Quality Sorting of Silver Barb Fish Using Deep Learning and Chatbot-Based Image Analysis
DOI:
https://doi.org/10.14456/jeit.2024.23Keywords:
Fish quality classification, Deep learning, Image classification, ChatbotAbstract
This research aimed to address the limitations of manual quality sorting of silver barb fish, which suffered from limited accuracy and inconsistency. A deep learning model was developed to enhance the efficiency of fish quality classification based on image analysis. The model employed a Convolutional Neural Network (CNN), which was trained using a dataset of 700 images collected over a period of seven days. The ADAM optimizer was utilized to adjust the model's parameters during training, improving the accuracy of image classification. Additionally, a chatbot was developed through the Line Application to facilitate real-time fish quality inspection. The research findings demonstrated that the developed model classified fish quality with an accuracy of 98.12%, highlighting its potential for effective application in the fishing industry.
References
[1] กรมประมง, "รายงานสถานการณ์การผลิตสัตว์น้ำในประเทศไทย ปี 2563," กรมประมง, กรุงเทพฯ, 2563.
[2] สุทธิวัฒน์ เบญจกุล, "การตรวจสอบคุณภาพสัตว์น้ำ," มหาวิทยาลัยสงขลานครินทร์, สงขลา, 2548.
[3] A. Krizhevsky, I. Sutskever, and G. Hinton, "ImageNet Classification with Deep Convolutional Neural Networks," Proceedings of the Neural Information Processing Systems (NIPS), 2012.
[4] Y. Lecun, L. Bottou, Y. Bengio, and P. Haffner, "Gradient-Based Learning Applied to Document Recognition," Proceedings of the IEEE, 1998.
[5] F. Chollet, Deep Learning with Python, O'Reilly Media, United States, 2018.
[6] T. Li and X. Zhang, "Deep Learning for Fish Species Classification," Marine Technology Journal, 2022.
[7] A. Jain and B. Kamath, "Applications of Computer Vision in Object Detection," International Journal of Computer Science, 2020.
[8] P. He and S. Li, "Convolutional Neural Network for Image Classification," Location not specified, 2019.
[9] D. Kingma and J. Ba, "ADAM: A Method for Stochastic Optimization," International Conference on Learning Representations (ICLR), 2015.
[10] Line Corporation, "Line Messaging API documentation," Line Corporation, Japan, 2023.
[11] X. Wang, "Applications of Deep Learning in Aquaculture," Aquatic Science Review, 2023.
[12] G. Huang, Z. Liu, L. Van Der Maaten, and K. Q. Weinberger, "Densely Connected Convolutional Networks," IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017.
[13] K. Simonyan and A. Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition," International Conference on Learning Representations (ICLR), 2015.
[14] R. Girshick, "Fast R-CNN," International Conference on Computer Vision (ICCV), 2015.
[15] O. Russakovsky et al., "ImageNet Large Scale Visual Recognition Challenge," International Journal of Computer Vision (IJCV), 2015.
Downloads
Published
How to Cite
Issue
Section
Categories
License
Copyright (c) 2024 Journal of Engineering and Industrial Technology, Kalasin University
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธิ์ของวารสาร
เนื้อหาและข้อมูลในบทความที่ลงตีพิมพ์ในวารสารศูนย์ดัชนีการอ้างอิงวารสารไทย ถือเป็นข้อคิดเห็นและความรับผิดชอบของผู้เขียนบทความโดยตรงซึ่งกองบรรณาธิการวารสาร ไม่จำเป็นต้องเห็นด้วย หรือร่วมรับผิดชอบใด ๆ
บทความ ข้อมูล เนื้อหา รูปภาพ ฯลฯ ที่ได้รับการตีพิมพ์ในวารสารศูนย์ดัชนีการอ้างอิงวารสารไทย ถือเป็นลิขสิทธิ์ของวารสารศูนย์ดัชนีการอ้างอิงวารสารไทย หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือเพื่อกระทำการใด จะต้องได้รับอนุญาตเป็นลายลักอักษรจากวารสารศูนย์ดัชนีการอ้างอิงวารสารไทยก่อนเท่านั้น
