เซนเซอร์กับการเจริญเติบโตพืช

เซนเซอร์กับการเจริญเติบโตพืช

เทคโนโลยีการประเมินการเจริญเติบโตพืช เพื่อหาสุขภาพพืช เช่น การขาดน้ำ อุณหภมิสูง การขาดธาตุอาหาร การติดตามแมลง โรคพืช เพื่อตัดสินใจในการดูแลต้นพืช โดยใช้ remote sensing

1.Passive : multispectral, hyperspectral

2.Active : radar and LiDAR

การติตตามลายพิมพ์ด้านพืชโดยใช้ความยาวคลื่นในการวิเคราะห์การเจริญเติบโตพืช ชนิดพืช สุขภาพพืช

การดูการเจริญเติบโตพืช ใช้ Light detection and ranging (LiDAR, active) Digital Aerial Photogrammetry (DAP,passive)

https://youtu.be/3iaFzafWJQE

https://youtu.be/EYbhNSUnIdU

 

case : การพัฒนาระบบ AI ตรวจจับโรคพืชในผักสลัด การวิเคราะห์ชี้ให้เห็นถึงโอกาสสำคัญในการลดต้นทุนแรงงานในการตรวจสอบพืช ซึ่งปัจจุบันเป็นต้นทุนอันดับหนึ่ง โดยการพัฒนาประสิทธิภาพของเทคโนโลยี AI ที่มีอยู่เข้ามาช่วย อย่างไรก็ตาม ความแม่นยำของ AI ในปัจจุบันยังอยู่ที่ 50% ซึ่งยังไม่เพียงพอที่จะเข้ามาทดแทนกระบวนการเดิมได้อย่างสมบูรณ์และลดปรับปรุงกระบวนการได้อย่างรวดเร็วความเสี่ยงการเกิดปัญหาของพืชได้อย่างมีนัยสำคัญ

ข้อมูลสำคัญ

การใช้ AI เป็นโอกาสสำคัญในการลดต้นทุน แต่ยังมีช่องว่างด้านประสิทธิภาพที่ต้องพัฒนา

• ปัจจุบัน ต้นทุนแรงงานสำหรับการตรวจสอบพืชด้วยคน (manual inspection) คิดเป็นสัดส่วนสูงถึง 20-25% ซึ่งนับเป็นต้นทุนอันดับหนึ่งในการดำเนินงาน
• มีการคาดการณ์ว่าการนำเทคโนโลยีเข้ามาช่วยจะสามารถลดต้นทุนการผลิตโดยรวมได้ประมาณ 10% ซึ่งส่วนใหญ่มาจากการลดต้นทุนแรงงานในส่วนนี้
• อย่างไรก็ตาม ผลการทดสอบเบื้องต้นพบว่า AI ที่ใช้ในการตรวจอาการทางสุขภาพของพืชมีความแม่นยำเพียง 50% ซึ่งจำเป็นต้องได้รับการพัฒนาเพิ่มเติมเพื่อให้สามารถนำมาใช้งานจริงได้อย่างมีประสิทธิภาพ

ลักษณะของพืชที่ศึกษามีความเสี่ยงต่อปัญหาเฉพาะทางและมีวงจรการเติบโตที่รวดเร็ว

• พืชที่ทำการศึกษามีความเสี่ยงในการเกิดปัญหาอยู่ที่ 10-30% โดยปัญหาส่วนใหญ่ที่พบคืออาการขอบใบไหม้ (tip burn)
• รอบการเจริญเติบโตของพืชชนิดนี้ค่อนข้างสั้น โดยใช้เวลาเพียง 30-45 วัน ซึ่งถือว่าเป็นข้อดีที่ทำให้สามารถเก็บข้อมูลและทดลองซ้ำเพื่อ

