การระบุสายพันธุ์แคคตัสด้วยโมเดลการเรียนรู้เชิงลึกร่วมกับเทคนิคตรวจจับวัตถุ
คำสำคัญ:
การจำแนกรูปภาพ, สายพันธุ์แคคตัส, การเรียนรู้เชิงลึก, การตรวจจับวัตถุบทคัดย่อ
การระบุสายพันธุ์แคคตัสสำหรับผู้เริ่มต้นนับเป็นเรื่องที่ท้าทาย อันเนื่องมาจากความหลากหลายของสายพันธุ์และความคล้ายคลึงของคุณลักษณะเฉพาะที่ใกล้เคียงกัน ซึ่งอาจส่งผลต่อความถูกต้องในการจำแนก การวิจัยนี้มีวัตถุประสงค์ คือ (1) เพื่อพัฒนาชุดข้อมูลรูปภาพและคำอธิบายรูปภาพสายพันธุ์แคคตัส (2) เพื่อพัฒนาตัวแบบการระบุสายพันธุ์แคคตัสด้วยโมเดลการเรียนรู้เชิงลึกและเทคนิคตรวจจับวัตถุ และ (3) เพื่อประเมินความถูกต้องการระบุสายพันธุ์แคคตัส การดำเนินงานเริ่มจากการรวบรวมรูปภาพแคคตัส 10 สายพันธุ์ที่ได้รับความนิยมจากกลุ่มผู้เพาะเลี้ยงแคคตัสเชิงพาณิชย์ในจังหวัดนครราชสีมา พร้อมสร้างคำอธิบายรูปภาพในรูปแบบ XML รวมทั้งสิ้น 1,508 รูปภาพ โดยใช้โมเดล MobileNetV2 ที่ได้รับการถ่ายโอนการเรียนรู้มาฝึกฝนบนชุดข้อมูลฝึกฝน และใช้ออปติไมเซอร์เป็น RMSprop พร้อมกำหนดฟังก์ชันการสูญเสียที่เหมาะสม เพื่อปรับปรุงความแม่นยำของโมเดลตามกระบวนการแพร่กระจายย้อนกลับในการปรับค่าถ่วงน้ำหนักของโมเดลให้เหมาะสมกับคุณลักษณะสำคัญของแคคตัสในแต่ละสายพันธุ์ ร่วมกับเทคนิคการตรวจจับวัตถุแบบขั้นตอนเดียวที่ใช้การตรวจจับ และการจำแนกประเภทของวัตถุในภาพที่รวดเร็วและมีประสิทธิภาพสูง ผลลัพธ์จากการฝึกฝนโมเดล พบว่า ค่าความถูกต้องเฉลี่ยบนชุดข้อมูลฝึกฝนอยู่ที่ 92.64% และบนชุดข้อมูลตรวจสอบอยู่ที่ 91.05% ซึ่งบ่งชี้ว่า โมเดลสามารถเรียนรู้รูปแบบของข้อมูลได้อย่างมีประสิทธิภาพ และไม่มีสัญญาณของการเกิด Overfitting หรือ Underfitting อย่างมีนัยสำคัญ เช่นเดียวกับค่าความแม่นยำเฉลี่ยและค่าการเรียกคืนเฉลี่ยในการตรวจจับวัตถุขนาดใหญ่ที่สูงถึง 0.991 และ 0.993 ตามลำดับ อย่างไรก็ดี ยังคงพบข้อจำกัดในการตรวจจับวัตถุขนาดกลางและขนาดเล็ก ซึ่งยังต้องได้รับการปรับปรุงในอนาคต และเมื่อพิจารณาผลการประเมินในสถานการณ์จริงกับชุดข้อมูลที่ไม่เคยเห็นมาก่อน พบว่า ความถูกต้องเฉลี่ยอยู่ที่ 83.33% โดยทำงานได้ดีในกรณีที่มีวัตถุหนึ่งชิ้นที่สามารถจำแนกได้เป็นหลายคลาส และในกรณีที่มีหลายวัตถุในคลาสเดียวกัน แต่ความถูกต้องลดลงเมื่อรูปภาพมีวัตถุหลายชนิดจากหลายคลาส
เอกสารอ้างอิง
Ali, M., Keller, C., & Huang, M. (2023). Fruits detection using single shot multibox detector. In BSCI ‘23: Proceedings of the 5th ACM International Symposium on Blockchain and Secure Critical Infrastructure (pp. 140–144). New York: Association for Computing Machinery
Anderson, E. F. (2001). The cactus family. Portland, OR: Timber Press.
