การตรวจจับสิ่งผิดปกติในกระบวนการผลิตปุ๋ยอินทรีย์ชีวภาพ ด้วยเครือข่ายเซ็นเซอร์ไร้สาย

บทคัดย่อ

ปัจจุบันมีการประยุกต์ใช้งานเทคโนโลยีการสื่อสารไร้สายเพื่อการเกษตรเป็นจำนวนมาก เช่น การใช้เครือข่ายเซ็นเซอร์ไร้สายเพื่อเฝ้าระวังทางการเกษตร โดยอาศัยการเก็บข้อมูลทางกายภาพภายในแปลงเกษตรจากโหนดเซ็นเซอร์ไร้สายซึ่งถูกวางในตำแหน่งต่างๆกันในไร่หรือแปลงเกษตร และส่งข้อมูลกลับมาที่สถานีฐานผ่านการสื่อสารวิทยุระยะสั้น ในกรณีที่แปลงเกษตรมีขนาดใหญ่ ข้อมูลจากโหนดเซ็นเซอร์ไร้สายจะถูกส่งผ่านโหนดเซ็นเซอร์ข้างเคียง ซึ่งจะทำการส่งต่อข้อมูลภายในเครือข่ายในลักษณะนี้จนข้อมูลถูกนำส่งถึงสถานีฐาน เครือข่ายเซ็นเซอร์ไร้สายประกอบด้วยโหนดเซ็นเซอร์หลายโหนดซึ่งมีขนาดเล็กและราคาถูก เครือข่ายตัวตรวจรู้ไร้สายมีข้อจากัดหลายอย่าง เช่น หน่วยความจำ, ความกว้างแถบความถี่ (แบนด์วิธ), อัตราการส่งข้อมูลต่ำ, แหล่งพลังงานและการใช้พลังงาน, และความสามารถเชิงประมวลผล เป็นต้น ข้อจากัดของอุปกรณ์เหล่านี้ส่งผลกระทบต่อความสามารถในการตรวจจับ ความผิดปกติของตัวตรวจรู้ และสามารถก่อให้เกิดความเสียหายต่อผลผลิตได้ นอกจากนี้ข้อจากัดด้านแหล่งพลังงานในเครือข่ายตัวตรวจรู้ไร้สาย ต้องการใช้พลังงานให้น้อยที่สุด เนื่องจากการส่งข้อมูลในเครือข่ายตัวตรวจรู้ไร้สายนั้น ใช้พลังงานมากกว่ากระบวนการในการประมวลผล และ การคำนวณข้อมูลที่มีขนาดเล็กจะใช้พลังงานน้อยกว่าการคำนวณข้อมูลขนาดใหญ่ด้วย ดังนั้น การวิจัยนี้จึงมุ่งเน้นที่จะผสมผสานการทางานระหว่าง การบีบอัดข้อมูลด้วย Discrete Wavelet Transform (DWT) และ Lifting Wavelet Transform (LWT) ร่วมกับ การตรวจจับความผิดปกติของข้อมูลโดยใช้ One-Class Support Vector Machine (OCSVM) วิธีการแรกที่นำเสนอในการวิจัยนี้ คือ OCSVM + DWT เมื่อนาไปเปรียบเทียบกับวิธีการก่อนหน้านี้ที่ถูกนาเสนอมาแล้ว เช่น Self-Organizing Map (SOM) + DWT พบว่า OCSVM + DWT สามารถเพิ่มประสิทธิภาพในการตรวจจับความผิดปกติได้ สำหรับการทดลองกับข้อมูลสังเคราะห์พบว่า OCSVM + DWT ที่เลือกใช้ค่าสัมประสิทธิ์ความถี่ต่ำ มีอัตราความถูกต้องในการตรวจจับความผิดปกติถึง 100% ในขณะที่อัตราความผิดพลาดในการตรวจจับข้อมูลเพิ่มขึ้นเพียงเล็กน้อย เมื่อเปรียบเทียบกับวิธีการอื่น ๆ และในการทดลองกับชุดข้อมูลจริงพบว่า OCSVM + DWT ที่เลือกใช้ค่าสัมประสิทธิ์ความถี่ต่ำ ทางานได้ดีที่สุด โดยมีอัตราความถูกต้องในการตรวจจับความผิดปกติสูงถึงเกือบ 