การจำแนกแมลงศัตรูพืชจากภาพถ่าย โดยใช้แบบจำลองที่ผ่านการฝึกสอนล่วงหน้าด้วยการเรียนรู้เชิงลึก : กรณีศึกษาในจังหวัดอุบลราชธานี
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อเปรียบเทียบประสิทธิภาพของแบบจำลองการเรียนรู้เชิงลึกที่ผ่านการฝึกสอนล่วงหน้า ได้แก่ อัลกอริทึม MobileNetV2 อัลกอริทึม ResNet50 และอัลกอริทึม VGG19 กับอัลกอริทึมการเรียนรู้แบบดั้งเดิม ได้แก่ อัลกอริทึม Random Forest อัลกอริทึม Support Vector Machine และอัลกอริทึม Logistic Regression ในการจำแนกภาพถ่ายแมลงศัตรูพืช 10 ชนิด ซึ่งส่งผลกระทบต่อพืชเศรษฐกิจหลักในจังหวัดอุบลราชธานี โดยใช้ข้อมูลภาพจำนวน 4,875 ภาพ กระบวนการวิจัยประกอบด้วยการสกัดคุณลักษณะจากแบบจำลองที่ผ่านการฝึกสอนล่วงหน้า เพื่อนำไปฝึกกับอัลกอริทึมแบบดั้งเดิม การทดลองดำเนินการภายใต้กรอบการเรียนรู้แบบมีผู้สอน พร้อมการควบคุมค่าพารามิเตอร์ให้คงที่เพื่อความยุติธรรมในการเปรียบเทียบ ผลการวิจัยพบว่าการสกัดคุณลักษณะด้วยอัลกอริทึม MobileNetV2 แล้วนำไปสร้างแบบจำลองจำแนกประเภทข้อมูลด้วยอัลกอริทึม Logistic Regression ให้ผลลัพธ์ที่ดีที่สุด โดยมีค่าความถูกต้องสูงสุดที่ 0.898 และ F1-Score สูงสุดที่ 0.869 การศึกษานี้เน้นให้เห็นถึงศักยภาพของการผสานเทคนิคการเรียนรู้เชิงลึกกับอัลกอริทึมแบบดั้งเดิม ซึ่งเป็นแนวทางสำคัญในการเพิ่มประสิทธิภาพและความยั่งยืนของการเกษตรในอนาคต
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารวิทยาศาสตร์และวิทยาศาสตร์ศึกษา (JSSE) เป็นผู้ถือลิสิทธิ์บทความทุกบทความที่เผยแพร่ใน JSSE นี้ ทั้งนี้ ผู้เขียนจะต้องส่งแบบโอนลิขสิทธิ์บทความฉบับที่มีรายมือชื่อของผู้เขียนหลักหรือผู้ที่ได้รับมอบอำนาจแทนผู้เขียนทุกนให้กับ JSSE ก่อนที่บทความจะมีการเผยแพร่ผ่านเว็บไซต์ของวารสาร
แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form)
ทางวารสาร JSSE ได้กำหนดให้มีการกรอกแบบโอนลิขสิทธิ์บทความให้ครบถ้วนและส่งมายังกองบรรณาธิการในข้อมูลเสริม (supplementary data) พร้อมกับนิพนธ์ต้นฉบับ (manuscript) ที่ส่งมาขอรับการตีพิมพ์ ทั้งนี้ ผู้เขียนหลัก (corresponding authors) หรือผู้รับมอบอำนาจ (ในฐานะตัวแทนของผู้เขียนทุกคน) สามารถดำเนินการโอนลิขสิทธิ์บทความแทนผู้เขียนทั้งหมดได้ ซึ่งสามารถอัพโหลดไฟล์บทความต้นฉบับ (Manuscript) และไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form) ในเมนู “Upload Submission” ดังนี้
1. อัพโหลดไฟล์บทความต้นฉบับ (Manuscript) ในเมนูย่อย Article Component > Article Text
2. อัพโหลดไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form) ในเมนูย่อย Article Component > Other
ดาวน์โหลด ไฟล์แบบโอนลิขสิทธิ์บทความ (Copyright Transfer Form)
เอกสารอ้างอิง
Ahsan, M. M., Uddin, M. R., Ali, M. S., Islam, M. K., Farjana, M., Sakib, A. N. and Luna, S. A. (2023). Deep transfer learning approaches for Monkeypox disease diagnosis. Expert Systems with Applications, 216, 119483.
