ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
The precision of oil palm fresh fruit bunch (FFB) ripeness classification directly determines the extraction efficiency and chemical quality of the resulting crude palm oil (CPO). Traditional manual inspection at reception ramps remains labour-intensive, time-consuming, and subjective. To address these issues, this study presents a lightweight deep learning framework for automated oil palm FFB ripeness classification trained on a field-collected dataset of 857 images covering four ripeness classes (Over-ripe, Ripe, Under-ripe, and Unripe). Six lightweight classification backbones are evaluated, including MobileNetV2, EfficientNetV2B0/B1, and YOLO variants. An intra-class half-mixing augmentation with geometric transformation is proposed to address minority-class imbalance. Overall, YOLOv8n-cls achieved the highest accuracy (95.6%), followed by EfficientNetV2B0/B1, YOLO11n-cls, YOLO26n-cls, and MobileNetV2, respectively. In addition, all YOLO-family models achieved a recall score of 1.00 for the minority class while obtaining the highest F1 scores for the other classes. The experimental results suggest that the proposed augmentation method enables lightweight deep learning models to achieve promising classification performance on an imbalanced field-collected FFB dataset while improving minority-class detection.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 70/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Oil Palm Production and Sustainability · Smart Agriculture and AI · Date Palm Research Studies
บทบาทของนักวิจัยและสถาบันไทย
Hadee Madadum · Kanjana Haruehansapong · Walailak University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง