jfile_no183_97770

วารสารวทิ ยาศาสตร์และเทคโนโลยี มหาวิทยาลยั มหาสารคาม

ววาัตรถสุปารรวะทิสยงาคศ์ าสตรแ์ ละเทคโนโลยี มหาวทิ ยาลยั มหาสารคาม จดั ท�ำ รองศาสตราจารย์ ดร.ฉนั ทนา อารมยด์ ี
ข้ึนโดยมีวัตถุประสงค์เพื่อเป็นแหล่งเผยแพร่ผลงานทางวิชาการท่ีมี มหาวทิ ยาลยั ขอนแก่น
คุณภาพของนกั วิชาการทงั้ ในและตา่ งประเทศ โดยเผยแพร่บทความ รองศาสตราจารย์ ดร.บุญจง ขาวสิทธิวงษ์
วจิ ยั (research article) บทความปรทิ ศั น์ (review article) ในสาขาวชิ า สถาบันบณั ฑิตพฒั นาบริหารศาสตร์
ต่างๆ ได้แก่ คณิตศาสตร์ วทิ ยาศาสตร์ เทคโนโลยี วิศวกรรมศาสตร์ รองศาสตราจารย์ ดร.พรเทพ ถนนแก้ว
เกษตรศาสตร์ แพทยศาสตร์ วทิ ยาศาสตร์สขุ ภาพ และสหวทิ ยาการ มหาวิทยาลยั ขอนแกน่
ดา้ นวทิ ยาศาสตรแ์ ละเทคโนโลยี รองศาสตราจารย์ ดร.นฤมล แสงประดบั
เจา้ ของ มหาวิทยาลยั ขอนแก่น
มหาวทิ ยาลัยมหาสารคาม รองศาสตราจารย์ ดร.เทอดศกั ดิ์ คำ�เหมง็
สำ�นักงานกองบรรณาธกิ าร มหาวทิ ยาลยั ขอนแกน่
กองส่งเสรมิ การวิจัยและบรกิ ารวชิ าการ มหาวทิ ยาลัยมหาสารคาม รองศาสตราจารยย์ ืน ภู่วรวรรณ
ตำ�บลขามเรยี ง อ�ำ เภอกนั ทรวิชยั จงั หวัดมหาสารคาม 44150 มหาวิทยาลัยเกษตรศาสตร์
โทรศัพท์ภายใน 1754 โทรศัพท/์ โทรสาร 0-4375-4416 รองศาสตราจารย์ ดร.อรวชิ ญ์ กุมพล
ทีป่ รึกษา มหาวทิ ยาลัยมหาสารคาม
อธกิ ารบดมี หาวทิ ยาลัยมหาสารคาม รองศาสตราจารย์ นายแพทย์ศิริเกษม ศริ ิลกั ษณ์
ศาสตราจารย์ ดร.วิสทุ ธิ์ ใบไม้ มหาวทิ ยาลยั นเรศวร
ศาสตราจารย์ ดร.วิชัย บุญแสง ผู้ช่วยศาสตราจารย์ ดร.ชวลิต บุญปก
บรรณาธกิ าร มหาวทิ ยาลัยมหาสารคาม
ศาสตราจารย์ ดร.ปรีชา ประเทพา ผู้ชว่ ยศาสตราจารย์ ดร.นพรตั น์ พทุ ธกาล
ผศา้ชู ส่วตยรบารจรารณยา์ ดธริก.ไาพรโรจน์ ประมวล มหาวทิ ยาลยั เทคโนโลยรี าชมงคลธญั บรุ ี
มหาวทิ ยาลัยมหาสารคาม ผู้ชว่ ยศาสตราจารย์ ดร.อนชุ า เพยี รชนะ
ศาสตราจารย์ ดร.ศริ ธิ ร ศิริอมรพรรณ มหาวิทยาลยั ราชภัฏอุบลราชธานี
มหาวิทยาลัยมหาสารคาม ผ้ชู ่วยศาสตราจารย์ ดร.เสกสรร สุขะเสนา
รองศาสตราจารย์ นายสตั วแพทย์ ดร.วรพล เองวานิช มหาวทิ ยาลยั นเรศวร
มหาวิทยาลยั มหาสารคาม ผชู้ ่วยศาสตราจารย์ ดร.อภญิ ญา วงศ์พริ ิยโยธา
รองศาสตราจารย์ ดร.วัลยา สทุ ธขิ ำ� มหาวิทยาลยั มหาสารคาม
มหาวทิ ยาลัยมหาสารคาม ผู้ช่วยศาสตราจารย์ ดร.อลงกรณ์ ละมอ่ ม
กองบรรณาธิการ มหาวทิ ยาลัยมหาสารคาม
ศาสตราจารย์ ดร.ทวศี ักดิ์ บญุ เกิด ผชู้ ว่ ยศาสตราจารย์ น.สพ.ดร.ณฐพล ภูมิพันธุ์
จฬุ าลงกรณ์มหาวทิ ยาลยั มหาวทิ ยาลยั มหาสารคาม
ศาสตราจารย์ ดร.ละออศรี เสนาะเมอื ง ผูช้ ว่ ยศาสตราจารย์ ดร.สมนกึ พว่ งพรพทิ กั ษ์
มหาวทิ ยาลัยขอนแก่น มหาวิทยาลัยมหาสารคาม
ศาสตราจารย์ ดร.สุพรรณี พรหมเทศ อาจารย์ ดร.รกั ษ์จินดา วฒั นาลยั
มหาวิทยาลยั ขอนแกน่ มหาวทิ ยาลัยสยาม
ศาสตราจารย์ ดร.ปราณี อา่ นเปรื่อง Mr.Adrian R. Plant
จุฬาลงกรณ์มหาวทิ ยาลัย มหาวทิ ยาลัยมหาสารคาม
ศาสตราจารย์ ดร.นิวฒั เสนาะเมือง เลขานกุ าร
มหาวิทยาลยั ขอนแกน่ ฉวีวรรณ อรรคะเศรษฐงั
ศาสตราจารย์ ดร.อนงคฤ์ ทธ์ิ แขง็ แรง ผชู้ ่วยเลขานุการ
มหาวิทยาลยั มหาสารคาม พักตรว์ ไิ ล รุ่งวสิ ยั
รองศาสตราจารย์ ดร.สุนนั ท์ สายกระสุน จิรารตั น์ ภูสฤี ทธ์ิ
มหาวทิ ยาลยั มหาสารคาม ก�ำ หนดเผยแพร่
รองศาสตราจารย์ ดร.สวุ รรณา บุญยะลีพรรณ ปีละ 6 ฉบับ
มหาวทิ ยาลยั ขอนแกน่ ฉบบั ที่ 1 มกราคม-กุมภาพันธ์
รองศาสตราจารย์ ดร.ขวญั ใจ กนกเมธากลุ ฉบบั ที่ 2 มนี าคม-เมษายน
มหาวิทยาลัยขอนแก่น ฉบบั ท่ี 3 พฤษภาคม-มิถุนายน
ฉบบั ท่ี 4 กรกฎาคม-สิงหาคม
ฉบบั ท่ี 5 กนั ยายน-ตุลาคม
ฉบับท่ี 6 พฤศจกิ ายน-ธนั วาคม

บทความและความคิดเห็นในวารสารวิทยาศาสตร์และเทคโนโลยี มหาวิทยาลยั มหาสารคาม เป็นความคิดเห็นของผู้เขียน กองบรรณาธิการ
ไม่จำ�เป็นต้องเห็นด้วยเสมอไป และบทความในวารสารวิทยาศาสตร์และเทคโนโลยี สงวนสิทธ์ิตามกฎหมายไทย การจะนำ�ไปเผยแพร่ต้อง
ไดร้ ับอนญุ าตเปน็ ลายลักษณอ์ กั ษรจากกองบรรณาธกิ ารเท่านน้ั

วารสารวิทยาศาสตรแ์ ละเทคโนโลยี มหาวิทยาลยั มหาสารคาม http://www.journal.msu.ac.th เผยแพรเ่ มือ่ วันท่ี 30 เมษายน 2564

บทบรรณาธิการ

เมอื่ “หมอ่ น” มิใชเ่ พียงเพื่อ “ม่อน” อกี ตอ่ ไป
“หม่อน” เป็นช่ือเรียกพืชชนิดหน่ึง ในภาษาอังกฤษเรียกพืชชนิดน้ีว่า Mulberry ซึ่งจัดอยู่ในจำาพวก Morus  sp.

เปน็ พชื ทสี่ ามารถพบไดแ้ ทบจะในทกุ ทวปี ทวั่ โลก โดยเฉพาะอยา่ งยงิ่ ในประเทศทเ่ี คยมอี ารยธรรมหรอื รอ่ งรอยของการปลกู หมอ่ น
เลยี้ งไหมมากอ่ น ทง้ั นเี้ พราะใบหมอ่ นถอื เปน็ พชื อาหารเพยี งชนดิ เดยี วของ “ตวั มอ่ น” (ในภาษาอสี าน) หรอื หนอนไหม (ในภาษา
กลาง) ท่ีเราคุ้นเคยกันดีนั่นเอง นอกเหนือจากใบหม่อนท่ีเป็นอาหารหลักสำาหรับการเลี้ยงหนอนไหมแล้ว ยังมีผลหม่อนซ่ึงจัด
อยู่ในกลุ่ม “เบอรี่” ที่มีสีสันและรสชาติชวนรับประทานเป็นอย่างย่ิง แต่สิ่งท่ีสำาคัญย่ิงกว่าไปกว่าสีสันและรสชาติที่ดีเย่ียม
เหล่าน้ัน ผลงานวิจัยเกี่ยวกับผลหม่อนจำานวนมากเผยให้เห็นว่า ผลหม่อนอุดมไปด้วยสารอาหารและคุณประโยชน์ต่อร่างกาย
นานบั ประการ ในปัจจบุ นั เราจงึ สามารถเหน็ ผลิตภัณฑอ์ นั หลากหลายท่ีแปรรูปจากผลหม่อน อาทิ แยม น้ำาผลไม้ ชา ไปจนถงึ
ไวน์ช้ันยอดท่ีหมักจากผลหม่อนได้ด้วยเช่นกัน การวิเคราะห์ปริมาณสารอาหารในผลหม่อนอบแห้งในลักษณะเดียวกับลูกเกด
จาำ นวน 17 กรัมจะใหพ้ ลงั งานเพยี ง 60 กิโลแคลอรี่ โดยประกอบไปดว้ ยคารโ์ บไฮเดรตร้อยละ 70 เส้นใยร้อยละ 14 มีโปรตนี
รอ้ ยละ 12 และมไี ขมนั รอ้ ยละ 3 ของนาำ้ หนกั ซงึ่ ถอื ไดว้ า่ มโี ปรตนี สงู เมอื่ เทยี บกบั ผลไมใ้ นกลมุ่ เบอรดี่ ว้ ยกนั อกี ทงั้ ยงั มเี สน้ ใยทงั้ ชนดิ
ทล่ี ะลายนาำ้ ไดเ้ ชน่ เพคตนิ อยรู่ อ้ ยละ 25 และชนดิ ทลี่ ะลายนา้ำ ไมไ่ ดอ้ ยา่ งลกิ นนิ อยรู่ อ้ ยละ 75 ของปรมิ าณเสน้ ใยทงั้ หมด นอกจากน้ี
ผลหม่อนยังอุดมไปด้วยวิตามินซี วิตามินเค วิตามินอี และแร่ธาตุจำาเป็น เช่น เหล็กและโพแทสเซียม เป็นต้น ด้วยเหตุน้ีเอง
ทท่ี าำ ใหผ้ ลหมอ่ นกลายเปน็ ผลไมท้ เี่ ปน็ ทรี่ จู้ กั และไดร้ บั ความนยิ มไปทว่ั โลก ในประเทศไทยเอง เรม่ิ มเี กษตรกรเพาะปลกู หมอ่ นเพอื่
เก็บเกยี่ วผลหมอ่ นสำาหรบั จาำ หน่ายทั้งในลักษณะของผลสด หรือแปรรูปเป็นนำา้ ผลไม้ หรอื ผลติ ภัณฑต์ า่ งๆ โดยมีกลุ่มเป้าหมาย
เปน็ ผทู้ ร่ี กั สขุ ภาพและตอ้ งการผลลพั ธใ์ นแงข่ องการชว่ ยควบคมุ ระดบั นา้ำ ตาลในเลอื ด ชว่ ยลดคอเลสเตอรอล ปอ้ งกนั โรคความดนั
โลหิตสงู ชว่ ยเสริมสร้างภูมคิ ุม้ กันให้แข็งแรง ชว่ ยระบบการไหลเวยี นของเลอื ดและชว่ ยแก้ปัญหาทอ้ งผกู เป็นต้น โดยปัจจุบนั
สามารถพบผลหมอ่ นสดจดั จาำ หนา่ ยอยใู่ นหา้ งสรรพสนิ คา้ ชน้ั นาำ โดยมรี าคาเฉลย่ี อยทู่ กี่ โิ ลกรมั ละ 200 บาท อยา่ งไรกด็ ี การจะให้
เกษตรกรสามารถสร้างรายได้อย่างยั่งยืนจากการปลูกหม่อนเพ่ือจำาหน่ายผลนั้น จำาเป็นอย่างย่ิงที่จะต้องได้รับการส่งเสริมและ
สร้างห่วงโซ่อุปทานท่ีเป็นธรรม รวมถึงการใช้เทคโนโลยีเพ่ือเสริมสร้างให้เป็นผลิตภัณฑ์ที่มีนวัตกรรม สอดคล้องกับกระแส
รักสุขภาพที่กำาลังเกิดข้ึนอยู่ในขณะน้ี และเม่ือผลิตภัณฑ์นวัตกรรมจากหม่อนได้รับการยอมรับท้ังในแง่ของมาตรฐานการผลิต
และประสิทธิภาพชั้นเลิศต่อสุขภาพอย่างแท้จริงแล้ว เวลาน้ัน การปลูก “หม่อน” จะมิใช่เพียงเพื่อเป็นอาหารของตัว “ม่อน”
อกี ต่อไป

รองศาสตราจารย์ ดร.วัลยา สุทธิขาำ
บรรณาธกิ าร

สารบญั

บทความวชิ าการ 127
Agricultural Science

รปู แบบพฤตกิ รรมความเฉพาะเจาะจงของการกนิ และกลวธิ านการถ่ายทอดไวรสั โรคพืช
แบบไม่ไหลเวยี นชนิดไม่ถาวรและก่ึงถาวรของแมลงพาหะ
Specific feeding behavior modes and mechanisms of Non-Circulative phytopathogenic
virus transmission in Non-Persistent and Semi-Persistent types of transmission of insect vectors

ฐานัฎ ณ พทั ลุง
Thanat Na Phatthalung

บทความวิจยั 137
Computer and Information Technology

การเปรยี บเทียบประสิทธภิ าพของแบบจำาลองการทาำ นายความเสี่ยงโรคหวั ใจ
และหลอดเลอื ดโดยใช้อัลกอรทิ มึ เหมืองขอ้ มลู
Efficiency comparison of cardiovascular risk prediction models using data mining algorithms

นงเยาว์ ในอรุณ
Nongyao Nai-arun

ระบบสังเกตการณก์ ารใช้น้ำาดว้ ยการประมวลผลภาพ 148
Water utilization monitoring system by using image processing

ลุคมาน ไชยราบ, เการาบ รงุ เยว, ศิริกานต์ ชูเชดิ
Lukman Chaiyarab, Gaurav Dhungyel, Sirikan Chucherd

การเปรียบเทียบประสทิ ธภิ าพของเทคนิคเหมอื งขอ้ มลู สาำ หรบั พยากรณก์ ารเกดิ โรค 157
The efficiency comparison of data mining techniques for patient incidence

อุกฤษฏ์ ศรสี ขุ , จารี ทองคาำ
Ukrit Srisuk, Jaree Thongkam

Engineering 164

การศึกษาพฤตกิ รรมลา้ จากการอบออ่ นของเหล็กกล้าคารบ์ อน เกรด AISI 1050
ทผี่ า่ นการเช่ือมดว้ ยวธิ แี กส๊ ปกคลมุ
Study of fatigue behavior of AISI 1050 steel annealing with metal active gas process

นพิ นธ์ มณโี ชต,ิ ชยั ยทุ ธ มงี าม
Nipon Maneechot, Chaiyoot Meengam

การประเมนิ ความคมุ้ คา่ ทางเศรษฐศาสตรข์ องเซลล์เช้อื เพลงิ จุลินทรีย์แบบใช้วัสดุกรอง 173
สาำ หรบั บาำ บดั น้ำาเสียน้าำ ชะขยะ
An economic worthiness assessment of a bio-filter microbial fuel cell for leachate wastewater treatment
วจัสกร กาญจนะ, ฐิติพงศ์ พรหมจอม, วรินทร์ มสี ตั ย์
Wajussakorn Kanjana, Thitiphong Promjom, Warin Meesat

สารบัญ 181
192
การออกแบบตวั ควบคุมพีไอท่ตี อ่ เรียงกันของวงจรแปลงผันกำาลงั แบบเพ่ิมแรงดนั ไฟฟ้า 203
โดยใชอ้ ัลกอรทิ มึ ตาบูเชงิ ปรบั ตัว
The cascade PI controller design of a boost converter using an adaptive Tabu search algorithm 213
220
วิภษู ณะ ฉายินทุ 228
Wiphusana Chayinthu
พฤติกรรมการเดินทาง และการเข้าถึงการใชบ้ ริการรถ Shuttle bus ภายในมหาวิทยาลยั ขอนแกน่
Travel behavior and accessibility of shuttle bus in Khon Kaen University
หฤษิต ชาตาธคิ ณุ , ลัดดา ตนั วาณชิ กลุ
Haruesit Chatathicoon, Ladda Tanwanichkul

Health Science

คุณภาพอากาศภายในอาคารและความสมั พันธ์กบั กลมุ่ อาการผวิ หนังของนักศึกษาแพทย์
ขณะเรยี นมหกายวิภาคศาสตร์
Indoor air quality and its associations with skin related syndrome among
medical students during gross anatomy dissection

เสาวนยี ์ หน่อแก้ว, ปัณณธร ธรรมบุตร, รฏั ชพงศ์ ไชยเดช,
กาญจนา ชา้ งแกว้ , ณัฐพงศ์ ยมสมิต, อารญุ เกตุสาคร
Saowanee Norkaew, Pannathorn Thammabut, Ratchapong Chaiyadej,
Kanjana Changkaew, Nattapong Yamasamit, Arroon Ketsakorn

