Image for post
Image for post

ล้ำไม่ไหว AI คัดแยกทุเรียน อย่างเซียนเหมือนเรียนมา

DSE2.G8
DSE2.G8
Dec 12, 2020 · 5 min read

Durian : The King of fruits

Disclaim : บทความนี้จัดทำขึ้นเพื่ออรรถรสในการเรียนรู้

2nd Project | Data analytic

Botnoi AI & Data Science Classroom II #Group 8

รู้หรือไม่ว่า

มูลค่าอุตสาหกรรมการส่งออกทุเรียน 6เดือนแรกของไทยในปี 2563 มีมูลค่าอยู่ที่ 1,411 ล้านเหรียญสหรัฐ (คิดเป็นเงินไทย ราว 42,330 ล้านบาท) โดยกินมูลค่าส่วนแบ่งการตลาดผลไม้ส่งออกทั้งหมดของไทยมากถึง 69%

ความสูญเสียมโหฬารที่ต้องแลกกับรายได้มหาศาล

ในขณะเดียวกันมูลค่าของเสียทิ้งเปล่าที่เกิดจากการคัดแยกเกรดพลาดก็มีมากมายไม่ต่างกัน

เมื่อขึ้นชื่อว่าเป็นของสด และยิ่งเป็นผลไม้กลิ่นแรงแบบทุเรียน อัตราการกักเก็บสินค้าให้ได้นานยิ่งทำได้ยากกว่าที่คิด

การแปรรูปไม่สามารถทำได้ทันทีในหลายๆ กิจการ

เมื่อคัดเกรดสินค้าพลาด

ได้ของตกเกรดมา แล้วขายไม่ได้

ทางออกที่ง่ายที่สุดคือ…

ต้องทิ้งเท่านั้น!!!!

ถ้าอยู่ๆวันนี้เจ้านายคุณบอกว่า

คนคัดทุเรียนลาป่วย

ให้คุณมาช่วยคัดหน่อย ไม่มีคนเลย ของมาแล้ว มีเวลา 10 นาทีคัดทุเรียน 100 ลูก แยกเกรด AB, C และตกเกรด

ถ้าคัดพลาด

ก็มีสิทธิ์ได้ทุเรียนที่ขายไม่ได้มาและทำให้เจ้านายคุณสูญเงินถึง 1 ล้านบาทต่อล็อต

คุณจะทำยังไง?

(แน่นอนว่ามันเกิดขึ้นแน่ๆ…เพราะคุณไม่มีความรู้เรื่องนี้ไง)

Image for post
Image for post

แบบไหนคือทุเรียนเกรดส่งออก

แบบไหนคือทุเรียนเกรด C

ทุเรียนตกเกรดคืออะไร

ดูจากในรูป คุณแยกออกมั้ยคะ?

ลองเพิ่มระดับความสูญเสียขึ้นไปอีกซิ

8,000,000 บาท ล่ะ…ไหวมั้ย?

นี่คือมูลค่าการสูญเสียเม็ดเงินต่อ 1 ฤดูกาล สำหรับกิจการขนาดย่อมๆ

หากคุณเป็นเจ้าของกิจการนี้

คุณจะแก้ไขอย่างไร?

เราต้องมีสกิลเทพในการคัดเกรดทุเรียนใช่มั้ย?

คนทั่วไปจะมีสกิลในการคัดเลือกทุเรียนได้อย่างไรกันล่ะ?

ในเมื่อสกิลการคัดเลือกเกรดทุเรียนเทพๆ นั้นเป็นความสามารถส่วนบุคคลที่ต้องอาศัยทักษะความชำนาญจากรุ่นสู่รุ่น สั่งสมประสบการณ์ ลองผิดลองถูก เรียนรู้ด้วยตนเองล้วนๆ การจะถ่ายทอดองค์ความรู้ให้แก่ผู้อื่นนั้นจึงไม่ใช่เรื่องที่จะทำกันได้ง่ายๆ และกินเวลามากโข

ดังนั้น จะดีกว่ามั้ยถ้าเราสามารถทุ่นแรง ทุ่นเวลา ทุ่นเงิน และลดความสูญเสียที่จะเกิดขึ้นด้วยระบบคอมพิวเตอร์ที่ชาญฉลาดอย่าง AI (

คิดดูนะ ต่อไปนี้ถ้าคุณมีผู้ช่วยคนใหม่ โคตรเซียน AI แห่งการคัดทุเรียน

การคัดเลือกทุเรียนกองเท่าภูเขาในเวลาอันสั้นของคุณก็จะไม่เป็นปัญหาอีกต่อไปค่ะ จอร์จ..

