Klasifikasi kematangan buah tandan segar (FFB) kelapa sawit semasa penuaian
adalah penting bagi memastikan FFB dituai pada peringkat optimum untuk pengeluaran
minyak sawit yang maksimum. Penuaian FFB pada peringkat kematangan yang salah
telah menyebabkan hampir separuh daripada jumlah kilang-kilang minyak sawit di
Malaysia mempunyai kadar perahan minyak (OER) kurang daripada 20%. Projek ini
membentangkan kit pengesanan kematangan buah kelapa sawit yang mengesan
kematangan FFB sebelum penuaian dan memberi keputusan penuaian. Projek ini
mencatat kemajuan dalam lima peringkat, iaitu pemerolehan imej-imej sample FFB
kelapa sawit, pembangunan algoritma pemprosesan imej, pembangunan kaedah
pengekstrakan ciri imej, pembangunan rangkaian neural tiruan (ANN) pengelas
kematangan dan akhirnya pelaksanaan dalam perkakasan. Kit ini menggunakan papan
kawalan NI sbRIO-9632XT, satu kamera protokol internet, dan sebuah LCD modul
paparan. Sistem ini berfungsi seperti berikut: (1) memperoleh imej FFB sawit; (2)
melaksanakan segmentasi imej; (3) mengekstrak nilai warna dari imej; (4)
mengklasifikasi kematangan FFB menggunakan rangkaian neural “multilayer perceptron”
(MLP) dan (5) memaparkan tahap kematangan dan keputusan penuaian pada panel LCD.
Penyelidikan untuk kaedah pengekstrakan ciri imej dan model rangkaian neural MLP
yang paling sesuai telah dijalankan. Ketepatan klasifikasi kematangan yang dicapai ialah
80.88% dan ketepatan untuk keputusan penuaian ialah 86.76%. Kit pengesanan ini
mewujudkan satu piawaian yang objektif dalam klasifikasi kematangan FFB sawit dan
dapat memberi keputusan penuaian yang boleh dipercayai kepada para penuai.
_______________________________________________________________________________________________________
Ripeness classification of oil palm fresh fruit bunches (FFB) during harvesting is
important to ensure that they are harvested during the optimum stage for maximum oil
production. Currently, harvesting oil palm FFB of wrong ripeness stage has caused almost
half of the total palm oil mills in Malaysia had oil extraction rate (OER) less than 20%.
This project presents an oil palm fruit ripeness detection kit that detects the fruit ripeness
prior harvesting and provides a reliable harvesting decision. The project is progressed in
five stages, which are acquisition of oil palm FFB sample images, development of image
processing algorithm, development of feature extraction method, development of
artificial neural network (ANN) ripeness classifier, and finally hardware implementation.
The embedded kit utilizes the National Instruments sbRIO-9632XT controller board, an
internet protocol camera, and a LCD touch panel display module. The system works in
the following way: (1) acquire oil palm FFB image; (2) perform fruit image segmentation;
(3) extract hue values from processed image; (4) classify the fruit ripeness using
multilayer perceptron (MLP) neural network; and (5) display the fruit ripeness and
harvesting decision on the LCD panel. Investigation on the best feature extraction method
and MLP neural network model were carried out. The ripeness classification accuracy
achieved for the final design is 80.88% and its harvesting decision accuracy is 86.76%.
This oil palm fruit ripeness detection kit aims to replace the conventional human grading
of oil palm FFB as it creates an objective standard in classifying the FFB ripeness and
provides a reliable harvesting decision to the harvester.