เว็บแอปพลิเคชันอัจฉริยะสำหรับจำแนกและทำนำยระยะเวลำกำรสุกของกล้วยหอมทองเพื่อลดขยะอำหำร

An intelligent web application for classifying and predictingthe ripeness period of 'Hom Thong' bananas to reduce food waste

Abstract

กล้วยหอมทองเป็นผลไม้เศรษฐกิจที่สำคัญของประเทศไทย ที่ผ่านมาการระบุระยะเวลาการสุกต้องอาศัยประสบการณ์เฉพาะบุคคล ทำให้ประสบปัญหาการสูญเสียจากการคัดแยกที่ไม่เหมาะสมมากกว่า 30% ของผลผลิต งานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาโมเดลการเรียนรู้ของเครื่องและการเรียนรู้เชิงลึกเพื่อจำแนกความสุกของกล้วยหอมทองออกเป็น 4 ระยะ ได้แก่ ดิบ ห่าม สุก และงอม พร้อมทั้งพัฒนาเว็บแอปพลิเคชันสำหรับทำนายระยะเวลาการสุก โดยใช้วิธีการเก็บข้อมูลค่าความหวาน (Brix) และอุณหภูมิแวดล้อมเพื่อสร้างความเชื่อมั่นในแบบจำลอง
ผลการดำเนินงานพบว่า สภาพแวดล้อมมีผลต่อการสุกอย่างมีนัยสำคัญ โดยกล้วยที่เก็บในบ้านมีค่าความหวาน (ค่า Brix) เพิ่มขึ้นอย่างรวดเร็วและต่อเนื่องกว่ากล้วยที่เก็บนอกบ้าน เนื่องจากอุณหภูมินอกบ้านมีความผันผวนมากกว่า ส่วนการดำเนินงานพัฒนาเว็บแอปพลิเคชันนั้น ใช้โมเดล YOLO ในการตรวจจับวัตถุ ใช้ Teachable Machine ในการจำแนกประเภท และ ใช้เครื่องมือ Random Forest ในการทำนายระยะเวลาการสุกโดยอ้างอิงจากอุณหภูมิและเวลาหลังการเก็บเกี่ยว ผลลัพธ์แสดงให้เห็นว่าสีและลักษณะภายนอกมีความสัมพันธ์โดยตรงกับค่าความหวานอย่างมีนัยสำคัญ โดยเว็บแอปพลิเคชันต้นแบบนี้ช่วยให้เกษตรกรสามารถจำแนกและทำนายระยะเวลาการสุกของกล้วยหอมทองได้ ส่งผลให้การบริหารจัดการผลผลิตมีประสิทธิภาพสูงสุด ช่วยลดขยะอาหารและเพิ่มมูลค่าทางเศรษฐกิจในอนาคต

This article presents 'Hom Thong' banana is a vital economic fruit in Thailand, but it faces over 30% post-harvest loss due to improper sorting. As ripeness identification typically relies on individual experience, this project aims to develop Machine Learning and Deep Learning models to classify banana ripeness into four stages: unripe, half-ripe, ripe, and overripe. Additionally, a web application was developed to predict the ripeness period using sweetness (Brix) and ambient temperature data to ensure model reliability.
The results indicate that environmental factors significantly affect ripening; bananas stored indoors showed a faster and more consistent increase in Brix values compared to those stored outdoors, where temperatures fluctuated. The web application integrates YOLO for object detection, Teachable Machine for classification, and Random Forest for predicting the ripening timeframe based on temperature data. Findings confirm that external appearance and color directly correlate with average Brix values. This prototype application will assist farmers in efficient produce management, thereby reducing food waste and enhancing economic value in the future.