บริการ
TH
EN
TH
CN

การพัฒนากระบวนการจำแนกโรคข้าวด้วย AI

ข้าวถือเป็นพืชเศรษฐกิจที่มีความสำคัญในฐานะพืชที่สร้างรายได้ให้แก่เกษตรกรและประเทศมาอย่างยาวนาน และหล่อหลอมจนกลายเป็นส่วนหนึ่งของวัฒนธรรมความเป็นอยู่ของไทยอย่างกลมกลืน อีกทั้งยังเป็นพืชที่แสดงถึงความมั่นคงทางอาหาร ตามเป้าหมายการพัฒนาที่ยั่งยืน (Sustainable Development Goals : SDGs) โดยข้าวถูกจัดลำดับให้เป็นเป้าหมายลำดับที่สองของเป้าหมายของการพัฒนาที่ยั่งยืน เพื่อขจัดความหิวโหย บรรลุความมั่นคงทางอาหาร ส่งเสริมเกษตรกรรมอย่างยั่งยืน แต่ในช่วงทศวรรษที่ผ่านมา พบการระบาดของโรคในข้าวมีแนวโน้มสูงขึ้นสร้างความเสียหายเป็นวงกว้างต่อผลผลิตและคุณภาพของข้าว ที่ส่งผลกระทบต่อการบริโภคและการส่งออก นอกจากนั้นโรคข้าวยังมีหลายโรค สามารถระบาดได้อย่างรวดเร็วและเกิดขึ้นได้หลายพื้นที่ ซึ่งการตรวจโรคข้าวด้วยตัวเกษตรกรเองทำได้ยาก จึงจำเป็นต้องอาศัยเครื่องมือ เทคโนโลยีและผู้เชี่ยวชาญ ในการแก้ไขปัญหาที่เกิดขึ้น

หนึ่งในแนวทางที่จะช่วยให้อุตสาหกรรมการเกษตรของประเทศไทยเติบโตอย่างยั่งยืนคือการประยุกต์ใช้เทคโนโลยีที่ทันสมัย ที่สามารถวิเคราะห์และคาดการณ์ล่วงหน้าได้อย่างแม่นยำและรวดเร็วเพื่อเพิ่มพูนประสิทธิผล และป้องกันโรค โดยเฉพาะโรคในข้าว ที่มีหลายสาเหตุ โดยแยกออกเป็น 2 ประเภทหลักๆ คือ 1. โรคจากเชื้อรา หรือเชื้อแบคทีเรีย และ 2. โรคที่ไม่ได้เกิดจากเชื้อรา หรือเชื้อแบคทีเรีย โดยสามารถสรุปได้ดังนี้

ตารางที่ 1 สาเหตุของโรคข้าว

ตารางที่ 1 สาเหตุของโรคข้าว

ที่มาข้อมูล กรมการข้าว ricethailand.go.th

จากจำนวนโรคในข้าวที่หลากหลาย ทำให้เกษตรกรไม่สามารถทราบถึงโรคข้าวที่เกิดขึ้นได้อย่างแน่ชัด จึงทำให้มีการพัฒนาเทคโนโลยีการตรวจโรคข้าวเบื้องต้นด้วยแพลตฟอร์มที่เป็นการประยุกต์ใช้ความรู้ในด้านปัญญาประดิษฐ์ (Artificial Intelligence: AI) มาช่วยในการวินิจฉัยโรคในข้าว โดย AI จะใช้การประมวลผลจากภาพถ่าย เพื่อสร้างแบบจำลองในการจำแนกภาพใบข้าวและระบุโรค

โดย AI จะปรับความคมชัดของภาพ และปรับภาพให้เป็นภาพระดับสีเทาก่อนที่จะประมวลผล ซึ่งเทคนิคที่เป็นที่นิยมในปัจจุบันคือ Convolution Neural Network หรือ (CNN) ซึ่งมีการทำงานคล้ายคลึงกับระบบประสาทการมองเห็นของมนุษย์ ซึ่งหลักการทำงานของ CNN จะดึงความเข้มของระดับสีเทาในแต่ละชั้นของภาพเพื่อให้สามารถระบุระดับความเข้มของสีเทาที่โดดเด่นของภาพ และนำมาเปรียบเทียบกับข้อมูลในระบบว่า ข้อมูลรูปภาพที่ได้ใกล้เคียงกับข้อมูลภาพของโรคในข้าวโรคใด โดยจะเทียบเป็นค่าความใกล้เคียงร้อยละความคล้ายจากระดับความเข้มของสีเทา ดังที่ปรากฎในภาพด้านล่าง

การจำลองทำงานของ Convolution Neural Network (CNN)

