ระบบต้นแบบเพื่อตรวจจับหอยทากบกในแปลงผักทดลองโดยใช้การเรียนรู้เชิงลึกโมเดล YOLOv10-X
Article Sidebar
Main Article Content
บทคัดย่อ
บทความนี้นำเสนอระบบต้นแบบเพื่อตรวจจับหอยทากบกในแปลงผักทดลองโดยใช้การเรียนรู้เชิงลึก (Deep learning) ด้วยแบบจำลอง YOLOv10-X ในระบบนี้มีการใช้อินเทอร์เน็ตประสานสรรพสิ่ง (Internet of Things: IoT) ทำงานร่วมกันกับเทคนิคคอมพิวเตอร์วิทัศน์ (Computer vision techniques) และแบบจำลองการเรียนรู้เชิงลึก YOLOv10-X โดยผู้ใช้สามารถดูผลการตรวจจับหอยทากบกในแบบเรียลไทม์ (Real-time) อีกทั้งสามารถดูรายงานการตรวจจับหอยทากบกผ่านโมไบล์แอปพลิเคชัน (Mobile application) และรับการแจ้งเตือนการตรวจจับหอยทากบกผ่านแอปพลิเคชันไลน์ (Line application) ได้ สายพันธุ์หอยทากบกที่ใช้ในงานนี้ คือ หอยทากยักษ์แอฟริกันและหอยทากสยาม จากการสุ่มทดสอบค่าความถูกต้องการตรวจจับในวิดีโอเฟรมจำนวน 100 เฟรมภาพ พบว่า ระบบให้ค่าความถูกต้อง (Accuracy) ในการตรวจจับหอยทากยักษ์แอฟริกันเท่ากับ 74.15% หอยทากสยามเท่ากับ 64.08% และค่าความแม่นยำเฉลี่ย (mAP) ของทั้ง 2 คลาสเท่ากับ 97.31%
Article Details
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
เอกสารอ้างอิง
Ahmad, I., Yang, Y., Yue, Y., Ye, C., Hassan, M., Cheng, X., Wu, Y., & Zhang, Y. (2022). Deep learning based detector YOLOv5 for identifying insect pests. Applied Sciences, 12(19), Article 10167. https://doi.org/10.3390/app121910167
Ansari, S. (2023). Building computer vision applications using artificial neural networks: With examples in OpenCV and TensorFlow with Python (2nd ed.). Apress.
Bento, J., Paixão, T., & Alvarez, A. B. (2025). Performance evaluation of YOLOv8, YOLOv9, YOLOv10, and YOLOv11 for stamp detection in scanned documents. Applied Sciences, 15(6), Article 3154. https://doi.org/10.3390/app15063154
Dumidae, A., Janthu, P., Subkrasae, C., Pumidonming, W., Dekumyoy, P., Thanwisai, A., & Vitta, A. (2020). Genetic analysis of Cryptozona Siamensis (stylommatophora, ariophantidae) populations in Thailand using the mitochondrial 16S rRNA and COI sequences. PLOS ONE, 15(9), Article e0239264. https://doi.org/10.1371/journal.pone.0239264
Hussain, M., & Khanam, R. (2024). In-depth review of YOLOv1 to YOLOv10 variants for enhanced photovoltaic defect detection. Solar, 4(3), 351-386. https://doi.org/10.3390/solar4030016
Kongim, B. (2008). Land snails: invertebrates that play a role in human life. Advanced Science Journal, 2, 1-6. (in Thai)
Kumar, P. (2020). A review-on molluscs as an agricultural pest and their control. International Journal of Food Science and Agriculture, 4(4), 383-389. https://doi.org/10.26855/ijfsa.2020.12.004
Li, Q., & Qiu, L. (2024). A snail species identification method based on deep learning in food safety. Mathematical Biosciences and Engineering, 21(3), 3652-3667. https://doi.org/10.3934/mbe.2024161
Lu, Y., Zhang, L., & Xie, W. (2020). YOLO-compact: An efficient YOLO network for single category real-time object detection. Proceedings of the 2020 Chinese Control and Decision Conference (CCDC) (pp. 1931-1936). IEEE. https://doi.org/10.1109/CCDC49329.2020.9164580
Nelson, S. (2012). Injuries caused by the giant African snail to papaya [Report No. MP-6]. University of Hawaii, College of Tropical Agriculture and Human Resources. https://www.ctahr.hawaii.edu/oc/freepubs/pdf/MP-6.pdf
Panha, S., Sutcharit, C., Tongkerd, P., & Naggs, F. (2009, June). An illustrated guide to Thai land snails. NSTDA. https://www.nstda.or.th/brt/images/book/146.pdf (in Thai)
Poonkuntran, S., Dhanraj, R. K., & Balusamy, B. (2022). Object detection with deep learning models: Principles and applications (1st ed.). Chapman & Hall/CRC Press.
Rintarak, D., Karnchananitipat, N., Iamsuwansuk, A., & Kaewta, S. (2017). Species diversity of terrestrial pest snails in agricultural ecosystem and environment in Thailand [Annual Research Report]. Plant Protection Research and Development Office, Department of Agriculture. (in Thai)
Sikka, B. (2021). Elements of deep learning for computer vision (1st ed.). BPB Publications.
Siriwechviriya, P. (2020). The application of loop-mediated isothermal amplification technique for epidemic detection of angiostrongylus cantonensis in land snails. Thai Journal of Public Health, 50(1), 37-46.
Sutcharit C., & Panha S. (2008). Land snails in Khao Nan National Park (1st ed.). Biodiversity Research and Training Program (BRT Project), Bangkok. (in Thai)
Wang, A., Chen, H., Liu, L., Chen, K., Lin, Z., Han, J., & Ding, G. (2024). YOLOv10: Real-time end-to-end object detection. arXiv, Article 2405.14458. https://arxiv.org/abs/2405.14458
Wang, Z., Lee, I., Tie, Y., Cai, J., & Qi, L. (2018). Real-world field snail detection and tracking. Proceedings of the 2018 15th International Conference on Control, Automation, Robotics and Vision (ICARCV) (pp. 1703-1708). IEEE. https://doi.org/10.1109/ICARCV.2018.8581271
