การตรวจจับความผิดปกติของใบหญ้าเอ็นยืด (Plantago majorjor L.) ในการเพาะปลูกด้วยการประมวลผลภาพ
DOI:
https://doi.org/10.57260/stc.2026.1118คำสำคัญ:
หญ้าเอ็นยืด Plantago major L. , YOLOv8, การประมวลผลภาพ , การตรวจจับอาการผิดปกติของใบพืช, เว็บแอปพลิเคชัน, กระบวนการวิศวกรสังคม, วงจรพัฒนาซอฟต์แวร์ (SDLC), ธนาคารขยะรีไซเคิลบทคัดย่อ
งานวิจัยนี้นำเสนอระเบียบวิธีสำหรับการตรวจจับความผิดปกติของใบหญ้าเอ็นยืด (Plantago major L.) ภายใต้บริบทการเพาะปลูก โดยบูรณาการการประมวลผลภาพร่วมกับการเรียนรู้เชิงลึก กระบวนการดำเนินงานประกอบด้วยการเก็บรวบรวมภาพใบจากสภาพแวดล้อมจริง การปรับปรุงคุณภาพภาพและการจัดเตรียมชุดข้อมูล การกำหนดป้ายกำกับ (Annotation) และการฝึกแบบจำลองตรวจจับวัตถุ YOLOv8 เพื่อใช้ตรวจจับและจำแนกความผิดปกติของใบเป็น 3 กลุ่ม ได้แก่ ใบเหลือง ใบมีร่องรอยการถูกทำลายจากแมลง และใบเป็นรู นอกจากนี้ ได้พัฒนาและนำเสนอระบบต้นแบบในรูปแบบเว็บแอปพลิเคชัน เพื่อรองรับการส่งภาพเข้าสู่ระบบและแสดงผลการตรวจจับในลักษณะเกือบเวลาจริง (Near real-time) ผลการทดสอบแสดงว่าแบบจำลองสามารถจำแนกความผิดปกติได้อย่างมีประสิทธิภาพ โดยให้ค่า mAP@0.5 เท่ากับ 0.95 แนวทางที่นำเสนอมีศักยภาพในการสนับสนุนการเฝ้าระวังสุขภาพพืชและลดภาระการตรวจสอบด้วยแรงงาน ทั้งนี้ ผลลัพธ์ของระบบมุ่งเน้นการคัดกรองความผิดปกติจากอาการที่ปรากฏบนใบในระดับอาการ (Symptom-level) และมิได้มีวัตถุประสงค์เพื่อยืนยันโรคหรือสาเหตุเชิงวินิจฉัยของความผิดปกติ
Downloads
เอกสารอ้างอิง
Abid, M. S. Z., Jahan, B., Mamun, A. A., Hossen, M. J., & Mazumder, S. H. (2024). Bangladeshi crops leaf disease detection using YOLOv8. Heliyon, 10(18), e36694. https://doi.org/10.1016/j.heliyon.2024.e36694
Chen, C., Lu, X., He, L., Xu, R., Yang, Y., & Qiu, J. (2025). Research on soybean leaf disease recognition in natural environment based on improved YOLOv8. Frontiers in Plant Science, 16, 1523633. https://doi.org/10.3389/fpls.2025.1523633
Dalal, M., & Mittal, P. (2025). A systematic review of deep learning-based object
detection in agriculture: Methods, challenges, and future directions. Computers,
Materials & Continua, 84(1), 57–91. https://doi.org/10.32604/cmc.2025.066056
Dhabalia, P. A., Yadav, P. S., Maurya, S., Alaskar, K., & Vimal, V. (2023). Deep learning and image processing for efficient herb classification. In Proceedings of the Seventh International Conference on Image Information Processing (ICIIP). (pp. 936–940). IEEE. https://doi.org/10.1109/ICIIP61524.2023.10537749
Jocher, G., Chaurasia, A., & Qiu, J. (2024). Ultralytics YOLO (Version v8.2.95) [Computer software]. Zenodo. https://doi.org/10.5281/zenodo.13769834
Khrisne, D. C., & Suyadnya, I. M. A. (2018). Indonesian herbs and spices recognition using smaller VGGNet-like network. In Proceedings of the International Conference on Smart Green Technology in Electrical and Information Systems (ICSGTEIS). (pp. 221–224). IEEE. https://doi.org/10.1109/ICSGTEIS.2018.8709135