100% แม้ว่าในการทดลองกับข้อมูลที่มีความผิดปกติแบบ Short หรือ Noise จะให้อัตราการตรวจจับข้อมูลที่ผิดพลาดสูงกว่าวิธีการอื่น ๆ ก็ตาม จากการทดลองจะเห็นว่า OCSVM + DWT ที่เลือกใช้ค่าสัมประสิทธิ์ความถี่ต่ำ เหมาะกับการตรวจจับข้อมูลที่มีความผิดปกติแบบ Short หรือ Noise เป็นองค์ประกอบ ในขณะที่ SOM + DWT ที่เลือกใช้ค่าสัมประสิทธิ์ความถี่ต่ำ เหมาะกับการตรวจจับข้อมูลที่มีความผิดปกติแบบ Constant เป็นองค์ประกอบ อีกวิธีการหนึ่งที่นาเสนอในงานวิจัยนี้ คือ OCSVM + LWT ซึ่งจะถูกนาไปเปรียบเทียบประสิทธิภาพการทางานกับวิธีการอื่น ซึ่งได้แก่ OCSVM + DWT และ OCSVM + Principal Component Analysis (PCA) สำหรับการทดลองกับข้อมูลสังเคราะห์และข้อมูลจริงที่มีความผิดปกติแบบ Short เป็นองค์ประกอบ พบว่า OCSVM + LWT มีประสิทธิภาพการทางานใกล้เคียงกับ OCSVM, OCSVM + DWT และ OCSVM + PCA สำหรับการทดลองกับข้อมูลสังเคราะห์และข้อมูลจริงที่มีความผิดปกติแบบ Noise และ Constant เป็นองค์ประกอบ พบว่า OCSVM + LWT และ OCSVM + DWT ที่เลือกใช้สัมประสิทธิ์ความถี่ต่ำ มีประสิทธิภาพการทางานที่ดีกว่า OCSVM และ OCSVM + PCA ในทางกลับกัน OCSVM + LWT และ OCSVM + DWT ที่เลือกใช้สัมประสิทธิ์ความถี่สูง มีประสิทธิภาพการทางานที่แย่ที่สุด ซึ่งแสดงให้เห็นว่า LWT มีความต้องการที่น้อยกว่า DWT ในแง่ของหน่วยความจำที่ใช้งาน และเวลาในการคำนวณ และจากผลการทดลองแสดงให้เห็นว่า OCSVM + LWT เหมาะที่จะนำไปติดตั้งเครือข่ายตัวตรวจรู้ไร้สายมากกว่าวิธีการอื่น ๆ ที่ได้กล่าวมาแล้ว งานวิจัยนี้ยังได้ทำการประยุกต์ใช้ในการตรวจจับความผิดปกติของชุดข้อมูลจริงจากโรงปุ๋ยชีวภาพ (bioorganic fertilizer plant หรือ BOF) มหาวิทยาลัยเทคโนโลยีสุรนารี โดยได้มีการพัฒนาชุดอุปกรณ์ต้นแบบเซ็นเซอร์โหนดไร้สายและมีการส่งค่าความชื้นและอุณหภูมิของดินไปยังสถานีฐานอย่างต่อเนื่อง และมีการนำข้อมูลผ่านการประมวลผลแบบ DWT และใช้ SOM ในการตรวจจับความผิดปกติในข้อมูล โดยพบว่าอัลกอริทึมที่ได้นำเสนอที่ประกอบด้วยเวฟเลตแม่แบบฮาร์ (Haar) ที่มีการใช้สัมประสิทธิ์ต่ำผ่านนั้นมีค่าการแจ้งเตือนจริง 95% โดยที่อัลกอริทึมที่นำเสนอนั้นมีประสิทธิภาพดีเทียบเท่าอัลกอริทึม SOM และมีประสิทธิภาพที่ดีกว่าอัลกอริทึม DWT ถึง 75% ผลการทดลองแสดงให้เห็นว่าอัลกอริทึมที่ได้นำเสนอสามารถรักษาค่าการตรวจจับความผิดปกติจริงที่ยอมรับได้ ในขณะที่ใช้ข้อมูลป้อนเข้าเพียงครึ่งเดียว (ด้วยการใช้ DWT level 1)

คำสำคัญ