AI ตรวจจับโรคพืชจากภาพถ่าย: คู่มือใช้จริงสำหรับ SME เกษตรไทย 2025

AI ตรวจจับโรคพืชจากภาพถ่ายคือการนำ computer vision มาใช้วิเคราะห์ภาพใบ ผล ดอก และลำต้นที่ถ่ายจากมือถือหรือโดรน แล้วประเมินว่าพืชเข้าข่ายโรคใดหรือขาดธาตุอะไร พร้อมระดับความมั่นใจ ก่อนส่งต่อให้คนตัดสินใจ สำหรับ SME เกษตรไทยที่ดูแลสวนผลไม้ โรงเรือนผัก หรือแปลงพืชไร่ขนาด 5-100 ไร่ เทคโนโลยีนี้ช่วยลดความเสียหายก่อนลุกลาม ลดการใช้สารเคมีเกินจำเป็น และทำให้จัดคิวแรงงานกับแผนเก็บเกี่ยวได้แม่นขึ้น โดยเริ่มจากโมเดลสำเร็จรูป ถ่ายภาพเป็นชุด แล้วตรวจทานกับผู้เชี่ยวชาญหรือนักวิชาการเกษตรในพื้นที่

AI ตรวจจับโรคพืชจากภาพถ่ายทำงานอย่างไร

ระบบนี้ทำงานเป็นลำดับขั้น เริ่มจาก การเก็บภาพ ด้วยกล้องมือถือ กล้องประจำจุดในโรงเรือน หรือกล้องบนโดรน จากนั้นเข้าสู่ การปรับภาพเบื้องต้น เช่น ครอปเฉพาะใบ ปรับสมดุลแสง และลดสัญญาณรบกวน เพื่อให้โมเดลเห็นข้อมูลที่สะอาดพอ

ขั้นถัดไปคือ การประมวลผลด้วยโมเดล ซึ่งแบ่งได้สองแบบหลัก แบบแรกคือ image classification รับภาพหนึ่งภาพแล้วตอบว่าเป็นโรคใด เหมาะกับงานคัดกรองเร็ว ๆ อย่างการตรวจใบผักในโรงเรือน แบบที่สองคือ object detection ที่ระบุตำแหน่งของจุดโรคในภาพด้วยกรอบสี่เหลี่ยม เหมาะกับงานที่ต้องนับจำนวนแผลหรือวัดความรุนแรง เช่น การนับจุดบนผลมังคุดก่อนคัดเกรด

หัวใจที่ทำให้ SME เริ่มได้โดยไม่ต้องมีข้อมูลเป็นแสนภาพคือ transfer learning คือเริ่มจากโมเดลที่ผ่านการฝึกบนภาพธรรมชาติจำนวนมหาศาล แล้วปรับชั้นท้าย ๆ ด้วยภาพโรคพืชเฉพาะแปลงของตัวเอง ทำให้ใช้ภาพเพียงไม่กี่ร้อยภาพต่อโรคก็ได้ผลที่ใช้งานได้

ส่วนการเลือก edge หรือ cloud ขึ้นกับสภาพหน้างาน ถ้าแปลงอยู่ในพื้นที่สัญญาณอ่อนหรือต้องการความเป็นส่วนตัวของภาพสูง การประมวลผลบนอุปกรณ์หรือ edge AI จะตอบสนองเร็วกว่าและไม่พึ่งอินเทอร์เน็ต แต่ถ้าต้องฝึกโมเดลใหม่บ่อยและมีหลายแปลง การใช้ cloud จะยืดหยุ่นกว่า ในทางปฏิบัติหลายธุรกิจใช้ทั้งสองแบบร่วมกัน คือรันโมเดลเบา ๆ บนมือถือหรือกล้อง edge แล้วส่งเฉพาะเคสที่โมเดลไม่มั่นใจขึ้น cloud เพื่อให้ผู้เชี่ยวชาญตรวจทาน

ทำไมปัญหาโรคพืชระบาดเร็วถึงเป็นเรื่องที่ AI ช่วยได้จริง

โรคพืชหลายชนิด โดยเฉพาะโรคเชื้อราและแบคทีเรีย มีวงจรลุกลามภายใน 3-7 วันหลังพบจุดแรกในแปลง ในช่วงฝนชุก ความชื้นสูง และใบเปียกติดต่อกันหลายวัน โรคสามารถกระจายจากจุดเดียวไปทั้งแปลงได้เร็วกว่าที่ทีมงานจะเดินตรวจครบ