โอ้ววว…มันช่างดีจริงซาร่าาาา

แต่…

AI น่ะคิดเองไม่ได้นะ…ต้องมีคนสอนก่อนนะจ้ะ

ติวเตอร์ G8 มาแว้ววว

Image for post
Image for post
ติวเตอร์ G8 !!!

ด้วยพลังแห่งวิทยาการข้อมูล เครื่องคอมพิวเตอร์ที่ไม่มีความรู้อะไร ก็สามารถเรียนรู้การคัดเลือกเกรดทุเรียนหมอนทองได้ โดยมีมนุษย์เป็นครูติวเตอร์ที่จะมาติวข้อสอบ (Data) แบบมีเฉลย (Output) ให้ คุณครูจะใจดีเสมือนแม่สอนลูกน้อยให้ค่อยๆจดจำและจำแนกแยกแยะภาพต่างๆ

เราจะติวให้คอมพิวเตอร์จดจำเรียนรู้การแยกเกรดทุเรียนหมอนทอง จากการป้อนรูปภาพทุเรียนหมอนทองแต่ละเกรดเข้าไป พร้อมบอกให้รู้ว่า รูปแบบนี้เรียกว่าทุเรียนเกรด AB นะ แบบนี้เรียกว่าเกรด C นะ

กระบวนการเหล่านี้เรียกว่ากระบวนการ Machine Learning

เมื่อคอมพิวเตอร์ได้รับปริมาณข้อมูลมากขึ้นเรื่อยๆ ผนวกกับวิธีการออกแบบโครงสร้างการเรียนการสอน (model) ที่ช่วยพัฒนากระบวนการคิดวิเคราะห์ให้ดีขึ้นเรื่อยๆ คอมพิวเตอร์ก็จะเริ่มมีความแม่นยำและความฉลาดทวีคูณขึ้นอย่างน่าอัศจรรย์ในเวลาอันรวดเร็ว

ตัวกระบวนการ Machine learning นั้น สามารถแบ่งออกได้เป็น 3 รูปแบบหลักๆ ดังนี้

Image for post
Image for post
Machine Learning

ส่วน Machine Learning ในแบบที่เรากำลังทำกันอยู่นี้เป็นลักษณะการเรียนรู้แบบมีผู้สอน ที่เรียกว่า Supervised Learning

ทบทวน Data science pipeline กันซักนิด เพื่อเตรียมกระบวนท่าที่เราจะใช้ในการติวสอบไฟนอลงานคัดทุเรียนหมอนทองแห่งชาติ

Image for post
Image for post
Data Science Pipeline
  1. Business Understanding
  2. Data Collection
  3. Data Preparation
  4. Exploratory Data Analysis
  5. Modeling
  6. Model Evaluation
  7. Model Deployment

สนใจศึกษาColab เพิ่มเติมได้ตามลิงค์นี้

1. Business Understanding

ปัญหาหลักๆ ที่เราพบในเรื่องการคัดแยกเกรดของทุเรียนนั้นมีอยู่หลายระดับดังนี้

Image for post
Image for post
Business Understanding

ผู้ช่วยในการแก้ปัญหามาแว้วว

หมอนทอง AI !!!!

