เกษตรแม่นยำโดยใช้ปัญญาประดิษฐ์เพื่อตรวจสอบและจำแนกการขาดธาตุไนโตรเจนในใบข้าว
Article Sidebar
Main Article Content
บทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อประยุกต์ใช้เทคโนโลยีปัญญาประดิษฐ์ (AI) ในการพัฒนาต้นแบบระบบเกษตรแม่นยำสำหรับตรวจสอบและจำแนกการขาดธาตุไนโตรเจนในใบข้าวตามแผ่นเทียบสีใบข้าว (Leaf Color Chart: LCC) ของสถาบันวิจัยข้าวนานาชาติ (International Rice Research Institute: IRRI) โดยแบ่งระดับการขาดธาตุไนโตรเจนออกเป็น 4 ระดับ ได้แก่ ระดับที่ 1 ขาดธาตุใน โตรเจนมาก ระดับที่ 2 ขาดธาตุในโตรเจนปานกลาง ระดับที่ 3 ขาดธาตุไนโตรเจนน้อย และ ระดับที่4 ไม่ขาดธาตุไนโตรเจน โดยใช้เครื่องมือปัญญาประดิษฐ์โปรแกรม CiRA CORE สำหรับตรวจสอบและจำแนกการขาดธาตุไนโตรเจนในใบข้าวที่ผ่านการฝึกให้จดจำคุณลักษณะของใบข้าวที่ขาดธาตุในโตรเจนทั้ง 4 ระดับ เพื่อใช้เป็นแนวทางการกำหนดความสัมพันธ์ปริมาณการใส่ปุ๋ยให้สอดคล้องกับระยะการเติบโตของข้าวแต่ละช่วง ในกรณีนี้ใช้วัดระยะแตกกอ ที่อายุ 40 – 45 วัน จำนวนรูปภาพที่ใช้ทั้งหมด 600 รูป แบ่งเป็น 2 ชุด ประกอบด้วยชุดข้อมูลฝึกสอน (Training set) สำหรับใช้ฝึกโมเดล จำนวน 500 รูป แบ่งเป็น Detection training จำนวน 100 ภาพ Classification training จำนวน 400 ภาพ และชุดข้อมูลทดสอบ (Testing) สำหรับทดสอบประสิทธิภาพของโมเดลเมื่อฝึกเสร็จแล้ว จำนวน 100 รูป ผลการทดสอบพบว่า โมเดลปัญญาประดิษฐ์ที่พัฒนาขึ้นมีประสิทธิภาพในการจำแนกภาวะการขาดธาตุไนโตรเจนได้ ดังนี้ ระดับที่ 1 ได้ค่าความแม่นยำ (Precision) อยู่ที่ร้อยละ 95 ค่าความละเอียดของการตรวจวัด (Recall) อยู่ที่ร้อยละ 92 ส่วนค่า F1-Score อยู่ที่ร้อยละ 94 ระดับที่ 2 ได้ค่าความแม่นยำ (Precision) อยู่ที่ร้อยละ 92 ค่าความละเอียดของการตรวจวัด (Recall) อยู่ที่ร้อยละ 90 ส่วนค่า F1-Score อยู่ที่ร้อยละ 91 ในระดับที่ 3 มีค่าPrecision (ความแม่นยำ) อยู่ที่ร้อยละ 90 ค่าความละเอียดของการตรวจวัด (Recall) อยู่ที่ร้อยละ 91 ส่วนค่า F1-Score อยู่ที่ร้อยละ 91 และระดับที่ 4 ได้ค่าความแม่นยำ (Precision) อยู่ที่ร้อยละ 96 ค่าความละเอียดของการตรวจวัด (Recall) อยู่ที่ร้อยละ 97 ส่วนค่า F1-Score อยู่ที่ร้อยละ 97 ผลจากการใช้งานโมเดลที่พัฒนาขึ้นของเกษตรมีการประเมิน 4 ด้านพบว่าด้านความรวดเร็วในการประมวลผลมีค่าเฉลี่ยสูงสุดที่ 4.80 ส่วนเบี่ยงเบนมาตรฐาน 0.30 และยังพบว่าเกษตรกรสามารถลดต้นทุนการใส่ปุ๋ยไนโตรเจนร้อยละ30 (374 บาท/ไร่) สรุปได้ว่าโมเดลปัญญาประดิษฐ์ที่พัฒนาขึ้นสามารถช่วยลดต้นทุนการใส่ปุ๋ยในนาข้าวสามารถวิเคราะห์การขาดธาตุไนโตรเจนในใบข้าวสอดคล้องกับระยะการเติบโตของต้นข้าวและปริมาณการใส่ปุ๋ยได้อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Amirtha, T., T. Gokulalakshmi, P. Umamaheswari, and T. Rajasekar. 2020. Machine learning based nutrient deficiency detection in crops. International Journal of Recent Technology and Engineering. 8: 3878.
Chaudhary, P., A. Narula, Kumar, and S. Gupta. 2020. A review. applications of artificial intelligence and machine learning in agriculture. International Journal of Computer Applications. 176: 1-5.
CiRA Robotics. 2024. CiRA CORE | AI Platform by CiRA Robotics. Available: https://www.cira-ai.com/features.
Garg, R., S. Kumar, S. Gupta, and V. Singh. 2022. A deep learning-based system for identification of plant diseases. computers and electronics in agriculture. 198: 107054.
Hasan, M., Uddin, A. Akhond, M. Uddin, A. Hossain, and A. Hossain 2023. Machine learning and image processing techniques for rice disease detection. A Critical Analysis International Journal of Plant Biology. 14: 1190-1207.
Kamilaris, A., and Prenafeta-Boldú. 2018. Deep learning in agriculture: a survey. Computers and Electronics in Agriculture. 147: 72-90.
Khairulbahri, M. 2022. Understanding the impacts of climate change on rice production: a qualitativeperspective. Science & Technology Asia. 27: 169 – 179.
Pai, P., S. Amutha, S. Patil, S. Shobha, T. Basthikodi, A. Shafeeq, and P. Gurpur. 2025. Deep learning-based automatic diagnosis of rice leaf diseases using ensemble CNN models. Scientific Reports. 15: 27690.
Sankaran, S., A. Mishra, Q. Ehsani, and R. Ehsani. 2010. A review of image processing techniques for plant disease detection and diagnosis. Computers and Electronics in Agriculture. 72: 1-13.
Sinha, P., and R. Singh. 2018. Role of expert systems in agriculture. International Journal of Research in Engineering and Technology. 7: 22-26.
Tabal, K. 2020. Nitrogen deficiency level assessment device for rice (Oryza sativa L.) and maize (Zea mays L.) using classification algorithm-based spectrophotometry. International Journal of Advanced Trends in Computer Science and Engineering. 9: 549-556.
Van Rijsbergen, C. 1979. Information Retrieval (2nd Edition). Butterworth-Heinemann.
Witt, C., A. Pasuquin, R. Mutters, and J. Buresh. 2005. New leaf color chart for effective nitrogen management in rice. Better Crops. 89.
