TH2401006178A - ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ ของเครื่องและวิธีการดังกล่าว - Google Patents
ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ ของเครื่องและวิธีการดังกล่าวInfo
- Publication number
- TH2401006178A TH2401006178A TH2401006178A TH2401006178A TH2401006178A TH 2401006178 A TH2401006178 A TH 2401006178A TH 2401006178 A TH2401006178 A TH 2401006178A TH 2401006178 A TH2401006178 A TH 2401006178A TH 2401006178 A TH2401006178 A TH 2401006178A
- Authority
- TH
- Thailand
- Prior art keywords
- durian
- ripeness
- value
- wavelength
- ratio
- Prior art date
Links
Abstract
OCR 10KL (02/02/2569) การประดิษฐ์นี้เกี่ยวข้องกับระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปี ร่วมกับการเรียนรู้ของเครื่องตามการประดิษฐ์นี้ ที่ประกอบรวมด้วย กล่องทึบแสง, ฐานรองรับผลทุเรียน, วัตถุสะท้อนแสงอ้างอิง, แหล่งกำเนิดแสง, กล้องรับภาพหลายความยาวคลื่น, ส่วนควบคุมและประมวลผล และส่วนแสดงผล ที่ซึ่งส่วนควบคุมและประมวลผลดังกล่าว มีวิธีการประเมินความอ่อนแก่ของทุเรียนด้วย วิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ที่ประกอบรวมด้วย ขั้นตอนการรับภาพ/ถ่ายภาพ, ขั้นตอนการแยกภาพหลายความยาวคลื่น, ขั้นตอนการหาค่าเฉลี่ยของความยาวคลื่น, ขั้นตอนการสร้าง ความสัมพันธ์ของตัวแปร, ขั้นตอนการวิเคราะห์ข้อมูลด้วยการเรียนรู้ของเครื่อง และขั้นตอนการจัดระดับ ความอ่อนแก่ของทุเรียน ที่ซึ่งลักษณะการประดิษฐ์นี้เป็นการนำเสนอระบบและวิธีการทางสเปกโทรสโกปีร่วมกับการ เรียนรู้ของเครื่อง (Machine Leaming) ในการทำนายร้อยละน้ำหนักเนื้อแห้ง (%DM) ของทุเรียนเพื่อ เชื่อมโยงสำหรับการระบุความอ่อนแก่ของผลทุเรียน โดยการใช้ภาพถ่ายหลายความยาวคลื่นของผลพร้อม ก้านทุเรียนตั้งแต่ช่วงแสงขาวจนถึงย่านอินฟราเรดไกลสำหรับเป็นข้อมูลขาเข้าในการเรียนรู้ด้วยการเรียนรู้ ของเครื่องทำให้ผลผลิตไม่ได้รับการเสียหายหรือถูกทำลายหลังจากที่ได้ตรวจสอบแล้ว วิธีการและระบบที่ ได้นำเสนอตามการประดิษฐ์นี้ช่วยให้สามารถระบุระดับความอ่อนแก่ของทุเรียนได้อย่างถูกต้อง แม่นยำ และรวดเร็ว รวมถึงสามารถนำไปต่อยอดเพื่อตรวจระดับความสุกของทุเรียนในลำดับถัดไปได้
Claims (19)
1. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ที่ ประกอบรวมด้วย กล่องทึบแสง (1) สำหรับใส่ผลทุเรียนที่ต้องการตรวจสอบ (3) และป้องกันแสงรบกวนจาก ภายนอกมารบกวนขณะทำการตรวจวัด ฐานรองรับผลทุเรียน (2) แบบหมุนได้ สำหรับรองรับผลทุเรียนที่ต้องการตรวจสอบ (3) และ ป้องกันการเคลื่อนที่ของผลทุเรียนที่ต้องการตรวจสอบ (3) โดยที่ฐานรองรับผลทุเรียน (2) ดังกล่าว ติดตั้งอยู่ภายในกล่องทึบแสง (1) วัตถุสะท้อนแสงอ้างอิง (4) เพื่อควบคุมความแปรปรวนของระบบขณะทำการตรวจสอบ โดยที่ วัตถุสะท้อนแสงอ้างอิง (4) ดังกล่าว ติดตั้งอยู่ภายในกล่องทึบแสง (1) แหล่งกำเนิดแสง (5a, 5b) ในช่วงแสงขาวจนถึงย่านอินฟราเรดไกลจำนวนหนึ่ง สำหรับกำเนิด แสงให้แสงออกมาเป็นมุมกว้างและเป็นแสงที่มีความยาวคลื่นอยู่ในช่วง 400-14,000 นาโนเมตร โดยที่ แหล่งกำเนิดแสง (5a, 5b) ดังกล่าว ติดตั้งอยู่ภายในกล่องทึบแสง (1) ในฝั่งตรงกันข้ามกับวัตถุสะท้อน แสงอ้างอิง (4) กล้องรับภาพหลายความยาวคลื่น (6) เพื่อรับภาพที่เกิดจากการที่แสงจากแหล่งกำเนิดแสง (5a, 5b) ตกกระทบลงบนพื้นผิวของผลทุเรียนที่ต้องการตรวจสอบ (3) โดยที่กล้องรับภาพหลายความยาว คลื่น (6) ดังกล่าว มีส่วนเชื่อมต่ออยู่กับกล่องทึบแสง (1) ในฝั่งเดียวกันกับแหล่งกำเนิดแสง (5a, 5b) และกล้องรับภาพหลายความยาวคลื่น (6) ยังเชื่อมต่อกับหน่วยควบคุมและประมวลผล (8) เพื่อส่ง ข้อมูลภาพหลายความยาวคลื่น (7) ไปยังหน่วยควบคุมและประมวลผล (8) ส่วนควบคุมและประมวลผล (8) ทำหน้าที่ควบคุมการทำงานของแหล่งกำเนิดแสง (5a, 5b) ดังกล่าว และยังควบคุมการถ่ายและบันทึกภาพจากกล้องรับภาพหลายความยาวคลื่น (6) และทำหน้าที่ ประมวลผลข้อมูลที่ได้จากกล้องรับภาพหลายความยาวคลื่น (6) ดังกล่าว ส่วนแสดงผล (9) เชื่อมต่ออยู่กับส่วนควบคุมและประมวลผล (8) เพื่อทำการแสดงผลข้อมูล จากส่วนควบคุมและประมวลผล ที่มีลักษณะเฉพาะคือ ส่วนควบคุมและประมวลผล (8) ดังกล่าว มีวิธีการประเมินความอ่อนแก่ ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ที่ประกอบรวมด้วย ขั้นตอนการรับภาพ/ถ่ายภาพ (13) ทำการถ่ายภาพ/รับภาพหลายความยาวคลื่นภายใต้ แหล่งกำเนิดแสงขาวที่ให้แสงเคลื่อนที่ตกกระทบกับพื้นผิวของผลพร้อมก้านทุเรียนที่ต้องการ ตรวจสอบ ขั้นตอนการแยกภาพหลายความยาวคลื่น (310) ทำการแยกภาพความยาวคลื่นของผลพร้อม ก้านของทุเรียนออกมาจำนวนหนึ่ง ขั้นตอนการหาค่าเฉลี่ยของความยาวคลื่น (320) ทำการหาค่าเฉลี่ยของภาพหลายความยาวคลื่น จำนวนหนึ่งในบริเวณพื้นที่บนภาพที่สนใจตำแหน่งที่หนึ่ง (10), ตำแหน่งที่สอง (11), และตำแหน่งที่ สาม (12) ขั้นตอนการสร้างความสัมพันธ์ของตัวแปร (26) ด้วยวิถีทางสำหรับระบุความอ่อนแก่ของ ทุเรียนโดยใช้การคำนวณจากความสัมพันธ์ของตัวแปร ขั้นตอนการวิเคราะห์ข้อมูลด้วยการเรียนรู้ของเครื่อง (27) ด้วยวิถีทางสำหรับตรวจประเมิน ระดับความอ่อนแก่ของทุเรียนด้วยการเรียนรู้ของเครื่อง หรือแมชชีนเลินนิ่ง (Machine Learning) ขั้นตอนการจัดระดับความอ่อนแก่ของทุเรียน (28) ด้วยวิถีทางสำหรับตรวจประเมินระดับ ความอ่อนแก่ของทุเรียนด้วยโครงข่ายประสาทเทียมเพื่อระบุร้อยละของน้ำหนักเนื้อแห้งของทุเรียน หรือ % Dry Matter (%DM) หรือ วิถีทางสำหรับตรวจประเมินระดับความอ่อนแก่ของทุเรียนด้วย โครงข่ายประสาทเทียมเพื่อจัดกลุ่มระดับความอ่อนแก่ของทุเรียนตามระดับร้อยละของน้ำหนักเนื้อ แห้งของทุเรียน ดังนี้ {ระดับ 1, % DM < 20 {ระดับ 2, 20 น้อยกว่าหรือเท่ากับ %DM < 30 ความอ่อนแก่ = {ระดับ 3, น้อยกว่าหรือเท่ากับ %DM < 34 {ระดับ 4, 34 น้อยกว่าหรือเท่ากับ %DM < 38 {ระดับ 5, % DM มากกว่าหรือเท่ากับ 38 หรือ ความอ่อนแก่= {อ่อน, DM < 32 {แก่, DM มากกว่าหรือเท่ากับ 32
2. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตาม ข้อถือสิทธิ 1 ที่ซึ่งขั้นตอนการแยกภาพหลายความยาวคลื่น (310) ดังกล่าว เลือกใช้ภาพความยาวคลื่น คือ ความยาวคลื่น 7a (14) ในย่านสีน้ำเงิน ความยาวคลื่น 76 (15) ในย่านสีเขียว ความยาวคลื่น 7c (16) ในย่านสีแดง ความยาวคลื่น 7d (17) ในย่านอินฟราเรดใกล้ที่ไม่ได้ถูกกรองย่านแสงขาวออก ความยาว คลื่น 7e (18) ในย่านอินฟราเรดใกล้ที่ถูกกรองย่านแสงขาวออก ความยาวคลื่น 7f (19) ในย่าน อินฟราเรดไกล
3. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตาม ข้อถือสิทธิ 1 หรือ 2 ที่ซึ่งขั้นตอนการแยกภาพหลายความยาวคลื่น (310) ดังกล่าว มีการเลือกใช้ความ ยาวคลื่นจนถึงความยาวคลื่นที่ 7n (31)
4. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตาม ข้อถือสิทธิ 1 ถึง 3 ข้อใดข้อหนึ่ง ที่ซึ่งขั้นตอนการสร้างความสัมพันธ์ของตัวแปร (26) ดังกล่าว มีวิถีทาง สำหรับระบุความอ่อนแก่ของทุเรียนโดยใช้การคำนวณสมการ A, B, C, D, E, F, G, H, I, J, K, L, M, N, O, P จนถึง n หากมีการเลือกใช้ความยาวคลื่นจนถึงความยาวคลื่นที่ 7n (31)
5. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตาม ข้อถือสิทธิ 1 ถึง 4 ข้อใดข้อหนึ่ง ที่ซึ่งขั้นตอนการสร้างความสัมพันธ์ของตัวแปร (26) ดังกล่าว มี A คือ อัตราส่วนระหว่างค่าสีแดงบริเวณก้านต่อค่าสีแดงของวัตถุอ้างอิง B คือ อัตราส่วนระหว่างค่าสีเขียวบริเวณก้านต่อค่าสีเขียวของวัตถุอ้างอิง C คือ อัตราส่วนระหว่างค่าสีน้ำเงินบริเวณก้านต่อค่าสีน้ำเงินของวัตถุอ้างอิง D คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณก้านแบบมีตัวกรองแสงต่อค่าอินฟราเรด ใกล้ของวัตถุอ้างอิงแบบมีตัวกรองแสง E คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณก้านต่อค่าอินฟราเรดใกล้ของวัตถุอ้างอิง F คือ อัตราส่วนระหว่างค่าสีแดงบริเวณพูหลักต่อค่าสีแดงของวัตถุอ้างอิง G คือ อัตราส่วนระหว่างค่าสีเขียวบริเวณพูหลักต่อค่าสีเขียวของวัตถุอ้างอิง H คือ อัตราส่วนระหว่างค่าสีน้ำเงินบริเวณพูหลักต่อค่าสีน้ำเงินของวัตถุอ้างอิง 1 คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณพูหลักแบบมีตัวกรองแสงต่อค่า อินฟราเรด ใกล้ของวัตถุอ้างอิงแบบมีตัวกรองแสง J คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณพูหลักต่อค่าอินฟราเรดใกล้ของวัตถุ อ้างอิง K คือ อัตราส่วนระหว่างค่าอินฟราเรดไกลบริเวณพูหลักต่อค่าอินฟราเรดไกลบริเวณก้าน L คือ อัตราส่วนระหว่างค่าสีแดงบริเวณพูหลักต่อค่าสีแดงบริเวณก้าน M คือ อัตราส่วนระหว่างค่าสีเขียวบริเวณพูหลักต่อค่าสีเขียวบริเวณก้าน N คือ อัตราส่วนระหว่างค่าสีน้ำเงินบริเวณพูหลักต่อค่าสีน้ำเงินบริเวณก้าน O คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณพูหลักแบบมีตัวกรองแสงต่อค่า อินฟราเรดใกล้บริเวณก้านแบบมีตัวกรองแสง P คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณพูหลักต่อค่าอินฟราเรดใกล้บริเวณก้าน
6. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตาม ข้อถือสิทธิ 1 ถึง 5 ข้อใดข้อหนึ่ง ที่ซึ่งขั้นตอนการหาค่าเฉลี่ยของความยาวคลื่น (320) ดังกล่าว มีการหา ค่าเฉลี่ยของความยาวคลื่น ที่ประกอบรวมด้วย ค่าเฉลี่ยของความยาวคลื่น 7a (20) ความยาวคลื่น 7b (21) ความยาวคลื่น 7c (22) ความยาวคลื่น 7d (23) ความยาวคลื่น 7e (24) และความยาวคลื่น 7f (25)
7. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตาม ข้อถือสิทธิ 1 ถึง 6 ข้อใดข้อหนึ่ง ที่ซึ่งขั้นตอนการหาค่าเฉลี่ยของความยาวคลื่น (320) ดังกล่าว มีการหา ค่าเฉลี่ยของความยาวคลื่นจนถึงความยาวคลื่นที่ 7n (32)
8. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตาม ข้อถือสิทธิ 1 ถึง 7 ข้อใดข้อหนึ่ง ที่ซึ่งขั้นตอนการจัดระดับความอ่อนแก่ของทุเรียน (28) ดังกล่าว มีการ ระบุความอ่อนแก่ของทุเรียนที่แตกต่างกันขึ้นอยู่กับสายพันธุ์ คือ พันธุ์หมอนทองมีความแก่ที่ %DM มากกว่าหรือเท่ากับ 32% พันธุ์ชะนี % DM มากกว่าหรือเท่ากับ 30% และ พันธุ์กระดุม % DM มากกว่าหรือเท่ากับ 27%
9. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตาม ข้อถือสิทธิ 1 ถึง 8 ข้อใดข้อหนึ่ง ที่ซึ่งแหล่งกำเนิดแสง (5a, 5b) คือ หลอดไฟฟลูออเรสเซนต์สีขาว หลอดไฟฮาโลเจนทั้งสเตน หลอดไฟซีนอน หรือหลอดไฟแอลอีดี (Light Emitting Diode - LED) สี ขาว อย่างใดอย่างหนึ่งหรือหลายอย่างประกอบกัน
10. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตาม ข้อถือสิทธิ 1 ถึง 9 ข้อใดข้อหนึ่ง ที่ซึ่งส่วนควบคุมและประมวลผล (8) คือ คอมพิวเตอร์ตั้งโต๊ะ คอมพิวเตอร์พกพา แท็บเล็ต หรือ โทรศัพท์ฉลาด อย่างใดอย่างหนึ่ง
11. ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตาม ข้อถือสิทธิ 1 ถึง 10 ข้อใดข้อหนึ่ง ประกอบเพิ่มเติมด้วย สายพาน เพื่อทำหน้าที่ลำเลียงผลทุเรียนที่ ต้องการตรวจสอบ (3) ในกรณีที่ต้องการทำการวิเคราะห์ทีละหลายผล
12. วิธีการประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ที่มี ลักษณะเฉพาะคือ ประกอบรวมด้วย ขั้นตอนการรับภาพ/ถ่ายภาพ (13) ทำการถ่ายภาพ/รับภาพหลายความยาวคลื่นภายใต้ แหล่งกำเนิดแสงขาวที่ให้แสงเคลื่อนที่ตกกระทบกับพื้นผิวของผลพร้อมก้านทุเรียนที่ต้องการ ตรวจสอบ ขั้นตอนการแยกภาพหลายความยาวคลื่น (310) ทำการแยกภาพความยาวคลื่นของผลพร้อม ก้านของทุเรียนออกมาจำนวนหนึ่ง ขั้นตอนการหาค่าเฉลี่ยของความยาวคลื่น (320) ทำการหาค่าเฉลี่ยของภาพหลายความยาวคลื่น จำนวนหนึ่งในบริเวณพื้นที่บนภาพที่สนใจ ขั้นตอนการสร้างความสัมพันธ์ของตัวแปร (26) ด้วยวิถีทางสำหรับระบุความอ่อนแก่ของ ทุเรียนโดยใช้การคำนวณจากความสัมพันธ์ของตัวแปร ขั้นตอนการวิเคราะห์ข้อมูลด้วยการเรียนรู้ของเครื่อง (27) ด้วยวิถีทางสำหรับตรวจประเมิน ระดับความอ่อนแก่ของทุเรียนด้วยการเรียนรู้ของเครื่อง หรือแมชชีนเลินนิ่ง (Machine Learning) ขั้นตอนการจัดระดับความอ่อนแก่ของทุเรียน (28) ด้วยวิถีทางสำหรับตรวจประเมินระดับ ความอ่อนแก่ของทุเรียนด้วยโครงข่ายประสาทเทียมเพื่อระบุร้อยละของน้ำหนักเนื้อแห้งของทุเรียน หรือ % Dry Matter (%DM) หรือ วิถีทางสำหรับตรวจประเมินระดับความอ่อนแก่ของทุเรียนด้วย โครงข่ายประสาทเทียมเพื่อจัดกลุ่มระดับความอ่อนแก่ของทุเรียนตามระดับร้อยละของน้ำหนักเนื้อ แห้งของทุเรียน ดังนี้ {ระดับ 1, % DM < 20 {ระดับ 2, 20 น้อยกว่าหรือเท่ากับ %DM < 30 ความอ่อนแก่ = {ระดับ 3, น้อยกว่าหรือเท่ากับ %DM < 34 {ระดับ 4, 34 น้อยกว่าหรือเท่ากับ %DM < 38 {ระดับ 5, % DM มากกว่าหรือเท่ากับ 38 หรือ ความอ่อนแก่= {อ่อน, DM < 32 {แก่, DM มากกว่าหรือเท่ากับ 32
13. วิธีการประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตามข้อถือสิทธิ 12 ที่ซึ่งขั้นตอนการแยกภาพหลายความยาวคลื่น (310) ดังกล่าว เลือกใช้ภาพความยาว คลื่น คือ ความยาวคลื่น 7a (14) ในย่านสีน้ำเงิน ความยาวคลื่น 76 (15) ในย่านสีเขียว ความยาวคลื่น 7c (16) ในย่านสีแดง ความยาวคลื่น 7d (17) ในย่านอินฟราเรดใกล้ที่ไม่ได้ถูกกรองย่านแสงขาวออก ความ ยาวคลื่น 7e (18) ในย่านอินฟราเรดใกล้ที่ถูกกรองย่านแสงขาวออก ความยาวคลื่น 7f (19) ในย่าน อินฟราเรดไกล
14. วิธีการประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตามข้อถือสิทธิ 12 หรือ 13 ที่ซึ่งขั้นตอนการแยกภาพหลายความยาวคลื่น (310) ดังกล่าว มีการเลือกใช้ ความยาวคลื่นจนถึงความยาวคลื่นที่ 7n (31)
15. วิธีการประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตามข้อถือสิทธิ 12 ถึง 14 ข้อใดข้อหนึ่ง ที่ซึ่งขั้นตอนการสร้างความสัมพันธ์ของตัวแปร (26) ดังกล่าว มี วิถีทางสำหรับระบุความอ่อนแก่ของทุเรียนโดยใช้การคำนวณสมการ A, B, C, D, E, F, G, H, I, J, K, L, M, N, O, P จนถึง n หากมีการเลือกใช้ความยาวคลื่นจนถึงความยาวคลื่นที่ 7n (31)
16. วิธีการประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตามข้อถือสิทธิ 12 ถึง 15 ข้อใดข้อหนึ่ง ที่ซึ่งขั้นตอนการหาค่าเฉลี่ยของความยาวคลื่น (320) ดังกล่าว มี การหาค่าเฉลี่ยของความยาวคลื่น ที่ประกอบรวมด้วย ค่าเฉลี่ยของความยาวคลื่น 7a (20) ความยาวคลื่น 7b (21) ความยาวคลื่น 7c (22) ความยาวคลื่น 7d (23) ความยาวคลื่น 7e (24) และความยาวคลื่น 7f (25)
17. วิธีการประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตามข้อถือสิทธิ 12 ถึง 16 ข้อใดข้อหนึ่ง ที่ซึ่งขั้นตอนการหาค่าเฉลี่ยของความยาวคลื่น (320) ดังกล่าว มี การหาค่าเฉลี่ยของความยาวคลื่นจนถึงความยาวคลื่นที่ 7n (32)
18. วิธีการประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตามข้อถือสิทธิ 12 ถึง 17 ข้อใดข้อหนึ่ง ที่ซึ่ง A คือ อัตราส่วนระหว่างค่าสีแดงบริเวณก้านต่อค่าสีแดงของวัตถุอ้างอิง B คือ อัตราส่วนระหว่างค่าสีเขียวบริเวณก้านต่อค่าสีเขียวของวัตถุอ้างอิง C คือ อัตราส่วนระหว่างค่าสีน้ำเงินบริเวณก้านต่อค่าสีน้ำเงินของวัตถุอ้างอิง D คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณก้านแบบมีตัวกรองแสงต่อค่าอินฟราเรด ใกล้ของวัตถุอ้างอิงแบบมีตัวกรองแสง E คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณก้านต่อค่าอินฟราเรดใกล้ของวัตถุอ้างอิง F คือ อัตราส่วนระหว่างค่าสีแดงบริเวณพูหลักต่อค่าสีแดงของวัตถุอ้างอิง G คือ อัตราส่วนระหว่างค่าสีเขียวบริเวณพูหลักต่อค่าสีเขียวของวัตถุอ้างอิง H คือ อัตราส่วนระหว่างค่าสีน้ำเงินบริเวณพูหลักต่อค่าสีน้ำเงินของวัตถุอ้างอิง 1 คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณพูหลักแบบมีตัวกรองแสงต่อค่า อินฟราเรดใกล้ของวัตถุอ้างอิงแบบมีตัวกรองแสง J คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณพูหลักต่อค่าอินฟราเรดใกล้ของวัตถุ อ้างอิง K คือ อัตราส่วนระหว่างค่าอินฟราเรดไกลบริเวณพูหลักต่อค่าอินฟราเรดไกลบริเวณก้าน L คือ อัตราส่วนระหว่างค่าสีแดงบริเวณพูหลักต่อค่าสีแดงบริเวณก้าน M คือ อัตราส่วนระหว่างค่าสีเขียวบริเวณพูหลักต่อค่าสีเขียวบริเวณก้าน N คือ อัตราส่วนระหว่างค่าสีน้ำเงินบริเวณพูหลักต่อค่าสีน้ำเงินบริเวณก้าน O คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณพูหลักแบบมีตัวกรองแสงต่อค่า อินฟราเรดใกล้บริเวณก้านแบบมีตัวกรองแสง P คือ อัตราส่วนระหว่างค่าอินฟราเรดใกล้บริเวณพูหลักต่อค่าอินฟราเรดใกล้บริเวณก้าน
19. วิธีการประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ของเครื่อง ตามข้อถือสิทธิ 12 ถึง 18 ข้อใดข้อหนึ่ง ที่ซึ่งขั้นตอนการจัดระดับความอ่อนแก่ของทุเรียน (28) ดังกล่าว มีการระบุความอ่อนแก่ของทุเรียนที่แตกต่างกันขึ้นอยู่กับสายพันธุ์ คือ พันธุ์หมอนทองมีความแก่ที่ % DM มากกว่าหรือเท่ากับ 32% พันธุ์ชะนี % DM มากกว่าหรือเท่ากับ 30% และ พันธุ์กระดุม %DM มากกว่าหรือเท่ากับ 27%
Publications (1)
| Publication Number | Publication Date |
|---|---|
| TH2401006178A true TH2401006178A (th) | 2026-02-16 |
Family
ID=
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ElMasry et al. | Early detection of apple bruises on different background colors using hyperspectral imaging | |
| US6587575B1 (en) | Method and system for contaminant detection during food processing | |
