Professional Documents
Culture Documents
2 การประมวลผลภาพสําหรับการจําแนกคุณภาพมะม่วงพันธุ์โชคอนันต์โดยการจําลองการมองเห็นของมนุษย์ด้วยวิธีการเรียนรู้เชิงลึก
2 การประมวลผลภาพสําหรับการจําแนกคุณภาพมะม่วงพันธุ์โชคอนันต์โดยการจําลองการมองเห็นของมนุษย์ด้วยวิธีการเรียนรู้เชิงลึก
ABSTRACT – This paper uses image processing technology with the deep learning methods,
which can simulate the human vision to develop a model for examining and classifying the
quality of the Chok-Anan mango. The research method, we have collect the image of Chok-
Anan mangos and collecting quality classification data, determining quality levels into 4 levels
consisting of grade A, B, C and grade D are rotten mangos. The results of the research shown
that the use of deep learning by the convolutional neural network (CNN) algorithm for image
processing to create a model showing the excellent accuracy at 99.79%. Then, we use the model
to develop as a prototype for image classifying of Chok-Anan mangos. The result has found that
the success rate of classification at 100%.
25
JIST Journal of Information Science and Technology
Volume 10, NO 1 | JAN – JUN 2020 | 24-29
2.3 โครงข่ ายประสาทเทียมแบบสังวัตนาการ แม่น ยํา โดยความสามารถของ CNN มีค วามแม่ น ยํามากกว่า
(Convolutional Neural Network: CNN) 90% เนื่ อ งจากในขั้น ตอน Feature extraction ที่ เป็ นการสกัด
โครงข่ า ยประสาทเที ย มแบบสั ง วัต นาการ (Convolutional คุ ณ ลัก ษณะจากภาพ CNN มี ความสามารถในการจัด การกับ
Neural Network: CNN) [5] เป็ นวิธี ห นึ่ งในวิธีก ารเรี ยนรู้ แ บบ ข้อ มู ล ประเภทที่ ไ ม่ ไ ด้มี โ ครงสร้ า งเป็ นรู ป แบบเฉพาะตั ว
Deep Learning เป็ นการจํา ลองการมองเห็ นของมนุ ษย์ ที่ (Unstructured Data) อย่างเช่ น รู ปภาพ (Image) เป็ นต้น ดังนั้น
สามารถแยกแยกคุณลักษณะ (Feature) ของวัตถุที่มองเห็น เช่น ด้ว ยคุ ณ สมบั ติ ที่ ดี ข อง CNN งานวิ จัย นี้ จึ ง นํ า มาใช้ สํ า หรั บ
สี ขอบภาพ การตัด กัน ของสี แล้ว นํา คุ ณ ลัก ษณะต่ า งๆ มา ทดสอบและสร้ างแบบจําลองเพื่อ จําแนกคุณ ภาพของมะม่วง
ประกอบกันเพื่อระบุคุณสมบัติของสิ่ งที่มองเห็นแล้วคัดแยกว่า พันธุ์โชคอนันต์
สิ่ งนั้ นมี คุณ สมบัติ เป็ นอะไรเช่ น เมื่ อ มองเห็ น รู ป ภาพมะม่ ว ง
พัน ธุ์โชคอนันต์ การคํานวณของ CNN สามารถแสดงคําตอบ 2.4 งานวิจยั ทีเ่ กีย่ วข้ อง
ได้ว่าภาพมะม่วงพันธุ์โชคอนันต์มีคุณลักษณะคือมีคุณภาพอยู่ A. Paisal และ T. Kasetkasem [9] ได้ศึกษาการคัดแยกการปน
ในเกรดใดเป็ นต้น ซึ่ ง Deep Learning เป็ นการประยุ ก ต์ ใ ช้ ของเมล็ดพัน ธุ์ถ ว่ั เขียว โดยการวิเคราะห์จากภาพถ่าย ผลของ
วิธี ก ารของ NN หลายๆ ชั้น เรี ย กว่า Hidden Layer ดัง รู ป ที่ 1 งานวิจยั แสดงให้เห็นว่าการคัดแยกเมล็ดพันธุ์จากภาพถ่ายเมล็ด
