การประยุกต์ใช้โครงข่ายประสาทเทียมแบบคอนโวลูชันสำหรับการจำแนกภาพโรคใบอ้อยและการบูรณาการกับไลน์แชตบอตเพื่อสนับสนุนเกษตรอัจฉริยะ

ศุภชัย ใบปอด; จรวย สาวิถี; จักรพันธ์ ศรีวงษา

doi:10.14456/jcct.2025.24

ผู้แต่ง

ศุภชัย ใบปอด นักศึกษา สาขาวิชาการจัดการสมาร์ตซิตี้และนวัตกรรมดิจิทัล คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม ประเทศไทย https://orcid.org/0009-0009-2032-2393
จรวย สาวิถี รองศาสตราจารย์ สาขาวิชาการจัดการสมาร์ตซิตี้และนวัตกรรมดิจิทัล คณะการบัญชีและการจัดการ มหาวิทยาลัยมหาสารคาม ประเทศไทย
จักรพันธ์ ศรีวงษา อาจารย์ สาขาวิชาวิทยาการคอมพิวเตอร์ คณะวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยราชภัฏมหาสารคาม จังหวัดมหาสารคาม 44000 ประเทศไทย https://orcid.org/0000-0002-1187-1130

DOI:

https://doi.org/10.14456/jcct.2025.24

คำสำคัญ:

โครงข่ายประสาทเทียมแบบคอนโวลูชัน, การวินิจฉัยโรคใบพืช, การจำแนกภาพ, ไลน์แชตบอต, เกษตรอัจฉริยะ

บทคัดย่อ

โรคใบในพืช โดยเฉพาะโรคใบอ้อยในประเทศไทย เป็นปัญหาสำคัญที่ส่งผลต่อผลผลิตและคุณภาพของอ้อย การตรวจสอบโรคด้วยวิธีดั้งเดิมมักใช้เวลานานและต้องอาศัยความเชี่ยวชาญเฉพาะด้าน ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาโมเดลการเรียนรู้เชิงลึกสำหรับการวินิจฉัยโรคใบอ้อย โดยการนำเทคนิคโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) และการบูรณาการกับไลน์แชตบอตเพื่อรองรับการเกษตรอัจฉริยะ โดยการวิจัยนี้ได้ทำการเปรียบเทียบประสิทธิภาพของโมเดล CNN ทั้ง 5 สถาปัตยกรรม เพื่อหาโมเดลที่ดีที่สุดเหมาะสมกับปัญหาการจำแนกโรคใบอ้อย ประกอบด้วย VGGNet-16, ResNet-50, DenseNet-121, AlexNet และ GoogLeNet โดยใช้ชุดข้อมูล Sugarcane Leaf Disease Dataset ที่ดำเนินการจัดเก็บจากสภาพแวดล้อมจริง ชุดข้อมูลภาพใบอ้อยถูกรวบรวมจากกลุ่มพื้นที่จังหวัดในภาคตะวันออกเฉียงเหนือตอนกลาง 4 จังหวัด จำนวน 4,000 ภาพ แบ่งเป็น 4 ประเภทอย่างละ 1,000 ภาพ ประกอบด้วยภาพใบอ้อยครอบคลุม 4 ประเภท ได้แก่ โรคเส้นกลางใบแดง โรคใบจุดวงแหวน โรคราสนิม และใบอ้อยปกติ ข้อมูลถูกแบ่งเป็น 3 อัตราส่วน คือ 75:25, 80:20 และ 90:10 สำหรับชุดฝึกสอนและชุดทดสอบ ตามลำดับ ผลการทดลองแสดงให้เห็นว่าโมเดล DenseNet-121 ด้วยอัตราส่วน 90:10 ให้ประสิทธิภาพสูงสุด โดยมีค่าเฉลี่ยแบบมาโคร (Macro-average) สูงที่สุด 97.28% เมื่อนำโมเดลที่ดีที่สุดไปพัฒนาเป็นระบบ LINE Chatbot สำหรับการวินิจฉัยโรคใบอ้อยแบบอัตโนมัติ ผลการทดสอบระบบแสดงให้เห็นว่าสามารถตอบสนองผู้ใช้งานได้อย่างมีประสิทธิภาพ งานวิจัยนี้แสดงให้เห็นถึงศักยภาพของเทคโนโลยีการเรียนรู้เชิงลึกในการสนับสนุนเกษตรกรให้สามารถตรวจสอบสุขภาพพืชอ้อยได้อย่างรวดเร็วและแม่นยำ ซึ่งเป็นส่วนสำคัญในการพัฒนาระบบเกษตรอัจฉริยะในประเทศไทย

Downloads

Download data is not yet available.

เอกสารอ้างอิง

Adulyasas, A., Baka, A., & Muninnoppamas, J. (2023). The Halal Qualified Product Searching System Using Image Processing. Maejo Information Technology and Innovation Journal, 9(2), 34-46. (In Thai)

Alyas, R. M., & Mohammed, A. S. (2022, July 15-16). Detection of Plant Diseases Using Image Processing with Machine Learning. 2022 2nd International Conference on Computing and Machine Intelligence, 1-6. Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/ICMI55296.2022.9873793.

Amin, H., Darwish, A., Hassanien, A. E., & Soliman, M. (2022). End-to-End Deep Learning Model for Corn Leaf Disease Classification. IEEE Access, 10, 31103-31115. https://doi.org/10.1109/access.2022.3159678.

Archana, R., & Jeevaraj, P. S. E. (2024). Deep Learning Models for Digital Image Processing: A Review. Artificial Intelligence Review, 57(1), 11. https://doi.org/10.1007/s10462-023-10631-z.