ปัญหาที่ SME เกษตรไทยเจอซ้ำ ๆ มีสี่ข้อ ข้อแรกคือ ตรวจไม่ทัน เพราะแรงงานมีจำกัดและคนที่แยกโรคได้แม่นมีไม่กี่คน ข้อสองคือ ใช้สารเกินจำเป็น เมื่อไม่แน่ใจว่าเป็นโรคอะไร จึงพ่นแบบเหวี่ยงแหทั้งแปลง ทำให้ต้นทุนสารเคมีสูงและเสี่ยงสารตกค้าง ข้อสามคือ ข้อมูลกระจัดกระจาย อยู่ในสมุดบันทึก ภาพในแชทส่วนตัว และความจำของหัวหน้าแปลง ทำให้วิเคราะห์ย้อนหลังแทบไม่ได้ ข้อสี่คือ ตัดสินใจช้า เพราะกว่าจะรอเจ้าหน้าที่มาเข้าพื้นที่ โรคก็ลามไปแล้ว

AI เข้ามาแก้ตรงจุดคัดกรองเป็นหลัก คือช่วยจัดลำดับว่าจุดไหนควรไปดูด้วยตาก่อน ช่วยให้พ่นสารเฉพาะจุดหรือเฉพาะแถว และช่วยสร้างบันทึกภาพรายจุดที่ค้นย้อนหลังได้ ยกตัวอย่างสวนทุเรียนขนาด 30 ไร่ในจันทบุรีที่ตั้งจุดถ่ายภาพไว้ 20 จุด หัวหน้าแปลงเคยใช้เวลา 2-3 วันเดินตรวจครบหนึ่งรอบ แต่เมื่อใช้ระบบช่วยคัดกรอง จะเหลือการเดินตรวจเฉพาะจุดที่ระบบแจ้งเตือน ทำให้เหลือเวลาวันเดียวและได้ข้อมูลบันทึกทุกรอบ ข้อควรระวังคือ AI ไม่ได้แทนสายตาผู้เชี่ยวชาญสำหรับโรคใหม่หรืออาการผิดปกติที่ไม่เคยเจอมาก่อน

SME เกษตรไทยได้ประโยชน์อะไรบ้างจาก AI ตรวจโรคพืช

ประโยชน์ข้อแรกคือ ลดความเสียหายก่อนลุกลาม เพราะการพบจุดโรคเร็วขึ้นหนึ่งรอบตรวจหมายถึงขอบเขตการระบาดที่เล็กลง ค่าความเสียหายจึงลดลงตามไปด้วย ผลลัพธ์นี้เป็นตัวเลขที่ควรวัดจริงในแปลง ไม่ใช่ค่าที่รับประกันได้จากผู้ให้บริการ

ประโยชน์ข้อสองคือ ใช้ปุ๋ยและยาอย่างแม่นยำ เมื่อรู้ว่าจุดไหนเป็นโรคอะไร การจัดการเปลี่ยนจากพ่นทั้งแปลงเป็นพ่นเฉพาะจุด และแยกต้นที่เป็นโรคออกเพื่อลดการแพร่ ร้านค้าเกษตรในพื้นที่เองก็ใช้ข้อมูลนี้แนะนำลูกค้าได้ดีขึ้น เพราะมีภาพและประวัติประกอบ

ประโยชน์ข้อสามคือ วางแผนแรงงานและเก็บเกี่ยวได้ดีขึ้น เมื่อมีข้อมูลรายจุดเป็นรายสัปดาห์ ผู้จัดการสามารถรู้ว่าแถวไหนจะพร้อมตัดก่อน และประเมินผลผลิตล่วงหน้าได้ โรงคัดบรรจุมังคุดหรือลิ้นจี่ที่รับซื้อจากเครือข่ายเกษตรกรสามารถใช้การถ่ายภาพก่อนคัดเกรดเพื่อคัดกรองรอยโรคและเพลี้ย ลดอัตราการปฏิเสธสินค้าที่ปลายทาง

ประโยชน์ข้อสี่คือ สร้างร่องรอยข้อมูลเพื่อการตลาด ทั้งเพื่อการขอใบรับรองผลผลิตปลอดภัยและการชี้แจงลูกค้าส่งออกว่ามีกระบวนการเฝ้าระวังโรคในแปลง วิสาหกิจชุมชนผักปลอดภัยหลายแห่งใช้ LINE OA ส่วนกลางให้สมาชิกส่งภาพเข้ามา แล้วให้นักวิชาการเกษตรของกลุ่มตรวจทาน ทำให้สมาชิก 30-40 รายได้ประโยชน์จากผู้เชี่ยวชาญคนเดียว