Mathematics

Pสrมoบpตัยeทุrิขtธiอeพงsตงoศัวf์ ดมℜาำนเaสันmท-นิ oพิ กpาาeรรrมaณℜto,์ raดminรใุณนmปี iบnรญุiภิmชมู aาิโlรคsี,รtโrงชuสคcรชtu้ายั งreเวลริs็กิยpสะaพุดceงทษwีม่ ์ iีอthุดมanคตidิ eal
Yutthapong Manuttiparom, Daruni Boonchari, Chokchai Viriyapong

Physical Science

การสร้างเครือ่ งวดั สนามแม่เหลก็ กระแสสลับอยา่ งง่ายสาำ หรบั การเรยี นการสอน
Construction of a simple alternative current (AC) magnetic field meter for classroom teaching

ทพิ ยว์ รรณ หงกะเชญิ , สมประสงค์ โพธ์ิสดุ , นัตติพร เจรญิ ชีพ, รตั นสุดา สภุ ดนัยสร, ธนพงษ์ เชอ้ื ฉุน
Tippavan Hongkachern, Somprasong PhoSud, Nattiporn charcencheep,
Rattanasuda Supadanaison, Tanapong Chuachun
ผลของรปู แบบการไหลแบบธรรมชาติกับการไหลแบบบังคบั ของน้าำ ต่อคา่ ประสิทธภิ าพของ
แผงผลิตไฟฟา้ และความร้อนร่วมชนดิ กึ่งโปร่งแสง
Effects of natural flow and force flow patterns of water on efficiency of a semi-transparent
photovoltaic thermal module
เอกภมู ิ ใจศิริ, อนสุ รณ์ แสงประจกั ษ์
Akaphoom Jaisiri, Arnusorn Seangprajak

VI J Sci Technol MSU Vol 40. No 2, March-April 2021

รูปแบบพฤติกรรมความเฉพาะเจาะจงของการกิน และกลวิธานการถ่ายทอดไวรัสโรคพืช
แบบไม่ไหลเวียนชนดิ ไม่ถาวรและกงึ่ ถาวรของแมลงพาหะ
Specific feeding behavior modes and mechanisms of Non-Circulative phytopathogenic
virus transmission in Non-Persistent and Semi-Persistent types of transmission of
insect vectors

ฐานัฎ ณ พทั ลุง1*
Thanat Na Phatthalung1*
Received: 10 November 2020 ; Revised: 25 January 2021 ; Accepted: 2 March 2021
บทคดั ยอ่

การระบาดและการถา่ ยทอดไวรสั พชื โดยแมลงพาหะนบั เปน็ ปญั หาส�ำ คญั ของกระบวนการบรหิ ารจดั การทางการเกษตร เนอ่ื งจาก
แมลงพาหะมีวงจรชีวิตสั้น สามารถอพยพเคลอ่ื นย้ายตามลมมรสมุ ได้ในระยะทางทใ่ี กลแ้ ละไกล นอกจากนพ้ี ฤติกรรมของแมลง
พาหะสามารถปรบั เปลย่ี นเพอื่ ความอยรู่ อดไดต้ ามถน่ิ อาศยั และสภาพแวดลอ้ ม จงึ สามารถผลติ ประชากรไดใ้ นระยะเวลาอนั รวดเรว็
ซง่ึ สง่ ผลกระทบและกอ่ ใหเ้ กดิ ความเสยี หายเปน็ วงกวา้ งตอ่ ผลผลติ เพอ่ื การบรโิ ภคภายในประเทศและการสง่ ออก บทความฉบบั
นจ้ี งึ ไดท้ บทวนวรรณกรรมและใหม้ มุ มองทมี่ งุ่ เนน้ ถงึ รปู แบบและกลวธิ านในการถา่ ยทอดไวรสั โรคพชื โดยแมลงพาหะแบบไมไ่ หล
เวียนซ่ึงสามารถจำ�แนกได้เป็นสองรูปแบบหลัก ได้แก่ แบบไม่ไหลเวียนชนิดไม่ถาวรและแบบไม่ไหลเวียนชนิดกึ่งถาวร ตาม
ลำ�ดับ รูปแบบการถ่ายทอดไวรัสแบบไม่ไหลเวียนน้ีจะอาศัยปฏิสัมพันธ์ที่เกิดขึ้นระหว่างโปรตีนตัวส่ือสัญญาณบริเวณพ้ืนผิว
อนภุ าคไวรสั และโปรตนี ตวั รบั สญั ญาณบรเิ วณอวยั วะสว่ นปากของแมลงพาหะทม่ี คี วามสอดคลอ้ งกบั ชว่ งระยะเวลาการไดร้ บั ไวรสั
ของแมลงพาหะจากพชื การถ่ายทอดไวรสั ไปสูพ่ ืชโดยแมลงพาหะ และขอบเขตทีจ่ �ำ กัดของการเกิดปฏิสมั พันธร์ ะหวา่ งไวรสั พชื
และแมลงพาหะ ไดแ้ ก่ ช่วงวนิ าทีถึงนาที และชว่ งนาทีถึงชัว่ โมง ตามล�ำ ดับ โดยเฉพาะขอบเขตของการเกดิ ปฏิสมั พันธบ์ รเิ วณ
ส่วนปลายปาก และบรเิ วณทางเดินอาหารสว่ นหน้าของแมลงพาหะเท่านัน้ ทงั้ นไ้ี วรสั พืชจะไมม่ กี ารเพมิ่ จำ�นวนและเคลื่อนย้าย
เขา้ สกู่ ระแสโลหิตของแมลง ไม่มกี ารไหลเวยี นเขา้ สชู่ ่องว่างกลางล�ำ ตัว ไมส่ ามารถถ่ายทอดไวรสั ไดภ้ ายหลังจากการลอกคราบ
ของแมลงพาหะ และไมส่ ามารถถ่ายทอดไวรสั ผ่านทางไข่ การเรียนรู้และการเขา้ ใจถงึ พฤตกิ รรมตามธรรมชาตแิ ละความเฉพาะ
เจาะจงของกระบวนการถ่ายทอดไวรัสโรคพืชโดยแมลงพาหะจะนำ�ไปสู่การวางยุทธศาสตร์ในระเบียบวิธีและการถ่ายทอดองค์
ความรู้ และการปฏิบัตทิ มี่ ีประสทิ ธิภาพและเกดิ ประสทิ ธผิ ลสงู สดุ อย่างเปน็ รูปธรรมทยี่ ั่งยนื เพ่ือการควบคุมการแพรร่ ะบาดของ
ไวรัสโรคพืชและแมลงพาหะ และปอ้ งกันผลกระทบเชิงลบตอ่ อตุ สาหกรรมเกษตรท้ังในระดบั จลุ ภาคและมหภาค
ค�ำ ส�ำ คญั : ไวรสั พชื แมลงพาหะ การถา่ ยทอดไวรสั พชื แบบไมไ่ หลเวยี น การถา่ ยทอดไวรสั พชื ชนดิ ไมถ่ าวร การถา่ ยทอดไวรสั

พืชชนิดกึง่ ถาวร

1 นักศึกษาปริญญาเอก สาขาวิชาเทคโนโลยชี ีวภาพ คณะวิทยาศาสตร์และเทคโนโลยี มหาวทิ ยาลัยธรรมศาสตร์ ศูนย์รงั สิต อำ�เภอคลองหลวง
จังหวดั ปทุมธานี 12120

1 Ph.D. student, Department of Biotechnology, Faculty of Science and Technology, Thammasat University, Rangsit Campus, Khlong Luang,
Pathum Thani 12120 Thailand

* Corresponding author. E-mail: [email protected]

128 Thanat Na Phatthalung J Sci Technol MSU

Abstract

The outbreak and transmission of plant viruses by insect vectors present major problems in agricultural management
processes. Insects have short reproductive life cycles and both short- and long-distance migrations on monsoon winds.
In addition, insect behavior may alter for survival according to habitat and environment, producing populations relatively
quickly. This causes widespread damage to agricultural yields for domestic consumption and export. This article reviews
the literature, focusing on the perspective of feeding behavior modes and mechanisms of non-circulative plant viral
disease transmission by insect vectors. These can be classified into two main types: non-persistent and semi-persistent.
Types of transmission may be distinguished by interaction between signaling proteins on viral particle surface areas and
receptor proteins in vector mouthparts. These interactions were reported as consistent with feeding periods for vector
acquisition and inoculation periods in plants, and with limiting plant viral-vector interaction from seconds to minutes,
and minutes to hours respectively. In particular, limiting interaction of the tip and foregut of the vector mouth resulted
in plant viruses not multiplying or moving into the circulatory system hemolymph, hemocoel, post-molt transmission, or
transovarial transmission. Study and understanding natural behavior and specificity of plant viral diseases transmitted
by vectors may lead to strategic planning for methodological knowledge and knowledge transfer. Efficient and effective
techniques in practical sustainability should therefore be developed, controlling the spread of plant viral diseases and
vectors and preventing negative effects on the agricultural industry at both micro and macro levels.
Keywords: Plant viruses, Insect vectors, Non-circulative plant virus transmission, Non-persistent plant virus

transmission, Semi-persistent plant virus transmission

บทนำ� การรับรู้และการเข้าใจถึงกระบวนการในการถ่ายทอดไวรัส
โรคพืชโดยแมลงพาหะนี้ มีส่วนสำ�คัญอย่างย่ิงที่จะนำ�ไปสู่
ชนิดของไวรัสพืชและแมลงพาหะมีรูปแบบและกลวิธานหรือ การต่อยอดทางความคิดในทางทฤษฎีเพ่ือที่จะเข้าใจการ
กระบวนการถา่ ยทอดเพอ่ื การกอ่ โรคทจ่ี �ำ เพาะและหลากหลาย พัฒนาการและปฏิสัมพันธ์ระหว่างแมลงพาหะและไวรัส
ซ่ึงมีการศึกษามายาวนาน ผลจากการศึกษารูปแบบและ โรคพืช และนำ�ไปสู่การปฏิบัติอย่างเป็นรูปธรรมมากย่ิงข้ึน
กระบวนการถา่ ยทอดไวรสั พชื โดยแมลงพาหะนถ้ี กู ใชเ้ ปน็ หนง่ึ เพ่ือป้องกัน ควบคุม และกำ�จัดแมลงพาหะและไวรัสโรคพืช
ในหลักเกณฑ์สำ�คัญหลายๆ หลักเกณฑ์เพ่ือการจัดอนุกรม ไดอ้ ย่างมปี ระสิทธภิ าพ
วิธานของไวรัสพืช (plant virus taxonomy) ผนวกกับการมี
เทคโนโลยกี ารวเิ คราะหล์ �ำ ดบั เบส (sequencing technologies) แมลงพาหะและความสำ�คัญของการถ่ายทอด
จึงทำ�ให้สามารถที่จะพิสูจน์ (identification) และทวนสอบ ไวรัสพชื
(verification) ความถกู ตอ้ งของทฤษฏีต่างๆ ทม่ี กี ารน�ำ เสนอ
เก่ียวกับรูปแบบและกระบวนการถ่ายทอดไวรัสพืชโดยแมลง ​กระบวนการถา่ ยทอดไวรสั พชื โดยแมลงพาหะไดร้ บั
พาหะได้ ท้ังนี้เน่ืองจากมีปฏิสัมพันธ์ระหว่างไวรัสและแมลง การศึกษาวิจัยเป็นวงกว้าง เน่ืองจากมีจำ�นวนสมาชิก ความ
พาหะในรปู แบบทเ่ี ปน็ เอกลกั ษณจ์ �ำ เพาะ (unique relationship) หลากหลาย และความจำ�เพาะของไวรัสพืชและแมลงพาหะ
ทงั้ ปฏิสมั พันธ์เชงิ เด่ียว (single-relationship) และปฏิสัมพนั ธ์ มากท่ีสุดเมื่อเปรียบเทียบกับกระบวนการถ่ายทอดไวรัสใน
ร่วมกัน (co-relationship) ในรูปแบบที่เป็นปฏิปักษ์ รูปแบบอ่ืนๆ ผนวกกับผลกระทบเชิงลบที่ส่งผลต่อผลิตผล
(antagonistic) และเสริมฤทธิ์ (synergistic) (Syller, 2012) ทางการเกษตรและภาพรวมในระดับเศรษฐกิจ ซ่ึงสามารถ
การจัดรูปแบบของการถ่ายทอดไวรัสพืชโดยแมลงพาหะจึง พบได้ทั่วทุกภูมิภาคของโลกท้ังพ้ืนที่เขตอบอุ่น (temperate
มีความสำ�คัญในการศึกษาเพื่ออธิบายถึงกระบวนการและ zone) เขตกง่ึ ร้อน (subtropical zone) และเขตร้อน (tropical
ปฏิสัมพันธ์ของกระบวนการในระดับชีวโมเลกุลเพื่อการ zone) ตวั อยา่ งของแมลงพาหะทถี่ า่ ยทอดไวรสั พชื ไดแ้ ก่ แมลง
ถา่ ยทอดโรค จ�ำ พวกเพลยี้ อ่อน (aphid หรือ plant lice) เพล้ียไฟ (thrips)
ดังน้ัน บทความวิชาการฉบับนี้จึงนำ�เสนอรูปแบบ เพล้ียแป้ง (mealybug) แมลงหว่ีขาว (whitefly) ไร (mite)
และปฏิสัมพันธ์ของกระบวนการถ่ายทอดไวรัสโรคพืชแบบ ตวั ดว้ ง (beetle) เพลย้ี กระโดด (planthopper) และเพลยี้ จกั จน่ั
ไม่ไหลเวียนโดยแมลงพาหะ ซ่ึงจะต้องมีการพัฒนาร่วมกัน (leafhopper) เป็นตน้ (Stafford et al., 2012)
ระหวา่ งจากไวรสั สาเหตโุ รคพชื และแมลงพาหะ (co-evolution)

Vol 40. No 2, March-April 2021 Review of Specific Feeding Behavior Modes and Mechanisms of 129

Non-Circulative Phytopathogenic Virus Transmission in Non-Persistent...

