การประยุกต์ใช้โมเดลการเรียนรู้เชิงลึกขนาดเล็กในการจำแนกโรคพืชจากภาพถ่ายผ่าน LINE Chatbot
Article Sidebar
Main Article Content
บทคัดย่อ
เกษตรอัจฉริยะกำลังมีบทบาทสำคัญในประเทศไทย โดยเฉพาะในยุคปัจจุบันที่เทคโนโลยีปัญญาประดิษฐ์สามารถช่วยลดการพึ่งพาผู้เชี่ยวชาญและเพิ่มความรวดเร็วในการวินิจฉัยโรคพืชที่แสดงอาการผ่านทางใบ จากเหตุผลข้างต้น งานวิจัยนี้จึงนำเสนอการประเมินและเปรียบเทียบประสิทธิภาพของโมเดลการเรียนรู้เชิงลึก ได้แก่ ResNet18, EfficientNet-B0 และ MobileNetV3 สำหรับการจำแนกโรคพืชจากภาพใบ โดยใช้ชุดข้อมูลภาพใบมันสำปะหลังที่ประกอบด้วย 5 คลาสและใบมะเขือเทศที่ประกอบด้วย 10 คลาส จากผลการทดลองพบว่า EfficientNet-B0 ให้ค่าความแม่นยำและ F1-score สูงที่สุด รองลงมาคือ MobileNetV3 และ ResNet18 ตามลำดับ หลังจากนั้น ได้นำ EfficientNet-B0 ประยุกต์ใช้งานจริงในระบบเรียลไทม์ จึงได้พัฒนาระบบต้นแบบที่ใช้โมเดล EfficientNet-B0 กับ LINE Chatbot เพื่อให้ผู้ใช้งานสามารถส่งภาพใบพืชและรับผลการจำแนกโรคพืชเบื้องต้นพร้อมข้อเสนอแนะ จากผลการทดลองสรุปว่าสามารถใช้งานผ่าน LINE Chatbot ได้อย่างสมบูรณ์ นั่นก็แสดงให้เห็นว่าสามารถต่อยอดสู่การใช้งานได้จริงในอนาคต
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Journal of TCI is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0) licence, unless otherwise stated. Please read our Policies page for more information...
เอกสารอ้างอิง
สำนักงานพัฒนาการวิจัยการเกษตร (องค์การมหาชน), “พืชเศรษฐกิจ สินค้าสร้างรายได้ในครัวเรือนและประเทศ,” เข้าถึงทางhttps://www.arda.or.th/detail/6166
สำนักงานพัฒนาการวิจัยการเกษตร (องค์การมหาชน), “มะเขือเทศ: นิยาม ประวัติศาสตร์ และการเดินทางสู่ครัวโลก,” เข้าถึงทางhttps://www.arda.or.th/detail/6367
สันติ พรมคำ, “โรคและแมลงศัตรูของมันสำปะหลัง,” การจัดการความรู้เทคโนโลยีการผลิตมันสำปะหลังในพื้นที่ภาคกลางและภาคตะวันตก, หน้า 64-86, เข้าถึงทาง https://www.doa.go.th/share/attachment.php?aid=2912
F. Naveed and etc., “Sustainable AI for plant disease classification using ResNet18 in few-shot learning,” Array, vol 26, 2025, 100395.
T. Devi, K. Alice and N. Deepa, "Plant Disease Detection Using Enhanced EfficientNet Architecture in Comparison with DenseNet to Analyze the Severity in Leaves with Performance Measures," International Conference on Data Science, Agents & Artificial Intelligence, Chennai, India, 2022, pp. 1-5.
Ü. Atila, M. Uçar, K. Akyol and E. Uçar, “Plant leaf disease classification using EfficientNet deep learning model,” Ecological Informatics, vol. 61, 2021, 101182.
J. Feng, W. E. Ong, W. C. Teh and R. Zhang, "Enhanced Crop Disease Detection with EfficientNet Convolutional Group-Wise Transformer," IEEE Access, vol. 12, pp. 44147-44162, 2024.
S. B. S. and etc., "Plant Leaf Disease Detection and Classification Using MobileNetV3 and Wavelet Kernel Extreme Learning Machine," International Conference on Distributed Computing and Electrical Circuits and Electronics, India, 2024, pp. 1-6.
K. He, X. Zhang, S. Ren and J. Sun, "Deep Residual Learning for Image Recognition," 2016 IEEE Conference on Computer Vision and Pattern Recognition, Las Vegas, NV, USA, 2016, pp. 770-778.
M. Tan and Q. Le. (2019). “EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks,” International Conference on Machine Learning, 2019, pp. 6105-6114.
A. Howard et al., "Searching for MobileNetV3," International Conference on Computer Vision, Seoul, Korea (South), 2019, pp. 1314-1324.
N. Sankalana, access from: https://www.kaggle.com/datasets/nirmalsankalana/cassava-leaf-disease-classification
T. O.i Emmanuel, access from: https://www.kaggle.com/datasets/emmarex/plantdisease