รูปที่ 1 การจำลองทำงานของ Convolution Neural Network (CNN)

ผลลัพธ์ที่ได้จะเรียกว่าโมเดล ซึ่งพบว่ามีผลการทดลองค่าความถูกต้องในการทำนายโรคข้าวมากกว่าร้อยละ 90 ดังนั้นแบบจำลอง CNN จึงเป็นหนึ่งในเทคนิคการจำแนกโรคในข้าวที่มีประสิทธิภาพสูง และสามารถนำไปใช้ในทางปฏิบัติได้

ในปัจจุบันได้มีการนำองค์ความรู้ที่ได้จากงานวิจัยมาพัฒนาแพลตฟอร์ม หรือแอปพลิเคชัน ที่นำหลักการของ CNN มาจำแนกและระบุโรคข้าว ตัวอย่างเช่น แพลตฟอร์มไรซ์ไดแอก (RiceDiag) ซึ่งเป็นแพลตฟอร์มจำลองที่ใช้ในการวินิจฉัยจำแนกโรคข้าว โดยใช้เทคนิคการเรียนรู้ของ AI ประมวลผลได้อย่างแม่นยำ รวดเร็ว และสามารถจำแนกโรคในข้าวโดยใช้เพียงภาพถ่ายจากสมาร์ตโฟน และโพสต์ลง RiceDiag เพื่อรับข้อมูลที่วิเคราะห์และประมวลผลได้ทันทีดังรูปด้านล่าง

วิธีการใช้งานจำแนกและระบุโรคข้าวด้วยแอปพลิเคชันของสมาร์ตโฟน

รูปที่ 2 วิธีการใช้งานจำแนกและระบุโรคข้าวด้วยแอปพลิเคชันของสมาร์ตโฟน sites.google.com/site/sc431137/leading-asia-scholarship-2022

รูปหน้าจอแอพพลิเคชั่นผลลัพธ์ของกระบวนการจำแนกโรคข้าวโดยใช้เทคนิคการเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์

รูปที่ 3 รูปหน้าจอแอพพลิเคชั่นผลลัพธ์ของกระบวนการจำแนกโรคข้าวโดยใช้เทคนิคการเรียนรู้ของเครื่องจักรและปัญญาประดิษฐ์ sites.google.com/site/sc431137/leading-asia-scholarship-2022

ซึ่งเกษตรกรหรือผู้ใช้งานสามารถนำไปใช้ตรวจสอบโรคข้าวเบื้องต้นได้อย่างรวดเร็ว แทนผู้เชี่ยวชาญที่เป็นมนุษย์ ทำให้เกษตรกรสามารถลดความเสียหายหรือหลีกเลี่ยงปัญหาที่อาจจะเกิดขึ้นในช่วงการเพาะปลูกของเกษตรกร ซึ่งจะเป็นประโยชน์ในการบริหารจัดการการเพาะปลูกข้าวของเกษตรกรได้ด้วยตนเอง

จะเห็นได้ว่าการนำความสามารถของ AI มาประยุกต์ใช้ในภาคเกษตร สามารถช่วยให้เกษตรกรสามารถหลีกเลี่ยงความเสียหายที่อาจจะเกิดขึ้นกับผลผลิตและคุณภาพของพืชที่ปลูกได้ ดังนั้นถ้าผู้มีส่วนได้ส่วนเสีย อย่างเช่น หน่วยงานของรัฐ หรือ depa ที่มีบทบาทสำคัญในการส่งเสริมและสนับสนุนเศรษฐกิจดิจิทัลและการประยุกต์ใช้เทคโนโลยี จะสามารถต่อยอดองค์ความรู้ที่มีอยู่เดิมให้มีประสิทธิภาพและสามารถใช้งานได้สะดวกมากยิ่งขึ้น ผ่านการศึกษาวิจัยเฉพาะหรือการพัฒนาเทคนิค CNN ให้มีประสิทธิภาพความแม่นยำมากยิ่งขึ้นหรือแม้แต่การวิจัยทดลองหาเทคนิคใหม่ๆ ที่ดียิ่งขึ้นกว่าเดิม นอกจากนั้นควรมีการเพิ่มฐานข้อมูลหรือปรับปรุงชุดข้อมูลขนาดใหญ่อยู่ตลอดเวลาเพื่อให้แพลตฟอร์มสามารถใช้ตรวจสอบโรคพืชอื่นๆ ได้และข้อมูลที่ถูกใช้เปรียบเทียบในการตรวจสอบยังเป็นข้อมูลที่เป็นปัจจุบัน ทั้งนี้ที่จะขาดไปไม่ได้เลยคือการทำงานร่วมกันระหว่างหน่วยงานทั้งภาครัฐและเอกชนที่มีการพัฒนาในประเด็นนี้อยู่ อย่างเช่น ศูนย์เทคโนโลยีอิเล็กทรอนิกส์และคอมพิวเตอร์แห่งชาติ (Nectec) เพื่อให้เกิดการแลกเปลี่ยนข้อมูลและองค์ความรู้ที่จำเป็น ที่จะนำไปสู่การได้มาซึ่งผลลัพธ์ที่ดีที่สุดเพื่อใช้ในการเผยแพร่และถ่ายถอดต่อไป ซึ่งจะมีส่วนช่วยผลักดันให้เกิดการนำไปใช้อย่างแพร่หลาย และช่วยให้เกษตรกรไทยสามารถแก้ไขปัญหาเฉพาะหน้าได้อย่างทันท่วงที และสามารถลดผลกระทบที่อาจจะเกิดขึ้นในอนาคตได้ ซึ่งจะเป็นการดำเนินการที่สอดคล้องกับการพัฒนาที่ยั่งยืน (Sustainable Development Goals : SDGs) ของประเทศและของโลกอีกด้วย

