| บทคัดย่อ |
ปัจจุบันเทคโนโลยีสมัยใหม่ ได้เข้ามาใช้งานหลากหลายโดยเฉพาะงานด้านการเกษตร มาประยุกต์ใช้ทำให้คอมพิวเตอร์สามารถเรียนรู้เข้าใจและทำงานที่มีความชาญฉลาดเหมือนมนุษย์ได้ดี หรือบางครั้งดีกว่าที่มนุษย์ทั่วไปจะสามารถทำได้ ทำให้งานด้านการเกษตรที่ซ้ำซ้อนมีการจัดการกับข้อมูลต่างๆ อย่างมากกลายเป็นงานอัตโนมัติช่วยให้มนุษย์ทำงานได้ดีขึ้น เร็วขึ้น สะดวกขึ้น การนำเครื่องมือมาใ่ช้ทำงานร่วมกับ AI นั่นคือ Internet of Thing (IoT) เป็นการเชื่อมต่อที่ทำให้อุปกรณ์ต่างๆ กับอินเตอร์เน็ตให้เป็น Smart Device รับค่าข้อมูลต่างๆ ด้วย sensor ที่อยู่บนอุปกรณ์ ดังนั้น IoT จึงเป็นเครื่องมือสำคัญในการรวบรวมข้อมูลลงฐานข้อมูลที่มีเป็นจำนวนมากเกิดเป็น Big Data เพื่อป้อนข้อมูลเหล่านี้ให้ได้เกิดการเรียนรู้ได้ตลอดเวลา
งานวิจัยครั้งนี้ทำการทดลองกับข้าวโพดเลี้ยงสัตว์ ซึ่งเป็นพืชเศรษฐกิจของจังหวัดเพชรบูรณ์ ประเทศไทย โดยติดตั้งอุปกรณ์ IoT จำนวน 20 ชุด ซึ่งมีการติดตั้งอุปกรณ์ Soil Moisture Sensor, and Temperature and Humidity Sensor (DHT11) สำหรับการจัดเก็บข้อมูลลงใน Big Data บนระบบ Cloud Computing และนำข้อมูลจาก Sensor ซึ่งข้อมูลอาจจะมีการ Lost Data ซึ่งงานวิจัยนี้ใช้เทคนิค Deep Learning สำหรับการทำ Imputation ข้อมูลเพื่อประมาณค่าข้อมูลที่สูญหาย และนำข้อมูลผ่านการ Cleansing มาจัดกลุ่มข้อมูลเพื่อได้ Optimization Clustering สำหรับสภาพการปลูกเพื่อปริมาณความต้องการน้ำสำหรับการปลูกโดยใช้เทคนิค K-mean พบว่าได้ 3 Class และนำข้อมูลไปวิเคราะห์ด้วยเทคนิคการพยากรณ์เพื่อหาความแม่นยำ โดยการเปรียบเทียบอัลกอริทึม ได้แก่ Decision Tree, Neural Network, Naïve Bayes and Deep Learning พบว่า Deep Learning Algorithm ได้ค่าแม่นยำที่สุด คือ 99.60% โดยมี RMSE = 0.0039 เมื่อได้อัลกอริทึมจึงนำไปเขียนฟังก์ชั่นเพื่อควบคุมอุปกรณ์การรดน้ำอัตโนมัติเพื่อให้ข้าวโพดเลี้ยงสัตว์อยู่ในอุณหภูมิ และความชื้นที่เหมาะสม เมื่อทำการวัดประสิทธิภาพจากปริมาณน้ำที่เพาะปลูกพบว่า เมื่อใช้ระบบที่พัฒนาขึ้นสามารถประหยัดน้ำได้ร้อยละ 13.89
การยอมรับเทคโนโลยี ด้้านการรับรู้ถึงประโยชน์อยู่ในระดับมากที่สุด และด้านการรับรู้ถึงความง่ายอยู่ในระดับมาก สำหรับผลการทดสอบสมมติฐานพบว่า การรับรู้ถึงประโยชน์ และการรับรู้ถึงความง่ายต่อการยอมรับการใช้เทคโนโลยีอย่างมีนัยสำคัญทางสถิติที่ระดับ 0.05
This research focused on testing with maize, economical crop grown in Phetchabun province, Thailand, by installing a total of 20 sets of IoT devices which consist of soil moisture sensors and temperature and humidity sensors (DHT11). Data science tools such as rapidminer studio was used for data cleansing, data imputation, clustering, and prediction. Next, these data would undergo data cleansing in order to group them to obtain optimization clustering to identify the optimum condition and amount of water required to grow the maize through k-mean technique. From the analysis, the optimization result showed 3 classes and these data were further analyzed through prediction to identify precision. By comparing several algorithms including artificial neural network (ANN), decision tree, naïve bayes, and deep learning, it was found that deep learning algorithm can provide the most accurate result at 99.6% with RMSE = 0.0039. The algorithm obtained was used to write function to control the automated watering system to make sure that the temperature and humidity for growing maize is at appropriate condition. By using the improved watering system, it improved the efficacy of watering system which saves more water by 13.89%.
|
|---|
