การตรวจจับผีเสื้อหนอนเจาะเมล็ดทุเรียนในสกุล Mudaria ด้วยการเรียนรู้เชิงลึกโมเดล YOLOv4-Tiny สำหรับระบบเฝ้าระวังศัตรูพืชอัจฉริยะ
Main Article Content
บทคัดย่อ
ผีเสื้อหนอนเจาะเมล็ดทุเรียน (Mudaria spp.) เป็นศัตรูพืชสำคัญที่สร้างความเสียหายรุนแรงต่อการส่งออกทุเรียนไทย เนื่องจากตัวอ่อนกัดกินภายในเมล็ดทำให้ยากต่อการตรวจพบ การพัฒนาระบบเฝ้าระวังตัวเต็มวัยที่แม่นยำจึงเป็นหัวใจสำคัญของการจัดการศัตรูพืชเชิงบูรณาการ งานวิจัยนี้มีวัตถุประสงค์เพื่อพัฒนาแบบจำลองการเรียนรู้เชิงลึกด้วย YOLOv4-tiny สำหรับตรวจจับผีเสื้อหนอนเจาะเมล็ดทุเรียน เพื่อใช้เป็นเครื่องมือในระบบเฝ้าระวังศัตรูพืชอัจฉริยะ การศึกษาดำเนินการฝึกสอนแบบจำลองด้วยชุดข้อมูลภาพที่ผ่านกระบวนการเพิ่มจำนวนข้อมูล จนมีจำนวนทั้งหมด 6,437 ภาพ และประเมินผลด้วยชุดข้อมูลทดสอบ 332 ภาพ แบ่งเป็น 3 กรณี ได้แก่ (1) ชุดภาพจากสภาพจริง (2) ชุดภาพจากฐานข้อมูล iNaturalist และ (3) ชุดภาพรวมทั้งหมด โดยกำหนดค่าความเชื่อมั่นที่ร้อยละ 85 และประเมินด้วยตัวชี้วัด Accuracy, Precision, Recall และ F1-score ผลการศึกษาพบว่าแบบจำลอง YOLOv4-tiny มีประสิทธิภาพสูงยิ่งในการตรวจจับตัวเต็มวัยของ Mudaria spp. โดยในการทดสอบทั้ง 3 กรณี ไม่พบการตรวจจับผิดพลาด (False Positive = 0) ส่งผลให้ค่า Precision เท่ากับ 1.000 ในทุกชุดข้อมูล สำหรับชุดภาพจากสภาพจริงให้ค่า Accuracy และ Recall ที่ 0.920 ขณะที่ชุดภาพจาก iNaturalist ให้ประสิทธิภาพสูงสุดสมบูรณ์ในทุกตัวชี้วัด (1.000) ส่วนชุดภาพรวมทั้งหมดมีค่า Accuracy 0.958 และ F1-score 0.979 ผลการวิจัยสรุปได้ว่าแบบจำลองที่พัฒนาขึ้นมีศักยภาพสูงในการจำแนกแมลงเป้าหมายท่ามกลางสภาพแวดล้อมที่แตกต่างกัน และสามารถนำไปบูรณาการร่วมกับแพลตฟอร์มดิจิทัลเพื่อการแจ้งเตือนล่วงหน้าและการจัดการศัตรูพืชเชิงรุกในสวนทุเรียนเชิงพาณิชย์ได้อย่างมีประสิทธิภาพ
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
วารสารเกษตรพระจอมเกล้า
เอกสารอ้างอิง
Akila, M., Kumar, N. K., & Vishnu, K. (2026). Real-time pest detection and identification system using deep learning. International Journal of Advanced Research in Science, Communication and Technology, 6(5), 8–15. https://doi.org/10.48175/IJARSCT-31902.
Chagkornburee, C., & Chaiklieng, S. (2026). Pesticide poisoning linked to PPE usage among pesticide sprayers in Northeastern Thailand. Journal of Applied Toxicology, 46(7), 2544-2555. https://doi.org/10.1002/jat.70042.
Chamsuk, P., Wannachart, K., Khokyen, W., Pudchimnun, K., Klangpahol, P., Klinpet, A., Sangtongpraow, B., & Poolprasert, P. (2026). Integrative taxonomy, seasonal phenology, and sex pheromone profiling of the durian seed borer (Mudaria stahlgretschae) for enhanced pest monitoring. Diversity, 18(5), 284. https://doi.org/10.3390/d18050284.
Deng, L., Fang, D., Ullah, A., Hou, Q., & Yu, H. (2025). AMS-YOLO: multi-scale feature integration for intelligent plant protection against maize pests. Frontiers in Plant Science, 16(1), 1640405. https://doi.org/10.3389/fpls.2025.1640405.
