Crossec

System for Supporting Plant Tissue Laboratory Using Artificial Intelligence ระบบส่งเสริมการทาํ ปฏิบตั กิ าร เนื้อเยอื่ พืชดว้ ย “ ปญญาประดิษฐ์ ”

Our Team. Soraat Treenuson Wittawat Kitipatthavorn Nawapat Jongaouyporn 2

Mr.Charuk Khachoncharoensak Group advisor 3

I. Let’s talk about cross section. 4

cross section 5

cross section 6

II. Problem ? 7

II. Problem Skill Time Assistant 8

III. Purpose (1) - พัฒนา Machine Learning เพ่ือจําแนกภาพตดั ตามขวางของเนือ้ เยื่อ พืชทีม่ คี วามชัดเจนเพียงพอ 9

III. Purpose (2) - พัฒนาเวบ็ แอปพลิเคชนั ทํางานบนสมารท์ โฟนสําหรบั นกั เรียนในการ เกบ็ ภาพ วเิ คราะห์ภาพตัดตามขวางของเนื้อเย่อื แยกตามหวั ข้อของ ปฏบิ ตั ิการ 10

III. Purpose (3) - พัฒนาเวบ็ แอปพลิเคชันทํางานบนเว็บไซตส์ ําหรบั ครูในการดูผลการ ปฏบิ ัตติ ามปฏิบัตกิ ารเนือ้ เยื่อพืชของนกั เรยี น 11

IV. Benefits (1) - การเรียนรู้ผ่านการปฏบิ ัตทิ ําให้ผูเ้ รยี นเกดิ ความเข้าใจเกี่ยวกับเนอ้ื เย่อื พืช และโครงสรา้ งพืชโดยการสังเกตภาพตดั ขวางของเนอ้ื เยอื่ พืชวิเคราะห์ และลงขอ้ สรุปอันเปน็ การเรยี นรู้อย่างมคี วามหมายนาํ ไปสู่ความเข้าใจ เกยี่ วกบั ความแตกตา่ งของกระบวนการและกลไกในการดาํ รงชีวิตของ พืชแตล่ ะชนิดต่อไป 12

IV. Benefits (2) - ลดเวลาท่ีใชใ้ นการรอการตรวจผลงานและการให้คําแนะนําจากผู้สอนใน การทําปฏบิ ตั ิการลงโดยใชแ้ อปพลเิ คชันทใ่ี ชค้ วามสามารถของปัญญา ประดษิ ฐ์ตรวจสอบความเหมาะสมของภาพตดั ขวาง และความถูกตอ้ งใน การระบุส่วนประกอบของโครงสรา้ งพืช 13

IV. Benefits (3) - ครผู ้สู อนสามารถติดตามความกา้ วหนา้ ของการทาํ ปฏิบตั กิ ารของผ้เู รยี น ได้สะดวกขนึ้ รวมทัง้ สามารถทราบได้ว่าผูเ้ รยี นคนใดควรได้รบั ความ ชว่ ยเหลอื เป็นพิเศษ 14

III. What is AI & ML 15

III. What is AI & ML 16

Machine Learning Ex: How to บวกเลข? Input Process Output 1+1 2 2+1 3 2+2 4 3 1+2 17

Image classification ขอบคุณภาพจาก: https://www.bualabs.com/archives/3453/what-is-object-detection-tutorial-tensorflow-js-build-object-detection-machine-learning-coco-ssd-tfjs-ep-8/ 18

ลักไก?่ ?? 19

Overfitting Overfitting คือการที่โมเดลสามารถทํานายผลลพั ธจ์ ากข้อมลู ท่ใี ช้ในการเรียนรู้ (Training Set) ไดอ้ ยา่ งแม่นยาํ แตไ่ ม่แม่นยาํ เมอ่ื ใชข้ ้อมูลอื่นๆ 20

Image Augmentation 21

III. Process 22

Let's use AI to make cross section easier. 23

Methods Develop Collect Datasets Test Use 24

Tools (1) - FastAI - Pytorch Lightning - Augmentor - MongoDB - Visual Studio Code - Google Colab Pro 25

Tools (2) - ใบมดี โกน - พูก ัน - บกี เกอร - สยี อม - สไลดและกระจกปด สไลด - จานเพาะเชอ้ื - กลองจุลทรรศน 26

Datasets 27

การเก็บขอ้ มูล ● ลาํ ต้นพืชใบเลี้ยงเดยี่ ว ระยะปฐมภมู ิ ● รากพืชใบเล้ียงเดยี่ ว ระยะปฐมภูมิ ● ลําตน้ พืชใบเลีย้ งคู่ ระยะปฐมภมู ิ ● ลาํ ต้นพืชใบเลยี้ งคู่ ระยะทุติยภูมิ ● รากพืชใบเลี้ยงคู่ ระยะปฐมภมู ิ ● รากพืชใบเลยี้ งคู่ ระยะทุติยภูมิ ● ใบของพืช C3 ● ใบของพืช C4 28

ชนิดพันธข์ุ องชดุ ข้อมลู ● ต้นขา้ วโพด 110 ภาพ ● ต้นหญา้ ขน 70 ภาพ และ ต้นข้าวโพด 110 ภาพ ● ต้นถวั่ เขียว 110 ภาพ และ ตน้ คณุ นายต่ืนสาย 80 ภาพ ● ตน้ หมอนอ้ ย 100 ภาพ และ ต้นตีนต๊กุ แก 50 ภาพ ● ต้นถัว่ เขียว 140 ภาพ และ ตน้ มะม่วง 100 ภาพ ● ต้นหมอน้อย 50 ภาพ และ ตน้ เขม็ 70 ภาพ ● ต้นผกั เป็ดไทย 150 ภาพ ● ต้นหญ้าหมู 55 ภาพ และ ตน้ กก 55 ภาพ รวมทัง้ ส้ิน 1,250 ภาพ 29

Collect data 30

Prepare data Grayscale convert RGB GrayScale 31

Prepare data Augmentation 1500 sample / 1 class = 12,000 ภาพ 32

Prepare data Train Validation Test 33

Develop 34

Model Fastai Model : Resnet34 Type : Image Classification 35

Application (Front - end) Streamlit 36

Application (Front - end) 37

Application (Front - end) 38

Application (Front - end) 39

Web Application (Front - end) Vuejs + Nodejs + TailwindCSS 40

Web Application (Front - end) 41

Web Application (Front - end) 42

Accuracy 93% 43

Baseline Perfomance 44

Quiz 45

Q&A 46