การผสาน InceptionResNetV2 และ VGG19 สำหรับการจดจำโรคใบอ้อย
Article Sidebar
Main Article Content
บทคัดย่อ
การพัฒนาเทคนิคการจดจำโรคใบอ้อยถือเป็นแนวทางที่ท้าทาย เนื่องจากต้องเผชิญกับความหลากหลายของลักษณะโรคที่แสดงออกแตกต่างกันไปตามคุณลักษณะของใบพืช ไม่ว่าจะเป็นสี รูปร่าง พื้นผิว และรูปแบบการกระจายของโรคในเชิงพื้นที่ ซึ่งมีความซับซ้อนและเปลี่ยนแปลงได้ตามสภาวะแวดล้อม การวิเคราะห์ลักษณะดังกล่าวจึงจำเป็นต้องอาศัยเทคนิคขั้นสูงด้านการประมวลผลภาพและการเรียนรู้ของเครื่องเพื่อให้สามารถจดจำโรคได้อย่างแม่นยำ การศึกษานี้นำเสนอการผสานโครงข่าย InceptionResNetV2 และ VGG19 โดยใช้ convolutional layers เป็นองค์ประกอบหลักของสถาปัตยกรรม เนื่องจากข้อได้เปรียบของ inception module ในการวิเคราะห์คุณลักษณะที่หลากหลายของโรคพืชใบร่วมกับ residual connection ทำให้โครงข่ายลดการสูญเสียข้อมูลโรคพืชในเครือข่ายที่มีความลึกมากยิ่งขึ้น โมเดลที่นำเสนอได้รับการฝึกอบรมและทดสอบด้วยชุดข้อมูลโรคใบอ้อย พร้อมทั้งเปรียบเทียบผลลัพธ์กับก่อนหน้า ผลการทดลองแสดงว่าโมเดลสามารถบรรลุความแม่นยำสูงสุดที่ร้อยละ 99.25 มีผลของ Loss ที่ 0.0263 และสูญเสียเวลาการฝึกอบรมที่ 24.55 นาที ผลการศึกษานี้ไม่เพียงแต่แสดงให้เห็นถึงประสิทธิภาพของโมเดลในการจดจำโรคใบอ้อย แต่ยังเป็นแนวทางสำคัญในการพัฒนาเทคโนโลยีตรวจจับโรคพืชในระดับอุตสาหกรรม
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
ต้นฉบับที่ได้รับการตีพิมพ์ถือเป็นสิทธิของเจ้าของต้นฉบับและของวารสารวิชาการ มทร.สุวรรณภูมิ เนื้อหาบทความในวารสารเป็นแนวคิดของผู้แต่ง มิใช่เป็นความคิดเห็นของคณะกรรมการการจัดทำวารสาร และมิใช่ความรับผิดชอบของมหาวิทยาลัยเทคโนโลยีราชมงคลสุวรรณภูมิ
เอกสารอ้างอิง
Alharbi, A., Khan, M., & Tayyaba, B. (2023). Wheat disease classification using continual learning. IEEE Access, 11, 90016-90026. https://doi.org/10.1109/ACCESS.2023.3304358
Altabaji, W., Umair, M., Tan, W. H., Foo, L. Y., & Ooi, C. P. (2024). Comparative analysis of transfer learning, LeafNet, and modified LeafNet models for accurate rice leaf diseases classification. IEEE Access, 12, 36622-36635. https://doi.org/10.1109/ACCESS.2024.3373000
Anorboev, A. Musaev, J., Hwang, D. S., Seo, Y. S., & Hong, J. K. (2023). MICL-UNet: Multi-input cross-layer UNet model for classification of diseases in agriculture. IEEE Access, 11, 117685-117697. https://doi.org/10.1109/ACCESS.2023.
Balafas, V., Karantoumanis, E., Louta, M., & Ploskas, N. (2023). Machine learning and deep learning for plant disease classification and detection. IEEE Access, 11, 114352-114377. https://doi.org/10.1109/ACCESS.2023.3324722
Bao, D., Zhou, J., Bhuiyan, S. A., Adhikari, P., Tuxworth, G., Ford, R., & Gao, Y. S. (2024). Early detection of sugarcane smut and mosaic diseases via hyperspectral imaging and spectral-spatial attention deep neural networks. Journal of Agriculture and Food Research, 18, 101369. https://doi.org/10.1016/j.jafr.2024.101369
Begum, S., & Syed, H. (2024). GSAtt-CMNetV3: Pepper leaf disease classification using osprey optimization. IEEE Access, 12, 32493-32506. https://doi.org/10.1109/ACCESS.2024.3358833
Bhargava, A., Shukla, A., Goswami, O. P., Alsharif, M. H., Uthansakul, P., & Uthansakul, M. (2024). Plant leaf disease detection, classification, and diagnosis using computer vision and artificial intelligence: A review. IEEE Access, 12, 37443-37469. https://doi.org/10.1109/ACCESS.2024.3373001
Chen, C. J., Huang, Y. Y., Li, Y. S., Chang, C. Y., & Huang, Y. M. (2020). An AIoT-based smart agricultural system for pests detection. IEEE Access, 8, 180750-180761. https://doi.org/10.1109/ACCESS.2020.3024891
Chouhan, S. S., Kaul, A., Singh, U. P., & Jain, S. (2018). Bacterial foraging optimization-based radial basis function neural network (BRBFNN) for identification and classification of plant leaf diseases: An automatic approach towards plant pathology. IEEE Access, 6, 8852-8863. DOI: 10.1109/ACCESS.2018.2800685
Daphal, S., & Koli, S. (2022). Sugarcane leaf disease dataset. Mendeley Data, 1. https://doi.org/10.17632/9424skmnrk.1
Daphal, S. D., & Koli, S. M. (2023). Enhancing sugarcane disease classification with ensemble deep learning: A comparative study with transfer learning techniques. Heliyon, 9(8), e18261. https://doi.org/10.1016/j.heliyon.2023.e18261
