ชื่อบทความ |
การปรับปรุงภาพโดยใช้ฮาร์เวฟเล็ตสำหรับจำแนกโรคใบสตรอเบอรี่ ด้วยโครงข่ายประสาทแบบคอนโวลูชัน
|
ชื่อบทความ(English) |
Image Enhancement using Haar Wavelet for Image Classification of Diseases on Strawberry Leaves with Convolutional Neural Networks
|
|
|
ประเภทบทความ |
บทความวิจัย
|
ชื่อผู้แต่ง |
สุทธวีร์ วงค์สารภี(1) และ วุฒิชัย ปวงมณี(1*) (Sutthawee Wongsarapee(1) and Wutthichai Puangmanee(1*))
|
หน่วยงาน |
สาขาวิชาวิศวกรรมคอมพิวเตอร์ คณะวิศวกรรมศาสตร์และเทคโนโลยี มหาวิทยาลัยนอร์ท-เชียงใหม่(1) (Department of Computer Engineering, Faculty of Engineering and Technology North-Chiang Mai University(1)) *Corresponding author E-mail: wutichai@northcm.ac.th
|
ชื่อวารสาร |
วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม ปีที่ 12 ฉบับที่ 1 มกราคม – เมษายน 2569
|
บทคัดย่อ |
วิธีการจำแนกเพื่อตรวจสอบโรคบนใบสตรอเบอรี่เป็นเรื่องที่น่าสนใจและมีความสำคัญในด้านการเกษตร ซึ่งสามารถช่วยเพิ่มประสิทธิภาพในการจัดการโรคและสารป้องกันกำจัดศัตรูพืช เช่น โรคจุดตานก โรคใบไหม้และโรคราแป้ง ภาพถ่ายจึงต้องมีความคมชัดเพราะแต่ละโรคบนใบสตรอเบอรี่มีลักษณะที่แตกต่างกัน บทความนี้เสนอวิธีการปรับปรุงประสิทธิภาพการจำแนกภาพใบสตรอเบอรี่ด้วยโครงข่ายคอนโวลูชันสำหรับการจำแนกโรคบนใบสตรอเบอรี่ โดยใช้วิธีฮาร์เวฟเล็ตสำหรับการปรับปรุงภาพ ใช้ภาพใบสตรอเบอรี่ทั้งหมดจำนวน 2,192 ภาพ เปรียบเทียบกับภาพที่ไม่ใช้วิธีฮาร์เวฟเล็ตทำการฝึกสอน 300 และ 500 รอบ ผลการทดลองพบว่าวิธีที่นำเสนอเพิ่มประสิทธิความแม่นยำสูงขึ้นในการฝึกสอน 300 รอบ จากร้อยละ 94.61 เป็นร้อยละ 96.08 และค่า F1-Score จากร้อยละ 94.89 เพิ่มเป็นร้อยละ 96.33 ใช้เวลาในการประมวลผล 36 นาทีและในการฝึกสอน 500 รอบ จากร้อยละ 95.59 เป็นร้อยละ 97.44 และ F1-Score จากร้อยละ 95.65 เพิ่มเป็นร้อยละ 97.63 ใช้เวลาประมวลผล 62 นาที
|
คำสำคัญ |
โครงข่ายคอนโวลูชัน; วิธีฮาร์เวฟเล็ต; โรคจุดตานก; โรคใบไหม้; โรคราแป้ง
|
ปี พ.ศ. |
2569
|
ปีที่ (Vol.) |
12
|
ฉบับที่ (No.) |
1
|
เดือนที่พิมพ์ |
มกราคม - เมษายน
|
เลขที่หน้า (Page) |
24-41
|
ISSN |
ISSN 3027-7280 (Online)
|
DOI |
|
ORCID_ID |
0009-0002-5626-1990
|
ไฟล์บทความ |
https://mitij.mju.ac.th/ARTICLE/R69002.pdf
|
| |
เอกสารอ้างอิง | |
|
นัศพ์ชาณัณ ชินปัญช์ธนะ. (2566). การจำแนกภาพโรคใบมะเขือเทศด้วยเทคนิคโครงข่ายประสาทเทียมแบบคอนโวลูชัน, วารสารวิทยาการและเทคโนโลยีสารสนเทศ 13(2): 40–49.
