Development of the Automatic Control Systems for the Centella Asiatica (L.) Urb. Greenhouse by Using Internet of Things (IoT) and the Classification of Centella Asiatica (L.) Urb. by Using Deep Learning
Keywords:
Centella asiatica, Deep learning, Knowledge transfer, IOTAbstract
The objectives of this research were divided into two parts: 1) part 1 was to develop the automatic control systems for the Centella asiatica (L.) Urb. greenhouse consisting of sensors used to check temperature and soil humidity and a N P K element sensor by sending information to a NetPie sever working together with the mages from the CCTV cameras in the greenhouse and the AI server to control the work of the water reduction system and the misting system, the greenhouse being able to be controlled at the greenhouse, through the internet system, and through the automatic artificial intelligence systems and 2) part 2 was to study the classification of the small, medium, and large sizes of the Centella asiatica (L.) Urb. images by using the deep learning to develop an artificial neural structure classification model, Convolutional Neural Network (CNN), by using the models of VGG16, ResNet50, and InceptionV3 coupled with transfer learning using data sets collected by the researchers and from the internet.
The research findings were as follows.
- The experts and the users in a total of 10 people were satisfied by using the automatic control systems for the Centella asiatica (L.) Urb.greenhouse at a high level ( = 4.16, S.D. = 0.74) and according to the evaluation of the automatic artificial intelligence systems, the VGG16 model was at the highest efficiency with the accurate value of 0.82, followed by the InceptionV3 model with the accurate value of .73 and the ResNet50 model with the accurate value of .60. The InceptionV3 model and the ResNet50 model were at a good efficient level.
- 300 Centella asiatica (L.) Urb.images were tested and they were classified in the small sizes correctly 83 images and incorrectly 19 images, in the medium sizes, 82 images were classified correctly and 18 images were classified incorrectly, and in the large sizes, 80 images were classified correctly and 18 images were classified incorrectly.
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
Published
How to Cite
Issue
Section
License
Copyright (c) 2024 Journal of Graduate School, Pitchayatat, Ubon Ratchathani Rajabhat University
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Every article is peer-reviewed for academic correctness by at least two external qualified experts. The opinions in the Journal of Graduate School, Pitchayatat, Ubon Ratchathani Rajabhat University (Humanities and Social Sciences) belong to the authors; not belong to the Publisher. Thus, Graduate School of Ubon Ratchathani Rajabhat University cannot to be held responsible for them. The articles in this journal are protected by the copyright of Thailand. No part of each issue may be reproduced for dissemination without written permission from the publisher.