เทพคัดเกรด ลดความเสี่ยง ทุ่นเวลา

เพื่อช่วยลดความเสี่ยง และทุ่นเวลาในการคัดแยก เราจึงคิดวิธีการแก้ปัญหา คือ

สร้าง AI ที่มีความสามารถในการคัดแยกทุเรียนหมอนทองด้วยภาพ

ตามการแบ่งเกรด 3 ระดับ ดังนี้

  1. เกรด AB
  2. เกรด C
  3. Out ตกเกรด

รวมไปถึงสามารถคัดแยกทุเรียนหมอนทองออกจากทุเรียนสายพันธุ์อื่นได้ด้วย

2. Data collection

เปิดโผเทคนิคการเลือกข้อมูลเตรียมสอนน้องคอม

  1. เราเริ่มจากการเตรียม data set โดยจุดประสงค์ในการทำครั้งนี้คือเมื่อสอบไฟนอลคัดเกรดทุเรียนหมอนทอง น้องคอมพิวเตอร์จะสามารถคัดแยกเกรดทุเรียนหมอนทองด้วยตัวเองได้
    ดังนั้นจะต้องมีรูปทุเรียนพันธุ์หมอนทองแต่ละเกรดในปริมาณที่มากพอ สำหรับไว้ติวให้กับคอมพิวเตอร์
  2. เราแบ่งทีมติวเตอร์ระดมพลหารูปทุเรียนหมอนทองแต่ละเกรด โดยกำหนดว่าอย่างน้อยต้องหามาให้ได้ประมาณคนละ 20 รูปขึ้นไป ยิ่งเยอะยิ่งดี โดยใช้วิธี
    2.1 manual ด้วยแรงงานติวเตอร์ G8 ในทีม
    2.3 ใช้กลยุทธ์ web scraping
Image for post
Image for post

3. Data Preparation

กระบวนท่าจัดสรรคัดแยกกลุ่มดาต้า

  1. ปัญหาแรกที่เจอคือ รูปทุเรียนที่ได้มามีหลากหลายนามสกุล ทั้ง .png และ .jpg แต่ด้วยไฟล์นามสกุล .png จะมีลักษณะของบาง Layer ที่โปร่งแสงซึ่งทำให้เกิดปัญหาเมื่อนำมาใส่โค้ด เราจึงต้องคัดใช้เฉพาะรูปที่มีไฟล์นามสกุลเป็น .jpg เพื่อความสะดวกในการใช้งาน
  2. นำรูปที่ได้มาคัดแยก เลือกเอาเฉพาะรูปที่เป็นทุเรียนจริงและมีเปลือก โดยต้องเป็นรูปทุเรียนทั้งลูกที่เป็นผลสมบูรณ์ ไม่แหว่ง หรือโดนบังมากไป รวมทั้งต้องไม่มีลายน้ำลิขสิทธิ์ติดมาให้กวนใจ
  3. ทำการแบ่งรูปทุเรียนหมอนทองตามเกรดต่างๆโดยอ้างอิงข้อมูลจากท่านเจ้าของสวนทุเรียนหมอนทอง ดังนี้
Image for post
Image for post
รูปตัวอย่าง คัดเกรดทุเรียน (AB, C และ OUT)

4. ทำการระบุเกรดของทุเรียนในรูป (Image Labeling*) ด้วยโปรแกรม Labellmg

*Image Labeling คือการทำภาพข้อสอบรูปทุเรียนพร้อมติดเฉลยคำตอบในภาพว่าเป็นทุเรียนเกรดอะไร เพื่อใช้ในการฝึกสอนคอมพิวเตอร์

5. แบ่งข้อมูลรูปภาพออกเป็น 2 โฟลเดอร์ คือ Train (มีไว้ติว) กับ Test (มีไว้ทดสอบหลังติวเสร็จ)

6. ในขณะที่เรากำลังทำการเตรียมข้อมูลอยู่นั้น ฝ่ายที่ทำการลงโค้ดก็พบว่า ชื่อรูปมีการตั้งชื่อปะปนกันหลายรูปแบบ เนื่องจากเราไม่ได้กำหนดแนวทางการตั้งชื่อไว้ แต่ละคนต่างแยกกันไปหา เมื่อต้องบันทึกรูป การตั้งชื่อต่อท้ายจึงตั้งขึ้นแบบตามใจฉันด้วยความไม่รู้

