การศึกษาการตรวจจับสิ่งเจือปนในผักโขมแช่แข็งด้วยการเรียนรู้เชิงลึกโมเดล YOLOv4
DOI:
https://doi.org/10.14456/tisr.2023.12คำสำคัญ:
การเรียนรู้เชิงลึก, การตรวจจับ, การจำแนก, ผักโขมแช่แข็ง, สิ่งเจือปนบทคัดย่อ
ปัจจุบันมีการพัฒนาระบบในการตรวจจับสิ่งเจือปนในผลิตภัณฑ์อาหารแช่แข็ง ซึ่งช่วยในการตรวจสอบคุณภาพและความปลอดภัยในอาหาร การนำระบบการเรียนรู้เชิงลึกที่ใช้แบบจำลอง YOLO มาพัฒนาระบบการตรวจจับสิ่งเจือปนในอาหารแช่แข็งแบบเรียลไทม์ร่วมกับกล้องถ่ายภาพความละเอียดสูง สามารถตรวจจับและระบุตำแหน่งของวัตถุขนาดเล็กได้ ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อเพิ่มความแม่นยำในการตรวจจับสิ่งเจือปนในอาหาร โดยมีขั้นตอนการวิจัย คือ การเตรียมชุดข้อมูลภาพผักโขม ไม้ แก้ว เชือก พลาสติก และหิน ฝึกสอนแบบจำลอง YOLOv4 ด้วยชุดข้อมูลรูปภาพ และทดสอบและประเมินประสิทธิภาพแบบจำลองด้วย Multiclass confusion matrix ผลการศึกษาพบว่า แบบจำลองนี้มีความแม่นยำโดยรวม (mAP) 76% และมีค่าสูญเสียเฉลี่ย 5.55 กรณีการทดสอบการตรวจจับและจำแนกสิ่งเจือปนบนภาพถ่ายผักโขมรวมกับสิ่งเจือปนเพียง 1 ชนิด พบว่า แบบจำลองมีประสิทธิภาพในการตรวจจับพลาสติกสูงที่สุด รองลงมาคือ เชือก แก้ว หิน และไม้ ตามลำดับ โดยแบบจำลองมีประสิทธิภาพในการตรวจจับพลาสติก มีค่าความถูกต้อง, ค่าความแม่นยำ, ค่ารีคอล และค่าเอฟ-1สกอร์ คือ 52.22%, 52.94%, 55.38% และ 54.14% ตามลำดับ
References
เตชินท์ วรสิทธิ์, ธีระ ภัทราพรนันท์, ธีรยุทธ ตู้จินดา, วสิน สินธุภิญโญ, กรรณทิพย์ กิรติรัตนพฤกษ์, พิชญกาญจน์ เต็มนิรันรัตน์, อภิชน กิจวิมลรัตน์, จินตนา อันอาตม์งาม และ สุจินต์ ภัทรภูวดล. (2565). การประยุกต์ใช้เทคนิคการเรียนรู้เชิงลึกสำหรับการรู้จำโรคขอบใบแห้งและโรคไหม้ของข้าว. วารสารแก่นเกษตร, 50(1), 216-228.
พุฒิพงศ์ จันทร์แจ่ม. (2563). การปรับปรุงประสิทธิภาพของกระบวนการบริการลูกค้าโดยใช้การวิเคราะห์จากกล้องวงจรปิด. การค้นคว้าอิสระ วิทยาศาสตรมหาบัณฑิต, สถาบันบัณฑิตพัฒนบริหารศาสตร์.
Bochkovskiy, A., Wang, C., & Liao, H. (2020). Yolov4: Optimal Speed and Accuracy of Object Detection. Retrieved from https://arxiv.org/pdf/2004.10934.pdf?fbclid=IwAR0TyLXaKDLIrotdQX5Pd_nRJPGESQNOzj--RG1ob5aS8GdLRWCFm37ylo4.
Dermesonluoglu, E., Katsaros, G., Tsevdou, M., Giannakourou, M., & Taoukis, P. (2015). Kinetic Study of Quality Indices and Shelf Life Modelling of Frozen Spinach Under Dynamic Conditions of the Cold Chain. Journal of Food Engineering, 148, 13-23.
Luque, A., Carrasco, A., Martín, A., & Heras, A. (2019). The Impact of Class Imbalance in Classification Performance Metrics Based on the Binary Confusion Matrix. Pattern Recognition, 91, 216-231.
Rong, D., Xie, L., & Ying, Y. (2019). Computer Vision Detection of Foreign Objects in Walnuts Using Deep Learning. Computers and Electronics in Agriculture, 162, 1001-1010.
Solawetz, J. (2020). What are Anchor Boxes in Object Detection?. Retrieved from https://blog.roboflow.com/what-is-an-anchor-box/.
Swiezewski, J. (2020). YOLO Algorithm and YOLO Object Detection. Retrieved from https://appsilon.com/object-detection-yolo-algorithm/.
The Observatory of Economic Complexity. (2021). Spinach, Frozen, Uncook Steamed or Boiled. Retrieved from https://oec.world/en/visualize/tree_map/hs92/export/show/all/2071030/2021/.
Wu, D., Lv, S., Jiang, M., & Song, H. (2020). Using Channel Pruning-Based YOLOv4 Deep Learning Algorithm for the Real-Time and Accurate Detection of Apple Flowers in Natural Environments. Computers and Electronics in Agriculture, 178, 105742.
Zhu, L., & Spachos, P. (2020). Food Grading System using Support Vector Machine and YOLOv3 Methods. A paper presented at the 2020 IEEE Symposium on Computers and Communications, Rennes, France.
Zhu, L., Spachos, P., Pensini, E., & Plataniotis, K. (2021). Deep Learning and Machine Vision for Food Processing: A Survey. Current Research in Food Science, 4, 233-249.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2023 Authors
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
.png)