สําหรับค้นหาคุณลักษณะและทําซํ้าหลายๆ รอบจนกระทัง่ ได้ จํานวน 200 เมล็ด เป็ นพันธุ์ชยั นาท 72 และพันธุ์กาํ แพงแสน 2
คําตอบของคุณคุณลักษณะที่มีความแม่นยําของการคัดแยก โดย ระบบสามารถจําแนกภาพของเมล็ดพัน ธุ์ถว่ั เขียวพันธุ์ชัยนาท
การทํา งานของ CNN จะพิ จ ารณาจากความสั ม พั น ธ์ ข อง 72 และพันธุ์กาํ แพงแสน 2 ที่ปนกัน ซึ่ งสรุ ปผลการคัดแยกได้
คุณลักษณะที่สกัดได้ในแต่ละชั้นกับผลลัพธ์มากที่สุด หลักการ ถูกต้องมากกว่า 90 %
ทํางานของ CNN มี 3 ส่ วนดังนี้ T. Tathawee และคณะ [6] ได้ศึ กษาวิธี ระบุ ช นิ ด ของ
1) Input: รับเข้าข้อมูลหรื อวัตถุเหมือนกับการมองเห็น กล้ ว ยไม้แ ล้ ว พั ฒ นาระบบการมองเห็ น ด้ ว ยคอมพิ ว เตอร์
ของมนุษย์ ตัวอย่างเช่นรู ปภาพมะม่วงพันธุ์โชคอนันต์ ผลการวิจยั พบว่าการพัฒนาเทคโนโลยีการมองเห็นด้วยระบบ
2) Hidden Layer: ส่ ว นการประมวลผลเป็ นชั้น ๆ ซึ่ ง คอมพิ วเตอร์ เพื่อ ระบุ ช นิ ดกล้วยไม้ท้ ังหมดสี่ ช นิ ดจากสี่ ส กุ ล
เหมือ นกับ การทํางานสมองของมนุ ษ ย์ เพื่อ เรี ยนรู้ (Training) ด้วยวิธีการเปรี ยบเทียบพื้นที่ contour ของสี ปรากฏบนภาพดอก
และและการคัดแยกประเภทของภาพ กล้วยไม้ การมองเห็นของคอมพิวเตอร์ บ่งชี้วา่ พื้นที่ ที่ความยาว
3) Output: ส่ ว นแสดงผลลัพ ธ์ ก ารคัด แยกคุ ณ สมบัติ คลื่ น แบบต่ อ เนื่ อ ง (λ =400-700 nm) มีป ระสิ ท ธิ ภ าพสําหรั บ
เป็ นผลมาจากใช้ Hidden Layer จํานวนหลายชั้นมาวิเคราะห์จน ระบุ ช นิ ด กล้วยไม้ท้ ังสี่ ช นิ ดอย่างชัด เจน แต่ ในช่ วงความยาว
ได้ค ํา ตอบแสดงคุ ณ ลัก ษณะของแต่ ล ะภาพที่ ม องเห็ น เช่ น ค ลื่ น แ บ บ ไ ม่ ต่ อ เนื่ อ งที่ ช่ วงสี น้ าเงิ น (λ = 475 nm) มี
มะม่วงพันธุ์โชคอนันต์มีคุณภาพอยูใ่ นเกรดใด เป็ นต้น ประสิ ทธิภาพสําหรับระบุกล้วยไม้ท้ งั สี่ ชนิดได้ดีที่สุด
N. Masunee [10] ได้เสนองานวิจัยการพัฒ นาเทคนิ ค
การตรวจสอบคุณภาพหมึกโดยใช้ปริ มาณพื้นที่สีที่ปรากฏบน
ตัวหมึกเป็ นลักษณะเด่น ในการจําแนกระดับ คุ ณ ภาพได้แก่ สี
ขาว สี ชมพู สี แดง และสี ดาํ ซึ่ งปริ มาณพื้น ที่สีที่ป รากฏบนตัว
หมึ ก ถูก คํานวณด้ว ยเทคนิ ค การประมวลผลภาพเพื่ อ จําแนก
คุณภาพของหมึกโดยใช้การปริ มาณข้อมูลพื้นที่สี
รู ปที่ 1. Convolutional Neural Network S. Aunkaew และคณ ะ [11]ได้ เ สนองานวิ จั ย การ
ตรวจสอบราขาวบนผิวเนื้ อยางแผ่น โดยระบบที่พฒั นาขึ้นด้วย
เทคนิ คการประมวลผลภาพสามารถตรวจสอบและจําแนกยาง
จากการศึ ก ษางานวิ จั ย ก่ อ นหน้ า นี้ [6-8] ที่ มี ก าร
แผ่น ที่ มีราขาวออกจากยางแผ่น ดี ได้ผิดพลาดน้อ ยมากและมี
ประยุกต์ใช้ CNN กับการจําแนกข้อมูลโดยแสดงให้เห็นว่าข้อดี ความรวดเร็ ว เมื่ อ เที ยบกับ การตรวจสอบและจําแนกด้วยตา
ของ CNN คือสามารถวิเคราะห์วิเคราะห์และหาคําตอบได้อย่าง มนุษย์
26
JIST Journal of Information Science and Technology
Volume 10, NO 1 | JAN – JUN 2020 | 24-29
4. ผลการวิจัย
4.1 ผลการสร้ างแบบจําลอง
การพัฒนาระบบเพื่อจําแนกคุณภาพมะม่วงพันธุ์โชคอนันต์ ใช้
ภาษา Python ในการพัฒนา โดยใช้ไลบรารี สาํ หรับพัฒนา Deep
รู ปที่ 2. ตัวอย่ างการจัดกลุ่มตามคุณภาพระดับเกรด Learning ร่ ว ม กั น คื อ Keras แ ล ะ Tensorflow เพื่ อ ส ร้ า ง
แบบจําลองและวิเคราะห์การจําแนกคุณ ภาพมะม่วงพัน ธุ์โชค
3.3 การวัดประสิทธิภาพ อนัน ต์ รายละเอี ย ดสําหรั บ การติ ด ตั้ง Keras และ Tensorflow
การวัดประสิ ทธิ ภาพเพื่อเปรี ยบเทียบค่าความแม่นยําเพื่อสร้าง แสดงใน [12] ผลของการสร้างแบบจําลองแสดงดังรู ปที่ 3
แบบจําลองในงานวิจยั นี้ ใช้การวัดค่าความแม่นยํา (Accuracy)
[7] เป็ นค่ า ที่ ได้จ ากวิธี ก ารทดสอบเพื่ อ หาค่ า พยากรณ์ ค วาม
ถูกต้องของข้อมูลโดยคิดเป็ นค่าร้อยละ (%) ใช้สูตรการคํานวณ
ดังนี้
Accuracy=
( TP+TN )
( TP+TN+FP+FN )
27
JIST Journal of Information Science and Technology
Volume 10, NO 1 | JAN – JUN 2020 | 24-29
(c)
ตารางที่ 1 สรุ ปผลการทดสอบใช้ งานแบบจําลอง
เกรด จํานวนภาพ ผลการจําแนก ความถูกต้อง
ทดสอบ (รู ป) (รู ป) (%)
A 50 A = 50, B = 0, 100 (d)
C = 0, D = 0 รู ปที่ 4. ตัวอย่ างการนํารู ปภาพมะม่ วงพันธุ์โชคอนันต์ ในแต่ ละ
B 50 A = 0, B = 50, 100 กลุ่มทดสอบในระบบ
C = 0, D = 0
C 50 A = 0, B = 0, 100
5. บทสรุ ปและการอภิปราย
C = 50, D = 0
งานวิ จัย นี้ ได้ น ํ า เทคโนโลยี ก ารประมวลผลภาพวิ ธี Deep
D 50 A = 0, B = 0, 100 Learning อัล กอริ ธึ ม CNN พัฒ นาแบบจําลองเพื่ อ ตรวจสอบ
C = 0, D = 50 และจําแนกคุณภาพมะม่วงพันธุ์โชคอนันต์ โดยได้ดาํ เนิ นการ
เก็บรวบรวมข้อมูลภาพถ่ายมะม่วงจากเจ้าของสวนมะม่วงและ
28
JIST Journal of Information Science and Technology
Volume 10, NO 1 | JAN – JUN 2020 | 24-29
เก็บ ข้อ มูล การจําแนกคุ ณ ภาพมะม่ วงพัน ธุ์โชคอนัน ต์โดยได้ [4] S. Sarraf and G. Tofighi, "A hybrid sequential feature
กําหนดระดับคุณ ภาพออกเป็ น 4 ระดับประกอบด้วย คุณภาพ selection approach for the diagnosis of Alzheimer's
ระดับ เกรด A, คุ ณ ภาพระดับ เกรด B, คุ ณ ภาพระดับ เกรด C
และคุ ณ ภาพระดับ เกรด D คื อ มะม่วงเน่ า จากนั้น ใช้วิธี Deep Disease," in Proceedings of International Joint
Learning ด้วยอัลกอริ ธึม CNN ในการประมวลผลภาพเพื่อสร้าง Conference on Neural Networks, 2016, pp. 1216-1220.
แบบจําลอง โดยผลการสร้างแบบจําลองแสดงค่าความแม่นยํา [5] E. Humphrey and J. Bello, "Rethinking Automatic
สู งสุ ดคื อ 99.79% แสดงถึ ง ประสิ ท ธิ ภาพ ในการส ร้ า ง Chord Recognition with Convolution Neural Networks,"
แบบจําลองเพื่อจําแนกคุณภาพมะม่วงพัน ธุ์โชคอนันต์ดว้ ยวิธี
Deep Learning สอดคล้องกับงานวิจยั [6-8] ที่ แสดงให้เห็ น ว่า in Proceedings of the 11th International Conference on
การประยุ ก ต์ ใ ช้ วิ ธี Deep Learning ด้ ว ยอั ล กอริ ธึ ม CNN มี Machine Learning and Application, 2012.
