การวิเคราะห์คุณสมบัติไดอิเล็กตริกของสับปะรดในช่วงความถี่ 0.6 ถึง 18 กิกะเฮิรตซ์ และจำแนกปริมาณความหวานด้วยโครงข่ายประสาทเทียมแบบหลายชั้นเพอร์เซพตรอน
คำสำคัญ:
คุณสมบัติไดอิเล็กตริก, ความหวานสัปปะรด, โครงข่ายประสาทเทียมแบบหลายชั้นเพอร์เซพ ตรอนบทคัดย่อ
บทความนี้นำเสนอการวิเคราะห์ปริมาณความหวานของสับปะรดด้วยคุณสมบัติ ไดอิเล็กตริกในช่วงความถี่ 0.6 ถึง 18 กิกะเฮิรตซ์ และประยุกต์ใช้โครงข่ายประสาทเทียมแบบเพอร์เซพตรอนหลายชั้น เพื่อประมวลผลและจำแนกระดับความหวานของสับปะรด ค่าคงที่ไดอิเล็กตริก ( ) และค่าตัวประกอบการสูญเสียไดอิเล็กตริก ( ) ของสับปะรดได้รับการตรวจวัดในช่วงความถี่กว้าง โดยใช้เครื่องวิเคราะห์โครงข่ายแบบเวกเตอร์ ทำงานร่วมกับโพรบไดอิเล็กตริกแบบทนอุณหภูมิสูง ค่า และ ที่ความถี่ 0.6 ถึง 18 กิกะเฮิรตซ์ ของสับปะรด 40 ตัวอย่าง มีระดับความหวานตั้งแต่ 14, 15 ถึง 19 %Brix และค่า ที่ความถี่ 0.6, 2, 4 ถึง 12 กิกะเฮิรตซ์ มีค่าอยู่ในช่วง 61.21 ถึง 71.5, 57.40 ถึง 68.44, 50.76 ถึง 62.43 และ 33.09 ถึง 41.01 ตามลำดับ และค่า ที่ความถี่ 6, 8, 10 ถึง 18 กิกะเฮิรตซ์ มีค่าอยู่ในช่วง 21.9 ถึง 25.1, 22.1 ถึง 26.9, 21.4 ถึง 26.8 และ 24.1 ถึง 28.9 ตามลำดับ ค่า และ ถูกใช้เป็นอินพุตในการฝึกสอนโครงข่ายประสาทเทียม และเป้าหมายที่ต้องการเป็นระดับความหวานของสับปะรด โครงสร้างของโครงข่ายประสาทเทียมใช้ 14 อินพุต โนดซ่อนเร้นได้รับการปรับอยู่ในช่วง 24, 28 ถึง 32 โนด และเอาต์พุต 3 โนด เป็นตัวแทนของระดับ %Brix และอัตราการเรียนรู้ปรับในช่วง 0.005 ถึง 0.8 อัตราความผิดพลาดในช่วง 10-3 ข้อมูลในการฝึกสอนแบ่งออกเป็น 3 กลุ่ม ได้แก่ 20% 35% และ 50% ให้ความแม่นยำอยู่ในช่วง 69.24% ถึง 98.07%, 66.52% ถึง 99.1% และ 70.76% ถึง 98.12% ตามลำดับ อัตราการเรียนรู้ที่เหมาะสมอยู่ที่ 0.5 และให้ความแม่นยำ 99.1% ข้อมูลที่เหมาะสมสำหรับการฝึกสอนอยู่ที่ 35% เนื่องจากใช้เวลาในการฝึกสอนน้อยแต่ตัดสินใจได้แม่นยำ โครงสร้างที่เหมาะสมของโครงข่ายประสาทเทียมอยู่ที่ 14 อินพุตโนด 24 โนดซ่อนเร้น และ 3 เอาต์พุตโนด ซึ่งมีความซับซ้อนต่ำแต่เรียนรู้และจำแนกระดับความหวานของสัปปะรดได้อย่างมีประสิทธิภาพ
เอกสารอ้างอิง
กระทรวงเกษตรและสหกรณ์. (2566). กระทรวงเกษตรฯ เดินหน้าการพัฒนาสับปะรดไทย เตรียมตั้งคณะทำงานจัดทำร่างกฎหมายพืชสับปะรด หนุนสร้างอาชีพมั่นคง และยั่งยืน. สืบค้น กุมภาพันธ์ 2568,จาก https://www.moac. go.th/news-preview-451491791899.
ปรมินทร์ วงษ์เจริญ, กฤติยาภรณ์ คุณสุข, ประพัน ลี้กุล และ พรพิมล ฉายแสง. (2566). การวิเคราะห์คุณสมบัติทางไฟฟ้าของมังคุดและตรวจจับเนื้อ แก้วด้วยระบบเซนเซอร์ย่านความถี่เอ็กซ์. วารสารวิชาการเทคโนโลยีอุตสาหกรรม : มหาวิทยาลัยราชภัฏสวนสุนันทา, 11(2), 60-71.
