ข้อมูลจากบทคัดย่อ
ยังไม่มีสรุปภาษาไทยสำหรับระเบียนนี้
ด้านล่างเป็นบทคัดย่อต้นฉบับภาษาอังกฤษจากข้อมูลบรรณานุกรม โปรดตรวจบทความต้นฉบับก่อนอ้างอิง
Precise assessment of durian maturity is important for harvest scheduling, whereas conventional methods are often destructive or dependent on human judgment. Although farmers commonly use knocking sounds in practice, systematic estimation of Days After Anthesis (DAA) from acoustic recordings remains limited. Most existing acoustic approaches for durian maturity assessment have focused on discrete ripeness classification or single-feature representations, which provide limited information for fine-grained harvest scheduling. To address this problem, this paper proposes a dual-stream acoustic regression framework, named the Conventional MFCC and Phase-Difference MFCC Interaction Network (CPDMIN), for estimating continuous durian DAA from knocking sounds. The framework is based on conventional Mel-Frequency Cepstral Coefficients (MFCC) and Phase-Difference Mel-Frequency Cepstral Coefficients (PDMFCC). The MFCC stream is extracted using the standard MFCC procedure from the original spectral representation. PDMFCC is introduced not as a replacement for conventional cepstral analysis, but as an additional phase-aware representation of the same acoustic signal. Specifically, PDMFCC is derived from a phase-difference-modulated spectral representation formed by combining spectral magnitude with adjacent-bin phase-difference information prior to mel filtering and discrete cosine transformation. By jointly modeling magnitude-related cepstral information and phase-difference-informed cepstral cues, the proposed method aims to provide a more informative acoustic representation than conventional single-stream MFCC-based approaches. The proposed CPDMIN framework employs two parallel encoders, a bidirectional interaction module, and an adaptive gated fusion module to learn and integrate the two feature streams before final DAA prediction. The proposed framework was evaluated against eight representative deep-learning baselines, including ResNet, EfficientNet, MobileNet, ConvNeXt, and vision-transformer-based architectures, under the same experimental protocol. Under the present experimental setting, CPDMIN yielded the most favorable overall results among the compared baselines, with a mean absolute error (MAE) of 2.33 ± 0.24 , a root mean square error (RMSE) of 3.82 ± 0.45 , a mean absolute percentage error (MAPE) of 2.18 ± 0.23 , and an R 2 of 0.965 ± 0.010 . These results suggest that jointly modeling MFCC and PDMFCC may be useful for non-destructive durian DAA estimation within the current dataset and acquisition conditions.
เหตุผลที่อยู่ในฐานติดตาม
ระเบียนนี้ได้รับ Impact Signal 72/100 จากความใหม่ แหล่งเผยแพร่ ความร่วมมือ และสัญญาณในข้อมูลบรรณานุกรม คะแนนนี้ใช้จัดลำดับการติดตาม ไม่ใช่การตัดสินคุณภาพงานวิจัย
ประเด็นที่เกี่ยวข้อง: Smart Agriculture and AI · Plant Surface Properties and Treatments · Spectroscopy and Chemometric Analyses
บทบาทของนักวิจัยและสถาบันไทย
Khwanjit Orkweha · Khomdet Phapatanaburi · Watcharakorn Pinthurat · Chaiwat Makhonpas · Wongsathon Pathonsuwan · Patikorn Anchuen · Monthippa Uthansakul · Peerapong Uthansakul · Rajamangala University of Technology Isan · Rajamangala University of Technology Tawan-ok · Suranaree University of Technology · Navamindradhiraj University
ข้อจำกัดของข้อมูล
หน้านี้เป็นระเบียนบรรณานุกรมและข้อมูลจากบทคัดย่อ ยังไม่ใช่บทวิเคราะห์ฉบับเต็มหรือการประเมินคุณภาพงานวิจัย ควรตรวจสอบ DOI และเอกสารต้นฉบับก่อนนำไปอ้างอิง