ประสิ ทธิ ภาพในการจําแนกข้อมูลประเภทที่ไม่ได้มีโครงสร้าง [6] T. Tathawee, S. Prasarnpun, S. Onbua, T. Pinthong, and
เป็ นรู ป แบบเฉพาะตัว (Unstructured Data) อย่างเช่ น รู ป ภาพ A. Suwannakom, "Orchid identification based on
(Image) ซึ่ งสามารถสกัดคุณลักษณะเด่นจากรู ปภาพได้อย่างมี
ประสิ ทธิภาพ computer vision analysis," in Proceedings of the 6th
จากนั้น งานวิจยั นี้ ได้น ําแบบจําลองพัฒ นาเป็ นระบบ National Science Research Conference, Thailand, 2014,
ต้นแบบสําหรั บตรวจสอบคุณภาพมะม่วงพันธุ์โชคอนันต์ ผล pp. 47 - 56.
การทดสอบใช้งานระบบพบว่าการทดสอบรู ปภาพกลุ่มคุณภาพ [7] B. Tilmann, "The Business Impact of Predictive
เกรด A อัตราความสําเร็ จในการจําแนกคือ 100% เกรด B อัตรา Analytics," ed. IGI Global, September - December 2007.
ความสําเร็ จในการจําแนกคือ 100% เกรด C อัตราความสําเร็ จ [8] R. Kohavi, "A study of crossvalidation and bootstrap for
ในการจําแนกคือ 100% และเกรด D อัตราความสําเร็ จในการ
accuracy estimation and model selection," in
จําแนกคือ 100% ซึ่งจากผลลัพธ์การทดสอบใช้งานระบบแสดง
Proceedings of the Fourteenth International joint
ให้เห็นว่าแบบจําลองการจําแนกคุณภาพมะม่วงพันธุ์โชคอนันต์
ที่ ส ร้ างขึ้ นโดยใช้วิธี Deep Learning ด้ว ยอัล กอริ ธึ ม CNN มี conference on Artificial Intelligence, Montreal, Canada
ความสามารถในการจําแนกคุณภาพมะม่วงพันธุ์โชคอนันต์ได้ 1995, pp. 1137-1143.
อย่างมีประสิ ทธิ ภาพ สามารถนําผลการวิจยั เป็ นตัวอย่างในการ [9] A. Paisal and T. Kasetkasem, "Separation the mingling
พัฒ นาระบบอัต โนมัติ สํ า หรั บ คัด แยกคุ ณ ภาพมะม่ ว งเพื่ อ varieties of the mungbean seeds by image processing,"
ส่ งเสริ มการจําหน่ายผลิตภัณฑ์และสร้างความเชื่อมัน่ ให้กบั การ Khon Kaen Agriculture Journal, vol. 3, pp. 240-247,
จําหน่ายผลิตภัณฑ์มะม่วงพันธุ์โชคอนันต์ต่อไป 2011.
[10] N. Masunee, "Development of an image processing
เอกสารอ้ างอิง system in splendid squid quality classification," Prince
[1] J. Jaroenjit, A. Panpanasakul, P. Chaisri, P. Promduang, of Songkla University, 2014.
and S. Prompongusawa, "Classification pearls using [11] S. Aunkaew, T. Khaorapapong, and M. Karnjanadecha,
image processing," in Proceedings of the 9th Hatyai "A Study of Inspection of White Mould on Surface
National and International Conference, Thailand, 2014, Rubber Sheets Using Image Processing," Thaksin
pp. 1679 - 1691. University Journal, vol. 10, July - December, pp. 50–61,
[2] A. Tungkastan and K. Leewun, "Pixel-Based Car Model 2007.
Detection and Recognition," Engineering Journal of [12] A. Rosebrock, "Installing Keras with TensorFlow
Siam University, vol. 19, January-June, pp. 90–102, backend," January, 2020. [Online]. Available:
2018. https://www.pyimagesearch.com/2016/11/14/installing-
[3] S. Phimphisan, "Application of Data Mining for keras-with-tensorflow-backend/. [Accessed: Jan 7,
Diabetic Retinopathy Using Decision Tree," Journal of 2020].
Srivanalai Vijai, vol. 3, 2016.
29