การจำแนกภาพใบสมุนไพรด้วยโครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึก
Article Sidebar
Main Article Content
Abstract
ปัจจุบันสมุนไพรถูกนำมาใช้บรรเทารักษาอาการเจ็บป่วยแทนยาแผนปัจจุบันมากขึ้น เพราะสมุนไพรเป็นผลิตภัณฑ์ที่ได้จากธรรมชาติและก่อให้เกิดผลข้างเคียงน้อย แต่สมุนไพรบางชนิดอาจส่งผลกระทบต่อสุขภาพหากเลือกใช้ผิดชนิดเนื่องจากมีความคล้ายคลึงกัน ประกอบกับฐานข้อมูลรูปภาพของสมุนไพรจำนวนมากยังไม่มีการจำแนกชนิดที่ชัดเจนหรือเป็นข้อมูลที่ไม่ถูกต้อง ดังนั้นในการวิจัยครั้งนี้จึงได้ประยุกต์ใช้โครงข่ายประสาทแบบคอนโวลูชัน (Convolutional Neural Network: CNN) ที่ได้ทำการปรับแต่ง และเลือกใช้เทคนิคการเรียนรู้เชิงลึก (Deep Learning) ในการจำแนกใบสมุนไพร ประกอบด้วย ใบฝรั่ง ใบสบู่ดำ/สบู่ขาว ใบมะนาว และใบทับทิม ซึ่งเป็นใบสมุนไพรที่มีพิษและไม่มีพิษ โดยเปรียบเทียบอัลกอริทึมในการเพิ่มประสิทธิภาพของโมเดล ประกอบด้วย AdaDelta, AdaGrad, Adam, RMSprop และ SGD พร้อมทั้งเปรียบเทียบการใช้ฟังก์ชันกระตุ้น (Activation Function) ได้แก่ ReLU, Sigmoid และTanh นอกจากนั้นยังได้ทำการปรับภาพด้วยการกลับภาพ (Flip) และการปรับความสว่างของภาพ (Brightness) เพื่อเพิ่มจำนวนภาพ ผลการทดลองพบว่า ก่อนและหลังการปรับภาพ Optimizer AdaDelta โดยใช้ฟังก์ชันกระตุ้น Tanh ให้ค่าความถูกต้อง (Accuracy) สูงสุดคือ 0.937 และ 0.954 ค่าความแม่นยำ (Precision) 0.937 และ 0.955 และค่าอัตราการจำแนกถูกต้องเมื่อข้อมูลเป็นจริง (Recall) 0.937 และ 0.954 ดังนั้นจึงสรุปได้ว่าโมเดลที่ได้จากการวิจัยครั้งนี้สามารถนำไปประยุกต์ใช้ในการพัฒนาเว็บไซต์หรือโมบายแอปพลิเคชันเพื่อจำแนกใบสมุนไพรได้อย่างมีประสิทธิภาพ โดยจำแนกได้ถูกต้องร้อยละ 95.40
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
References
กฤตชัย บุญศิวนนท์ และ รักษ์วริน วรรณศิลป์. (2558). การพัฒนาแอพพลิเคชันด้วยเทคโนโลยีความเป็นจริงเสริม สำหรับรู้จำใบสมุนไพรพื้นบ้าน. วารสารวิชาการแพรวากาฬสินธุ์ มหาวิทยาลัยราชภัฏกาฬสินธุ์, ฉบับพิเศษ: มหกรรมวิชาการภูมิปัญญา กลุ่มชาติพันธุ์นานาชาติลุ่มน้ำโขง ไทยลาว เวียดนาม จีน, 9-23. https://so05.tci-thaijo.org/index.php/Praewa-ksu_Journal/article/view/90567
จักรินทร์ สนุกแสน และ โอฬาริก สุรินต๊ะ. (2561). โครงข่ายประสาทเทียมแบบคอนโวลูชันเชิงลึกสำหรับการจำแนกพรรณไม้ที่อยู่ในสิ่งแวดล้อมทางธรรมชาติ. วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยมหาสารคาม, 38(2), 113-124. http://olarik.it.msu.ac.th/wp-content/uploads/2019/10/001-Jakkarin-2019.pdf
ภูมินทร์ ตันอุตม์ และ ณัฐกร ขำสุวรรณ (2562). การพัฒนาเครื่องต้นแบบคัดแยกดอกดาวเรืองโดยใช้วิธีการประมวลผลภาพ. วารสารวิชาการวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฎนครสวรรค์, 11(13), 79-92. https://ph02.tci-thaijo.org/index.php/JSTNSRU/article/view/133998
ศูนย์พิษวิทยารามาธิบดี, คณะแพทย์ศาสตร์โรงพยาบาลรามาธิบดี มหาวิทยาลัยมหิดล. (2564) สมุนไพร. https://med.mahidol.ac.th/poisoncenter/th/pois-cov/Herbal.
อุมาภรณ์ สายแสงจันทร์, รพีพร ช่ำชอง และ อรรถพล สุวรรณษา. (2565). การเปรียบเทียบวิธีการวิเคราะห์โรคใบมะนาวด้วยการเรียนรู้เชิงลึก. วารสารวิทยาการสารสนเทศและเทคโนโลยีประยุกต์ มหาวิทยาลัยมหาสารคาม, 4(1), 71-86. https://li01.tci-thaijo.org/index.php/agkasetkaj/article/download/249570/173217
Jordan, M. I. & Mitchell, T. M. (2015). Machine learning: Trends, perspectives, and prospects. Science, 349(6245), 255-260. https://doi.org/10.1126/science.aaa8415
Khadim, E.U., Shah, S.A. & Wagan, R.A. (2021). Evaluation of Activation Functions in CNN Model for Detection of Malaria Parasite using Blood Smear Images. In International Conference on Innovative Computing (ICIC), Lahore, Pakistan, 2021, pp.1-6. https://doi.org/10.1109/ICIC53490.2021.9693056
Mustapha, A., Mohamed, L. & Ali, K. (2021). Comparative Study of Optimization Techniques in Deep Learning: Application in the Ophthalmology Field. Journal of Physics: Conference Series, 1743 (2021), 1-12. https://doi.org/10.1088/1742-6596/1743/1/012002
Panmuang, M., Rodmorn, C. & Pinitkan, S. (2021). Image Processing for Classification of Rice Varieties with Deep Convolutional Neural Networks. In 16th International Joint Symposium on Artificial Intelligence and Natural Language Processing (iSAI-NLP), Ayutthaya, Thailand, 1-6. https://doi.org/10.1109/iSAI-NLP54397.2021.9678184
Poojary, R. & Pai, A. (2019). Comparative Study of Model Optimization Techniques in Fine-Tuned CNN Models. In 2019 International Conference on Electrical and Computing Technologies and Applications (ICECTA), Ras Al Khaimah, United Arab Emirates, 1-4. https://doi.org/10.1109/ICECTA48151.2019.8959681
Roopashree, S. & Anitha, J. (2020). Medicinal Leaf Dataset. https://data.mendeley.com/datasets/nnytj2v3n5
Schwartz, E., Giryes, R. & Bronstein, A. M. (2019). DeepISP: Toward Learning an End-to-End Image Processing Pipeline. IEEE Transactions on Image Processing, 28 (2), 912-923. https://doi.org/10.1109/TIP.2018.2872858
Sun, X., Qian, H., Xiong, Y., Zhu, Y., Huang, Z. & Yang, F. (2022). Deep Learning-enabled Mobile Application for Efficient and Robust Herb Image Recognition. Scientific Reports, 12(6579), 1-18. https://doi.org/10.1038/s41598-022-10449-9