การพัฒนาตัวแบบการเรียนรู้เชิงลึกสำหรับการตรวจจับโรคอ้อยจากภาพถ่ายใบอ้อย
คำสำคัญ:
การประมวลผลภาพถ่าย, การเรียนรู้เชิงลึก, การตรวจหาโรคอ้อย, EfficientNetB0, MobileNetV2บทคัดย่อ
การวิจัยนี้มีเป้าหมายเพื่อพัฒนาโมเดลการเรียนรู้เชิงลึก(Deep Learning) สำหรับการตรวจหาและจำแนกโรคในอ้อย 4 ชนิดที่พบในประเทศไทย ได้แก่ โรคใบด่างในอ้อย โรคเหี่ยวเน่าแดง โรคราสนิม และโรคใบไหม้ โดยใช้ภาพถ่ายใบอ้อยเป็นข้อมูลนำเข้า กระบวนการวิจัยเริ่มต้นจากการเตรียมข้อมูลภาพ การเพิ่มความหลากหลายของชุดข้อมูลผ่านกระบวนการเสริมข้อมูล (Data Augmentation) และเพื่อเปรียบเทียบประสิทธิภาพการฝึกสอนโมเดล EfficientNetB0 และ MobileNetV2 ผลการทดลองชี้ให้เห็นว่า EfficientNetB0 มีความแม่นยำสูงสุด ด้วยค่า F1-Score เท่ากับ 0.95 นอกจากนี้ยังได้ศึกษาปัจจัยด้านความสว่างและความเบลอของภาพที่มีต่อประสิทธิภาพการทำนายของโมเดล พบว่าทั้งสองปัจจัยไม่มีผลกระทบต่อความสามารถในการทำนาย แสดงให้เห็นถึงความทนทานของโมเดลต่อสภาพแวดล้อมที่เปลี่ยนแปลง งานวิจัยนี้จึงมีศักยภาพในการนำไปประยุกต์ใช้สำหรับการตรวจสอบและจำแนกโรคในอ้อยเพื่อสนับสนุนการจัดการโรคในภาคการเกษตรได้อย่างมีประสิทธิภาพ
เอกสารอ้างอิง
Murphy, K. P. (2012). Machine Learning: A Probabilistic Perspective. The MIT Press.
Aggarwal, C. C. (2018). Neural Networks and Deep Learning: A Textbook. Springer.
Hastie, T., Tibshirani, R., & Friedman, J. (2009). The Elements of Statistical Learning: Data Mining, Inference, and Prediction (2nd ed.). New York, NY: Springer.
มิตรผลโมเดิร์นฟาร์ม. (2020). การวินิจฉัยอ้อยเบื้องต้นจากอาการผิดปกติทางใบ. Retrieved July 25, 2024, from https://www.mitrpholmodernfarm.com/news/2020/05/การวินิจฉัยอ้อยเบื้องต้น-จากอาการผิดปกติทางใบ
Amazon Web Services. (2020). การเสริมข้อมูลคืออะไร. Retrieved July 25, 2024, from https://aws.amazon.com/th/what-is/data-augmentation/
James, G., Witten, D., Hastie, T., & Tibshirani, R. (2013). An Introduction to Statistical Learning: with Applications in R. New York, NY: Springer.
Duda, R. O., Hart, P. E., & Stork, D. G. (2001). Pattern Classification (2nd ed.). John Wiley & Sons.
Big Data Institute. (2022). 4 เหตุผลที่จะทำให้คุณตกหลุมรัก Box Plot. Retrieved July 26, 2024, from https://bdi.or.th/big-data-101/four-reasons-you-ll-love-box-plot/
Sarala, R., SwethaVishnu, V. A., & Raji, T. (2024). Sugarcane disease detection along chatbot. International Journal of Engineering Research in Computer Science and Engineering, 11(3), [Page numbers not available]. Retrieved July 12, 2024, from https://ijercse.com/article/March%207.pdf
Amarasingam, N., Gonzalez, F., Salgadoe, A. S. A., Sandino, J., & Powell, K. (2022). Detection of White Leaf Disease in Sugarcane Crops Using UAV-Derived RGB Imagery with Existing Deep Learning Models. Remote Sensing, 14(23), 6137.
K. Krishnan O, N. Shaju, J. Joseph, G. Mohandas, N. CK and T. T, "Artificial Intelligence Based WhatsApp Bot for Plant Disease Detection," 2023 Innovations in Power and Advanced Computing Technologies (i-PACT), Kuala Lumpur, Malaysia, 2023, pp. 1-6, doi: 10.1109/i-PACT58649.2023.10434523.
GeeksforGeeks. (2024). EfficientNet B0 to B7. Retrieved July 20, 2024, from https://www.geeksforgeeks.org/efficientnet-architecture/
Hollemans, M. (2018, April 22). MobileNet version 2. MachineThink. Retrieved July 17, 2024, from https://machinethink.net/blog/mobilenet-v2/
สำนักงานคณะกรรมการอ้อยและน้ำตาลทราย. (2024). คู่มือวินิจฉัยโรคอ้อย. Retrieved July 20, 2024, from https://cspc3.ocsb.go.th/wp-content/uploads/2024/02/คู่มือวินิจโรคอ้อย.pdf
Daphal, S., Koli, S., Koli, D., & Mane, P. (2022). Sugarcane leaf disease dataset [Data set]. Mendeley Data. Retrieved July 20, 2024, from https://data.mendeley.com/datasets/9424skmnrk/1
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
หมวดหมู่
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2024 วารสารวิชาการวิทยาศาสตร์และวิทยาศาสตร์ประยุกต์
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความวิชาการ/บทความวิจัยที่ได้ตอบรับการตีพิมพ์ถือเป็นลัขสิทธิ์ของคณะวิทยาศาสตร์และเทคโนโลยีมหาวิทยาลัยราชภัฏอุตรดิตถ์
