การนับจำนวนไข่หนอนไหมพันธุ์พื้นบ้านที่เหมาะสมในการฝักตัวด้วยการประมวลผลภาพ
Abstract
เส้นไหมที่มีคุณภาพของจังหวัดสุรินทร์มักเริ่มต้นด้วยการคัดเลือกไข่หนอนไหมเลี้ยงพันธุ์พื้นบ้านที่มีความแข็งแรงจำนวน 20,000 ฟอง วางกระจายในแนวนอนบนกระดาษกาวขนาด A4 โดยไม่ทับซ้อนกัน ซึ่งวิธีดังกล่าวจะส่งผลต่อการฝักตัวและเติบโตไปสู่หนอนไหมวัยอ่อนต่อไป ปัจจุบันศูนย์หม่อนไหมเฉลิมพระเกียรติฯ จังหวัดสุรินทร์ยังคงใช้วิธีการนับด้วยมือซึ่งมีความยากในการคัดเลือกไข่หนอนไหม เนื่องจากมีขนาดเล็กมาก ดังนั้นงานวิจัยนี้ได้นำเสนอแนวคิดในการวิธีการนับจำนวนไข่หนอนไหมพันธุ์พื้นบ้านที่เหมาะสมในการฝักตัวด้วยการประมวลผลภาพด้วย OpenCV และใช้ภาษาไพธอน และใช้รูปภาพในการทดสอบจำนวน ขนาดภาพกว้างตั้งแต่ 450 พิกเซล และความยาว 420 พิกเซล จำนวน 20 ภาพในการทดสอบ โดยมี การพัฒนา 6 ขั้นตอน ได้แก่ 1) อ่านภาพและแปลงจากปริภูมิสี RGB เป็น HSV 2) ประมวลผลในการรับช่วงสี 3) ปรับค่าสีโดยใช้ระดับสีเทา, Gaussian Blur และ Image Thresholding 4) ลบวัตถุขนาดเล็กโดยใช้การดำเนินการแปลงทางสัณฐานวิทยาการปิด 5) ค้นหาพื้นที่รูปร่าง พื้นที่เฉลี่ย และลบพื้นที่ที่มีขนาดเล็กเกินไป 6) ค้นหาผลลัพธ์โดยใช้การแปลงระยะทางและอัลกอริทึม Watershed หรือค้นหาวงกลมในแต่ละรูปร่างโดยใช้ HoughCircles ผลการศึกษาพบว่าโดยเฉลี่ยสามารถนับจำนวนไข่หนอนไหมได้ถูกต้อง ร้อยละ 71.32
References
K. Kiratiratanapruk and W. Sinthupinyo, “Silkworm Egg Image Analysis using Different Color Information for Improving Quality Inspection,” IEEE, pp. 16, 2016.
S. Nakharacruangsak and S. Choonprawat, “An Applied Local Binary Pattern by Hyperbolic Secant for Edge Detection of Images and applied to Images Retrieval,” Journal of Energy and Environment Technology, vol. 5, no. 1, pp. 2. Jan. 2018.
P. Sittijuk, W. Sanchana and W. Niyomdutsadee, “The recommendation using colors and pictures in package design by integrated Ontology with K-mean Algorithm,” Information Technology Journal, Vol.17, no. 1, pp. 78, Jan. 2021.
N. Sanujit and B. Dasri, “Fore Detection System by Using Finding Countour and HSV model,” Science Technology and Innovation (STIJ), Vol. 1, no.2 , pp. 12, Jan. 2021.
A. H. Ibrahim, P. Kumam and W. Kumam, “A Family of Derivative-Free Conjugate Gradient Methods for Constrained Nonlinear Equations and Image Restoration,” in IEEE Access, Vol. 8, pp. 162714–162729, 2020.
N. Tepkasetkul and J. Wetweerapong, “Modifications of Canny Method for Image Edge Detection”, in Proceeding of NGRC, Khonkan University Thailand, Mar. 15, 2019, pp. 301 (in Thai).
