การจำแนกภาพโรคใบมะเขือเทศด้วยเทคนิคโครงข่ายประสาทเทียมแบบคอนโวลูชัน
Article Sidebar
Main Article Content
บทคัดย่อ
มะเขือเทศเป็นพืชที่ทั่วโลกนิยมบริโภคกันอย่างแพร่หลาย ทำให้กลายเป็นพืชทางเศรษฐกิจที่สําคัญในหลายประเทศและเมื่อมีการขยายพันธุ์เพิ่มขึ้นทำให้มะเขือเทศเกิดเป็นโรคต่างๆเพิ่มขึ้นและบางโรคก็เพิ่งถูกค้นพบ ปัญหาที่มักเกิดขึ้นคือเกษตรขาดความรู้ ความเชี่ยวชาญในกลุ่มโรคทำให้มีการวินิจฉัยผิดพลาดรวมทั้งไม่ได้มีการป้องกันและควบคุมโรคอย่างทันท่วงทีทำให้เกิดปัญหาตามมา ถ้าเกษตรกรสามารถระบุการติดเชื้อโรคได้รวดเร็ว ก็จะสามารถช่วยลดปัญหาของการเกิดโรคได้ ดังนั้นจึงควรพัฒนากระบวนการดูแลพืชในระยะเริ่มต้น การระบุการติดเชื้อของโรคพืชอย่างรวดเร็วสามารถช่วยแก้ไขปัญหาได้ การตรวจหาโรคในมะเขือเทศด้วยตนเองเป็นงานที่ซับซ้อนยากลำบากและใช้เวลา ดังนั้นในงานวิจัยนี้ได้นำเสนอเทคนิคการประมวลผลภาพด้วย การเรียนรู้เชิงลึกผ่านโครงข่ายประสาทเทียมแบบคอนโวลูชัน เพื่อทำการจำแนกโรคใบมะเขือเทศแบ่งออกเป็น 10 กลุ่ม โรคใบจุดแบคทีเรีย โรคใบจุดวง โรคใบไหม้ โรครากำมะหยี่ โรคใบจุดวงกลม โรคไรสองจุด โรคใบจุดเป้ากระสุน โรคใบด่างลีบ โรคใบหงิกเหลือง และ ใบมะเขือเทศปกติ ประกอบด้วยขั้นตอนการทำงานดังนี้ (1) ขั้นตอนการเตรียมข้อมูล (2) การสร้างโมเดล CNN (3) การประเมินผลโมเดล และ (4) การนำโมเดลไปใช้งาน การเรียนรู้เชิงลึก ผลลัพธ์ที่ได้จากการทดลองด้วยคุณลักษณะข้อมูลผ่านกระบวนการเรียนรู้เชิงลึกด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชัน ได้ผลการทดลองที่มีประสิทธิภาพสูงสามารถจำแนกโรคใบมะเขือเทศได้ด้วยค่าความเฉลี่ยความถูกต้องรวมอยู่ที่ 87.96% ด้วยอัตราการเรียนรู้ 0.001ที่จำนวน 100 รอบสำหรับชุดทวนทดสอบ
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.
เอกสารอ้างอิง
Grieneisen, M.L., Aegerter, B.J., Scott Stoddard, C., Zhang, M., “Yield and fruit quality of grafted tomatoes, and their potential for soil fumigant use reduction,” A meta-analysis. Agronomy for Sustainable Development, vol. 38, no. 29, 2018.
Hasan, R.I., Yusuf, S.M., Alzubaidi, L., “Review of the state of the art of deep learning for plant diseases: A broad analysis and discussion,” Plants, vol. 9, no. 10,pp. 1–25, 2020.
Thummabenjapone, P. & Phola, S., “A highly potential fungicide to control Stemphylium sp., a causal agent of gray spot of tomato,” In Proceeding The 8th National Plant Protection Conference. pp. 383-391, 2007.
Dookie, M., Ali, O., Ramsubhag, A., and Jayaraman, J., “Flowering gene regulation in tomato plants treated with brown seaweed extracts,” Scientia Horticulturae. vol. 276, 2021.
Durmus, H., Gunes, E. O., and Kirci, M., “Disease detection on the leaves of the tomato plants by using deep learning”, 2017 6th international conference on agro-geoinformatics. Agro-Geoinformatics, pp. 1–5, 2017.
Mortazi, A.; Bagci, U., “Automatically designing CNN architectures for medical image segmentation,” In Proceedings of the International Workshop on Machine Learning in Medical Imaging, Granada, Spain, pp. 98–106, 2018.
Prabira Kumar Sethya, Nalini Kanta Barpandaa, Amiya Kumar Rathb, Santi Kumari Beherab, “Image Processing Techniques for Diagnosing Rice Plant Disease: A Survey,” Procedia Computer Science, 167, pp. 516–530, 2020.
Mohanty SP, Hughes DP, Salath M., “Using deep learning for image-based plant disease detection,” Front Plant Sci, vol. 7. no. 1419. 2016.
The Plant Village dataset:https:// www.kaggle.com/ emmarex / plantdisease
Amara J, Bouaziz B, Algergawy A., “A deep learning based approach for banana leaf diseases classification,” International Journal of Creative Research Thoughts, vol 6. Issue 2, pp. 79-88. 2017.
Rangarajan, A.K.; Purushothaman, R.; Ramesh, A. Tomato crop disease classification using pre-trained deep learning algorithm. Procedia Comput. Sci. 2018, 133, 1040–1047.
Sangeetha, R.; Rani, M., “Tomato Leaf Disease Prediction Using Transfer Learning,” In Proceedings of the International Advanced Computing Conference 2020, Panaji, India, 2020.
Too, E.C.; Yujian, L.; Njuki, S.; Yingchun, L., “A comparative study of fine-tuning deep learning models for plant disease identification,” Comput. Electron. Agric., vol. 161, pp. 272–279, 2019.
Agarwal, M.; Gupta, S.K.; Biswas, K.K., “Development of Efficient CNN model for Tomato crop disease identification. Sustain,” Comput. Inform. Syst. vol. 28, pp. 100407–100421, 2020.
M. A. Tanner, and W. H. Wong, “The Calculation of Posterior Distributions By Data Augmentation,” Journal Of The American Statistical Association, vol. 82 no. 398, pp.528–540, 1987.
M. D. Bloice, C. Stocker, and A. Holzinger, “Augmentor: An Image Augmentation Library for Machine Learning,” The Journal of Open Source Software, vol.2. pp. 1-5, 2017.
