ตัวแบบระบบปัญญาประดิษฐ์เพื่อการเพาะปลูกเกษตรอินทรีย์แบบมีส่วนร่วม
Article Sidebar
Main Article Content
บทคัดย่อ
การวิจัยครั้งนี้มีวัตถุประสงค์ 1) เพื่อพัฒนาตัวแบบระบบปัญญาประดิษฐ์การเพาะปลูกเกษตรอินทรีย์แบบมีส่วนร่วม 2) เพื่อพัฒนาตัวแบบเครื่องตรวจวัดและวิเคราะห์ปัจจัยการเพาะปลูกพืชเกษตรอินทรีย์ ด้วย NB-IoT 3) เพื่อพัฒนาตัวแบบแอปพลิเคชันผู้ผลิตและผู้บริโภคสินค้าเกษตรอินทรีย์ เครื่องมือและวิธีการวิจัยตัวแบบระบบสารสนเทศทางภูมิศาสตร์ได้ประยุกต์ตามวงจรพัฒนาระบบแบบเกลียว กลุ่มผู้ใช้ระบบสารสนเทศ ประกอบด้วย กลุ่มเกษตรเครือข่ายเกษตรอินทรีย์แบบมีส่วนร่วมจังหวัดเพชรบุรี ผลการวิจัยพบว่า 1) ตัวแบบระบบปัญญาประดิษฐ์การเพาะปลูกเกษตรอินทรีย์แบบมีส่วนร่วม (AI-COF) มีลักษณะผสมผสานกันระหว่างเครื่องมืออิเล็กทรอนิกส์เซนเซอร์ มี 3 ส่วน คือ (1) เครื่องตรวจวัดและวิเคราะห์ปัจจัยการเพาะปลูกพืชเกษตรอินทรีย์ ด้วย NB-IoT (2) ชุดเซนเซอร์วัดอุณหภูมิและความชื้น และ กล้องถ่ายภาพการเจริญเติบโตของพืช (3) แอปพิเคชั่นผู้ผลิตและผู้บริโภคสินค้าเกษตรอินทรีย์เป็นหน้าร้านการขายสินค้า สั่งปลูกพืชผักที่ผู้บริโภคต้องการ 2) ผลประเมินคุณภาพตัวแบบระบบปัญญาประดิษฐ์การเพาะปลูกเกษตรอินทรีย์แบบมีส่วนร่วม (1) ด้านประสิทธิภาพตัวแบบระบบปัญญาประดิษฐ์การเพาะปลูกเกษตรอินทรีย์แบบมีส่วนร่วม อยู่ในระดับมาก ที่ระดับค่าเฉลี่ย 4.13 ส่วนเบี่ยงเบน 0.54 (2) ด้านประสิทธิภาพของเครื่องตรวจวัดและวิเคราะห์ปัจจัยการเพาะปลูกพืชเกษตรอินทรีย์ ด้วย NB-IoT อยู่ในระดับมาก ที่ระดับค่าเฉลี่ย 4.18 ส่วนเบี่ยงเบน 0.57 (3) ด้านประสิทธิภาพตัวแบบแอปพลิเคชันผู้ผลิตและผู้บริโภคสินค้าเกษตรอินทรีย์ อยู่ในระดับมาก ที่ระดับค่าเฉลี่ย 3.55 ส่วนเบี่ยงเบน 0.64 (4) ด้านประโยชน์ต่อการในไปใช้เพาะปลูก อยู่ในระดับมาก ที่ระดับค่าเฉลี่ย 4.18 ส่วนเบี่ยงเบน 0.54 (5) ด้านประโยชน์ต่อกลุ่มเกษตรอินทรีย์ อยู่ในระดับมาก ที่ระดับค่าเฉลี่ย 3.76 ส่วนเบี่ยงเบน 0.55 และคุณภาพโดยรวมทุกด้านอยู่ในระดับมาก ที่ระดับค่าเฉลี่ย 3.96 ส่วนเบี่ยงเบน 0.57 สามารถนำผลการวิจัยตัวแบบระบบปัญญาประดิษฐ์การเพาะปลูกเกษตรอินทรีย์แบบมีส่วนร่วมไปประยุกต์ใช้ยังกลุ่มเกษตรกรผู้ผลิตพืชชนิดอื่นให้ได้ตามความต้องการของผู้บริโภค
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
Boulent, J., Foucher, S., Theau, J., & St-Charles, P.-L. (2019). Convolutional neural networks for the automatic identification of plant diseases. Frontiers in Plant Science, 10. https://doi.org/10.3389/fpls.2019.00941
Bunreang, K. (2000). Education Research Methodology . Bangkok: P.N. Printing. [InThai]
Gutierrez Ortega, J. A., Fahlgren, N., Gehan, M., & Castillo, S. E. (2021). Segmentation of overlapping plants in multi-plant image time series. Earth and Space Science Open Archive. https://doi.org/10.1002/essoar.10508337.2
Hobart, M., Pflanz, M., Weltzien, C., & Schirrmann, M. (2020). Growth height determination of tree walls for precise monitoring in apple fruit production using UAV photogrammetry. Remote Sensing, 12(10). https://doi.org/10.3390/rs12101656
Kirwan, R. F., Abbas, F., Atmosukarto, I., Loo, A. W. Y., Lim, J. H., & Yeo, S. (2023). Scalable agritech growbox architecture. Frontiers in the Internet of Things. 2. https://doi.org/10.3389/friot.2023.1256163
Kongmark, N. (2020). Organic agriculture standards manual SCE-PGS. Phetchaburi : [n.p.]. [InThai]
Kromkroam, K. (2009). Object-oriented system analysis and design with UML. Bangkok: KTP. [InThai]
Maneetoem, A., Pratoomta, N., & Kingthong, W. (2020). The development of geographic information systems for crop cultivation and food production and agricultural tourism in Phetchaburi Province. Journal of Applied Informatics and Technology, 2(1), 1-18. https://doi.org/10.14456/jait.2020.1 [InThai]
