เจ้าของนวัตกรรม
นาย รวีโรจน์ แสงสิทธิ์
นักศึกษา
Details
การประเมินผลผลิตของผลมะม่วง และพฤติกรรมของผู้บริโภคที่มีความตระหนักถึงที่มาของผลผลิตมากยิ่งขึ้น ต้องการตรวจสอบย้อนกลับถึงที่มาของผลผลิตว่าผลผลิตนั้นๆได้รับการดูแลมาอย่างไรผ่านการระบุตำแหน่งของผลนั้นๆ ความเกี่ยวเนื่องกันถึงลักษะของผลผลิตที่เป็นผลมาจากวิธีการดูแลผลหรือต้นของผลผลิตในขณะที่ยังไม่ถูกเก็บเกี่ยว ดังนั้นเพื่อสร้างแบบจำลองที่สามารถตรวจจับและระบุตำแหน่งของผลมะม่วง โดยใช้ภาพถ่าย 2 มิติ ด้วยวิธีการ Deep Learning Model และเพื่อศึกษาเทคนิคการระบุพิกัดของผลมะม่วงในโลกจริงจากภาพภาพ 2 มิติ มีการใช้โมเดล YOLOv8 เพื่อ Object detection ร่วมกับเทคนิคการสอบเทียบกล้อง (Camera Calibration) และ Triangulation เพื่อหาตำแหน่ง 3 มิติ ของผลมะม่วงในภาพที่ถูกตรวจจับได้ จากการทำการทดลองหาตำแหน่งทั้งหมด 125 ครั้ง ที่มีการสุ่มค่าตำแหน่งของผลมะม่วง และตำแหน่งของกล้องที่มีมุม Yaw และ Pitch ที่แตกต่างกัน โดยการใช้ค่า Parameter จากรูปที่ถ่ายถัดไปมาเปรียบเทียบกันเพื่อหาตำแหน่งจริง 3 มิติ ที่ได้ผลความถูกต้องที่..... จากการใช้โมเดล YOLOv8 ที่มีค่าทำนาย Precision, Recall, mAP50, mAP50-95 และ F1-Score ได้แก่ 0.928, 0.901, 0.965, 0.785 และ 0.914 ตามลำดับ ซึ่งมีความแม่นยำที่มากพอเพื่อทำนายตำแหน่งของผลมะม่วงที่มีความคลาดเคลื่อนประมาณ 38 เซนติเมตร
ดังนั้นเพื่อสร้างแบบจำลองที่สามารถตรวจจับและระบุตำแหน่งของผลมะม่วง โดยใช้ภาพถ่าย 2 มิติ ด้วยวิธีการ Deep Learning Model และเพื่อศึกษาเทคนิคการระบุพิกัดของผลมะม่วงในโลกจริงจากภาพภาพ 2 มิติ มีการใช้โมเดล YOLOv8 เพื่อ Object detection ร่วมกับเทคนิคการสอบเทียบกล้อง (Camera Calibration) และ Triangulation เพื่อหาตำแหน่ง 3 มิติ ของผลมะม่วงในภาพที่ถูกตรวจจับได้ จากการทำการทดลองหาตำแหน่งทั้งหมด 125 ครั้ง ที่มีการสุ่มค่าตำแหน่งของผลมะม่วง และตำแหน่งของกล้องที่มีมุม Yaw และ Pitch ที่แตกต่างกัน โดยการใช้ค่า Parameter จากรูปที่ถ่ายถัดไปมาเปรียบเทียบกันเพื่อหาตำแหน่งจริง 3 มิติ ที่ได้ผลความถูกต้องที่..... จากการใช้โมเดล YOLOv8 ที่มีค่าทำนาย Precision, Recall, mAP50, mAP50-95 และ F1-Score ได้แก่ 0.928, 0.901, 0.965, 0.785 และ 0.914 ตามลำดับ ซึ่งมีความแม่นยำที่มากพอเพื่อทำนายตำแหน่งของผลมะม่วงที่มีความคลาดเคลื่อนประมาณ 38 เซนติเมตร
Objective