Ejaz, M. H., Bilal, M., Habib, U., Attique, M., & Chung, T. S. (2025). Crop Pest Classification using Deep Learning Techniques: A Review. Retrieved from: https://doi.org/10.48550/arXiv.2507.01494.
Feng, Z., Shi, R., Jiang, Y., Han, Y., Ma, Z., & Ren, Y. (2025). SPD-YOLO: A Method for Detecting Maize Disease Pests Using Improved YOLOv7. Computers, Materials & Continua, 84(2), 3559-3575. https://doi.org/10.32604/cmc.2025.065152.
Grandini, M., Bagli, E., & Visani, G. (2020). Metrics for Multi-class Classification: An Overview (Version 1). Retrieved from: https://arxiv.org/abs/2008.05756.
Høye, T. T., Ärje, J., Bjerge, K., Hansen, O. L. P., Iosifidis, A., Leese, F., Mann, H. M. R., Meissner, K., Melvad, C., & Raitoharju, J. (2021). Deep learning and computer vision will transform entomology. Proceedings of the National Academy of Sciences of the United States of America, 118(2), e2002545117. https://doi.org/10.1073/pnas.2002545117.
iNaturalist. (2025). Connection with Nature. Retrieved from: https://www.inaturalist.org.
Kongchai, P., & Sombat, W. (2025). Pest classification from photographs using deep learning pre-trained models: A case study in Ubon Ratchathani province. Journal of Science and Science Education (JSSE), 8(1), 168–179. (in Thai).
Lou, L., Liu, J., Yang, Z., Zhou, X., & Yin, Z. (2022). Agricultural pest detection based on improved yolov5. In Proceedings of the 2022 6th International Conference on Computer Science and Artificial Intelligence, pp. 7–12. Association for Computing Machinery. https://doi.org/10.1145/3577530.3577532.
Pang, H., Zhang, Y., Cai, W., Li, B., & Song, R. (2022). A real-time object detection model for orchard pests based on improved YOLOv4 algorithm. Scientific Reports, 12(1), 13783. https://doi.org/10.1038/s41598-022-17826-4.
Powers, D. M. W. (2011). Evaluation: From precision, recall and F-measure to ROC, informedness, markedness and correlation. International Journal of Machine Learning Technology, 2(1), 37-63. https://doi.org/10.48550/arXiv.2010.16061.
Rukkasikorn, A., Chaovalit, S., Dokchan, P., Ratanamahamaneekorn, K., Ruangsuk, K., & Poolprasert, P. (2025). Diversity of moths in the genus Mudaria Moore, 1893 (Lepidoptera: Noctuidae) and their impact on durian production in Thailand. In Proceedings of the 16th National Plant Protection Conference, pp. 49–66. Chiang Mai, Thailand. (in Thai).
Sokolova, M., & Lapalme, G. (2009). A systematic analysis of performance measures for classification tasks. Information Processing & Management, 45(4), 427-437. https://doi.org/10.1016/j.ipm.2009.03.002.
Song, L., Liu, M., Liu, S., Wang, H., & Luo, J. (2023). Pest species identification algorithm based on improved YOLOv4 network. Signal, Image and Video Processing, 17(1), 3127-3134. https://doi.org/10.1007/s11760-023-02534-x.
Supamattra, S., Sayasoonthorn, S., & Chueasamat, A. (2023). Study of impurities detection in frozen spinach with YOLOv4 deep learning model. Thai Interdisciplinary and Sustainability Review, 12(2), 131–144. https://doi.org/10.14456/tisr.2023.12. (in Thai).
Teixeira, A. C., Ribeiro, J., Morais, R., Sousa, J. J., & Cunha, A. (2023). A systematic review on automatic insect detection using deep learning. Agriculture, 13(3), 713. https://doi.org/10.3390/agriculture13030713.
Wan, H., & Wang, S. (2025). Weed detection in cornfields based on improved lightweight neural network model. Alexandria Engineering Journal, 122(1), 334–343. https://doi.org/10.1016/j.aej.2025.03.016.
Wang, Q. J., Zhang, S. Y., Dong, S. F., Zhang, G. C., Yang, J., Li, R., & Wang, H. Q. (2020). Pest24: A large-scale very small object data set of agricultural pests for multi-target detection. Computers and Electronics in Agriculture, 175(1), 105585. https://doi.org/10.1016/j.compag.2020.105585.
Wu, X., Zhan, C., Lai, Y. K., Cheng, M. M., & Yang, J. (2019). IP102: A large-scale benchmark dataset for insect pest recognition. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), pp. 8779–8788.
Yang, S., Xing, Z., Wang, H., Dong, X., Gao, X., Liu, Z., Zhang, X., Li, S., & Zhao, Y. (2023). Maize-YOLO: A new high-precision and real-time method for maize pest detection. Insects, 14(3), 278. https://doi.org/10.3390/insects14030278.
