งานนี้แก้จุดอ่อนของ benchmark MangoLeafBD โดยตรวจภาพซ้ำและภาพใกล้เคียงก่อนแบ่งข้อมูลแบบ group-aware EfficientNetB0 ทำ accuracy และ weighted F1 99.50% บนชุดทดสอบ 599 ภาพ และ cross-validation แบบ grouped ได้เฉลี่ย 99.63% พร้อม latency CPU 25.3 ms ต่อภาพ ผลแข็งแรงใน benchmark แต่ยังไม่ยืนยันกับภาพไร่จริง อุปกรณ์ และโรคจากภูมิภาคอื่น
ข้อค้นพบสำคัญ
- EfficientNetB0 ได้ accuracy และ weighted F1 99.50% บน 599 ภาพ ensemble ทำได้เท่ากันแต่ไม่สูงกว่า cross-validation ได้ accuracy 99.63±0.20% และ F1 99.62±0.20% latency เฉลี่ย 25.3 ms, p95 27.6 ms และ throughput สูงสุด 166.5 ภาพ/วินาที
ทำไมจึงมีความสำคัญระดับโลก
โรคพืชทำให้ผลผลิตมะม่วงเสียหายทั่วโลก และงานนี้เสนอระเบียบประเมินที่ทำซ้ำได้สำหรับ AI เกษตร ซึ่งมีคุณค่ากว่าไล่คะแนนสูงโดยไม่ควบคุมข้อมูลซ้ำ
บทบาทของนักวิจัยไทย
นักวิจัยมหาวิทยาลัยขอนแก่น เกษตรศาสตร์ และราชภัฏสกลนครพัฒนางาน AI ที่ให้ความสำคัญทั้งความถูกต้อง การอธิบาย และต้นทุนการนำไปใช้
ข้อจำกัดที่ควรรู้
MangoLeafBD เป็นชุดภาพสาธารณะ ไม่ใช่การสุ่มจากสวนไทย สภาพแสง ฉากหลัง พันธุ์มะม่วง ระยะโรค และโรคร่วมในสนามอาจต่างมาก Grad-CAM ไม่พิสูจน์เหตุผลของโมเดล และยังไม่มี external validation, calibration, abstention หรือผลต่อการตัดสินใจเกษตรกร
ตรวจสอบแหล่งต้นทาง
Applied SciencesApplied Sciences↗DOI: 10.3390/app16146989