Daphal, S. D., & Koli, S. M. (2024). Enhanced Deep Learning Technique for Sugarcane Leaf Disease Classification and Mobile Application Integration. Heliyon, 10(8), e29438. https://doi.org/10.1016/j.heliyon.2024.e29438.

Ditcharoen, S., Sirisomboon, P., Saengprachatanarug, K., Phuphaphud, A., Rittiron, R., Terdwongworakul, A., Malai, C., Saenphon, C., Panduangnate, L., & Posom, J. (2023). Improving the Non-destructive Maturity Classification Model for Durian Fruit Using Near-infrared Spectroscopy. Artificial Intelligence in Agriculture, 7, 35-43. https://doi.org/10.1016/j.aiia.2023.02.002.

Enkvetchakul, P., & Surinta, O. (2022). Effective Data Augmentation and Training Techniques for Improving Deep Learning in Plant Leaf Disease Recognition. Applied Science and Engineering Progress, 15(3), 3810. https://doi.org/10.14416/j.asep.2021.01.003.

Farooq, M. S., Riaz, S., Abid, A., Umer, T., & Zikria, Y. B. (2020). Role of IoT Technology in Agriculture: A Systematic Literature Review. Electronics, 9(2), 319. https://doi.org/10.3390/electronics9020319.

Ganesh, N. B., Ayyappa, M., & Deepthi, K. (2025). Plant Disease Detection by Image Processing. International Journal of Scientific Research in Engineering and Management, 9(1), 1-4. https://doi.org/10.55041/ijsrem40956.

Hamaan, T. (2016). Sugarcane Disease Diagnosis Guide. Office of The Cane and Sugar Board. (In Thai)

Harshitha, H. S., Nagaraja, J., & Pruthiraja, D. (2024, July 24-27). Plant Disease Detection Using Image Processing. 2024 Second International Conference on Advances in Information Technology, 1-6. Institute of Electrical and Electronics Engineers. https://doi.org/10.1109/ICAIT61638.2024.10690485.

Hongboonmee, N., & Kanyaprasit, J. (2021). Health Problem Analysis from Nail Image using Deep Learning Technique. Journal of Information Science and Technology, 11(2), 10-20. https://doi.org/10.14456/jist.2021.12. (In Thai)

Hongboonmee, N., & Sitthichokchaisiri, T. (2021). The Development of Application for Analysis of Eye Health with Image Recognition Using Deep Learning Technique. Sripatum Review of Science and Technology, 13(1), 7-21. (In Thai)

Jomsri, P., Prangchumpol, D., & Eaimtanakul, B. (2021). Development of Automatic Marigold Leaf Disease Diagnosis System Using IoT Technology for Support Smart Farmer. Journal of Academic Information and Technology, 2(2), 15-24. (In Thai)

Kasikorn Research Center. (2023). Trends in Thai Agricultural Export in 2023. Kasikorn Bank. (In Thai)

Koedsri, A. (2021). Analysis of Learning Behavior in Massive Open Online Courses (MOOCs): An Application of Machine Learning and Deep Learning. Journal of Social Sciences in Measurement Evaluation Statistics and Research, 2(2), 14-28. (In Thai)

Makkawal, T., Duangsupa, S., & Panthong, R. (2022). Development of Web Application for Classification of Variegated Banana with Machine Learning. Journal of Applied Information Technology, 8(2), 56-66. (In Thai)

Mekha, P., Musikong, P., Palakong, N., Pramokchon, P., & Kasemsumran, P. (2023). Performance Comparison of Image Classification Models for Corn Leaf Disease. Maejo Information Technology and Innovation Journal, 9(2), 1-16. (In Thai)

Office of Agricultural Economics. (2023). Statistics on Major Economic Crop Cultivation Areas and Yields of Thailand in 2023. Ministry of Agriculture and Cooperatives. (In Thai)

Office of The Cane and Sugar Board. (2023). Report on Sugarcane and Sugar Industry Situation, Crop Year 2022/2023. Information and Communication Technology Division. (In Thai)

Petrellis, N. (2018). A Review of Image Processing Techniques Common in Human and Plant Disease Diagnosis. Symmetry, 10(7), 270. https://doi.org/10.3390/sym10070270.

Pujari, J. D., Yakkundimath, R., & Byadgi, A. S. (2015). Image Processing Based Detection of Fungal Diseases in Plants. Procedia Computer Science, 46, 1802-1808. https://doi.org/10.1016/j.procs.2015.02.137.

Saisangchan, U., Chamchong, R., & Suwannasa, A. (2022). Analysis of Lime Leaf Disease using Deep Learning. Journal of Applied Informatics and Technology, 4(1), 71-86. https://doi.org/10.14456/jait.2022.6. (In Thai)

Shrestha, A., & Mahmood, A. (2019). Review of Deep Learning Algorithms and Architectures. IEEE Access, 7, 53040-53065. https://doi.org/10.1109/access.2019.2912200.

Vento, D. D., & Fanfarillo, A. (2019, July 28 - August 1). Traps, Pitfalls and Misconceptions of Machine Learning Applied to Scientific Disciplines. PEARC '19: Practice and Experience in Advanced Research Computing 2019: Rise of the Machines (Learning), 75. https://doi.org/10.1145/3332186.3332209.

Wongsarapee, S., & Puangmanee, W. (2025). Image Enhancement Using Haar Wavelet for Image Classification of Diseases on Strawberry Leaves with Convolutional Neural Networks. Maejo Information Technology and Innovation Journal, 11(1), 174-192. (In Thai)

Yap, M. H., Cassidy, B., Pappachan, J. M., O’Shea, C., Gillespie, D., & Reeves, N. (2021). Analysis Towards Classification of Infection and Ischaemia of Diabetic Foot Ulcers. arXiv. https://doi.org/10.48550/arXiv.2104.03068.