Ariwa, R. N., Markus, C., Teneke, N. G., Adamu, S., & George, F. K. (2024). Plant disease detection using YOLO machine learning approach. British Journal of Computer, Networking and Information Technology, 7(2), 115–129. https://doi.org/10.52589/BJCNIT-EJWGFW6D
Arun, A., Sharma, S., Singh, B., & Hazra, T. (2025). Identification of plant species using convolutional neural network with transfer learning. Journal of Phytopathology, 173(1). e70032. https://doi.org/10.1111/jph.70032
Barthlott, W., & Hunt, D. R. (1993). Cacti: An illustrated guide to the plants and their cultivation. Portland, OR: Timber Press.
Business Research Insights. (2023). Succulent plant market report (Market Report No. 100171). Retrieved from https://www.businessresearchinsights.com/market-reports/succulent-plant-market-100171
Girshick, R. (2015). Fast R-CNN. In Proceedings of the IEEE International Conference on Computer Vision (ICCV) (pp. 1440–1448). Santiago: IEEE
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. Cambridge, MA: MIT Press.
Gong, X., & Zhang, S. (2023). An analysis of plant diseases identification based on deep learning methods. The Plant Pathology Journal, 39(4), 320–324. https://doi.org/10.5423/PPJ.OA.02.2023.0034
Kaur, S., & Kaur, P. (2019). Plant species identification based on plant leaf using computer vision and machine learning techniques. Journal of Multimedia Information System, 6(2), 49–59. https://doi.org/10.33851/JMIS.2019.6.2.49
Konyushkova, K., Pishchulin, L., & Matuszek, C. (2018). Learning intelligent dialogs. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 1–10). UT: IEEE
Liu, W., Anguelov, D., Erhan, D., Szegedy, C., Reed, S., Fu, C.-Y., & Berg, A. C. (2016). SSD: Single shot multibox detector. In B. Leibe et al. (Eds.), Proceedings of the European Conference on Computer Vision (ECCV 2016) (pp. 21–37). Amsterdam: Springer International Publishing.
Nobel, P. S. (2002). Cacti: Biology and uses. CA: University of California Press.
Rani, A., Nikhila, M., Bhargavi, M., & Sushma, P. (2024). Supervised learning based plant species classification for precise e-agriculture. Journal for Educators, Teachers and Trainers, 15(5), 405–415. Retrieved from https://hdl.handle.net/10481/103749
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 779–788). NV: IEEE
Sandler, M., Howard, A., Zhu, M., Zhmoginov, A., & Chen, L.-C. (2018). MobileNetV2: Inverted residuals and linear bottlenecks. arXiv, 1801(04381), 4510-4520. https://doi.org/10.48550/arXiv.1801.04381
Thomkaew, J., & Intakosum, S. (2023). Plant species classification using leaf edge feature combination with morphological transformations and SIFT key point. Journal of Image and Graphics, 11(1), 91–97. https://doi.org/10.18178/joig.11.1.91-97
Verified Market Research. (2021). Cactus extract market – Global industry trends and forecast to 2027. Retrieved from https://www.verifiedmarketresearch.com/product/cactus-extract-market/
Wu, H., Fang, L., Yu, Q., & Yang, C. (2024). Composite descriptor based on contour and appearance for plant species identification. Engineering Applications of Artificial Intelligence, 133(3), 108291. https://doi.org/10.1016/j.engappai.2024.108291
Zhang, X., Yang, Y.-H., Han, Z., Wang, H., & Gao, C. (2014). Object class detection: A survey. ACM Computing Surveys, 46(1), Article 10, 1–53. https://doi.org/10.1145/2522968.2522978
