การวิเคราะห์ใบมะนาวที่เป็นโรคโดยใช้การเรียนรู้เชิงลึก
Article Sidebar
Main Article Content
บทคัดย่อ
ปัจจุบันมะนาวเป็นพืชชนิดหนึ่งที่ได้รับการนิยมปลูกกันจำนวนมาก เนื่องจากมะนาวใช้ในการประกอบการทำอาหาร นอกจากนี้มะนาวยังมีคุณสมบัติเป็นพืชสมุนไพร ประเทศไทยได้มีการนำมาทำเครื่องดื่มหรือนำมาทำเป็นยาสมุนไพร เพื่อใช้ในการบำรุงสุขภาพ เป็นต้น จากความนิยมดังกล่าว ทำให้การปลูกมะนาวจึงแพร่หลายภายในฟาร์มและเริ่มมีการปลูกตามบ้านมากยิ่งขึ้น ซึ่งปัจจุบันการปลูกมะนาวสามารถควบคุมผลผลิตให้ออกผลิตผลได้นอกฤดูกาล แต่มะนาวยังเป็นพืชที่เป็นโรคต่างๆ ได้ง่าย หากขาดการดูแลที่ดี ดังนั้นในงานวิจัยนี้จึงได้ศึกษาวิธีการวิเคราะห์ความเป็นโรคจากใบมะนาว โดยอาศัยการเรียนรู้เชิงลึก โดยเทคนิคที่ใช้คือการจำแนกใบมะนาวโดยใช้คอนโวลูชันนิวรอลเน็ทเวิร์ค ซึ่งสถาปัตยกรรมที่ศึกษาในที่นี้ได้แก่ LeNet-5, VGG16, RestNet-50 และสถาปัตยกรรมที่นำเสนอ จากการทดลองเก็บรวบรวมข้อมูลภาพถ่ายใบมะนาวเดี่ยว จำนวน 5,710 ภาพ เป็นภาพสี RGB โดยแบ่งเป็นใบมะนาวที่เป็นโรคและไม่เป็นโรคเท่ากัน และทำการแบ่งชุดข้อมูลเป็นชุดสอนร้อยละ 80 และชุดทดสอบร้อยละ 20 พบว่าประสิทธิภาพการวิเคราะห์ด้วย LeNet-5 มีประสิทธิภาพต่ำสุด ในขณะที่สถาปัตยกรรมที่นำเสนอมีค่าสูงสุด แต่ไม่แตกต่างกับ ResNet-50 มากนัก
Article Details
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ผู้แต่งจะต้องกรอกข้อมูลเพื่อโอนลิขสิทธิ์ (copyright) ให้กับวารสารวิทยาการสารสนเทศและเทคโนโลยีประยุกต์ ก่อนเผยแพร่บทความ โดยดูรายละเอียดเพิ่มเติมได้ที่ https://ph01.tci-thaijo.org/index.php/jait/copyrightlicense
References
Bengio, Y. (2009). Learning deep architectures for AI. Technical Report, Universite ́ de Montre ́al.
Das, S. (2017). CNN architectures: LeNet, AlexNet, VGG, GoogLeNet, ResNet and more. Retrieved 15 November 2018, Retrieved from https://medium.com/@sidereal/cnns-architectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5
Deng, L., & Yu, D. (2013). Deep learning: Method and application. In Foundations and Trends in Signal Processing, 7, 197-387.
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861–874.
Guo, Y., Wang, D., & Zhu, H. (2018). Recognition of a plant leaf based on convolutional neural networks. In Tenth International Conference on Digital Image Processing (ICDIP). SPIE. https://doi.org/10.1117/12.2503098
He, K., Zhang, X., Ren, S., & Sun, J. (2016). Deep residual learning for image recognition. In the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 770-778). IEEE.
Hinton, G.E., & Salakhutdinov, R.R. (2006). Reducing the dimensionality of data with neural network. Science, 313, 504-507.
Krizhevsky, A., Sutskever, I., & Hinton, G.E. (2017). ImageNet Classification with Deep Convolutional Neural Networks. Communications of the ACM. 84-90. http://doi.org.10.1145/3065386
Krizhevsky, A., Sutskever, I., & Hinton, G.E. (2012). AlexNet. Advances in Neural Information Processing Systems, 1-9.
LeCun, Y., & Bengio, Y. (1998). Convolutional networks for images, speech, and time series. In Arbib, M.A. (Ed.), The Handbook of Brain Theory and Neural Networks (pp. 255-258). MIT Press.
LeCun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86, 2278-2324.
Okafor, E., Pawara, P., Karaaba, F., Surinta, O., Codreanu, V., Schomaker, L., & Wiering, M. (2016). Comparative study between deep learning and bag of visual words for wild-animal recognition. In IEEE Symposium Series on Computational Intelligence (SSCI) (pp. 1-8). IEEE.
Pawara, P., Okafor, E., Schomaker, L., & Wiering, M. (2017). Data augmentation for plant classification. In International Conference on Advanced Concepts for Intelligent Vision Systems (ACIVS) (pp. 615-626). Springer.
Simonyan, K., & Zisserman, A. (2014). Very deep convolutional networks for large-scale image recognition. arXiv preprint arXiv:1409.1556. Retrieved from http://arxiv.org/abs/1409.1556
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., and Rabinovich, A. (2015). Going deeper with convolutions. In Computer Vision and Pattern Recognition (CVPR). Retrieved from http://arxiv.org/abs/1409.4842
Wicht, B., & Henneberty, J. (2015). Mixed handwritten and printed digit recognition in Sudoku with convolutional deep belief network. In the 13th International Conference on Document Analysis and Recognition (ICDAR) (pp. 861-865). IEEE. https://doi.org/10.1109/ICDAR.2015.7333884
Zeiler, M.D., & Fergus, R. (2014). Visualizing and understanding convolutional networks. In 13th European Conference on Computer Vision (ECCV). Springer, Cham.