ตลาดอาหารและอุตสาหกรรมอาหารเป็นธุรกิจที่นำผลิตผลจากการเกษตรมาใช้เป็นวัตถุดิบหลักในการผลิต ดังนั้น หากสามารถวิเคราะห์เทรนด์ของส่วนประกอบอาหารในแต่ละพื้นที่จากพฤติกรรมผู้บริโภคบนโลกออนไลน์ได้แล้ว ข้อมูลเหล่านั้นสามารถนำมาประกอบการพิจารณาว่าประเทศไทยควรส่งเสริมการทำเกษตรกรรมในด้านใดทั้งในส่วนของการส่งออกและการบริโภคภายในประเทศ เพื่อผลิตและพัฒนาสินค้าในภาคการเกษตรให้ตอบโจทย์ผู้บริโภคได้มากขึ้น โดยในงานวิจัยฉบับนี้ได้เลือก Scrape ข้อมูลจาก Twitter และ Instagram ที่มี hashtag เกี่ยวข้องกับอาหารไทยมาใช้ในการวิเคราะห์ โดยนำภาพไปผ่านโมเดลที่พัฒนาขึ้นเพื่อใช้ในการทำนายชื่อเมนูจากรูป (ใช้รูปอาหารจาก Google image ในการเทรนด์โมเดลสำหรับการทำนายชื่อเมนู โดยใช้ ResNet50 ในการ extract image feature และ Linear SVC ในการทำนายชื่อเมนูจากรูป และ Calibrate classifier เพื่อแสดงค่า probability ในการทำนายชื่อเมนูประกอบ) จากนั้นนำชื่อเมนูไปหาส่วนประกอบอาหาร ทำการนับ Frequency และ adjust ค่าด้วย concept Information diffusion แบบ Decision based model งานวิจัยฉบับนี้ได้แสดงให้เห็นถึงความเป็นไปได้ที่จะใช้แนวคิดของงานวิจัยในการวิเคราะห์เทรนด์ของส่วนประกอบอาหารในแต่ละพื้นที่จากพฤติกรรมผู้บริโภคในโลกออนไลน์ได้ อย่างไรก็ตาม ผลลัพธ์จากงานวิจัยยังไม่ตรงตามเป้าประสงค์ที่วางไว้เนื่องด้วยปัญหาที่พบระหว่างทาง ได้แก่ คุณภาพของข้อมูลที่ได้จากการ Scrape, ข้อจำกัดของ Hardware, และคุณภาพของโมเดลที่ใช้ในการทำนายเมนูจากรูปภาพ งานวิจัยฉบับนี้เป็นส่วนหนึ่งของวิชา BADS 7201 และ BADS 7202

1. การวิเคราะห์เทรนด์ของส่วนประกอบอาหารในแต่ละ
พื้นที่จากสื่อสังคมออนไลน์
(Ingredient Recognition)
นาเสนอโดย
6210422039 กังสดาล ลีลาวณิชย์
6210422045 เกียรติคุณ เซนชัย
6210422057 ชวิน เกียรติวิญญู
6210422066 ธีรุตม์ อนุรักษ์จาตุรงค์

2. 2
ลาดับหัวข้อการนาเสนอ …
1. ที่มาและความสาคัญ
2. แหล่งที่มาของข้อมูล
3. วิธีดาเนินการวิจัย
4. สรุปผลการวิจัย
5. ถอดบทเรียน

3. ที่มาและความสาคัญ
1
3

4. 4

5. 5 เพิ่มโอกาสในการผลิตและพัฒนาสินค้า
ในภาคการเกษตรให้ตอบโจทย์ผู้บริโภค
เพิ่มโอกาสในการเข้าใจพฤติกรรม
ของผู้บริโภคผ่าน Social Media
5

6. แหล่งที่มาของข้อมูล
2
6

7. ข้อมูลที่ต้องใช้ในงานวิจัยประกอบด้วย …
1. ข้อมูลส่วนประกอบอาหารของแต่ละเมนูอาหาร
2. ข้อมูลรูปภาพอาหารเพื่อใช้ในการสร้างโมเดลทานายชื่อเมนูอาหารจากรูป
3. ข้อมูลจาก Social Media เพื่อใช้ในการวิเคราะห์
7