​ ความสำ�คัญของการถ่ายทอดไวรัสพืชโดยแมลง ไปสู่อวัยวะเป้าหมายภายในอวัยวะภายในของแมลงพาหะ
พาหะนี้ สืบเน่ืองจากการระบาดสรา้ งความเสียหายของแมลง (Dietzgen et al., 2016 ; Gray et al., 2014 ; Ng & Falk,
พาหะและไวรสั พชื ซง่ึ มสี าเหตจุ ากกระบวนการและเทคโนโลยี 2006 ; Whitfield et al., 2015) จากรายงานการศึกษาซึง่ มี
ทางการเกษตรแบบสำ�เร็จรปู (package of technology) ใน อยู่มากมายในฐานข้อมูลงานวิจัยทางวิชาการถึงกระบวนการ
ระดับอุตสาหกรรมทั้งจุลภาคและมหภาคเพ่ือผลิตพืชให้ได้ ถ่ายทอดไวรัสพืชโดยแมลงพาหะแบบไม่ไหลเวียน และ
ปรมิ าณมากในบรเิ วณใดบรเิ วณหน่ึง (monoculture) ท�ำ ให้มี ปฏิสัมพันธ์ระหว่างไวรัสและเน้ือเย่ืออวัยวะภายในของแมลง
ปรมิ าณพชื อาหารและพชื อาศยั ของแมลงทม่ี ากเกนิ พอ แมลง พาหะน้ีสามารถสรปุ ประเดน็ สำ�คญั ไดด้ งั นี้
จึงมีศักยภาพท่ีจะปรับตัวตามธรรมชาติเพ่ือเพิ่มปริมาณได้ 1. การถ่ายทอดไวรัสพืชโดยแมลงพาหะแบบ
อย่างรวดเร็วและมหาศาล ซึ่งแมลงพาหะมีช่วงอายุขัยที่สั้น ไม่ไหลเวียน
และมีการอพยพเคล่ือนที่หรือการอยู่ข้ามฤดูปลูกในพื้นที่ ​ การเคลื่อนย้ายและการเพ่ิมจำ�นวนของไวรัสพืชใน
เกษตรกรรม เปน็ เหตใุ หย้ ากตอ่ การปอ้ งกนั ควบคมุ และก�ำ จดั อวัยวะภายในของแมลงพาหะเพ่ือการถ่ายทอดไวรัสพืชแบบ
เมื่อเกิดอุบัติการณ์การระบาดน้ีข้ึนจึงนำ�มาซ่ึงกระบวนการ ไม่ไหลเวียน (non-circulative transmission หรือ cuticle
ผลิตซำ้�เป็นวงจรลูกโซ่อย่างต่อเน่ืองของความเสียหายและ associated) เกิดจากปฏิสัมพันธ์ระหว่างแมลงพาหะและ
ลักษณะทางกายภาพท่ีปรากฏบนพืชอาศัย ได้แก่ ความเสีย พืชโดยตรง (direct physical contact หรือ mechanical
หายทางตรงจากการดูดกินนำ้�เลี้ยงพืชเพื่อทำ�ลายพืชของ transmission) โดยกระบวนการถ่ายทอดไวรัสพชื นี้ แมลงจะ
แมลงพาหะ ความเสียหายทางอ้อมจากไวรัสก่อโรคพืชท่ี ใช้ส่วนปาก (mouthparts หรอื oral cavity) ทีม่ ีลักษณะแบบ
ถ่ายทอดโดยแมลงพาหะ และลักษณะทางกายภาพบนพืช เจาะดดู (piercing-sucking type) (Drucker & Then, 2015)
อาศยั แตล่ ะชนดิ ทป่ี รากฏความแตกตา่ งกนั อยา่ งจ�ำ เพาะเนอ่ื ง ซึ่งอยู่ทางด้านล่างของส่วนหัว และเป็นบริเวณช่องทางเดิน
มาจากการเข้าทำ�ลายของไวรัสพืชและแมลงพาหะ ลักษณะ อาหารสว่ นหนา้ (anterior alimentary canal) ทป่ี ระกบกนั เปน็
เช่นนี้ไม่สามารถท่ีจะเกิดขึ้นได้หากขาดการพัฒนาร่วมกัน หลอดยาว (stylet) จากรยางคแ์ หลมและเลก็ คลา้ ยเขม็ (needle)
(coevolution) ของพืชอาศัย แมลงพาหะ และไวรัสก่อโรค ของกราม (mandible) และฟนั (maxilla) แทงเจาะเขา้ ไปใน
เปน็ ต้น (MacDiarmid et al., 2013) เนื้อเย่ือพืชเพ่ือการดูดกินนำ้�เลี้ยง โดยโครงสร้างภายในส่วน
ปากประกอบดว้ ยชอ่ งปากสว่ นรบั อาหารเขา้ (maxillary stylet
กระบวนการและรูปแบบของถ่ายทอดไวรัสพืช food canal) และช่องปากส่วนปลอ่ ยน�้ำ ลาย (maxillary stylet
โดยแมลงพาหะ salivary canal) (Powell, 2005) ซ่ึงในขณะท่ีแมลงพาหะใช้
ปากแทงเจาะเข้าไปในเน้ือเยื่อพืชเพ่ือการดูดกินน้ำ�เลี้ยงนี้
​กระบวนการถา่ ยทอดไวรสั พชื โดยแมลงพาหะ (plant ปากของแมลงจะแทงเจาะเซลล์พืชหลายๆ เซลล์ เพอ่ื ท�ำ การ
viral transmission) ประกอบด้วย 3 ข้ันตอนหลักที่สำ�คัญ ส�ำ รวจ (probe หรือ stylet penetration) ความเหมาะสมของ
ไดแ้ ก่ (1) การรับไวรัส (acquisition) จากพืชที่เป็นโรค (viral พชื (host-plant suitability) กอ่ นเรมิ่ กระบวนการดดู กนิ ดงั นนั้
infected plants) (2) ความสามารถในการเพ่ิมจำ�นวน เซลลพ์ ชื ทถ่ี กู แทงเจาะดว้ ยปากของแมลงแมจ้ ะไมม่ กี ารดดู กนิ
(replication) และการฟักตัว (incubation) ของไวรัสพืช น้ำ�เลี้ยงจงึ สามารถท่จี ะได้รบั ไวรัสจากแมลงพาหะได้ ในขณะ
ในอวัยวะภายในของแมลงพาหะ และ (3) การเคล่ือนย้าย เดยี วกนั แมลงกส็ ามารถไดร้ บั ไวรสั จากเซลลพ์ ชื ทเ่ี ปน็ โรคเชน่
(translocation) ไวรัสพืชไปยังส่วนท่ีจะทำ�ให้เกิดโรค เดียวกัน หลังจากแมลงได้รับไวรัสจากการแทงเจาะเซลล์พืช
(inoculation) ตามล�ำ ดับ (Drucker & Then, 2015) รปู แบบ ของปากแลว้ ไวรสั พชื จะเกดิ ปฎสิ มั พนั ธเ์ ฉพาะบรเิ วณชน้ั เยอื่ บุ
การเพ่ิมจำ�นวนและการเคล่ือนย้ายของไวรัสพืชในอวัยวะ คิวติเคิล (cuticular lining) ของช่องอาหาร (food canal) และ/
ภายในของแมลงพาหะ สามารถแบ่งไดเ้ ปน็ 2 ลักษณะ ไดแ้ ก่ หรอื ชอ่ งน�้ำ ลาย (salivary canal) จากนน้ั จงึ สามารถไหลเวยี น
(1) แบบไม่ไหลเวียน หรือไม่มีการเคล่ือนย้ายของไวรัส (circulation) และเคลอื่ นเขา้ สหู่ ลอดอาหาร (esophagus) และ
เข้าสู่อวัยวะภายในของแมลงพาหะ (non-circulative) และ บริเวณทางเดินอาหารส่วนหน้า (foregut หรอื stomodeum)
(2) แบบไหลเวยี น หรอื มกี ารเคลอ่ื นยา้ ยของไวรสั เขา้ สอู่ วยั วะ เทา่ นน้ั โดยไวรสั พชื ไมม่ กี ารเคลอื่ นยา้ ยเขา้ สกู่ ระแสโลหติ ของ
ภายในของแมลงพาหะ (circulative หรือ persistent) โดยมี แมลงที่มีระบบหมุนเวียนโลหิตแบบเปิด (open circulatory
ปจั จยั ท่ีส่งผลตอ่ ลกั ษณะทง้ั สองดังกล่าวนี้ ไดแ้ ก่ (1) ลักษณะ system) ซึ่งเป็นระบบที่กระแสโลหิตไม่ได้ไหลเวียนไปตาม
อวัยวะเพอื่ การดูดกินน้ำ�เลยี้ งพชื ของแมลงพาหะ (2) ความถี่ เสน้ เลอื ดตลอดเวลา และไมม่ กี ารไหลเวยี นเขา้ สชู่ อ่ งวา่ งกลาง
และชว่ งระยะเวลาปฎสิ มั พนั ธท์ แี่ มลงพาหะดดู กนิ น�้ำ เลยี้ งจาก ลำ�ตวั (haemocoel หรือ vector body cavity) (Haine et al.,
ท่อน้ำ�และท่ออาหารของพืช (frequency and duration of 2007 ; Viteri & Gordillo, 2009) โดยสามารถแบง่ ยอ่ ยไดเ้ ป็น
relationship) และ (3) กระบวนการเคลื่อนย้ายของไวรัสพืช

130 Thanat Na Phatthalung J Sci Technol MSU

2 ลักษณะ ได้แก่ (1) แบบไม่ถาวร หรือไวรัสไม่คงอยู่ในตัว ​​ 1.2 การถ่ายทอดไวรัสพืชโดยแมลงพาหะ
แมลงพาหะ (non-persistent หรอื stylet-borne transmission) แบบไมไ่ หลเวียนชนิดก่งึ ถาวร
และ (2) แบบกง่ึ ถาวร หรือไวรสั คงอย่ใู นตวั แมลงพาหะเพยี ง ​​ การถ่ายทอดไวรัสพืชแบบไม่ไหลเวียนชนิดก่ึง
ชว่ั คราว (semi-persistent หรอื foregut-borne transmission) ถาวรโดยแมลงพาหะ (non-circulative หรือ semi-persistent
ตามล�ำ ดบั (Pirone & Blanc, 1996 ; Powell, 1991) หรือ foregut-borne transmission) ในบางกรณีสามารถพบ
​​ 1.1 การถ่ายทอดไวรัสพืชโดยแมลงพาหะ ได้ในไส้เดือนฝอย (nematode) ตัวอย่างการถ่ายทอดไวรัส
แบบไม่ไหลเวียนชนดิ ไม่ถาวร ในลักษณะนี้สามารถพบได้ในไวรัสกลุ่ม dsDNA-RT สกุล
​​ การถ่ายทอดไวรัสพืชแบบไม่ไหลเวียนชนิดไม่ Badnavirus และไวรัสกลุ่ม ssRNA สกุล Closterovirus,
ถาวรโดยแมลงพาหะ (non-circulative หรือ non-persistent Sequivirus, Trichovirus และ Waikavirus เป็นตน้ โดยแมลง
หรือ stylet-borne transmission) จะมชี ว่ งระยะเวลาที่แมลง จำ�พวกเพล้ียอ่อน เพล้ียแป้ง แมลงหวี่ขาว และเพล้ียจักจ่ัน
พาหะได้รบั ไวรัส (acquisition period) โดยใช้อวัยวะส่วนปาก (Ng & Falk, 2006) เป็นตน้
(stylet) แบบเจาะดูดแทงเจาะเขา้ ไปในเน้อื เยอ่ื พืช และพรอ้ ม ​​ โดยท่ัวไปกระบวนการถ่ายทอดไวรัสพืชโดย
ทจ่ี ะถา่ ยทอดไวรสั (inoculation) ไดท้ นั ทอี ยา่ งรวดเรว็ (Ammar แมลงพาหะแบบไม่ไหลเวียนชนิดกึ่งถาวรนี้จะมีลักษณะท่ี
et al., 1994 ; Berger & Pirone, 1986 ; Brunt et al., 1996 ; คล้ายกับกระบวนการถ่ายทอดไวรัสพืชโดยแมลงพาหะแบบ
Martin et al., 2007 ; Powell, 2005) ภายหลังการดูดกิน ไม่ไหลเวียนชนิดไมถ่ าวร แต่จะมชี ว่ งระยะเวลาทแี่ มลงพาหะ
น้ำ�เล้ียงจากท่อนำ้�และท่ออาหารจากพืชที่เป็นโรคเพียง ได้รับไวรัสจากพืชท่ีเป็นโรค (acquisition period) ภายหลัง
คร้ังเดียว ซึ่งไม่มีระยะแฝงตัว (latent period) ของไวรัสใน การดูดกินน้ำ�เลี้ยงจากท่อนำ้�และท่ออาหารพืช โดยใช้ระยะ
แมลงพาหะ และใชร้ ะยะเวลาสนั้ ในชว่ งวนิ าทถี งึ นาที (Palacios เวลาท่ียาวนานขึ้น จัดอยู่ในช่วงระดับปานกลางอยู่ระหว่าง
et al., 2002) อีกท้ังลักษณะขอบเขตท่ีจำ�กัดของการเกิด ชั่วโมงถึงวัน แต่ในบางกรณีอาจยาวนานต้ังแต่วันถึงสัปดาห์
ปฏิสัมพันธ์ระหว่างไวรัสและแมลงพาหะ สามารถพบได้ และไมม่ ีระยะแฝงตัว (latent period) ของไวรัสในแมลงพาหะ
เฉพาะบริเวณส่วนปาก ทำ�ให้เรียกลักษณะดังกล่าวเช่นน้ีว่า เช่นเดียวกัน ประสิทธิภาพของการถ่ายทอดไวรัสจะเพ่ิมข้ึน
stylet-borne transmission นอกจากน้ลี ักษณะช่วงระยะเวลา หากแมลงมีระยะเวลาในการถ่ายทอดไวรัสติดต่อกันต้ังแต่
และบริเวณท่ีจำ�กัดน้ี ทำ�ให้กระบวนการถ่ายทอดไวรัสถูก 12-24 ชั่วโมง (หรือมากกวา่ ) เนอื่ งมาจากมขี อบเขตทจ่ี �ำ กัด
ยับย้ังโดยสารเคมีท่ีเป็นองค์ประกอบของน้ำ�ลายแมลง ส่งผล ของการเกิดปฏิสัมพันธ์ระหว่างไวรัสและแมลงพาหะบริเวณ
ใหส้ ญู เสยี ความสามารถในการคงอยภู่ ายในอวยั วะภายในและ อวยั วะสว่ นปากของแมลงและบรเิ วณทางเดนิ อาหารสว่ นหนา้
ประสทิ ธภิ าพในการถา่ ยทอดไวรสั ของแมลงพาหะ ท�ำ ใหเ้ รยี ก เทา่ นนั้ จงึ ท�ำ ใหเ้ รยี กลกั ษณะดงั กลา่ วเชน่ นว้ี า่ foregut-borne
ลกั ษณะดงั กลา่ วเชน่ นว้ี า่ non-persistent ตามล�ำ ดบั (Whitfield transmission ในทางกลับกันจะมีประสิทธิภาพที่ลดลงหรือ
et al., 2015) สูญเสียความสามารถในการถ่ายทอดโรค เน่ืองมาจากการ
​ตวั อยา่ งการถา่ ยทอดไวรสั ในลกั ษณะนส้ี ามารถ ดูดกินนำ้�เลี้ยงพืชจากพืชปกตินานประมาณ 2 วัน หรือเกิด
พบได้ในไวรัสกลุ่ม double-stranded DNA-reverse จากกระบวนการเผาผลาญสารอาหารของแมลง (Blanc et
transcriptase (dsDNA-RT) สกลุ Caulimovirus และไวรสั กลมุ่ al., 2014)
positive-sense (+) single-stranded RNA (ssRNA) สกุล 2. ปัจจัยท่ีเกี่ยวข้องและกรณีตัวอย่างของ
Fabavirus, Potyvirus, Carlavirus, Cucumovirus, Potexvirus, รูปแบบการถ่ายทอดไวรัสพืชโดยแมลงพาหะแบบไม่
Alfamovirus, Machlomovirus และ Macluravirus เป็นต้น ไหลเวียน
(van Bekkum et al., 2014) โดยแมลงจ�ำ พวกเพลีย้ ออ่ นและ ลักษณะการถ่ายทอดไวรัสพืชแบบไม่ไหลเวียนท้ัง
เพลี้ยไฟ ไดแ้ ก่ เพลย้ี ออ่ นยาสบู (peach-potato aphid) หรอื ชนดิ ชนดิ ไม่ถาวรและกึ่งถาวรดงั กลา่ วข้างต้นน้ี ไมส่ ามารถท่ี
เพลย้ี ออ่ นลกู ทอ้ (green peach aphid) ชนดิ Myzus persicae จะถ่ายทอดในแบบเชิงกล (mechanical transmission) แต่
(Sulzer,1776)เพลยี้ ออ่ นฝา้ ย(cottonaphid)หรอื เพลย้ี ออ่ นแตง ต้องอาศยั กระบวนการดดู กินน้�ำ เล้ียงพชื โดยแมลงพาหะ โดย
(melon aphid) ชนิด Aphis gossypii (Glover, 1877) เพลีย้ มีปัจจัยที่ส่งเสริมการเกิดปฏิสัมพันธ์ที่จำ�เพาะต่อกันระหว่าง
ออ่ นถว่ั (pea aphid) ชนดิ Acyrthosiphon pisum (Harris, 1776) องค์ประกอบดงั นี้ (1) สารประกอบของแมลงพาหะ (vector-
เพลี้ยอ่อนกะหล่ำ�ปลี (cabbage aphid) ชนิด Brevycoryne associated compounds) ทเี่ กย่ี วขอ้ งและสง่ ผลตอ่ กระบวนการ
brassicae (Linnaeus, 1758) (Uzest et al., 2010) และ และพฤตกิ รรมการรบั รขู้ องไวรสั (virus perceptive behavior)
เพล้ียไฟขา้ วโพด (corn thrips) ชนดิ Frankliniella williamsi โดยเฉพาะบริเวณส่วนปลายปากของแมลง (specific stylet
(Hood, 1915) (Cabanas et al., 2013) region) ซึ่งมีโปรตีนตัวรับสัญญาณที่ก่อโรคได้อยู่ (specific

Vol 40. No 2, March-April 2021 Review of Specific Feeding Behavior Modes and Mechanisms of 131

Non-Circulative Phytopathogenic Virus Transmission in Non-Persistent...

protein receptor) (2) ความเฉพาะเจาะจงกับชนดิ ของแมลง ​​ 3.1 Capsid protein strategy (CPS)
บริเวณดูดกิน และกระบวนการดูดกินนำ้�เลี้ยงพืชของแมลง CPS เป็นรูปแบบของการเกิดปฏิสัมพันธ์
พาหะ (3) พลวัตของเซลลพ์ ชื (dynamic plant cell) (4) การ ระหว่างไวรัสกับเซลล์ส่ิงมีชีวิตให้อาศัยโดยตรง (direct
เคล่ือนท่ีของไวรัสในเซลล์ส่ิงมีชีวิตให้อาศัย (host cell) จาก interaction) โดยอาศัยกลไกและความจำ�เพาะของโปรตีน
เซลล์หน่ึงไปอีกเซลล์หน่ึง (cell-to-cell movement protein) หน่วยย่อยบรเิ วณพนื้ ผวิ อนุภาคไวรัส (viral capsid protein,
และการแสดงอาการของโรค (symptoms expression) (5) VCP) ร่วมกับโปรตีนตัวรับสัญญาณบริเวณอวัยวะส่วนปาก
องคป์ ระกอบของอนภุ าคไวรสั พชื และ (6) บรเิ วณเนอ้ื เยอ่ื ของ ของแมลง (insect protein receptor, IPR) ทีจ่ ำ�เพาะในการ
พืชท่ีเป็นโรค (Bak et al., 2013 ; Martiniere et al., 2013) ถา่ ยทอดไวรสั ซงึ่ แบ่งไดส้ องลกั ษณะยอ่ ย ได้แก่
​ กระบวนการและพฤตกิ รรมการรบั รขู้ องไวรสั เปน็ ผล ​​ (1) อาศัยกลไกและความจำ�เพาะระหว่าง
สบื เนอ่ื งจากการแปรผนั ของรหสั พนั ธกุ รรมของไวรสั ทสี่ ามารถ ตำ�แหน่งและชนิดของกรดอะมิโนบน VCP ของอนุภาค
แปลรหสั ไดเ้ ป็นโปรตีน ซึง่ สง่ ผลตอ่ ลักษณะทางกายภาพของ ไวรสั และ IPR ของแมลงพาหะ ซึ่งหากเกิดการเปลีย่ นแปลง
อนภุ าคไวรสั (Drucker & Then, 2015 ; Lucas et al., 2002 ; ตำ�แหน่งและชนิดของกรดอะมิโนบน VCP ไป จะส่งผลต่อ
Perry et al., 1998 ; Smith et al., 2000) รวมทงั้ ความรนุ แรง กระบวนการและความจำ�เพาะของแมลงในการถ่ายทอด
ของลักษณะทางสัณฐานวิทยาท่ีเกิดขึ้นบนพืชอาศัย ได้แก่ โรค ไดแ้ ก่ ไวรัสในสกลุ Cucumovirus เชน่ ไวรสั ใบด่างแตง
(1) โปรตีนโครงสรา้ งของไวรัส (structural protein, SP) ท่ีท�ำ (Cucumber mosaic virus, CMV) จากการรายงานของ Perry
หนา้ ทปี่ อ้ งกนั สารพนั ธกุ รรมของไวรสั จากสง่ิ แวดลอ้ ม และชว่ ย et al., (1998) ไดศ้ ึกษาความสมั พนั ธข์ องตำ�แหนง่ กรดอะมโิ น
ในกระบวนการเกาะติดบริเวณผิวเซลล์ส่ิงมีชีวิตให้อาศัยของ บน VCP ของ CMV ทม่ี ผี ลตอ่ ประสทิ ธภิ าพในการถา่ ยทอดโรค
ไวรสั (viral attachment หรอื transportation) และ (2) โปรตนี โดยเพลี้ยอ่อน ด้วยการเปล่ียนแปลงชนิดของกรดอะมิโนบน
ทไ่ี มใ่ ชโ่ ครงสรา้ งของไวรสั (non-structural protein, NSP) ท�ำ VCP ของ CMV-M ซึง่ เปน็ สายพนั ธุข์ อง CMV ท่ีไม่สามารถ
หน้าที่ช่วยในกระบวนการเพิ่มจำ�นวนไวรัสในเซลล์สิ่งมีชีวิต ถ่ายทอดไวรัสได้ด้วยเพลี้ยอ่อนชนิดใดเลยในตำ�แหน่งท่ี 25,
ให้อาศยั เช่น reverse transcriptase (RNA-dependent-DNA 129, 162, 168 และ 214 ตามลำ�ดับ และพบว่า CMV-M
polymerase), neuraminidase และ lysozyme เปน็ ตน้ (Govier สามารถถ่ายทอดโรคได้ดว้ ยเพลี้ยอ่อน M. persicae (Sulzer,
& Kassanis, 1974) นอกจากน้หี ากโปรตีนดงั กลา่ วขา้ งต้นน้ี 1776) ได้ และเมื่อเปลย่ี นกรดอะมิโนในต�ำ แหน่งที่ 129, 162
เกดิ การผสมผสาน (combination) ทงั้ ระหวา่ งยนี ทค่ี ลา้ ยคลงึ กนั และ 168 แล้ว ทำ�ให้ CMV-M สามารถถ่ายทอดโรคได้ด้วย
(homologous)และตา่ งกนั (heterologous)จะพบวา่ ลกั ษณะการ เพลย้ี ออ่ น A. gossypii (Glover, 1877) ดังนน้ั กระบวนการ
ผสมผสานระหว่างยีนที่ตา่ งกนั (heterologous combination) ถ่ายทอด CMV ด้วยเพล้ียอ่อนจึงขึ้นกับตำ�แหน่งและชนิด
อาจนำ�ไปสู่การเปล่ียนแปลงความสามารถในการถ่ายทอด ของกรดอะมิโนบน VCP เป็นสำ�คัญ (Liu et al., 2002)
ไวรัสได้มากกวา่ 1 ชนิด (Pirone & Blanc, 1996) (Figure 1A)
3. กรณีตัวอย่างของรูปแบบการถ่ายทอดไวรัส ​​ (2) อาศัยกลไกและความจำ�เพาะระหว่าง
พชื โดยแมลงพาหะแบบไม่ไหลเวียน VCP ของอนภุ าคไวรัสและ IPR ของแมลงพาหะ ได้แก่ ไวรัส
​ ตัวอย่างของรูปแบบการถ่ายทอดไวรัสพืชทั้งชนิด ในสกลุ Closterovirus เชน่ Lettuce infectious yellows virus
DNA และ RNA โดยแมลงพาหะแบบไม่ไหลเวียน สามารถ (LIYV) ท่ีมีโปรตีนหน่วยย่อยบริเวณพ้ืนผิวอนุภาคไวรัสทั้ง
อธิบายได้อย่างชัดเจนผ่านกลไกและการเกิดปฏิสัมพันธ์ โปรตนี หนว่ ยยอ่ ยชนิดหลกั (major capsid protein, CP) และ
ระหวา่ งองคป์ ระกอบของอนภุ าคไวรสั และบรเิ วณรบั สญั ญาณ โปรตนี หนว่ ยยอ่ ยชนดิ รอง (minor capsid protein, CPm) โดย
ของแมลงพาหะเพ่ือการถ่ายทอดโรค ในลักษณะของโปรตีน LIYV จะอาศยั บรเิ วณจ�ำ เพาะของ CPm ในการเกดิ ปฏสิ มั พนั ธ์
โครงสร้างและโปรตีนท่ีไม่ใช่โครงสร้างของไวรัสซ่ึงจะทำ� กับ IPR ของแมลงพาหะ (Stewart et al., 2010 ; Tian et al.,
หน้าท่ีหลักเพอื่ เปน็ ตัวเชอื่ มโมเลกุล (molecular linker) และ 1999) (Figure 1C)
ตัวกลางในการเกดิ ปฏิสัมพันธ์ (mediates binding) ระหว่าง
ไวรัสและเซลล์สิ่งมีชีวิตให้อาศัย (Blanc et al., 2014 ; Ng ​​3.2 Helper protein strategy (HPS)
& Falk, 2006) หรอื เรยี กว่าโมเลกลุ สองหนา้ ท่ี (bi-functional HPS เป็นรูปแบบของการเกิดปฏิสัมพันธ์ที่
molecules) (Pirone & Blanc, 1996) ซึง่ สามารถเกิดไดก้ บั อาศัยโมเลกุลตัวกลางในการส่ือสัญญาณระหว่างไวรัสกับ
รูปแบบการถ่ายทอดไวรัสพืชแบบไม่ไหลเวียนทั้งชนิดชนิด แมลงพาหะ (indirect interaction) โดยอาศยั กลไกและความ
ไม่ถาวรและกึ่งถาวร และมีความจำ�เพาะเจาะจงกับชนิดของ จ�ำ เพาะระหว่าง VCP ของอนภุ าคไวรสั ในลกั ษณะปฏสิ ัมพนั ธ์
แมลง โดยสามารถแบ่งได้สองลักษณะ ได้แก่ ที่เกิดขึ้นของลำ�ดับของกรดอะมิโนของโปรตีนทางด้านปลาย

