Applying Convolutional Neural Networks for Sugarcane Leaf Disease Image Classification and Integration with LINE Chatbot to Support Smart Agriculture

โรคใบในพืช โดยเฉพาะโรคใบอ้อยในประเทศไทย เป็นปัญหาสำคัญที่ส่งผลต่อผลผลิตและคุณภาพของอ้อย การตรวจสอบโรคด้วยวิธีดั้งเดิมมักใช้เวลานานและต้องอาศัยความเชี่ยวชาญเฉพาะด้าน ดังนั้นงานวิจัยนี้จึงมีวัตถุประสงค์เพื่อพัฒนาโมเดลการเรียนรู้เชิงลึกสำหรับการวินิจฉัยโรคใบอ้อย โดยการนำเทคนิคโครงข่ายประสาทเทียมแบบคอนโวลูชัน (CNN) และการบูรณาการกับไลน์แชตบอตเพื่อรองรับการเกษตรอัจฉริยะ โดยการวิจัยนี้ได้ทำการเปรียบเทียบประสิทธิภาพของโมเดล CNN ทั้ง 5 สถาปัตยกรรม เพื่อหาโมเดลที่ดีที่สุดเหมาะสมกับปัญหาการจำแนกโรคใบอ้อย ประกอบด้วย VGGNet-16, ResNet-50, DenseNet-121, AlexNet และ GoogLeNet โดยใช้ชุดข้อมูล Sugarcane Leaf Disease Dataset ที่ดำเนินการจัดเก็บจากสภาพแวดล้อมจริง ชุดข้อมูลภาพใบอ้อยถูกรวบรวมจากกลุ่มพื้นที่จังหวัดในภาคตะวันออกเฉียงเหนือตอนกลาง 4 จังหวัด จำนวน 4,000 ภาพ แบ่งเป็น 4 ประเภทอย่างละ 1,000 ภาพ ประกอบด้วยภาพใบอ้อยครอบคลุม 4 ประเภท ได้แก่ โรคเส้นกลางใบแดง โรคใบจุดวงแหวน โรคราสนิม และใบอ้อยปกติ ข้อมูลถูกแบ่งเป็น 3 อัตราส่วน คือ 75:25, 80:20 และ 90:10 สำหรับชุดฝึกสอนและชุดทดสอบ ตามลำดับ ผลการทดลองแสดงให้เห็นว่าโมเดล DenseNet-121 ด้วยอัตราส่วน 90:10 ให้ประสิทธิภาพสูงสุด โดยมีค่าเฉลี่ยแบบมาโคร (Macro-average) สูงที่สุด 97.28% เมื่อนำโมเดลที่ดีที่สุดไปพัฒนาเป็นระบบ LINE Chatbot สำหรับการวินิจฉัยโรคใบอ้อยแบบอัตโนมัติ ผลการทดสอบระบบแสดงให้เห็นว่าสามารถตอบสนองผู้ใช้งานได้อย่างมีประสิทธิภาพ งานวิจัยนี้แสดงให้เห็นถึงศักยภาพของเทคโนโลยีการเรียนรู้เชิงลึกในการสนับสนุนเกษตรกรให้สามารถตรวจสอบสุขภาพพืชอ้อยได้อย่างรวดเร็วและแม่นยำ ซึ่งเป็นส่วนสำคัญในการพัฒนาระบบเกษตรอัจฉริยะในประเทศไทย