เครื่องชั่งน้ำหนักชนิดดิจิทัลที่มีการระบุชนิดผักและผลไม้ด้วยเทคนิคการเรียนรู้เชิงลึก
Digital Weighing Scale with Fruit and Vegetable Identification Using Deep Learning Technique
Abstract
การชั่งน้ำหนักเป็นกระบวนการก่อนที่จะนำผักและผลไม้บรรจุหีบห่อเพื่อขายในซูเปอร์มาร์เก็ต พนักงานจะนำสินค้าเพื่อชั่งน้ำหนักบนเครื่องชั่งดิจิทัลและป้อนรหัสสินค้า จากนั้นเครื่องจะแสดง ชื่อสินค้า ราคา และน้ำหนัก อย่างไรก็ตามข้อผิดพลาดจะเกิดจากการป้อนรหัสสินค้าผิด งานวิจัยนี้มีวัตถุประสงค์ เพื่อพัฒนาเครื่องชั่งดิจิทัลที่มีการนำเข้าข้อมูลภาพจากกล้องเพื่อการระบุประเภทผักและผลไม้แทนการป้อนรหัสสินค้า ระบบประกอบด้วย บอร์ดคอมพิวเตอร์ราสเบอรรี่พาย กล้อง Pi V2.1 เพื่อการนำเข้าข้อมูลภาพ โหลดเซลล์สำหรับการชั่งน้ำหนัก โมดูลตัวแปลงสัญญาณแอนะล็อกเป็นดิจิทัล HX-711 และจอชนิดสัมผัส โปรแกรมพัฒนาโดยภาษาไพธอน และอัลกอริทึม YOLOv3-tiny ใช้โดยไลบรารี Darknet เพื่อสร้างแบบจำลองเพื่อการรู้จำภาพด้วยเทคนิคการเรียนรู้เชิงลึก สำหรับการทดสอบระบบ ผักและผลไม้ 5 ชนิดถูกใช้ในการฝึกสอนแบบจำลอง รูปภาพในขั้นตอนการสอน คือ กล้วย 196 ภาพ แครอท 144 ภาพ องุ่น 123 ภาพ หอมหัวใหญ่ 210 ภาพ และ มะเขือเทศ 204 ภาพ แบบจำลองสร้างขึ้นโดยการสอน 15,000 รอบ มีค่าการสูญเสียเฉลี่ยเท่ากับ 0.1623 และมีค่า ความแม่นยำ, ความจำ และ F1-score คือ 1.00, 0.99 และ 0.99 ตามลำดับ จากผลการทดลอง ระบบสามารถระบุ กล้วย แครอท องุ่นและหอมหัวใหญ่ ด้วยค่าความแม่นยำ 100% ถ้าวางผักหรือผลไม้โดยไม่มีการซ้อนกัน อย่างไรก็ตามอาจเกิดความผิดพลาด หากผักหรือผลไม้มีการซ้อนกัน ค่าผิดพลาดในการชั่งน้ำหนักของเครื่องชั่งน้ำหนักที่พัฒนาขึ้นมีค่าน้อยกว่า 10 กรัม
Weighing is a process before packing fruits and vegetables for sale in supermarkets. A staff will put the product to be weighed on the digital scale and enter the product code. After that the machine will display product name, price, and weight. However, error might occur from entering the wrong product code. This research aims to develop digital weighing scale that an image data is imported from the camera to identify the types of fruits and vegetables instead of entering the product code. The system consists of Raspberry Pi computer board, Pi camera V2.1 for image acquisition, load cell for weighing, HX-711 analog to digital converter module and a touch screen. Software is developed by Python version 3 and the YOLOv3-tiny algorithm is used through the Darknet library to build a model for image recognition. For testing the system, five types of fruit and vegetable were used to train the model. The pictures in training process included 379 pictures of banana, 277 pictures of carrot, 232 pictures of grape and 443 pictures of onion. The model was built by 15000 epochs of training with 0.1623 of an average loss value and the values of precision, recall and F1-score are 1.00, 0.99 and 0.99 respectively. From the experimental results, the system can identify banana, carrot, grape and onion with 100% accuracy when fruits or vegetables are placed without overlapping. However, error may occur if fruit or vegetable are overlapping. The weighing error of the developed weighing scale is less than 10 grams.
Keywords
[1] J. Balbuena, J. Hilario, I. Vargas, R. Manzanares, and F. Cuellar, “Design of a 2-DOF delta robot for packaging and quality control of processed meat products,” in Latin American Robotic Symposium, Brazilian Symposium on Robotics (SBR) and Workshop on Robotics in Education (WRE), November 2018, pp. 201–206.
[2] L. Pauly, M. V. Baiju, P. Viswanathan, P. Jose, D. Paul, and D. Sankar, “A new gray level based method for visual inspection of frying food items,” in International Conference on Soft Computing Techniques and Implementations (ICSCTI), October 2015, pp. 57–60.
[3] Keshavamurthy, S. J. Mariyam, M. Meghamala, M. Meghashree, and Neha, “Automatized food quality detection and processing system using neural networks,” in 4th International Conference on Recent Trends on Electronics, Information, Communication & Technology (RTEICT), May 2019, pp. 1442–1446.
[4] B. Guanjun, C. Shibo, Q. Liyong, X. Yi, Z. Libin, and Y. Qinghua, “Multi-template matching algorithm for cucumber recognition,” Computers and Electronics in Agriculture, vol. 127, pp. 754–762, 2016.
[5] A.B. Payne, K.B. Walsh, P. Subedi, and D. Jarvis, “Estimation of mango crop yield using image analysis–segmentation method,” Computers and Electronics in Agriculture, vol. 91, pp. 57–64, 2013.
[6] F. Kurtulmuş and I. Kavdir, “Detecting corn tassels using computer vision and support vector machines,” Expert Systems with Applications, vol. 41, no. 16, pp. 7390–7397, 2014.
[7] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp. 779–788.
[8] B. Liu, W. Zhao, and Q. Sun, “Study of object detection based on faster R-CNN,” in Chinese Automation Congress (CAC), 2017, pp. 6233–6236.
[9] H. Kai, L. Feiyu, L. Meixia, D. Zhiliang and L. Yunping, “A marine object detection algorithm based on SSD and feature enhancement,” Complexity, vol. 2020, pp. 1–14, 2020.
[10] Y. Li, K. He, and J. Sun, “R-FCN: Object detection via region-based fully convolutional networks,” in Advances in Neural Information Processing Systems, 2016, pp. 379–387.
[11] J. Redmon. (2019). YOLO v3 [Online]. Available: https://pjreddie.com/darknet/ yolov3
[12] Google. (2019). Google Colaboratory. [Online]. Available: https:// colab.research. google.com
[13] N. Manoi, A. Bunjanda, and C. Rattanapoka, “A system for cooking recipe sharing and cooking recipe finding by an image of ingredients using deep learning technique,” The Journal of Industrial Technology, vol. 15, no. 2, pp. 97–111, 2019 (in Thai).
[14] R. Zhang, X. Li, L. Zhu, M. Zhong, and Y. Gao, “Target detection of banana string and fruit stalk based on YOLOv3 deep learning network,” in International Conference on Big Data, Artificial Intelligence and Internet of Things Engineering (ICBAIE), 2021, pp. 346–349.
DOI: 10.14416/j.kmutnb.2022.08.011
ISSN: 2985-2145
Email this article 
Hide
Show all