การวิจัยและพัฒนาต้นแบบนวัตกรรมชุมชนเกษตรอัจฉริยะ ด้วยเทคโนโลยีอากาศยานไร้คนขับและอินเทอร์เน็ตของสรรพสิ่ง เพื่อลดการใช้สารเคมี สารพิษตกค้างและติดตามสถานการณ์การเจริญเติบโตของพืช
Abstract
ปัญหาสารพิษตกค้างเป็นปัญหาที่สำคัญของผู้ผลิตและผู้บริโภค จากการตรวจเลือดเกษตรกรทั้งสิ้น 317,051 ราย พบว่าในจำนวนนี้ 107,820 ราย มีผลตรวจเลือดอยู่ในระดับไม่ปลอดภัย นั่นหมายถึงจำนวน 34 เปอร์เซ็นต์ หรือ 1/3 ของเกษตรกรมีความไม่ปลอดภัยจากการใช้สารเคมี บทความนี้นำเสนอ นวัตกรรมชุมชนเกษตรอัจฉริยะเพื่อการลดการใช้สารเคมีและสารพิษในสวนกล้วยหอมทอง ตำบลท่าแลง อำเภอท่ายาง จังหวัดเพชรบุรี โดยออกแบบระบบเงื่อนไขการทดสอบประกอบส่วนฮาร์ดแวร์ 5 ส่วน คือ 1) โหนดเซนเซอร์ตรวจวัดธาตุอาหารพืช ไนโตเจน(N) ฟอสฟอรัส (P) และโพแทสเซียม (K) 2) โหนดเซนเซอร์ตรวจวัดค่าความเป็นกรด-ด่าง (PH) 3) โหนดเซนเซอร์ตรวจวัดความเข้มแสง เซนเซอร์ตรวจวัดความชื้นในดิน และเซนเซอร์วัดตรวจอุณหภูมิในดิน 4) โหนดเซนเซอร์ตรวจวัดอุณหภูมิ ความชื้นสัมพัทธ์และความกดดันบรรยากาศ 5) โหนดฐานประกอบด้วยระบบWIFI และ Air card ส่วนซอฟต์แวร์ประกอบด้วย 3 ส่วน คือ 1) โปรแกรมอาดูโนเป็นซอฟต์แวร์ที่ใช้ในการอ่านค่าข้อมูลโหนดเซนเซอร์ 4 โหนด 2) โปรแกรมเวิร์ดเพรส สำหรับการสร้างเว็บไซด์ 3) โปรแกรม PHP สำหรับการจัดการฐานข้อมูล ผลการวิจัยได้ทดสอบใน 6 ส่วนคือ 1)สภาพแวดล้อมในการทดสอบพบว่า การติดตั้งโหนดเซนเซอร์ห่างจากโหนดฐาน 20-30 เมตร ระหว่างโหนดเซนเซอร์ 20-25 เมตร 2) การทดสอบเสถียรภาพของเซนเซอร์พบว่า เซนเซอร์ทำงานได้สมบูรณ์โดยสามารถตรวจวัดสภาพอากาศและสภาพของดินโดยมี ความถูกต้องของข้อมูล 80 เปอร์เซ็นต์ เมื่อวิเคราะห์ในแต่ละเซนเซอร์พบว่า เซนเซอร์โหนด NPK โดยมีค่าธาตุอาหารไนโตเจน(N)เฉลี่ย 130 มิลลิกรัมต่อกิโลกรัม ธาตุอาหารฟอสฟอรัส (P) เฉลี่ย 28 มิลลิกรัมต่อกิโลกรัม และ ธาตุอาหารโพแทสเซียม (K) เฉลี่ย 80 มิลลิกรัมต่อกิโลกรัม ความเป็นกรด-ด่าง พบว่ามีค่าอยู่ที่ 6.5 เป็นค่าที่เหมาะสมในการปลูกกล้วยหอม ความชื้นในดินอยู่ที่ 55 % และ อุณหภูมิเฉลี่ยอยู่ที่ 28 องศาเซลเซียส 3) การทดสอบการส่งข้อมูล ทดสอบการส่งข้อมูลแต่ละโหนดเซนเซอร์ไปยังโหนดฐาน พบว่า ข้อมูลที่ถูกบันทึกในฐานข้อมูลของโหนดฐาน ถูกต้อง 90 เปอร์เซ็นต์ การส่งข้อมูลจากโหนดฐานไปยังโฮส เป็นการส่งข้อมูลผ่านระบบ Wi-Fi ข้อมูลที่ส่งไปยังโฮสพบว่าข้อมูลมีความถูกต้อง 80 เปอร์เซ็นต์ 4) การแสดงผลส่วนสำคัญคือ เมนู แสดงสถานีตรวจวัด 1 และ 2 ภายในสถานีตรวจวัด 1 และ 2 จะมีเมนูย่อย โหนดที่ 1 – โหนดที่ 4 และการปิดเปิดรีเลย์ 5) ผลการทดสอบการวิเคราะห์พืชด้วยอากาศยานไร้คนขับ พบว่า ต้องทำการบินที่ระดับความสูง 15 เมตร เมื่อวิเคราะห์ภาพ A จะพบว่า มีความสมบูรณ์ของกล้วยมากกว่า ภาพ B และภาพ C ในภาพรวมจะพบว่า ความสมบูรณ์ของกล้วย จะสมบูรณ์จากภาพ A สมบูรณ์มากที่สุด ภาพB สมบูรณ์ระดับปานกลาง และภาพ C กล้วยถูกเชื้อราเข้าทำลายใบแห้ง เสียหายสมบูรณ์น้อยสุด 6) การนำเทคโนโลยีลงสู่ชุมชนจะถ่ายทอดในลักษณะของการร่วมกันสร้างและเรียนรู้ไปด้วยกันโดยเกษตรกรที่รับการถ่ายทอดจะเป็นเกษตรกรรุ่นใหม่ที่มีอายุ 25-30 ปี
