ต้นแบบการใช้ปัญญาประดิษฐ์คัดเกรดมะม่วงมหาชนกส่งออก โดยใช้เทคนิค การเรียนรู้เชิงลึก
DOI:
https://doi.org/10.57260/stc.2026.1260คำสำคัญ:
ปัญญาประดิษฐ์ , การคัดเกรดมะม่วงมหาชนก , เทคนิคการเรียนรู้เชิงลึก , โปรแกรม CiRA COREบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาต้นแบบการใช้ปัญญาประดิษฐ์ (AI) ในการคัดเกรดมะม่วงมหาชนกสำหรับส่งออก โดยประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึก (Deep learning) เพื่อเพิ่มประสิทธิภาพ และความแม่นยำ ในกระบวนการคัดเกรดมะม่วงมหาชนก การรวบรวมข้อมูลได้จากรูปถ่ายมะม่วงมหาชนกจำนวน 1,000 รูป ซึ่งถูกกำหนดเป็นเกรดภายใต้ใช้เงื่อนไข ได้แก่ รอยตำหนิของเปลือก (เป็นปัจจัยหลัก) ความแก่ (ร้อยละ85 – 90) รูปร่าง (ไม่บิดเบี้ยว) น้ำหนัก (ระหว่าง 300–500 กรัม) โดยกำหนดเป็นเกรด A, เกรด B, เกรด C, และเกรด D โดยใช้เครื่องมือปัญญาประดิษฐ์โปรแกรม CiRA CORE ในการตรวจจับและจำแนกมะม่วงมหาชนก ที่ผ่านฝึกฝนให้จดจำคุณลักษณะของแต่ละเกรดเพื่อเป็นต้นแบบเกรดส่งออก ผลการทดสอบแสดงให้เห็นว่าต้นแบบปัญญาประดิษฐ์มีประสิทธิภาพโดยรวมอยู่ในระดับสูง โดยมีค่า F1-Score เฉลี่ยรวมร้อยละ 91.90 และมีประสิทธิภาพที่โดดเด่นในการจำแนกมะม่วงมหาชนก โดยเกรด A มีค่า F1-Score สูงสุดที่ร้อยละ 96.20 (Precision 97.40%, Recall 95.00%) ตามมาด้วยเกรด B ที่ร้อยละ 95.20 (Precision 94.00%, Recall 96.50%) สำหรับเกรด C และ D มีค่า F1-Score ที่ร้อยละ 89.00 (Precision 90.00%, Recall 88.00%) และร้อยละ 87.20 (Precision 85.50%, Recall 89.00%) ตามลำดับ
Downloads
เอกสารอ้างอิง
กรมส่งเสริมการค้าระหว่างประเทศ. (2567). รายงานสถานการณ์สินค้าเกษตรและผลไม้ไทยในตลาดโลก. กระทรวงพาณิชย์.
Capizzi, G., Sciuto, G., Napoli, C., Tramontana, E., & Wozniak, M. (2016). A Novel Neural Networks-Based Texture Image Processing Algorithm for Orange Defects Classification. International Journal of Computer Science and Applications (IJCSA), 13( 2), 45-60. https://iris.uniroma1.it/handle/11573/1328557
CiRA CORE Team. (2023). CiRA CORE: The Industrial AI Platform for Everyone. https://www.ciracore.com
Dubey, S. R., & Jalal, A. S. (2016). Apple disease classification using color, texture and shape features from images. SIViP 10, 819–826. https://doi.org/10.1007/s11760-015-0821-1
Kaur, H., Sawhney, B. K., & Jawandha, S. K. (2018). Evaluation of plum fruit maturity by image processing techniques. J Food Sci Technol, 55, 3008–3015. https://doi.org/10.1007/s13197-018-3220-0
Mohammed A. H., & Thai, K. W. (2017). Automated fruit grading system. IEEE 3rd International Symposium in Robotics and Manufacturing Automation (ROMA), Kuala Lumpur, Malaysia, pp. 1-6. https://doi.org/10.1109/ROMA.2017.8231734
Mohammadi, V., Kheiralipour, K., & Ghasemi-Varnamkhasti, M. (2015). Detecting maturity of persimmon fruit based on image processing technique. Scientia Horticulturae. 184(5), 123-128. https://www.researchgate.net/publication/271645830
Nandi, C. S., Tudu, B., & Koley, C. (2014). Machine vision based automatic fruit grading system using fuzzy algorithm. Proceedings of The 2014 International Conference on Control, Instrumentation, Energy and Communication (CIEC), Calcutta, India, pp. 26-30. https://doi.org/10.1109/CIEC.2014.6959043.
Naik, S. (2019). Non-Destructive Mango (Mangifera Indica L., CV. Kesar) Grading Using Convolutional Neural Network and Support Vector Machine. Proceedings of International Conference on Sustainable Computing in Science, Technology and Management (SUSCOM), Amity University Rajasthan, Jaipur - India, pp. 26-28, http://dx.doi.org/10.2139/ssrn.3354473
Olaniyi, E. O., Oyedotun, O. K., & Adnan, K. (2017), Intelligent Grading System for Banana Fruit Using Neural Network Arbitration. Journal of Food Process Engineering, 40(1), e12335. https://doi.org/10.1111/jfpe.12335
Raut, K., & Bora, V. (2016). Assessment of Fruit Maturity using Digital Image Processing. International Journal of Science Technology and Engineering, 3(1), 273-279. http://www.ijste.org/Article.php?manuscript=IJSTEV3I1122
Sa, I., Ge, Z., Dayoub, F., Upcroft, B., Perez, T., & McCool, C. (2016). Deep-fruits: a fruit detection system using deep neural networks. Sensors, 16(8), 1222. https://doi.org/10.3390/s16081222
Sahu, D., & Potdar, R.M. (2017) Defect Identification and Maturity Detection of Mango Fruits Using Image Analysis. American Journal of Artificial Intelligence, 1(1), 5-14. https://www.sciencepublishinggroup.com/article/10.11648/j.ajai.20170101.12
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
1. บทความ ข้อมูล เนื้อหา รูปภาพฯลฯ ที่ได้รับการตีพิมพ์ใน “วารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน” ถือเป็นลิขสิทธิ์ของวารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน มหาวิทยาลัยราชภัฏเชียงใหม่ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือกระทำการใดๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจาก วารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน มหาวิทยาลัยราชภัฏเชียงใหม่
2. เนื้อหาบทความที่ปรากฏในวารสารเป็นความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วยหรือร่วมรับผิดชอบใดๆ
