การจำแนกโรคทางใบทุเรียนด้วย image classification และ Mask R-CNN

ทุเรียนเป็นสินค้าส่งออกที่สาคัญของไทยที่มีแนวโน้มความต้องการสูงขึ้นอย่างต่อเนื่องแต่พบว่าเกษตรกรผู้ปลูกทุเรียนยังประสบปัญหากับผลผลิต เนื่องจากการเกิดโรคทางใบที่ทาให้ผลผลิตลดลง ดังนั้น ในงานวิจัยนี้จึงได้นาเทคโนโลยีสมัยใหม่มาช่วยในการวจาแนกใบทุเรียนที่เป็นโรคโดยแบ่งการพัฒนาวิธีการเป็น 2 ระยะ คือ ระยะแรกแบ่ง 2 คลาส คือ เป็นการพิจารณาแยกใบทุเรียนที่เป็นโรค (Disease) และไม่เป็นโรค (No Disease) ระยะที่ 2 แบ่ง 3 คลาส คือ ใบทุเรียนที่เป็นโรค(Disease) ไม่เป็นโรค (No Disease) และโรคใบจุดสนิม (Agalspot) ซึ่งเป็นโรคที่พบบ่อยมากที่สุด ใช้เทคนิคระหว่างโมเดล Xception (Image Classification) และ Mask R-CNN ซึ่งเป็นการเรียนรู้เชิงลึกทั้งสองโมเดล (Deep learning) ผลการทดสอบสาหรับโมเดล 2 คลาสพบว่า Xception ให้ผลที่ดีกว่า Mask R-CNN ในทุกตัวชี้วัด Accuracy, Precision, Recall, F1 Score และค่า Loss แต่Xception ต้องใช้ระยะเวลาฝึกฝนที่นานกว่า Mask R-CNN อยู่ที่ 480 วินาที แต่สาหรับ 3 คลาสMask R-CNN ให้ผลที่ดีกว่า Xception ในทุกตัวชี้วัด และระยะเวลาฝึกฝนของโมเดล Mask R-CNN962 วินาที และ Xception 1,148 วินาที โดยตัวชี้วัดที่ได้มีค่า Accuracy 93.47%, precision96.94%, recall 98.20%, F1 score 97.56% และค่าฟังก์ชันความสูญเสียเป็น 0.1874