การจำแนกความสุกของทะลายปาล์มสดด้วยการเรียนรู้เชิงลึก

ปัญจวรรษ แซ่เฉิน; ฐิติรัตน์ ศิริบวรรัตนกุล

ผู้แต่ง

ปัญจวรรษ แซ่เฉิน คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์ กรุงเทพฯ ประเทศไทย
ฐิติรัตน์ ศิริบวรรัตนกุล คณะสถิติประยุกต์ สถาบันบัณฑิตพัฒนบริหารศาสตร์ กรุงเทพฯ ประเทศไทย

คำสำคัญ:

ปัญญาประดิษฐ์, คอมพิวเตอร์วิทัศน์, การเรียนรู้เชิงลึก, การจำแนกรูปภาพ, Grad-CAM

บทคัดย่อ

ปัจจุบัน โรงสกัดน้ำมันปาล์มในประเทศไทยว่าจ้างพนักงานให้เป็นผู้ประเมินระดับความสุกของทะลายปาล์มสดด้วยสายตา ณ จุดรับซื้อ ซึ่งมักประสบปัญหากรณีพนักงานประเมินความสุกของทะลายปาล์มสดผิดพลาด ส่งผลให้โรงสกัดน้ำมันปาล์มมีต้นทุนการรับซื้อทะลายปาล์มสูงกว่าปกติ งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อสร้างตัวแบบประเภทการเรียนรู้เชิงลึกในการวิเคราะห์ภาพถ่ายทะลายปาล์มสดเพื่อจำแนกประเภทความสุกของทะลายปาล์มสดได้อย่างถูกต้อง จากผลการทดลอง พบว่า ตัวแบบ ResNet50(C) เป็นตัวแบบซึ่งให้ Adjusted Accuracy ดีที่สุดที่ 90% โดย F1 score ของแต่ละประเภทความสุกสูงกว่า 80% แต่เป็นตัวแบบซึ่งมีขนาดใหญ่และใช้เวลาเฉลี่ยในการทดสอบนาน (405 MB, 2.48 วินาที (GPU), 3.27 วินาที (CPU)) หากให้ความสำคัญกับขนาดของตัวแบบที่เล็กลงและใช้เวลาเฉลี่ยในการทดสอบที่เร็วขึ้น สามารถพิจารณาเลือกใช้ตัวแบบ DenseNet121 (Train from Scratch) ซึ่งให้ Adjusted Accuracy 86% ซึ่งต่ำกว่าตัวแบบ ResNet50(C) เล็กน้อย แต่ยังคงมี F1 score ของแต่ละ Class สูงกว่า 80% ในขณะที่ตัวแบบมีขนาดเล็กลงและใช้เวลาเฉลี่ยในการทดสอบเร็วขึ้น (100 MB, 1.76 วินาที (GPU), 2.56 วินาที (CPU)) รวมถึงมีความทนทานต่อการเปลี่ยนแปลงค่าความสว่างของภาพถ่ายได้ดี (ช่วง -70 ถึง +70 จากความสว่างของแสงแดดปกติ)

References

U.S. Department of Agriculture, 2020, World Production of Palm Oil 2020 [Online], Available: https://ipad.fas.usda.gov/cropexplorer/cropview/commodityView.aspx?cropid=4243000&sel_year=2020&startrow=1. [29 July 2021]

Krungsri Research, 2020, Industry Outlook 2020-2022: Palm Oil Industry [Online], Available: https://www.krungsri.com/en/research/industry/industry-outlook/agriculture/sugar-(1)/IO/io-oil-palm-20-th.

The Department of Internal Trade, 2020, Public Information: Palm oil [Online], Available: https://agri.dit.go.th/index.php/department_sub/3/ปาล์มน้ำมัน/28. [29 July 2021]

The Department of Internal Trade, 2018, Announcement of the Office of the Central Committee on Prices of Goods and Services No. 13 (2018) Regarding the Purchase Price of Crude Palm Oil (2nd time) [Online], Available: https://www.dit.go.th/Content.aspx?m=12&c=14486. [29 July 2021]

National Bureau of Agricultural Commodity and Food Standards, 2019, Thai Agriculture Standard: Oil Palm Bunch [Online], Available: https://www.opsmoac.go.th/krabi-dwl-files-421591791812. [29 July 2021]

Malaysian Palm Oil Board (MPOB), 2003, MPOB Grading Manual [Online], Available: https://dokumen.tips/download/link/mpob -grading-manualnew2.html#google_vignette. [29 July 2021]

Alfatni, M.S.M., Shariff, A.R.M., Shafri, H.Z.M., Saaed, O.M.B. and Eshanta, O.M., 2008, “Oil Palm Fruit Bunch Grading System using Red, Green and Blue Digital Number,” Journal of Applied Sciences, 8 (8), pp. 1444-1452.