Neupane, B., Horanont, T., & Duy Hung, N. (2019). Deep learning based banana plant detection and counting using high-resolution red-greenblue (RGB) images collected from unmanned aerial vehicle (UAV). PLOS ONE, 14(10). https://doi.org/10.1371/journal.pone.0223906
Noah, F. & Malia, G. (2022). Plant phenotyping using computer vision. Retrieved 20 October, 2022, from https://plantcv.danforthcenter.org/
Node-RED. (2022). About Node-RED. Retrieved 20 October, 2022, from https://nodered.org
Ongate, N. (2021). Prototype design of solar soil moisture controller to be used as an alternative energy for agriculture against the growth of vegetables in Khao Kho District, Phetchabun Province. SNRU Journal of Science and Technology, 13(1), 20-28. https://ph01.tci-thaijo.org/index.php/snru_journal/article/view/242652 [InThai]
OpenCV. (2011). What about OpenCV?. Retrieved 20 October, 2022, from https://opencv.org/
OpenCV. (2023). Image processing: Structural analysis and shape descriptors. Retrieved 20 October, 2022. Retrieved from https://docs.opencv.org/3.4/d3/dc0/group__imgproc__shape.html
PlantCV. (2023). Analyze the size and shape characteristics of objects. Retrieved 20 October, 2022. Retrieved from https://plantcv.readthedocs.io/en/stable/analyze_size/
Popovic, T., Latinovic, N., Pesic, A., Zecevic, Z., Krstajic, B., & Djukanovic, S. (2017). Architecting an IoT-enabled platform for precision agriculture and ecological monitoring: A case study. Computers and Electronics in Agriculture, 140, 255-265. https://doi.org/10.1016/j.compag.2017.06.008
Rice Departmemt. (2022). What participatory gurantree system: PGS ?. Retrieved 20 October, 2022. Retrieved from http://www.pgs-organic.org/sub1content.asp?id=14294 [InThai]
Saiysing, J. (2020). The development of smart farm solution machine in a community enterprise: A group of growers and the rainbow mango processing, Ban Nong Bua Chum, Tambon Nong Hin, Nong Kung Sri District, Kalasin Province. SNRU Journal of Science and Technology, 13(1), 11-19. https://ph01.tci-thaijo.org/index.php/snru_journal/article/view/240724 [InThai]
Satzinger, J. W., Jackson, R. B., & Burd, S. D. (2002). Systems Analysis and Design in a Changing World (2nd ed.). Boston, Massachusetts: Thomdon Learning.
Schuhl, H., Peery, J. D., Gutierrez, J., Gehan, A. M., & Fahlgren, N. (2022). Simplifying PlantCV workflows with multiple objects. North American Plant Phenotyping Network (NAPPN). https://doi.org/10.22541/au.166758437.76129704/v1
SIAMBC. (2021). What is IoT?. Retrieved 20 October, 2022, from https://siambc.com/iot [InThai]
SIAMBC. (2022). What NB-IoT?. Retrieved 20 October, 2022, from https://siambc.com/nb-IoT [InThai]
Tovar, J. C. et al. (2018). Raspberry Pi–powered imaging for plant phenotyping. Applications in Plant Sciences, 6(3), e1031. https://doi.org/10.1002/aps3.1031
Yang, S., Zheng, L., Gao, W., Wang, B., Hao, X., Mi, J., & Wang, M. (2020). An efficient processing approach for colored point cloud-based high-throughput seedling phenotyping. Remote Sensing, 12(10), 1-21. https://doi.org/10.3390/rs12101540
Zamora-Izquierdo, M. A., Santa, J., Martinez, J., Martinez, V., & Skarmeta, A. (2019). Smart farming IoT platform based on edge and cloud computing. Biosystems Engineering, 177, 4-17. https://doi.org/10.1016/j.biosystemseng.2018.10.014
Zanella, A., Bui, N., Castellani, A., Vangelista, L., & Zorzi, M. (2014). Internet of things for smart cities. IEEE Internet of Things Journal, 1(1), 22-23. doi:10.1109/JIOT.2014.2306328