การตรวจจับวัตถุขนาดเล็กเพื่อจำแนกและตรวจจับไข่มดแดง

ธรรมรัตน์ บุญรอด; สุขสันต์  พรมบุญเรือง; บัญชา  เหลือผล; เสาวลักษณ์ จิตติมงคล; จุราวรรณ ภารสถิตย์

ผู้แต่ง

ธรรมรัตน์ บุญรอด สาขาวิชาคอมพิวเตอร์ธุรกิจ คณะบริหารศาสตร์ มหาวิทยาลัยกาฬสินธุ์ https://orcid.org/0009-0006-6014-2803
สุขสันต์ พรมบุญเรือง สาขาวิชาคอมพิวเตอร์ธุรกิจ คณะบริหารศาสตร์ มหาวิทยาลัยกาฬสินธุ์
บัญชา เหลือผล สาขาวิชาคอมพิวเตอร์ธุรกิจ คณะบริหารศาสตร์ มหาวิทยาลัยกาฬสินธุ์
เสาวลักษณ์ จิตติมงคล สาขาวิชาบริหารธุรกิจ คณะบริหารศาสตร์ มหาวิทยาลัยกาฬสินธุ์
จุราวรรณ ภารสถิตย์ ผู้ช่วยนักวิจัย สาขาวิชาคอมพิวเตอร์ธุรกิจ คณะบริหารศาสตร์ มหาวิทยาลัยกาฬสินธุ์

คำสำคัญ:

การจำแนก, ไข่มดแดง, การตรวจจับวัตถุขนาดเล็ก , โยโล่เวอร์ชัน11n

บทคัดย่อ

งานวิจัยนี้มีวัตถุประสงค์เพื่อประยุกต์ใช้เทคนิคการตรวจจับวัตถุขนาดเล็กในการจำแนกและตรวจจับไข่มดแดงจากภาพถ่ายไข่มดแดงจากรังเทียม โดยมุ่งเน้นการเพิ่มความแม่นยำในการตรวจจับ เพื่อประมาณปริมาณไข่มดแดงร่วมกับแบบจำลองเชิงลึก YOLO เวอร์ชัน YOLOv11n ซึ่งเป็นวิธีการที่มีประสิทธิภาพในการตรวจจับวัตถุขนาดเล็ก วิธีการดำเนินงานวิจัยแบ่งเป็น 4 ขั้นตอนดังนี้ การเก็บรวบรวมข้อมูล การปรับปรุงภาพ การฝึกฝนข้อมูลและการทดสอบข้อมูล และการวัดประสิทธิภาพ ชุดข้อมูลที่ใช้ในการทดลองประกอบด้วยภาพไข่มดแดงจำนวน 47 ภาพ โดยแบ่งออกเป็นชุดฝึก32 ภาพ ชุดตรวจสอบ 9 ภาพ และชุดทดสอบ 6 ภาพ เป็นสัดส่วน (70:20:10) ตามลำดับ และมีการประยุกต์ใช้เทคนิคการเพิ่มข้อมูล (Data Augmentation) ได้แก่ การปรับขนาดภาพ การหมุนภาพ และการปรับค่าความสว่างและสี เพื่อเพิ่มความหลากหลายของข้อมูลและลดปัญหาการเรียนรู้เกิน (Overfitting) ผลการทดลองพบว่าแบบจำลองสามารถตรวจจับไข่มดแดง โดยมีค่าความแม่นยำ (Precision) เท่ากับ 0.66 และค่าการเรียกคืน (Recall) เท่ากับ 0.79 ค่าความแม่นยำเฉลี่ย (Mean Average Precision) ที่ค่า IoU เท่ากับ 0.5 (mAP@0.5) เท่ากับ 0.76 และค่า mAP@0.5:0.95 เท่ากับ 0.49 ผลการทดลองแสดงให้เห็นว่าแบบจำลองสามารถตรวจจับวัตถุขนาดใหญ่ได้ดีกว่าวัตถุขนาดเล็ก งานวิจัยนี้สามารถนำไปประยุกต์ใช้ในระบบเกษตรอัจฉริยะเพื่อช่วยในการตรวจจับและประเมินปริมาณไข่มดแดงได้

เอกสารอ้างอิง

[1] กลุ่มสารสนเทศและข้อมูลสถิติ ศูนย์เทคโนโลยีสารสนเทศและการสื่อสาร, “ข้อมูลจำนวนปศุสัตว์ในประเทศไทย 2568,” [ออนไลน์]. Available: https://ict.dld.go.th/index.php/th/service/report/book/report-book-2568. [เข้าถึงเมื่อ: 7 เม.ย. 2569].

