การพัฒนาระบบควบคุมโรงเรือนใบบัวบกอัตโนมัติโดยใช้เทคโนโลยี IoT และการจำแนกใบบัวบกโดยการเรียนรู้เชิงลึก
คำสำคัญ:
ใบบัวบก, การเรียนรู้เชิงลึก, การเรียนรู้แบบถ่ายโอนข้อมูล, เทคโนโลยีในทุกสรรพสิ่งบทคัดย่อ
งานวิจัยนี้มีวัตถุประสงค์เพื่อ 1) ส่วนของการพัฒนาระบบควบคุมโรงเรือนนอัตโนมัติโดยใช้เทคโนโลยี IoT โดยโรงเรือนประกอบด้วย เซ็นเซอร์ตรวจวัดอุณหภูมิ ความชื้นในดิน เซ็นเซอร์ธาตุ N P K โดยส่งข้อมูลกับ NetPie server ทำงานร่วมกับ ภาพจากกล้องวงจรปิดในโรงเรือน และ AI server เพื่อควบคุมการทำงาน ระบบเครื่องลดน้ำ ระบบพ่นหมอก โดยโรงเรือนสามารควบคุมได้ทั้งที่โรงเรือนหรือควบคุมผ่านระบบอินเทอร์เน็ตและควบคุมอัตโนมัติผ่านปัญญาประดิษฐ์ 2) ส่วนการเพื่อศึกษาการจำแนกรูปภาพใบบัวบกที่มีขนาดเล็ก ขนาดกลาง ขนาดใหญ่ โดยใช้การเทคนิคการเรียนรู้เชิงลึก เพื่อพัฒนาแบบจำลองการจำแนกโครงสร้างประสาทเทียม Convolutional Neural Network (CNN) โดยใช้ โมเดล VGG16, ResNet50 และ InceptionV3 ร่วมกับการใช้เทคนิคการเรียนรู้แบบถ่าย โดยได้ใช้ชุดข้อมูลที่เก็บรวบรวมเองและภาพจากอินเทอร์เน็ต
ผลการวิจัยพบว่า
- ระบบควบคุมโรงเรือนอัตโนมัติผู้เชี่ยวชาญและผู้ใช้งานจำนวน 10 คน มีความพึงพอใจอยู่ในระดับพึงพอใจมาก ( = 4.16, S.D. = 0.74) และระบบปัญญาประดิษฐ์ ประเมินโมเดล VGG16 มีประสิทธิภาพมากที่สุด ค่าความแม่นยำ เท่ากับ .82 รองลงมาคือโมเดล InceptionV3 เท่ากับ .73 และ ResNet50 เท่ากับ .60 อยู่ในเกณฑ์ที่ดี
- สามารถจำแนกใบบัวบกที่ขนาดใบเล็กถูกต้อง 83 ภาพ ทายผิด 19 ภาพ ใบบัวบกที่ขนาดใบกลางถูกต้อง 82 ภาพ ทายผิด 18 ภาพ และใบบัวบกที่ขนาดใบใหญ่ถูกต้อง 80 ภาพ ทายผิด 18 จากข้อมูลทดสอบ 300 รูปภาพ
References
ธนัช เบญจอนุอาชา. การจำแนกความเสียหายรถยนต์โดยการเรียนรู้เชิงลึก. กรุงเทพฯ: บัณฑิตวิทยาลัย มหาวิทยาลัยศรีนครินทรวิโรฒ, 2564.
นันทวัน บุณยะประภัสร. สมุนไพรไม้พื้นบ้าน. กรุงเทพฯ: ประชาชน, 2542.
บุษบา บัวคำ และรักเกียรติ แสนประเสริฐ. 2560. “การเปรียบเทียบการเจริญเติบโตและผลผลิตบัวบก (Centella asiatica (L.) Urb.) ที่ปลูกโดยใช้ปุ๋ยเคมีและปุ๋ยอินทรีย์,” วารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลัยอุบลราชธานี. 19, 1 (มกราคม–เมษายน 2560): 101-110.
รักษ์ พฤกษชาติ. “บัวบก ปลูกในนาที่นครศรีธรรมราช” ในผักพื้นบ้านคู่มือการปลูกเชิงการค้า. กรุงเทพ ฯ: นีออนบุ๊คมีเดีย, 2550.
รัฐศิลป์ รานอกภานุวัชร์. ระบบควบคุมโรงเรือนผักไฮโดรโปรนิกส์อัตโนมัติโดยใช้เทคโนโลยี IoT และเครื่องมือการเรียนรู้เชิงลึก. กรุงเทพฯ: วิทยาลัยนวัตกรรมด้านเทคโนโลยีและวิศวกรรมศาสตร์ มหาวิทยาลัยธุรกิจบัณฑิตย์, 2561.
รัตติกานต์ วิบูลย์พานิช. การออกแบบตัวต้นแบบระบบโรงเรือนอัจฉริยะเพื่อส่งเสริมความสะดวกสบายให้กับผู้สูงอายุโดยใช้เทคโนโลยีอินเทอร์เน็ตเพื่อทุกสรรพสิ่ง. กรุงเทพฯ: มหาวิทยาลัยนอร์ทกรุงเทพ, 2560.
อุไร ทองหัวไผ่. “การทดสอบซอฟต์แวร์,” วารสารเกษมบัณฑิต. 16, 2 (กรกฎาคม 2558): 140-154.
Lela, Madhav K. Machine Learning Approach for Agriculture IoT using SVM&ANN. International Journal of Engineering Research & Technology. 2019.
Natthawat Phongchit. Convolutional Neural Network (CNN) คืออะไร. (ออนไลน์) 2023 (อ้างเมื่อ 15 เมษายน 2567). จาก https://medium.com/@natthawatphongchit
Kendal, Kenneth E. Systems Analysis and Design. New Jersey: Prentice Hall, 2020.
Ruman. Ultimate Guide to Fine-Tuning in PyTorch : Part 1-Pre-trained Model and Its Configuration. (ออนไลน์) 2023 (อ้างเมื่อ 15 เมษายน 2567). จากhttps://rumn.medium.com/part-1-ultimate-guide-to-fine-tuning-in-pytorch-pre-trained-model-and-its-configuration-8990194b71e.
Downloads
เผยแพร่แล้ว
How to Cite
ฉบับ
บท
License
Copyright (c) 2024 วารสารบัณฑิตวิทยาลัย พิชญทรรศน์ มหาวิทยาลัยราชภัฏอุบลราชธานี

This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
บทความทุกเรื่องได้รับการตรวจความถูกต้องทางวิชาการโดยผู้ทรงคุณวุฒิภายนอกอย่างน้อย 2 คน ความคิดเห็นในวารสารบัณฑิตวิทยาลัย พิชญทรรศน์ มหาวิทยาลัยราชภัฏอุบลราชธานี เป็นความคิดเห็นของผู้เขียนมิใช่ความคิดเห็นของผู้จัดทำ จึงมิใช่ ความรับผิดชอบของบัณฑิตวิทยาลัย มหาวิทยาลัยราชภัฏอุบลราชธานี และบทความในวารสารบัณฑิตวิทยาลัย พิชญทรรศน์ มหาวิทยาลัยราชภัฏอุบลราชธานี สงวนสิทธิ์ตามกฎหมายไทย การจะนำไปเผยแพร่ต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจากกองบรรณาธิการ