ระบบวิเคราะห์สรีรวิทยาและตรวจจับความผิดปกติของพืชอัตโนมัติด้วยปัญญาประดิษฐ์
AUTOMATED PLANT PHENOTYPING AND ANOMALY DETECTION USING AI
ผู้จัดทำ: นางสาวพิมพ์วิมล พุทธเสน
อาจารย์ที่ปรึกษา: ผู้ช่วยศาสตราจารย์วัชรชัย วิริยะสุทธิวงศ์
ที่มาและความสำคัญ
การติดตามสุขภาพและสรีรวิทยาพืช (Plant Phenotyping) ในปัจจุบันมักประสบปัญหาสำคัญ 2 ด้านหลัก ได้แก่ ด้านกายภาพ ที่การวัดขนาดความสูง ความกว้าง พื้นที่ผิวพืช และประเมินเฉดสีใบของพืชจำนวนมากด้วยแรงงานมนุษย์ มีความล่าช้า เกิดความคลาดเคลื่อนได้ง่าย (Human Error) และขาดมาตรฐานการวัดที่แปรผันตามตัวบุคคล และด้านการจัดการ ที่ยังขาดระบบจัดเก็บข้อมูลสถิติแบบ Real-time เพื่อนำมาวิเคราะห์แนวโน้มการเติบโตอย่างเป็นระบบ
โครงงานนี้จึงพัฒนาระบบอัตโนมัติขึ้นโดยประยุกต์ใช้เทคนิค Image Processing คำนวณสัดส่วนทางกายภาพ ร่วมกับ Deep Learning (YOLO) ในการตรวจจับความผิดปกติ และส่งข้อมูลสถิติไปยัง ThingsBoard IoT Dashboard แบบ Real-time เพื่อช่วยให้เกษตรกรสามารถบริหารจัดการฟาร์มได้อย่างแม่นยำและมีประสิทธิภาพยิ่งขึ้น
วัตถุประสงค์
-
เพื่อพัฒนาระบบประมวลผลภาพสำหรับวิเคราะห์สรีรวิทยาของพืช (ความสูง, ความกว้าง, พื้นที่ผิว, สีของใบ) แบบอัตโนมัติ
-
เพื่อพัฒนาระบบตรวจจับความผิดปกติ (Plant Anomaly) ด้วยเทคนิค Deep Learning
-
เพื่อสร้างระบบการทำงานอัตโนมัติแบบ Event-driven ที่ประมวลผลทันทีเมื่อมีการนำเข้าข้อมูล และแสดงผลข้อมูลสถิติและรูปภาพผ่านแพลตฟอร์ม IoT (ThingsBoard)
วิธีการดำเนินงาน (Methodology)
กระบวนการและระบบการทำงานหลักของโครงงาน แบ่งออกเป็น 4 ส่วนหลัก ดังนี้:
-
Data Acquisition & Automation: ใช้ระบบเฝ้าระวังไฟล์ (File System Watcher) ทำหน้าที่คอยตรวจสอบโฟลเดอร์เก็บข้อมูล เพื่อกระตุ้นให้ระบบเริ่มต้นกระบวนการวิเคราะห์โดยอัตโนมัติทันทีที่มีไฟล์ภาพถ่ายพืชชุดใหม่ถูกเพิ่มเข้ามา
-
Plant Analysis Pipeline: ทำการแยกส่วนภาพ (Segmentation) และสกัดคุณลักษณะทางกายภาพพืช โดยการแปลงปริภูมิสีเป็น HSV และ CIELAB เพื่อสร้างหน้ากากพืช (Masking) ด้วยอัลกอริทึม Otsu และ Triangle Thresholding พร้อมทั้งทำ Scale Calibration ปรับเทียบมาตราส่วนจริงเพื่อใช้วัดพารามิเตอร์ความสูง ความกว้าง และพื้นที่ผิวพืชในหน่วยมิลลิเมตร (mm)
-
Intelligent Analysis: ตรวจจับความผิดปกติและโรคพืชโดยใช้โมเดล YOLO ควบคู่กับเทคนิค Pre-masking และ Tiling (การแบ่งภาพย่อย) เพื่อเพิ่มความแม่นยำในกระบวนการตรวจจับรอยโรคที่มีขนาดเล็กมากบนตัวใบพืช
-
Data Visualization: นำข้อมูลเชิงสถิติตัวเลข (Telemetry) และภาพถ่ายที่จำแนกรอยโรคแล้ว (ภาพ Overlay) ส่งผ่านโปรโตคอล MQTT เข้าสู่ ThingsBoard IoT Dashboard เพื่อให้ผู้ใช้ติดตามสุขภาพพืชได้แบบ Real-time
ผลการดำเนินงาน (Results)
ระบบที่พัฒนาขึ้นประสบความสำเร็จในการทดสอบตามเกณฑ์วัดประสิทธิภาพ โดยมีผลลัพธ์เชิงประจักษ์ดังนี้:
-
ระบบอัตโนมัติ: ระบบสถาปัตยกรรม Event-driven สามารถตอบสนองต่อเหตุการณ์การรับภาพเข้าและเริ่มต้นกระบวนการวิเคราะห์ได้โดยอัตโนมัติภายในเวลาเพียง 1-2 วินาที
-
การวิเคราะห์ทางกายภาพ: การวัดพารามิเตอร์ทางกายภาพ (ความสูง ความกว้าง พื้นที่ผิว) มีความแม่นยำเฉลี่ยสูงถึง 97.57% โดยมีค่าความคลาดเคลื่อนสัมบูรณ์ (Absolute Error) ต่ำมากเพียงช่วง 0 - 1.4 มิลลิเมตรเท่านั้น
-
การตรวจจับความผิดปกติ: โมเดล YOLO สามารถตรวจจับจุดรอยโรคและความผิดปกติบนใบพืชได้ดี โดยให้ค่าความแม่นยำเฉลี่ย (mAP@0.5) อยู่ที่ร้อยละ 71.3 และได้ค่า F1-Score สูงสุด ณ ระดับความเชื่อมั่น (Confidence) ที่ 0.439
-
การแสดงผลข้อมูล: ข้อมูล Telemetry และภาพ Overlay ถูกส่งผ่านโปรโตคอล MQTT และแสดงผลได้อย่างสมบูรณ์ ครบถ้วนบนหน้าจอ ThingsBoard IoT Dashboard
สรุปผล (Conclusion)
โครงงานนี้ประสบความสำเร็จในการพัฒนาระบบวิเคราะห์สรีรวิทยาและตรวจจับความผิดปกติของพืชในรูปแบบ Event-driven ได้อย่างมีประสิทธิภาพ ระบบสามารถเริ่มกระบวนการวิเคราะห์ได้ทันที คำนวณสัดส่วนกายภาพพืชได้แม่นยำ และสามารถตรวจจับความผิดปกติได้ดีด้วยเทคนิค AI (YOLO mAP@0.5 = 71.3%) แม้ระบบจะมีข้อจำกัดอยู่บ้างในเรื่องสภาพแสงและการซ้อนทับกันของใบพืชในบางกรณี แต่ในภาพรวมระบบยังคงทำงานได้อย่างเสถียร จัดส่งข้อมูลและภาพ Overlay เข้าสู่ระบบ ThingsBoard ได้ครบถ้วน ซึ่งแสดงให้เห็นว่าระบบนี้มีประสิทธิภาพสูงและพร้อมสำหรับนำไปประยุกต์ใช้งานเพื่อยกระดับการบริหารจัดการฟาร์มอัจฉริยะ (Smart Farming) ได้จริงในอนาคต