งานพัฒนาระบบจำแนกช่วงน้ำหนักปลานิลแดงจากภาพโดรนโดยผสาน CNN หรือ EfficientNet-B0 กับ XGBoost ภาพขนาดพื้นที่ 5×5 เมตรที่คงบริบทกระชังทำให้ CNN-XGBoost ได้ความแม่นยำเฉลี่ย 98.8% และประมวลผลเร็วกว่า EfficientNet มาก ส่วนภาพ 2×2 เมตรที่มีบริบทน้อย EfficientNet-XGBoost ทำได้ดีกว่าที่ 90.0% ผลยังต้องทดสอบข้ามฟาร์ม ฤดูกาล และสภาพน้ำ
ข้อค้นพบสำคัญ
- ที่ 5×5 เมตร CNN-XGBoost ให้ความแม่นยำ 0.988 ± 0.008 ที่ 20 tuning units เทียบกับ EfficientNet-XGBoost 0.977 ± 0.021 ที่ 40 units เวลาเฉลี่ยต่อภาพต่างกันมากคือ 0.038 ± 0.001 วินาทีกับ 65.007 ± 6.141 วินาที ที่ 2×2 เมตร EfficientNet-XGBoost ได้ 0.900 ± 0.010 ที่ 30 units สูงกว่า CNN-XGBoost 0.850 ± 0.022 ที่ 50 units
ทำไมจึงมีความสำคัญระดับโลก
การประเมินขนาดปลาแบบไม่จับอาจลดแรงงาน ความเครียดของปลา และช่วยวางแผนอาหารหรือเก็บเกี่ยวในเพาะเลี้ยงสัตว์น้ำทั่วโลก ระบบเร็วบนภาพกว้างมีศักยภาพใช้งานหน้างาน แต่ต้องเชื่อมกับความคลาดเคลื่อนน้ำหนัก ผลตอบแทน และการตัดสินใจฟาร์มจริง
บทบาทของนักวิจัยไทย
ทีมคณะประมงมหาวิทยาลัยเกษตรศาสตร์พัฒนากรอบ AI จากโจทย์ปลานิลแดงในระบบกระชัง เชื่อมความเชี่ยวชาญประมง การจัดการเพาะเลี้ยง ภาพโดรน และ machine learning
ข้อจำกัดที่ควรรู้
บทคัดย่อไม่ระบุจำนวนภาพ จำนวนฟาร์ม การแบ่งชุดข้อมูล และวิธีได้ป้ายช่วงน้ำหนักอย่างละเอียด จึงยังประเมิน data leakage และความเป็นอิสระของชุดทดสอบไม่ได้ Accuracy แบบจำแนกช่วงไม่บอกความคลาดเคลื่อนเป็นกรัม และสภาพแสง ความขุ่น คลื่น ความหนาแน่นปลา และชนิดกระชังอาจลดผลเมื่อย้ายพื้นที่