มหาวิทยาลัยมหาสารคามวิจัย ครั้งที่ 14

50 ปี มหาวิทยาลัยมหาสารคาม ‘ผู้ม ีปัญญา พึง เป็นอยู่เ พื่อมหาชน’

“50 years Mahasarakham University: Public Devotion is a Virtue of the Learned”
205

การตรวจหาเมล็ดข้าวฮางงอกผิดรูปด้วยการใช้การประมวลผลภาพดิจิทัล
Determination of Deformed Germinated “Hang” Rice Grains Using Digital Image
Processing

เกียรติสิน กาญจนวนิชกุล1*, จุมพล อิสระวิสุทธิ์2

Kiattisin Kanjanawanishkul1*, Jumpol Itsarawisut2

บทคัดย่อ
ข้าวฮางงอกได้รับความสนใจจากผู้บริโภคเพิ่มมากขึ้น เนื่องจากมีสารอาหารและกรดแกมมาแอมิโนบิวทิริกที่มีประโยชน์
ต่อร่างกาย แต่กระบวนการผลิตมีความซับซ้อน และ มีผลกระทบโดยตรงต่อคุณภาพของข้าวฮางงอก ลักษณะทาง
กายภาพลักษณะหนึ่งที่ผู้บริโภคไม่ต้องการ คือ การผิดรูปของเมล็ดข้าว ในปัจจุบัน การตรวจสอบคุณภาพข้าว
ฮางงอกกระท�ำโดยมนุษย์ ซึ่งก่อให้เกิดข้อจ�ำกัดทางด้านความเร็วและประสิทธิภาพในการคัดแยก ในงานวิจัยนี้
จึงพัฒนาวิธีการตรวจหาเมล็ดข้าวฮางงอกผิดรูปโดยวิธีการประมวลผลภาพดิจิทัลร่วมกับโครงข่ายประสาทเทียม ลักษณะ
เฉพาะทีใ่ ช้ในการเรียนรูข้ องโครงข่ายประสาทเทียม ได้แก่ ความสมมาตรของเมล็ดข้าวทางแนวนอนและแนวตัง้ ค่าอัตราส่วน
ระหว่างพื้นที่ของเมล็ดข้าวและพื้นที่รูปปิดนูนที่เล็กที่สุดที่ล้อมรอบเมล็ดข้าวนั้น โดยกระท�ำทั้งกรณีเต็มเมล็ด แบ่งครึ่งเมล็ด
ตามแนวนอน และค�ำนวณอัตราส่วนนีอ้ กี ครัง้ หลังจากใช้กรรมวิธรี ปู หลายเหลีย่ มทีม่ คี วามยาวเส้นรอบวงสัน้ ทีส่ ดุ การทดสอบ
โครงข่ายประสาทเทียมได้ใช้การทดสอบด้วยวิธีการตรวจสอบแบบไขว้ 10 กลุ่ม ผลการทดลอง พบว่า ความถูกต้องในการ
ตรวจหาเมล็ดข้าวฮางงอกผิดรูปด้วยเทคนิคที่น�ำพัฒนาขึ้นนี้ คือ ร้อยละ 95.64
คำ�สำ�คัญ: ข้าวฮางงอก, การประมวลผลภาพ, โครงข่ายประสาทเทียม, การผิดรูปของเมล็ดข้าว

Abstract
Germinated Hang rice has received increasing attention from consumers since it generates nutrient and gamma-
aminobutyric acid (GABA) antioxidants that benefit to the human body. However, the process of producing it is
sophisticated and affects its quality directly. One of its physical appearance that is not preferable by consumers
is grain deformation. At present, quality evaluation is done manually, resulting in a time-consuming task and low
efficiency. In this research work, we developed a method that can determine deformed germinated Hang rice grains
using digital image processing incorporated with an artificial neural network. The key features used for training
the neural network were grain symmetry value along the vertical and horizontal lines, the ratio between the grain
area and the convex hull area surrounding the grain. The ratio was calculated for both whole grains and the half
of the grains along the horizontal line. This ratio was re-calculated after the minimum-perimeter polygon algorithm
was conducted on the rice grain. The artificial neural network was tested by the ten-fold cross-validation. The
experimental results showed that the averaged accuracy of the determination of deformed grained based on our
developed techniques was 95.64%.
Keywords: Germinated Hang rice, image processing, artificial neural networks, deformed rice grains

