หลักสูตร/ปี พ.ศ. วิทยาศาสตรมหาบัณฑิต สาขาวิชาเทคโนโลยีสารสนเทศ ปี พ.ศ. 2565
ภาคและปีการศึกษาที่สำเร็จการศึกษา ภาคปลาย ปีการศึกษา 2564
ประเภทโครงงาน
วิทยานิพนธ์
ชื่อโครงงานภาษาไทย
การจำแนกพันธุ์ยางพาราด้วยการประมวลผลรูปภาพ
ชื่อโครงงานภาษาอังกฤษ
็Hevea Classification using Image Processing
ผู้พัฒนา
6114552458 นางสาวปนัดฐา พงษ์สมทรง
อาจารย์ที่ปรึกษาหลัก
ภารุจ รัตนวรพันธุ์
อาจารย์ที่ปรึกษาร่วม
จเร เลิศสุดวิชัย
บทคัดย่อ
ในปัจจุบันประเทศไทยมีกระบวนการระบุสายพันธุ์ของต้นยางพาราที่ต้องจำแนกด้วยตัวบุคคลซึ่งต้องอาศัยประสบการณ์และความเชี่ยวชาญของผู้จำแนก การยางแห่งประเทศไทย (กยท.) จึงได้มีการเผยแพร่แนวทางในการจำแนกพันธุ์ยางให้แก่ประชาชน เพื่อให้ประชาชนสามารถศึกษาแนวทางดังกล่าวได้ซึ่งในงานวิจัยนี้ผู้วิจัยมุ่งมั่น ที่จะทำให้การระบุสายพันธุ์ยางนี้เป็นกระบวนการอัตโนมัติโดยใช้การประมวลผลภาพ (Image processing) และเทคโนโลยีการเรียนรู้ของเครื่อง (Machine learning) ผู้วิจัยคาดหวังว่า โมเดลจำแนกพันธุ์ยางนี้จะช่วยให้การสำรวจพันธุ์ยางพารา มีความรวดเร็วและสะดวกมากขึ้นโดยผู้ปฏิบัติไม่จำเป็นต้องเป็นผู้เชี่ยวชาญในการจำแนกพันธุ์ยาง และมีเป้าหมายในการสร้างโมเดลจำแนกพันธุ์ยางให้มีขนาดเล็กเพื่อให้ผู้ที่ไม่ใช่ผู้เชี่ยวชาญนำไปใช้งานในการระบุสายพันธุ์ยางพาราในพื้นที่ทำการเกษตรได้แบบเรียลไทม์โมเดลนี้จำลองมาจากโครงข่ายประสาทเทียม Artificial Neural Network (ANN) และมีชุดข้อมูลรูปภาพใบสำหรับฝึกฝนโมเดลโดยผู้วิจัยได้คัดเลือกลักษณะเด่นของต้นยางที่เหมาะมาใช้จำแนกพันธุ์คือ ลักษณะใบยางเนื่องจากมีความหลากหลายมากที่สุด ผู้วิจัยได้นำเทคนิคที่ได้ศึกษามาคัดเลือกปัจจัยที่สำคัญ และส่งผลต่อความแม่นยำของโมเดลจำแนกพันธุ์ยางและเปรียบเทียบประสิทธิภาพในการจำแนกข้อมูลด้วย KNN และ ANN ในขณะที่ยังคงรักษาพื้นที่หน่วยความจำให้มีขนาดไม่เกิน 100 Kbytes ผลที่ได้คือโมเดลจำแนกพันธุ์ยางนี้สามารถระบุพันธุ์ยางได้สองสายพันธุ์คือ RRIM600 และ RRIT251 โดยมีค่าความแม่นยำประมาณ 86.43% ใช้เวลาโดยเฉลี่ย 3.04 วินาทีในการจำแนกพันธุ์ยางหนึ่งครั้ง
Abstract
At present, the process of identifying the specie of a rubber tree is done manually and requires human experience and expertise. In Thailand, the Rubber Authority of Thailand (RAOT) has published a comprehensive guideline for this identification purpose so people can study from it. In this work, we aim to automate this identification task using image processing and machine learning technologies. The researchers hope that this rubber species classification model will help the survey of rubber species. It is faster and more convenient that the operator does not need to be an expert in tire classification. Our goal is to build a small footprint classifier so that non-experts can use to identify rubber tree species on the fields in real time. The classifier is modeled after an Artificial Neural Network (ANN) and we have built a dataset for rubber leaf images to train it. Leaves are chosen to be the tree’s representative part as they are the most distinctive. The researcher applied the techniques studied to select the factors that affect the accuracy of the rubber classification model and compare the classification efficiency with KNN and ANN. Our approach to rubber leaf classification employs a mixture of tried-and-true techniques to maximize the accuracy while keeping the memory footprint small. As a result, with a memory budget of less than 100 Kbytes, our classifier identifies two species of rubber trees, RRIM600 and RRIT251, with an accuracy of about 86.43%. On average, it takes 3.04 seconds to identify each sample leaf.
คำสำคัญ (Keywords)
Rubber tree classification, leaf feature extraction, machine learning , artificial neural network.
เว็บไซต์โครงงาน
-
วีดีโอคลิปของโครงงาน
-
ที่เก็บเวอร์ชันซอร์สโค้ด
-
ผู้นำเข้าข้อมูลครั้งแรก
นางสาวปนัดฐา
พงษ์สมทรง
(g6114552458)
แก้ไขครั้งสุดท้าย
เมื่อ Oct. 9, 2022, 11:39 a.m. โดย
นางสาวปนัดฐา
พงษ์สมทรง
(g6114552458)
สถานะการอนุมัติ
รออนุมัติ