การเปรียบเทียบประสิทธิภาพแบบจำลองการเรียนรู้เชิงลึก ประเภทโครงข่ายประสาทเทียม แบบคอนโวลูชัน สำหรับการจำแนกรูปภาพเหง้าพืชในวงศ์ขิง
Article Sidebar
Main Article Content
บทคัดย่อ
พืชสมุนไพรเป็นส่วนหนึ่งของการแพทย์แผนโบราณ มีการใช้รักษาโรค และเสริมสร้างสุขภาพมาหลายศตวรรษ แม้ว่าในปัจจุบัน ปัจจุบันพืชสมุนไพรยังคงมีบทบาทสำคัญ และมีการใช้อย่างแพร่หลาย ความท้าทายหนึ่งที่สำคัญ คือการจำแนกชนิดพืชสมุนไพร เนื่องจากพืชสมุนไพรบางชนิดมีลักษณะทางกายภาพคล้ายคลึงกันมาก อาจเกิดความผิดพลาดในกระบวนการจำแนกชนิดสมุนไพรได้ อาจส่งผลให้ผลิตภัณฑ์ที่แปรรูปจากพืชสมุนไพร ไม่มีสรรพคุณที่ต้องการ และอาจเป็นอันตรายต่อสุขภาพต่อผู้ใช้งาน การศึกษานี้มีวัตถุประสงค์ เพื่อศึกษาและเปรียบเทียบประสิทธิภาพของแบบจำลองการเรียนรู้เชิงลึก ประเภทโครงข่ายประสาทเทียมแบบคอนโวลูชัน 4 วิธี ได้แก่วิธี ResNet-50 วิธี VGG-19 วิธี DenseNet201 และ วิธี InceptionV3 สำหรับการจำแนกรูปภาพเหง้าสมุนไพร ในวงศ์ขิง 4 ชนิด เพื่อปรับแต่งพารามิเตอร์ให้มีความเหมาะสมและ ประเมินประสิทธิภาพของแบบจำลอง ผู้วิจัยรวบรวมข้อมูลรูปภาพสมุนไพรจำนวน 2,111 รูปภาพ
และเผยแพร่สาธารณะ ในการทดลองจำแนกชนิดพืชสมุนไพร ผู้วิจัยประยุกต์ใช้วิธี Augmentation เพื่อเพิ่มความหลากหลายให้กับชุดข้อมูลฝึกสอน หลังจากนั้น นำข้อมูลเข้าสู่กระบวนการฝึกสอน ในแบบจำลองการเรียนรู้เชิงลึก และปรับแต่งพารามิเตอร์เพื่อเพิ่มประสิทธิภาพของแบบจำลอง ผลการทดลองปรากฏว่าวิธี DenseNet201 ที่มีจำนวนรอบการฝึก 200 รอบ มีความแม่นยำสูงสุดเมื่อเปรียบเทียบกับแบบจำลองอื่น ๆ ที่ศึกษา ผลการทดลองแสดงให้เห็นว่าแบบจำลองที่พัฒนาขึ้น สามารถนำไปประยุกต์ใช้ในอุตสาหกรรมที่เกี่ยวข้องกับสมุนไพร ซึ่งจะช่วยยกระดับมาตรฐานผลิตภัณฑ์ได้อย่างมีประสิทธิภาพ
Downloads
Article Details
เอกสารอ้างอิง
Aakif, A., & Khan, M. F. (2015). Automatic classification of plants based on their leaves. Biosystems Engineering, 139, 66-75.
Alshammari, K., Alshammari, R., Alshammari, A., & Alkhudaydi, T. (2024). An improved pear disease classification approach using cycle generative adversarial network. Scientific Reports, 14(1), 6680.
Andradóttir, S. (2015). A Review of Random Search Methods. In M. C. Fu (Ed.). Handbook of Simulation Optimization (pp. 277-292). Springer New York.
Angkoso, C. V., Kusumaningsih, A., & Tjahyaningtijas. (2023). Automatic Recognition of Madurese Herbal Medicine Rhizome Images Using the Efficientnet Convolutional Neural Network. 2023 International Conference on Information Technology and Computing (ICITCOM) (pp. 313-317), 1-2 December 2023 at Yogyakarta, Indonesia.
Borkatulla, B., Ferdous, J., Uddin, A. H., & Mahmud, P. (2023). Bangladeshi medicinal plant dataset. Data in Brief, 48, 109211.
Cap, Q. H., Uga, H., Kagiwada, S., & Iyatomi, H. (2022). LeafGAN: An Effective Data Augmentation Method for Practical Plant Disease Diagnosis. IEEE Transactions on Automation Science and Engineering, 19(2), 1258-1267.
Chen, Y., Li, Y., & Zhang, S. (2023). Research on image recognition of three Fritillaria cirrhosa species based on deep learning. Scientific Reports, 13(1), 19486.
Espinoza, S., Aguilera, C., Rojas, L., & Campos, P. G. (2024). Analysis of Fruit Images With Deep Learning: A Systematic Literature Review and Future Directions. IEEE Access, 12, 3837-3859.
Falkner, S., Klein, A., & Hutter, F. (2018). BOHB: Robust and Efficient Hyperparameter Optimization at Scale. Proceedings of the 35th International Conference on Machine Learning, Proceedings of Machine Learning Research.
slam, M. T., Rahman, W., Hossain, M. S., Roksana, K., Domínguez Azpíroz, I., Martínez Diaz, R., Ashraf, I., & Samad, M. A. (2024). Medicinal Plant Classification Using Particle Swarm Optimized Cascaded Network. IEEE Access, 12, 42465-42478.
Islam, S., Ahmed, M. R., Islam, S., Rishad, M. M. A., Ahmed, S., Utshow, T. R., & Siam, M. I. (2023). BDMediLeaves: A leaf images dataset for Bangladeshi medicinal plants identification. Data in Brief, 50, 109488.
Ji, H., Liu, X., Wang, L., Fan, L., & Liu, S. (2024). Image Recognition of Chinese Herbal Medicine Using Adaptive Gamma Correction Based on Convolutional Neural Network. 2024 IEEE 13th Data Driven Control and Learning Systems Conference (DDCLS) (pp.1428-1433), 17-19 May 2024 at Kaifeng, China.
Kaur, R., Jain, M., McAdams, R. M., Sun, Y., Gupta, S., Mutharaju, R., & Singh, H. (2023). An Ontology and Rule-Based Clinical Decision Support System for Personalized Nutrition Recommendations in the Neonatal Intensive Care Unit. IEEE Access, 11, 142433-142446.
Liashchynskyi, P., & Liashchynskyi, P. (2019). Grid search, random search, genetic algorithm: a big comparison for NAS. arXiv preprint arXiv:1912.06059.
Liu, B., Tan, C., Li, S., He, J., & Wang, H. (2020). A Data Augmentation Method Based on Generative Adversarial Networks for Grape Leaf Disease Identification. IEEE Access, 8, 102188-102198.
Liu, Y., Roy, S. S., Nebie, R. H. C., Zhang, Y., & Nair, M. G. (2013). Functional Food Quality of Curcuma caesia, Curcuma zedoaria and Curcuma aeruginosa Endemic to Northeastern India. Plant Foods for Human Nutrition, 68(1), 72-77.
Mookdarsanit, L., & Mookdarsanit, P. (2022). Thai Herb Identification with Medicinal Properties Using Convolutional Neural Network. Suan Sunandha Science and Technology Journal, 6(2), 34-40.
Pacal, I., Kunduracioglu, I., Alma, M. H., Deveci, M., Kadry, S., Nedoma, J., Slany, V., & Martinek, R. (2024). A systematic review of deep learning techniques for plant diseases. Artificial Intelligence Review, 57(11), 304.
Panmuang, M., & Rodmorn, C. (2023). Herb Leaf Image Classification with Deep Convolutional Neural Networks. Science and Technology Nakhon Sawan Rajabhat University Journal, 15(22), 51-65.
Promkot, A. n. (2024). Efficiency of plant diseases classification by convolutional neural network with optimization algorithm and activation function. J ournal of Information Science and Technology, 14(1), 34-44.
Ragab, M., Katib, I., Sharaf, S. A., Assiri, F. Y., Hamed, D., & Al-Ghamdi, A. A. M. (2023). Self-Upgraded Cat Mouse Optimizer With Machine Learning Driven Lung Cancer Classification on Computed Tomography Imaging. IEEE Access, 11, 107972-107981.
