การพัฒนาระบบประมวลผลภาพ สำหรับการตรวจสอบข้อบกพร่องของมะม่วงน้ำดอกไม้สีทอง

มะม่วงน้ำดอกไม้สีทองเป็นพืชเศรษฐกิจสำคัญของประเทศไทย โดยในปี พ.ศ. 2566 มีมูลค่าการส่งออกมากกว่า 3,500 ล้านบาท การรักษาคุณภาพของผลผลิตให้สอดคล้องกับมาตรฐานส่งออกจึงมีความสำคัญอย่างยิ่ง อย่างไรก็ตาม การคัดแยกข้อบกพร่องด้วยมนุษย์ยังคงมีข้อจำกัดด้านความแม่นยำและความสม่ำเสมอ งานวิจัยนี้จึงมุ่งเน้นการพัฒนาเทคนิคการประมวลผลภาพร่วมกับการเรียนรู้เชิงลึก (Deep Learning) เพื่อจำแนกประเภทข้อบกพร่องของมะม่วงและวัดขนาดตำหนิบนผิวผลผลิตอย่างมีประสิทธิภาพ ในการจำแนกประเภทข้อบกพร่อง ได้เปรียบเทียบระหว่างสองโมเดล ได้แก่ Mask R-CNN ซึ่งเน้นความแม่นยำและการแยกขอบเขตตำหนิในระดับพิกเซล และ YOLOv8 ซึ่งเน้นความเร็วในการประมวลผล โดย YOLOv8 ใช้วิธี K-Fold Cross-Validation (5 Fold) และได้ค่าความแม่นยำโดยรวม (Confusion Matrix) เท่ากับ 98.283% ส่วน Mask R-CNN ใช้วิธี Hold-Out (80/20) แบ่งเป็น 2 ชุดย่อย โดยได้ค่าความแม่นยำเท่ากับ 98.71% และ 99.77% ตามลำดับ แสดง ถึงศักยภาพของทั้งสองโมเดลในการจำแนกข้อบกพร่องที่หลากหลายได้อย่างถูกต้อง สำหรับการวัดขนาดข้อบกพร่อง ได้เปรียบเทียบระหว่างการใช้ Raw Mask ที่ได้จากผลการจำแนกโดยตรง กับการใช้เทคนิค Morphological Operations – Dilation เพื่อขยายขอบเขตตำหนิ ผลการทดลองพบว่า Dilation แม้จะใช้เวลาในการประมวลผลเฉลี่ยสูงกว่าเล็กน้อย (0.0134 วินาที เทียบกับ 0.0123 วินาที) แต่สามารถตรวจจับข้อบกพร่องที่มีลักษณะบางหรือจางได้ชัดเจนยิ่งขึ้น และช่วยให้การวัดขนาดมีความแม่นยำใกล้เคียงกับความเป็นจริงมากขึ้น สรุปได้ว่า YOLOv8 เหมาะสำหรับการใช้งานในสายการผลิตที่ต้องการ ความเร็วและการตอบสนองแบบ Real-time ในขณะที่ Mask R-CNN เหมาะกับงานที่เน้น ความแม่นยำเชิงพื้นที่และสามารถนำผลลัพธ์ไปใช้ต่อในขั้นตอนการวัดขนาดข้อบกพร่องได้อย่างมีประสิทธิภาพ งานวิจัยนี้จึงมีศักยภาพในการประยุกต์ใช้ในระบบอัตโนมัติสำหรับตรวจสอบคุณภาพผลผลิตทางการเกษตรและสามารถต่อยอดไปสู่การคัดแยกผลไม้ชนิดอื่นในอุตสาหกรรมได้