[2] นันทิญา มณีโชติ, ชวนพิศ จารัตน์, วัจนารัตน์ ควรดี, นิชาภา เฉตระการ, ฐิตาภรณ์ นิลวรรณ, และยุพเยาว์ โตคีรี, “การเพาะเลี้ยงมดแดงในครัวเรือน กรณีศึกษาพื้นที่แปลงปลูกไม้มีค่าทางเศรษฐกิจในจังหวัดสุรินทร์,” วารสารแก่นเกษตร, ปีที่ 52, ฉบับ 2, หน้า 226–236, 2567, doi: 10.14456/kaj.2024.16.

[3] P. Viola and M. Jones, “Rapid object detection using a boosted cascade of simple features,” in Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. (CVPR), Kauai, HI, USA, 2001, vol. 1, pp. I-511–I-518, doi: 10.1109/CVPR.2001.990517.

[4] N. Dalal and B. Triggs, “Histograms of oriented gradients for human detection,” in Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit. (CVPR), San Diego, CA, USA, 2005, vol. 1, pp. 886–893, doi: 10.1109/CVPR.2005.177.

[5] A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet classification with deep convolutional neural networks,” Commun. ACM, vol. 60, no. 6, pp. 84–90, Jun. 2017, doi: 10.1145/3065386.

[6] S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards real-time object detection with region proposal networks,” IEEE Trans. Pattern Anal. Mach. Intell., vol. 39, no. 6, pp. 1137–1149, Jun. 2017, doi: 10.1109/TPAMI.2016.2577031.

[7] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Las Vegas, NV, USA, 2016, pp. 779–788, doi: 10.1109/CVPR.2016.91.

[8] W. Liu, D. Anguelov, D. Erhan, C. Szegedy, S. Reed, C.-Y. Fu, and A. C. Berg, “SSD: Single shot multibox detector,” in Computer Vision – ECCV 2016, Lecture Notes in Computer Science, vol. 9905. Cham, Switzerland: Springer, 2016, pp. 21–37, doi: 10.1007/978-3-319-46448-0_2.

[9] X. Yuan, A. Chakravarty, E. M. Lichtenberg, L. Gu, Z. Wei, and T. Chen, “An empirical study of methods for small object detection from satellite imagery,” arXiv preprint arXiv:2502.03674, 2025, doi: 10.48550/arXiv.2502.03674.

[10] C. Deng, L. Chen, and S. Liu, “YOLOSCM: An improved YOLO algorithm for cars detection,” arXiv preprint arXiv:2501.13343, 2025, doi: 10.48550/arXiv.2501.13343.

[11] A. Raza, F. Hanif, and H. A. Mohammed, “Analyzing the enhancement of CNN-YOLO and transformer based architectures for real-time animal detection in complex ecological environments,” Sci. Rep., vol. 15, Art. no. 39142, Nov. 2025, doi: 10.1038/s41598-025-26645-2.

[12] C.-Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao, “YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors,” in Proc. IEEE/CVF Conf. Comput. Vis. Pattern Recognit. (CVPR), Vancouver, BC, Canada, 2023, pp. 7464–7475, doi: 10.1109/CVPR52729.2023.00721.

[13] T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, and S. Belongie, “Feature pyramid networks for object detection,” in Proc. IEEE Conf. Comput. Vis. Pattern Recognit. (CVPR), Honolulu, HI, USA, 2017, pp. 2117–2125, doi: 10.1109/CVPR.2017.106.

[14] G. M. Dlussky, T. Wappler, and S. Wedmann, “New middle Eocene formicid species from Germany and the evolution of weaver ants,” Acta Palaeontol. Pol., vol. 53, no. 4, pp. 615–626, 2008, doi: 10.4202/app.2008.0406.

[15] G. Jocher and J. Qiu, “Ultralytics YOLO11,” Ultralytics, 2024. [Online]. Available: https://github.com/ultralytics/ultralytics

[16] X. Gong, J. Yu, H. Zhang, and X. Dong, “AED-YOLO11: A small object detection model based on YOLO11,” Digit. Signal Process., vol. 166, Art. no. 105411, Nov. 2025, doi: 10.1016/J.DSP.2025.105411.