ควรเริ่มจากถ่ายภาพแบบไหนให้ AI ทำงานได้จริง

คุณภาพของชุดภาพคือตัวกำหนดเพดานความแม่นยำของโมเดลมากกว่าขนาดของโมเดลเสียอีก ทีมที่เริ่มโครงการมักเสียเวลาหลายรอบจากการเก็บภาพที่ไม่สม่ำเสมอ

มาตรฐานที่ใช้ได้จริงคือ ถ่ายในช่วงเช้าก่อน 10 โมงหรือช่วงแสงนุ่ม หลีกเลี่ยงเงาแข็งจากแดดเที่ยง ถ้าเป็นไปได้ให้ใช้พื้นหลังสีเดียว เช่น กระดาษสีขาวหรือท้องฟ้า ตั้งระยะห่างกล้องกับใบให้คงที่ประมาณ 20-30 เซนติเมตร ถ่าย 3-5 มุมต่อจุด และที่สำคัญคือต้องถ่าย ใบปกติ เก็บด้วย ไม่ใช่เก็บแต่ใบผิดปกติ เพราะโมเดลต้องเรียนความต่างระหว่างของปกติกับของป่วย

ตั้งชื่อไฟล์อย่างเป็นระบบ เช่น วันที่ แปลง จุดเก็บ และรหัสพืช เพื่อให้ค้นย้อนกลับไปดูต้นจริงได้ ประมาณการขั้นต่ำคือ 100-300 ภาพต่อโรคต่อแปลงสำหรับโครงการนำร่อง และควรมีภาพที่หลากหลายทั้งใบเปียกฝน ใบย้อนแสง ใบที่ถูกแมลงกัดปน และภาพที่ไม่ได้เป็นโรคเลย การเก็บเฉพาะภาพสวยและชัดจะทำให้โมเดลล้มเหลวทันทีเมื่อเจอสภาพจริงในแปลง

เครื่องมือและสถาปัตยกรรมที่เหมาะกับ SME แต่ละแบบ

กลุ่ม no-code เหมาะกับทีมที่ไม่มีโปรแกรมเมอร์ เช่น Roboflow, Teachable Machine, Label Studio สำหรับติดป้าย และ AutoML จากผู้ให้บริการคลาวด์รายใหญ่ จุดแข็งคือเริ่มได้ในไม่กี่วันและมีหน้าจัดการชุดข้อมูลให้ ข้อจำกัดคือความยืดหยุ่นในการปรับสถาปัตยกรรมและค่าใช้จ่ายเมื่อข้อมูลโตขึ้น

กลุ่ม ใช้โค้ด เหมาะกับทีมที่มีผู้จัดการ IT อยู่แล้ว หรือจ้างพาร์ตเนอร์เป็นรายโปรเจกต์ โดยใช้ TensorFlow หรือ PyTorch ร่วมกับโมเดลตระกูล YOLO สำหรับงานตรวจจับตำแหน่ง และใช้ EfficientNet หรือ MobileNet สำหรับงานจำแนกที่ต้องรันบนมือถือ

กลุ่ม edge AI เหมาะกับโรงเรือนหรือแปลงที่ต้องการตรวจต่อเนื่อง ประกอบด้วยบอร์ดอย่าง Raspberry Pi หรือ Jetson ร่วมกับกล้องประจำจุด และเซนเซอร์วัดความชื้น อุณหภูมิ เพื่อผูกเหตุการณ์โรคกับสภาพแวดล้อม ข้อมูลจาก โดรน และ IoT ช่วยขยายภาพรวมรายแปลง ซึ่งเหมาะเมื่อแปลงใหญ่เกินกว่าจะเดินเก็บภาพครบด้วยคน

ชั้นสุดท้ายคือ การส่งผลถึงคนทำงาน ซึ่งในบริบทไทย LINE OA และ LIFF ได้ผลดีที่สุด เพราะทีมหน้างานใช้อยู่แล้ว ลดการฝึกใช้งานใหม่ และแนบภาพกับพิกัดได้ในข้อความเดียว