วัตถุประสงค์

• การพัฒนาระบบ AI เพื่อตรวจจับโรคพืชและติดตามการเจริญเติบโต โดยเน้นตรวจพบอาการเริ่มต้นเพื่อลดความเสียหาย
• การวิจัยเบื้องต้น: พบว่าปัญหาหลักคืออาการ “ทิปเบิร์น” (Tip burn) ซึ่งมีโอกาสเกิดสูง
• การทำงานของระบบ: แจ้งเตือนผ่าน Dashboard เมื่อตรวจพบความผิดปกติ พร้อมเฝ้าระวังตลอด 24 ชั่วโมง

ส่วนประกอบทางเทคนิคและฮาร์ดแวร์

• เซ็นเซอร์:
  • BBS 1750: วัดความสว่าง
  • BST 22 (น่าจะหมายถึง BME280 หรือ DHT22): วัดอุณหภูมิและความชื้น
• หน่วยประมวลผลและการถ่ายภาพ:
  • ESP32: รับข้อมูลจากเซ็นเซอร์และส่งไปยังเซิร์ฟเวอร์
  • ESP32 Camera: ถ่ายภาพพืชเพื่อวิเคราะห์
• โครงสร้าง: แยกส่วนกล้อง เซ็นเซอร์ และตัวส่งสัญญาณ IoT เพื่อความยืดหยุ่นในการติดตั้ง
• การส่งข้อมูล: ส่งข้อมูลเซ็นเซอร์และภาพไปยัง Backend เพื่อประมวลผลและอัปเดตสถานะบน Dashboard ผ่าน Cloudflare

การพัฒนาโมเดล AI และการประมวลผลข้อมูล

• การประมวลผลภาพเบื้องต้น (Pre-processing):
  • ทำ Image Segmentation แยกพืชออกจากพื้นหลัง
  • จัดการปัญหาแสงเงาและพื้นหลังสีน้ำตาล
• การพัฒนาโมเดล:
  • พัฒนาโมเดลตรวจจับโรคพืชและประเมินระยะการเจริญเติบโต
  • ทำ Instruction Tuning และ Fine-tuning ด้วยข้อมูลจริงที่เก็บรวบรวม
• ผลการทดสอบเบื้องต้น: โมเดลทำนายอาการสุขภาพพืช (เช่น ผักสลัดโอ๊ค) ถูกต้องประมาณ 50%
• ฟังก์ชันเพิ่มเติม: มี AI แนะนำการปลูกและแนวทางแก้ปัญหาเมื่อผู้ใช้ต้องการ

ผลกระทบทางธุรกิจและข้อเสนอคุณค่า

• ปัญหาปัจจุบัน:
  • ความเสี่ยงเกิดโรคพืชประมาณ 10–30% โดยส่วนใหญ่คือทิปเบิร์น
  • ต้นทุนแรงงานตรวจสอบ (Manual Inspection) คิดเป็น 20–25% ของต้นทุนทั้งหมด
• ประโยชน์ของระบบ:
  • ลดการสูญเสียผลผลิตได้ 5%
  • ลดต้นทุนแรงงานได้ 10%
• นวัตกรรม: โครงสร้างระบบยืดหยุ่น ขยายการทำงานในอนาคตได้โดยไม่ต้องรื้อระบบ

การดำเนินการต่อไป

• พัฒนาโมเดล AI ให้แม่นยำขึ้นในการตรวจจับโรคและระยะการเจริญเติบโต

• นำข้อมูลจริงจากการทดลองปลูกมา Fine-tuning โมเดล

• พัฒนา Backend และ Dashboard ให้รองรับ Logic ของ AI และแสดงผลครบถ้วน

• ออกแบบและดำเนินการทดสอบภาคสนาม (pilot) พร้อมเก็บ feedback ผู้ใช้งานเป้าหมาย

• กำหนดแผนปรับปรุงความแม่นยำ (data strategy, augmentation, threshold/alert tuning) และตัวชี้วัดความสำเร็จ

Category: Sensor, เทคโนโลยีสมัยใหม่