เจนกิจ โชติโก

ฝ่ายส่งเสริมและสนับสนุนการพัฒนาการเกษตรสมัยใหม่

สำนักงานส่งเสริมเศรษฐกิจดิจิทัล

เอกสารอ้างอิง

  • Ahmed, K., Shahidi, T. R., Alam, S. M. I., & Momen, S. (2019). Rice leaf disease detection using machine learning techniques. 2019 International Conference on Sustainable Technologies for Industry 4.0 (STI), 1–5.
  • Disthaporn, S. (1994). Current rice blast epidemics and their management in Thailand. Rice Blast Disease, 333–342. Kaundal, R., Kapoor, A. S., & Raghava, G. P. (2006). Machine learning techniques in disease forecasting: A case study on rice blast prediction. BMC Bioinformatics, 7(1), 1–16.
  • Kongcharoen, N., Kaewsalong, N., & Dethoup, T. (2020). Efficacy of fungicides in controlling rice blast and dirty panicle diseases in Thailand. Scientific Reports, 10(1), 1–7.
  • Koonsanit K. (2021). RiceDiag: Rice leaf disease detection using machine learning techniques 2021 TSAJ Fesival 2021: Idea Talk, https://sites.google.com/site/sc431137/leading-asia-scholarship-2022
  • Latif, G.; Abdelhamid, S.E.; Mallouhy, R.E.; Alghazo, J.; Kazimi, Z.A. Deep Learning Utilization in Agriculture: Detection of Rice Plant Diseases Using an Improved CNN Model. Plants 2022, 11, 2230.
  • Lu, Y., Yi, S., Zeng, N., Liu, Y., & Zhang, Y. (2017). Identification of rice diseases using deep convolutional neural networks. Neurocomputing, 267, 378–384.
  • Nettleton, D. F., Katsantonis, D., Kalaitzidis, A., Sarafijanovic-Djukic, N., Puigdollers, P., & Confalonieri, R. (2019). Predicting rice blast disease: Machine learning versus process-based models. BMC Bioinformatics, 20(1), 1–16.
  • Patel, B., & Sharaff, A. (2021). Rice crop disease prediction using machine learning technique. International Journal of Agricultural and Environmental Information Systems (IJAEIS), 12(4), 1–15.
  • Rahman, C. R., Arko, P. S., Ali, M. E., Iqbal Khan, M. A., Apon, S. H., Nowrin, F., & Wasif, A. (2020). Identification and recognition of rice diseases and pests using convolutional neural networks. Biosystems Engineering, 194, 112–120.
  • Ramesh, S., & Vydeki, D. (2019). Application of machine learning in detection of blast disease in South Indian rice crops. J. Phytol, 11(1), 31–37.
  • Shrivastava, V. K., & Pradhan, M. K. (2021). Rice plant disease classification using color features: A machine learning paradigm. Journal of Plant Pathology, 103(1), 17–26.
  • Supot Kasem. (n.d.). Biological control and plant production and safety (pp. 13–21). Kasetsart University. Retrieved 7 September 2022, from https://kukr.lib.ku.ac.th/kukr_es/index.php?/BKN/search_detail/result/353817
  • Varian, H. (2016). Intelligent technology: As digital applications encroach on various aspects of daily life, the impact on the economy will help us live smarter and better. Finance & Development, 53(003).
  • Wattanapayapkul, W., Polthanee, A., Siri, B., Bhadalung, N. N., & Promkhambut, A. (2011). Effects of silicon in suppressing blast disease and increasing grain yield of organic rice in Northeast Thailand. Asian Journal of Plant Pathology, 5(4), 134–145.