ตัวอย่างการใช้งานจริงในธุรกิจเกษตรไทย

สวนทุเรียน 30 ไร่ จังหวัดจันทบุรี ตั้งจุดถ่ายภาพ 20 จุดตามแถว หัวหน้าแปลงถ่ายภาพทุก 3 วันช่วงฝนชุก ส่งเข้ากลุ่ม LINE ของทีม ระบบจัดลำดับจุดที่เสี่ยงและแจ้งเตือน งานที่เคยใช้เวลาเดินตรวจทั้งสวน 2-3 วัน ลดเหลือการเดินเฉพาะจุดที่ถูกแจ้ง ผลที่วัดได้จริงคือจำนวนครั้งที่พ่นสารทั้งแปลงลดลง และมีบันทึกภาพรายจุดไว้คุยกับนักวิชาการเกษตรได้

โรงเรือนผักสลัดไฮโดรโปนิกส์ 2 ไร่ จังหวัดนครปฐม ใช้กล้อง edge 2 ตัวติดตั้งเหนือแปลง ไม่ต้องพึ่งอินเทอร์เน็ตตลอดเวลา ระบบตรวจใบเน่าและโรคราที่เกิดซ้ำในระบบน้ำ จุดนี้ช่วยให้ทีมแก้ที่ระบบน้ำได้ก่อนที่ผักทั้งรางจะเสียหาย

โรงคัดบรรจุมังคุดและลิ้นจี่ ใช้การถ่ายภาพผลก่อนเข้าสายพานคัดเกรด เพื่อคัดผลที่มีรอยโรคหรือร่องรอยเพลี้ยออกตั้งแต่ต้นทาง ลดการร้องเรียนจากลูกค้าปลายทาง และใช้เป็นหลักฐานเจรจากับเกษตรกรคู่ค้าได้ตรงไปตรงมา

กลุ่มวิสาหกิจชุมชนผักปลอดภัย ใช้ LINE OA ส่วนกลางให้สมาชิกส่งภาพเข้ามา แล้วนักวิชาการเกษตรของกลุ่มตรวจทานวันละหนึ่งรอบ โมเดลช่วยคัดกรองว่า 80-90 เปอร์เซ็นต์ของภาพเป็นโรคที่พบบ่อย และเหลือเฉพาะเคสยากที่ต้องใช้คนดู

ต้นทุนและ ROI ที่ควรคำนวณก่อนลงทุน

แยกต้นทุนเป็นสามก้อน ก้อนแรกคือ อุปกรณ์ ถ้าใช้มือถือเดิมของทีมถือเป็นต้นทุนส่วนเพิ่มเกือบศูนย์ แต่ถ้าต้องติดกล้องประจำจุดหรือกล้อง edge จะเริ่มที่หลักหมื่นบาทต่อจุด โดรนสำรวจแปลงเริ่มที่หลายหมื่นถึงหลักแสนบาทขึ้นกับรุ่น (ผู้ให้บริการระบุ ผลจริงขึ้นกับบริบท)

ก้อนที่สองคือ การสร้างและปรับโมเดล ค่าเครื่องมือ no-code เริ่มหลักพันบาทต่อเดือน ค่าจ้างติดป้ายกำกับภาพประมาณ 5-15 บาทต่อภาพ และค่าจ้างพาร์ตเนอร์สร้างระบบแบบครบวงจรคิดเป็นรายโปรเจกต์

ก้อนที่สามคือ การดำเนินงาน ซึ่งมักถูกมองข้าม ได้แก่ ค่าแรงคนตรวจทานผล ค่าอบรมทีม ค่าอินเทอร์เน็ตในแปลง และค่าปรับโมเดลทุกฤดูกาล

ฝั่งผลตอบแทน ให้คำนวณจากมูลค่าผลผลิตที่เสียหายลดลง บวกกับต้นทุนสารเคมีที่ลดลง และมูลค่าที่ประเมินได้จากการตัดสินใจเร็วขึ้น ตัวอย่างการคิดคร่าว ๆ ถ้าพืชมีมูลค่าผลผลิต 200,000 บาทต่อไร่ต่อปี และโครงการช่วยลดสัดส่วนผลผลิตเสียหายจาก 5 เปอร์เซ็นต์เหลือ 2 เปอร์เซ็นต์ในพื้นที่ 20 ไร่ จะได้มูลค่าที่รักษาไว้ประมาณ 120,000 บาทต่อปี ซึ่งนำมาเทียบกับต้นทุนรายปีของโครงการได้ทันที ตัวเลขจริงขึ้นกับบริบทของพืชแต่ละชนิดและความรุนแรงของโรคในฤดูกาลนั้น

KPI ที่บอกว่าโครงการได้ผลจริง

ตัวชี้วัดชุดแรกเป็นเรื่องของโมเดล ได้แก่ ความแม่นยำรวม precision และ recall แยกตามโรค และ อัตราแจ้งเตือนผิด ซึ่งเป็นตัวเลขที่ทีมหน้างานให้ความสำคัญที่สุด เพราะถ้าแจ้งเตือนผิดบ่อย พวกเขาจะเลิกเชื่อระบบภายในสองสัปดาห์

