RIPENESS CLASSIFICATION OF FRESH OIL PALM USING DEEP LEARNING

Abstract

The challenge of accurately classifying the ripeness level from fresh oil palm fruit. This research investigated the problems with and methods used in ripeness level classification. The aim of this research is to propose a method for classifying the ripeness level of oil palm fruit from images using deep learning. This research applies a deep learning model for classifying the ripeness level of fresh oil palm fruit and aiming for real-time application. The proposed model, You Only Look Once version 8 nano (YOLOv8n), adapts principles from convolutional neural networks that were tuned to the learning parameters consisting of the Adam optimizer, a learning rate of 0.0001, and a batch size of 32, and result in the most accurate ripeness level classification model. The research demonstrates the YOLOv8n improved model with optimized parameters to achieve the highest accuracy. There were 11,900 images for training dataset 1,782 images for validation datasets and 795 images for testing dataset represent precision of 98.8%, recall of 99.7%, mean average precision of 50% (mAP50) of 99.5%, and mAP50-95 of 99.5%. These findings confirmed the effectiveness of the models in accurately classifying the ripeness level of oil palm fruit from the images.

จากปัญหาของการจำแนกระดับความสุกของผลปาล์มน้ำมันสด ทำให้ผู้วิจัยสนใจศึกษาปัญหาและวิธีการที่ใช้ในการจำแนกระดับความสุกของผลปาล์มน้ำมันสดจากงานวิจัยในอดีต เพื่อนำเสนอวิธีการจำแนกระดับความสุกของผลปาล์มน้ำมันสด จากภาพถ่ายผลปาล์มน้ำมันโดยใช้การเรียนรู้เชิงลึก โดยผู้วิจัยเลือกใช้แบบจำลองการเรียนรู้เชิงลึกสำหรับการจำแนกระดับความสุกของผลปาล์มน้ำมันสด ที่สามารถพัฒนาไปสู่การใช้งานแบบเรียลไทม์ เพื่อเป็นแนวทางในการประยุกต์วิธีการจำแนกระดับความสุกของผลปาล์มน้ำมันสด ให้สามารถใช้งานได้กับสถานการณ์จริงในอนาคต โดยเลือกแบบจำลองการเรียนรู้เชิงลึกที่นำหลักการของโครงข่ายประสาทเทียมแบบคอนโวลูชัน ได้แก่ แบบจำลอง You Only Look Once version 8 nano (YOLOv8n) และทำการปรับค่าพารามิเตอร์การเรียนรู้ต่าง ๆ เพื่อให้ได้แบบจำลองการจำแนกระดับความสุกของผลปาล์มน้ำมันสดที่สามารถจำแนกได้อย่างแม่นยำที่สุด จากผลการดำเนินงานวิจัยพบว่า การจำแนกระดับความสุกของผลปาล์มน้ำมันสด ด้วยแบบจำลองการเรียนรู้เชิงลึก ที่ชื่อว่า YOLOv8n ที่มีการปรับปรุงค่าพารามิเตอร์การเรียนรู้ ดังต่อไปนี้ Optimizer = Adam, Learning rate = 0.0001 และ Batch size = 32 แสดงค่าความแม่นยำสูงที่สุด จากการฝึกสอน (Training) และตรวจสอบ (Validate) ด้วยชุดข้อมูลของการฝึกสอนจำนวน 11,900 ภาพ และชุดข้อมูลประเมินผลจำนวน 1,782 ภาพ หลังจากนั้นทำการทดสอบแบบจำลองด้วยชุดข้อมูลทดสอบ (Testing dataset) จำนวน 795 ภาพ ที่แสดงค่าความถูกต้อง (Precision) 98.8%, ค่าของการทำนายถูกต้อง (Recall) 99.7%, ค่าความเที่ยงตรงเฉลี่ยที่ตรวจพบวัตถุจริงอย่างน้อย 50% (mAP50) 99.5% และ ค่าความเที่ยงตรงเฉลี่ยที่ตรวจพบวัตถุจริงในช่วง 50% ถึง 95% (mAP50-95) 99.5% จากผลลัพธ์ของการทดลอง แสดงให้เห็นว่าโมเดลการเรียนรู้เชิงลึกที่นำเสนอนี้ มีความถูกต้องมากพอที่จะนำไปใช้ในการจำแนกระดับความสุกของปาล์มน้ำมันสดได้