132 Thanat Na Phatthalung J Sci Technol MSU

C-terminus และ N-terminus ร่วมกับโปรตีนตัวช่วย [viral HC ของ IRP ของแมลง ในขณะเดียวกนั VCP ทางดา้ นปลาย
helper component protein (HC) หรือ virus-induced C-terminus ของโปรตีน P2 จะจบั อยู่กับโปรตนี P3 ของไวรัส
factor หรือ virus-encoded nonstructural accessory factor] ซ่ึงเป็น virion-associated packaging protein (VAP) ที่ไดร้ ับ
และ IRP ท่จี ำ�เพาะของแมลงพาหะในการถา่ ยทอดไวรสั โดย จากอนภุ าคของไวรสั ทป่ี ะปนมากับ mesophyll หรอื phloem
ต�ำ แหนง่ ของกรดอะมิโนของ VCP ของอนุภาคไวรัสทางด้าน ของพชื และท�ำ หนา้ ทจี่ บั กบั อนภุ าคของไวรสั (Espinoza et al.,
ปลาย C-terminus จะท�ำ หนา้ ทห่ี ลกั เพอื่ การจบั (binding) ของ 1991 ; Martiniere et al., 2009 ; Woolston et al., 1983)
อนุภาคไวรสั ในขณะท่ีกรดอะมิโนทางดา้ นปลาย N-terminus ดังน้ันเมื่อเกิดปฏิสัมพันธ์ขององค์ประกอบต่างๆ ที่เก่ียวข้อง
จะท�ำ หนา้ ทหี่ ลกั ในการจบั กบั IPR บรเิ วณปากของแมลงพาหะ กันนีแ้ มลงพาหะจงึ สามารถถ่ายทอดโรคได้ (Figure 1D)
ซึ่งแบง่ ได้สองลักษณะยอ่ ย ไดแ้ ก่
​​ (1) อาศยั กลไกและความจ�ำ เพาะในการเกดิ Figure 1 The transmission strategies of non-circulative plant
ปฏิสัมพันธ์ระหว่าง VCP ของอนุภาคไวรัสกับ IRP บริเวณ viruses in insect vectors of (A) CMV (El-Borollosy & Waziri,
อวัยวะส่วนปากของแมลง ที่เกิดปฏิสัมพันธ์ของโครงสร้าง
ระดบั ทตุ ิยภมู ิ (secondary structure) ทีท่ ำ�หน้าทใี่ นต�ำ แหนง่ 2013), (B) TVMV (Vincelli, 1994), (C) LIYV (Tian et al.,
ของปฏกิ ริ ยิ าทางชวี เคมี (motif) ทจ่ี �ำ เพาะเปน็ โมเลกลุ ตวั กลาง 1999), and (D) CaMV (Gnutova et al., 2002), respectively.
โดยมีโมเลกุลของ HC ร่วมในกลไก ซ่ึง HC อาจทำ�หน้าท่ี Notes: stylet salivary canal (SSC) ; stylet food canal (SFC)
เป็นโมเลกุลตัวกลางโดยตรงในลักษณะโมเลกุลเดี่ยวและสอง
โมเลกลุ หรอื HC อาจทำ�หน้าทีเ่ ป็นโมเลกุลตัวกลางโดยตรง ; plant tissue (PT) ; internal insect stylet canal (IISC) ;
ในลักษณะของการรวมกันของโมเลกุลที่ประกอบด้วย internal receptor protein (IRP) ; Cucumber mosaic virus
หนว่ ยยอ่ ย (monomer) ซงึ่ อาจจะเหมอื นกนั (homomer) หรอื (CMV) ; Lettuce infectious yellows virus (LIYV) ; Tobacco
ไมเ่ หมือนกนั (heteromer) ก็ได้ 2 หน่วย (dimer) ทเ่ี รยี กวา่ vein mottling virus (TVMV) ; Cauliflower mosaic virus
dimerization ได้แก่ ไวรสั ในสกลุ Potyvirus เช่น ไวรัสใบดา่ ง (CaMV) ; major capsid protein (CP) ; minor capsid protein
ของยาสบู (Tobacco vein mottling virus, TVMV) โดยมกี ลไก
ของปฏสิ มั พนั ธใ์ นการถา่ ยทอดโรค ดงั น้ี ล�ำ ดบั ของกรดอะมโิ น (CPm) ; internal insect foregut (IIFg) ; viral helper
ทางด้านปลาย N-terminus ของ VCP ของอนุภาคไวรัสมี component protein (HC) ; DAG (Asp-Ala-Gly)-amino acid
สว่ นอนรุ กั ษท์ เี่ รยี กวา่ DAG (Asp-Ala-Gly)-amino acid motif motif ; PTK (Phe-Thr-Lys) box ; KITC (Lys-Ile-Thr-Cys) box
(Lopez-Moya et al., 1999) ซึ่งเป็น aphid transmission
factor (ATF) ของไวรสั จะจบั กบั โมเลกุล HC ของ IRP ของ ; C-terminal viral protein-2 (VP-P2-C) ; N-terminal
แมลง โดย N-terminus-DAG motif ของ VCP น้ีจะจับกับ viral protein-2 (VP-P2-N) ; viral protein-3 (VP-P3) ;
บริเวณทางดา้ นปลาย C-terminus ทม่ี ีสว่ นอนรุ ักษ์ทเี่ รียกว่า
PTK (Phe-Thr-Lys) box ของ HC และ บรเิ วณทางดา้ นปลาย viral protein-4 (VP-P4)
N-terminus ทม่ี สี ว่ นอนรุ กั ษท์ เี่ รยี กวา่ KITC (Lys-Ile-Thr-Cys)
box ของ HC จะจบั กบั IRP ของแมลง ตามล�ำ ดบั (Chen et al.,
2011 ; Peng et al., 1998) ดังน้ันเม่ือเกิดปฏิสัมพันธ์ของ
องค์ประกอบต่างๆ ที่เก่ียวข้องกันน้ีแมลงพาหะจึงสามารถ
ถา่ ยทอดโรคได้ (Figure 1B)
​​(2) อาศยั กลไกและความจ�ำ เพาะในการเกดิ
ปฏิสัมพันธ์ระหว่าง VCP ของอนุภาคไวรัสกับ IRP บริเวณ
อวัยวะส่วนปากของแมลง โดยมี HC ทำ�หน้าที่เป็นโมเลกุล
ตวั กลาง ไดแ้ ก่ ไวรัสในสกุล Caulimovirus เชน่ ไวรสั ใบดา่ ง
ของดอกกะหล�่ำ (Cauliflower mosaic virus, CaMV) โดยมี
กลไกของปฏสิ มั พันธใ์ นการถ่ายทอดโรค ดังนี้ ลำ�ดับของกรด
อะมโิ นของ VCP ทางด้านปลาย N-terminus ของโปรตีน P2
ซ่ึงเป็น aphid transmission factor (ATF) หรอื HC ของไวรัส
ซึ่งได้รับจาก mesophyll ของพืชที่มีไวรัสจะจับกับโมเลกุล

Vol 40. No 2, March-April 2021 Review of Specific Feeding Behavior Modes and Mechanisms of 133

Non-Circulative Phytopathogenic Virus Transmission in Non-Persistent...

​กระบวนการถ่ายทอดโดยแมลงพาหะเป็นข้ันตอน สืบเนื่องจากการใช้พันธุ์พืชท่ีต้านทานหรือค่อนข้างต้านทาน
สำ�คัญของวงจรการก่อโรคของไวรัสพืช จากกระบวนการใน ต่อการทำ�ลายของไวรัสและแมลงพาหะในสภาพธรรมชาติ
การถา่ ยทอดไวรสั พชื โดยแมลงพาหะแบบไมไ่ หลเวยี น จะเหน็ ยังมีประสิทธิภาพไม่ดีเท่าที่ควร เกษตรกรจึงต้องใช้สารเคมี
ไดว้ า่ รปู แบบและปฏสิ มั พนั ธข์ องกระบวนการระหวา่ งไวรสั พชื เพ่ือการกำ�จัดแมลงศัตรูพืชในการควบคุมและป้องกันการ
และแมลงพาหะนม้ี คี วามจ�ำ เพาะและแตกตา่ งกนั ในแตล่ ะชนดิ แพรร่ ะบาด ในขณะเดยี วกนั การใชส้ ารเคมเี พอ่ื การกำ�จดั แมลง
ของไวรัสพืชและแมลงพาหะ (Whitfield, Falk, & Rotenberg, ศตั รพู ชื ไมส่ ามารถตอบโจทยข์ องการแกป้ ญั หาการระบาดและ
2015) รูปแบบและกระบวนการท่ีได้มีการนำ�เสนอดังกล่าว สร้างความเสียหายให้แก่ผลผลิตทางการเกษตรของไวรัสพืช
ข้างต้นน้ีข้ึนอยู่กับช่วงระยะเวลาการได้รับไวรัสจากพืชสู่ และแมลงพาหะอย่างเป็นรูปธรรมท่ียั่งยืนได้ ท้ังยังส่งผล
แมลงพาหะและการถ่ายทอดไวรัสจากแมลงพาหะสู่พืช การ กระทบในเชิงลบตอ่ ระบบนเิ วศนท์ างการเกษตร
เพมิ่ จ�ำ นวนของไวรสั พชื ภายในอวยั วะภายในของแมลงพาหะ ​ ดังนั้นการศึกษาวิจัยเพื่อเข้าใจกระบวนการตาม
รูปแบบและตำ�แหน่งท่ีเกิดปฏิสัมพันธ์ระหว่างไวรัสพืชและ ธรรมชาติของการถ่ายทอดโรคจึงเป็นกุญแจสำ�คัญที่จะไข
แมลงพาหะ สมบัติทางชีวโมเลกุลของอนุภาคไวรัส และองค์ ความลับของธรรมชาติ เม่ือศึกษาและเข้าใจกระบวนการ
ประกอบท่ีจำ�เพาะของการสื่อสัญญาณระหว่างไวรัสพืชและ ดังกล่าวนี้แล้ว จึงบูรณาการศาสตร์และศิลป์หลากหลาย
แมลงพาหะ เป็นตน้ แขนงเพอื่ แก้ปญั หาการระบาดของไวรัสและแมลงพาหะ เชน่
​หนึ่งในองค์ประกอบท่ีสำ�คัญท่ีทำ�ให้เกิดความ การนำ�ศาสตรท์ างด้านพนั ธุวศิ วกรรม (genetic engineering)
แตกต่างของกระบวนการและปฏิสัมพันธ์ของไวรัสพืชและ เพื่อปรับปรุงพันธุ์พืชให้ต้านทานต่อการเข้าทำ�ลายของไวรัส
แมลงพาหะแบบไมไ่ หลเวยี น คอื ความจ�ำ เพาะของ VCP ของ และแมลงพาหะ และการวิเคราะห์ความสัมพันธ์ในระดับ
อนุภาคไวรัสที่เกิดปฏิสัมพันธ์กับ IPR บริเวณพ้ืนผิวอวัยวะ ชีวโมเลกุลเพ่ือการศึกษาชีววิทยาระบบ (systems biology)
ภายในของแมลงพาหะทั้งชนิด CPS และ HPS ซึง่ ส่งผลตอ่ ด้วยเทคโนโลยีทางด้านชีวสารสนเทศ (bioinformatics)
กระบวนการถ่ายทอดไวรัสพืชโดยแมลงพาหะแบบไม่ไหล เป็นต้น และเม่ือมีองค์ความรู้แล้วจึงกำ�หนดยุทธศาสตร์เพ่ือ
เวียนท่ีแตกต่างกันทั้งแบบไม่ถาวรและแบบก่ึงถาวร ดังนั้น การเผยแพร่ความรู้สู่เกษตรกร การพยากรณ์ และการแก้ไข
ความจำ�เพาะของกระบวนการถ่ายทอดโรคน้ีจึงมีความ ปัญหาการระบาดของโรคและแมลงพาหะด้วยเทคโนโลยีและ
หลากหลายทงั้ ชนิดของไวรัสและแมลงพาหะ (Table 1) นวัตกรรมที่เป็นมิตรต่อส่ิงแวดล้อมอย่างย่ังยืน และนำ�ไปสู่
​ ทศิ ทางและแนวโนม้ การศกึ ษาวจิ ยั เพอ่ื แกป้ ญั หาการ การปฏิบัติอย่างเป็นรูปธรรม รวมท้ังมีการติดตาม ประเมิน
ระบาดและการถ่ายทอดไวรัสพืชโดยแมลงพาหะแบบไม่ไหล ผล และปรับปรุงกระบวนการให้มีประสิทธิภาพมากย่ิงข้ึน
เวียนโดยการศึกษากระบวนการและปฏิสัมพันธ์ระหว่างไวรัส ต่อไป ตามลำ�ดบั
พืชและแมลงพาหะตามธรรมชาติน้ีจึงมีความสำ�คัญอย่างย่ิง

Table 1 Transmission characteristics of non-circulative plant viruses transmitted by insects

Biological characteristic Non-circulative

Non-persistent (NP) Semi-persistent (SP)

Acquisition period Seconds to minutes (Brief) Minutes to hours

Fasting period* Increase the rate of transmission No

Retention period Minutes to hours Minutes to day

Mechanical transmission No

Latent period None

Transmission period Seconds to minutes (Brief) Minutes to hours

Retention time in lifespan of vector No

Transmission after molting Lost after molting

Transovarial transmission No

Multiplication in vector No

Presence in vector’s hemolymph No (Brief)

134 Thanat Na Phatthalung J Sci Technol MSU

Table 1 Transmission characteristics of non-circulative plant viruses transmitted by insects (cont.)

