ระบบวิเคราะห์สายพันธุ์อะโวคาโดด้วยเทคนิคการเรียนรู้เชิงลึกผ่านสมาร์ตโฟน
Article Sidebar
Main Article Content
บทคัดย่อ
อะโวคาโดเป็นผลไม้ที่มีราคาสูงกว่าผลไม้ทั่วไปเล็กน้อย โดยมูลค่าขึ้นอยู่กับสายพันธุ์ของอะโวคาโด แต่กระบวนการตรวจสอบสายพันธุ์อะโวคาโดมีความยากและซับซ้อนจำเป็นต้องใช้ผู้เชี่ยวชาญ ในงานวิจัยนี้จึงได้นำเสนอการพัฒนาระบบวิเคราะห์สายพันธุ์อะโวคาโดโดยพิจารณาจากลักษณะทางกายภาพที่ปรากฏให้เห็นบนรูปภาพด้วยวิธีการเรียนรู้เชิงลึกในรูปแบบแอปพลิเคชันบนสมาร์ตโฟน ขั้นตอนการวิจัยเริ่มจากการรวบรวมข้อมูลภาพอะโวคาโดจำนวน 3 สายพันธุ์ ได้แก่ ปีเตอร์สัน บัคคาเนียและบูท 7 พัฒนาแบบจำลองด้วยโครงข่ายประสาทเทียมคอนโวลูชันร่วมกับชุดคำสั่งไลบรารี่เทนเซอร์โฟล และภาษาไพทอน วัดประสิทธิภาพแบบจำลองด้วยค่าความถูกต้อง ค่าความแม่นยำและค่าความระลึก จากนั้นนำแบบจำลองมาพัฒนาระบบ โดยใช้เครื่องมือ ได้แก่ โปรแกรมแอนดรอยด์สตูดิโอ ขั้นตอนสุดท้ายคือการตรวจสอบประสิทธิภาพของระบบ วิเคราะห์ข้อมูลด้วยค่าความแม่นยำในการจำแนก จากผลการวิจัยพบว่า การใช้เทคนิคการเรียนรู้เชิงลึกเพื่อสร้างแบบจำลองได้ค่าประสิทธิภาพการจำแนกที่สูง โดยแบบจำลอง 1.0 MobileNet-224 สามารถทำงานได้อย่างถูกต้องแม่นยำสูงสุด ได้ค่าความถูกต้อง 97.10% ค่าความแม่นยำ 97.20% และค่าความระลึก 97.10% ผลการทดสอบระบบผ่านแอปพลิเคชันสมาร์ตโฟนพบว่า ระบบสามารถจำแนกสายพันธุ์อะโวคาโดจากข้อมูลทดสอบได้อย่างแม่นยำ อัตราความแม่นยำเฉลี่ยในการจำแนกเท่ากับ 84.45% จากผลการทดลองทั้งหมดแสดงให้เห็นว่า วิธีการที่นำเสนอสามารถวิเคราะห์สายพันธุ์อะโวคาโดได้อย่างมีประสิทธิภาพ และช่วยในการตรวจสอบสายพันธุ์อะโวคาโดได้อย่างเหมาะสม
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
- เนื้อหาต้นฉบับที่ปรากฏในวารสารเป็นความรับผิดชอบของผู้เขียน ทั้งนี้ไม่รวมความผิดพลาดอันเกิดจากเทคนิคการพิมพ์
- ลิขสิทธิ์ต้นฉบับที่ได้รับการตีพิมพ์ในวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต ถือเป็นกรรมสิทธิ์ของวารสารวิชาการ ซายน์เทค มรภ.ภูเก็ต
เอกสารอ้างอิง
กรมส่งเสริมการเกษตร กระทรวงเกษตรและสหกรณ์. (2564). อะโวคาโดไม้ผลพืชเศรษฐกิจสร้างความยั่งยืนบนพื้นที่สูง. [ออนไลน์], สืบค้นจาก https://esc.doae.go.th/wpcontent/uploads/2019/07/Avocado.pdf (11 พฤศจิกายน 2564).
สำนักงานเกษตรและสหกรณ์จังหวัดน่าน. (2564). อะโวคาโด เทคนิคการปลูกให้ได้ผลผลิตดี. [ออนไลน์], สืบค้นจาก https://www.opsmoac.go.th/nan-article_prov-preview-422791791877 (16 ตุลาคม 2564).
Giancarlo, Z., Rezaul, K., & Ahmed, M. (2017). Getting Started with Deep Learning (1 th edition). United Kingdom: Packt Publishing.
Ferentinos, K. (2018). Deep learning model for plant disease detection and diagnosis. Computer and Electronics in Agriculture, 145(1), 311-318.
Amara, J., Bouaziz, B., & Algergawy, A. (2017). A Deep Learning Based Approach for Banana Leaf Diseases Classification. Lecture Notes in Informatics, 2017 (1), 79-88.
Xue, G., Liu, S., & Ma, Y. (2020). A hybrid deep learning-based fruit classification using attention model and convolution autoencoder. Complex & Intelligent Systems, 2020 (1), 1-11.
Lim, M., & Chuah, J. (2018). Durian types recognition using deep learning techniques (pp 183 - 187). In 9 th IEEE Control and System Graduate Research Colloquium (ICSGRC 2018). Malaysia.
Pattansarn, N., & Sriwiboon, N. (2020). Image processing for classifying the quality of the Chok-Anan mango by simulating the human vision using deep learning. Journal of Information Science and Technology, 10(1), 24-29.
Petagon, R., & Pantho, O. (2020). Drone for detecting forest fires using deep learning technique. Sripatum Review of Science and Technology, 12(1), 65-78.
