Members of Learning Innovation Technology Lab

 

 

 

Research Interests:

  • Impage processing
  • Genetic Algorithm

Published paper:

  • การเปรียบเทียบเทคนิคการประมวลภาพเพื่อหาลักษณะและลายโครงสร้างของใบพืชสมุนไพรไทยจากภาพถ่ายด้วยกล้องสมาร์ตโฟน (A COMPARISON OF IMAGE PROCESSING TECHNIQUES TO DETERMINE THE FIGURE AND PATTERN STRUCTURE OF THAI HERB LEAVES FROM PHOTOS TAKEN BY A SMARTPHONE CAMERA)
  • ธวัช รวมทรัพย์ และ สุรศักดิ์ มังสิงห์ การใช้เจเนติกอัลกอริทึมจำแนกชนิดของใบพืชโดยใช้คุณลักษณะรูปทรงและพื้นผิวของใบพืช”. วารสารเกษมบัณฑิต (KASEM BUNDIT JOURNAL) ปีที่ 8 ฉบับที่ 1
  • ธวัช รวมทรัพย์ และ สุรศักดิ์ มังสิงห์. “การจำแนกชนิดของพืชด้วยวิธีเพื่อนบ้านใกล้สุดร่วมกับการเลือกตัวแทนที่เหมาะสมด้วยขั้นตอนวิธีเชิงพันธุกรรมโดยใช้คุณลักษณะรูปทรงและพื้นผิวของใบพืช”. วารสารวิชาการ Veridian E-Journal Science and Technology Silpakorn University ปีที่ 3 ฉบับที่ 4 เดือนกรกฏาคม – สิงหาคม 2559.

 

  Dissertation Title: การจำแนกใบพืชโดยการใช้คุณลักษณะรูปทรงและพื้นผิวของใบพืชด้วยขั้นตอนวิธีพันธุกรรม (Plant Leaf Classification using Leaf Shape and Texture Features with Genetic Algorithm)
  Advisor: ผู้ช่วยศาสตราจารย์ ดร.สุรศักดิ์ มังสิงห์
 