A. S. Kornilov and I.V. Safonov, “An Overview of Watershed Algorithm Implementations in Open Source Libraries.” Journal of Imaging, Vol. 4, no. 10. , pp. 123, 2018.
C. Mungkala, “Enhance Watershed Segmentation for Primary Medical Imaging”, Progress in Applied Science and Technology, Vol. 13, no.1, pp. 7, 2023.
P. Neubert and P. Protzel, "Compact Watershed and Preemptive SLIC: On Improving Trade-offs of Superpixel Segmentation Algorithms," 22nd International Conference on Pattern Recognition, Stockholm, Sweden, pp. 996, 2014.
T.Srikanth et al., “Color Image Segmentation
using Watershed Algorithm”, International Journal of Computer Science and Information Technologies. Vol. 2, no. 5, pp. 2333, 2011.
D. Koc-Sa, S. Selim, N. Aslan & B. T. San., “Automatic citrus tree extraction from UAV images and digital surface models using circular Hough transform”, Computers and electronics in agriculture, Vol. 150, pp. 289, 2018.
C. Chen, S. Yi, J. Mao, F. Wang, B. Zhang, F. Du, "A Novel Segmentation Recognition Algorithm of Agaricus bisporus Based on Morphology and Iterative Marker Controlled Watershed Transform." Agronomy, Vol.13, no. 2, pp. 347. 2023.
S. R. Machireddy, “Automatic Extraction of Watershed Model by using Python Programming.” Environmental Science and Engineering. Vol 2, no. 2, pp. 47. 2023.
G. Aryotejo Adi, P. W., Ernawan, F. and Mufadhol, M., “Detecting and counting coin using opencv and watershed algorithm.” In AIP Conference Proceedings Vol. 2738, no. 1, pp. 202, 2023.
M. Sayeed, A. Ayesha, N and M. A. Sayeed, “Detecting Crows on Sowed Crop Fields using Simplistic Image processing Techniques by Open CV in comparison with TensorFlow Image Detection API”, International Journal for Research in Applied Science and Engineering Technology, Vol. 8, no. 3., pp. 64, 2020.
L. Wang, S. Wang, and Y. Deng, “Under water animals detecting robot based on watershed algorithm”, In 2nd International Conference on Mechatronics Engineering and Information Technology, pp. 296, Atlantis Press., 2017.
P. Sanyal and S. Barui, “The watershed transform in pathological image analysis: application in rectiulocyte count from supravital stained smears” International Journal of Research in Medical Sciences, Vol. 7, no. 3, pp. 872, 2019.
A. A. Fauzi, “Implementation of ColorSpace, GrabCut, and Watershed Methods on Digital Image Segmentation of Coral and Fish Objects.” Journal of Computer Networks, Architecture and High Performance Computing, Vol. 5, no. 1, pp. 88, 2003.
J. Pecchia and D. Beyer, “Pest management on US commercial mushroom farms.” Outlooks on Pest Management, Vol. 24, no. 1, 28-29. 2013.
S. Jardim, J. António, Mora C. Graphical Image Region Extraction with K-Means Clustering and Watershed. Journal of Imaging, Vol. 8, no. 6, pp. 163, 2022.
R Büchner, M. Vörös, H. Allaga, A. Varga, Bartal, A. Szekeres, A. Varga, S. Bajzát, J.Bakos-Barczi, N. Misz, A. et al, “Selection and Characterization of a Bacillus Strain for Potential Application in Industrial Production of White Button Mushroom.” Agronomy 2022, Vol. 12, pp. 467, 2022.
G. Li, Y. Zhang, B. Xu and Li, X., “Image analysis and processing of skin cell injury based on opencv.” In Journal of Physics: Conference Series, IOP Publishing, Vol. 1237, No. 3, pp. 8, 2019.
