The Classification of RGB Image with Deep Learning Technique by Artificial Neural Network

Authors

  • โยษิตา คำบุญมี
  • สุขสวัสดี ณัฎฐวุฒิสิทธิ์
  • ปราลี มณีรัตน์

DOI:

https://doi.org/10.14456/jmu.2018.12

Keywords:

Quality Inspection, Image Processing, Matlab

Abstract

          The research objective was to study and investigate the quality of Thomas tomato by analyzing the color parameters of the RGB system by Deep learning of Neural Network. The tools used in the research were (1) Matlab2018 and (2) Photo with 100x100 pixel lighting control box. The research uses a sample of the Thomas tomato of Royal Project Foundation. The data set comprises 450 images that can be categorized into three groups; Green, Red and Mature Red respectively. The results show high accuracy achievements at 94.07%. The algorithm developed herein can be further integrated in a computer vision system for use in automated food manufacturing machinery.

References

1. กระทรวงการเกษตรและสหกรณ์ (2552). มาตรฐานสินค้าเกษตรและอาหารแห่งชาติของมะเขือเทศ. ประกาศในราชกิจจานุเบกษา ฉบับประกาศและงานทั่วไป เล่ม 124 ตอนพิเศษ 78.

2. กระทรวงเกษตรและสหกรณ์ (2560). สถิติการเกษตรของประเทศไทย ปี 2559. สถิติการเกษตรของเกษตร.

3. นุชรี ธรรมโชติ (2557). การพัฒนาระบบการประมวลผลภาพสำหรับกระบวนการคัดแยกขนาดและ สายพันธุของหมึกกล้วยแปรรูป. วิศวกรรมศาสตร์มหาบัณฑิต สาขาวิชาวิศวกรรมอุตสาหการและระบบ มหาวิทยาลัยสงขลานครินทร์.

4. Alejandra M. Munoz (2013). Sensory Evaluationin Quality Control. Springer Science & Business Media. Page 1-3.

5.Aristoteles, Ossy Dwi Endah W., Dwi Susanto (2013). Image Processing for Save Life Predictions of Tomato Fruit using RGB Method. International Journal of Computer Applications.

6. Daniel T. Larose and Chantal D. Larose (2014). Discovering Knowledge in Data: An Introduction to Data Mining. IEEE Computer Society.

7. Ismail Bin Mohamad and Dauda Usman (2013). Standardization and Its Effects on K-Means Clustering Algorithm. Journal of Applied Sciences, Engineering and Technology 6(17).

8. Luefeng Chen, Mengtian Zhou, Wanjuan Su, Min Wu, Jinhua She and Kaoru Hirotad (2018). Softmax regression based deep sparse autoencoder network for facial emotion recognition in human-robot interaction. Information Science Vol 428.

9. Maurice G. O'Sulliva (2017). Rapid Sensory Profiling Method. A Handbook for Sensory and Cusumer-driven New Product Development.

10. Pankaj B. PathareUmezuruike Linus Opara (2013). Colour Measurement and Analysis in Fresh and Processed Foods: A Review. Colour Measurement and Analysis in Fresh and Processed Foods: A Review. Volume 6. Issue 1.

11. Raúl Rojas (2013). Neural networks: a systematic introduction. Springer Science & Business Media.

12. R.Kalaivani (2013). Identifying the Quality of Tomatoes in Image Processing using MATLAB. International Journal of Advanced Research in Electrical, Electronics and Instrumentation Engineering.

13. Russell C. Eberhart(2014). Neural Network PC Tools: A Practical Guide.

14. Sachi Agrawal, Sakshi Jha, Chitesh Dewangan (2016). Grading of Tomatoes using Digital Image Processing on the Basis of Color.International Journal of Research in Engineering and Technology. Volume 5. Issue 9.

15. Yudong Zhang, Shuihua Wang a, Genlin Ji a, Preetha Phillips b (2014). Fruit classification using computer vision and feedforward neural network. Journal of Food Engineering.

Downloads

Published

2018-12-26

Issue

Vol. 5 No. 2 (2561): Mahidol R2R e-Journal

Section

Academic Articles

License

ข้อความลิขสิทธิ์ (Copyright text)

     บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสาร Mahidol R2R e-Journal  กองทรัพยากรบุคคล มหาวิทยาลัยมหิดล อนุญาตให้นำข้อความ เนื้อหา รูปภาพ ไปพิมพ์เผยแพร่ได้ แต่ห้ามนำไปใช้ประโยชน์ในเชิงพาณิชย์ หรือมีเจตนาเอื้อผลประโยชน์ในทางธุรกิจใดๆ

     ข้อความที่ปรากฏในบทความแต่ละเรื่องในวารสารวิชาการเล่มนี้เป็นความคิดเห็นส่วนตัวของผู้เขียนแต่ละท่าน ความรับผิดชอบ องค์ประกอบทั้งหมดของบทความแต่ละเรื่องเป็นของผู้เขียนแต่ละท่าน หากมีความผิดพลาดใด ๆ ผู้เขียนแต่ละท่านจะรับผิดชอบบทความของตนเองแต่ผู้เดียว

ผลประโยชน์ทับซ้อน (Conflicts of Interest)

     ผู้ประพันธ์ต้องเปิดเผยเป็นลายลักษณ์อักษร (ระบุในรายงาน)ถึงทุกปัจจัยรวมทั้งปัจจัยด้านการเงินที่อาจมีอิทธิผลต่อ การศึกษาผลการศึกษาหรือข้อสรุปจากรายงานการศึกษาวิจัย และจำเป็นต้องระบุหากได้รับการสนับสนุนทางการเงินจาก แหล่งทุนภายนอกเพื่อให้สอดคล้องกับคำประกาศของบรรณาธิการ ผู้ร่วมประพันธ์ทุกท่านต้องมีส่วนร่วมในผลงานการศึกษาวิจัย และควรมีการระบุไว้อย่างชัดเจนในหนังสือปะหน้าประกอบการส่งเรื่องที่จะตีพิมพ์ รวมทั้งระบุไว้ในส่วนของกิตติกรรมประกาศ (acknowledgements) ในตอนท้ายของรายงานต้นฉบับ