การพัฒนาโปรแกรมประยุกต์บนโทรศัพท์เคลื่อนที่ เพื่อระบุลักษณะปฏิกิริยาของอ้อย ต่อโรคเน่าแดงในการปรับปรุงพันธุ์อ้อย

ผู้แต่ง

  • ครองทรัพย์ แสงทอง คณะเกษตร กำแพงแสน มหาวิทยาลัยเกษตรศาสตร์ วิทยาเขตกำแพงแสน
  • รัตนา ตั้งวงศ์กิจ ภาควิชาเกษตรกลวิธาน คณะเกษตร กำแพงแสน มหาวิทยาลัยเกษตรศาสตร์ วิทยาเขตกำแพงแสน
  • ภาวิต ตั้งวงศ์กิจ ภาควิชาเกษตรกลวิธาน คณะเกษตร กำแพงแสน มหาวิทยาลัยเกษตรศาสตร์ วิทยาเขตกำแพงแสน

คำสำคัญ:

sugarcane breeding, red rot disease, mobile application, image processing

บทคัดย่อ

ในการคัดเลือกพันธุ์อ้อยที่ต้านทานโรคเน่าแดง จะอาศัยวิธีการทดสอบปฏิกิริยาของท่อนพันธุ์ต่อเชื้อราสาเหตุโรค แล้วอ่านผลจากลักษณะอาการโรคที่เกิดขึ้นด้วยสายตา แต่พบว่าการอ่านผลด้วยสายตาอาจมีความคลาดเคลื่อน จึงได้ทำการพัฒนาโปรแกรมประยุกต์ Redrot App บนโทรศัพท์เคลื่อนที่ระบบปฏิบัติการแอนดรอยด์เวอร์ชัน 5.0 ขึ้นไป โดยใช้อัลกอริทึมการประมวลผลภาพถ่ายของลักษณะอาการโรค ทดสอบโปรแกรมโดยปลูกเชื้อโรคเน่าแดงให้กับท่อนพันธุ์อ้อยจำนวน 200 สายพันธุ์ อ่านผลด้วยวิธีให้ผู้เชี่ยวชาญใช้สายตาตรวจดูอาการโรคสามส่วน คือ การเคลื่อนของเชื้อทะลุปล้อง ขนาดของพื้นที่สีแดง และลักษณะสีแดง นำมาคำนวณคะแนนระดับอาการแล้วจัดกลุ่มตามลักษณะของความต้านทาน  เปรียบเทียบกับการอ่านผลจากภาพถ่ายและวิเคราะห์ลักษณะของความต้านทานโรคด้วยโปรแกรมที่พัฒนาขึ้นใช้ Python และ Library opencv2 ในการประมวณผลภาพโดยการทำ Traditional feature extraction ประกอบด้วยการทำ Geometry feature extraction และทำ Image segmentation สำหรับขนาดและความยาวของแผล เช่น Contouring, Morphological operation ส่วนการประเมินสีของแผลใช้ Histogram analysis แล้วใช้ Confusion matrix ประเมินผลลัพธ์ที่ได้ พบว่าการใช้โปรแกรมประยุกต์มีค่าความถูกต้อง (Accuracy)  92.50% ค่าความระลึก (Recall) 0.65 ค่าความแม่นยำ (Precision) 0.74 และค่าความถ่วงดุล (F1 score) 0.69 มีความแม่นยำและประสิทธิภาพ สามารถลดความคลาดเคลื่อนจากการอ่านผลด้วยสายตาได้ และโปรแกรมจะประมวลผลและแสดงระดับของลักษณะปฏิกริยาทันทีที่ถ่ายภาพหรือโหลดภาพแต่ละลำอ้อยทดลอง

References

ชัยวัช โซวเจริญสุข. 2566. แนวโน้มธุรกิจ/อุตสาหกรรม ปี 2566-2568. (ระบบออนไลน์). แหล่งข้อมูล: https://www.krungsri.com/th/research/industry/industry-outlook/agriculture/sugar/io/sugar-2023-2025 (11 สิงหาคม 2566).

วีรกรณ์ แสงไสย์, เบญจวรรณ รัตวัตร์ และ รวีวรรณ เชื้อกิตติศักิด์. 2563. การระบุชนิดเชื้อสาเหตุโรคแส้ดำและโรคเน่าแดงในอ้อยโดยลักษณะสัณฐานวิทยาและวิธีอณูชีววิทยาและการพัฒนาการประเมินการเกิดโรคที่รวดเร็ว. วารสารแก่นเกษตร ฉบับพิเศษ 1: 646-655.

สำนักงานคณะกรรมการอ้อยและน้ำตาลทราย. 2561. โครงการพัฒนาเพื่อปรับโครงสร้างการปรับปรุงพันธุ์อ้อยและพัฒนาระบบการบริหารจัดการการผลิตอ้อยอย่างครบวงจร ปีงบประมาณ 2561. รายงานผลงานวิจัย. สำนักงานอ้อยและน้ำตาลทราย กระทรวงอุตสาหกรรม. 362 หน้า.

Inchaya Ku., Wi. Notawat and Pi. Prasomsab. 2022. Sugar cane red stripe disease detection using YOLO CNN of deep learning technique. Engineering access 8 (2): 192-197.

Kundu, R. 2022. F1 score in machine learning: intro & calculation. (Online). Available source: https://www.v7labs.com/blog/f1-score-guide (May 21, 2023).

Mohanraj, D., P. Padmanaban and R. Viswanathan. 2012. Screening for red rot resistance in sugarcane. Functional Plant Science and Biotechnology 6 (2): 51-62.

Reddy, G.P.O. 2018. Digital image processing: Principles and Applications. pp. 101-126. In: Reddy, G., Singh, S. (eds). Geospatial Technologies in Land Resources Mapping, Monitoring and Management. Geotechnologies and the Environment. Springer, Cham.

Satyendra, N. M., R. Kunal., D. Sanket., M. Subhranil., D. Subrata., R. B. Ashis and C. Ashis. 2021. Development of disease scoring system for severity analysis of late blight of potato based on image processing approach. Cohesive Journal of Microbiology & Infectious Disease 5: 1-7.

Srinivasan, K.V. and N.R. Bhat. 1961. Red rot of sugarcane criteria for grading resistance. Journal of Indian Biological Society 40: 566-577.

Downloads

เผยแพร่แล้ว

2025-07-30

ฉบับ

บท

บทความวิจัย บทความวิชาการ