1
ผู้ช่วยศาสตราจารย์ คณะวิศวกรรมศาสตร์ มหาวิทยาลัยมหาสารคาม อำ�เภอกันทรวิชัย จังหวัดมหาสารคาม 44150
2
นักวิทยาศาสตร์ ภาควิชาฟิสิกส์ คณะวิทยาศาสตร์ มหาวิทยาลัยมหาสารคาม อำ�เภอกันทรวิชัย จังหวัดมหาสารคาม 44150
1
Assistant Professor, Faculty of Engineering, Mahasarakham University, Kantharawichai District, Maha Sarakham, Thailand, 44150
2
Scientist, Department of Physics, Faculty of Science, Mahasarakham University, Kantharawichai District, Maha Sarakham, Thailand, 44150
* Corresponding author: Kiattisin Kanjanawanishkul, Faculty of Engineering, Mahasarakham University, Kantharawichai District, Maha Sarakham,
Thailand, 44150, E-mail: kiattisin.k@msu.ac.th
 การประชุมวิชาการ “มหาวิทยาลัยมหาสารคามวิจัย ครั้งที่ 14”
206 MRC#14 50 ปี มหาวิทยาลัยมหาสารคาม ‘ผู้มีปัญญา พึงเป็นอยู่เพื่อมหาชน’
บทนํา
ข า วฮางงอก (germinated “Hang” rice)1 คื อ ข า วที่
เพาะงอกจากขาวเปลือกซึ่งอาจจะเปนขาวเจาหรือขาว
เหนี ยว การเพาะงอกนี้ กอ ใหเกิ ดสารอาหาร วิต ามิ น
แรธาตุ ไฟเบอร และกลิ่นหอม จากเปลือกมาเคลือบที่
เมล็ ด ข าวเพิ่ ม ขึ้ น จึ ง ทํ าให ข าวฮางงอกมี คุ ณ ค าทาง
โภชนาการสู ง 1-3 ดั ง นั้ น ในป จ จุ บั น ข าวฮางงอกจึ ง
ไดรับความนิย มจากผู บริโภคทั้ งภายในประเทศ และ
ตางประเทศอยางสูง ลักษณะของขาวฮางงอก แสดงได
ดัง Figure 1
Figure 1 Germinated “Hang” rice
กระบวนการผลิ ต ขาวฮางงอกประกอบด ว ย
ขั้ น ตอนแรก นํ า ข า วเปลื อ กมาแช น้ํ า เป น เวลา 24
ชั่วโมง แลวนําข าวที่แชน้ํ ามาบม ในภาชนะที่ มีอากาศ
ถายเท เปน เวลาประมาณ 48 ชั่ วโมง ซึ่งจะมีรากงอก
ประมาณ 0.5 มิ ล ลิ เ มตร การงอกของรากเป น การ
กระตุนใหเกิดปฏิกิริยาชีวเคมี มีสารอาหารเพิ่มขึ้น เชน
สารกาบา โปรตีน ไฟเบอร ไขมันชนิดดี สารตานอนุมูล
อิสระ วิตามินและแรธาตุ เปนตน แลวนําขาวที่งอกไป
นึ่ ง เพื่ อ ให ส ารอาหารและกลิ่ น หอมจากเปลื อ กมา
เคลือบที่เมล็ดขาวเพิ่มขึ้น หลังจากนั้น นําไปตากแดด
หรือผึ่งลมใหแหง สุดทายนําขาวไปกะเทาะเปลือกหรือ
สีเพื่ อนํ าเอาเฉพาะเปลื อกนอกหรือแกลบออก โดยที่
จมู ก ข าวและเยื่ อ หุ ม เมล็ ด ไม แ ตกหั ก 1 จากขั้ น ตอน
ดั งกล าว ส งผลโดยตรงต อ คุ ณ ภาพของข าวฮางงอก
จากการศึกษาของคณะผูวิจัย พบวา ลักษณะของขาว
ฮางงอกที่ผูบริโภคไมตอ งการ ไดแก เมล็ ดขาวมีจุดสี
ดํา เมล็ดขาวผิดรูป เมล็ดขาวติดเปลือก เมล็ดขาวหั ก
และ เมล็ดขาวลีบ ดังแสดงใน Figure 2 เมื่อเที ยบกั บ
ลักษณะเมล็ดขาวฮางงอกที่ตองการ
Figure 2 Six characteristics of germinated “Hang”
rice grains based on physical
appearance: normal, discolored,
deformed, partially un-husked, broken
and withered grains (named
sequentially)
จาก Figure 2 จะเห็ นได ว า ลั ก ษ ณ ะที่ ไม
ตองการของขาวฮางงอก แตกตางจากข าวขาวทั่วไป
ทําใหกระบวนคัดแยกคุณภาพของขาวขาว ไมสามารถ
นํามาใชกับข าวฮางงอกได โดยเฉพาะอย างยิ่ง กรณี
ของเมล็ ดข าวผิ ดรูป (deformed rice grains)1 ซึ่ ง เกิ ด
จากกระบวนการแช ขาวเปลือ กในน้ํ าเพาะจนเกิ ดราก
แลวนําไปผานความรอน (นึ่ง อบ หรือตม) ถาใชเวลาที่
ไม เหมาะสมอาจกอให เกิ ดการผิดรูปของเมล็ ดขาวซึ่ ง
โดยนิยามแลว ความแตกตางระหวางเมล็ดขาวรูปราง
ปกติและผิดรูปเปนดังนี้
ขาวฮางงอกเมล็ดรูปรางปกติ หมายถึง ข าว
ฮางงอกซึ่ ง อยู ใ นสภาพเต็ ม เมล็ ดที่ ไ ม มี ส ว นใดหั ก มี
 การประชุมวิชาการ “มหาวิทยาลัยมหาสารคามวิจัย ครั้งที่ 14”
50 ปี มหาวิทยาลัยมหาสารคาม ‘ผู้มีปัญญา พึงเป็นอยู่เพื่อมหาชน’ MRC#14
ลักษณะเป นรูปคลายวงรี ไมมีสวนหนึ่งสวนใดยื่นเกิ น
ออกมาจากจมูกขาว
ข าวฮางงอกเมล็ ดผิ ดรูป หมายถึ ง ข าวฮาง
งอกซึ่งอยูในสภาพของเมล็ดโคงงอผิดรูปจากวงรี และ
มีสวนหนึ่งสวนใดยื่นเกินออกมาจากจมูกขาว ลักษณะ
ที่ผิดรูปของเมล็ดขาวฮางงอกจะมีอยูใน 2 ลักษณะดังนี้
(1) การผิดรูปบริเวณจมูกขาว หมายถึง จมูก
ขาวผิดไปจากรูปรางเดิม ดังแสดงใน Figure 3
Figure 3 Deformation of germinated “Hang” rice
grains at rice germ
(2) การผิดรูปบริเวณเนื้อ ขาว หมายถึ ง เนื้ อ
ขาวผิดไปจากรูปรางเดิม ดังแสดงใน Figure 4
Figure 4 Deformation of germinated “Hang” rice
grains at rice endosperm
ลั ก ษณะการผิ ด รู ป ของเมล็ ด ข า วฮางงอก
ดังกลาวเปนสิ่งที่ผูบริโภคไมตองการเนื่องจากมีรูปราง
ที่ ไ ม น ารั บ ประท านจึ ง ทํ าให มี มู ล ค า ลดลงแม ว า
คุ ณ ประโยชน ท างอาหารยั ง คงเหมื อ นกั บ เมล็ ด ข า ว
รูปรางปกติก็ตาม ดังนั้น จึงตองมีการคัดแยกคุณภาพ
ของขาวฮางงอก ป จจุบันการคัดแยกคุณภาพขาวฮาง
งอกจะใชม นุ ษ ย ซึ่ งจะมี ปญ หาหลั ก คื อ ความเร็ วใน
207
การคัดแยก และ ความถูกตองในการคัดแยก เนื่องจาก
ขอจํากัดทางดานรางกาย เชน การเมื่อยลาของสายตา
ดั ง นั้ น คณะผู วิ จั ย จึ ง มี แ นวคิ ด ที่ จ ะพั ฒ นาวิ ธี ก าร
ตรวจหาเมล็ ด ข า วฮางงอกผิ ด รู ป ด ว ยการใช ก าร
ประมวลผลภาพดิ จิ ทั ล (digital image processing)
และการรู จํ าด ว ยโครงข ายประสาทเที ย ม (artificial
neural network - ANN)
ถึ ง แ ม ว า ใน ป จ จุ บั น ไ ด มี ก าร นํ าก า ร
ประมวลผลภาพดิ จิ ทั ล เข า มาประยุ ก ต ใ ช ใ นการ
ตรวจสอบผลิ ต ภัณ ฑ ท างการเกษตรอย างกวางขวาง
เนื่ อ งจากเป น กรรมวิ ธี ที่ มี ความรวดเร็ ว และมี ค วาม
ถู ก ต อ งสู ง ตั ว อย า งเช น Dalen และคณ ะ 4 ได นํ า
หลักการประมวลผลภาพมาพิจารณาเมล็ดข าวขาว 6
ชนิ ด ซึ่ งพิ จารณาเมล็ ดขาวขาวจากความยาว ความ
กว าง พื้ น ที่ และเสน รอบวง และวิ เคราะห ขอ มู ลด ว ย
การวิ เ คราะห ท างภาพ และ Courtois และคณ ะ 5
นําเสนอการประเมินรอยแตกราวของเมล็ดขาวนึ่ง โดย
ใชเทคนิคการวิเคราะหทางเรขาคณิ ต ซึ่งไดแก ความ
ยาวเฉลี่ย และคาเบี่ยงเบนมาตรฐานของเมล็ดทางแกน
หลั ก (major axis length) พรอ มทั้ ง วิเคราะหคาเฉลี่ ย
ของพื้นที่ หรือพื้ นผิวตอปริมาณของเมล็ด ซึ่งผลที่ ได
สามารถประเมินและนับจํานวนรอยแตกราวบนเมล็ ด
ข า วนึ่ ง ได Kambo และคณะ 6 นํ า เสนอการใช ก าร
ประมวลผลภาพสําหรับการจําแนกพันธุขาวบาสมาติก
(Basmati Rice) โดยใช ห ลั กการวิ เคราะห จ ากรู ปทรง
ของเมล็ ดขาวจาก ความยาวเส น รอบวง (perimeter)
พื้ น ที่ (area) ความยาวเส น แกนหลั ก (major axis
length) ความยาวเส น แกนรอง (minor axis length)
และ ค าความเบี่ ย งเบนจากศู น ย ก ลาง (eccentricity)
แล ว ทํ า การจํ า แนกด ว ยการประมวลผลข อ มู ล ด ว ย
วิ ธี ก ารค น หาเพื่ อ นบ า นใกล สุ ด k ตั ว (K nearest
neighbor algorithm) อย างไรก็ ต าม กรรมวิ ธี ข า งต น
ไมสามารถนํามาประยุกตใชกับการตรวจหาการผิดรูป
ของเมล็ ด ข าวฮางงอกได คณะผู วิ จั ย จึ ง ได พั ฒ นา
 การประชุมวิชาการ “มหาวิทยาลัยมหาสารคามวิจัย ครั้งที่ 14”
208 MRC#14 50 ปี มหาวิทยาลัยมหาสารคาม ‘ผู้มีปัญญา พึงเป็นอยู่เพื่อมหาชน’

