ประสิทธิภาพการจำแนกโรคพืชที่แสดงลักษณะทางใบด้วยวิธีโครงข่ายประสาทเทียม แบบคอนโวลูชันร่วมกับอัลกอริทึมการเพิ่มประสิทธิภาพและฟังก์ชันกระตุ้น

Main Article Content

อนัญญา พรมโคตร

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

How to Cite
[1]
พรมโคตร อ., “ประสิทธิภาพการจำแนกโรคพืชที่แสดงลักษณะทางใบด้วยวิธีโครงข่ายประสาทเทียม แบบคอนโวลูชันร่วมกับอัลกอริทึมการเพิ่มประสิทธิภาพและฟังก์ชันกระตุ้น”, JIST, ปี 14, ฉบับที่ 1, น. 34–44, มิ.ย. 2024.
บท
บทความวิจัย Information Systems

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.