Ai กับราชินีผลไม้ไทย•มังคุด•เพื่อเพิ่มคุณภาพชีวิตเกษตรกรไทยด้วยเทคโนโลยี ผลงานตีพิมพ์ Q1 Journal
อีกหนึ่งผลงานคุณภาพ อาจารย์และศิษย์เก่าICT มาติดตามผลการดำเนินงานร่วม มหิดล และ จุฬาลงกรณ์
โดย อาจารย์เอ Worapan MU,
พี่Nice Thanandon ICT12,
พี่หมี Kittinun ICT14,
พี่เต้ Kittikhun ICT01, และ
อาจารย์พิม Pimpinan CU
📚การคัดแยกเกรดมังคุดอัตโนมัติ และระยะความสุกของผลด้วยการประมวลผลภาพด้วยการเรียนรู้เชิงลึก
(Automatic classification of mangosteens and ripe status in images using deep learning based approaches)
หลังจากการเก็บผลมังคุด จะต้องทำการคัดแยกคุณภาพ ผลงานนี้ พัฒนาโซลูชั่นด้วยเทคโนโลยีAi จากความรู้ของผู้เชียวชาญ และปราชญ์ชาวบ้าน ให้Aiทำการคัดแยกได้อัตโนมัติ โดยใช้ภาพผลมังคุดผ่านกล้อง ผลการทำงาน Ai สามารถแยกระยะสุกได้100%และ 98%สำหรับแยกเกรดต่างๆของมังคุดเพื่อการส่งขาย
📑 อ่านบทความต้นฉบับได้ที่ https://doi.org/10.1007/s11042-023-17505-0
The After paper aims to develop an automatic solution to replace a manual process by human experts for classi- fying mangosteen and their ripe status in images. The classification solutions are developed based on deep learning techniques. These classification models are con- structed by attempting on four architectures (i.e. DenseNet, EfficientNet, ResNet, and VGG) of convolutional neural networks (CNN).
The models are trained using well-known and new prepared datasets. Two training strategies of multi-class and binary classifications are attempted in our experiments for distinguishing man- gosteen from other fruits. It is reported that the multi-class classification performs better than the binary classification, with the precision, recall, and f1-score of 100%.
In addition, a gradient-weighted class activation mapping (Grad-CAM) is used to demonstrate the reliability of the trained models. The proposed solution based on EfficientNetB0 performs the best for classification of mangosteens and their ripe statuses with the average accuracies of 100% and 98% respectively.
The multi-class CNN-based classification is developed for solving a real-world prob- lem of the ripe status classification. Alternative CNN architectures are attempted for finding the best-fit solution on a publicly available dataset and a self-collected dataset from a web scraping. The computed heatmaps show that it is not nec- essary to perform the mangosteen segmentation, the classification task could be performed directly where background and irrelevant parts of images are not/or less used.
เรื่องโดย กิตติคุณ ทองกัญชร
คณะICT มหาวิทยาลัยมหิดล
- 4
ดูเพิ่มเติมในซีรีส์
โฆษณา
- ดาวน์โหลดแอปพลิเคชัน
- © 2024 Blockdit