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์ 2 ประการคือ 1 เพื่อนำขั้นตอนวิธีเชิงพันธุกรรมแต่ละขั้นตอนมาหาค่าพารามิเตอร์ที่เหมาะสมสำหรับใช้ในการจำแนกใบพืชโดยใช้คุณลักษณะรูปทรงและพื้นผิวของใบพืช 2 เพื่อเปรียบเทียบผลการจำแนกใบพืชระหว่างขั้นตอนวิธีเชิงพันธุกรรมกับขั้นตอนวิธีเพื่อนบ้านใกล้สุด สำหรับข้อมูลที่นำมาใช้ในการทดลองการจำแนกใบพืชประกอบด้วยภาพใบพืช 30 สายพันธุ์รวมทั้งหมด 340 ใบ งานวิจัยนี้ได้ใช้ข้อมูลใบพืช “leaf” dataset ของ Pedro F.B. Silva et.al.(2014)  สำหรับข้อมูลใบพืชประกอบด้วย 14 คุณลักษณะโดยแบ่งเป็นคุณลักษณะรูปทรงแปลกคุณลักษณะและลักษณะพื้นผิว 6 คุณลักษณะ จากนั้นได้ทำการแบ่งข้อมูลเพื่อทดสอบ (split test)  โดยแบ่งข้อมูลออกเป็น 2 ส่วนส่วนแรก 70 เปอร์เซ็นต์  สำหรับสร้างโมเดล และส่วนที่ 2 30 เปอร์เซ็นต์ สำหรับใช้ในการทดสอบโมเดล และการทำการทดลองโดยการกำหนดค่าพารามิเตอร์ต่างๆ  เข้าสู่พิธีเชิงพันธุกรรม (Genetic Algorithm: GA) เพื่อหาค่าพารามิเตอร์ที่เหมาะสม จากผลการทดลองหาค่าพารามิเตอร์ที่เหมาะสมสำหรับใช้ในการจำแนกใบพืช งานวิจัยนี้ ได้จัดรูปแบบในการหาค่าพารามิเตอร์ทั้งหมด 36 รูปแบบพบว่าเมื่อกำหนดพารามิเตอร์ Pop-Size=50, loop=100, Pm=0.03 และ Pc=0.9  ให้ค่าความเหมาะสมมากที่สุดเมื่อพิจารณาค่าความถูกต้องที่ดีที่สุด จากนั้นนำค่าพารามิเตอร์ไปใช้สำหรับใช้ในการจำแนกใบพืชด้วยขั้นตอนวิธีเชิงพันธุกรรม ผลการทดลองพบว่าได้ค่าความถูกต้องและ (accuracy) = 91.1 8%  ค่าความครบถ้วน (recall)= 92.7 1 % ค่าความแม่นยำ (precision)= 94.5 8% และค่า f-measure =  90.96% จากนั้นด้วยข้อมูลชุดเดียวกันและขั้นตอนการแบ่งข้อมูลเพื่อทดสอบวิธีเดียวกันกับขั้นตอนวิธีเชิงพันธุกรรมใช้ทดสอบกับขั้นตอนวิธีเพื่อนบ้านใกล้สุด (k-Nearest Neaghbors: k-NN)  ในการจำแนกใบพืชด้วยกระบวนการเพื่อนบ้านใกล้สุด โดยได้ทดลองปรับค่าพารามิเตอร์ k=1, 3, 5, 7 และ 10 เพื่อหาประสิทธิภาพ ผลการทดลองพบว่าได้เมื่อปรับค่าพารามิเตอร์ k = 1 ค่าความถูกต้อง (accuracy) = 79.12 % ค่าความครบถ้วน (recall)  = 79.50% ค่าความแม่นยำ (precision) = 73.1 7% และค่า f-measure = 76 20% จากนั้นเมื่อนำผลการวัดประสิทธิภาพระหว่างขั้นตอนวิธีเชิงพันธุกรรมกับขั้นตอนวิธีเพื่อนบ้านใกล้สุดมาเปรียบเทียบประสิทธิภาพ พบว่าค่า accuracy, recall, precision, f-measure ของขั้นตอนวิธีเชิงพันธุกรรม มีค่ามากกว่าขั้นตอนวิธีเพื่อนบ้านใกล้สุด โดยมีความถูกต้องมากกว่า 12.06% ค่าความครบถ้วนมากกว่า 13.21% ค่าความแม่นยำมากกว่า 21.41% และค่า f measure มากกว่า 14.7 6%

 

ABSTRACT
The purposes of this research were (1) to take each suitable process of genetic algorithm parameters in plant leaf classification by using leaf shape and texture features (2) to compare the results of leaf classification between the processes of genetic algorithm and k-nearest neighbors algorithm. The data used in the trial was 340 leaves classification from 30 plant species. This research used leaf dataset of Pedro F.B.Silva et al.(2014) which included 14 features divided into 8 shape features and 6 texture features. The split test was separated into 2 parts 70% for modeling and 30% for testing modeling; conducted by the configuration parameters to the process of genetic algorithm parameters in plant leaf classification. Formatting 36 models of parameter was found that Pop-Size = 50, loop = 100, Pm = 0.03 and Pc = 0.9 were at the most suitability. To take genetic algorithm parameters in plant leaf classification revealed that the accuracy was at 91.18%, recall was at 92.71%, precision was at 94.58% and f-measure was at 90.96%. k-nearest neighbors was conducted to leaf classification and adjusted parameters k =1, 3, 5, 7 and 10 for performance. The results revealed that the accuracy was at 79.12%, recall was at 79.50%, precision was at 73.17% and f-measure was at 76.20%. To conduct the performance measurement between the processes of genetic algorithm and k-nearest neighbors algorithm was found that the accuracy, recall, precision, f-measure of genetic algorithm process were more evaluate than k-nearest neighbors algorithm process at 12.06% in the accuracy, 13.21% in recall, 21.41% in precision and 14.76% in f-measure.