การคัดแยกระดับความเข้มเมล็ดกาแฟขณะคั่วด้วยโครงข่ายประสาทเทียมแบบแพร่กระจายย้อนกลับ
Classification of Coffee Beans Color Level during Roasting by Feed Forward Back Propagation Neural Network
Abstract
การปรับปรุงประสิทธิภาพการคั่วเมล็ดกาแฟเป็นสิ่งที่สำคัญ เนื่องจากการคั่วเมล็ดกาแฟที่มีประสิทธิภาพจะส่งผลต่อรสชาติ กลิ่นของกาแฟที่แตกต่างกัน และยังช่วยเพิ่มมูลค่าของกาแฟ งานวิจัยนี้ได้ประยุกต์ใช้โครงข่ายประสาทเทียมเข้ามาช่วยจัดกลุ่มระดับความเข้มของเมล็ดกาแฟในขณะทำการคั่ว เพื่อลดกระบวนการทำงานในการตรวจสอบความเข้มของสีเมล็ดกาแฟและเป็นการยกระดับมาตรฐานผลิตภัณฑ์ให้สูงขึ้น โดยได้กำหนดจำนวนโหนดในชั้นอินพุต 3 โหนดเพื่อรับค่าระดับสี แดง เขียว น้ำเงิน จากเซนเซอร์ตรวจวัดค่าสี TCS34725 ชั้นซ่อนได้กำหนดจำนวนโหนดทั้งหมด 3 ขนาดได้แก่ 3 5 และ7 โหนด ชั้นเอาท์พุตกำหนดเป็น 3 โหนด สำหรับผลลัพธ์การคัดแยกระดับความเข้มของเมล็ดกาแฟขณะคั่วได้แก่ คั่วอ่อน คั่วกลาง และคั่วเข้ม และได้นำค่าความแม่นยำ มาเป็นเกณฑ์การพิจารณาเลือกสถาปัตยกรรมของโครงข่ายประสาทเทียมที่เหมาะสม จากการทดสอบข้อมูลทั้งหมด 60 ตัวอย่างที่อุณหภูมิ 200 องศาเซลเซียส โดยแบ่งข้อมูลสำหรับการฝึกสอนและทดสอบโครงข่ายประสาทเทียม เป็น 70% และ 30% ตามลำดับ พบว่า สถาปัตยกรรมของโครงข่ายประสาทเทียมแบบ 3-5-3 และฟังก์ชันกระตุ้นเป็น Tanh Function เป็นสถาปัตยกรรมของโครงข่ายประสาทเทียมที่เหมาะสมที่สุดสำหรับการจัดกลุ่มระดับความเข้มของเมล็ดกาแฟขณะคั่ว โดยมีค่าความแม่นยำในการฝึกสอนและทดสอบโครงข่ายประสาทเทียมเป็น 97.62% และ 100% ตามลำดับ
The improvement of the coffee bean roasting process is very important because an effective coffee bean roasting affects the flavors, aromas, and also the value of the coffee and increases the value added of coffee. This research applies the neural networks to classify the intensity of the color level of the coffee bean during the roasting process for improving the standard of the product. This research defined 3 nodes in the input layers node to categorize coffee beans’ color levels into the red, green and blue color from TCS34725 color sensors. In the hidden layer we define 3 nodes sizes, i.e. node 3, 5, and 7 and another 3 nodes in the output layer to sort the intensity of the coffee bean colors while roasting for light, medium and dark level. The precision of the criteria to determine the suitable architecture of artificial neuron network was based on the study of 60 samples at the temperature of 200 degrees Celsius. The data were divided data for training and testing the artificial neuron network into 70% and 30% respectively. The research revealed that the most suitable architecture of the artificial neuron network for grouping the color intensity of the coffee roasting process is 3-5-3 format with the Tanh function as the most suitable stimulating function making the accuracy of the training and testing artificial neuron network at 97.62% and 100% respectively.
Keywords
[1] Office of Agricultural Economics, “Statistic Coffee 2020,” Office of Agricultural Economics, Bangkok, Thailand, 2020 (in Thai).
[2] K. Witinantakit, S. Supsing, E. Boonthum, and C. Taechapairoj, “Effect of degree of roast on toasted coffee physical and sensory qualities using spouted bed roaster,” Journal of Science & Technology MSU, vol. 39, no. 5, pp. 551–559, 2020 (in Thai).
[3] S. Winyangkul, K. Janta, and N. Tejatip, “A color level evaluation of roasted coffee beans using histogram for image processing to grade separation,” Journal of Science and Technology, Ubon Ratchathani University, vol. 3, no. 22, pp. 10–20, 2020 (in Thai).
[4] P. Kantalee and C. Inprasert, “Physical property of robusta green coffee beans before and after roasting,” in Proceedings of the 9th Kasetsart University Kamphaeng Saen Campus Conference: Engineering, Science Technology and Environment, 2012, pp. 96–103, (in Thai).
[5] P. Thongnopkun, M. Jamkratoke, and P. Pienpinijtham, “Tarnish protection of silver jewelry by gold nanoparticles,” Research Report, Burapha University, Chanthaburi, 2016 (in Thai).
[6] A. Kamlungpetch and P. Inrawong, “Appication of artificial neural networks with fast fourier transform for wave form analysis and classification,” The Journal of KMUTNB, vol. 27, no. 4, pp. 643–653, 2017 (in Thai).
[7] D. Guyer and X. Yang, “Use of genetic artificial neural networks and spectral imaging for detection on cherries,” Computers and Electronics in Agriculture, vol. 29, no. 3, pp. 179–194, 2000.
[8] X. Chen, Y. Xun, W. Li, and J. Zhang, “Combining discriminant analysis and neural networks for corn variety identifcation,” Computers and Electronics in Agriculture, vol. 71, pp. S48–S53, 2010.
[9] T. Prakorppon, “Artificial neural networks,” HCU Journal, vol. 24, pp. 73-87, 2009 (in Thai)
[10] S. Saengsawang, “Applying of artificial neural network in the agriculture,” The Journal of KMUTNB, vol. 26, no. 2, pp. 319–331, 2016 (in Thai)
[11] N. Moonrat, A. Achariyaviriya, and S. Achariyaviriya, “Development of coffee beans drying using biomass energy dryer for the fist period of drying,” The Journal of KMUINB, vol. 31, no. 2, 2020 (in Thai).
[12] A. Pathomchaiwal, “Colour prediction model from spectral data for inkjet printing,” Association of Private Higher Education Institutions of Thailand, vol. 6, no. 2, pp. 6–13, 2017 (in Thai).
[13] T. H. Nasution and U. Andayani, “Recognition of roasted coffee bean levels using image processing and neural network,” in IOP Conference Series. Materials Science and Engineering, 2017, pp. 1–8.
[14] J. N. C. Sarino, M. M. Bayas, E. R. Arboleda, E. C. Guevarra, and R. M. Dellosa, “Classification of coffee bean degree of roast using image processing and neural network,” International Journal Of Scientific & Technology Research, vol. 8, no. 10, pp. 3231–3233, 2019.
[15] P. Kaewtrakulpong, Applications of Machine Vision Algorithms using NI Vision. Bangkok: Chulalongkorn University Press, 2016, pp. 569–577 (in Thai).
[16] P. Sibi, S. A. Jones, and P. Siddarth, “Analysis of different activation functions using back propagation neural networks,” Journal of Theoretical and Applied Information Technology, vol. 47, no. 3, pp. 1264–1268, 2013.
DOI: 10.14416/j.kmutnb.2022.09.006
ISSN: 2985-2145
Email this article 
Hide
Show all