การประยุกต์ใช้การประมวลผลภาพร่วมกับการเรียนรู้เครื่องเพื่อจำแนกพันธุ์ข้าว
คำสำคัญ:
การประมวลผลภาพ, การเรียนรู้เครื่อง, การจำแนกพันธุ์ข้าวบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของการจำแนกพันธุ์ข้าวจากภาพของเมล็ดข้าวสาร 5 สายพันธุ์ได้แก่ พันธุ์ข้าวคาราก้าดาก หอมมะลิ ยิปซาลา บาสมาติ และอาโบริโอ โดยการประยุกต์ใช้การประมวลผลภาพร่วมกับการเรียนรู้เครื่อง การดำเนินการวิจัยเริ่มจากการประมวลผลภาพเพื่อลดสัญญาณรบกวนของภาพเมล็ดข้าวสารสายพันธุ์ต่าง ๆ ที่บันทึกในรูปแบบแฟ้มเจเพ็กซึ่งเป็นภาพสีความละเอียด 250x250 จุดภาพ จำนวนสายพันธุ์ละ 15,000 ภาพ นำภาพที่ถูกลดสัญญาณรบกวนแล้วทั้งหมดมาประมวลผลภาพเพื่อใช้ในการจำแนก ด้วยเทคนิคที่แตกต่างกัน 7 วิธีได้แก่ การตรวจหาขอบภาพด้วยวิธีแคนนี การตรวจหาขอบภาพด้วยวิธีโซเบล การตรวจหาสัน การตรวจหาลายผิว การเพิ่มคุณภาพของภาพด้วยตัวกรองลาปลาซ การเพิ่มคุณภาพของภาพด้วยการพร่าเกาส์เซียน และการปรับฮิสโทแกรมให้เท่ากัน จากนั้นทำการสกัดคุณลักษณะด้านรูปร่าง 21 ชนิด และคุณลักษณะด้านลายผิวอีก 11 ชนิด แล้วนำไปจำแนกด้วยวิธีการเรียนรู้เครื่อง 6 วิธี ได้แก่ ต้นไม้ตัดสินใจ นาอีฟเบส์ เพื่อนบ้านใกล้ที่สุดเค โครงข่ายประสาทประดิษฐ์ ซัพพอร์ทเวกเตอร์แมชชีน และเกรเดียนท์บูตทรี ทั้งนี้ใช้วิธีการฝึกเพื่อการจำแนกเป็นการตรวจสอบไขว้เคโฟลด์เมื่อเคมีค่าเท่ากับ 10 สำหรับทุกวิธีการเรียนรู้เครื่อง ผลการวิจัยพบว่าการใช้การประมวลผลภาพการตรวจหาขอบด้วยวิธีโซเบลร่วมกับการจำแนกด้วยเทคนิคการเรียนรู้เครื่องซัพพอร์ทเวกเตอร์แมชชีน มีประสิทธิภาพในการจำแนกสูงที่สุด โดยการจำแนกมีค่าความถูกต้องร้อยละ 98.68 ค่าความแม่นยำร้อยละ 98.67 ค่าความไวร้อยละ 98.67 ค่าเอฟ-หนึ่ง สกอร์ร้อยละ 98.67 และค่าสัมประสิทธิ์แคปปาของโคเฮนเท่ากับ 98.35 โดยใช้เวลาในการจำแนก 136.21 วินาที
เอกสารอ้างอิง
Abueleiwa, M. H., & Abu-Naser, S. S. (2024). Classification of rice using deep learning. International Journal of Academic Information Systems Research (IJAISR), 8(4), 26–36. Retrieved from http://ijeais.org/wp-content/uploads/2024/4/IJAISR240404.pdf
Aki, O., Güllü, A., & Uçar, E. (2015). Classification of rice grains using image processing and machine learning techniques. Proceeding of International Scientific Conference (pp. 352-354). Gabrovo: Technical University of Gabrovo.
Armi, L., & Fekri-Ershad, S. (2019). Texture image analysis and texture classification methods - A Review. International Online Journal of Image Processing and Pattern Recognition, 2(1), 1-29. Retrieved from https://arxiv.org/pdf/1904.06554#:~:text=This%20article%20has%20been%20compiled,vector%20machines%2C%20and%20so%20on.
