การเปรียบเทียบคุณภาพมะม่วงพันธุ์น้ำดอกไม้โดยใช้อัลกอริทึม YOLOv11
คำสำคัญ:
เปรียบเทียบ, มะม่วงพันธุ์น้ำดอกไม้, อัลกอริทึม YOLOv11บทคัดย่อ
มะม่วงน้ำดอกไม้เป็นพืชเศรษฐกิจที่สำคัญ การคัดแยกคุณภาพก่อนออกสู่ตลาดที่ใช้แรงงานมนุษย์มักเกิดข้อผิดพลาดและล่าช้า ผู้วิจัยจึงนำอัลกอริทึม YOLOv11 มาใช้ตรวจสอบคุณภาพมะม่วงผ่านภาพถ่ายจากสมาร์ตโฟน โดยใช้ภาพถ่าย 950 ภาพ แบ่งเป็น Normal (มะม่วงดี) และ Abnormal (มะม่วงมีตำหนิ) มีการทำ Label A (ระบุทั้งลูก) และ Label B (ระบุเฉพาะจุดตำหนิ) พร้อมแบ่งข้อมูลเป็น Train 80%, Validation 10% และ Test 10% ผลการทดลองพบว่า YOLOv11n และ YOLOv11s ใช้พื้นที่จัดเก็บน้อยกว่าและประมวลผลเร็วกว่า ขณะที่ YOLOv11m มีความแม่นยำสูงขึ้นเล็กน้อย แต่ใช้ทรัพยากรสูงกว่า นอกจากนี้ Label A ให้ผลลัพธ์ที่ดีกว่า Label B ในแง่ของ mAP50-95, Precision, Recall และ F1-Score การเลือกใช้อัลกอริทึมขึ้นอยู่กับข้อจำกัดของทรัพยากร หากต้องการความแม่นยำสูงสุดควรใช้ YOLOv11m หากต้องการความสมดุลเลือก YOLOv11s และหากต้องการความเร็วสูงสุดเลือก YOLOv11n งานวิจัยนี้ช่วยเพิ่มความแม่นยำ ลดเวลา และลดข้อผิดพลาดในการคัดแยกมะม่วง อาจนำไปต่อยอดสู่ระบบคัดแยกผลไม้อัตโนมัติในอนาคต
เอกสารอ้างอิง
กษิดิศ สตางค์มงคล. (2566, 17 มกราคม). Confusion matrix คืออะไร พร้อมวิธีคำนวณค่าสถิติง่ายๆ. DataRockie. https://datarockie.com/blog/confusion-matrix-explained/
ไทยขึ้นเบอร์ 1 ส่งออกมะม่วง ตลาดเกาหลีใต้ ปี 2567. (2568, 3 มีนาคม). ไทยรัฐออนไลน์. https://www.thairath.co.th/scoop/infographic/2844988
นพรุจ พัฒนสาร และณัฐวุฒิ ศรีวิบูลย์. (2563). การประมวลผลภาพสำหรับการจําแนกคุณภาพมะม่วงพันธุ์ โชคอนันต์โดยการจําลองการมองเห็นของมนุษย์ด้วยวิธีการเรียนรู้เชิงลึก. วารสารวิทยาการและเทคโนโลยีสารสนเทศ, 10(1), 24-29. https://doi.org/10.14456/jist.2020.3
พีระศักดิ์ ฉายประสาท. (2553). การปลูกมะม่วงน้ำดอกไม้สีทอง. ภารกิจโครงการและประสานงานวิจัย สำนักงานคณะกรรมการวิจัยแห่งชาติ.
Bilal, M. M., Shivandappa, Sanju, H. K., Kumar, N. S., & Kaipa, V. K. (2024). Automated mango classification using convolutional neural networks (CNN). International Journal of Innovative Science and Research Technology, 9(9), 269-275. https://doi.org/10.38124/ijisrt/IJISRT24SEP163
Ghosh, A. (2024, October 8). YOLO11: Redefining real-time object detection. LearnOpenCV. https://learnopencv.com/yolo11/
Khanam, R., & Hussain, M. (2024). YOLOv11: An overview of the key architectural enhancements. arXiv. https://doi.org/10.48550/arXiv.2410.17725
Liu, C., Lin, W., Feng, Y., Guo, Z., & Xie, Z. (2023). ATC-YOLOv5: Fruit appearance quality classification algorithm based on the improved YOLOv5 model for passion fruits. Mathematics, 11(16), Article 3615. https://doi.org/10.3390/math11163615
Nagpal, R., Long, S., Jahagirdar, S., Liu, W., Fazackerley, S., Lawrence, R., & Singh, A. (2023). An application of deep learning for sweet cherry phenotyping using YOLO object detection. arXiv. https://doi.org/10.48550/arXiv.2302.06698
Rao, S. N. (2024, October 23). YOLOv11 architecture explained: Next-level object detection with enhanced speed and accuracy. Medium. https://medium.com/@nikhil-rao-20/yolov11-explained-next-level-object-detection-with-enhanced-speed-and-accuracy-2dbe2d376f71
Sapkota, R., Meng, Z., Churuvija, M., Du, X., Mab, Z., & Karkee, M. (2025). Comprehensive performance evaluation of YOLOv12, YOLOv11, YOLOv10, YOLOv9 and YOLOv8 on detecting and counting fruitlet in complex orchard environments. arXiv. https://doi.org/10.48550/arXiv.2407.12040
Yeh, J.-F., Lin, K.-M., Lin, C.-Y., & Kang, J.-C. (2023). Intelligent mango fruit grade classification using AlexNet-SPP with mask R-CNN-based segmentation algorithm. IEEE Transactions on AgriFood Electronics, 1(1), 41–49. https://doi.org/10.1109/TAFE.2023.3267617
Yoon, S., Cho, Y., & Ahn, T. I. (2024). Melon fruit detection and quality assessment using generative AI-based image data augmentation. arXiv. https://doi.org/10.48550/arXiv.2407.10413
Y-T-G, glenn-jocher, Laughing-q, RizwanMunawar, pderrenger, & ambitious-octopus. (2025, February 26). Ultralytics YOLO11. Ultralytics. https://docs.ultralytics.com/models/yolo11/
Zhu, L., & Spachos, P. (2021). Support vector machine and YOLO for a mobile food grading system. Internet of Things, 13, Article 100359. https://doi.org/10.1016/j.iot.2021.100359
