การใช้เทคนิคการเรียนรู้เชิงลึกในการจำแนกภาพ ไก่พื้นเมืองไทยพันธุ์ประดู่หางดำ
Article Sidebar
Main Article Content
บทคัดย่อ
ไก่พื้นเมืองพันธุ์ประดู่หางดำเป็นพันธุ์ที่มีการเลี้ยงมากที่สุดในประเทศไทยและมีความหลากหลายทางพันธุกรรมเป็นอย่างมาก ผู้ที่ไม่มีประสบการณ์และความชำนาญไม่สามารถแยกระหว่างพันธุ์แท้และลูกผสมได้อย่างถูกต้อง ในการทดลองนี้จึงได้นำเสนอการใช้เทคนิคการเรียนรู้เชิงลึกด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชันซึ่งเป็นเทคนิคในการจำแนกภาพที่มีประสิทธิภาพในการแก้ไขปัญหานี้ ใช้ไก่พื้นเมืองพันธุ์ประดู่หางดำพันธุ์แท้และลูกผสมระหว่างประดู่หางดำกับเหลืองหางขาวจำนวน 4 กลุ่ม ดังนี้ พันธุ์แท้เพศผู้ พันธุ์แท้เพศเมีย ลูกผสมเพศผู้ และลูกผสมเพศเมีย เก็บข้อมูลภาพกลุ่มละ 250 ภาพ รวมเป็น 1,000 ภาพ ทดสอบสถาปัตยกรรม 4 แบบ คือ LeNet-5, AlexNet, CNN1 และ CNN2 ปรับขนาดภาพเป็น 224x224 พิกเซล โดยกำหนดรอบในการประมวลผลเป็น 10 และ 20 รอบ จากการทดลองพบว่า การใช้สถาปัตยกรรมแบบ LeNet-5 และฟังก์ชันกระตุ้นเรคติไฟด์ลินเนียนยูนิต ประมวลผล 20 รอบ มีความแม่นยำในการเรียนรู้ การตรวจสอบ และการทดสอบมากที่สุด แต่สถาปัตยกรรมแบบ CNN2 ประมวลผล 20 รอบ สามารถทำนายผลได้ถูกต้องมากที่สุด คือ 96.67% จากผลการทดลองแสดงให้เห็นว่าการใช้สถาปัตยกรรมอย่างง่ายของโครงข่ายประสาทเทียมแบบคอนโวลูชันอย่าง CNN2 สามารถจำแนกพันธุ์ไก่พื้นเมืองได้อย่างมีประสิทธิภาพ
Article Details
เอกสารอ้างอิง
กรมปศุสัตว์. 2546. ลักษณะและมาตรฐานไก่พื้นเมือง ไทย. กรุงเทพฯ: กองบำรุงพันธุ์สัตว์ กรมปศุสัตว์ กระทรวงเกษตรและสหกรณ์.
กอบเกียรติ สระอุบล. 2565. เรียนรู้ AI Deep Learning ด้วย Python. กรุงเทพฯ: อินเตอร์มีเดีย.
นิสิต ตั้งตระการพงษ์. 2558. ไก่ชนนเรศวร จังหวัดพิษณุโลก. พิษณุโลก: หจก. โรงพิมพ์ตะกูลไทย.
พน นิลผึ้ง. 2543. อุดมทัศนีย์ไก่ชนไทย. กรุงเทพฯ: สมาคมอนุรักษ์และพัฒนาไก่พื้นเมืองไทย.
พรรณระพี อำนวยสิทธิ์, คมสัน อำนวยสิทธิ์ และสนิท ท้วมสกุล. 2543ก. ความหลากหลายของไก่พื้นบ้านเพศผู้ เขตอำเภอเมือง จังหวัดพิจิตร 1) พันธุ์ของไก่พื้นบ้านเพศผู้. ใน: การประชุมทางวิชาการของมหาวิทยาลัยเกษตรศาสตร์ ครั้งที่ 38 สาขาสัตว์ และสาขาสัตวแพทยศาสตร์ 1-4 กุมภาพันธ์ 2543. กรุงเทพมหานคร.
พรรณระพี อำนวยสิทธิ์, คมสัน อำนวยสิทธิ์, สนิท ท้วมสกุล และบุญธรรม โพธิ์อ่อง. 2543ข. ความหลากหลายของไก่พื้นบ้านเพศผู้ เขตอำเภอเมือง จังหวัดพิจิตร 2) กลุ่มพันธุ์ประดู่. ใน: การประชุมทางวิชาการของมหาวิทยาลัย เกษตรศาสตร์ ครั้งที่ 38 สาขาสัตว์และสาขาสัตวแพทยศาสตร์ 1-4 กุมภาพันธ์ 2543. กรุงเทพมหานคร.
