การปรับปรุงประสิทธิภาพการตรวจจับวัตถุแบบหนาแน่นสำหรับการจำแนกสายพันธุ์ถั่ว โดยใช้เทคนิคการจัดการความไม่สมดุลของข้อมูลและการปรับเทียบความเชื่อมั่น

ปัญหาและที่มา ในอุตสาหกรรมการเกษตรและการแปรรูปอาหาร การคัดแยกสายพันธุ์ถั่วโดยอัตโนมัติด้วยปัญญาประดิษฐ์ (AI) มักประสบปัญหาสำคัญคือ การตรวจจับวัตถุในสภาวะที่มีความหนาแน่นสูง (Dense Object Detection) ซึ่งเมล็ดถั่วมักวางซ้อนทับหรืออยู่ชิดกันจนแยกแยะได้ยาก นอกจากนี้ ปัญหา ความไม่สมดุลของข้อมูล ระหว่างสายพันธุ์ที่มีจำนวนมากและน้อย รวมถึงปัญหา ความเชื่อมั่นที่สูงเกินจริงของโมเดล ส่งผลให้เกิดความผิดพลาดในการจำแนกและการประเมินคุณภาพในภาพรวม

วิธีการดำเนินการ งานวิจัยนี้จึงนำเสนอแนวทางการปรับปรุงประสิทธิภาพการตรวจจับด้วยเทคนิคหลัก 2 ประการ:

การจัดการความไม่สมดุลของข้อมูล: ใช้เทคนิคการสุ่มตัวอย่างซ้ำ (Resampling) และการออกแบบ Loss Function ที่ให้น้ำหนักกับสายพันธุ์ที่พบน้อย เพื่อให้โมเดลสามารถเรียนรู้ลักษณะเด่นของถั่วทุกสายพันธุ์ได้อย่างเท่าเทียม

การปรับเทียบความเชื่อมั่น (Confidence Calibration): ประยุกต์ใช้เทคนิคเพื่อปรับจูนค่าความเชื่อมั่นของโมเดลให้สอดคล้องกับความถูกต้องในการทำนายจริง ช่วยลดปัญหาการระบุสายพันธุ์ผิดพลาดในกรณีที่มีความคล้ายคลึงกันสูง

ผลการดำเนินงาน จากการทดสอบพบว่า เทคนิคที่นำเสนอช่วยเพิ่มค่าความแม่นยำเฉลี่ย (mAP) ในการตรวจจับถั่วแบบหนาแน่นได้อย่างมีนัยสำคัญ โมเดลมีความสามารถในการจำแนกสายพันธุ์ที่หายากได้ดีขึ้น และลดอัตราการทำนายผิด (False Positive) ลงอย่างเห็นได้ชัด ผลลัพธ์จากงานวิจัยนี้สามารถนำไปประยุกต์ใช้ในระบบคัดแยกอัตโนมัติในโรงงานอุตสาหกรรม เพื่อเพิ่มมาตรฐานการตรวจสอบย้อนกลับและยกระดับคุณภาพของผลิตภัณฑ์ทางการเกษตรไทยสู่ระดับสากล