บทความภายใน/วิชาสัมมนา

การเรียนรู้เชิงลึกมีบทบาทสำคัญอย่างยิ่งในการรู้จำและจำแนกโรคพืช โดยสามารถให้ความแม่นยำใกล้เคียงกับการประเมินของผู้เชี่ยวชาญ อย่างไรก็ตาม การพัฒนาระบบที่มีประสิทธิภาพยังคงเผชิญกับอุปสรรคจากความซับซ้อนและความหลากหลายของลักษณะการเกิดโรคพืช เพื่อแก้ไขปัญหาดังกล่าว งานวิจัยนี้ได้นำเสนอสถาปัตยกรรมการเรียนรู้เชิงลึกแบบผสมผสาน และกลไกความสนใจ (attention) สำหรับการรู้จำโรคใบพืช โครงข่ายที่นำเสนอประกอบด้วยการผสานบล็อก squeeze-and-excitation ร่วมกับ residual block โครงข่ายแคปซูล และโครงข่ายหน่วยความจำระยะยาวแบบสองทิศทาง (Bidirectional Long Short-Term Memory: BiLSTM) บนพื้นฐานของ Transformer นำไปสู่การเพิ่มความแม่นยำในการรู้จำโรคใบพืช โครงข่ายที่นำเสนอได้รับการประเมินบนชุดข้อมูลโรคใบข้าวโพด และชุดข้อมูลโรคใบข้าว จากผลการทดลองพบว่าโครงข่ายสามารถให้ความแม่นยำในการฝึกสอนเท่ากับร้อยละ 99.88 สำหรับ CLDD และร้อยละ 99.10 สำหรับ RLDD นอกจากนี้ การวิเคราะห์พื้นที่ใต้โค้ง AUC ของ CLDD พบว่ามีค่าสูงใกล้ระดับสูงสุด โดยมีค่าเท่ากับร้อยละ 99.73, 99.96, 99.96 และ 99.98 สำหรับโรคใบไหม้ (BL) โรคราสนิม (CR) โรคจุดใบสีเทา (GL) และใบปกติ (HE) ตามลำดับ สำหรับชุดข้อมูล RLDD โครงข่ายยังคงให้ผลลัพธ์ในระดับสูง โดยมีค่า AUC เท่ากับร้อยละ 94.98, 93.70, 97.66, 84.57, 99.58 และ 98.85 สำหรับโรคใบข้าวแบคทีเรีย (BLB) โรคจุดสีน้ำตาล (BS) ใบปกติ (HE), โรคไหม้ (LB) โรคใบไหม้ขอบใบ (LS) และโรคจุดสีน้ำตาลแคบ (NBS) ตามลำดับ ผลการทดลองดังกล่าวสะท้อนให้เห็นถึงศักยภาพและประสิทธิภาพที่โดดเด่นของโครงข่ายที่นำเสนอในการประยุกต์ใช้กับการรู้จำโรคใบพืช คำสำคัญ โรคใบพืช โครงข่ายคอนโวลูชัน การเรียนรู้เชิงลึก การจำแนก การรู้จำ