การเพิ่มประสิทธิภาพการจำแนกโรคจากภาพใบข้าวโพดด้วยการประมวลผลภาพ
Article Sidebar
Main Article Content
บทคัดย่อ
การระบาดของโรคในข้าวโพดถือเป็นปัญหาสำคัญที่ส่งผลกระทบต่อผลผลิตและราคาทางการตลาดอย่างมีนัยสำคัญ การจำแนกชนิดของโรคได้อย่างถูกต้องและทันท่วงทีมีความสำคัญต่อการวางแผนจัดการของเกษตรกร ทั้งในด้านการป้องกันและการรักษา อย่างไรก็ตาม ในทางปฏิบัติ การจำแนกโรคด้วยตนเองอาจมีความคลาดเคลื่อนจากความเหนื่อยล้า หรือเนื่องจากอาการของโรคบางชนิดมีลักษณะคล้ายคลึงกัน การประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์ (Artificial Intelligence: AI) จึงเป็นแนวทางที่สามารถลดภาระของเกษตรกรและเพิ่มความแม่นยำในการวินิจฉัยได้ แต่เนื่องจากอัลกอริทึมดั้งเดิมในบางกรณีอาจยังไม่สามารถจำแนกโรคได้อย่างมีประสิทธิภาพเพียงพอ งานวิจัยนี้จึงนำเสนอแนวทางการเพิ่มประสิทธิภาพการจำแนกโรคข้าวโพดจากภาพถ่ายใบพืช โดยประยุกต์ใช้การประมวลผลภาพในระบบสี HSV ซึ่งมีความสามารถในการแยกเฉดสีที่เกี่ยวข้องกับอาการของโรคได้อย่างแม่นยำ ร่วมกับเทคนิคการเสริมข้อมูล (Data Augmentation) เพื่อเพิ่มความหลากหลายและสมดุลของข้อมูลระหว่างคลาส ก่อนนำเข้าสู่กระบวนการเรียนรู้ของโมเดลโครงข่ายประสาทเทียมเชิงลึก (Deep Learning) ผลการทดลองแสดงให้เห็นว่า แนวทางที่นำเสนอสามารถเพิ่มค่าความถูกต้องเฉลี่ย (Accuracy) ในการจำแนกโรคได้ถึง 93.17 เมื่อเทียบกับวิธีดั้งเดิมซึ่งได้ค่าเท่ากับ 91.69%
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความที่ได้รับการตีพิมพ์เป็นลิขสิทธิ์ของวารสารวิศวกรรมสารฉบับวิจัยและพัฒนา วิศวกรรมสถานแห่งประเทศไทย ในพระบรมราชูปถัมภ์
เอกสารอ้างอิง
Choong, F. C. M., & Jan Hong, B. N. (2025). An improved convolutional neural network (CNN) for disease detection and diagnosis for multi-crop plants. Journal of Engineering Technology and Applied Physics, 7(1), 7–14.
Jha, S., & Zia, M. (2023). Plant disease classification using convolutional neural networks. International Research Journal of Advanced Engineering and Science, 8(3), 417–421.
Barbedo, J. G. A. (2023). Plant disease detection and classification techniques: A comparative study. Journal of Big Data, 10(1), 1–20.
Thakur, P. S., Khanna, P., Sheorey, T., & Ojha, A. (2023). A plant disease classification using one-shot learning technique with limited datasets utilizing Siamese Neural Network (SNN). Multimedia Tools and Applications, 82(1), 1–20.
Paauw, M., Hardeman, G., Taks, N. W., Lambalk, L., Berg, J. A., Pfeilmeier, S., & van den Burg, H. A. (2024). ScAnalyzer: An image processing tool to monitor plant disease symptoms and pathogen spread in Arabidopsis thaliana leaves. Plant Methods, 20, 80.
Shorten, C., & Khoshgoftaar, T. M. (2019). A survey on image data augmentation for deep learning. Journal of Big Data, 6(1), 60.
Xu, M., Yoon, S., Fuentes, A., & Park, D. S. (2022). A comprehensive survey of image augmentation techniques for deep learning. Pattern Recognition, 107, 107377.
Bora, D. J., Gupta, A. K., & Khan, F. A. (2015). Comparing the performance of L*A*B* and HSV color spaces with respect to color image segmentation. International Journal of Emerging Technology and Advanced Engineering, 5(2), 192–199.
Hema, D., & Kannan, S. (2020). Interactive color image segmentation using HSV color space. Science and Technology Journal, 7(1), 1–6.
Ayeni, J. A. (2022). Convolutional Neural Network (CNN): The architecture and applications. Applied Journal of Physical Science, 4(4), 42–50.
