การใช้โครงข่ายประสาทเทียมแบบคอนโวลูชั่นชนิด YOLOv8 ร่วมกับหุ่นยนต์แบบคาร์ทีเซียนสำหรับการตรวจหาโรคและรดน้ำอัตโนมัติ
Article Sidebar
Main Article Content
บทคัดย่อ
ปัจจุบันสมาร์ทฟาร์มได้มีอิทธิพลกับงานเกษตรกรรมมากขึ้น เนื่องจากช่วยลดต้นทุนและเพิ่มประสิทธิภาพ อย่างไรก็ตามจากการศึกษาวิจัยพบว่าโรคที่เกิดขึ้นในพืชยังคงจำเป็นต้องใช้การสังเกตโดยคน งานวิจัยนี้จึงนำเสนอโครงข่ายประสาทเทียมแบบคอนโวลูชั่นชนิด YOLOv8 ร่วมกับหุ่นยนต์แบบคาร์ทีเซียนสำหรับการรดน้ำและการตรวจหาโรคอัตโนมัติ ซึ่งงานวิจัยนี้ใช้แคคตัสเป็นตัวอย่างในการทดลอง โดยหุ่นยนต์จะเคลื่อนที่ไปตำแหน่งต่างๆที่กำหนดเพื่อรดน้ำและถ่ายรูปเพื่อส่งให้ปัญญาประดิษฐ์ตรวจหาโรคเมื่อความชื้นในดินต่ำกว่าที่กำหนด หากพบโรคหุ่นยนต์จะทำการส่งภาพโรคที่เกิดขึ้นทางแอพพลิเคชั่นไลน์พร้อมกับเคลื่อนที่หัวฉีดไปยังตำแหน่งดังกล่าวเพื่อฉีดยากำจัดโรค ขั้นตอนการวิจัยเริ่มด้วยหุ่นยนต์เคลื่อนที่ไปยังตำแหน่งต่างๆพร้อมถ่ายภาพแคคตัส ต่อจากนั้นปัญญาประดิษฐ์จะทำการตรวจหาโรคพร้อมจับเวลาที่ใช้ จากนั้นนำภาพก่อนและหลังการตรวจหาโรคมาตรวจดูความถูกต้อง ผลที่ได้คือใช้เวลาในการประมวลผลแต่ละภาพโดยเฉลี่ย 0.57 วินาที ค่าความถูกต้องอยู่ที่ 90 เปอร์เซ็นต์
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ลิขสิทธ์ ของมหาวิทยาลัยเทคโนโลยีราชมงคลพระนครเอกสารอ้างอิง
A. Kuznetsova, T. Maleva, and V. Soloviev, “Detecting Apples in Orchards Using YOLOv3 and YOLOv5 in General and Close-Up Images,” Advances in Neural Networks – ISNN, pp. 233-243, 2020.
B. Benjdira, T. Khursheed, A. Koubaa, A. Ammar, and K. Ouni, “Car Detection using Unmanned Aerial Vehicles: Comparison between Faster R-CNN and YOLOv3,” in Proceedings of the 1st International Conference on Unmanned Vehicle Systems (UVS), Muscat, Oman, 2019.
Y. Tian, G. Yang, Z. Wang, H. Wang, E. Li, and Z. Liang, “Apple detection during different growth stages in orchards using the improved YOLO-V3 model,” Computers and Electronics in Agriculture, vol. 157, pp. 417-426, Feb. 2019.
Z. Jiang, L. Zhao, S. Li and Y. Jia, “Real-time object detection method based on improved YOLOv4-tiny,” in Proceedings of Computer Vision and Pattern Recognition, USA, 2020.
G. Yang, W. Feng, J. Jin, Q. Lei, X. Li, G. Gui, and W. Wang, “Face Mask Recognition System with YOLOV5 Based on Image Recognition,” in Proceedings of IEEE 6th International Conference on Computer and Communications (ICCC), Chengdu, China, 2020, pp. 1398-1404.
J. Du, “Understanding of Object Detection Based on CNN Family and YOLO,” in Proceedings of 2nd International Conference on Machine Vision and Information Technology (CMVIT 2018), Hong Kong, 2018.
Y. J. Sang, Z. Wu, P. Guo, H. Hu, H. Xiang, Q. Zhang, and B. Cai, “An Improved YOLOv2 for Vehicle Detection,” Sensors, vol. 18, no.12, 2018.
C. Li, L. Li, H. Jiang, K. Weng, Y. Geng, L. Li, Z. Ke, Q. Li, M. Cheng, W. Nie, Y. Li, B. Zhang, Y. Liang, L. Zhou, X. Xu, X. Chu, X. Wei, and X. Wei, “YOLOv6: A single-stage object detection framework for industrial applications,” in Proceedings of Computer Vision and Pattern Recognition, USA, 2022, pp. 9387-9396.
C.-Y. Wang, A. Bochkovskiy, and H.-Y.M. Liao, “YOLOv7: Train able bag-of-freebies sets new state-of-the-art for real-time object detectors,” in Proceedings of 2022 Conference on Computer Vision and Pattern Recognition (CVPR), 2023, pp. 7464-7475.
J. Terven, D. M. C. Esparza, and J. A. R. González, “A Comprehensive Review of YOLO: From YOLOv1 to YOLOv8 and YOLO-NAS,” Machine learning and knowledge extraction, vol. 5, no. 4, pp. 1680-1716, Nov. 2023.
D. Kijdech, “Weed Classification by Using Convolution Neural Network for Studying and Weed Eliminate Robot,” in Proceedings of the 7th SAU National Interdisciplinary Conference 2020, Bangkok, Thailand, 2020, pp. 203-209.
D. Kijdech and S. Wongbunyong, “Artificial Intelligence in Localization and Classification of Cactus for Automatic Watering Works,” in Proceedings of The 8th SAU National Interdisciplinary Conference 2021, Bangkok, Thailand, 2021, pp. 814-821.
K. P. Ferentinos, "Deep learning models for plant disease detection and diagnosis," Computers and Electronics in Agriculture, vol, 145, pp. 311-318, Feb. 2018.
D. Divani, P. Patil, and S.K. Punjabi, “Automated plant Watering system,” in Proceedings of 2016 International Conference on Computation of Power, Energy Information and Communication (ICCPEIC), Melmaruvathur, India, 2016, pp. 180-182.
M. S. Munir, I.S. Bajwa, and S. M. Cheema, “An intelligent and secure smart watering system using fuzzy logic and blockchain,” Computer & Electrical Engineering, vol. 77, pp. 109-119, Jul. 2019.
Y. Huang, Z. Liu, and Y. Dong, “Design of Remote Wireless Automatic Watering Robot Control System,” in Proceedings of International Conference on Applications and Techniques in Cyber Intelligence ATCI 2019, China, 2019, pp. 839-846.
N. Hema, R. Aswani, and M. Malik, “Plant Watering Autonomous Mobile Robot,” IAES International Journal of Robotics and Automation, vol.1, no. 3, pp. 152, Sep. 2012.
P. Tangtisanon, “Small Gardening Robot with Decision-making Watering System,” Sensors and Materials, vol. 31, no. 6, pp. 1905–1916, 2019.
L. N. Smith, “Cyclical learning rates for training neural networks,” in Proceedings of 2017 IEEE winter conference on applications of computer vision (WACV), USA, 2017, pp. 464-472.
Ultralytics, "YOLOv8 Docs – Modes: Detect, Segment, Classify, Pose, Track," [Online]. Available: https://docs.ultralytics.com/modes/. [Accessed: Jun. 6, 2025].