References
Thaipublica Title. Toxic-food-crisis [Online]. (2022). [CitedNovember1, 2022].Available: https://thaipublica.org/2015/04/toxic-food-crisis-15(in Thai).
Wikipedia Title. Internet of Things [Online]. (2022). [Cited November 19, 2022]. Available: https:// th.wikipedia.org/wiki/ Internet of Things (in Thai).
K. Raviteja and M. Supriya, “IOT-Based Agriculture Monitoring System” in Data Engineering and Communication Technology, Singapore:Springer, 2020, pp. 473-483.
M. Manideep, R. Thukaram and S. M, “Smart Agriculture Farming with Image Capturing Module,” 2019 Global Conference for Advancement in Technology (GCAT), Bangalore, India, 2019, pp. 1-5.
G. Sushanth and S. Sujatha, “IOT Based Smart Agriculture System,” 2018 International Conference on Wireless Communications, Signal Processing and Networking (WiSPNET), Chennai, India, 2018, pp. 1-4.
D. D. K. Rathinam, D. Surendran, A. Shilpa, A. S. Grace and J. Sherin, “Modern Agriculture Using Wireless Sensor Network (WSN),” 2019 5th International Conference on Advanced Computing & Communication Systems (ICACCS), Coimbatore, India, 2019, pp. 515-519.
R. Reshma, V. Sathiyavathi, T. Sindhu, K. Selvakumar and L. SaiRamesh, "IoT based Classification Techniques for Soil Content Analysis and Crop Yield Prediction," 2020 Fourth International Conference on I-SMAC (IoT in Social, Mobile, Analytics and Cloud) (I-SMAC), Palladam, India, 2020, pp. 156-160.
D. Argüeso, A. Picon, U. Irusta, A. Medela, M. G. San-Emeterio, A. Bereciartua, et al., “Few-Shot Learning approach for plant disease classification using images taken in the field”, Computers and Electronics in Agriculture, vol. 175, pp. 1-8, Aug. 2020.
G. Kuricheti and P. Supriya, “Computer Vision Based Turmeric Leaf Disease Detection and Classification: A Step to Smart Agriculture,” 2019 3rd International Conference on Trends in Electronics and Informatics (ICOEI), Tirunelveli, India, 2019, pp. 545-549.
K. S. Pratyush Reddy, Y. M. Roopa, K. Rajeev L.N. and N. S. Nandan, “IoT based Smart Agriculture using Machine Learning,” 2020 Second International Conference on Inventive Research in Computing Applications (ICIRCA), Coimbatore, India, 2020, pp. 130-134.
T. N. Gia, L. Qingqing, J. P. Queralta, Z. Zou, H. Tenhunen and T. Westerlund, “Edge AI in Smart Farming IoT: CNNs at the Edge and Fog Computing with LoRa,” 2019 IEEE AFRICON, Accra, Ghana, 2019, pp. 1-6.
A. Dahane, R. Benameur, B. Kechar and A. Benyamina, “An IoT Based Smart Farming System Using Machine Learning,” 2020 International Symposium on Networks, Computers and Communications (ISNCC), Montreal, QC, Canada, 2020, pp. 1-6.
