ประสิทธิภาพการจำแนกโรคพืชที่แสดงลักษณะทางใบด้วยวิธีโครงข่ายประสาทเทียม แบบคอนโวลูชันร่วมกับอัลกอริทึมการเพิ่มประสิทธิภาพและฟังก์ชันกระตุ้น
Main Article Content
บทคัดย่อ
โรคพืชเป็นปัญหาที่สร้างผลกระทบต่อเกษตรกรเป็นอย่างมาก การตรวจหาโรคพืชตั้งแต่ระยะเริ่มต้น เพื่อควบคุมการแพร่กระจายของเชื้อโรคอย่างมีประสิทธิผล จึงมีบทบาทสำคัญในอุตสาหกรรมการเกษตร อย่างไรก็ตามการตรวจหาดังกล่าวต้องใช้ความรู้เกี่ยวกับเชื้อโรคอย่างกว้างขวาง มีค่าใช้จ่ายสูงและต้องใช้แรงงานมาก ปัจจุบันด้วยความก้าวหน้าทางด้านเทคโนโลยีสารสนเทศ จึงได้มีการประยุกต์ใช้ประโยชน์จากการเรียนรู้ของเครื่อง และวิธีการการเรียนรู้เชิงลึก สำหรับการระบุลักษณะโรคพืชที่แสดงอาการทางใบพืชอย่างอัตโนมัติ ปัจจุบันวิธีโครงข่ายประสาทเทียมแบบคอนโวลูชัน (Convolutional neural network) เป็นวิธีที่ได้รับการยอมรับถึงประสิทธิภาพการจำแนกรูปภาพ การวิจัยครั้งนี้มีวัตถุประสงค์การค้นหาค่าที่เหมาะสมสำหรับแบบจำลองวิธีเรียนรู้เชิงลึก ResNet50 สำหรับการจำแนกรูปภาพโรคพืช
ที่แสดงลักษณะทางใบ ซึ่งเป็นวิธีที่พัฒนาจากพื้นฐานวิธีโครงข่ายประสาทเทียมแบบคอนโวลูชัน ที่ทำงานร่วมกับอัลกอริทึมในการเพิ่มประสิทธิภาพของโมเดล ประกอบด้วย AdaDelta AdaGrad Adam RMSprop และ SGD และการใช้ฟังก์ชันกระตุ้น (Activation function) ได้แก่ ReLU, Sigmoid และTanh ทดสอบประสิทธิภาพการจำแนกโรคพืชด้วยชุดข้อมูล PlantVillage ผลการทดลองพบว่า วิธี ResNet50 ที่ใช้ Optimizer RMSprop และฟังก์ชันกระตุ้น Sigmoid ให้ค่าความถูกต้อง (Accuracy) สูงสุดคือ 0.94 ค่าความแม่นยำ (Precision) 0.94 ค่าอัตราการจำแนกถูกต้องเมื่อข้อมูลเป็นจริง (Recall) 0.93 และค่า F-measure เท่ากับ 0.93 ดังนั้นจึงสรุปได้ว่าในการพิจารณาเลือกแบบจำลองสำหรับการเรียนรู้เพื่อให้ได้ผลลัพธ์ที่มีประสิทธิภาพสูงสุดควรพิจารณาเลือกปัจจัยเพิ่มเติม ได้แก่ อัลกอริทึมในการเพิ่มประสิทธิภาพของโมเดล และฟังก์ชันกระตุ้น เป็นต้น
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
I/we certify that I/we have participated sufficiently in the intellectual content, conception and design of this work or the analysis and interpretation of the data (when applicable), as well as the writing of the manuscript, to take public responsibility for it and have agreed to have my/our name listed as a contributor. I/we believe the manuscript represents valid work. Neither this manuscript nor one with substantially similar content under my/our authorship has been published or is being considered for publication elsewhere, except as described in the covering letter. I/we certify that all the data collected during the study is presented in this manuscript and no data from the study has been or will be published separately. I/we attest that, if requested by the editors, I/we will provide the data/information or will cooperate fully in obtaining and providing the data/information on which the manuscript is based, for examination by the editors or their assignees. Financial interests, direct or indirect, that exist or may be perceived to exist for individual contributors in connection with the content of this paper have been disclosed in the cover letter. Sources of outside support of the project are named in the cover letter.
I/We hereby transfer(s), assign(s), or otherwise convey(s) all copyright ownership, including any and all rights incidental thereto, exclusively to the Journal, in the event that such work is published by the Journal. The Journal shall own the work, including 1) copyright; 2) the right to grant permission to republish the article in whole or in part, with or without fee; 3) the right to produce preprints or reprints and translate into languages other than English for sale or free distribution; and 4) the right to republish the work in a collection of articles in any other mechanical or electronic format.
We give the rights to the corresponding author to make necessary changes as per the request of the journal, do the rest of the correspondence on our behalf and he/she will act as the guarantor for the manuscript on our behalf.