สุกัญญา สุจฉายา. 2557. ไก่ชนไทย. มรดกภูมิปัญญาทางวัฒนธรรมของชาติ. พิธีประกาศขึ้นทะเบียนมรดกภูมิปัญญาทางวัฒนธรรมของชาติประจำปีพุทธศักราช 2557. กรุงเทพฯ: กรมส่งเสริมวัฒนธรรม กระทรวงวัฒนธรรม.
สุชาติ ชัยวรกุล, วิชิต เกตุพงษ์พันธุ์, ปรารถนา งามวงศ์วาน, สมชาย โอฬารกนก และ สาโรจน์ เจียระคงมั่น. 2560. ศึกษาลักษณะอุดมทัศนีย์ไก่พื้นเมืองไทย ประเมินโดยนักวิชาการและปราชญ์ชาวบ้าน. ใน: รายงานสืบเนื่องจากการประชุมสัมมนาทางวิชาการ มหาวิทยาลัยเทคโนโลยีราชมงคลตะวันออก วันที่ 29-31 พฤษภาคม 2560. มหาวิทยาลัยเทคโนโลยีราชมงคลตะวันออก ชลบุรี.
สุภาวดี แหยมคง. 2557. ความหลากหลายของลักษณะภายนอกของไก่พื้นเมืองในพื้นที่จังหวัดพิษณุ โลก. Rajabhat Journal of Sciences, Huma- nities and Social Sciences. 15(2), 63-73.
อรอนงค์ ไชยเชษฐ, นัตติยา ประกอบแสง และนวพรรษ ผลดี. 2559. ลักษณะฟีโนไทป์และการจำแนกสายพันธุ์ไก่พื้นเมืองไทยในพื้นที่จังหวัดมหาสาร คาม. วารสารเกษตรพระวรุณ. 13(2), 155-165.
Calvin, G.B. Putra, and E. Prakasa. 2021. Classification of chicken meat freshness using convolutional neural network algorithms. In: International Conference on Innovation and Intelligence for Informatics, Computing and Technolo- gies (3ICT). 20-21 December 2020. Sakheer, Bahrain.
Hansen, M.F., M.L. Smith, L.N. Smith, M.G. Salter, E.M. Baxter, M. Farish, and B. Grieve. 2018. Towards on-farm pig face recognition using convolutional neural networks. Computers in Industry. 98, 145-152.
Huang, Y.P. and H. Basanta. 2019. Bird image retrieval and recognition using a deep learning platform. IEEE Access. 7, 66980-66989.
Khan, R.H., K.W. Kang, S.J. Lim, S.D. Youn, O.J. Kwon, S.H. Lee, and K.R. Kwon. 2020. Animal face classification using dual deep convolutional neural network. Journal of Korea Multimedia Society. 23(4), 525-538.
Krizhevsky, A., I. Sutskever, and G.E. Hinton. 2012. ImageNet classification with deep convolutional neural networks. Accessed 12 January 2021, https://proceedings.ne- urips.cc/paper/2012/file/c399862d3b9d6b76c8436e924a68c45b-Paper. pdf.
LeCun, Y., L. Bottou, Y. Bengio, P. Haffner. 1988. Gradient-based learning applied to document recognition. Proceeding of the IEEE. 86(11), 2278-2324.
Mohammed, H.R. and Z.M. Hussain. 2021. Hybrid mamdani fuzzy rules and convolutional neural networks for analysis and identific- ation of animal images. Computation. 9(35), 1-17.
Raj, S., S. Garyali, S. Kumar, and S. Shidnal. 2020. Image based bird species identification using convolutional neural network. International Journal of Engineering Research & Technology (IJERT). 9(6), 346-351.
Ren, Y., Y. Huang, Y. Wang, S. Zhang, H. Qu, J. Ma, L. Wang, and L. Li. 2022. A High-performance day-age classification and detection model for chick based on attention encoder and convolutional neural network. Animals. 12(2425), 1-17.
Singh, A., A. Jain, and B.K. Rai. 2020. Image based bird species indentification. International Journal of Research in Engineering, IT and Social Science. 10(4), 17.24.
Wang, K., C. Chen, and Y. He. 2020. Research on pig face recognition model based on keras convolutional neural network. In: Proceedings of IOP Conference Series: Earth and Environmental Science. 10-12 January 2020. Sanya, China.
Yao, Y., H. Yu, J. Mu, J. Li, and H. Pu. 2020. Estimation of the gender ration of chickens based on computer vision: dataset and exploration. Entropy. 22(719), 1-16.