| Ariana et al. | Evaluation of internal defect and surface color of whole pickles using hyperspectral imaging | |
| Chen et al. | Machine vision technology for agricultural applications | |
| Kleynen et al. | Selection of the most efficient wavelength bands for ‘Jonagold’apple sorting | |
| US10393669B2 (en) | Colour measurement of gemstones | |
| Qin et al. | Detection of pits in tart cherries by hyperspectral transmission imaging | |
| Lu | Nondestructive measurement of firmness and soluble solids content for apple fruit using hyperspectral scattering images | |
| JP2006170669A (ja) | 青果物の品質検査装置 | |
| Bensaeed et al. | Oil palm fruit grading using a hyperspectral device and machine learning algorithm | |
| Gómez-Sanchís et al. | Development of a hyperspectral computer vision system based on two liquid crystal tuneable filters for fruit inspection. Application to detect citrus fruits decay | |
| CN1995987A (zh) | 基于高光谱图像技术的农畜产品无损检测方法及装置 | |
| Chao et al. | Chicken heart disease characterization by multi-spectral imaging | |
| Khodabakhshian et al. | Determining quality and maturity of pomegranates using multispectral imaging | |
| Peirs et al. | Starch index determination of apple fruit by means of a hyperspectral near infrared reflectance imaging system | |
| Xing et al. | Stem-end/calyx identification on apples using contour analysis in multispectral images | |
| Zhang et al. | Detection of internally bruised blueberries using hyperspectral transmittance imaging | |
| Ruizendaal et al. | Automated and non-destructive estimation of soluble solid content of tomatoes on the plant under variable light conditions | |
| Xing et al. | Wavelength selection for surface defects detection on tomatoes by means of a hyperspectral imaging system | |
| Mo et al. | Determination of germination quality of cucumber (Cucumis Sativus) seed by LED-induced hyperspectral reflectance imaging | |
| Park et al. | Integration of visible/NIR spectroscopy and multispectral imaging for poultry carcass inspection | |
| TH2401006178A (th) | ระบบประเมินความอ่อนแก่ของทุเรียนด้วยวิธีการทางสเปกโทรสโกปีร่วมกับการเรียนรู้ ของเครื่องและวิธีการดังกล่าว | |
| Wang et al. | Bruise detection of apples using hyperspectral imaging | |
| Lin et al. | Development of a Near‐Infrared Imaging System for Determination of Rice Moisture | |
| JP6403872B2 (ja) | 青果物検査装置 |