Biological characteristic Non-circulative

Specificity of vector for virus Non-persistent (NP) Semi-persistent (SP)
Zone of transmitting tissue
Region of virus-vector interactions Low Moderate

Cellular barriers Epidermis Phloem
Transmission strategies in vectors
Mouthparts Anterior alimentary canal

No

CPS/HPS

Note: *Pre-acquisition fasting effect on vector/virus/plant combinations
(Berger & Pirone, 1986 ; Ng & Falk, 2006 ; Palacios, Drucker, Blanc et al., 2002 ; Powell, 1991)

สรุป Bak, A., Gargani, D., Macia, J.L., Malouvet, E., Vernerey,
M.S., Blanc, S., & Drucker, M. (2013). Virus factories
ชนิดของแมลงพาหะที่อาศัยรูปแบบและกระบวนการในการ of Cauliflower mosaic virus are virion reservoirs that
ถ่ายทอดไวรัสโรคพืชแบบไม่ไหลเวียนทั้งชนิดไม่ถาวรและ engage actively in vector transmission. Journal of
ก่ึงถาวรมีปริมาณมากที่สุด และสามารถพบได้บ่อยในแมลง Virology, 87(22), 12207-12215.
จำ�พวกเพล้ียอ่อน เพล้ียไฟ แมลงหวี่ขาว และเพลี้ยจักจ่ัน
โดยอาศัยปฏิสัมพันธ์ท่ีเกิดข้ึนระหว่างโปรตีนตัวส่ือสัญญาณ Berger, P.H., & Pirone, T.P. (1986). The effect of
บริเวณพ้ืนผิวอนุภาคไวรัสและโปรตีนตัวรับสัญญาณบริเวณ helper component on the uptake and localization of
อวัยวะส่วนปากของแมลงพาหะอย่างจำ�เพาะเจาะจง ซึ่ง potyviruses in Myzus persicae. Virology, 153(2),
ส่งผลต่อช่วงระยะเวลาการรับและถ่ายทอดโรคในช่วงระยะ 256-261.
เวลาอันสั้นตั้งแต่วินาทีถึงช่ัวโมง เนื่องจากลักษณะท่ีจำ�เพาะ
ของโครงสร้างระดับอนุภาคของไวรัสและขอบเขตที่จำ�กัด Blanc, S., Drucker, M., & Uzest, M. (2014). Localizing
ของบริเวณการเกิดปฏิสัมพันธ์ระหว่างไวรัสพืชและแมลง viruses in their insect vectors. Annual Review of
พาหะ จึงส่งผลให้ไวรัสไม่สามารถเพิ่มจำ�นวนและเคลื่อน Phytopathology, 52, 403-425.
ย้ายเข้าสู่กระแสโลหิตของแมลงและต่อมน้ำ�ลาย แต่จะจำ�กัด
ขอบเขตของการเกิดปฏิสัมพันธ์เฉพาะส่วนปากและสำ�ไส้ Brunt, A.A., Crabtree, K., Dallwitz, M.J., Gibbs, A.J.,
สว่ นหนา้ เทา่ นน้ั ดงั นน้ั การเรยี นรธู้ รรมชาตขิ องปฏสิ มั พนั ธใ์ น & Watson, L. (1996). Viruses of plants: CAB
กระบวนการกอ่ โรคของไวรสั โรคพชื และแมลงพาหะจะน�ำ ไปสู่ International, Cambridge.
องคค์ วามร้แู ละยทุ ธศาสตร์ทางการเกษตร ทจ่ี ะทำ�ใหส้ ามารถ
บรหิ ารจดั การทางการเกษตรเพอื่ การปอ้ งกนั และควบคมุ ระดบั Cabanas, D., Watanabe, S., Higashi, C.H., & Bressan, A.
ความเสยี หายของผลผลติ ทางการเกษตรและผลกระทบทอี่ าจ (2013). Dissecting the mode of Maize chlorotic mottle
จะเกดิ ขน้ึ จากการระบาดและการท�ำ ลายของไวรสั พชื และแมลง virus transmission (Tombusviridae: Machlomovirus)
พาหะได้ทั้งในระดับจุลภาคและมหภาคอย่างมีประสิทธิภาพ by Frankliniella williamsi (Thysanoptera: Thripidae).
และเกดิ ประสิทธิผลอย่างเป็นรูปธรรมท่ยี งั่ ยนื Journal of Economic Entomology, 106(1), 16-24.

เอกสารอา้ งองิ Chen, A.Y.S., Walker, G.P., Carter, D., & Ng, J.C.K.
(2011). A virus capsid component mediates virion
Ammar, E.D., Jarlfors, U., & Pirone, T.P. (1994). Association retention and transmission by its insect vector.
of Potyvirus helper component protein with virions Proceedings of the National Academy of Sciences of
and the cuticle lining the maxillary food canal and the United States of America, 108(40), 16777-16782.
foregut of an aphid vector. Phytopathology, 84,
1054-1060. Dietzgen, R.G., Mann, K.S., & Johnson, K.N. (2016). Plant
virus-insect vector interactions: Current and potential
future research directions. Viruses, 8(11), 303.

Drucker, M., & Then, C. (2015). Transmission activation
in non-circulative virus transmission: a general
concept?. Current Opinion in Virology, 15, 63-68.

Vol 40. No 2, March-April 2021 Review of Specific Feeding Behavior Modes and Mechanisms of 135

Non-Circulative Phytopathogenic Virus Transmission in Non-Persistent...

El-Borollosy, A.M., & Waziri, H.M.A. (2013). Molecular Martin, B., Collar, J.L., Tjallingii, W.F., & Fereres, A.
characterization of a Cucumber mosaic cucumovirus (2007). Intracellular ingestion and salivation by
isolated from lettuce in Egypt. Annals of Agricultural aphids may cause the acquisition and inoculation of
Sciences, 58(1), 105-109. non-persistently transmitted plant viruses. Journal of
General Virology, 78(10), 2701-2705.
Espinoza, A.M., Medina, V., Hull, R., & Markham, P.G.
(1991). Cauliflower mosaic virus gene II product Martiniere, A., Bak, A., Macia, J.L., Lautredou, N., Gargani,
forms distinct inclusion bodies in infected plant cells. D., Doumayrou, J., Garzo, E., Moreno, A., Fereres,
Virology, 185(1), 337-344. A., Blanc, S., & Drucker, M. (2013). A virus responds
instantly to the presence of the vector on the host
Gnutova, R.V., Tolkach, V. F., & Bogunov, J. V. (2002). and forms transmission morphs. Elife, 2, e00183.
Criteria for identification of Cauliflower mosaic virus’s
of the far eastern strains. Plant Protection Science, Martiniere, A., Zancarini, A., & Drucker, M. (2009). Aphid
38(2), 258-260. transmission of Cauliflower mosaic virus: the role
of the host plant. Plant Signaling & Behavior, 4(6),
Govier, D.A., & Kassanis, B. (1974). Evidence that a 548-550.
component other than the virus particle is needed
for aphid transmission of Potato virus Y. Virology, Ng, J.C., & Falk, B.W. (2006). Virus-vector interactions
57(1), 285-286. mediating nonpersistent and semipersistent
transmission of plant viruses. Annual Review of
Gray, S., Cilia, M., & Ghanim, M. (2014). Circulative, Phytopathology, 44, 183-212.
"nonpropagative" virus transmission: an orchestra
of virus-, insect-, and plant-derived instruments. Palacios, I., Drucker, M., Blanc, S., Leite, S., Moreno,
Advances in Virus Research, 89, 141-199. A., & Fereres, A. (2002). Cauliflower mosaic virus
is preferentially acquired from the phloem by its
Haine, E.R., Rolff, J., & Siva-Jothy, M.T. (2007). aphid vectors. Journal of General Virology, 83(12),
Functional consequences of blood clotting in insects. 3163-3171.
Developmental & Comparative Immunology, 31(5),
456-464. Peng, Y.H., Kadoury, D., Gal-On, A., Huet, H., Wang, Y.,
& Raccah, B. (1998). Mutations in the HC-Pro gene
Liu, S., He, X., Park, G., Josefsson, C., & Perry, K.L. of Zucchini yellow mosaic potyvirus: effects on aphid
(2002). A conserved capsid protein surface domain transmission and binding to purified virions. Journal
of Cucumber mosaic virus is essential for efficient of General Virology, 79(4), 897-904.
aphid vector transmission. Journal of Virology,
76(19), 9756-9762. Perry, K.L., Zhang, L., & Palukaitis, P. (1998). Amino acid
changes in the coat protein of Cucumber mosaic
Lopez-Moya, J.J., Wang, R.Y., & Pirone, T.P. (1999). virus differentially affect transmission by the aphids
Context of the coat protein DAG motif affects Myzus persicae and Aphis gossypii. Virology, 242(1),
potyvirus transmissibility by aphids. Journal of 204-210.
General Virology, 80(Pt 12), 3281-3288.
Pirone, T.P., & Blanc, S. (1996). Helper-dependent
Lucas, R.W., Larson, S.B., Canady, M.A., & McPherson, vector transmission of plant viruses. Annual Review
A. (2002). The structure of Tomato aspermy virus by of Phytopathology, 34, 227-247.
X-ray crystallography. Journal of Structural Biology,
139(2), 90-102. Powell, G. (1991). Cell membrane punctures during
epidermal penetrations by aphids: consequences
MacDiarmid, R., Rodoni, B., Melcher, U., Ochoa-Corona, for the transmission of two potyviruses. Annals of
F., & Roossinck, M. (2013). Biosecurity implications Applied Biology, 119(2), 313-321.
of new technology and discovery in plant virus
research. PLoS Pathog, 9(8), e1003337. Powell, G. (2005). Intracellular salivation is the aphid
activity associated with inoculation of non-persistently
transmitted viruses. Journal of General Virology,
86(2), 469-472.

136 Thanat Na Phatthalung J Sci Technol MSU

Smith, T.J., Chase, E., Schmidt, T., & Perry, K.L. (2000). Uzest, M., Gargani, D., Dombrovsky, A., Cazevieille,
The structure of Cucumber mosaic virus and C., Cot, D., & Blanc, S. (2010). The "acrostyle": a
comparison to Cowpea chlorotic mottle virus. Journal newly described anatomical structure in aphid stylets.
of Virology, 74(16), 7578-7586. Arthropod Structure & Development, 39(4), 221-229.

Stafford, C.A., Walker, G.P., & Ullman, D.E. (2012). Verbeek, M., van Bekkum, P.J., Dullemans, A.M., & van
Vector feeding and virus transmission. Communicative der Vlugt, R.A. (2014). Torradoviruses are transmitted
& Integrative Biology, 5(1), 43-49. in a semi-persistent and stylet-borne manner by
three whitefly vectors. Virus Research, 186, 55-60.
Stewart, L.R., Medina, V., Tian, T., Turina, M., Falk,
B.W., & Ng, J.C. (2010). A mutation in the Lettuce Vincelli, P.C. (1994). Fundamental principles of plant
infectious yellows virus minor coat protein disrupts pathology for agricultural producers. Agriculture and
whitefly transmission but not in planta systemic Natural Resources Publications, 77, 1-7.
movement. Journal of Virology, 84(23), 12165-12173.
Viteri, D., & Gordillo, L. (2009). Modelling and control of
Syller, J. (2012). Facilitative and antagonistic interactions non-persistent plant virus transmission for annual
between plant viruses in mixed infections. Molecular production cycles. European Journal of Plant
Plant Pathology, 13(2), 204-216. Pathology, 125(3), 435-444.

Tian, T., Rubio, L., Yeh, H.H., Crawford, B., & Falk, B.W. Whitfield, A.E., Falk, B.W., & Rotenberg, D. (2015). Insect
(1999). Lettuce infectious yellows virus: in vitro vector-mediated transmission of plant viruses.
acquisition analysis using partially purified virions Virology, 479-480, 278-289.
and the whitefly Bemisia tabaci. Journal of General
Virology, 80(5), 1111-1117. Woolston, C.J., Covey, S.N., Penswick, J.R., & Davies,
J.W. (1983). Aphid transmission and a polypeptide
are specified by a defined region of the Cauliflower
mosaic virus genome. Gene, 23(1), 15-23.

การเปรยี บเทยี บประสทิ ธภิ าพของแบบจำ�ลองการทำ�นายความเสีย่ งโรคหัวใจ
และหลอดเลือดโดยใช้อลั กอริทึมเหมอื งข้อมลู
Efficiency comparison of cardiovascular risk prediction models using data mining
algorithms

นงเยาว์ ในอรุณ1*
Nongyao Nai-arun1*
Received: 20 January 2021 ; Revised: 15 February 2021 ; Accepted: 1 March 2021
บทคดั ย่อ

งานวิจัยน้ีมีวัตถุประสงค์เพื่อ (1) สร้างแบบจ�ำ ลองการทำ�นายความเสย่ี งโรคหัวใจและหลอดเลือดโดยใช้อลั กอรทิ ึมเหมอื งขอ้ มูล
ไดแ้ ก่ โครงข่ายประสาทเทยี ม ฟอเรสตแ์ บบส่มุ เค-เนียร์เรสเนเบอร์ นาอฟี เบย์ และต้นไม้ตดั สินใจ (2) ใชอ้ ลั กอริทึมทง้ั 5 วธิ ี
พรอ้ มการเลอื กคณุ สมบตั ขิ องแอตทรบิ วิ ต์ และ (3) เปรยี บเทยี บประสทิ ธภิ าพของแบบจำ�ลองดว้ ยวธิ ี 10-Fold Cross Validation
โดยเครื่องมือท่ใี ชใ้ นการวจิ ยั คือโปรแกรม MySQL และ RapidMiner Studio และชุดขอ้ มลู เป็นคนทีผ่ ่านการคัดกรองผปู้ ่วยโรค
หัวใจและหลอดเลือดที่รวบรวมขอ้ มลู มาจากสำ�นกั งานสาธารณสขุ จังหวัดสระบุรี ระหวา่ งปี พ.ศ. 2561-2562 จากโรงพยาบาล
ในจังหวดั สระบุรี 12 แห่ง และโรงพยาบาลสง่ เสรมิ สขุ ภาพตำ�บล 126 แห่ง จ�ำ นวน 31,929 คน ผลการวจิ ยั พบว่า แบบจ�ำ ลอง
ทมี่ ปี ระสทิ ธิภาพการท�ำ นายดีทสี่ ดุ คอื แบบจ�ำ ลองโครงขา่ ยประสาทเทียมพรอ้ มการเลอื กคุณสมบตั ิ มคี า่ ความถกู ต้อง 99.29%
และต่ำ�สดุ คอื แบบจำ�ลองต้นไมต้ ัดสนิ ใจ มีคา่ ความถกู ตอ้ ง 70.39% งานวิจยั นี้ สรุปผลวา่ แบบจำ�ลองโครงข่ายประสาทเทยี ม
พร้อมการเลือกคุณสมบัติของแอตทริบิวต์เป็นแบบจำ�ลองท่ีเหมาะสมท่ีสุด ที่ควรนำ�ไปพัฒนาเว็บแอปพลิเคชันเพื่อการวินิจฉัย
โรคเบ้อื งตน้ เก่ยี วกับความเสยี่ งโรคหัวใจและหลอดเลอื ด
คำ�สำ�คัญ: โรคหวั ใจและหลอดเลือด เหมืองข้อมูล โครงขา่ ยประสาทเทียม

Abstract

This research aimed (1) to create cardiovascular risk diagnosis prediction models using algorithms including Neural
Network, Random Forest, Naïve Bayes, K-Nearest Neighbors and Decision Tree (2) five algorithms were used with
attribute selection and (3) comparing the model performance using 10f Fold cross validation method. Tools usee were
MySQL and RapidMiner Studio programs. The data see comprised people who had been screened as patients with
cardiovascular disease that were collected from the Saraburi Provincial Public Health Office during 2018-2019 from 12
Saraburi hospitals and 126 health promoting hospitalsreIt was found that the model with the best prediction performance
was the neural network model with attribute selection having 99.29% accuracy, and the lowest was the decision tree
model with 70.39% accuracy. This research concluded that the neural network model with attribute selection of the
best qualificationt should be further developed for early diagnosis of cardiovascular risk web applications.
Keywords: Cardiovascular Disease, Data Mining, Neural Network

1 ผู้ชว่ ยศาสตราจารย,์ สาขาวิชาเทคโนโลยสี ารสนเทศ คณะวิทยาศาสตร์และเทคโนโลยี มหาวทิ ยาลยั ราชภฏั พระนครศรีอยธุ ยา, จังหวัดพระนครศรอี ยุธยา
13000

1 Assist. Prof., Department of Information Technology, Faculty of Science and Technology, Phranakhon Si Ayutthaya Rajabhat University,
Phranakhon Si Ayutthaya 13000

* Corresponding author; Department of Information Technology, Faculty of Science and Technology, Phranakhon Si Ayutthaya Rajabhat University.
[email protected]