ซึ่งทำให้ขั้นตอนเตรียมข้อมูลเกิดมีความยุ่งยากมากขึ้น จึงได้เรียนรู้ว่าเราควรกำหนดการใส่ชื่อให้เข้าใจตรงกันตั้งแต่แรก โดยควรให้ทุกคนตั้งชื่อภาพในลักษณะเดียวกัน งดเว้นการใช้จุดในการตั้งชื่อเพื่อลดการเสียเวลาเมื่อต้องทำการใส่โค้ด

4. Exploratory Data Analysis

เรียนเสริม เรียนเพิ่ม ขยายผลความเข้าใจ

  1. ขั้นตอนแรกเราจะทำการสุ่มเลือกรูปทุเรียนขึ้นมา เพื่อตรวจสอบความถูกต้องสมบูรณ์
  2. จากเดิมที่ได้ทำการแบ่งกลุ่มไว้ 4 แบบ คือ AB, C, OUT และทุเรียนพันธุ์อื่น(Other) พบว่ากลุ่มทุเรียนพันธุ์อื่น มีลักษณะใกล้เคียงกับกลุ่ม C และกลุ่ม OUT มาก และด้วยเวลาของโปรเจคที่มีจำกัด บวกกับปริมาณชุดข้อมูลทั้งหมดยังมีไม่มากพอให้ระบบเรียนรู้ที่จะแยกแยะทุเรียนพันธุ์อื่นๆว่าแตกต่างจากหมอนทองอย่างไร เราจึงตัดสินใจเอาภาพกลุ่มทุเรียนพันธุ์อื่นออก
  3. ตรวจสอบจำนวนรูปทุเรียนในแต่ละ Class ตามเกรด AB, C และ Out ว่าเหมาะสมต่อการสร้างแบบจำลองหรือไม่ โดยพิจารณาจาก
    ปริมาณข้อมูล : เนื่องจากปริมาณข้อมูลภาพที่เราหามาได้นั้นมีค่อนข้างน้อย การจะนำไปติวน้องคอมเลยก็จะดูเป็นติวเตอร์กากๆ เราจึงได้ทำ Data Augmentation เพื่อปรับแต่งชุดข้อมูลเดิมให้กลายเป็นเสมือนข้อมูลชุดใหม่ เป็นการเพิ่มปริมาณข้อมูลภาพ ด้วยเทคนิคการปรับแต่งรูปเพื่อประหยัดเวลาในการต้องไปหารูปใหม่มาเพิ่ม (ฉลาดปะล่าา…กิๆ 😀😀😀)

การทำ Data Augmentation สามารถทำได้โดยการปรับแต่งรูปจากโครงสร้างเดิม เช่น การหมุนรูปภาพไปทางซ้ายหรือขวา, การกลับด้านรูปภาพ, การย่อหรือขยายภาพ, การปรับสีรูปภาพให้เข้มขึ้น หรือจางลง, การปรับแสงรูปภาพให้สว่างหรือมืด, การปรับแต่ง Contrast, การปรับ Perspective, การเพิ่มหรือลด Noise, การเบลอภาพ เป็นต้น

Image for post
Image for post
ตัวอย่างการทำ Data Augmentation
  • ความสมดุลของข้อมูลในแต่ละ Class : แม้จำนวนรูปภาพที่เรานำไปใช้สร้างแบบจำลองนั้น จะมีปริมาณในแต่ละเกรดไม่เท่ากัน แต่ก็นับว่ายังอยู่ในระดับที่ Make sense และใช้งานได้ เราจึงไม่ได้ปรับเพิ่มเติมในจุดนี้
    ตามหลักการแล้วหากข้อมูลที่นำไปใช้ในการสร้างแบบจำลองมีความไม่สมดุลมากจนไม่ Make sense เช่น มีข้อมูล A อยู่แค่ 10 แถว แต่มีข้อมูล B มากถึง 1,000 แถว ก็ควรมีการปรับข้อมูลให้มีปริมาณใกล้เคียงกัน เพื่อเสริมประสิทธิภาพของแบบจำลองให้ดียิ่งขึ้น(จะได้ดู เท่ๆ คูลๆ หน่อย 😎)

