Publication: การคัดแยกสายพันธุ์มะม่วงของไทยด้วยเทคนิคการเรียนรู้ของเครื่อง
2
0
Issued Date
2023-05-19
Resource Type
Language
tha
File Type
application/pdf
Access Rights
Open Access
Rights
ผลงานนี้เผยแพร่ภายใต้ สัญญาอนุญาตครีเอทีฟคอมมอนส์แบบ แสดงที่มา-ไม่ใช้เพื่อการค้า-ไม่ดัดแปลง 4.0 (CC BY-NC-ND 4.0)
Rights Holder(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ
Suggested Citation
Methakan Ngotrakun, เมธากาญจน์ ง้อตระกูล (2023). การคัดแยกสายพันธุ์มะม่วงของไทยด้วยเทคนิคการเรียนรู้ของเครื่อง. สืบค้นจาก: https://hdl.handle.net/20.500.14740/54167
Alternative Title(s)
Classification of thai mangoes using machine learning techniques
Author(s)
Advisor(s)
Organization
Abstract
The purpose of this research is to develop a model for classifying Thai mangoes using machine learning techniques, including Convolutional Neural Network (CNN) and Transfer Learning with Visual Geometry Group (VGG16), and algorithms such as Root Mean Square Propagation (RMSProp) and Adaptive Moment Estimation (Adam) to enhance the learning performance of the model. The dataset contained 492 Thai mango images representing four varieties: Keawkramin, Khiao Sa-woey, Nam Dok Mai, and Nam Dok Mai-Srithong. In addition, this study also included 123 foreign mango images in the experiment. Additionally, the researchers applied image enhancement techniques to create the model and compared the learning performance of both algorithms. The accuracy and precision of the model were evaluated using five methods: Accuracy, Precision, Recall, and F1-Score Macro Average, as well as the Receiver Operating Characteristic (ROC). The experimental results revealed a similar prediction performance between the models. The prediction model used the VGG transfer learning technique was pre-trained with the RMSProp algorithm performed better than the prediction model, which used the Adam algorithm and the CNN model, which also employed the Adam algorithm. The VGG transfers learning model achieved an accuracy over 96% in classifying each Thai mango.
งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองการคัดแยกสายพันธุ์มะม่วงของไทยโดยใช้เทคนิคการเรียนรู้ของเครื่อง โดยใช้แบบจำลองจำแนกข้อมูลด้วยโครงข่ายประสาทเทียมแบบสังวัฒนาการ (Convolutional Neural Network) และแบบจำลองที่ถูกฝึกฝนแล้ว (Transfer Learning) ด้วยการใช้กลุ่มภาพเรขาคณิต 16 (Visual Geometry Group :VGG16) เพื่อสร้างแบบจำลอง โดยมีการนำอัลกอริทึม Root Mean Square Propagation (RMSProp) และ Adaptive Moment Estimation (Adam) เข้ามาเพิ่มประสิทธิภาพในการเรียนรู้ของโมเดล ซึ่งชุดข้อมูลที่ใช้ประกอบด้วยภาพถ่ายมะม่วง 4 สายพันธุ์ ได้แก่ มะม่วงแก้วขมิ้น, มะม่วงเขียวเสวย, มะม่วงน้ำดอกไม้, และมะม่วงน้ำดอกไม้สีทอง รวมทั้งนำภาพมะม่วงจากต่างประเทศมาทำการทดลองในงานวิจัย ซึ่งประกอบไปด้วยจำนวนภาพมะม่วงของไทยทั้งหมด 492 ภาพ และมะม่วงสายพันธุ์ต่างประเทศจำนวน 