การประยุกต์ใช้งานการประมวลผลภาพสำหรับหุ่นยนต์ให้อาหารโคนมอัตโนมัติ
DOI:
https://doi.org/10.14456/jeit.2023.18คำสำคัญ:
เกษตรอัจฉริยะ, การประมวลผลภาพ, หุ่นยนต์และระบบอัตโนมัติบทคัดย่อ
ปัจจุบันเกษตรกรประสบปัญหามีต้นทุนการผลิตเพิ่มสูงขึ้น ปัญหาการขาดแคลนแรงงานภาคเกษตร ขาดการใช้เทคโนโลยี และผลผลิตส่วนใหญ่ยังไม่มีคุณภาพได้มาตรฐาน งานวิจัยนี้ได้ศึกษาและพัฒนาระบบสมาร์ทฟาร์มสำหรับการให้อาหารโคนมอัตโนมัติ โดยนำองค์ความด้านเทคโนโลยีสารสนเทศควบคู่ อิเล็กทรอนิกส์อัจฉริยะ มาพัฒนาระบบสำหรับการให้อาหารโคนมในโรงเรือน โดยงานวิจัยนี้ได้มีการประยุกต์ใช้ปัญญาประดิษฐ์ในการประมวลภาพสำหรับการวิเคราะห์สถานะคงอยู่ของโคนมปัจจุบัน เพื่อให้ระบบระบุพิกัดตำแหน่งของหุ่นยนต์ในโรงเรือน และการให้อาหารทำงานได้อย่างมีประสิทธิภาพเป็นระบบอัตโนมัติ สามารถลดการใช้พลังงานของหุ่นยนต์สำหรับการให้อาหารโคนม ช่วยให้เกษตรกรมีประสิทธิภาพในการบริหารจัดการเพิ่มขึ้น จากผลการทดลองผลการประเมินประสิทธิการประมวลภาพสำหรับการวิเคราะห์สถานะคงอยู่ของโคนมปัจจุบันพบว่าเทคนิค MobileNetV2 เป็นเทคนิคที่เหมาะสมมากที่สุดสำหรับการประยุกต์ใช้งาน ซึ่งมีขนาดน้อยที่สุด 14 เมกะไบต์ มีความเร็วมากที่สุดในการตอบสนองที่ 0.001 วินาที และมีความแม่นยำอยู่ที่ 97.22 เปอร์เซ็นต์
References
[1] LELY VECTOR, "Automatic feeding system," [Online]. Available: https://www.lely.com/us/. [Accessed: 10 November 2022].
[2] S. Dargan, et al., "A Survey of Deep Learning and Its Applications: A New Paradigm to Machine Learning," Archives of Computational Methods in Engineering, vol. 27, no. 4, pp. 1071–1092, 2020.
[3] Y. LeCun, et al., "Gradient-Based Learning Applied to Document Recognition," Proceedings of the IEEE, vol. 86, no. 11, pp. 2278–2324, 1998.
[4] S. Loffe and C. Szegedy, "Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift," in Proceedings of the 32nd International Conference on Machine Learning, vol. 37, pp. 1-9, 2015.
[5] V. Nair and G. E. Hinton, "Rectified Linear Units Improve Restricted Boltzmann Machines," in Proceedings of the 27th International Conference on Machine Learning, vol. 10, no. 2, pp. 807-814, 2010.
[6] M. Lin, et al., "Network In Network," Computer Science, pp. 1-10, 2013.
[7] A. Krizhevsky, et al., "ImageNet Classification with Deep Convolutional Neural Networks," Communications of the ACM, vol. 60, no. 6, pp. 84-90, 2017.
[8] J. Deng, et al., "ImageNet: A large-scale hierarchical image database," in IEEE Conference on Computer Vision and Pattern Recognition, pp. 248-255, 2009.
[9] K. Simonyan and A. Zisserman, "Very Deep Convolutional Networks for Large-Scale Image Recognition," Clinical Orthopaedics and Related Research, pp. 1409-1556, 2015.
[10] C. Szegedy, et al., "Going deeper with convolutions," in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, pp. 1-9.
[11] C. Szegedy, et al., "Rethinking the Inception Architecture for Computer Vision," in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 2818-2826.
[12] K. He, et al., "Deep Residual Learning for Image Recognition," in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 770-778.
[13] C. Szegedy, et al., "Inception-v4, inception-ResNet and the impact of residual connections on learning," in Proceedings of the Thirty-First AAAI Conference on Artificial Intelligence, 2017, pp. 4278-4284.
[14] G. Huang, et al., "Densely Connected Convolutional Networks," in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp. 2261-2269.
[15] J. Hu, et al., "Squeeze-and-Excitation Networks," in IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018, pp. 7132-7141.
[16] A. G. Howard, et al., "MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications," International Journal of Intelligence Science, vol. 11, no. 1, pp. 1-9, 2017.
[17] M. Sandler, et al., "MobileNetV2: Inverted Residuals and Linear Bottlenecks," in IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 4510–4520.
[18] B. Zoph, et al., "Learning Transferable Architectures for Scalable Image Recognition," in IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 8697-8710.
[19] Cytron Technologies Co. Ltd., "Raspberry Pi 4 Model B 4GB and Kits," [Online]. Available: https://th.cytron.io/p-raspberry-pi-4-model-b-4gb. [Accessed: 10 November 2022].
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
หมวดหมู่
License
Copyright (c) 2023 วารสารวิศวกรรมและเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยกาฬสินธุ์
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