Mettripun, N. (2020). Thai herb leaves classification based on properties of image regions. In Proceedings of the 59th Annual Conference of the Society of Instrument and Control Engineers of Japan (SICE). (pp. 372–377). IEEE. https://doi.org/10.23919/SICE48898.2020.9240256
Mia, J., Bijoy, H. I., Uddin, S., & Raza, D. M. (2021). Real-time herb leaves localization and classification using YOLO. In Proceedings of the 12th International Conference on Computing Communication and Networking Technologies (ICCCNT). (pp. 1–7). IEEE. https://doi.org/10.1109/ICCCNT51525.2021.9579718
Royal Botanic Gardens Kew. (2025). Plantago major L. Plants of the World Online. https://powo.science.kew.org/taxon/urn:lsid:ipni.org:names:321286-2
Senevirathne, L. P. D. S., Pathirana, D. P. D. S., Silva, A. L., Dissanayaka, M. G. S. R., Nawinna, D. P., & Ganegoda, D. (2020). Mobile-based assistive tool to identify and learn medicinal herbs. In Proceedings of the 2nd International Conference on Advancements in Computing (ICAC). (pp. 97–102). IEEE. https://doi.org/10.1109/ICAC51239.2020.9357247
Upadhyay, A., Chandel, N. S., Singh, K. P., Chakraborty, S. K., Nandede, B. M., Kumar, M., Subeesh, A., Upendar, K., Salem, A., & Elbeltagi, A. (2025). Deep learning and computer vision in plant disease detection: A comprehensive review of techniques, models, and trends in precision agriculture. Artificial Intelligence Review, 58, 92. https://doi.org/10.1007/s10462-024-11100-x
Wang, S., Xu, D., Liang, H., Bai, Y., Li, X., Zhou, J., Su, C., & Wei, W. (2025). Advances in deep learning applications for plant disease and pest detection: A review. Remote Sensing, 17(4), 698. https://doi.org/10.3390/rs17040698
Wang, X., & Liu, J. (2024). Vegetable disease detection using an improved YOLOv8 algorithm in the greenhouse plant environment. Scientific Reports, 14, 4261. https://doi.org/10.1038/s41598-024-54540-9
World Flora Online Consortium. (2025). Plantago major L. World Flora Online. https://www.worldfloraonline.org/taxon/wfo-0000486544
Yan, B., Fan, P., Wang, M., Shi, P., Wei, Y., & Zhang, Y. (2024). YOLOv8-RBean: Runner Bean Leaf Disease Detection Model Based on YOLOv8. Agronomy, 15(4), 944. https://doi.org/10.3390/agronomy15040944
ดาวน์โหลด
เผยแพร่แล้ว
รูปแบบการอ้างอิง
ฉบับ
ประเภทบทความ
สัญญาอนุญาต
ลิขสิทธิ์ (c) 2026 วารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน
อนุญาตภายใต้เงื่อนไข Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
1. บทความ ข้อมูล เนื้อหา รูปภาพฯลฯ ที่ได้รับการตีพิมพ์ใน “วารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน” ถือเป็นลิขสิทธิ์ของวารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน มหาวิทยาลัยราชภัฏเชียงใหม่ หากบุคคลหรือหน่วยงานใดต้องการนำทั้งหมดหรือส่วนหนึ่งส่วนใดไปเผยแพร่ต่อหรือกระทำการใดๆ จะต้องได้รับอนุญาตเป็นลายลักษณ์อักษรจาก วารสารวิทยาศาสตร์และเทคโนโลยีสู่ชุมชน มหาวิทยาลัยราชภัฏเชียงใหม่
2. เนื้อหาบทความที่ปรากฏในวารสารเป็นความรับผิดชอบของผู้เขียนบทความโดยตรง ซึ่งกองบรรณาธิการวารสารไม่จำเป็นต้องเห็นด้วยหรือร่วมรับผิดชอบใดๆ