Anwar, S. M., Majid, M., Qayyum, A., Awais, M., Alnowami, M. and Khan, M. K. (2018). Medical image analysis using convolutional neural networks: a review. Journal of medical systems, 42, 1-13.
Bansal, M., Kumar, M., Sachdeva, M. and Mittal, A. (2023). Transfer learning for image classification using VGG19: Caltech-101 image data set. Journal of ambient intelligence and humanized computing, 1-12.
Bourel, M. and Segura, A. M. (2018). Multiclass classification methods in ecology. Ecological Indicators, 85, 1012-1021.
Chagkornburee, C. and Chaiklieng, S. (2024). The prevalence of symptoms from pesticide exposure among agriculturists: A systematic review and meta-analysis (in Thai). Safety and Environment Review, 7(1), 1–12.
Chen, C., Yin, Y., Shang, L., Jiang, X., Qin, Y., Wang, F., Wang, Z., Chen, X., Liu, Z. and Liu, Q. (2022). bert2BERT: Towards reusable pretrained language models. Proceedings of the 60th Annual Meeting of the Association for Computational Linguistics (pp. 2134–2148).
Chen, C. J., Huang, Y. Y., Li, Y. S., Chang, C. Y. and Huang, Y. M. (2020). An AIoT based smart agricultural system for pests detection. IEEE access, 8, 180750-180761.
Cortes, C. and Vapnik, V. (1995). Support-vector networks. Machine learning, 20(3), 273-297.
He, H. and Garcia, E. A. (2009). Learning from imbalanced data. IEEE Transactions on knowledge and data engineering, 21(9), 1263-1284.
He, K., Zhang, X., Ren, S. and Sun, J. (2016). Deep residual learning for image recognition. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 770–778). Las Vegas: IEEE.
INaturalist. Connect with nature. Retrieved 10 December 2024, from iNaturalist: https://www.inaturalist.org.
Kongchai, P., Hiranpongsin, S. and Ditcharoen, N. (2024). Creating a prediction model for prospective university student admissions during the COVID-19 pandemic situation: A case study of the faculty of science at Ubon Ratchathani university (in Thai). The Journal of King Mongkut's University of Technology North Bangkok, 34(2), 1–10.
Krishnapriya, S. and Karuna, Y. (2023). Pre-trained deep learning models for brain MRI image classification. Frontiers in Human Neuroscience, 17, 1150120.
Mazzawi, H., Gonzalvo, X., Wunder, M., Jerome, S. and Dherin, B. (2024). Deep fusion: Efficient network training via pre-trained initializations. Proceedings of Machine Learning Research. 235:35225-35239.
Papakie, K. (2023). CMU team develops autonomous robot to stave off spotted lanternflies. Retrieved 17 December 2024, from Carnegie Mellon University: https://www.cs.cmu.edu/news/2023/tartan-pest.
Plodkornburee, W. (2021). Integrated pest management for improving production of economic crops. Department of Agriculture. Retrieved 17 December 2024, from Department of Agriculture: https://www.doa.go.th/plan/wp-content/uploads/2023/08/54-1.pdf.
Praharsha, C. H., Poulose, A. and Badgujar, C. (2024). Comprehensive Investigation of Machine Learning and Deep Learning Networks for Identifying Multispecies Tomato Insect Images. Sensors, 24(23), 7858.
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A. and Chen, L. C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 4510-4520). Salt Lake City: IEEE.
Simonyan, K. and Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. Proceedings of the International Conference on Learning Representations (ICLR) (pp. 1–14).
Sombat, W., Kaensar, C., Hiranpongsin, S. and Baokham, S. (2024). A student graduation prediction system using random forest technique (in Thai). Journal of Science and Science Education, 7(2), 245-259.
The Government Public Relations Department. (2024). Warns farmers to monitor and prevent major crop diseases and pests such as rice and vegetables. Retrieved 10 February 2025, from Ubon Ratchathani.prd.go.th: https://ubonratchathani.prd.go.th/th/content/category/detail/id/9/iid/343404.
