkuts UniverSity of Technology Thonburi.Bangkok (Thailand). Graduate School. (in Thai)
Pathare, P.B., U.L. Oparaand and F.A. Al-Said. (2013). Colour measurement and analysis in fresh and processed foods: A review. Food and Bioprocess Technology, 6, 36–60
.
Santiago Hernández, Vivian Zhong & Jennifer A. N. Brophy. (2025). SeedSeg: image-based transgenic seed counting for segregation analysis of T-DNA loci. journal of Crop Science and Biotechnology.
Smith, J., et al. (2019). Comparison of Edge Detection Techniques for Medical Imaging. Journal of Image Processing, 35(2), 101-115.
Smith, J., et al. (2020). Automatic Seed Counting Using Deep Learning. Journal of Agricultural Engineering ,45(3), 120-130.
Thaweepol.N. (2012). Accuracy and Precission. Form http://www.foodnetwork solution.com /wiki/ word/4290/precision. (in Thai)
Trinderup, C.H. and Y.H.B. Kim. (2015). Fresh meat color evaluation using a structured light imaging system. Food Research International, 71, 100– 107.
Unterkalmsteiner, M., Gorschek, T., Islam, A. K. M. M., Cheng, C. K., Permadi, R. B., & Feldt, R. (2023). Evaluation and measurement of software process improvement A systematic literature review. arXiv.
Wang, L., et al. (2021). Canny vs Laplacian: An Evaluation for Satellite Image Processing. In Proceedings of the International Conference on Computer Vision in Agriculture (pp. 78–85).
Wang, L., et al. (2021). Image Processing Techniques for Seed Counting. In Proceedings of the International Conference on Image Analysis (pp. 87–95).
Zhang, Y., Wu, L., & He, D. (2020). Application of deep learning in agriculture: A review. Computers and Electronics in Agriculture, 173, Article 105387.