138 Nongyao Nai-arun J Sci Technol MSU

บทน�ำ ข้อมลู ด้านการแพทย์และสขุ ภาพ ตามมาตฐานโครงสร้าง 43
แฟ้ม ซึ่งประกอบด้วยข้อมูลผู้ป่วยนอก ข้อมูลผู้ป่วยใน และ
องคก์ ารอนามยั โลก (World Health Organization, 2019) เปดิ ข้อมูลด้านการป้องกัน ส่งเสริม และฟ้ืนฟู เพื่อให้สอดคล้อง
เผยว่าในปี พ.ศ. 2559 มีผู้เสยี ชีวิตปลี ะ 57 ลา้ นคน ซึ่งกลมุ่ กับการนำ�ไปใช้ประโยชน์ร่วมกันท้ังระดับสถานบริการ ระดับ
โรคหวั ใจและหลอดเลอื ดเปน็ สาเหตขุ องการตายของคนทวั่ โลก จังหวัด และส่วนกลาง สามารถเช่ือมโยงข้อมูล นำ�ไปใช้
เป็นอนั ดับหนงึ่ มีผู้เสยี ชวี ติ จ�ำ นวน 9.2 ล้านคนโดยประมาณ ประโยชน์ได้อย่างมีประสิทธิภาพ โดยโปรแกรมท่ีใช้ในการ
ในประเทศไทยจากการรายงานของกรมควบคมุ โรค กระทรวง รวบรวมข้อมูล คือ HOSxP เป็นโปรแกรมสำ�หรับสถาน
สาธารณสขุ ปี พ.ศ. 2560 มผี เู้ สยี ชวี ติ จากโรคหวั ใจและหลอด พยาบาล โรงพยาบาลสง่ เสรมิ สุขภาพตำ�บล และโรงพยาบาล
เลอื ดประมาณรอ้ ยละ 12 ของสาเหตขุ องการเสียชีวิตทั้งหมด ซึ่งมีเป้าหมายท่ีจะพัฒนาระบบสารสนเทศท่ีมีประสิทธิภาพ
และยังพบว่าผู้เสียชีวิตจากโรคหัวใจและหลอดเลือดประมาณ มาก สามารถน�ำ ไปใชง้ านไดจ้ รงิ ในระดบั สง่ เสรมิ สขุ ภาพต�ำ บล
20,746 คน คดิ เปน็ รอ้ ยละ 21.8 ตอ่ ประชากร 10,000 คน และ ไปจนถงึ โรงพยาบาลศนู ย์ ขอ้ มลู จะมาจากโครงสรา้ งมาตรฐาน
ในปี พ.ศ. 2561 พบอตั ราความชกุ ของผปู้ ว่ ยจากโรคหวั ใจและ 43 แฟ้มที่สถานบริการทุกที่ในจังหวัดส่งข้อมูลทุกเดือนแล้ว
หลอดเลือดท่ีสูงกว่าในปี พ.ศ. 2557-2560 มีอัตราความชุก Upload เข้าไปรวบรวมที่คลังข้อมูลระดับจังหวัด (Health
ประมาณ 1,396,400 ตอ่ ประชากร 10,000 คน จากข้อมูลทง้ั Data Center : HDC) (กระทรวงสาธารณสขุ , 2561)
การตายและปว่ ยดว้ ยโรคหวั ใจและหลอดเลอื ด แสดงใหเ้ หน็ วา่ มาตรการเชงิ รกุ ในการปอ้ งกนั และควบคมุ อบุ ตั กิ ารณ์
โรคหัวใจและหลอดเลือดยังคงมีความรุนแรงเพ่ิมข้ึน เพราะมี โรคหัวใจและหลอดเลือดของกรมควบคุมโรค กระทรวง
แนวโนม้ เพ่มิ ขึ้นอย่างต่อเนื่องขอ้ มลู จากสถานการณ์ปัจจบุ ัน สาธารณสุข ได้มอบหมายให้โรงพยาบาลและโรงพยาบาล
และรูปแบบการบริการด้านโรคไม่ติดต่อเรื้อรัง (NCDs) ของ ส่งเสริมสุขภาพตำ�บลทำ�การรวบรวมข้อมูล ด้วยการใช้แบบ
กรมการแพทย์ในปี พ.ศ. 2557 พบประเทศไทยมีค่าใช้จ่าย ประเมนิ ความเสยี่ งตอ่ การเกดิ โรคหวั ใจและหลอดเลอื ด โดยใช้
ในการรักษาพยาบาลเฉลี่ยของผู้ป่วยโรคหัวใจและหลอดถึง อทิ ธพิ ลของปจั จยั เสย่ี งตา่ งๆ มตี วั แปร ไดแ้ ก่ เพศ ประวตั กิ าร
ประมาณ 6,906 ล้านบาทต่อปี และยังเป็นสาเหตุของการ สบู บหุ รี่ ประวตั กิ ารเปน็ โรคเบาหวาน อายุ สว่ นสงู เสน้ รอบเอว
สูญเสียปีสุขภาวะในอันดับต้น ของประชากรไทยวัยทำ�งาน ค่าความดันโลหิต และค่าโคเรสเตอรอลในเลือด เพื่อค้นหา
ส่งผลกระทบต่อคุณภาพชีวิตของประชากร ทำ�ให้เกิดความ กลมุ่ เสี่ยงต่อการเกิดโรคดังกลา่ ว
สูญเสียทางเศรษฐกิจจากการเสียชีวิตก่อนวัยอันควร ทำ�ให้ อัลกอริทึมการทำ�เหมืองข้อมูล (Data Mining)
ส่งผลกระทบในระดับต่างๆ ได้แก่ ส่วนบุคคล ครอบครัว เป็นอัลกอริทึมในการวิเคราะห์ข้อมูลขนาดใหญ่ เพ่ือค้นหา
สงั คม และประเทศชาติ (กรมควบคุมโรค, 2562) รูปแบบ (Pattern) หรือกฎ (Rule) ทมี่ ีในฐานขอ้ มูลขนาดใหญ่
ปัจจุบันมีการใช้เทคโนโลยีสารสนเทศในกระทรวง และเป็นกระบวนการดึงข่าวสาร ค้นหาความรู้ที่น่าสนใจและ
สาธารณสขุ มกี ารเก็บรวบรวมขอ้ มลู สุขภาพ ทุกหน่วยบริการ เป็นประโยชน์จากฐานข้อมูลขนาดใหญ่ (Han & Kamber,
จะมกี ารบนั ทกึ ขอ้ มลู การใหบ้ รกิ ารประจ�ำ วนั ในโปรแกรมระบบ 2006) การทำ�เหมืองข้อมูลเกี่ยวข้องกับทฤษฎีและหลักการ
สารสนเทศของหนว่ ยบริการ (Hospital Information System- จากสาขาวชิ าต่างๆ ได้แก่ ระบบฐานข้อมลู การจดจ�ำ รูปแบบ
HIS) ซ่ึงมหี ลากหลายโปรแกรม และใชป้ ระโยชนจ์ ากขอ้ มลู ที่ เทคโนโลยคี ลงั ขอ้ มลู การวเิ คราะหท์ างสถติ ิ เครอื ขา่ ยประสาท
บันทึกไว้จัดทำ�เป็นสารสนเทศเพื่อใช้พัฒนาการบริการของ เทยี ม การเรยี นรขู้ องเครอ่ื งจกั ร การคน้ คนื ขอ้ มลู การประมวล
หน่วยบริการ จากน้ันให้มีการใช้ประโยชน์ข้อมูลให้มากขึ้น ผลภาพ และการวิเคราะห์ข้อมูลเชิงพื้นที่ของเหตุการณ์
จึงมีการรวบรวมข้อมูลท่ีหน่วยบริการบันทึกไว้ มารวบรวม (Witten & Frank, 2011) วิธีการทำ�เหมืองข้อมูลอาศัย
ไว้ที่ระดับที่สูงขึ้น เช่น อำ�เภอ จังหวัด กระทรวงฯ เพ่ือจัด เทคนิคการวิเคราะห์ท่ีซับซ้อนกว่าการวิเคราะห์ทางสถิติ
ทำ�เป็นสารสนเทศในการปฏิบัติตามภารกิจของแต่ละระดับ และการสืบค้นแบบสอบถามเชิงโครงสร้างท่ัวไป เช่น ภาษา
ที่เกี่ยวข้องเป็นศูนย์รวมข้อมูลในแต่ละระดับ ในเอกสารฉบับ SQL ฯลฯ การทำ�เหมืองข้อมูลท่ีนิยม ได้แก่ การหาความ
น้ใี ช้ค�ำ วา่ “คลงั ขอ้ มูลสขุ ภาพ (Health Data Center-HDC)” สัมพันธ์ (Association) การจัดกลุ่ม (Clustering) การจำ�แนก
แทนการรวบรวมข้อมูลจากหน่วยบริการเป็นศูนย์รวมข้อมูล ประเภทข้อมูล (Classification) การวิเคราะห์ข้อมูลท่ีไม่มี
สุขภาพ ตามท่ีกระทรวงสาธารณสุขได้กำ�หนดแนวทางการ โครงสรา้ ง (Unstructured Data Analytics) เป็นตน้ (เอกสิทธ์ิ
พัฒนาระบบข้อมูลข่าวสารสุขภาพให้จัดเก็บข้อมูลเป็นฐาน พชั รวงศ์ศักดา, 2563)
ข้อมูลรายบุคคลในระดับต่างๆ ประกอบด้วยฐานข้อมูลระดับ จากเหตุผลดังกล่าว ผู้วิจัยจึงมีแนวคิดในการนำ�
สถานีอนามัย ศูนย์สุขภาพชุมชน รวมท้ังฐานข้อมูลระดับ ข้อมูลจากคลังข้อมูลระดับจังหวัด (HDC) ในส่วนของการ
โรงพยาบาล และฐานข้อมูลน้ันได้รับการออกแบบให้มี
โครงสร้างได้ระหว่างหน่วยงาน โดยให้สถานบริการส่งออก

Vol 40. No 2, March-April 2021 Performance Comparison of Cardiovascular Risk Prediction Models using 139

Data Mining Algorithms

คัดกรองความเส่ียงโรคหัวใจและหลอดเลือด กรณีศึกษา รวมท้ังควรตรวจสุขภาพอย่างสมำ่�เสมอ (กรมควบคุมโรค,
สำ�นักงานสาธารณสุขจังหวัดสระบุรี มาใช้ในการสร้างแบบ 2562)
จำ�ลองการทำ�นายความเส่ียงโรคหัวใจและหลอดเลือดโดยใช้ แนวทางการประเมินความเสี่ยงต่อโรคหัวใจและ
อัลกอริทึมเหมืองข้อมูล ได้แก่ Neural Network, Random หลอดเลือด ตามแนวทางของกรมควบคุมโรค กระทรวง
Forest, Naïve Bayes, K-Nearest Neighbors and Decision สาธารณสุข เพ่ือให้บุคลากรทางการแพทย์ใช้ประเมินความ
Tree แล้วทำ�การเปรียบเทียบประสิทธิภาพของแบบจำ�ลอง เส่ียงต่อโรค ในบุคคลท่ีไม่เคยเป็นโรคน้ีมาก่อน (Primary
เพื่อให้ได้องค์ความรู้ใหม่และแบบจำ�ลองที่เหมาะสมที่สุดท่ี Prevention) ด้วยแนวทาง 2 ส่วน คือ (1) การประเมิน
นำ�ไปพัฒนาต่อสำ�หรับการวินิจฉัยโรคเบื้องต้นเกี่ยวกับความ โอกาสเสี่ยงต่อกลุ่มเป็นโรคเบาหวานและโรคความดันโลหิต
เสี่ยงโรคหวั ใจและหลอดเลือดตอ่ ไป สูงสามารถใช้ได้ในประชาชนท่ัวไป และกลุ่มเส่ียงสูงต่อการ
เกิดโรคเบาหวานและโรคความดันโลหิตสูงและผู้มีภาวะอ้วน
การทบทวนวรรณกรรม ท่ีมีอายุ 35 ปีข้ึนไป โดยการคัดกรองด้วยวาจา (Verbal
Screening) และ (2) การบริการหลังการประเมินความเสี่ยง
ผู้วิจัยได้ทำ�การศึกษาและค้นคว้าเอกสาร แนวคิด โดยวธิ กี ารประเมนิ ความเสี่ยง มขี ัน้ ตอน คือ 1) โรงพยาบาล
ทฤษฎี เก่ียวกับโรคหัวใจและหลอดเลือก อัลกอริทึมเหมือง และโรงพยาบาลส่งเสริมสุขภาพตำ�บล หรือสถานบริการ
ข้อมูลและงานวิจัยทีเ่ กยี่ วข้อง ดังนี้ ทำ�การตรวจหาค่าโคเรสเตอรอลในเลือด 2) เลือกตารางว่า
1. โรคหัวใจและหลอดเลือด เป็นโรคเบาหวานหรือไม่ 3) เลือกเพศชายหรอื หญงิ 4) เลือก
โรคหวั ใจและหลอดเลอื ด(Cardiovascular Disease) การสบู บหุ รว่ี า่ สบู หรอื ไมส่ บู 5) เลอื กอายุ 6) เลอื กคา่ ความดนั
เกดิ จากมเี นอ้ื เยอ่ื อยใู่ นผนงั ของหลอดเลอื ด ท�ำ ใหม้ ไี ขมนั สะสม โลหติ 7) เลอื กสว่ นสูง และ 8) เลอื กเสน้ รอบเอว
เกดิ การพอกตวั ทห่ี นาขน้ึ ท�ำ ใหห้ ลอดเลอื ดตบี และเกดิ การแขง็ 2. อัลกอริทึมเหมืองขอ้ มูล
ตวั จนการไหลเวียนของเลอื ดลดลง ตีบตนั เลอื ดที่จะไปเลี้ยง อัลกอริทึมเหมืองข้อมูล (Data Mining) เป็นการ
กลา้ มเนอื้ หวั ใจมจี �ำ นวนนอ้ ยลง มผี ลท�ำ ใหเ้ กดิ ภาวะกลา้ มเนอ้ื วิเคราะห์หรือสืบค้นความรู้ที่เป็นประโยชน์และเป็นท่ีน่าสนใจ
หวั ใจขาดเลอื ด อาการของโรคหวั ใจและหลอดเลอื ด ไดแ้ ก่ การ ท่ีอยู่ในฐานข้อมูลขนาดใหญ่ หรือเป็นวิธีการที่ใช้จัดการกับ
เจบ็ แนน่ หนา้ อก เหมอื นมอี ะไรมากดทบั หนา้ อก ระยะเวลา 15 ข้อมูลจำ�นวนมาก โดยจะนำ�ข้อมูลที่มีอยู่มาทำ�การวิเคราะห์
นาที ถงึ 30 วินาที มอี าการหายใจเหนอื่ ย หอบ หายใจไมอ่ อก แล้วดึงความรู้หรือส่ิงสำ�คัญออกมาเพื่อใช้ในการพยากรณ์
นอนราบไมไ่ ด้ เวยี นศรษี ะ หน้ามดื จะเป็นลม รวมทัง้ มอี าการ หรือทำ�นายสิ่งที่เกิดข้ึนใหม่ ซึ่งวิธีการสืบค้นหาความรู้หรือ
หมดสติเพราะว่าเลือดไปเล้ียงสมองไม่เพียงพอ อาการเตือน ความจรงิ ทแ่ี ฝงอยใู่ นฐานขอ้ มลู เปน็ กระบวนการขดุ คน้ สงิ่ ทยี่ งั
ของโรคหัวใจและหลอดเลือด คือ เจ็บกลางหน้าอกท่ีบริเวณ ไมท่ ราบมากอ่ นทม่ี อี ยใู่ นฐานขอ้ มลู นนั้ ซงึ่ การท�ำ เหมอื งขอ้ มลู
เหนือลิ้นป่ีข้ึนมาเล็กน้อย เจ็บแบบจุกแน่นๆ เหมือนมีอะไร เป็นกระบวนการทำ�งานท่ีสกัดหาขอ้ มลู (Extract Data) จาก
มากดทับหรือบีบไว้ อาการเจ็บจะร้าวไปที่คอหรือขากรรไกร ฐานข้อมูลขนาดใหญ่เพื่อให้ได้สารสนเทศท่ีมีประโยชน์ที่ยัง
ขณะออกกำ�ลังกายมักจะเจ็บมากที่ไหล่ซ้าย หรือบางคน ไมท่ ราบมากอ่ น (สายชล สนิ สมบรู ณท์ อง, 2560) อลั กอรทิ มึ
มีอาการจุกแน่นลิ้นปี่เหมือนอาหารไม่ย่อย และอาจทำ�ให้ การทำ�เหมืองข้อมูลแบ่งเป็นหลายประเภทตามลักษณะของ
เสียชวี ติ การทำ�งาน ในการวิจัยนี้ใช้อัลกอริทึมการจำ�แนกประเภท
หน่วยงานในกระทรวงสาธารณสุขได้รับมอบหมาย ขอ้ มลู (Classification) ซงึ่ เปน็ เทคนคิ ในการวเิ คราะหจ์ ากการ
ให้ทำ�งานร่วมกับภาครัฐบาลและเอกชน เพื่อทำ�งานด้านการ จดจำ�หรือเรียนรู้จากรูปแบบของข้อมูลในอดีต และมาสร้าง
ป้องกันโรค การส่งเสริมสุขภาพ และการปรับพฤติกรรมทาง เป็นแบบจำ�ลองเพื่อใช้คาดการณ์หรือทำ�นาย (Predict) ค่า
สขุ ภาพ ทมี่ ผี ลตอ่ การเกดิ โรคเรอ้ื รัง (NCDs) ได้แก่ โรคความ ใหก้ ับขอ้ มลู ใหม่ (Chakrabarti, et al., 2009) ในงานวิจยั นีใ้ ช้
ดนั โลหติ สงู โรคเบาหวาน โรคหวั ใจและหลอดเลอื ด ซงึ่ เปน็ โรค 5 อลั กอริทึม ได้แก่
ที่เกดิ จากพฤติกรรมการใชช้ ีวติ เพ่ือทำ�ใหค้ นไทยไม่เจ็บป่วย 2.2.1 โครงขา่ ยประสาทเทยี ม (Neural Network)
มีสุขภาพดี และช่วยลดค่าใช้จ่ายทางการแพทย์ได้ จากการ แบบจ�ำ ลองทสี่ รา้ งขน้ึ จะจ�ำ ลองการท�ำ งานของสมอง
ศกึ ษาปจั จยั เสยี่ งทท่ี �ำ ใหเ้ กดิ โรคหวั ใจและหลอดเลอื ด ประกอบ มนุษย์ที่มีการทำ�งานหลายหลายรูปแบบ ประกอบด้วยเซลล์
ดว้ ย ภาวะจากความดนั โลหติ สงู ภาวะโรคเบาหวาน ภาวะไข ประสาท ต่างๆ ทีเ่ ชอื่ มโยงกันและการสง่ กระแสไฟฟา้ เพ่อื ให้
มันในเลอื ดสงู การสูบบุหร่ี การดมื่ เครือ่ งด่มื แอลกอฮอล์ การ เซลล์ประสาทถัดไปทำ�งาน แนวคิดของอัลกอริทึมโครงข่าย
เปน็ โรคอว้ นและลงพงุ ไมอ่ อกก�ำ ลงั กาย ความเครยี ด พกั ผอ่ น ประสาทเทียม ใช้การคำ�นวณที่เรียกว่า ฟังก์ชันการถ่ายโอน
ไม่เพียงพอ และการรับประทานรสเค็ม มัน หวานมากเกินไป
ประชาชนจึงควรตระหนักหรือประเมินความเส่ียงของตัวเอง

มาก่อน ท่ีมีการทางานหลายหลายรูปแบบ ประกอบด้วยเซลล์ MODEL Class Prediction ความน่าจ
1) การ ประสาท ต่าง ๆ ท่ีเช่ือมโยงกนั และการส่งกระแสไฟฟ้า Mk prediction
Data Set Data Set 2.2.5
Dk Sk เป็ น
(Root No
รคความ เพ่อื ใหเ้ ซลลป์ ระสาทถดั ไปทางาน แนวคดิ ของอลั กอรทิ มึ Figure 2 อลั กอรทิ มึ RandoJmScFioTreecshtnol MSU ออกไปต
ลุ่มเสย่ี ง 140โครงNขo่าnยgปyaรoะสNาaทi-aเrทuยีnม ใชก้ ารคานวณทเ่ี รยี กว่า ฟังก์ชนั 2.2.3 เค-เนียรเ์ รสเนเบอร์ (K-Nearest Neighbors) Node) เป
สงู และผู้ การถ่ายโอน (Transfer Function) คา่ ถ่วงน้าหนกั (Weight) เป็นอลั 2ก.อ2ร.ท3ิ มึ เทคม่ี -หี เลนกั ียกรา์รเทรสางเานนเแบละอวรธิ ์ กี (าKรจ-าNแeนaกrขeอ้ sมtลู กับผลสร
วยวาจา แ(Tลrะanคs่าfeไrบFแuอnสctio(Bn)iaคs่า)ถเว่ปง็ นนส้ำ�ห่วนักป(รWะกeiอghบt)ในแลกะาครา่ จไบาลแอสง Neiทgไ่ีhมb่ซoบัrsซ)อ้ น โดยพจิ ารณาจากชุดขอ้ มลู ใกลเ้ คยี งกบั ขอ้ มลู 2008) โห
ประเมิน ค(Bุณiaสsม) บเปตั ็ินขอส่วงเนซปลรละ์ปกอระบสในาทกาแรลจำ�ะลเซอลงคลุณ์ปรสะมสบาัตทิขหอลงาเซยลๆล์ ท่กี าลงัเปสน็ อใจลั กเรอยีรทิกมึชทุดขมี่ อห้ี มลูลกั เกหาลรท่าน�ำ ง้ีวา่ นเแพล่อื ะนวธิบกี า้ านรใจก�ำ ลแท้นส่ีกุด คุณลกั ษณ
อน คอื ตปวัรถะสกู าเทช่อืแมลตะเ่อซกลนัลป์ทราะใสหาเ้ ทกหดิ ลากั ยษๆณตะวั ขถอกู งเชโคอ่ื รมงตขอ่ า่ กยนั เปท็�นำ ใชหนั้เกๆดิ ข้อม(Nูลeทaี่ไrมes่ซtับNซe้อigนhbโoดrย) มพวีิจธิากีรณาราเลจอืากกชชดุุดขขอ้้อมมลููลเใพกอ่ืลน้เคบียา้ งนกใับกล้ คุณลกั ษณ
บล หรอื (ชโลอชLดนักัอน้ั้ aยกษซนyมeณำ�่อ(ลีrเOนะ)ขกั uขา้แษt(อpบH(ณงIun่งiโdtะคpอdโLuรอคeaงtกรynขLงeเา่aLปสrยy)a็รนเeโปyา้ rดeง)น็3ยดrชช)มชงั้ันน้ั แีลนั้ซๆFลักอ่iะษคg(นLชuือณarนั้(yeะHชนeโiนั1rค้dา)dรนอแงeอาบสnเกง่รขLอ้าา้a(องOyดก(eงัuIเnปrt)Fppน็ แiuugล3ttuะLLrชชeaaน้ั น้ั yy1คeeนอืrrำ�)) ทขใกทยก้คูอาส่ี่สี ลรมลดุดุ2ททกดท้คเิ0ูลา้วส่ส่ีีโดส่ี(ำ�1รดทยดุุดNยีุดนค1ยยี่กกeนก)วาโสูคำ�aบัดนับณว่ล(rลคยEeวคนังเคิ ่าสsณuด่าสม่าtข่วcขยนีาคคlอนNอกiนใd่าวงงมจeมคeาชชiา(กัagมวEุุดดเกnจhารคuขขม)ะbมียลc้อใอ้oกัดคกlช้ามirมจdังลช)ยว้ ูลสูลeะาุ้ธิดคมทใมaทยกีขชลีวnก่ีกคก่ีา้อึงธิว้)�ำารลาดมีกธิลดวรงลึ ้วกูาีลทดงัังดังัรยพเาสร่ีพว้หเ(รกะลมจิย1วจิลยาือา)กกดาั่าะรรก(าารทนรใณHชรรณชะาี้วaใทดุาย้คง่าชาnมข่ีะ่า(มค้,(าทDอ้เร1่าeาพจมะาi)รstจ�ำย่ืงอลูะt(านaaHะนเยนl(nพว.ทaDะบ,cนวื่อnทาi2e้านsน,งา0)นKtนeaบง1ดใKนtn้อก1ต้าว้ ca้อ)นตยยลัวelยว้.ั ), โหนดภา
ลอื ด 2) คุณลกั ษณ
พศชาย กลุ่มผลล
5) เลือก สามารถแ
และ 8)

ป็ นการ n ( )x1i − x2i 2 ท่ีโหนดร
ะ เป็ นท่ี  ((11)) โหนดใบแ
dist( X1, X 2 ) = ขอ้ มูลทเ่ี ห

i=1

การทใ่ี ช้ แปรจากตวั แปรทงั้ หมดและใชเ้ ฉพาะตวั แปรทส่ี มุ่ ไดใ้ นการ คคา่ือรXคโคะด่า2ย่ายรคตะทะทอืัว2ย่ี โแา.nะคด2งปท.่ายร4รคตะาททือหนงวั ี่ี่รnแวา2จะ อ่าปหางฟีครสนวทอืเอ่าบว่ี จงง2ยน�ำตส์ตน(อวั Nัวแงaนตแปïตวปvัรe,วัแรแปXทBป1รaัง้ ร,yคหทXeอืมง้ัs1หด)คคม,า่อื ดตd,ควั idแs่าitปตs(tรวัX(ทXแ11่ีป,,แรXXลท2ะ2)่ี)คแXคอืล2ือะ Informati
ยู่มาทา Entropy เ
พ่อื ใชใ้ น เดยี วกนั ม
การสบื
ล เป็น สร้างโFมiเgFดuiลgrหuerลe1า1ยอลNั ๆกeuอคrรaรทิlงั้ nมึ เeชtNw่นeourสkrมaaมllgุตNoิวeri่าtthwจmะoสrkรา้ ง K โมเดล เป2.็น2.อ4ัลนกาออรฟีิทเึมบใยน์ ก(NาaรïจvาeแBนaกyปesร)ะเภทข้อมูลโดยใช้
มีอยู่ใน (หค(ชทเค BมแโสKสBรดลุรรง้ัดมิ่rปรรrางงั้้ัหeขาeชยต้า้าบรมวMKโขสiยอเโ้iม2อmุดงmน้จงดชจดธิอรมาา.ดัkโลชโ2ะแน่ยายกaๆaี้างบงล)ู(มแมท.ุดบกกDnทจnจงา2สลสใาเท2อ,รเะโ,ะคบาตงชั1ดอ่้ะงวม(.ดฟัทม2เท�ำลก2D2ใรใว,้แสัพลนมKรก0สชลาเ0อา.กงัา1แ้ต่Dว2ิมิ่ดห0ตุาทงก่ไเก้0เกร,โปอ่นลฉ1รารข2โวิดลลฟล1มาสึ Dมาสน)ะสดพรไาร่,นั้กบัร)้ขาเุ่มอรมโุ่ิ2เดจทตทดดฟยสา…ตายปมเอ้จเ,ชะตจ้ขะงแ์ล่มุัึงจปัรอรม้ น็สเอ…นมาตวุัด,ๆหบอ้จชดสะน็Fนรฟ(วแไวัเูลขDAมเาบุดลมต,กา้iธิดปรแgพวนอคแอง้lูลใkขDาสกีด์แข้iuปKรสิธ,นนกมิ่เร)รมอK้มุ่าkมอ้rบแรรKeีทกงัeตก้กร)ขปมูลชมาทลบtโสแจ(�ำาา์ ปบนูลเมแัชเ2ลูุ้รRะดส่ีaแกสต�ำตรรรชเาเุะรใตดมุ่lบแaตทมKาริ่มุ่ด์.่ลจแงช่นะเ,(ไรนอมn่ิ่ลสาลSตะบภาเ(เดช้2ส(dนกSตะนภวฉช่ สRแ1น้0โดุใ้ทมุ่สบoชนป1น้ดนกาดุพท,ม1นaแุ่เmดุม,(ยไสรยแลกา2ขnSDมาKบดกขะSุ่ผKบจอื)รมาพdอะ้21Fเขุ้ตอบ้ป2ระทกลภแบoโตมพ,,ัอโ้oฒมสท,ิวใทตมลรmาทDใมวั…ลมูrั รส…ฒลู่�าำ สะะวัeกไ่ีเแนข2า้เลูกจ่กนแ่กดดsเFดท,างนท,,อ้ปาภาะtKปบัลoล้จโ…รลลS)Sมาารารมสขrบบราโทัสั กสชกลูkkทขeหเร,จ(ก(้ึ ุ่มน)มุ่ดดาุ)ซขMาMsึ้Dา้าสน่ีจวกจรลชรเt�้ำ้มกอง(1นตkมุ่แส)ล1นามแสSหหดุ ต),มมไาลมรุ่,ไือKไลมุ่1าขลลแวัMดทดู้าวตโลMดก,้โาวอ้าตแตขก้ ใาน้โดS2วัยซขย้ตมนป2ว่ลันมอทน้,แ2าๆๆยอ้้วลูัา,ะแรามก…,สาป่เีมม…ดปมยูลดุารา,ูลลรรา,
วนการ ข สห้อาลมมักขหสูลาสาอ้ลรถมมกัดถิตาูลส้วทเิใรถปยนเ2ดำถ�ปติห็.นกว้นท2็ิในลยอา.าาน4ักรหัลอยนกทกกลนลัคาาำ�าอกัย่การานรรกทอคคอทิทาาฟี่าาลรยฤรึมนคาิเทคทษใบาลสนวึมฤฎยายเากษปใีคขส์มน(าฎอ้วเาNนรปากงหขี จa่า้มเาอามำ�บจïหนvงรแะายeม่เาจนเยบ์ ปจาากB(ขยะย็Bนแปอaเ์ ขaปน(yรงBy(อ็นeะตPกeaงเsัวrsปภyต()oiPอeaทวัรbsrยnอะaขoia่าเbยb้อTnภงia่ามlhดibทงTtูลey้วiดhlขโo)iยte้วดyr้อoกขeยย)มrmอากใขeชูลรงmาอ)้ โรง)ดยใช้
นข้อมูล เคดพป�ำงัิจ็นนสาพคคเมวไปรลาหสพขปจิณกณ็นนาาอา้ไลจิคสไารวดมรมกาัปา่ณคทณ้ดราูลคสไ่าก่ีณางรัวคด(ถคสคดา2ถา่า้วาิตรม)่ากมว้ทคคาคคิใกนายวมาน่าำ�วราา่หานนคนาคกรจมลทม่าวาวาะานกัจเนนยา่ณีรป(่าะกม่ท2าวคน็คจเจ)าณนปา่าะ่ขาะร่นาค็เนคอเทปจปาลงม่วา็ฤนะ็แยนคาาาเษตขมคมสกวปล่อาาฎนวเท็นะปกมงา่า่ีขีสคมแ้ทนมาจุดอณุตา่หสะ่าีนรงก่ลเจสดุะม่เาปทะะมบรหจา็คเนะบส่ียปวะยหุณโตัุด่าเ็์นดขวป(ขิงรสโBยา่อ็ทอนะมดงรaงหงุกยบทวyแต(ควรมPกุตัeตวัวา่่าsคขิrล่ องคมoiจ่าอะaทยbละคคงจnaาุก่ตาลและสbงT้คาอาตตทiดสสhง่าl่ล้อiี่ทte้วคะงyo่ยีล)rากขeสmาอทรง)่ี
ม่ทราบ

…ก(ขMMาอ,ร1kงท),Sทำ�ใkMนงช)ั้ 2าแ้ แK,ยตล…ขโว้่ลอมน,ะงDเ�ำaโDtทMดa1มSมet้งัลkาเ)สดK(รAใลโชา้ lใมiง้แ,นเโตDดeมกatSa่ล1ลtSเาeดtะaร(โลAlมท.ก,lเiาาด,2นรeล0จMtาใ1O�ำMนDยa12EแLกlผU).นn,าknลแกoร2wnทลปท0samะ1pรำ�่ไีleนะ2นXpดreCdเ)liบาaัc้จภstsioยแnาโทลผหกะลวกKนทตาบั ี่ไโมรดโมทหา้จเกดวาาตกทลนสา่ี ยดุ เคปา็นนไPวป(ณAไคด| B่า้ ก)คา=วราPคม(าBนนP่า|ว(AจณB)ะP)เคป(่าA็นค)ขวอามงแนต่า่ลจะะคเปุณ็นสโมดยบรตั ว(ิข2ม(อ)2ง)จแะตต่ล้อะง
โดคยลทาโ่ีสดPยด(ทAงั ่ีสP| Bม(A)กǀาคBรอื )ทคค่ี อื(ว2าค)มวนาม่านจะา่ เจปะ็เนปขน็ อขงอAง Aเมเม่อื กอื่ กาห�ำ หนนดดB,
มวาธิ กกี ทา่ีสรุดทาวงิธากี นารดทงั �ำ FงาigนuดrังeF2igure 2 Majority
B, PP((BBǀ| AA)) คือ ความน่าจจะะเเปปน็ ็นขขอองงBBเมเมื่อ่อืกก�ำ หาหนดนดA,AP, (PA()A)
Data Set Data Set MODEL Class Vote
Data Set D2 S2
M1 prediction คอื คควือาคมนวา่าจมPะน(เA่ปาจน็| Bะกเ)าปร=็นเกกPดิ า(เBรหเต|กกุAดิ า)เรPหณ(ตA์ุกA)าแรลณะ์ AP(แBล) ะคือPค(Bว)ามคือ
น่าจคะวเปามน็ นก่าาจรเะกเปิด็นเหกตากุรเากรดิณเ์หBPตุ(กBาร)ณ์ B
Unknown sample X

Data SetData Set Data Set MOMDOEDLEL Class Final (2)
Dk S1DatSakSet M1Mk pCreldaiscstion Class
prediction Prediction

D1 ( RootโPดN(ย2เBoป2เ.ทปd2|.็น2e.่ีA็น5.อ)P)5อัลตค(เัลตปกAน้อืกน้ ็นอไอ|มไครโBรมหิตท้ิทว)นต้ดัึมาึมคดสดัมททนภอืิสน่ีใ่ีใใาชชิน่คาจย้ว้วใจวใ(ิธจิธนDะาีกีกเ(มeาDปา(cนรBรe็iนแs่าแrciaตขoจiตsnnกอะกicเoแงThแปnขrข็นBeนNTนeขงorเ)งจeอมdจeาeง่อืาก))กกAโแหโาเตหนหมกนดน่อื อดรดกอารากกาAหก,นPด(AB),
ไปต(าRคมoเือoงt่ือคNนวoไขาdหมe)รนอืเ่าปขจ็อ้ นะมโเลู ปห็จนนนกดไาปภรสาเ่โู กหยิดนใเดนหใบต(Bุก(rLaาenรacณfhN์ NAooddแee)ล)เะแป็นตP(กB) คือ
Figure 2 อลั กอรทิ มึ Random ForestDataSet Majority แทบี่อาบNอจจอคoเำ�dกกวลeิดาไอ)มปขงเ้ึนนตปท่จ็าาน่ีมจามแีกกะเบาเงคปบ่ืรอ่า็จเนนขชากอไ่ือลขางอมเรหงหโเทยรกตือมง่ีดิ ุกรขกีเาะห้อารหรตณมเวุกูลช์ ่าา่อื(งJจรมสoณนโ่ิงnยไท์ eBปง่ีสsรส,นะู่โห2ใหจ0วนก่า0งับ8ดส)ใผงิ่ บลโทหส่สี (นรLนุปดeใaจf
ภายกใับนผขลอส2งต.ร2ุ้ปน.5ไทม่ีอต้ตาน้ ัดจไสเมกินต้ ิดใดัจขจส้ึนะนิ จปใาจรกะ(คกD่อาeขบcอเisปงio็นเหnคตุณTุกrลeาักeรษณ) ณ์ (ะJขoอneงs,
Data Set D2
Data Set MODEL Class Vote
S2 M1 prediction

2.2.3 เค-เนยี รเ์ รสเนเบอร์ (K-Nearest Neighbors) Final
เทปไ่ี ็นมอ่ซลั บั กDซaDtอakSอ้ eรt นทิ มึโดทยม่ี พหี DaจิtSลakSาeกัtรกณาารจทาากMงOMชาDkEนLดุ ขแลอ้ ะมวลู ธิ ใprกีกeCdliacsาลtsionรเ้ คจายี แงนกPrบeกCั dliacstขขsionออ้้ มมลูลู
ท(Nก่ี eาaลreงั sสFtFนigNiใguจeurirgเeeรhยี2bกoRอrช)aลั ุดnมกขdวีอoอ้ ธิ รmมกีทิ ูลาfมึoเรหrเeRลลsอืa่tากนnaชld้ีวgุดo่าrขmiเtอ้พhมmF่อื ลูoนเrบพesา้อ่ื นtนใบกา้ ลนท้ ใส่ีกดุล้
ขอ้ ม2ลู 00ซ8ง่ึ )เมเโปอื่หส็นออดดภัลคกาลยอ้อใงรนกิทบัขึมขอทอ้งมต่ีใชลู้นใ้วไดิมธกีก้ตจ็ ัาดะใรสชแินค้ ตใณุ จกลจแกัะขษปนณรงะะจกนาอนั้ กบเปโเหปน็ ็นดราก
เตปัว็นตคคจัดุุณณอ(ำ�สRนอลลินoวกกักัใoนจษไษtเวปณทณN่า่าตขะoะกข้อาdนับอมeมัน้ งจู)ลเเขำ�จงปเนอ้ ่ะือป็นมวไ็นตปนนูลไวัทคโซขต่าิศหง่ึขหัดทเนอมสราง่อืินงือดคใสใขดภุณอจ้อดวลาโม่าคักหยขูลลษนใ้ออ้ ณดนงมจภกะูลนใา(บัจนBไยขะโปrใอหไ้aนสปมnนจู่โcูลทะดหhใแิศภดตนทNากกยดาoจ็ กใงใdะน่ิงใบใeดช)้ แตก
2.2ท.3่สี เุดคก-เบั นคยี ่ารขเ์ อรสงชเนุดเขบอ้ อมรูล์ (ทK่กี -Nาลeงั aพreจิ sาtรณNeาiมgาhจbาoนrsว)น K ตวั (Leaf
เป็นกอาลัรคกาอนรวทิ ณมึ คท่าม่ี คหีวาลมกั คกลาา้ รยทคาลงงึ าดนว้ แยลกะาวรใธิ ชกี ค้ า่ารรจะายแะนทากงขนอ้ ้อมยลู
ทไ่ี มท่ซส่ี บดุั ซโอด้ ยนสโว่ ดนยมพากจิ มารกั ณจะาใจชาว้ กธิ ชกี ดุารขวอ้ ดั มรลูะยใกะทลาเ้ คงยี (งDกisบัtaขnอ้cมe)ลู โหNนoดdภe)ายเปใน็นจแะบแบตจกากล่ิงอเปง็นทจม่ี ากี นาวรนเชเท่อื ่ามกโบัยจงารนะหวนว่าคง่าสขงิ่อทง่สี นใจ
ทก่ี ดาลว้ ยงั สยนูคลใจเิ ดเยี รนยี ก(Eชuุดcขlidอ้ eมaูลnเ)หดลงั ่าสนม้ีวก่าารเทพ่ี่อื (1น)บ(H้านanใ,กeลtท้ aส่ีl.,ดุ กคุณลกุ่มับลผกัผลษลลณสัพะรธใุปน์ใทนโห่ีอกนาาดรจภจเกาาแยิดนใขนก้ึนปแจลราะะกสเภุดคทท่าา้ขขย้ออคมงอื ูลเหโผหตลนุกลดาัพใรบธณ์ทเป์่ีไ็(นดJ้ones,

