การตรวจจับดอกและฝักถั่วเหลืองในไร่ด้วยวิธี YOLOv8-VEW ที่ได้รับการปรับปรุง
ถั่วเหลือง เป็นพืชเศรษฐกิจที่สำคัญของโลก เป็นแหล่งโปรตีนหลักและน้ำมันพืช การตรวจสอบการเจริญเติบโตของถั่วเหลือง รวมถึงจำนวนดอกและฝัก จึงเป็นสิ่งจำเป็นสำหรับการประเมินผลผลิต งานวิจัยนี้ นำเสนอวิธีการใหม่ในการตรวจจับดอกและฝักถั่วเหลืองในไร่โดยใช้เทคนิคการเรียนรู้เชิงลึก โดยใช้แบบจำลอง YOLOv8-VEW ซึ่งเป็นแบบจำลองการตรวจจับวัตถุที่ทันสมัย
วิธีการ YOLOv8-VEW
YOLOv8-VEW ย่อมาจาก "You Only Look Once version 8 - Vision Transformer with Enhanced Weighting" เป็นแบบจำลองการตรวจจับวัตถุที่พัฒนาต่อยอดจาก YOLO เวอร์ชันก่อนหน้า โดยเพิ่มประสิทธิภาพในการตรวจจับวัตถุขนาดเล็ก และวัตถุที่มีลักษณะคล้ายคลึงกัน
- Vision Transformer: ใช้ Vision Transformer (ViT) ในการดึงคุณลักษณะของภาพ ทำให้สามารถจับรายละเอียดของภาพได้ดีขึ้น
- Enhanced Weighting: ปรับปรุงกลไกการให้น้ำหนัก (weighting) ในแบบจำลอง ทำให้สามารถระบุตำแหน่งและขนาดของวัตถุได้แม่นยำยิ่งขึ้น
การทดลองและผลลัพธ์
ในการทดลอง นักวิจัยได้ทำการทดสอบแบบจำลอง YOLOv8-VEW กับชุดข้อมูลภาพถ่ายถั่วเหลืองในไร่ ซึ่งประกอบด้วยภาพดอกและฝักถั่วเหลืองจำนวนมาก แบบจำลองได้รับการฝึกฝนให้สามารถตรวจจับดอกและฝักได้อย่างแม่นยำ แม้ในสภาพแสงที่แตกต่างกันและมุมกล้องที่หลากหลาย
| แบบจำลอง | ความแม่นยำ (mAP) |
|---|---|
| YOLOv8 | 92.5% |
| YOLOv8-VEW | 95.2% |
จากตาราง ผลการทดลองแสดงให้เห็นว่าแบบจำลอง YOLOv8-VEW มีความแม่นยำในการตรวจจับสูงถึง 95.2% ซึ่งสูงกว่าแบบจำลอง YOLOv8 พื้นฐานอย่างมีนัยสำคัญ นี่แสดงให้เห็นถึงประสิทธิภาพของ ViT และกลไก Enhanced Weighting ในการปรับปรุงความสามารถในการตรวจจับวัตถุ
Fun Fact
ทราบหรือไม่ว่า ถั่วเหลืองหนึ่งต้น สามารถผลิตดอกได้มากถึง 50-100 ดอก แต่จะมีเพียงประมาณ 20-40% ของดอกเหล่านี้เท่านั้นที่พัฒนาเป็นฝักที่สมบูรณ์
สรุป
งานวิจัยนี้นำเสนอวิธีการใหม่ในการตรวจจับดอกและฝักถั่วเหลืองในไร่โดยใช้แบบจำลอง YOLOv8-VEW ผลการทดลองแสดงให้เห็นถึงประสิทธิภาพของแบบจำลองในการตรวจจับวัตถุที่มีความแม่นยำสูง ซึ่งสามารถนำไปประยุกต์ใช้ในการประเมินผลผลิต การตรวจสอบสุขภาพของพืช และการจัดการแปลงปลูกแบบแม่นยำสูง (precision agriculture) ได้
#ถั่วเหลือง #YOLOv8 #AI #การเกษตร
บทความ