1. เพื่อสร้างแบบจำลองที่สามารถตรวจจับและระบุตำแหน่งของผลมะม่วง โดยใช้ภาพถ่าย 2 มิติ ด้วยวิธีการ Deep Learning Model 2. เพื่อศึกษาเทคนิคการระบุพิกัดของผลมะม่วงในโลกจริงจากภาพภาพ 2 มิติ
ในปัจจุบัน เทคโนโลยีทางการเกษตรได้รับการพัฒนาอย่างต่อเนื่อง เพื่อเพิ่มประสิทธิภาพในการผลิตและการจัดการผลผลิตอย่างแม่นยำ การตรวจจับตำแหน่งของผลผลิตในพื้นที่เกษตรกรรมถือเป็นหนึ่งในความท้าทายสำคัญที่นักวิจัยและผู้ประกอบการในอุตสาหกรรมเกษตรกรรมต้องการหาทางออก โดยเฉพาะการตรวจจับและการประเมินผลผลิตของผลมะม่วง ที่เป็นผลไม้ที่มีความสำคัญทางเศรษฐกิจในหลายประเทศ ซึ่งประเทศไทยเป็นหนึ่งในผู้ผลิตมะม่วงรายใหญ่ของโลก รวมถึงพฤติกรรมของผู้บริโภคที่มีความตระหนักถึงที่มาของผลผลิตมากยิ่งขึ้น ต้องการตรวจสอบย้อนกลับถึงที่มาของผลผลิตว่าผลผลิตนั้นๆได้รับการดูแลมาอย่างไรผ่านการระบุตำแหน่งของผลนั้นๆ ทั้งเป็นแหล่งข้อมูลที่บ่งบอกถึงลักษะของผลผลิตที่ได้มาได้ผ่านการดูแลรูปแบบใดในขณะที่ยังไม่ถูกเก็บเกี่ยว การพัฒนาเทคนิคในการหาตำแหน่งบนโลกจริง 3 มิติ ของมะม่วงจากข้อมูลภาพ 2 มิติ จึงเป็นเรื่องที่มีความสำคัญอย่างยิ่งในด้านการเกษตร เนื่องจากการตรวจจับและการประเมินผลผลิตในพื้นที่เกษตรกรรมเป็นขั้นตอนสำคัญในการจัดการและการเก็บเกี่ยวผลผลิต เทคนิคที่ใช้ในงานวิจัยนี้คือการผสมผสานระหว่างการสอบเทียบกล้อง (Camera Calibration) การตรวจจับวัตถุจากภาพ 2 มิติเพื่อคำนวณตำแหน่งในมิติ 3 มิติ โดยเทคนิค Triangulation และเทคโนโลยีการตรวจจับภาพที่มีความแม่นยำสูงอย่าง YOLOv8 มาใช้ ซึ่งเป็นโมเดลที่พัฒนาโดยใช้การเรียนรู้เชิงลึก (deep learning) ที่มีประสิทธิภาพในการตรวจจับวัตถุในภาพได้อย่างรวดเร็วและแม่นยำ ทั้งนี้ผู้จัดทำจึงมีแนวคิดที่ต้องการพัฒนาวิธีการหาตำแหน่งของผลมะม่วง เพื่อเพิ่มความสามารถในการประเมินผลผลิตทางการเกษตร ซึ่งเป็นปัจจัยสำคัญในการทำการเกษตรแบบเกษตรแม่นยำ (Precision Agriculture) การใช้เทคโนโลยีที่มีความแม่นยำสูงในการตรวจจับและประมวลผลข้อมูลภาพสามารถช่วยให้การจัดการผลผลิตในภาคเกษตรกรรมมีประสิทธิภาพมากขึ้น การรับรู้ข้อมูลของผลผลิต ลดความผิดพลาดในการประเมิน และความรวดเร็วในการจัดการ นอกจากนี้ยังสามารถนำไปประยุกต์ใช้ในการพัฒนาเทคโนโลยีใหม่ๆ ที่สามารถช่วยเพิ่มผลผลิตในภาคเกษตรกรรมและเสริมสร้างความยั่งยืนในอุตสาหกรรมเกษตรกรรมในอนาคต
โมเดลตรวจจับและระบุตำแหน่งจริงของผลมะม่วง 3 มิติได้จากการใช้ภาพถ่าย 2 มิติ