The development of a decision support system using deep learning methods to select passion fruit for the aging society

การออกแบบระบบสนับสนุนการตัดสินใจเลือกผลเสาวรสสำหรับผู้สูงวัย

Name: Akksatcha Duangsuphasin.

keyword: Convolutional neural networks.

LCSH: Deep learning (Machine learning)

; MLPNN.

LCSH: Decision support systems.

LCSH: Passion fruit -- Nutritional aspects.

LCSH: Information storage and retrieval systems -- Older people.

LCSH: Heuristic algorithms.

LCSH: Older people -- Nutrition.

Abstract: As the aging population grows, chronic health issues are increasing, necessitating proper nutritional guidance. Passion fruit, rich in nutrients, can help alleviate these conditions, but recommended daily intake for the elderly is not well-established. This study aims to classify passion fruit and suggest appropriate daily intake for elderly individuals using a Decision Support System. Three models and one software are compared: the Network in Network (NiN), the Multilayer Perceptron Neural Network (MLPNN), a hybrid MLPNN integrated with the Tunicate Swarm Algorithm (TSA), and the EaglAI software. Passion fruit image is photographed in a studio box with a white background and LED lighting to ensure consistent image quality. The NiN model achieved the highest accuracy, with 96.76% on the training set and 95.89% on the validation set, outperforming EaglAI (84.6%). The MLPNN model attained 61.9% training accuracy and 63.7% on the test set, while the MLPNN hybrid TSA showed slight improvement (65.0% test accuracy). The NiN model's sensitivity analysis highlights the blue channel as most impactful, suggesting targeted optimization. For the MLPNN model, Parameter 4-Woman (age 60-69) is critical, with Parameters 6-Woman, age 80 years ago and Parameter 8-Hypertension also influencing outcomes. The benefit of this research is that Thai elderly people in each age group who have chronic diseases can consume an appropriate amount of passion fruit nutrients per day, according to a result of the NiN model based upon sugar nutrients.

Abstract: การเพิ่มขึ้นของประชากรผู้สูงวัยทำให้เกิดปัญหาสุขภาพเรื้อรังมากขึ้น ซึ่งจำเป็นต้องมีคำแนะนำ ด้านโภชนาการที่เหมาะสม เสาวรสซึ่งอุดมด้วยสารอาหารสามารถช่วยบรรเทาปัญหาสุขภาพเหล่านี้ได้แต่ยังไม่มีการกำหนดปริมาณการบริโภคที่เหมาะสมในแต่ละวันสำหรับผู้สูงวัย งานวิจัยนี้มีเป้าหมายในการจำแนกประเภทของเสาวรสและแนะนำปริมาณการบริโภคที่เหมาะสมสำหรับผู้สูงวัย โดยใช้ระบบสนับสนุนการตัดสินใจ โดยมีการเปรียบเทียบโมเดล 3 แบบและซอฟต์แวร์ 1 ชนิด ได้แก่ โมเดลเน็ตเวิร์คอินเน็ตเวิร์ค (Network in Network: NIN), โครงข่ายประสาทเทียมแบบมัลติเลเยอร์เพอร์เซพตรอน (Multilayer perceptron Neural Network: MLPNN) และโครงข่ายประสาทเทียมแบบมัลติเลเยอร์เพอร์เซพตรอน ผสมผสานกับวิธีการเมตาฮิวริสติกของ Tunicate Swarm Algorithms (TSA) และซอฟแวร์อีเกิ้ลเอไอ (EaglAI) โดยภาพผลเสาวรสที่นำมาฝึกฝนถูกถ่ายในกล่องสตูดิโอที่มีพื้นหลังสีขาวและใช้แสงจากหลอดไดโอดเปล่งแสง (LED) เพื่อให้ภาพมีคุณภาพสม่ำเสมอ ผลการทดสอบพบว่าโมเดล NIN มีความแมนยำสูงสุด โดยได้ 96.76% ในชุดข้อมูลฝึก (Training Set) และ 95.89% ในชุดข้อมูลตรวจสอบ (Validation Set) ซึ่งดีกว่า EaglAI (84.6%) โมเดล MLPNN มีความแม่นยำในชุดฝึกอยู่ที่ 61.9% และในชุดทดสอบอยู่ที่ 63.7% ในขณะที่โมเดลไฮบริด MLPNN ร่วมกับ TSA มีการปรับปรุงเล็กน้อย โดยมีความแม่นยำในชุดทดสอบอยู่ที่ 65.0% การวิเคราะห์ความไวของโมเดล NIN ชี้ให้เห็นว่า ช่องสีน้ำเงินมีผลกระทบมากที่สุด ซึ่งแนะนำให้มีการปรับแต่งในส่วนนี้โดยเฉพาะ สำหรับโมเดล MLPNN พบว่าพารามิเตอร์ 4 - ผู้หญิงอายุ 60-69 ปี มีความสำคัญมากที่สุด และพารามิเตอร์ 6 - ผู้หญิงอายุ 80 ปีขึ้นไป และพารามิเตอร์ 8 - ความดันโลหิตสูง ก็มีอิทธิทธิพลต่อผลลัพธ์เช่นกัน ประโยชน์จากการวิจัยนี้ คือ การแนะนำปริมาณสารอาหารจากเสาวรสที่เหมาะสมต่อวันสำหรับผู้สูงวัยในประเทศไทย ในแต่ละกลุ่มอายุที่มีโรคเรื้อรัง โดยเฉพาะสารอาหารประเภทน้ำตาล ซึ่งอ้างอิงจากข้อมูลปริมาณสารอาหารอ้างอิงที่ควรได้รับประจำวันสำหรับคนไทย พ.ศ.2563 ที่จัดทำโดย สำนักโภชนาการ กรมอนามัย กระทรวงสาธารณสุข

King Mongkut's University of Technology North Bangkok. Central Library

Address: BANGKOK

Email: library@kmutnb.ac.th

Name: Athakorn Kengpol

Role: dissert advisor.

Email : athakorn.k@eng.kmutnb.ac.th

Created: 2024

Modified: 2568-09-16

Issued: 2025-09-16

วิทยานิพนธ์/Thesis

application/pdf

eng

DegreeName: Doctor of Philosophy

Level: Doctoral Degree

Descipline: Industrial Engineering

Grantor: King Mongkut's University of Technology North Bangkok

©copyrights King Mongkut's University of Technology North Bangkok

ลำดับที่.	ชื่อแฟ้มข้อมูล	ขนาดแฟ้มข้อมูล	จำนวนเข้าถึง	วัน-เวลาเข้าถึงล่าสุด
1	B17715143.pdf	80.52 MB

ใช้เวลา

0.026838 วินาที