กรรมวิธีเพื่อตรวจหาเมล็ดขาวฮางงอกผิดรูปขึ้น ดังที่
จะกลาวในสวนถัดไป

วิธีการดําเนินงานวิจัย
วิธีการดําเนินงานประกอบดวย 3 ขั้นตอน
หลั ก คือ การปรั บปรุ งภาพและการแยกสว น (image
enhancement and segmentation), ก า ร ดึ ง
คุ ณ ลั ก ษ ณ ะ (feature extraction) แ ล ะ ก าร รู จํ า
(recognition) ซึ่งในขั้นตอนที่ 1 การปรับปรุงภาพและ
การแยกส ว น ภาพของเมล็ ด ข า วฮางงอก จะถู ก
Figure 5 The color imaging system: (1) light
ปรับปรุงใหดีขึ้นและทําการแยกสวนของเมล็ดขาวออก
source (2) digital camera (3) adjustable
จากพื้นหลัง ในขั้นตอนที่ 2 การดึงคุณลักษณะเฉพาะ
light intensity and (4) image acquisition
ออกจากภาพเพื่ อใชในการรูจําของโครงขายประสาท
stage with black background (where
เที ย ม ขั้ น ตอนที่ 3 การรู จํ า เพื่ อ ระบุ ว า เมล็ ด ข า ว
samples are placed)
ดั ง กล าวมี การผิ ดรู ป หรื อ ไม กระบวนการที่ กล าวมา
ขางตน มีรายละเอียดดังตอไปนี้
ในขั้นตอนที่ 1 การปรับปรุงภาพและการแยก
สว น โดยภาพของเมล็ ดขาวฮางงอก จะถู กถ ายภาพ
ด ว ยกล อ งดิ จิ ทั ล (รุ น Fujifilm FinePix HS20 EXR)
ความละเอียด 16 ลานพิกเซล มีเซ็นเซอรรับภาพแบบ (a) (b)
CMOS ขนาด 1/2 นิ้ว พร อมระบบให แ สงภายใน ดั ง Figure 6 (a) The original image (b) and its binary
แสดงใน Figure 5 การจัดวางเมล็ดขาวฮางงอก จะไม version
มีการทับซอนกันและใชพื้นหลังเปนสีดํา6
ภาพที่ ได จ ะเป น ภาพสี RGB ดั งนั้ น ในการ ในขั้นตอนที่ 2 การดึงคุณลักษณะ โดยภาพ
ประมวลผลภาพ ภาพนี้ จะถูกแปลงเป น ภาพขาว-ดํ า ขาว-ดํ า ของเมล็ ด ข า วแต ล ะเมล็ ด จะถู ก นํ ามาดึ ง
(binary image) ดวยกรรมวิธี Otsu7 แต คาเทรสโฮลด ลั ก ษ ณ ะ เฉ พ าะ ซึ่ ง ไ ด แ ก ค าค ว าม ส ม ม า ต ร
(threshold) ที่ ไ ด ถู กปรั บลดลง 10% เนื่ อ งจากเมล็ ด (symmetry) ทั้ ง ตามแนวกว างและแนวยาวของเมล็ ด
ขาวฮางงอก มีสีคล้ําและพื้น หลั งเป นสีดํา ภาพที่ได นี้ ขาว และ คา solidity วิธีการเปนดังนี้
เมล็ดขาวฮางงอกจะกลายเปนสีขาวและพื้นหลังจะเปน (1) หมุ นภาพของเมล็ดขาวฮางงอกใหอ ยูใน
สีดํา หลังจากนั้นทําการกําจัดสัญญาณรบกวน (noise) ระนาบแนวนอนตามแกนหลักของรูปวงรี8
ที่มีพื้นที่นอยออกไปจากภาพ พรอมทั้งเติมสีขาวลงใน (2) หาสี่ เ หลี่ ย มผื น ผ า ที่ ล อ มรอบพิ ก เซล
ชองวางภายในเมล็ดขาว จากขั้นตอนดังกลาง แสดงได (bounding box) ในภาพขาว-ดําของเมล็ดขาวฮางงอก
ดัง Figure 6
 การประชุมวิชาการ “มหาวิทยาลัยมหาสารคามวิจัย ครั้งที่ 14”
50 ปี มหาวิทยาลัยมหาสารคาม ‘ผู้มีปัญญา พึงเป็นอยู่เพื่อมหาชน’ MRC#14 209