Daphal, S. D., & Koli, S. M. (2024). Enhanced deep learning technique for sugarcane leaf disease classification and mobile application integration. Heliyon, 10(8), e29438. https://doi.org/10.1016/j.heliyon.2024.e29438
Elfatimi, E., Eryigit, R., & Elfatimi, L. (2022). Beans leaf diseases classification using MobileNet models. IEEE Access, 10, 9471-9482. https://doi.org/10.1109/ACCESS.2022.3142817
Hosny, K. M., El-Hady, W., Samy, F. M., Vrochidou, E., & Papakostas, G. A. (2023). Multi-class classification of plant leaf diseases using feature fusion of deep convolutional neural network and local binary pattern. IEEE Access, 11, 62307-62317. DOI:10.1109/ACCESS.2023.328673
Lahlali, R., Taoussi, M., Laasli, S. E., Gachara, G., Ezzouggari, R., Belabessf, Z., Aberkani, K., Assouguem, A., Meddich, A., El Jarroudi, M. & Barka, E. A. (2024). Effects of climate change on plant pathogens and host-pathogen interactions. Crop and Environment, 3(3), 159-170. https://doi.org/10.1016/j.crope.2024.05.003
Madhurya, C., & Jubilson, E. A. (2023). YR2S: Efficient deep learning technique for detecting and classifying plant leaf diseases. IEEE Access, 12, 3790-3804. https://doi.org/10.1109/ACCESS.2023.3343450
Mahum, R., Irtaza, A., & Javed, A. (2023). EDL-Det: A robust TTS synthesis detector using VGG19-based YAMNet and ensemble learning block. IEEE Access, 11, 134701-134716. https://doi.org/10.1109/ACCESS.2023.3332561
Masood, M., Nawaz, M., Nazir, T., Javed, A., Alkanhel, R., & Elmanna, H. (2023). MaizeNet: A deep learning approach for effective recognition of maize plant leaf diseases. IEEE Access, 11, 52862-52876. https://doi.org/10.1109/ACCESS.2023.
Moupojou, E., Tagne, A., Retraint, F., Tadonkemwa, A., Wilfried, D., Tapamo, H., & Nkenlifack, M. (2023). FieldPlant: A dataset of field plant images for plant disease detection and classification with deep learning. IEEE Access, 11, 35398-35410. https://doi.org/10.1109/ACCESS.2023.3263042
Moupojou, E., Retraint, F., Tapamo, H., Nkenlifack, M., Kacfah, C., & Tagne, A. (2024). Segment anything model and fully convolutional data description for plant multi-disease detection on field images. IEEE Access, 12, 102592-102605. https://doi.org/10.1109/ACCESS.2024.3433495
Peyal, H. I., Nahiduzzaman, M., Pramanik, A. H., Syfullah, K., Shahriar, S. M., & Sultana, A. (2023). Plant disease classifier: Detection of dual-crop diseases using lightweight 2D CNN architecture. IEEE Access, 11, 110627-110643. https://doi.org/10.1109/ACCESS.2023.3320686
Ramadan, S., Sakib, T., Al Farid, F., Islam, S., Abdullah, J. B., & Bhuiyan, R. (2024). Improving wheat leaf disease classification: Evaluating augmentation strategies and CNN-based models with limited dataset. IEEE Access, 12, 69853-69874. https://doi.org/10.1109/ACCESS.2024.3397570
Raza, M. M., & Bebber, D. P. (2022). Climate change and plant pathogens. Current Opinion in Microbiology, 70, 102233. https://doi.org/10.1016/j.mib.2022.102233
Salam, A., Naznine, M., Jahan, N., Nahid, E., Nahiduzzaman, Chowdhury, M. (2024). Mulberry leaf disease detection using CNN-based smart Android application. IEEE Access, 12, 83575-83588. https://doi.org/10.1109/ACCESS.2024.
Singh, B. K., Delgado-Baquerizo, M., Egidi, E., Guirado, E., Leach, J. E., Liu, H. W., & Trivedi, P. (2023). Climate change impacts on plant pathogens, food security and paths forward. Nature Reviews Microbiology, 21, 640-656. https://doi.org/10.1038/s41579-023-00900-7
Szegedy, C., Ioffe, S., Vanhoucke, V., & Alemi, A. A. (2017). Inception-v4, Inception-ResNet and the impact of residual connections on learning. Proceedings of the 31st AAAI Conference on Artificial Intelligence. USA. (pp. 1-7). https://doi.org/10.1609/aaai.v31i1.11231
Tabbakh, A., & Barpanda, S. S. (2023). A deep features extraction model based on the transfer learning model and vision transformer 'TLMViT' for plant disease classification. IEEE Access, 11, 45377-45392. DOI: 10.1109/ACCESS.2023.
Yead, A. R., Rukhsara, L., Rabeya, T., & Jahan, I. (2024). Deep learning-based classification of sugarcane leaf disease. Proceedings of the 6th International Conference on Electrical Engineering and Information & Communication Technology (ICEEICT). Bangladesh. (pp. 818-823). https://doi.org/10.1109/ICEEICT62016.2024.10534551
