วารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม 
Maejo Information Technology and Innovation Journal (MITIJ)
 ค้นหา | หน้าแรก   
 
 
 
» หน้าแรก
» ฉบับปัจจุบัน
» ฉบับย้อนหลัง
» ค้นหาวารสาร/บทความ
» ลงทะเบียน (OJS/PKP)
 

                               :: รายละเอียดบทความ ::
กลับสู่เมนูค้นหา 
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.
 
 
 
 
 
 
 
 
กลับสู่ เมนูค้นหา
       
กองบรรณาธิการวารสารแม่โจ้เทคโนโลยีสารสนเทศและนวัตกรรม มหาวิทยาลัยแม่โจ้
63 หมู่ 4 ต.หนองหาร อ.สันทราย จ.เชียงใหม่ 50290  mitij@mju.ac.th