(3) แบงครึ่งตามแนวยาวของสี่เหลี่ยมผืนผ า ระหวางพื้นที่ของสิ่งที่เราสนใจและพื้นที่รูปปดนูนที่เล็ก

ที่ ล อมรอบนี้ แล วคํ านวณค าความสมมาตรตามแนว ที่สุดที่ลอมรอบสิ่งที่เราสนใจ ซึ่ง ก็คือ สมการตอไปนี้
ยาว ดวยสมการ grain _ area
solid_1  (3)
conv _ hull _ area
sym _ L 
  f1  f2  (1)
W  L / 2
โดยที่ solid_1 คือ คา solidity
grain _ area คื อ พื้ น ที่ เ มล็ ด ข า วฮางงอก
โดยที่ sym_ L คือ คาความสมมาตรตามแนวยาว
f1 และ f 2 คื อ ภาพขาว-ดํ า ของเมล็ ด ข า ว
หนวยเปนพิกเซล
conv _ hull _ area คือ พื้ นที่รูปป ดนูนที่ เล็ ก
ฮางงอก ครึ่งบนและครึ่ง ลางตามลํ าดั บ เมื่ อแบ งครึ่ ง
ตามแนวยาว ซึ่ ง พิ กเซลใดเป น สี ข าว จะมี ค าเป น 1 ที่สุดที่ลอมรอบเมล็ดขาว หนวยเปนพิกเซล
และ พิกเซลใดที่เปนสีดํา จะมีคาเปน 0
W และ L คือ ขนาดความกว างและความ
(6) จากข อ ที่ (3) เมื่ อ แบ งครึ่ง ตามแนวยาว
ยาวของสี่ เ หลี่ ย มที่ ล อ มรอบเมล็ ด ข า ว หน ว ยเป น แลวสรางพื้นที่รูปปดนูนที่เล็กที่สุดที่ลอมรอบเมล็ดขาว
พิกเซล ในแตละครึ่ง แลวคํานวณหาคา solidity โดยเลือกสวน
ที่ ให ค า solidity ต่ํ ากว า กํ าห น ด ค าตั วแ ป รเป น
(4) จากขอที่ (2) แบงครึ่งตามแนวกวางของ solid_half _ 1

สี่เหลี่ย มผืน ผ าที่ ล อมรอบพิ กเซลในภาพขาว-ดํ าของ (7) ใชกรรมวิธีรูปหลายเหลี่ย มที่มี ความยาว
เมล็ดขาวฮางงอก แล วคํ านวณคาความสมมาตรตาม เส น รอบวงสั้ น ที่ สุ ด (minimum-perimeter polygon,
แนวกวาง ดวยสมการ mpp)7 เพื่อหาจุดยอด (vertex) ของรูปหลายเหลี่ยมที่
แสดงถึงรูปรางของเมล็ดขาวฮางงอก คาพารามิเตอรที่
sym _ W 
  f3  f 4  (2)
W  L / 2 สําคั ญ ของกรรมวิ ธี นี้ คื อ ขนาดของเซลล (cell size)
ในงานวิจัยนี้ คณะผูวิจัยใหขนาดของเซลลเทากับ 33
โดยที่ sym_W คือ คาความสมมาตรตามแนวกวาง พิ กเซล ถ าหากเลือ กขนาดของเซลลม ากเกิ น ไป รู ป
f 3 และ f 4 คื อ ภาพขาว-ดํ า ของเมล็ ด ข า ว หลายเหลี่ ย มที่ ไ ด จะไม ส ามารถแสดงถึ ง รู ป ร า งที่
ฮางงอก ครึ่งซายและครึ่งขวาตามลํ าดั บ เมื่อแบ งครึ่ง แทจริงของเมล็ดขาวฮางงอกได
ตามแนวกวาง ซึ่ ง พิ กเซลใดเป น สี ขาว จะมีคาเป น 1 (8) คํ านวณหาคา solidity จากภาพที่ ไดจาก
และ พิกเซลใดที่เปนสีดํา จะมีคาเปน 0 กรรมวิธี mpp ดังกลาว
W และ L คื อ ขนาดความกว างและความ grain _ area_3
solid_3  (4)
ยาวของสี่ เ หลี่ ย มที่ ล อ มรอบเมล็ ด ข า ว หน ว ยเป น conv _ hull _ area_3