ตัวชี้วัดชุดที่สองเป็นเรื่องของกระบวนการ ได้แก่ เวลาจากการถ่ายภาพถึงการตัดสินใจ สัดส่วนเคสที่ต้องส่งให้ผู้เชี่ยวชาญตรวจทานเพิ่ม และจำนวนจุดที่ตรวจครอบคลุมต่อรอบ

ตัวชี้วัดชุดที่สามเป็นเรื่องของผลลัพธ์ทางธุรกิจ ได้แก่ จำนวนครั้งที่พ่นสารต่อไร่ ปริมาณสารต่อไร่ สัดส่วนผลผลิตเสียหายก่อนเก็บเกี่ยว และต้นทุนรวมต่อไร่ต่อฤดู เมื่อมีตัวเลขสามชุดนี้ครบ การตัดสินใจขยายผลไปแปลงอื่นจะเป็นการตัดสินใจจากข้อมูล ไม่ใช่ความเชื่อ

ข้อควรระวังด้านความแม่นยำ PDPA และบทบาทของคน

ความแม่นยำลดลงตามกาลเวลา เป็นเรื่องปกติ เพราะสภาพอากาศ พันธุ์พืช กล้อง และมุมถ่ายเปลี่ยนไปเรื่อย ๆ โมเดลที่แม่น 90 เปอร์เซ็นต์ในฤดูหนึ่งอาจเหลือ 70 เปอร์เซ็นต์ในฤดูถัดไป ถ้าไม่เก็บภาพใหม่มาปรับ ควรวางแผน retraining ทุกฤดูกาลและเฝ้าดู class imbalance โดยเฉพาะโรคที่พบน้อยซึ่งมักถูกโมเดลมองข้าม ทั้งที่มักเป็นโรคที่อันตรายที่สุด

PDPA เข้ามาเกี่ยวข้องเมื่อภาพมีใบหน้าเกษตรกร ทะเบียนรถ ป้ายชื่อสวน หรือพิกัดที่ระบุแปลงและเจ้าของได้ องค์กรควรกำหนดฐานการประมวลผลที่ชอบด้วยกฎหมาย แจ้งวัตถุประสงค์การเก็บและใช้ภาพ จำกัดสิทธิ์เข้าถึงไฟล์ดิบ กำหนดอายุการจัดเก็บ และทำข้อตกลงกับพาร์ตเนอร์ที่รับช่วงประมวลผลภาพอย่างชัดเจน

human-in-the-loop เป็นแนวปฏิบัติที่ควรยึดตั้งแต่ต้น โมเดลควรให้ข้อมูลประกอบการตัดสินใจ ไม่ใช่สั่งพ่นสารเองโดยไม่มีคนยืนยัน โดยเฉพาะเมื่อความมั่นใจต่ำกว่าค่าที่กำหนดไว้ ทีมควรมีเส้นทางส่งต่อเคสยากให้ผู้เชี่ยวชาญ และบันทึกว่าใครยืนยันผลอะไร เพื่อให้การตรวจสอบย้อนหลังทำได้และเพื่อนำผลการยืนยันเหล่านั้นกลับไปฝึกโมเดลรอบถัดไป

สรุป: เริ่มจากแปลงเดียว วัดผลให้ชัด แล้วค่อยขยาย

AI ตรวจจับโรคพืชจากภาพถ่ายไม่ใช่โครงการที่ต้องเริ่มด้วยงบมหาศาลหรือทีม IT ขนาดใหญ่ แต่เป็นการเริ่มจากแปลงนำร่องเล็ก ๆ ที่กำหนดโรคเป้าหมายชัด กำหนดมาตรฐานการถ่ายภาพให้ทีมทำตามได้เหมือนกัน ใช้เครื่องมือ no-code ที่มีให้เลือกอยู่แล้ว และวัดผลสองด้านคือความแม่นยำของโมเดลกับผลลัพธ์ทางธุรกิจที่จับต้องได้ เมื่อพิสูจน์ได้ในแปลงแรก การขยายไปแปลงอื่น กล้องประจำจุด โดรน หรือการเชื่อมกับระบบคัดเกรดจะเป็นเพียงการต่อยอดจากสิ่งที่ทำงานได้จริงแล้วมากกว่าการลองผิดลองถูกทั้งระบบ