123 ภาพ ผู้วิจัยได้เพิ่มการทดลองโมเดลด้วยการนำเทคนิคในการปรับเสริมของภาพมาใช้ร่วมกับการเรียนรู้ของโมเดล และได้เปรียบเทียบการเรียนรู้ของอัลกอริทึมของทั้งสองอัลกอริทึม ดังนั้นผู้วิจัยกำหนดให้มีการค่าความถูกต้องและความแม่นยำในการจำแนกข้อมูลจาก 5 วิธีประกอบด้วยค่าความถูกต้อง (Accuracy), ค่าความแม่นยำ (Precision), ค่าความถูกต้องของการทำนายว่าจะเป็นจริง (Recall) และค่าเฉลี่ยที่วัดความสามารถของแบบจำลอง (F1-Score Macro Average) และพื้นที่ใต้โค้ง (ROC) หลังจากทำการหาค่าพารามิเตอร์ที่ดีที่สุดแล้ว แม้ว่ามาจากผลการทดลองชี้ว่าประสิทธิภาพผลการทำนายมีความใกล้เคียงกัน แต่แบบจำลองที่ถูกฝึกฝนแล้ว (Transfer Learning) ด้วยการใช้กลุ่มภาพเรขาคณิต 16 (Visual Geometry Group :VGG16) จากการใช้อัลกอริทึม RMSProp ดีกว่าการใช้อัลกอริทึม Adam และดีกว่าการใช้แบบจำลองจำแนกข้อมูลด้วยโครงข่ายประสาทเทียมแบบสังวัฒนาการ (Convolutional Neural Network) ที่มีการใช้อัลกอริทึม Adam ซึ่งสามารถแสดงค่าความถูกต้องในการจำแนกสายพันธุ์มะม่วงมะม่วงของไทยได้ดีกว่าร้อยละ 96
งานวิจัยฉบับนี้มีวัตถุประสงค์เพื่อสร้างแบบจำลองการคัดแยกสายพันธุ์มะม่วงของไทยโดยใช้เทคนิคการเรียนรู้ของเครื่อง โดยใช้แบบจำลองจำแนกข้อมูลด้วยโครงข่ายประสาทเทียมแบบสังวัฒนาการ (Convolutional Neural Network) และแบบจำลองที่ถูกฝึกฝนแล้ว (Transfer Learning) ด้วยการใช้กลุ่มภาพเรขาคณิต 16 (Visual Geometry Group :VGG16) เพื่อสร้างแบบจำลอง โดยมีการนำอัลกอริทึม Root Mean Square Propagation (RMSProp) และ Adaptive Moment Estimation (Adam) เข้ามาเพิ่มประสิทธิภาพในการเรียนรู้ของโมเดล ซึ่งชุดข้อมูลที่ใช้ประกอบด้วยภาพถ่ายมะม่วง 4 สายพันธุ์ ได้แก่ มะม่วงแก้วขมิ้น, มะม่วงเขียวเสวย, มะม่วงน้ำดอกไม้, และมะม่วงน้ำดอกไม้สีทอง รวมทั้งนำภาพมะม่วงจากต่างประเทศมาทำการทดลองในงานวิจัย ซึ่งประกอบไปด้วยจำนวนภาพมะม่วงของไทยทั้งหมด 492 ภาพ และมะม่วงสายพันธุ์ต่างประเทศจำนวน 123 ภาพ ผู้วิจัยได้เพิ่มการทดลองโมเดลด้วยการนำเทคนิคในการปรับเสริมของภาพมาใช้ร่วมกับการเรียนรู้ของโมเดล และได้เปรียบเทียบการเรียนรู้ของอัลกอริทึมของทั้งสองอัลกอริทึม ดังนั้นผู้วิจัยกำหนดให้มีการค่าความถูกต้องและความแม่นยำในการจำแนกข้อมูลจาก 5 วิธีประกอบด้วยค่าความถูกต้อง (Accuracy), ค่าความแม่นยำ (Precision), ค่าความถูกต้องของการทำนายว่าจะเป็นจริง (Recall) และค่าเฉลี่ยที่วัดความสามารถของแบบจำลอง (F1-Score Macro Average) และพื้นที่ใต้โค้ง (ROC) หลังจากทำการหาค่าพารามิเตอร์ที่ดีที่สุดแล้ว แม้ว่ามาจากผลการทดลองชี้ว่าประสิทธิภาพผลการทำนายมีความใกล้เคียงกัน แต่แบบจำลองที่ถูกฝึกฝนแล้ว (Transfer Learning) ด้วยการใช้กลุ่มภาพเรขาคณิต 16 (Visual Geometry Group :VGG16) จากการใช้อัลกอริทึม RMSProp ดีกว่าการใช้อัลกอริทึม Adam และดีกว่าการใช้แบบจำลองจำแนกข้อมูลด้วยโครงข่ายประสาทเทียมแบบสังวัฒนาการ (Convolutional Neural Network) ที่มีการใช้อัลกอริทึม Adam ซึ่งสามารถแสดงค่าความถูกต้องในการจำแนกสายพันธุ์มะม่วงมะม่วงของไทยได้ดีกว่าร้อยละ 96
Degree Name
วิทยาศาสตรมหาบัณฑิต (วท.ม.)
Degree Level
-
-
-
Degree Discipline
ภาควิชาวิทยาการคอมพิวเตอร์
Degree Grantor(s)
มหาวิทยาลัยศรีนครินทรวิโรฒ