พิกเซล
โดยที่ solid_3 คือ คา solidity เมื่อใช mpp ที่มีขนาด

(5) จากข อ ที่ (1) สร างพื้ น ที่ รู ปป ดนู น ที่ เล็ ก ของเซลลเทากับ 33 พิกเซล
grain_area_3 คือ พื้นที่เมล็ดขาวฮางงอกเมื่อ
ที่ สุ ด (convex hull) ที่ ล อ ม ร อ บ เม ล็ ด ข าว แ ล ว
คํ า นวณหาค า solidity ซึ่ ง คํ านวณได จ าก อั ต ราส ว น ใช mpp ที่ มี ข นาดของเซลล เ ท า กั บ 33 พิ ก เซล
หนวยเปนพิกเซล
 การประชุมวิชาการ “มหาวิทยาลัยมหาสารคามวิจัย ครั้งที่ 14”
210 MRC#14 50 ปี มหาวิทยาลัยมหาสารคาม ‘ผู้มีปัญญา พึงเป็นอยู่เพื่อมหาชน’
conv_hull_ area_3คื อ พื้ น ที่ รู ป ป ด นู น ที่ เ ล็ ก
ที่ สุ ด ที่ ล อ มรอบเมล็ ดข า วฮางงอก เมื่ อ ใช mpp ที่ มี
ขนาดของเซลลเทากับ 33 พิกเซล หนวยเปนพิกเซล
(9) จากข อที่ (7) เมื่ อแบ งครึ่งตามแนวนอน
แลว สรางรูปป ดนูน ที่เล็กที่ สุดที่ ลอมรอบเมล็ดข าวใน
แตละครึ่ง แล วคํานวณหาคา solidity โดยเลือ กสวนที่
ให ค า solidity ต่ํ าก ว า กํ าห น ด ค าตั วแ ป ร เป น
solid_half_ 3
จากขั้นตอนขางตน จะไดลักษณะเฉพาะรวม
ทั้ ง หมด 6 ลั ก ษณะ คื อ sym_ L, sym_ W , solid_1 ,
solid_half _ 1 , solid_3 , solid_half_ 3 ซึ่ ง จะถู ก ใช ใ น
ขั้นตอนที่ 3 คือ การรูจํา ตัวอยางลักษณะภาพที่ไดจาก
ขั้นตอนการดึงคุณลักษณะ เปนดัง Figure 7
ในขั้นตอนที่ 3 การรูจําดวยโครงขายประสาท
เทียม ซึ่งที่ใชในงานวิจัยนี้ คือ โครงขายประสาทแบบ
ป อ นไปหน า 3 ชั้ น (three-layer feedforward neural
network) โดยประกอบไปดวยชั้นอินพุท (input layer)
จํ านวน 1 ชั้ น , ชั้ น ซ อ นตั ว (hidden layer) จํ านวน 1
ชั้ น และชั้ น เอาท พุ ท (output layer) จํ า นวน 1 ชั้ น
โดยชั้ น อิ น พุ ท ประกอบด ว ย 6 โหนด ซึ่ ง ก็ คื อ ค า
sym_ L , sym_ W , solid_1 , solid_half _ 1 , solid_3 ,
solid_half_ 3 และชั้ น เอาท พุ ท ประกอบด ว ย 2 โหนด
คือ การระบุเมล็ดขาวฮางงอกรูปรางปกติและผิดรูป ใน
การทดลองจะปรับจํานวนโหนดของชั้นซอนตัว จาก 1-
10 แลวเลือกจํ านวนโหนดที่ให คาเฉลี่ยความถูกตอ ง
สู งสุ ด ส ว นฟ ง ก ชั่ น ถ ายโอน (transfer function) ของ
ชั้นซ อนตั วจะใชแ บบซิกมอยด (sigmoid) และในสว น
ของชั้ น เอาท พุ ท จะเป น แบบเชิ ง เส น (linear) ส ว น
ฟงก ชั่น สําหรับการปรับปรุง คาน้ํ าหนัก (weight) และ
ค า ไบแอส (bias) จะใช ต าม วิ ธี scaled conjugate
gradient
(a) (b)
(c) (d)
(e) (f)
(g) (h)
Figure 7 Feature extraction: (a) and (b) two
halves of the grains along the horizontal
line, (c) and (d) two halves of the grains
along the vertical line, (e) and (f) the
original shape and its convex hull, (g)
and (f) the minimum-perimeter polygon
(mpp) of (e) and its convex hull
การทดสอบโครงขายประสาทเทียม ใชวิธีการ
ต ร ว จ ส อ บ แ บ บ ไ ข ว 10 ก ลุ ม (10-fold cross
validation) โดยแบงขอมูล ออกเปน 10 กลุมเทาๆ กั น
ดว ยวิธี การสุ ม และทํ าการคํานวณค าความผิดพลาด
10 รอบ โดยแตละรอบการคํานวณ ขอมูลกลุมหนึ่งจาก
ข อ มู ล 10 กลุ ม จะถู กเลื อ กออกมาเพื่ อ เป น ชุ ดข อ มู ล
ทดสอบ (test set) และข อมู ล อีก 9 กลุม จะถูกใช เป น
ขอ มู ล สํ าหรับการเรี ยนรู (training set) แล ว ทํ าซ้ํ าจน
ครบ 10 รอบ เพื่ อเปลี่ ยนชุดข อมูล ทดสอบใหครบทุ ก
กลุม และ นํ าผลลัพธ ที่ได มาหาค าความถูกต องเฉลี่ ย
(averaged accuracy)
 การประชุมวิชาการ “มหาวิทยาลัยมหาสารคามวิจัย ครั้งที่ 14”
50 ปี มหาวิทยาลัยมหาสารคาม ‘ผู้มีปัญญา พึงเป็นอยู่เพื่อมหาชน’ MRC#14 211

