Page Header

Home > Vol 34, No 3 (2024) > Theinnoi

การวิเคราะห์โรคเหี่ยวของใบสับปะรดด้วยการประมวลผลภาพและโครงข่ายประสาทเทียมแบบคอนโวลูชัน
An Analysis of Pineapple Leaf Wilt by Image Processing and Convolutional Neural Network

Sudarat Theinnoi, Noppadol Amdee, Adisak Sangsongfar, Payung Meesad

Abstract


งานวิจัยนี้ได้นำเสนอวิธีการนำภาพถ่ายดิจิทัลมาประยุกต์ใช้ในด้านการเกษตรเพื่อวิเคราะห์โรคเหี่ยวของใบสับปะรดด้วยการใช้ภาพถ่ายดิจิทัล โดยมีขั้นตอนในการวิจัย 3 ขั้นตอน ดังนี้ ขั้นตอนที่ 1 ข้อมูลภาพ (Input Image) ขั้นตอนที่ 2 การฝึกฝนและเรียนรู้ (Train Image) และขั้นตอนที่ 3 การทดสอบระบบ (Test Image) ในงานวิจัยนี้ใช้ภาพถ่ายดิจิทัลจากการถ่ายด้วยสมาร์ทโฟน กล้องถ่ายภาพมีความละเอียด 12 ล้านพิกเซล โดยการนำภาพถ่ายดิจิทัลเข้าสู่ระบบที่พัฒนาขึ้นเพื่อให้ระบบได้ทำการฝึกฝนเรียนรู้ ใช้ภาพถ่ายดิจิทัลจำนวน 865 ภาพ ภาพที่นำเข้าไปในระบบมีการแบ่งภาพออกเป็น 4 คลาส ได้แก่ คลาสเต็มใบ คลาสปลายใบ คลาสกลางใบและคลาสโคนใบ และกำหนดให้เครื่องได้เรียนรู้ซ้ำ ๆ จำนวน 10 รอบ ส่วนในขั้นตอนของการทดสอบระบบ ผู้วิจัยใช้ภาพถ่ายดิจิทัลที่ไม่ได้ผ่านการประมวลผลภาพ เพื่อใช้สำหรับทดสอบความถูกต้องของระบบ ซึ่งการวิจัยพบว่า ระบบการวิเคราะห์โรคเหี่ยวของใบสับปะรดด้วยการประมวลผลภาพถ่ายดิจิทัลและโครงข่ายประสาทเทียมแบบคอนโวลูชันที่พัฒนาขึ้น สามารถวิเคราะห์ภาพถ่ายที่เป็นโรคเหี่ยวของใบสับปะรดได้ค่าความถูกต้องสูงถึง 98.96%

This research presented a method for applying digital photographs to agriculture for the analysis of pineapple leaf wilt by using digital photographs. There were 3 steps in the research as follows: step 1: Input Image, step 2: Train Image, and step 3: System Test. The research used digital photos taken with a smartphone that the camera had a resolution of 12 megapixels. All 865 digital photos were brought into a system developed for practicing learning. The images imported into the system were divided into 4 classes: full leaf class, tip class, mid leaf class, and base leaf class. The machine was set to learn repeatedly for 10 rounds in the process of testing the system. The researchers used unprocessed digital photographs and used them to test the correctness of the system. The research revealed an analysis of pineapple leaf wilt by digital image processing and a convolutional neural network, it was able to analyze photos with wilt of pineapple leaves with an accuracy of 98.96%.


Keywords



[1] Office of Agricultural Economics. (2023, July 28). Pineapple yield. [Online]. Available: https:// www.egov.go.th/th/government-agency/128/.

[2] Depatment of Internal Trade. (2022, May 15). Pineapple yield. [Online]. Available: https:// www.oae.go.th/view/1/ Table showing details of pineapple plant /TH-TH.

[3] Department secretary office Department of Agricultural Extension. (2022, August 19). Pineapple yield. [Online]. Available: https:// doaenews.doag.go.th.

[4] Agricultural Research Development Agency. (2020, August 19). Pineapple yield. [Online]. Available: https://arda.or.th/kasetdata.php.

[5] Office of Industrial Economics Ministry of Industry. (2023, July 28). Pineapple yield. [Online]. Available: https://www.oie.go.th/ viwe/1/Home/TH-TH.

[6] U. Lertuschatavanich and P. Suebsaiprom, “Application of image processing for assessment disease severity of rice,” in Proceedings of 51st Kasetsart University Annual Conference: Plants, 2013, vol. 51, pp. 361–368 (in Thai).

[7] T. Sawaengmee, S. Najaittong, N. Wangno, and K. Sunat, “Analysis of plant diseases on leaves application on android using support vector machine,” in The Thirteenth National Conference on Computing and Information Technology, 2017, pp. 483–489 (in Thai)

[8] N. Chinpanthana, S. Phainoun, and P. Chotsuriyasinsukh, “A study on research in digital image processing and its applications,” in National Conference Phetchabun Rajabhat University, 2016, vol. 3, pp. 546–555 (in Thai).

[9] S. Aunkaew, T. Khaorapapong, and M. Karnjanadecha, “A study of inspection of white mould on surface rubber sheets using image proccssing,” Thaksin University Journal, vol. 10, no. 2, pp. 50–61, 2007 (in Thail).

[10] K. KC, Z. Yin, M. Wu and Z. Wu, “Depthwise separable convolution architectures for plant disease Classification,” Computers and Electronics in Agriculture, vol. 165, pp. 104948, 2019.

[11] S. Zhang, S. Zhang, and C. Zhang, “Cucumber leaf disease identification with global pooling dilated convolutional neural network,” Computers and Electronics in Agriculture, vol. 162, pp. 422–430, 2019.

[12] E. C. Too, L. Yujian, S. Njuki, and L. Yingchun, “A comparative study of fine-tuning deep learning models for plant disease Identification,” Computers and Electronics in Agriculture, vol. 161, pp. 272–279, 2019.

[13] K. Thenmozhi and U.Srinivasulu Reddy, “Crop pest classification based on deep convolutional neural network and transfer learning,” Computers and Electronics in Agriculture, vol. 164, pp. 104906, 2019.

[14] A. Picon, A. A. Gil, M. Seitz, A. O. Barredo, and J. Echazarra “Deep convolutional neural networks for mobile capture device-based crop disease classification in the wild,” Computers and Electronics in Agriculture, vol. 161, pp. 280–290, 2019.

[15] E. C. Too, L. Yujian, S. Njuki, and L. Yingchun, “A comparative study of fine-tuning deep learning models for plant disease identification,” Computers and Electronics in Agriculture, vol. 161, pp. 272–279, 2019.

[16] G. Geetharamani and J. A. Pandian, “Identification of plant leaf diseases using a nine-layer deep convolutional neural network,” Computers and Electrical Engineering, vol. 76, pp. 323–338, 2019.

[17] J. G. A. barbedo, L. V. Koenigkan, and T. Santos, “Identifying multiple plant diseases using digital image processing,” Biosystems Engineering, vol. 147, pp. 104–116, 2016.

Full Text: PDF

DOI: 10.14416/j.kmutnb.2024.06.004

ISSN: 2985-2145