การควบคุมธาตุอาหารสำหรับการปลูกเมล่อนระบบไฮโดรโปนิกส์แบบดาวกระจายด้วยโครงข่ายประสาทเทียม

Main Article Content

อภิศักดิ์ พรหมฝาย
ดอนสัน ปงผาบ
สุดาพรรค์ อริยพฤกษ์

บทคัดย่อ

การปลูกเมลอนระบบไฮโดรโปนิกส์ในปัจจุบันยังคงพบปัญหาเกี่ยวกับการควบคุมธาตุอาหาร ซึ่งต้นที่อยู่ใกล้กับถังปุ๋ยจะมีการเจริญเติบโตมากกว่าต้นที่อยู่ไกลออกไป ดังนั้นงานวิจัยจึงได้พัฒนาระบบการปลูกแบบดาวกระจายเพื่อแก้ไขปัญหาระยะการปลูกและได้นำเทคโนโลยีอินเทอร์เน็ตแห่งสรรพสิ่งมาประยุกต์ใช้เพื่อการจัดเก็บข้อมูลและการสื่อสารระหว่างอุปกรณ์ต่างๆ พร้อมกับใช้โครงข่ายประสาทเทียมพยากรณ์ปริมาณการเติมปุ๋ย A และ B โดยนำค่าผิดพลาดของค่าการนำไฟฟ้าของน้ำในถังปลูกแต่ละถังเป็นอินพุตสำหรับโครงข่ายทั้งหมด 6 โหนด ชั้นซ่อน 5 โหนด ชั้นเอาท์พุต 2 โหนด ฟังก์ชันกระตุ้นคือ Log-sigmoid transfer function ส่วนฟังก์ชันการฝึกสอนโครงข่ายประสาทเทียมคือ Levenberg-Marquardt จากการทดสอบข้อมูลพบว่า การควบคุมธาตุอาหารสำหรับการปลูกเมล่อนระบบไฮโดรโปนิกส์แบบดาวกระจายด้วยโครงข่ายประสาทเทียม มีค่า RMSE เท่ากับ 14.85 ซึ่งสามารถนำไปประยุกต์ใช้งานการปลูกได้อย่างมีประสิทธิภาพ

Article Details

บท
บทความวิจัย

References

Office of agricultural economics, "Agricultural statistics of thailand 2020," Ministry of agriculture and cooperatives, Bangkok, Thailand, 2020.

บริษัท ฟอร์ฟาร์ม จำกัด. [อินเทอร์เน็ต]. ปทุมธานี: การปลูกเมล่อน โดยใช้ระบบน้ำวน; 2562 [เข้าถึงเมื่อ 3 มีนาคม 2564]. จาก : https://forfarm.co/158/melon-hydroponics-nft/.

วิทยา ปัญญากาศ, โสภาพรรณ ใฝนันตา, อดุลย์ ชูบาล และคณะ. [อินเทอร์เน็ต]. การสร้างและหาประสิทธิภาพระบบควบคุมสภาพแวดล้อมของการปลูกผักไฮโดรโปนิกส์; 2559. [เข้าถึงเมื่อ 28 มกราคม 2564]. จาก : http://www.iven1.ac.th/main/attachments/Hydropronics%20research.pdf.

รัฐศิลป์ รานอกภานุวัชร์. ระบบควบคุมโรงเรือนผักไฮโดรโปรนิกส์อัตโนมัติโดยใช้เทคโนโลยี IoT. Journal of Information Science and Technology. 2561; 8(2):74-82.

พรคิด อั้นขาว. ระบบควบคุมสารละลายธาตุอาหารแบบอัตโนมัติสำหรับปลูกผักไฮโดรโพนิกส์. วารสารวิจัยมหาวิทยาลัยเทคโนโลยีราชมงคลศรีวิชัย. 2562; 11(1):146-157.

เมคคานิก้า. [อินเทอร์เน็ต]. กรุงเทพฯ: Diaphragm Pumps; 2562 [เข้าถึงเมื่อ 15 มีนาคม 2564]. เข้าถึงได้จาก : https://www.mechanika.co.th/content/diaphragm-pumps/.

Kamlungpetch A , Inrawong P. Appication of artificial neural networks with fast fourier transform for wave form analysis and classification. The journal of KMUTNB. 2017; 27(4): 643-53.

Guyer D, Yang X. Use of genetic artificial neural networks and spectral imaging for detection on cherries. Computers and Electronics in Agriculture. 2000; 29(1):179-94.

Chen X, Xun Y, Li W, et al. Combining discriminant analysis and neural networks for corn variety identifcation. Computers and Electronics in Agriculture. 2010; 71S:S48-S53.

Prakorppon T. Artificial neural networks. HCU Journal. 2009; 24(1):73-87.

Sibi P, Allwyn S, Siddarth P. Analysis of different activation functions using back propagation neural networks. Journal of Theoretical and Applied Information Technology. 2013; 47(3): 1264-8.

Buntam D, Permpoonsinsup W, Surin P. The Application of a Hybrid Model Using Mathematical Optimization and Intelligent Algorithms for Improving the Talc Pellet Manufacturing Process. Symmetry. 2020; 12(10):1-18.