ต้นเล็กกับต้นโตอาจดูเหมือนคนละชนิด ขณะที่วัชพืชต่างชนิดกลับมีใบคล้ายกัน การระบุชื่อให้ถูกจึงเป็นงานสำคัญก่อนวางแผนจัดการ
Yanben Shen, Timilehin T. Ayanlade และคณะ จากมหาวิทยาลัยไอโอวาสเตตและสถาบันร่วม พัฒนา “WeedNet” ให้จำแนกชนิดวัชพืชจากภาพ
ทีมใช้ภาพจาก iNaturalist ฝึกโมเดลให้เรียนรู้ลักษณะพืช แล้วนำโมเดลกลางมาฝึกเพิ่มสำหรับวัชพืชในพื้นที่เฉพาะ
ผลทดสอบที่รายงาน:
• โมเดลระดับโลก ครอบคลุม 1,593 ชนิด ความแม่นยำ 91.02%
• โมเดลสำหรับรัฐไอโอวา ครอบคลุม 84 ชนิด ความแม่นยำ 97.38%
สองตัวเลขนี้มาจากคนละขอบเขตการทดสอบ จึงอ่านเป็นผลเปรียบเทียบแบบตรงตัวไม่ได้ และยังใช้แทนความแม่นยำในแปลงไทยไม่ได้ด้วย
สิ่งที่น่าสนใจคือแนวทาง “เรียนรู้จากภาพหลายพื้นที่ แล้วฝึกเพิ่มให้รู้จักพืชท้องถิ่น” แทนการคาดหวังว่าโมเดลเดียวจะรู้จักวัชพืชทุกแปลงดีเท่ากัน
งานนี้อาจต่อยอดเป็นผู้ช่วยสำรวจวัชพืช หรือเป็นส่วนประกอบของระบบจัดการเฉพาะจุด ซึ่งเกี่ยวข้องกับการผลิตอาหารในหลายประเทศ แต่ผลที่พิสูจน์ในงานนี้คือความสามารถจำแนกภาพ ยังไม่ได้บอกว่าลดสารกำจัดวัชพืชหรือเพิ่มผลผลิตได้กี่เปอร์เซ็นต์
ข้อวิเคราะห์สำหรับไทย
ถ้าจะทำเครื่องมือให้เกษตรกรหรือเจ้าหน้าที่ใช้ ควรเริ่มจากภาพวัชพืชไทยที่ตรวจชื่อแล้ว เก็บหลายวัย หลายมุม และหลายสภาพแสง จากนั้นทดสอบกับแปลงใหม่ที่โมเดลไม่เคยเห็น
ต้องดูด้วยว่ามันตอบผิดกับชนิดไหนบ่อย เพราะค่าเฉลี่ยสูงอาจซ่อนปัญหาของพืชบางชนิด โดยเฉพาะกลุ่มที่หน้าตาคล้ายกัน
การรู้ชื่อจากภาพเป็นข้อมูลช่วยตรวจแปลง ส่วนวิธีจัดการยังต้องพิจารณาชนิดพืชปลูก ระยะวัชพืช และสภาพพื้นที่ร่วมกัน
งานวิจัยต้นฉบับ:
WeedNet: a foundation model-based global-to-local AI approach for weed species identification and classification

ที่มา: Facebook เกษตรตำบล คนใช้แรงงาน 
ข้อมูลวันที่ : 15 ตุลาคม 2569