8. 1. ข้อมูลส่วนประกอบอาหาร
ข้อมูลจาก https://www.ezythaicooking.com/free_recipes.htm
จะได้ ชื่ออาหารและส่วนประกอบ จานวน 253 เมนู
8

9. 2. ข้อมูลรูปภาพอาหารเพื่อใช้ในการสร้างโมเดลทานายชื่อเมนูอาหารจากรูป
=
รูปภาพ 2,100 รูป
(100 รูปต่อ 1 เมนู)
ค้นหารูปภาพ 253 เมนูที่ได้จากการ Scrape ข้อมูลส่วนประกอบอาหาร ด้วยข้อจากัดทาง
hardware ในการประมวลผลโมเดล ทาให้ต้องลดเมนูเหลือ 21 เมนู
9

10. 3.ข้อมูลจาก Social Media เพื่อใช้ในการวิเคราะห์
10

11. 3.ข้อมูลจาก Social Media เพื่อใช้ในการวิเคราะห์
• ภาพรวมการดึงข้อมูล Twitter โดยใช้
1. กาหนด Flow การดึงข้อมูล
2.เลือกตาแหน่งของข้อมูลที่
ต้องการ Scrap บน Website
3. แสดง Preview ของข้อมูลที่
Scrape ได้ตามที่ได้ระบุ
11

12. 3.ข้อมูลจาก Social Media เพื่อใช้ในการวิเคราะห์
• ภาพรวมการดึงข้อมูล Instagram
ใช้ สาหรับการเปิด Browser แล้วทาการ
Scroll Down เพื่อเลื่อนหน้า Website เพื่อทาการดึงข้อมูล
ใช้
ดึงข้อมูลที่อยู่ในส่วนของ
JavaScript
12

13. 3.ข้อมูลจาก Social Media เพื่อใช้ในการวิเคราะห์
13

14. วิธีดาเนินการวิจัย
3
14

15. 15

16. 16

17. 17

18. 18

19. 19

20. 20

21. 21

22. 22

23. สรุปผลการวิจัย
4
23

24. ข้อมูลตั้งต้น
• เมนูและข้อมูลส่วนประกอบอาหาร ทั้งหมด 253 เมนู ใช้ในการวิเคราะห์จริง 21 เมนู โดยเลือกจากอาหารที่เป็นที่นิยมใน
ต่างประเทศประจาปี 2019 – 2020
• ได้โมเดลสาหรับทานายชื่อเมนูจากรูปภาพ (Accuracy = 0.93)
ข้อมูลที่ Scrape จาก Twitter
• ใช้ได้จริง 2,696 ทวีตจาก 6,525 ทวีต
• ข้อมูล retweet ไม่สามารถนามาใช้ได้เพราะข้อจากัดของ Tools ที่ใช้
• องค์ประกอบของข้อมูลจากแต่ละทวีตที่นามาใช้ในการวิเคราะห์จึงประกอบด้วย Image URL, Caption, Tweet Date, และ
Country ซึ่ง country มาจาก tag location หรือ account profile ที่ทวีต
ข้อมูลที่ Scrape จาก Instagram
• ใช้ได้จริง 1,802 posts จาก 4,446 posts
• องค์ประกอบของข้อมูลจากแต่ละโพสต์ที่นามาใช้ในการวิเคราะห์จึงประกอบด้วย Image URL, Caption, Post Date, และ
Country มาจาก tag location
ผลลัพธ์
• ทานายชื่อเมนูจากรูปภาพของ Twitter และ Instagram ได้เพียง 984 รายการจาก 4,498 รายการที่ระดับความน่าจะเป็น 0.5
24

25. • นาข้อมูลมาหา 5 อันดับส่วนประกอบอาหารยอดนิยมในแต่ละประเทศโดยใช้ Frequency เพียงอย่างเดียว เพราะไม่สามารถ adjust
ด้วย concept information diffusion แบบ Retweet ได้
25