Jamil, N., Mohamed, A. and Abdullah, S., 2009, “Automated Grading of Palm Oil Fresh Fruit Bunches (FFB) using Neuro-fuzzy Technique,” 2009 International Conference of Soft Computing and Pattern Recognition, pp. 245-249.

Fadilah, N., Mohamad-Saleh, J., Halim, Z.A., Ibrahim, H. and Ali, S.S.S., 2012, “Intelligent Color Vision System for Ripeness Classification of Oil Palm Fresh Fruit Bunch,” Sensors (Basel, Switzerland), 12 (10), pp. 14179–14195.

Fadilah, N. and Mohamad-Saleh, J., 2014, “Color Feature Extraction of Oil Palm Fresh Fruit Bunch Image for Ripeness Classification,” International Conference on Applied Computer and Applied Computational Science (ACACOS), 23-25 April 2014, Kuala Lumpur, Malaysia, pp. 51-55.

Bensaeed, O.M., Shariff, A.M., Mahmud, A.B., Shafri, H. and Alfatni, M., 2014, “Oil Palm Fruit Grading using a Hyperspectral Device and Machine Learning Algorithm,” IOP Conference Series: Earth and Environmental Science, 7th IGRSM International Remote Sensing & GIS Conference and Exhibition, 22-23 April 2014, Kuala Lumpur, Malaysia.

Ibrahim, Z., Sabri, N. and Isa, D., 2018, “Palm Oil Fresh Fruit Bunch Ripeness Grading Recognition using Convolutional Neural Network,” Journal of Telecommunication, Electronic and Computer Engineering (JTEC), 10 (3-2), pp. 109–113.

Saleh, A. and Liansitim, E., 2020, “Palm Oil Classification using Deep Learning,” Science in Information Technology Letters, 1 (1), pp. 1-8.

Herman, H., Susanto, A., Cenggoro, T.W., Suharjito, S. and Pardamean, B., 2020, “Oil Palm Fruit Image Ripeness Classification with Computer Vision using Deep Learning and Visual Attention,” Journal of Telecommunication, Electronic and Computer Engineering (JTEC), 12 (2), pp. 21–27.

Herman, H., Cenggoro, T.W., Susanto, A. and Pardamean, B., 2021, “Deep Learning for Oil Palm Fruit Ripeness Classification with DenseNet,” IEEE International Conference on Information Management and Technology (ICIMTech), 19-20 August 2021, Jakarta, Indonesia.

Simonyan, K. and Zisserman, A., 2015, “Very Deep Convolutional Networks for Large-Scale Image Recognition,” International Conference on Learning Representations (ICLR), 7-9 May 2015, San Diego, CA, USA, pp. 1-14.

He, K., Zhang, X., Ren, S. and Sun, J., 2016, “Deep Residual Learning for Image Recognition,” IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 27-30 June 2016, Las Vegas, NV, USA.

Tan, M. and Le, Q.V., 2019, “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” International Conference on Machine Learning (ICML), 9-15 June 2019, Long Beach, CA, USA, pp. 6105-6114.

Huang, G., Liu, Z., Maaten, L. and Weinberger, K.Q., 2017, “Densely Connected Convolutional Networks,” IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 21-26 July 2017, Honolulu, HI, USA.

Szegedy, C., Vanhoucke, V., Ioffe, S., Shlens, J. and Wojna, Z., 2016, “Rethinking the Inception Architecture for Computer Vision,” IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 27-30 June 2016, Las Vegas, NV, USA.

Chollet, F., 2017, “Xception: Deep Learning with Depthwise Separable Convolutions,” IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 21-26 July 2017, Honolulu, HI, USA.

Howard, A., Sandler, M., Chen, B., Wang, W., Chen, L., Tan, M., Chu, G., Vasudevan, V., Zhu, Y., Pang, R., Adam, H. and Le, Q., 2019, “Searching for MobileNetV3,” IEEE/CVF International Conference on Computer Vision (ICCV), 27 October-2 November 2019, Seoul, South Korea.

Lin, T., Goyal, P., Girshick, R., He, K. and Dollár, P., 2017, “Focal Loss for Dense Object Detection,” IEEE International Conference on Computer Vision (ICCV), 22-29 October 2017, Venice, Italy.

Selvaraju, R.R., Cogswell, M., Das, A., Vedantam, R., Parikh, D. and Batra, D., 2017, “Grad-CAM: Visual Explanations from Deep Networks via Gradient-Based Localization,” IEEE International Conference on Computer Vision (ICCV), 22-29 October 2017, Venice, Italy.