ความถู กต อ งในที่ นี้ คื อ ร อ ยละของจํ านวน ใกล เคี ยงกั น จึ งส งผลให โครงขายประสาทเที ย มระบุ
เมล็ดข าวที่ โครงข ายประสาทเที ยมสามารถระบุ ไดว า ผิดพลาดได
เมล็ดขาวมีรูปรางปกติหรือผิดรูปไดอยางถูกตองเทียบ
กับจํานวนเมล็ดขาวทั้งหมด Table 1 Averaged accuracy of determination of
deformed germinated Hang rice grains
ผลการทดลองและวิจารณผล when the number of hidden layer nodes
ในการทดลอง ตั ว อยางข าวฮางงอกจํ านวน was varied from 1 to 10
360 เมล็ ด แยกเป น เมล็ ด ข า วที่ มี รู ป ร า งปกติ 180 No. of hidden Averaged Accuracy (%)
เมล็ ด และ ผิ ด รู ป จํ า นวน 180 เมล็ ด จากโครงการ layer nodes Training set Test set
iTAP (โครงการสนั บสนุ น การพั ฒ นาเทคโนโลยี ข อง 1 94.29 93.33
อุตสาหกรรมไทย) เครือขายมหาวิทยาลัยมหาสารคาม 2 93.61 91.39
แลวนําเมล็ดขาวที่ไดผ านระบบการถายภาพดังแสดง 3 94.85 92.78
ใน Figure 8 และ Figure 9 สําหรับเมล็ดขาวที่มีรูปราง 4 95.06 93.61
ปกติ แ ละผิ ด รู ป ตามลํ า ดั บ เมื่ อ ดํ า เนิ น การต าม 5 95.96 92.78
กระบวนการขางตน คือ การปรับปรุงภาพและการแยก 6 94.78 91.11
ส วน ก ารดึ งคุ ณ ลั กษ ณ ะแ ล ะ การรู จํ า ใน ก าร 7 90.33 88.89
ประยุกตใชโครงขายประสาทเทียม เมล็ดขาวฮางงอก 8 95.37 91.94
จะถู กแบง เปน ชุดขอ มู ลสํ าหรับเรีย นรู และ ชุดขอ มู ล
9 95.93 91.94
สําหรับทดสอบ การเลือกชุดขอมูล ใชวิธีการตรวจสอบ
10 95.06 93.06
แบบไขว 10 กลุม ที่ เปน วิ ธีสุ ม เลื อ ก แลว นํ าค าความ
ถู กต อ งที่ ได ม าหาค าเฉลี่ ย นอกจากนี้ จํ านวนโหนด
ของชั้นซ อนตัวได มีการปรับคาตั้งแต 1-10 ซึ่งผลการ
ทดสอบพบวา โครงขายประสาทเที ยมที่ ได มีจํ านวน
โหนดของชั้ น ซ อ นตั ว ที่ เหมาะสม คื อ 5 ดั ง แสดงใน
ตารางที่ 1 คาความถูกต องเฉลี่ยของชุดขอมู ลสําหรับ
เรี ย นรู คื อ ร อ ยละ 95.96 ในขณะที่ คาความถู ก ต อ ง
เฉลี่ย ของชุ ดข อมู ลสํ าหรับทดสอบ คื อ รอยละ 92.78
รวมขอมูลทั้งสองชุด คาความถูกตองเฉลี่ย คือ รอยละ
95.64
จากผลการทดลองข า งต น พบว า มี ค วาม
ถูกตองสูงในการตรวจหาการผิดรูปของเมล็ดขาวฮาง
Figure 8 Samples of germinated “Hang” rice
งอก อยางไรก็ตาม ความผิดพลาดเกิดจากลักษณะการ
grains with normal shape
ผิดรูปที่ใกลเคียงกับรูปรางปกติ ดังแสดงใน Figure 10
ซึ่ ง ค า ที่ ได จ ากขั้ น ตอน การดึ ง คุ ณ ลั ก ษ ณ ะ มี ค า
 การประชุมวิชาการ “มหาวิทยาลัยมหาสารคามวิจัย ครั้งที่ 14”
212 MRC#14 50 ปี มหาวิทยาลัยมหาสารคาม ‘ผู้มีปัญญา พึงเป็นอยู่เพื่อมหาชน’
Figure 9 Samples of deformed germinated “Hang”
rice grains
Figure 10 Wrong determination of deformed
germinated “Hang” rice grains
สรุปผลการศึกษา
เนื่ อ งจากกระบวนการผลิต ข าวฮางงอก อาจจะทํ าให
เมล็ดขาวมีรูปรางที่ผิดรูปไป ซึ่งสงผลตอการตัดสินใจ
ในการซื้อของผูบริโภค ดังนั้น จุดมุงหมายของงานวิจัย
นี้ คือ การพัฒ นากรรมวิธีที่สามารถตรวจหาเมล็ดขาว
ฮางงอกผิดรูปได โดยใชการประมวลผลภาพดิจิทัลและ
โครงขายประสาทเทียม ลักษณะที่ใชสําหรับการเรียนรู
