การระบุสภาวะความเครียดของพืชในระยะเริ่มต้นโดยใช้การเรียนรู้เชิงลึกที่พัฒนาบน FPGA

Abstract

เพื่อการเพิ่มผลผลิตของพืชในอนาคต การระบุสภาวะความเครียดของพืชถือว่าเป็นงานหนึ่งที่มีสำคัญในการเก็บคุณลักษณะของพืชเพื่อใช้ในพัฒนาสายพันธุ์ ในงานวิจัยนี้ ผู้วิจัยได้ใช้แบบจำลอง CNN และแบบจำลอง CNN+LSTM ในการตรวจหาสภาวะเครียดของพืชในระยะเริ่มต้น ( Early stress detection ) เนื่องจากการขาดสารอาหาร ชุดข้อมูลที่ใช้ในงานวิจัยประกอบด้วยรูปภาพมากกว่า 40,000 ภาพของต้นข้าวฟ่างที่ถูกถ่ายในด้านหน้า ด้านข้าง และ ด้านบน โดยต้นข้าวฟ่างที่ถูกเลี้ยงโดยการจำกัดสารอาหารในการทดลองนี้ จะถูกแบ่งออกเป็น 3 กลุ่ม ประกอบด้วย 100/100 (100% ammonium/100% nitrate), 50/10, และ 10/10 แบบจำลอง CNN ( Convolution neural network ) แรกจะถูกสร้างอยู่บนบอร์ด PYNQ-Z1 ซึ่งเป็นบอร์ด System On Chip (SOC) ที่ส่วน FPGA สามารถโปรแกรมการใช้งานได้ด้วยภาษา Python ร่วมกับ High level synthesis tool [Vivado HSL] ซึ่งจะสามารถทำให้การประมวลผลการตรวจจับลักษณะผิดปกติ ได้เร็วมากกว่า CPU ARM Cortex-A9 ที่ติดตั้งอยู่บน PYNQ ได้ถึง 38 เท่า ในส่วนที่สอง แบบจำลอง CNN+LSTM จะถูกแบ่งออกเป็น 2 ส่วน คือ ส่วนสกัดคุณลักษณะ (Feature Extraction) และส่วนแยกแยะ (Classification Network) VGG16 ที่ถูกฝึกกับชุดข้อมมูล ImageNet จะถูกใช้ในการสกัดคุณลักษณะ LSTM จะถูกใช้เป็นส่วนแยกแยะระบุสภาวะเครียด ผลการทดลองแสดงให้เห็นว่า VGG16+LSTM สามารถระบุสภาวะความเครียดของข้าวฟ่างได้ที่ความแม่นยำมากกว่า 85% หลังจากต้นพืชถูกทำให้ขาดสารอาหารไปแล้ว 2 วัน