|
|
ภานุวัฒน์ เมฆะ พฤติพงศ์ มุสิกอง ณัฐภาส ผลากอง พาสน์ ปราโมกข์ชน และพยุงศักดิ์ เกษมสำราญ. (2566). การเปรียบเทียบประสิทธิภาพของโมเดลจำแนกภาพสำหรับโรคใบข้าวโพด, วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม 9(2): 1-16.
|
|
A. D. Ermolaeva. (2024, January). Plant Disease Detection Using Small Convolutional Neural Networks, Conference of Young Researchers in Electrical and Electronic Engineering (ElCon) (pp. 10-12).
|
|
Abade, A. S., de Almeida, A. P. G. S., & Vidal, F. B. (2019, January). Plant Diseases Recognition from Digital Images using Multichannel Convolutional Neural Networks, International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications (VISIGRAPP) (pp 450-458).
|
|
Afzaal, U., Bhattarai, B., Pandeya, Y.R., & Lee, J. (2021). An Instance Segmentation Model for Strawberry Diseases Based on Mask R-CNN. Sensors 21(19).
|
|
Dinata, M. I., Nugroho, S. M. S., & Rachmadi, R. F. (2021, June). Classification of strawberry plant diseases with leaf image using CNN. In International Conference on Artificial Intelligence and Computer Science Technology (ICAICST) (pp. 68-72).
|
|
Fawcett, T. (2006). An introduction to ROC analysis. Pattern Recognition Letters, 27(8), 861-874.
|
|
Gonzalez, R. C., & Woods, R. E. (2008). Digital image processing. 3rd ed. Prentice Hall.
|
|
Ibrahem, K., & Castelli, M. (2020). The effect of batch size on the generalizability of the convolutional neural networks on a histopathology dataset, ICT Express. (Vol. 6, pp. 312-315).
|
|
Jusman, Y., Mubarok, D. W., Widyasmoro, & Mohd, S. N. A. (2022, August). Texture-based Covid-19 images detection system using Haar wavelet transformation algorithm. International Conference on Information and Communications Technology (pp. 497-502).
|
|
Kashyap, N. (2022). Fruit Infection Disease Dataset. ค้นเมื่อ 12 ธันวาคม 2556 ค้นจากhttps://www.kaggle.com/datasets/nikitkashyap/fruit-infection-disease-dataset
|
|
Lecun, Y., Bottou, L., Bengio, Y., & Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11), 2278–2324.
|
|
O. Y. Fai, Y. V. Voon & H. Nisar. (2016, December). Image classification using wavelet coefficients for video surveillance, IEEE Conference on Systems, Process and Control (pp. 107-112).
|
|
Qadri, S. A. A., Huang, N.-F., Wani, T. M., & Bhat, S. A. (2023, August). Plant disease detection and segmentation using end-to-end YOLOv8: A comprehensive approach. In International Conference on Control System, Computing and Engineering (pp. 155-160).
|
|
R. Lionnie & M. Alaydrus. (2016, October). An analysis of Haar Wavelet Transformation for androgenic hair pattern recognition, International Conference on Informatics and Computing (ICIC) (pp. 22-26).
|
|
S. G. E. Brucal, L. C. M. de Jesus, S. R. Peruda, L. A. Samaniego and E. D. Yong. (2023, October). Development of Tomato Leaf Disease Detection using YoloV8 Model via RoboFlow 2.0, Global Conference on Consumer Electronics (pp. 692-694).
|
|
Sripuangsuwan, C., Kiatwuthiamorn, J., & Cumpim, C. (2024). Histogram segmentation technique using local maxima for image enhancement. Journal of Advanced Development in Engineering and Science, 13(38), 28–44.
|
|
Taguchi, A. (2017). Color Systems and Color Image Enhancement Methods. ECTI Transactions on Computer and Information Technology 10(2): 97–110.
|
|
Wiangsamut, S., Sunat, K., Chiewchanwattana, S., & Saisangchan, U. (2017). Fingerprint image enhancement using voting algorithm. Asia-Pacific Journal of Science and Technology, 11(3), 213–227.
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|