Ruder, S. (2016). An overview of gradient descent optimization algorithms. arXiv preprint arXiv:1609.04747.
Sarma, P., Boruah, P. A., & Buragohain, R. (2023). MED 117: A dataset of medicinal plants mostly found in Assam with their leaf images, segmented leaf frames and name table. Data in Brief, 47, 108983.
Sellami, M., Slimeni, O., Pokrywka, A., Kuvačić, G., D Hayes, L., Milic, M., & Padulo, J. (2018). Herbal medicine for sports: a review. Journal of the International Society of Sports Nutrition, 15(1), 14.
Sharma, V., Chaurasia, K., & Bansal, A. (2024). Optimizing Species Recognition in Medicinal Plants: A Comprehensive Evaluation of Deep Learning Models. 2024 14th International Conference on Cloud Computing, Data Science & Engineering (Confluence) (pp. 738-743), 18-19 January 2024 at Noida, India.
Sharrab, Y., Al-Fraihat, D., Tarawneh, M., & Sharieh, A. (2023). Medicinal Plants Recognition Using Deep Learning. 2023 International Conference on Multimedia Computing, Networking and Applications (MCNA) (pp. 116-122), 19-22 June 2023 at Valencia, Spain.
Smith, S. P., Adam, M. T. P., Manning, G., Burrows, T., Collins, C., & Rollo, M. E. (2022). Food Volume Estimation by Integrating 3D Image Projection and Manual Wire Mesh Transformations. IEEE Access, 10, 48367-48378.
Soumya, T., Jayasree, P. R., & Manish Kumar, P. R. (2023). Zingiberaceae Plants: A Cornucopia of Promising Chemotherapeuticals for Cancer Cure. In K. Arunachalam, X. Yang, & S. Puthanpura Sasidharan (Eds.). Bioprospecting of Tropical Medicinal Plants (pp. 427-462). Springer Nature Switzerland.
Tan, J. W., Lim, K. M., & Lee, C. P. (2021). Herb Classification with Convolutional Neural Network. 2021 IEEE International Conference on Artificial Intelligence in Engineering and Technology (IICAIET) (pp. 1-4), 13-15 September. 2021 at Kota Kinabalu, Malaysia.
Tian, D., Zhou, C., Wang, Y., Zhang, R., & Yao, Y. (2024). NB-TCM-CHM: Image dataset of the Chinese herbal medicine fruits and its application in classification through deep learning. Data in Brief, 54, 110405.
Wang, H., Tan, X., Huang, Z., Pan, B., & Tian, J. (2020). Mining incomplete clinical data for the early assessment of Kawasaki disease based on feature clustering and convolutional neural networks. Artificial Intelligence in Medicine, 105, 101859.
Wang, W., Tian, W., Liao, W., Cai, B., & Li, B. (2021). Identifying Chinese Herbal Medicine by Image with Three Deep CNNs. Proceedings of the 5th International Conference on Control Engineering and Artificial Intelligence (pp. 1-8), 14 - 16 January 2021 at Sanya, China.
Yao, X., Wang, X., Wang, S.-H., & Zhang, Y.-D. (2022). A comprehensive survey on convolutional neural network in medical image analysis. Multimedia Tools and Applications, 81(29), 41361-41405.
Zhao, J., Almodfer, R., Wu, X., & Wang, X. (2023). A dataset of pomegranate growth stages for machine learning-based monitoring and analysis. Data in Brief, 50, 109468.
Zhao, Y., Chen, Z., Gao, X., Song, W., Xiong, Q., Hu, J., & Zhang, Z. (2022). Plant Disease Detection Using Generated Leaves Based on DoubleGAN. IEEE/ACM Transactions on Computational Biology and Bioinformatics, 19(3), 1817-1826.
Zhong, Y., Zhang, S., Liu, Z., Zhang, X., Mo, Z., Zhang, Y., Hu, H., Chen, W., & Qi, L. (2024). Unsupervised Fusion of Misaligned PAT and MRI Images via Mutually Reinforcing Cross-Modality Image Generation and Registration. IEEE Transactions on Medical Imaging, 43(5), 1702-1714.
Zhu, H., Liu, Q., Qi, Y., Huang, X., Jiang, F., & Zhang, S. (2018). P lant identification based on very deep convolutional neural networks. Multimedia Tools and Applications, 77(22), 29779-29797.