26. • ข้อมูลไม่เพียงพอที่จะใช้ในการแสดงเทรนด์ข้อมูลตามช่วงระยะเวลา จึงไม่สามารถแสดงผลในส่วนของเทรนด์ของส่วนประกอบ
อาหารที่กาลังมาแรงในช่วงที่ผ่านมา และเทรนด์ของส่วนประกอบอาหารที่ความนิยมลดลงอย่างมากในช่วงที่ผ่านมาได้
• นาข้อมูลส่วนประกอบอาหารที่เป็นที่นิยม 5 อันดับของทุกประเทศไปแสดงความสัมพันธ์ในรูปแบบของกราฟเพื่อหา insight
26

27. งานวิจัยฉบับนี้ได้แสดงให้เห็นถึงความเป็นไปได้ที่จะใช้แนวคิดของงานวิจัยในการวิเคราะห์เทรนด์ของส่วนประกอบอาหาร
ในแต่ละพื้นที่จากพฤติกรรมผู้บริโภคในโลกออนไลน์ได้
อย่างไรก็ตาม ผลลัพธ์จากงานวิจัยยังไม่ตรงตามเป้าประสงค์ที่วางไว้เนื่องด้วยปัญหาที่พบระหว่างทาง ได้แก่
คุณภาพของข้อมูลที่
ได้จากการ Scrape
ข้อจากัดของ
Hardware
คุณภาพของโมเดลที่ใช้ใน
การทานายเมนูจากรูปภาพ
27

28. ถอดบทเรียน
5
28

29. ปัญหาหลักที่พบ สรุปและอภิปรายผลการวิจัย ข้อเสนอแนะ
1. ข้อจากัดของการ Scrape
ข้อมูล และคุณภาพของข้อมูลที่
ได้จากการ Scrape
• การ Scraping ข้อมูลจากวิธีการที่ใช้ไม่
สามารถเลือกดึงข้อมูลด้วยเงื่อนไขต่าง ๆ ได้
เช่น ช่วงเวลาหรือสถานที่ที่ต้องการ
• รูปภาพที่ใช้สร้างโมเดลมีปริมาณน้อย
เพราะการ search ข้อมูลจาก Google
image โดยเฉลี่ยมากกว่า 100 รูปจะได้รูปที่
ไม่ตรงกับที่ต้องการ Search ทาให้มีโอกาส
ที่ feature vector ไม่ครอบคลุมกับรูปที่
เจอในข้อมูลจริง
• ทาการสมัคร Service ที่มีบริการ API ที่
น่าเชื่อถือได้ในการดึงข้อมูลจาก Twitter
และ Instagram
• พิจารณาใช้ NLP มาช่วยในการตรวจจับ
Location จากภาษาที่ระบุใน Caption
ของ Tweet/Post
• ซื้อ stock image เพื่อมาใช้ในสร้าง
Model เพื่อทานายชื่อเมนูจากรูปภาพ
29

30. ปัญหาหลักที่พบ สรุปและอภิปรายผลการวิจัย ข้อเสนอแนะ
2. ข้อจากัดทาง Hardware • Environment ที่ใช้มี resource ไม่เพียงพอ
ต่อการประมวลผล
• Optimize Model
• เพิ่ม Resource ให้เพียงพอต่อการ
ประมวลผล เช่น การใช้บริการ AWS เป็น
ต้น
3. คุณภาพของโมเดลที่ใช้ในการ
ทานายเมนูจากรูปภาพ
• ได้รับผลกระทบโดยตรงจากคุณภาพของ
ข้อมูลของการ Scrape และข้อจากัดทาง
Hardware
• พิจารณาใช้ YOLO + ResNet50 +
Linear SVC (Calibrate classifier)เป็น
Algorithm ในการทานายชื่อเมนูจาก
รูปภาพ
• พิจารณาใช้ NLP เพิ่มมาช่วยในการทานาย
ชื่อเมนูจากรูปภาพ
30

31. ภาคผนวก
31

32. 32
สถิติรายการอาหารที่ทานายได้จาก Social Media แบ่งตามช่วงเดือน (ปี 2020)

33. 33
สถิติรายการอาหารที่ทานายได้จาก Social Media แบ่งตามประเทศ