ระบบอัจฉริยะเพื่อการวินิจฉัย เฝ้าระวังและเตือนภัยโรคมันสำปะหลัง (MunBOT)

บทคัดย่อ

การพัฒนาระบบอัจฉริยะเพื่อการวินิจฉัย เฝ้าระวังและเตือนภัยโรคมันสำปะหลัง ( MunBOT) ประกอบด้วยการดำเนินงานดังนี้ 1.สำรวจโรคมันสำปะหลังรวมทั้งสิ้น 237 แปลง ในพื้นที่ จังหวัดระยอง จังหวัด ชลบุรี และจังหวัดฉะเชิงเทรา พบโรค 6 โรคได้แก่ โรคใบด่าง โรคใบหม้จากเชื้อแบคทีเรีย โรคแอนแทรคโนส โรค ใบจุดสีน้ำตาล โรคพุ่มแจ้ และโรครากเน่าโคนเน่า 2.ถ่ายภาพอาการโรคใบด่าง โรคใบไหม้ และโรคพุ่มแจ้ระยะ ต่างๆไม่ต่ำกว่า 2,000 ภาพนำมาใช้ในการพัฒนาโมเดลปัญญาประดิษฐ์ในการวินิจฉัยโรคมันสำปะหลังด้วยภาพ 3. พัฒนาCassava Pathomation Platform ซึ่งประกอบด้วย แอปพลิเคชั่นถ่ายภาพและพัฒนาคลังข้อมูล ภาพถ่ายและผลการสำรวจโรคสำคัญของมันสำปะหลัง และขณะนี้อยู่ระหว่างการทดสอบระบบโดยผู้มีส่วนได้ส่วน เสีย 3.พัฒนาระบบอัจฉริยะในการวินิจฉัยโรคใบด่างและโรคใบไหม้จากภาพถ่ายด้วยปัญญาประดิษฐ์ (Cassava diseases recognition ) การฝึกสอนปัญญาประดิษฐ์ด้วยโมเดล YOLO v 4. เบื้องต้นการทดสอบความแม่นยำใน ห้องปฏิบัติการคอมพิวเตอร์ โดยการวัดค่าความแม่นยำ mAP@50 พบว่าค่าอยู่ที่ 65.03% และได้วางโมเดลใน LINE OA platform (MunBOT V.2) เพื่อให้สะดวกในการทดสอบความแม่นยำโดยนักวิชาการโรคพืช 3.พัฒนา โมเดลการพยากรณ์โรคใบด่างและโรคใบไหม้มันสำปะหลังจากข้อมูลการระบาดและข้อมูลสภาพอากาศ ได้ จัดเตรียมข้อมูลสภาพอากาศจาก climate data store – Copernicus (ERA5 hourly data on single levels from 1959 to present) และจัดเตรียมข้อมูลการแพร่ระบาดที่ใช้ในงานวิจัยส่วนนี้ได้รับความอนุเคราะห์มาจาก กรมส่งเสริมการเกษตรซึ่งสำรวจโรคมันสำปะหลังในพื้นที่ 11 จังหวัดในช่วงเดือนมิถุนายนถึงตุลาคม พ.ศ. 2565 ดำเนินการหาความสัมพันธ์ของตัวแปรตามซึ่งได้แก่ผลการระบาดของโรคมันสำปะหลัง และตัวแปรอิสระซึ่งได้แก่ ปัจจัยต่างๆ ที่คาดว่าเป็นสาเหตุให้เกิดการระบาดของโรค คัดเลือกคุณลักษณะเด่นแล้วนำไปวิเคราะห์หรือสอน โมเดลในการพยากรณ์โรค โมเดลการถดถอยแบบหลายตัวแปร (multiple regression พบว่าค่า Relative Humidity และ Rainfall มีความสัมพันธ์ต่อการเกิดโรคใบด่าง ส่วนโรคใบไหม้นั้นมีค่า Mean Temperature, Min Temperature, Relative Humidity และ Rainfall ที่ความสัมพันธ์ต่อการเกิดโรคใบไหม้จากแบคทีเรีย

คำสำคัญ