All persons who have made substantial contributions to the work reported in the manuscript, but who are not contributors, are named in the Acknowledgment and have given me/us their written permission to be named. If I/we do not include an Acknowledgment that means I/we have not received substantial contributions from non-contributors and no contributor has been omitted.
References
W. H. Organization, The State of Food Security and Nutrition in the World 2021: Transforming food systems for food security, improved nutrition and affordable healthy diets for all. Food & Agriculture Org., 2021.
R. Thyagaraj, T. Y. Satheesha, and S. Bhairannawar, "Plant Leaf Disease Classification Using Modified SVM With Post Processing Techniques," in 2023 International Conference on Applied Intelligence and Sustainable Computing (ICAISC), 16-17 June 2023 2023, pp. 1-4, doi: 10.1109/ICAISC58445.2023.10201001.
Y. Kaya and E. Gürsoy, "A novel multi-head CNN design to identify plant diseases using the fusion of RGB images," Ecological Informatics, vol. 75, p. 101998, 2023/07/01/ 2023, doi: https://doi.org/10.1016/j.ecoinf.2023.101998.
Y. Chen et al., "Plant image recognition with deep learning: A review," Computers and Electronics in Agriculture, vol. 212, p. 108072, 2023/09/01/ 2023, doi: https://doi.org/10.1016/j.compag.2023.108072.
S. B. Jha and R. F. Babiceanu, "Deep CNN-based visual defect detection: Survey of current literature," Computers in Industry, vol. 148, p. 103911, 2023/06/01/ 2023, doi: https://doi.org/10.1016/j.compind.2023.103911.
P. Sharma, D. R. Nayak, B. K. Balabantaray, M. Tanveer, and R. Nayak, "A survey on cancer detection via convolutional neural networks: Current challenges and future directions," Neural Networks, vol. 169, pp. 637-659, 2024/01/01/ 2024, doi: https://doi.org/10.1016/j.neunet.2023.11.006.
M. A. K. Raiaan et al., "A systematic review of hyperparameter optimization techniques in Convolutional Neural Networks," Decision Analytics Journal, vol. 11, p. 100470, 2024/06/01/ 2024, doi: https://doi.org/10.1016/j.dajour.2024.100470.
D. E. Rumelhart, G. E. Hinton, and R. J. Williams, "Learning representations by back-propagating errors," nature, vol. 323, no. 6088, pp. 533-536, 1986.
H. H. Xiu, "Research on Activation Function in Deep Convolutional Neural Network," presented at the Proceedings of the 2020 Conference on Artificial Intelligence and Healthcare, Taiyuan, China, 2020. [Online]. Available: https://doi.org/10.1145/3433996.3434001.
V. Balafas, E. Karantoumanis, M. Louta, and N. Ploskas, "Machine Learning and Deep Learning for Plant Disease Classification and Detection," IEEE Access, vol. 11, pp. 114352-114377, 2023, doi: 10.1109/ACCESS.2023.3324722.
M. Belmir, W. Difallah, and A. Ghazli, "Plant Leaf Disease Prediction and Classification Using Deep Learning," in 2023 International Conference on Decision Aid Sciences and Applications (DASA), 16-17 Sept. 2023 2023, pp. 536-540, doi: 10.1109/DASA59624.2023.10286672.
พิมพา ชีวาประกอบกิจ, "การปรับปรุงประสิทธิภาพในการจำแนกภาพด้วยโครงข่ายประสาทแบบคอนโวลูชันโดยใช้เทคนิคการเพิ่มภาพ," Journal of Engineering and Digital Technology (JEDT), vol. 7, no. 1, pp. 59-64, 2562.
นัศพ์ชาณัณ ชินปัญช์ธนะ, "การจำแนกภาพโรคใบมะเขือเทศด้วยเทคนิคโครงข่ายประสาทเทียมแบบคอนโวลูชัน," JOURNAL OF INFORMATION SCIENCE AND TECHNOLOGY, vol. 13, no. 2, pp. 40-49, 2566.
Ü. Atila, M. Uçar, K. Akyol, and E. Uçar, "Plant leaf disease classification using EfficientNet deep learning model," Ecological Informatics, vol. 61, p. 101182, 2021/03/01/ 2021, doi: https://doi.org/10.1016/j.ecoinf.2020.101182.
มธุรส ผ่านเมือง and ชนนิกานต์ รอดมรณ์, "การจำแนกภาพใบสมุนไพรด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึก," วารสารวิชการวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏนครสวรรค์, vol. 15, no. 22, pp. 51-65, 2566.
R. Ding et al., "Improved ResNet Based Apple Leaf Diseases Identification," IFAC-PapersOnLine, vol. 55, no. 32, pp. 78-82, 2022/01/01/ 2022, doi: https://doi.org/10.1016/j.ifacol.2022.11.118.
D. Hughes and M. Salathé, "An open access repository of images on plant health to enable the development of mobile disease diagnostics," arXiv preprint arXiv:1511.08060, 2015.
A. T. S. Kalvakolanu, "Plant disease detection from images," arXiv preprint arXiv:2003.05379, 2020.