ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
This study aimed to develop and evaluate Deep Learning models for detecting varietal contamination in KDML-105 jasmine rice seeds using multispectral imaging and seed morphological features. Four rice varieties—KDML-105 and three Non–KDML-105 varieties (Chainat-1, RD-15, and RD-6)—were used, with 1,000 seeds collected per variety (4,000 seeds in total). All samples were subjected to imaging, object segmentation, and statistical feature extraction across multiple spectral bands to create inputs for three Deep Learning models: a Bayesian Neural Network (BNN), a Convolutional Neural Network (CNN), and a Recurrent Neural Network (RNN). Experimental results showed that the BNN achieved the highest accuracy on multispectral datasets, reaching 0.99 for both the Physical Reflectance and Multi-Reflectance datasets. The CNN produced slightly lower accuracy, while the RNN consistently performed the poorest across all datasets, indicating that feed-forward architectures are better suited for non-sequential reflectance data. SHAP-based feature analysis identified Min_nir as the most influential variable for classifying both KDML-105 and Non–KDML-105 seeds, followed by Mean_blue and several statistical descriptors from the green and blue spectral bands. These findings highlight the strong discriminative capability of NIR reflectance for separating rice varieties with subtle morphological differences, supported by additional surface-related cues captured in the blue band. Overall, the results demonstrate that Deep Learning combined with multispectral imaging is a viable approach for detecting seed contamination. The identification of key spectral bands suggests the potential for designing a lower-cost inspection system using only NIR and blue channels, enabling the development of automated or real-time sorting solutions suitable for practical implementation in Thailand’s rice industry.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 75/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Spectroscopy and Chemometric Analyses · Smart Agriculture and AI · Remote Sensing in Agriculture
บทบาทของนักวิจัยและสถาบันไทย
Khunnithi Doungpueng · Jirasin Prueksawan · Lalita Panduangnat · Anuradee Kirichee · Jetsada Posom · Rajamangala University of Technology Isan, Khon Kaen Campus · Khon Kaen University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง