คลังผลงานวิจัย กรมวิชาการเกษตร

รายงานผลงานวิจัยและพัฒนา

การพัฒนาโมบายแอพพลิเคชั่นตรวจวัดโรคและศัตรูพืชที่แสดงอาการบนใบมันสำปะหลัง

คำหลัก : เครื่องมือสืบค้น การประมวลผลภาพดิจิทัล ระบบการตรวจวัดโรคพืช ระบบการจำแนกโรคพืช ฐานข้อมูล

ผู้วิจัย : กฤษณา แสงดี

ผู้ร่วมวิจัย : สุรพงษ์ ประสิทธิ์วัฒนเสรี,นครินทร์ทิพย์ พุทธสิทธิ์,วีรศักดิ์ ขุนชำนาญ,ธีรภัทร ธรรมไชยางกูร,นวลมณี พรหมนิล,อมรรัชฏ์ คิดใจเดียว

หน่วยงาน : ศูนย์เทคโนโลยีสารสนเทศและการสื่อสาร ศูนย์วิจัยและพัฒนาการเกษตรปราจีนบุรี

ปี: 2564

ประเภทผลงาน: รายงานความก้าวหน้า

จำนวนผู้อ่าน: 128 ครั้ง

บทคัดย่อ (Abstract)

          การรู้จักโรคและแมลงศัตรูพืชต่างๆ การวินิจฉัยอาการจากโรคแมลงได้เบื้องต้น เป็นปัจจัยสำคัญอย่างหนึ่งที่ช่วยให้การปลูกมันสำปะหลังมีคุณภาพ สามารถเลือกใช้วิธีการกำจัดศัตรูพืชที่เหมาะสมถูกที่ ถูกเวลา และเลือกใช้สารเคมีที่ถูกต้องกับโรคในปริมาณที่เหมาะสม ซึ่งโรคพืชบางชนิดอาจจำแนกได้ยาก โดยเฉพาะโรคพืชมีความสำคัญต่อโครงสร้างทางสรีรวิทยาของต้นพืช เพื่อช่วยให้การวินิจฉัยโรคพืชมีประสิทธิภาพ จึงได้ดำเนินการรวบข้อมูลภาพอาการใบมันสำปะหลังที่เป็นโรคจากพื้นที่ปลูกมันสำปะหลังจังหวัดนครราชสีมา ปราจีนบุรี และสระแก้ว นามาคัดแยกภาพโรคและลักษณะอาการที่ถูกโรคทาลาย เพื่อจัดทำฐานข้อมูลภาพและรูปลักษณ์ใบมันสำปะหลังที่แสดงอาการเป็นโรคและเครื่องมือสืบค้นด้วยภาพ พัฒนาเป็นโมบายแอพพลิเคชั่นตรวจวัดและจำแนกโรคที่แสดงอาการบนใบมันสำปะหลังสามารถใช้งานได้ง่าย ดำเนินการระหว่างเดือนตุลาคม 2563 ถึงเดือนกันยายน 2564 ได้ภาพใบมันสำปะหลังจานวน 9,907 ภาพ นำภาพทั้งหมดไปปรับเพิ่มความคมชัด ตัดส่วนของภาพที่ไม่ต้องการออก กำหนดขนาดภาพเท่ากับ 224 x 224 พิกเซล แปลงภาพจากระบบสี RGB เป็นภาพระดับสีเทา และสกัดตัวแปรรูปลักษณ์ของภาพ โดยการวิเคราะห์เมตริกซ์การปรากฎร่วมของระดับสีเทา (Gray – Level Co Occurrence Matrix : GLCM) จัดเก็บชื่อภาพและรูปลักษณ์ที่เกี่ยวข้องกับแต่ละภาพ เป็น 6 คลาส คือ 0) ต้นปกติ 1) ใบไหม้ 2) ใบจุดสีน้ำตาล 3) แอนแทรกโนส และ 4) ใบด่าง ในรูปแบบฐานข้อมูล CSV เขียนชุดคาสั่งภาษา Python เพื่อสร้างเครื่องมือสืบค้นภาพ และแสดงผลภาพที่สืบค้นได้ แล้วนำไปพัฒนาเป็นระบบที่สามารถใช้งานผ่านสมาร์ทโฟน แบ่งเป็นภาพอาการใบด่าง (CMD) ร้อยละ 39 รองลงมาคือ ภาพโรคใบจุดสีน้ำตาล (CBS) ร้อยละ 31.2 ภาพต้นปกติ (Healthy) ร้อยละ 15 ภาพโรคใบไหม้ (CBB) ร้อยละ 13.5 และภาพโรคแอนแทรคโนส (CAN) ร้อยละ 1.3 นำภาพเข้าสู่กระบวนการ Transfer Learning โดยใช้โมเดล ResNet (Deep Residual Network) ทาให้สามารถลดระยะเวลาและค่าใช้จ่ายในการพัฒนาแอพพลิเคชั่น มีค่าความถูกต้องในการจำแนกสูงถึง 94.40 เปอร์เซ็นต์ ผู้ใช้งานแอพพลิเคชั่นสามารถวินิจฉัย ทราบอาการ และรับคำแนะนำในการป้องกันกำจัดโรคที่แสดงอาการบนใบมันสำปะหลัง ผู้ใช้งานแอพพลิเคชั่นมีความพึงพอใจในการใช้งานในระดับมาก ค่าเฉลี่ย 4.13 การพัฒนาแอพพลิเคชั่นให้ตรวจวัดและจำแนกโรคได้แม่นยายิ่งขึ้นต้องมีการรวบรวมข้อมูลภาพจานวนมากขึ้น เพื่อฝึกโมเดลให้มีความสามารถในการจำแนกภาพโรคบนใบมันสำปะหลังเพิ่มขึ้น และควรปรับปรุงประสิทธิภาพของ Cloud Server โดยการเพิ่มเติมวงจรที่มีความเร็วสูงในการประมวลผลภาพมากยิ่งขึ้น

URL Reference :

(ดาวน์โหลด: 47 ครั้ง)

ปรับปรุงข้อมูลเมื่อวันที่ 08-11-2567

แจ้งไฟล์หาย