5. Modeling (Model Training)

ฝึกพิเศษสุดเฟี้ยว by ติวเตอร์ G8

  1. เพื่อลดเวลาที่ใช้ในการฝึกสอนแบบจำลองก่อนที่จะนำข้อมูลไปสร้างแบบจำลอง เราจะทำการแก้ไขปรับลดค่า Pixel (Rescale) ของรูป ด้วยการลดทอนค่าเฉดสีจากที่มีช่วงสี 0–255 ซึ่งมีค่าเฉดสีค่อนข้างเยอะ เป็น 0–1 เพื่อให้คอมพิวเตอร์จดจำข้อมูล และนำไปใช้ได้ง่ายขึ้น (Normalization)
Image for post
Image for post
ตัวอย่างการทำ Rescale

2. จากนั้นก็ทำการ Resize รูปให้มีขนาดเท่ากับ 240x240 พิกเซล เพื่อกำหนดขนาดของรูปให้เท่ากัน ไม่ใหญ่ไป หรือเล็กไป และตัด(crop)รูปเอาแค่เฉพาะส่วนที่เป็นรูปทุเรียนเท่านั้น

3. ทำ Data Augmentation อีกรอบ เพื่อลดการเกิด Overfit

Overfit คือการที่น้องคอมเถรตรงเกินไป ความรู้ยังน้อยด้อยศึกษา เนื่องจากการดูแต่รูปเดิมๆ จะทำให้น้องคอมที่ยังใสซื่อ เกิดการตัดสินภาพแบบสุดโต่ง ซึ่งถ้าเมื่อไหร่ก็ตามที่น้องได้เห็นภาพใหม่ที่ ไม่เคยเห็นมาก่อน ต่อให้ภาพนั้นคือของประเภทเดียวกันแต่ต่างกันแค่นิดเดียว น้องก็จะไม่เข้าใจ และตอบว่าไม่ใช่โดยทันที
(ก็อันนี้พี่ติวเตอร์ไม่เคยสอนอะแม่…แหง่วว 😰😰😰)

จึงต้องมีการพลิกแพลงการสอนให้น้องคอมไม่เถรตรงเกินไปนัก เวลาเจอรูปแปลกๆ ที่แปลกไปจากที่เคยเห็น(แต่เป็นสิ่งเดียวกัน) จะได้ตัดสินใจได้ดีขึ้น

4. เราได้ทดลองสร้างแบบจำลอง (Model) ง่ายๆ สำหรับการตรวจจับวัตถุ (Object Detection) ด้วยรูปแบบโครงข่ายประสาทแบบคอนโวลูชัน (Convolutional Neural Network, or CNN*) เพื่อทำเป็น baseline ขึ้นมาใช้ก่อน แต่เมื่อได้ทำการทดสอบ ก็พบว่ามันดูไม่ค่อยเวิร์คเท่าไหร่

*CNN เป็นการจำลองการมองเห็นของมนุษย์ที่จะวิเคราะห์สิ่งที่เห็นจากรายละเอียดตรงพื้นที่ที่มีจุดให้สังเกตความแตกต่างของวัตถุ โดยจำแนกภาพๆนั้นจากจุดแตกต่างทางกายภาพ ของระยะขอบวัตถุนั้นกับสิ่งรอบข้าง และนำรายละเอียดของของพื้นที่ย่อย ๆที่เห็นมาผสานกันเพื่อตีความว่าสิ่งที่เห็นอยู่คือวัตถุอะไร

Image for post
Image for post
อ่านข้อมูล CNN เพิ่มได้ใน [Ref: ]

5. จากนั้นเราจึงเปลี่ยนมาใช้ MobileNet ในการสร้างแบบจำลอง

Image for post
Image for post

Mobilenet ดียังไง
mobilenet เป็นโมเดลสำเร็จรูปที่ออกแบบมาสำหรับมือถือ สร้างขึ้นโดย google คุณสมบัติคือกินพื้นที่ Memory น้อย รันข้อมูลได้เร็ว ทำให้กินพลังงานน้อย ช่วยประหยัดเวลา ให้ผลลัพธ์อยู่ในระดับที่น่าพึงพอใจ และใช้งานง่าย จึงถือว่าเป็นอีกทางเลือกนึงที่น่าหยิบมาใช้งาน

