วิธีการจำแนกโรคของพืชข้าวโดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน: กลยุทธ์การป้องกันการเกิดการปรับตัวเกินไปของการเรียนรู้ของเครื่อง
Article Sidebar
Main Article Content
บทคัดย่อ
โรคของพืชข้าวนับว่าเป็นอุปสรรคต่อการผลิตพืชข้าวในภาคการเกษตร การตรวจจับและจำแนกโรคอย่างรวดเร็วและแม่นยำสามารถเป็นกุญแจสำคัญในการลดความเสี่ยงของผลผลิตที่ลดลงได้ โครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) ได้แสดงศักยภาพที่ยอดเยี่ยมในการรู้จำและจำแนกรูปภาพ รวมถึงการจำแนกโรคของพืชข้าว อย่างไรก็ตามโครงข่ายประสาทเทียมแบบคอนโวลูชันมักมีแนวโน้มที่จะเกิดการปรับตัวเกินไป (overfitting) งานวิจัยนี้นำเสนอการใช้การรวมกันของเทคนิคการป้องกันการเกิดการปรับตัวเกินไปสำหรับวิธีการจำแนกโรคของพืชข้าวโดยใช้โครงข่ายประสาทเทียมแบบคอนโวลูชัน โดยเทคนิคที่ใช้ ได้แก่ การเพิ่มข้อมูล (data augmentation), การดึงข้อมูลสูงสุดพร้อมกับการเดินทาง (max pooling with stride), การตัดการเชื่อมต่อ (dropout) และการหยุดการเรียนรู้ก่อนเวลา (early stopping) โมเดลโครงข่ายประสาทเทียมแบบคอนโวลูชันที่ใช้กลยุทธ์การหลีกเลี่ยงการปรับตัวเกินเหล่านี้ได้รับการฝึกฝนเพื่อจำแนกโรคของใบพืชข้าวและได้ผลลัพธ์ความแม่นยำในการคาดการณ์ที่ 0.93 จึงสรุปได้ว่าโครงสร้าง CNN นี้ถือว่ามีประสิทธิภาพและเชื่อถือได้สำหรับการจำแนกโรคของพืชข้าว
Article Details
This work is licensed under a 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...
References
K. Ahmed, T. R. Shahidi, S. M. Irfanul Alam and S. Momen, “Rice Leaf Disease Detection Using Machine Learning Techniques,” In 2019 Proc. International Conference on Sustainable Technologies for Industry 4.0 (STI), Dhaka, Bangladesh, 2019, pp. 1-5,
doi: 10.1109/STI47673.2019.9068096.
T. Gayathri Devi and P. Neelamegam, “Image processing based rice plant leaves diseases in
Thanjavur, Tamilnadu”, Journal of Networks, Software Tools and Applications, vol. 22, Nov., pp. 13415–13428, 2019.
EL Mique Jr, TD Palaoag, “ Rice Pest and Disease Detection Using Convolutional Neural Network,” In 2018 Proc. International Conference on Information Science and System’04, 2018, pp. 147–151.
doi.org/10.1145/3209914.3209945.
R. Wang, “Mechanism and Design of Agriculture Pest and Disease Recognition System Based on Convolutional Neural Network,” In 2024 Proc. IEEE Eurasian Conference on Educational Innovation’07, 2024, pp. 291-295,
doi: 10.1109/ECEI60433.2024.10510856.
P. K. Kosamkar, V. Y. Kulkarni, K. Mantri, S. Rudrawar, S. Salmpuria and N. Gadekar, “Leaf disease detection and recommendation of pesticides using convolution neural network,” In Proc. International Conference on Computing Communication Control and Automation, 2019, pp. 1-4, doi: 10.1109/ECEI60433.2024.10510856.
K. O'shea and R. Nash, “An introduction to convolutional neural networks,” Current Issues in Neural and Evolutionary Computing, Dec, 2015. [Online serial].doi.org/10.48550/arXiv.1511.08458.
C. F. G. D. Santos and J. P. Papa, “ Avoiding Overfitting: A Survey on Regularization Methods for Convolutional Neural Networks,” Journal of Association for Computing Machinery, vol. 54, no. 10s, Sep, 2022. [Online serial]. doi.org/10.48550/arXiv.2201.03299.
P. Thanapol, K. Lavangnananda, P. Bouvry, F. Pinel and F. Leprévost, “Reducing overfitting and improving generalization in training convolutional neural network (CNN) under limited sample sizes in image recognition,” In Proc. International Conference on Information Technology’05, 2020, pp. 300-305, doi: 10.1109/InCIT50588.2020.9310787.
M. Vilares Ferro, Y. Doval Mosquera, F.J. Ribadas Pena et al., “ Early stopping by correlating online indicators in neural networks,” Neural Networks, Mar, 2022. [Online serial]. doi.org/10.1016/j.neunet.2022.11.035.
J. Dev, “Rice Plant diseases dataset,” kaggle.com, May, 2024. [Online]. Available: https://www.kaggle.com/code/jay7080dev/rice-plant-disease-detection. [Accessed May. 21, 2024].
R Riad, O Teboul, D Grangier, N Zeghidour, "Learning strides in convolutional neural networks," Current Issues in Machine Learning, pp. 1-17, Feb, 2022. [Online serial]. doi.org/10.48550/arXiv.2202.01653.
S. Cai, Y. Shu, G. Chen, B. C. Ooi, W. Wang and M. Zhang, “Effective and efficient dropout for deep convolutional neural networks,” https://arxiv.org/, Jul. 28, 2020. [Online]. doi.org/10.48550/arXiv.1904.03392.
A. Pauls and J. A. Yoder, "Determining optimum drop-out rate for neural networks," In 2018 Proc. International Conference on the Midwest Instruction and Computing Symposium, 2018, pp. 1-11.
A. Ravikumar, H. Sriraman, PM. Sai Saketh, S. Lokesh, and A. Karanam, “ Effect of neural network structure in accelerating performance and accuracy of a convolutional neural network with GPU/TPU for image analytics,” PeerJ Computer Science 8:e909, Mar, 2022. [Online serial]. doi.org/10.7717/peerj-cs.909.
D. P. Kingma and J. Ba, “Adam: A method for stochastic optimization,” https://arxiv.org/, Jan. 30, 2017. [Online]. doi.org/10.48550/arXiv.1412.6980/.
J. T. S pringenberg, A. Dosovitskiy, T. Brox and M. Riedmiller, “Striving for simplicity: The all convolutional net,” https://arxiv.org/, Apr. 13, 2015. [Online]. doi.org/10.48550/arXiv.1412.6806/.