Chunwitthayathira, S. (2014). Image registration and arrangement techniques. EAU Heritage Journal Science and Technology, 6(2), 24–29. retrieved from https://he01.tci-thaijo.org/index.php/EAUHJSci/article/view/25719 (in Thai)
Cinar, I., & Köklü, M. (2019). Classification of rice varieties using artificial intelligence methods. International Journal of Intelligent Systems and Applications in Engineering (IJISAE), 7(3), 188–194. https://doi.org/10.18201/ijisae.2019355381
Cinar, I., & Köklü, M. (2021). Determination of effective and specific physical features of rice varieties by computer vision in exterior quality inspection. Selcuk Journal of Agriculture and Food Sciences (SJAFS), 35(3), 229-243. https://doi.org/10.15316/SJAFS.2021.252
Cinar, I., Köklü, M., & Taspinar, Y. S. (2021). Classification of Rice Varieties with Deep Learning Methods. Computer and Electronics in Agriculture, 187, 16285. https://doi.org/10.1016/j.compag.2021.106285
Cinar, I., & Köklü, M. (2022). Identification of rice varieties using machine learning algorithms. Journal of Agricultural Sciences (Tarim Bilimleri Dergisi), 28(2), 307-325. https://doi.org/10.15832/ankutbd.862482
Cohen, J. (1960). A coefficient of agreement for nominal scales. Educational and psychological measurement, 20(1), 37-46. https://doi.org/10.1177/001316446002000104
Farid, D., Rahman, M. & Al-Mamun, M. (2014). Efficient and scalable multi¬class classification using naïve Bayes tree. Proceeding of 2014 International Conference on Informatics, Electronics and Vision (ICIEV 2014) (pp. 1-4). Dhaka: IEEE.
Gonzalez, R. C., & Woods, R. E. (1992). Digital image processing. USA: Addison-Wesley Publishing Company.
Grandini, M., Bagli, E., & Visani, G. (2020). Metrics for multi-class classification: An overview. arXiv, 2008, 05756v1, Retrieved from https://arxiv.org/abs/2008.05756.
Jameel, S. A.., & Mohamed Shanavas, A. R. (2015). Implementation of improved gaussian filter algorithm for retinal fundus images. International Journal of Computer Applications, 132(8), 1-4. https://doi.org/10.5120/ijca2015907489.
Kullimratchai, P. (2014). Image retrieval fundamentals. EAU Heritage Journal Science and Technology, 7(2), 40–46. retrieved from https://he01.tci-thaijo.org/index.php/EAUHJSci/article/view/25546 (in Thai)
Kumyaito, N., Tamee, K., & Sittijuk, P. (2023). Artificial intelligence platform on semantic knowledge base for recommending elderly with chronic diseases care. EAU Heritage Journal Science and Technology, 17(2), 120–137. retrieved from https://he01.tci-thaijo.org/index.php/EAUHJSci/article/view/259516 (in Thai)
Microsoft. (2024). One-vs-All Multiclass. Azure machine learning. Retrieved from https://learn.microsoft.com/en-us/azure/machine-learning/component-reference/one-vs-all-multiclass?view=azureml-api-2.
Natekin, A., & Knoll, A. (2013). Gradient boosting machines, a tutorial. Frontiers in Neurorobotics, 7, 21. https://doi.org/10.3389/fnbot.2013.00021
NV5 Geospatial Software. (2023). Apply laplacian filters. Retrieved from https://www.nv5geospatialsoftware.com/docs/LaplacianFilters.html.
Patel, O., Maravi, Y. P. S., & Sharma, S. (2013). A comparative study of histogram equalization based image enhancement techniques for brightness preservation and contrast enhancement. Signal & Image Processing: An International Journal, 4, 11-25. https://doi.org/10.5121/sipij.2013.4502.
Reddy, R. P. K., Nagaraju, C., & Reddy, I. R. (2016). Canny scale edge detection. International Journal of Engineering Trends and Technology, x(y), 1-4. https://doi.org/10.14445/22315381/IJETT-ICGTETM-N3/ICGTETM-P121
Rexce, J., & Usha Kingsly Devi, K. (2017). Classification of milled rice using image processing. International Journal of Scientific & Engineering Research, 8(2), 10-14.
Siharad, D., & Sookprasert, A. (2024). Improving performance of using machine learning techniques and application for perceiving tourists’ hotel staying behaviors. EAU Heritage Journal Science and Technology (Online), 18(1), 161–175. retrieved from https://he01.tci-thaijo.org/index.php/EAUHJSci/article/view/264174 (in Thai)
Sinsomboonthong, S. (2017). Data mining 1: Discovering knowledge in data (2nd ed.). Bangkok: Chamchuree Products Co., ltd. (in Thai)
Shokouh, G. S., Baptiste, M., Xu, B., & Montesinos, P. (2021). Ridge detection by image filtering techniques: A review and an objective analysis. Pattern Recognition and Image Analysis, 31, 551-570. https://doi.org/10.1134/S1054661821030226
Tanwong, K., Suksawang, P., & Punsawad, Y. (2019). Development of rice grain phenotype quality verification Ssystem using machine learning. EAU Heritage Journal Science and Technology, 13(1), 76–94. retrieved from https://he01.tci-thaijo.org/index.php/EAUHJSci/article/view/177478 (in Thai)
Thai Rice Exporters Association. (2024). F.O.B. Prices. Retrieved from http://www.thairiceexporters.or.th/ (in Thai)
Zareiforoush, H., Minaei, S., Alizadeh, M. R., & Banaka, A. (2016). Qualitative classification of milled rice grains using computer vision and metaheuristic techniques. Journal of Food Science Technology, 53(1), 118-131. https://doi.org/10.1007/s13197-015-1947-4