6. ตัวโมเดลแบบ Deep Neural Network (โครงสร้างเลียนแบบการทำงานแบบซับซ้อนคล้ายโครงข่ายสมองของมนุษย์) มักจะประสบปัญหา Overfit เมื่อเทรนกับ Dataset ที่มีขนาดเล็ก (ก็เรื่องเดิมนั่นแหละ เห็นมาน้อย ก็จะจำได้แค่นั้น เจอแปลกกว่าเดิมหน่อยก็ไม่เข้าใจละ) เราจึงต้องทำการ Dropout เพื่อลดปัญหาดังกล่าว

Image for post
Image for post

จากข้อมูลที่นำมาทั้งหมด เรา Dropout ออกไป 30% เพื่อที่จะลดการเกิด Overfit

Dropout คืออะไร คือการใช้แค่โมเดลเดียว มาจำลองเป็นหลาย ๆ โมเดล โดยการสุ่มถอดบางองค์ประกอบของภาพ (Node) ออก ในระหว่างการเทรน

😝เบลอว่ารักแถบ…แบบว่าไม่ต้องชัดมาก อิๆ จำไปแบบเบลอๆนั่นล่ะเจ้าคอม

เป็นวิธีที่ประหยัดทั้งเวลา และทรัพยากร ออกแนวฉลาดแกมโกงนิสนึง ตามสไตล์ ติวเตอร์ G8 😎😎😎

ข้อดี คือ ช่วยลดการเอาแต่ท่องจำข้อมูลเดิมๆ เป็นการฝึกไหวพริบให้แก่คอมพิวเตอร์ และที่สำคัญเราจะได้ไม่ต้อง ทำโมเดลหลาย ๆ โมเดล (Maintain) เพื่อสอนคอมพิวเตอร์

6. Model Evaluation

ติวมาตั้งเยอะ น้องคอมคัดเกรดทุเรียนได้รึยัง ไหนลองทดสอบหน่อยซิ

การวัดผลประสิทธิภาพความแม่นยำของโมเดลนั้นจะมีการวัดผลในหลายแบบหลายมิติ สำหรับโปรเจคหมอนทอง AI เราจะใช้วิธีตรวจสอบดังนี้

  1. วัดผลภาพรวมด้วยค่า Loss (ค่าวัดผลความผิดพลาดของ Model ว่ามีมากขนาดไหน) และ ค่า Accuracy (เปอร์เซ็นต์การทำนายถูกในทุกคลาส เรามี 3 คลาส คือ เกรด AB, C และ Out)
  2. ตรวจสอบว่าแบบจำลอง Overfitted หรือไม่ โดยดูจากค่าความถูกต้องจากการฝึก (Training Accuracy) เทียบกับ ค่าความถูกต้องในการทายชุดข้อมูลที่เตรียมไว้ไม่ให้โมเดลเห็นซึ่งเป็นภาพชุดเดียวกันแต่ไม่มีเฉลย (Validation Accuracy) โดยค่า Validation ที่ได้ควรน้อยกว่าค่าที่ได้จาก Training จึงจะถือว่าไม่ overfit
    โดยเราจะเลือก loss ของ validation ที่ต่ำที่สุด (ไม่ใช่เลือกจาก Accuracy ที่สูงที่สุดของ Training )จึงจะถือว่าโมเดลมีประสิทธิภาพ
Image for post
Image for post

การวัดผลราย Class (จำแนกตาม Grade : AB, C, Out) จะต้องมีการวัดเพิ่มด้วย Precision, Recall, F1-Score หรือดูคำอธิบายได้จาก

เมื่อใส่สมการจะได้ค่าออกมาดังนี้

s 375ms/Step

Image for post
Image for post

ซึ่งในครั้งนี้เราเลือกใช้แค่ค่า Precision ประกอบกับข้อมูลค่า Accuracy ข้างต้น

Precision คือ การวัดผลความแม่นยำของข้อมูลแบบแยกทีละคลาส ใช้พิจารณาจากการทำนายผิด จากใช่ ทายผิดเป็นไม่ใช่