พรพิมล ฉายแสง, ประพัน ลี้กุล, ปรมินทร์ วงษ์เจริญ และ กฤติยาภรณ์ คุณสุข. (2563). การตรวจวัดค่าสภาพยอมไฟฟ้าของน้ำเชื่อมในย่านความถี่กว้าง เพื่อจำลองการตรวจสอบปริมาณน้ำตาล ด้วยโครงข่ายประสาทเทียม. วารสารวิชาการคณะเทคโนโลยีอุตสาหกรรม มหาวิทยาลัยราชภัฏเทพสตรี, 15(2), 132-142.
มนตรี กล้าขาย. (2562) สับปะรดตราดสีทอง พืชทองของคนเมืองตราด. สืบค้น กุมภาพันธ์ 2568,จาก https://www.technologychaoban.com/bull et-news-today/article_75101.
วรารัตน์ แก้วหลอด, ศรันย์ อ้นเงิน, ชุติมณฑน์ สิงห์แก้ว, พรพิมล ฉายแสง, และ ประพัน ลี้กุล, (2567). การประยุกต์ใช้กำลังคลื่นส่งผ่านย่านความถี่เอ็กซ์เพื่อตรวจสอบการปลอมปนของน้ำผึ้งโดยไม่สัมผัส, วารสารวิจัยเทคโนโลยีนวัตกรรม, 8(2), 23-34.
ศรัญญา กาญจนวัฒนา, วรวิทย์ ตีรวัฒนประภา, ปัญญ์ชลี ปราณีตพลกรัง, และ กัญจน์ ภักดีสงคราม. (2565). การจำแนกระดับความหวานของสับปะรดโดยใช้การเรียนรู้เชิงลึก. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏศรีสะเกษ, 2(1), 53–61.
Abdel-Sattar, M. Eshra, D. H. Al-Obeed, R. S. and Aboukarima, A. M. (2021). Development of an artificial neural network as a tool for predicting the chemical attributes of fresh peach fruits, PLoS ONE, 16(7): e0251185, 1-20.
doi: 10.1371/journal.pone.0251185
Chaisaeng, P. Limpiti T. and Leekul. P. (2023). Intelligent sensor system with transmission coefficient in x-band frequency for determining sugar content. Progress in electromagnetics research C, 135, 157-172.
doi: 10.2528/PIERC23040404
Cheng E. M. et al. (2018). Microwave reflection based dielectric spectroscopy for moisture content in Melele mango fruit (Mangifera Indica L.). Journal of Telecommunication, Electronic and Computer Engineering, 10(1-14), 281-294.
Hasan, M. A. Sarno, R. and Sabilla, S. I. (2020). Optimizing machine learning parameters for classifying the sweetness of pineapple aroma using electronic nose. International Journal of Intelligent Engineering and Systems, 13(5), 122-132.
doi: 10.22266/ijies2020.1031.12
Haykin, S. (1994). Neural networks, a comprehensive foundation. Macmillan: New York.
Onimisi, M. Y. and Ikyumbur, J. T. (2015). Computation of dielectric constant and loss factor of water and dimethylsulphoxide from 0.1 to 13 GHz. Scientific Review, 1(4), 79–85.
Pozar, D.M. (2012). Microwave engineering (4 ed). USA.John : Wiley & Sons.
Qiu, G. Lu, H. Wang, X. Wang, C. Xu, S. Liang, X. and Fan, C. (2023). Nondestructive detecting maturity of pineapples based on visible and near-infrared transmittance spectroscopy coupled with machine learning methodologies. Horticulturae, 9(8): 889, 1-15.
Yi, H. Itoh, S. Fukuzawa, K. Zhang, H. and Azuma, N. (2025). Size analysis of large DNA molecules by relaxation time measurement using a nanoslit channel. Lab on a Chip, 25(16), 4048–4058.
Yu, P. Low, M. Y. and Zhou, W. (2018). Development of a partial least squares-artificial neural network (PLS-ANN) hybrid model for the prediction of consumer liking scores of ready-to-drink green tea beverages. Food Research International, 103, 68–75.
doi: 10.1016/j.foodres.2017.10.01
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 สถาบันวิจัยและพัฒนา มหาวิทยาลัยเทคโนโลยีราชมงคลล้านนา

อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
กองบรรณาธิการขอสงวนสิทธิ์ในการปรับปรุงแก้ไขตัวอักษรและค่าสะกดต่าง ๆ ที่ไม่ถูกต้อง และต้นฉบับที่ได้รับการตีพิมพ์ในวารสารเทคโนโลยีและนวัตกรรม ถือเป็นกรรมสิทธิ์ของสถาบันวิจัยและพัฒนา มหาวิทยาลัยเทคโนโลยีราชมงคลล้านนา และผลการพิจารณาคัดเลือกบทความตีพิมพ์ในวารสารให้ถือเป็นมติของกองบรรณาธิการเป็นที่สิ้นสุด