ของโครงขายประสาทเทียม คือ คาความสมมาตรทั้งใน
แกนแนวยาวและแนวกวาง และ คาอัตราสวนระหวาง
พื้นที่ของเมล็ดขาวและพื้นที่ของรูปปดนูนที่เล็กที่สุด ที่
ลอมรอบเมล็ดขาวนั้น ซึ่งก็คือ คา solidity การทดสอบ
ความสามารถการเรี ยนรูข องโครงข ายประสาทเที ย ม
ได ใชวิ ธี การตรวจสอบแบบไขว 10 กลุม จากผลการ
ทดลอง พบว า มี ค าความถู ก ต อ งเฉลี่ ย คื อ ร อ ยละ
95.64 ความผิดพลาดที่ เกิ ดขึ้ น มีส าเหตุ ม าจากเมล็ ด
ขาวบางเมล็ดมีลั กษณะการผิดรูปที่ใกลเคียงกับเมล็ ด
ขาวรูปรางปกติ จึ งทํ าให โครงข ายประสาทเที ยมระบุ
ผิ ด พลาด แนวทางในการแก ป ญ หา คื อ การค น หา
ลักษณะเฉพาะเพิ่มเติมที่สามารถแยกแยะเมล็ดขาวที่มี
รูปรางดังกลาวได
กรรมวิ ธี ที่ นํ าเสนอทั้ งหมดนี้ จะถู กนํ าไปใช
ร ว มกั บ เครื่ อ งคั ด แยกข าวฮางงอกอั ต โนมั ติ ที่ อ ยู ใ น
ระหวางการพัฒนา
กิตติกรรมประกาศ
ผูเขียนขอขอบคุณ ทุนสนับสนุนนักวิจัยใหม
วท. ประจําป 2557 จาก สํานักงานพัฒนาวิทยาศาสตร
และเทคโนโลยี แ ห ง ชาติ โครงการ iTAP (โครงการ
สนับสนุนการพัฒนาเทคโนโลยีของอุตสาหกรรมไทย)
เครือขายมหาวิทยาลัยมหาสารคามที่ใหการสนับสนุน
ขอมูลตางๆ ในการใชในการศึกษาครั้งนี้
เอกสารอางอิง
1. Phattayakorn K, Pajanyor P, Wongtecha S,
Prommakool A, Saveboworn W. Effect of
germination on total phenolic content and
antioxidant properties of ‘Hang’ rice.
International Food Research Journal 2016;
23(1): 406 - 9.
2. Moongngarm A, Saetung N. Comparison of
chemical compositions and bioactive
compounds of germination rough rice and
brown rice. Food Chemistry 2010; 122: 782-8.
 การประชุมวิชาการ “มหาวิทยาลัยมหาสารคามวิจัย ครั้งที่ 14”
50 ปี มหาวิทยาลัยมหาสารคาม ‘ผู้มีปัญญา พึงเป็นอยู่เพื่อมหาชน’ MRC#14 213

3. Kim H, Hwang I, Kim T, Woo K, Park D, Kim

J, Kim D, Lee J, Lee Y, Jeong H. Chemical
and functional components in different parts of
rough rice (Oryza sativa L.) before and after
germination. Food Chemistry 2012; 134(1):
288 - 93.
4. Dalen Van G, Witold P. Determination of the
size distribution and percentage of broken
kernels of rice using flatbed scanning and
image analysis. International Journal Food
Research International 2004; 37: 51–58.
5. Courtois F, Faessel M, Bonnazi C. Assessing
breakage and cracks of parboiled rice kernels
by image analysis technique. Food Control
2010; 21: 567 - 72.
6. Kambo R, Yerpude A. Classification of Basmati
rice grain variety using image processing and
principal component analysis. International
Journal of Computer Trends and Technology
2014; 11: 135 - 41.
7. Gonzalez R, Woods R. Digital image
processing. 3rd Ed. Pearson Education, 2014.
8. The MathWorks, Inc., regionprops, data source:
ttps://www.mathworks.com/help/images/ref/regi
onprops.html. 29 April 2018.