7. Model Deployment

ส่งน้องหมอนทอง AI ลงสนามจริง

เนื่องจากต้องการให้โมเดลนี้ใช้งานง่าย และแพร่หลาย จึงเลือก deploy ผ่าน Heroku ตามตัวอย่างการสร้างAPI ที่ BOTNOI ได้จัดทำไว้

ส่วนวิธีการใช้งานโมเดลของเรา คือ โยนรูปทุเรียนข้าไปใน API ของBotnoi

สรุป

เกี่ยวกับตัวโมเดลของเรา มีข้อจำกัดดังนี้

  • เราทำ Project นี้ ในตอนที่ไม่ใช่ฤดูกาลทุเรียน เราจึงไม่สามารถเลือกถ่ายภาพทุเรียนจริงแบบที่ต้องการได้ ทำให้ต้องใช้รูปทุเรียนหมอนทองจากในอินเตอร์เนตแทน คุณภาพรูปที่ได้มาจึงยังไม่ค่อยตอบโจทย์มากนัก และมีปริมาณรูปทุเรียนในแต่ละเกรดไม่สมดุลกัน(Imbalance) หากมีการพัฒนาต่อ ควรมีการหารูปเพิ่ม
  • ประสิทธิภาพของ หมอนทอง AI ที่ทำการทดสอบ(ระยะเวลาโปรเจคประมาณ 2 สัปดาห์) อยู่ในระดับที่น่าพึงพอใจ หากโมเดลนี้มีการพัฒนาต่อ จะสามารถใช้งานได้จริง และ ช่วยลดมูลค่าความเสียหายที่ต้องทิ้งเปล่า (waste) ของทุเรียนที่คัดพลาดลงได้

การต่อยอด

  • แม้ใน Phase นี้ จะเน้นเพียงการคัดแยกเกรดเฉพาะทุเรียนหมอนทองเท่านั้น แต่ก็สามารถต่อยอดไปสู่การพัฒนาในกลุ่มทุเรียนพันธุ์อื่นได้ รวมถึงแตกยอดการพัฒนาการทำนายไปในกลุ่มผลไม้อื่นที่ไม่ใช่ทุเรียนต่อได้อีกด้วย
  • Transfer Learning : ยังมีโมเดลโคตรโหดอันอื่นๆที่สามารถเอามาทำการสอน เพื่อให้ผลการทำนายปังมากยิ่งขึ้นต่อไปได้
  • เชื่อมต่อระบบกล้องเพื่อการพัฒนาการเก็บข้อมูลและสามารถ Detect วิดีโอ แบบ Real Time ได้ด้วย
  • เชื่อมต่อระบบสแกนสินค้าเพื่อต่อยอดสู่ระบบอุตสาหกรรมในระดับส่งออก
  • Mobile Device เพื่อเข้าถึงผู้บริโภคในระดับการใช้งานส่วนตัว
  • ต่อยอดเป็นแชทบอทเพื่อขยายโครงข่ายผู้ใช้บริการในอนาคต

botnoi-classroom

This publication consists of articles related to Data…

DSE2.G8

Written by

DSE2.G8

botnoi-classroom

This publication consists of articles related to Data science and AI written from Botnoi’s data scientists and students.

DSE2.G8

Written by

DSE2.G8

botnoi-classroom

This publication consists of articles related to Data science and AI written from Botnoi’s data scientists and students.

Medium is an open platform where 170 million readers come to find insightful and dynamic thinking. Here, expert and undiscovered voices alike dive into the heart of any topic and bring new ideas to the surface.

Follow the writers, publications, and topics that matter to you, and you’ll see them on your homepage and in your inbox.

If you have a story to tell, knowledge to share, or a perspective to offer — welcome home. It’s easy and free to post your thinking on any topic.

Get the Medium app

A button that says 'Download on the App Store', and if clicked it will lead you to the iOS App store
A button that says 'Get it on, Google Play', and if clicked it will lead you to the Google Play store