Vol 40. No 2, March-April 2021 Performance Comparison of Cardiovascular Risk Prediction Models using 141

Data Mining Algorithms

และสุดท้ายคือ โหนดใบ เป็นกลุ่มผลลัพธ์ในการจำ�แนก ยอ้ นกลบั จากนนั้ ในขน้ั ตอนทส่ี องผลลพั ธจ์ ากตวั จ�ำ แนกเดย่ี ว
ประเภทข้อมูล ผลลพั ธท์ ่ไี ด้สามารถแปลงเป็นกฎ (Rule) ได้ จะเป็นข้อมูลนำ�เข้าสำ�หรับการจำ�แนกด้วยโครงข่ายประสาท
การสร้างจะเร่ิมพิจารณาที่โหนดรากเป็นอันดับแรกก่อนจะ เทียม จากผลการทดลองตัวจำ�แนกผสมให้ความถูกต้อง
ดำ�เนินการพิจารณา โหนดใบและกิ่งก้านที่แตกแขนงต่อไป มากกวา่ ซง่ึ คา่ ความถกู ตอ้ ง 86.16% และอตั ราบวกเทจ็ ดกี วา่
โดยต้องคำ�นวณหาข้อมูลที่เหมาะสมท่ีจะเป็น โหนดราก ซึ่ง ตัวจำ�แนกอ่ืนๆ
พจิ ารณาจากค่า Information Gain ท่ีมากที่สุด ทไ่ี ด้จากการ Assari et al. (2017) น�ำ เสนอการวินิจฉยั โรคหวั ใจ
ค�ำ นวณคา่ Entropy เพอื่ ให้การจ�ำ แนกและแยกแยะขอ้ มูลให้ โดยใช้เทคนิคการทำ�เหมืองข้อมูล โดยได้อธิบายว่าที่ผ่านมา
อยู่ในกลุ่มเดียวกันมากท่ีสุด หลังจากที่ได้โหนดรากแล้วก็จะ ทโรัว่ คโโคหลรกัวงใขจอา่ไยยดา่ ป้รงับไรระกกสาต็ารทารมะเทบโรยีุวค่ามนเปถ้ีจา็นอื กไสดผา้วลเหา่ กเตาปุสรน็ ทำ�โคดรคัญลทอขงีส่ อตางมวักจาารารถแเสปนียอ้กชงผกีวสนัิตม
สรา้DงeDciescioisnioTnreTereใeนใลนาลด�ำ ดบั บัตต่ออ่ไปไปจจนนกกรระะทงั่ ถงึ โหนนดดใใบบแแลละะ ไดใ้แหลค้ ะวคาวมบถคูกุมตไอ้ ดง้มมาากกทก่ีวส่าุดใซนง่ึ เคว่าลคาวเดามียถวูกตัน้องกา8ร6ท.1ด6ล%องแใลชะ้
ได้ไDดe้ DciesicoisnioTnreTereทe่ีสทมบส่ี มูรณบรู์ ดณัง์ สดมงั กสมารกทาี่ร3ทแ่ี 3ละแล4ะ 4 เทอคตันรคิ ากบาวรกทเ�ำ ทเหจ็ ดมกีอื วงขา่ ตอ้ มวั จลู าเดแยีนวกกอนั ่นื นๆ�ำ ไปสผู่ ลลพั ธท์ ต่ี า่ งกนั ใน
ชุดข้อมAูลsทs่ีแaตriกeตt ่าaงl.ก(ัน20ก1า7ร)ศนึกาษเาสคนรอ้ังนก้ีไาดร้รวับินคิ จวฉาัยมชโ ร่วคยหเหัวลใือจ
nn ((33)) ผู้เโชด่ียยวใชชาเ้ ญทคดน้านิคการดทูแาลเหสมุขอืภงาขพอ้ ใมนลูกาโรดวยินไิจดฉอ้ ัยธโบิ ราคยหวัว่าใทจผ่ีแล่านะ
กNผเแใปหชมัลบรeเสมไกผ้กมะกน่tชสดwาลาฎเาือายุดมียม้รรลโoงทรำ�ขบันิทชราพrัขวสี่แk้อครปคีดจิว้อธ,ูงยถมหยัิวัจตลมท์สKกปูลสจาอวัทุดูลต-่ีอ้ทมอnัยรงใ่าวัอ่ปุe(งจเ่ีสชใ4ง8โสกกชaวไัม่กวล4ย่ีมrนด้เา่ัเยพนe.ักททงเ3า้ไรsเทใันด3คคดหบัเนtอคท%ธ้วนนแ้Nลชกยน์กยคลิิคค)อืeดุา่าันคิโนะiกผรขปgงคิคไSราูเ้อhไ้รไดวชกระuรbแมดบ้แทย่ีบาpกoกลู้มกรควprุาว็ตรทีกsทุ่มoชเ่มา,าแ่าีหDำ�rไาเStมรตเดปมeญVหVพuโก็cม้อืนipeรมดัฒsตiางsสpcคuือ้า่ากขiนtooาaนนงoงทอ้าrเnlขกr้กีtถหแมส่ีอ้MนSVัาือบTดุลูตมรteaไurบเใุกสูลดcecดดนdจาtาไhูแeยีo้iเวดำ�รoคiว,ลrn่วาศล้ถลัญสeMกBเอกใึูกาปุsขชนขัaงaษเน็ภ้เนมดขycอนทาำ�ehึ้คยีนาีโงคาไคsiรพววปโกnไรนiดคากaปeงใใัา้ ิคมชยทนnนนsัสร้ ้ี่ีู่
E(S) = − P(Vii) log22 P(Vii) ผผ ดูู้้เกทมชแู าี่ยาีกลรเวาคหวชรรมนิพาออSืิจญบฒั งฉuคดขนัยkร้าอ้ าsโวันมรแaคกลูคบwนาไหบพaรดวัวจtถกิ้ cใิเาาูกจคhลรนแรoโอาลาดnงะไะยขปหปใeน้ึชใ์ครtชเ้โะวทก้ดเaามคบัยมl.นนิชใเสชคิปดุ(่ีย2้กเัขจหง0ฎอจ้ ดม1ยมัท้าอื 8เลู ่แีนงส)ทขยสย่ี ส่ีอุ้กขพงมัมภอัฒเพลู อาทนนัพกบคธาสมทนก์รำ�คาิคะนัหดวกบรา้วไาับบมยดร้
ii==11 นมี้ โกีปารรแนก�ำ รเมสนVอisรuะบalบSวtเิ uคdรiาoะใหชค์ เ้ วทาคมนเสิคย่ีเหงดมา้อื นงสขขุอ้ ภมลาู พ4หเรทอื คHนRคิ
ASไซด่ึง้ แเปก็น่ รDะeบcบisผioู้เชn่ียTวrชeาeญ, ใBหaมy่ใeนsiกaาnรรNะeบtwุระoดrkับ,คKว-าnมeเaสrี่ยesงt
โดยท่ีโดEย(Sท)่ี คEือ(S)ค่าคือEnคtrา่ opEyntขroอpงyเซขตอง(เSซ)ต, S(Sค)ือ, Sข้อคมือูล ต่อNสeุขigภhาbพoใrนs, S3uดp้าpนortไVดe้แcกto่ rดM้านaสcุขhiภneาพs จผิตลกรา่ารงวกจิ ายั ยสรแุปลวะา่
ขแล้อแทะมลูลงั้Vะหทi ค้ังมVหอืiiดมค,คดอื ณุP,(คลPVณุกัii()Vษลiค)กณั ือคษะอืณขค้อ่คาะมคขา่ ูลคอว้ ทวมาามสี่ลู มนทนนใ่ส่ีาจ่าจนจะใะจเเปป็นน็ ขของข้อมูลลททสี่ สี่ นนใใจจ สงั เคทมครนะิคบบSuHpRpAoSrt รVวeบcรtoวrมMข้อacมhูลiสneขุ sภามพคี ผวา่ านมแแบมบ่นสยอาบสถูงาสมุด
ออ(น84ไล.3น3แ์ %ล)ะแสดงผลการวเิ คราะหด์ ว้ ยวธิ ี RAC ใชอ้ ลั กอรทิ มึ
 = − Svv E(Svv) ((44)) สกรดปดวำ�ั้วางรมHดคมหนรยะร้าจกซีRเร้ันวมอนำ�ับางึ่ิธAิบนแมรSกีงNSนนพคคKีาuาซeนกาวร-kรบuง่ึFวเาัsนขวrวเสoมaคaป้อิ้ีเ่านlwคlแนd็มนอมaรNพNูลรรCาtน่ ดะeecกิะะrยบht้uวาบowห�ำoยrบรsบaสo์คnโsผlrงูวดRวekเู้กเิNยVชาtuควใจมaaย่eีlราe่ชึงlltวเ.iา-wdเ9เ้สbช(ะทปa0o2่ยีaหา็นค%tr0sงiญk์คoนล1eดnใวใ8ักิคมน้าหาแ)ษเนีปแชมมหลพณลดุสรเะ่ใมฒัสะะนขุขสนอืผสย่ีนอ้รกภางิทู้เ้างมาามขชางดรธลูรที่พยอ้ ะิร้าภสมวR่ีเบะสนขุหาชูลบAบาสพภมาุรCหผุขาดบญาะเู้พรภะีทดทชปับสทา่ีบสยผั่ีครมผพง้ัุดวลควะทหู้ดชหโกเาวมมด่ีสูมาแาาริุดนญดยรมนอืล้ี
Gain(S, A) E(S) S วหิจัวแแเัยสใบลจกย่ี ะบแางสสตรลังแอ่อะNคบบสหaมุขบถลi-ภจaาอรำrม�าดuะลพอnเบอลอในบงื&อนกดไ3าMHลโรดRดนoทา้u์ยAแำ�นnลSในgชะไmาร้แเดยทวสaแ้ กiบคดกา(งนร่2รดผวิค0วา้ลม2ินเนกห0ขิจส)าม้อฉขุรนือัมยวภำ�งูคเิลาเคขสวพสร้อานุขจามมอตะิภูเลบหสารทด์่ียพ่าไค้วงงดผวยกโ้แ่าราวามกคนยธิ ่ ี
DeRcAisCionใชT้อrลัeกeอ, รLทิ oมึgiกsาticรจRาแeนgrกeขssอ้ iมonลู ,ดว้BยacRk-uplero-bpasgeatแioลnะ
vvvvaalluueess((AA)) Neสuรrา้aงl NReAtCwoปrkร,ะเKม-นิ nดeว้aยreวsธิ tี KN-eFigohldboCrrso,sRs aVnadliodmatioFnorแeลsะt
แลผะู้เชN่ียaวïvชeาญBaผyeลsกาดร้วปยรโะปเรมแินกพรมบวW่า ENKeAuraผlลNสeรtุปwไoดrk้ว่ามี
โดยท่ีโGดยaทinี่ (GSa, Ain)(Sค,ือAค) ่าคือGaคin่า ขGอaงinเหขตอุกงาเหรณตุก์ทา่ีสรนณใ์ทจ่ี , เทปครนะิคสทิ Lธoภิ gาisพtiดcที Rส่ี eดุ gโrดeยsรsวioมnซง่ึ (ม99คี .ว9า4ม0แ%ม)่นยใหา้สคงู่ากควา่ ม9ถ0%ูก
สเ3 ยจสซ.�ำ�ำน่อตนหงใจยใEEนาจวาร,(((น,SนเบันSSEซ)vvEววชข)(บ3)ตSนจิ(วค่้อแ.ุณบSคvยยัขมองลื())ณุSอืวยาอท้ะลูคคค)เินามใยีเ่ือคA่นาือนแกคลูวารคเลุนช่ย่ีาิใคEจาซคนะา่ะชุวยือnัา่ตEใหเtขEAทหซใขrnตEอ์หoอ้n่ีมเตt้อัวคตัrnpกtมงoเมขrแอtyืรงo่ียเrpอลูป้างo่าpขวyตาม่เกรpyสขแอวัทลลูขyแย่ีขลงแอุ้ม่ก่สีลองเขะอปงลยะนซงตคองครมุ่เอ่ใตอ่เณงซทจณซยยกเต(ส่ีซะอ่ตาะSvนขตยรข(),(อใเ้22อ้ กกจvS(5ม5มS,ดิ่อ66คูลลู)Sโน00กอืรกก))กคคลลพ่อจพาหอุ่ืม่มุ น�ำรฒั ฒัวัยยนแกในจ่อ่อนบวจาาายยนแราง่ นโแโกลปขvวvปบะล้อ,ร,นหรุม่ง่แSมขSแกลกvยูลvvอ้กอลครอ่ใคมรนมดุ่มอืยมอืลู , ตอ้ ใงนกชาุรดทข�ำ ้อนมาูลยดสทุีขส่ีภดุ าพรอทงงัล้ หงมมาดคอื ดBังนacัน้ k-pNreoupraaglaNtioentwNoerkurจaึงl
เลือสดาหดร้วบั ยชโ่วคยรวงเิขคา่ รยาปะรหะอ์ สตัาทราเทเสยี ่ยี มงต(N่อeกuาrรaเlกNดิ eโรtwคoหrkวั )ใจแแลละะ Nลำ�eเดtปwับ็นoลrNkกั aษ(i-9ณa8rน.u1nา0ม5&ท%Mเ่ี )หoมแuลาnะะgสmRมaaทidส่ี (o2ดุ n0ส2าF0หo)รrนeบั sางtเาสน(น9น5อ้ี.บ62ท7ค%วา)มตวาจิ มยั
ต้นหไมล้ตอัดดสเินลใื อจด(Dดe้ วcยisioโ nค รTงrขe่eา)ย แปลระะเสพา่ือทพเัฒทนี ยามโป(รNแกeuรrมal
วิเคNรeาtะwหo์อrkัต)รแาลเสะ่ียตง้นกไามรเ้ตกัดิดสโรินคใหจัว(ใDจeแcลiะsiหoลnอTดreเลeือ) ดแลซะึ่งเใพน่ือ การแบบจาลองการทานายการวนิ ิจฉยั ความเสย่ี งโรคหวั ใจ
กาพรทฒั ดนลาอโงปสรรแ้ากงรโมวเดเิ คลรขาอะงหทอ์ ้ังตั สรอางเสอย่ีัลงกกอารริทเกึมดิใชโร้ คโปหรวั แใจกแรลมะ และหลอดเลอื ดโดยใชเ้ ทคนคิ เหมอื งขอ้ มลู ไดแ้ ก่ Decision
WEหKลAอผดลเกลาือรดทดซล่ึงอใงนสกรา้ งรโทมดเดลลอพงบสวรา่ ้าองโลั มกอเดรทิลมึขทอส่ีงทามัง้ าสรอถง
ห9ว คซจแจ7ิำำ�นม�าึ่งลน.แดจอเวอพจชมิจอ2สานนาิกลวััลชฉี9คดบย่ีแนนกาิจก7นีกั่ยเาวงนรวลฉอดสทอ่โาขณกนื3อแรรัย้วร่ีสรโออ0ทไิลคด์จปโยาิทร3ดง3ลรัะมหไ�ำึ วอาร0กึมคว้ดกแใุัวแวถัธล3เิธาหช้นดโอุรธใกูกกีเรค้เจีวรคกทั พมโตรอรเทิรโใมขคปปี่สมีคอื่ศอ้รดจงมึอ้ี็อศุดรินทนคจงโรยขมแรทรสดคำ�อีบึมใ่า์ดีกูลโงแูแส่ยืีอชร้าวยรแสอรด์านใลน้ติธค1มปลดุชตั มอะใกีัเว4หะ1คตรก้รบัลาคWจไค4าวดะัิลรวักยดำแ�ณเณสถใEจท้เสแ์ออ้แอปจาาคKะ่ีสยี่อระถยนต็ แนแทิาทAดุงตู่ากทก(ลรนดข(เเงึทม2ต2อ้ผระคผทกอกง5โริ5บ้ยหอสตล่างผคีาย6บิ 6ลิวงกลมกยวั รส0รม0วิสะตอณาาง)ม)ตแซูงร์รซชดข9ท์จล์เสใท่ึงชทุ่7ัาพดเปในาะุาดลมดยุ.นดำ�ข็นแไพ2ขกือคีคลปขกดข้อ9น้ันอดิาดอ่อโน้า้านรั7ม้ กตรรรไงระเทมำ�ตูล์คตขปอดสศศสมูล่ีโอโหอ้เนร็้ดนึาึกกาปโรวนา้มัวทแรรทีษครษกรงแใคูลวร้อเห่สีโจาแเรทามกอหตมยกแุดักวกกียกตถั วเัอลลาใคถรดานัมูรกใจระะรมืูอกจลาร์
โดยจใาชแโ้ นครกงดขว้ า่ ยยอปลั รกะสอารททิ เมึ ทวยี ธิ มเี ดบว้ยยอ์ กยา่ารงเงร่ายี ยนรซแู้ พั บพบอแพรต์ รเก่ วรกะเจตาอยร์

แมชชีน และวิธีเพ่ือนบ้านใกล้ท่ีสุดเคตัว และได้นามา
รวมกนั โดยใชโ้ ครงขา่ ยประสาทเทยี มดว้ ยการเรยี นรูแ้ บบ
แพร่กระจายยอ้ นกลบั จากนนั้ ในขนั้ ตอนทส่ี องผลลพั ธจ์ าก

กาตราทมลาาวดิจบัยครัง้ น้ีเป็ นการวิจัยแบบประยุกต์ (Applied สาธแาลระโณรงสพุขยทาบ่ีกาาลหสนง่ ดเสใรหมิ ้ สโรขุ งภพาพยาตบาบาลลส1่ง2เ6สรแิมหสง่ ุขใภนาจพงั หวดั
Research) โดยขัน้ ตอนแรกผู้วิจัยได้ดาเนินการขอ ตาบสลระ(บรพุรี .ใสชตต้ .)ามแลแะนโวรทงพางยกาบาราปลตระ่าเงมๆนิ คใวชาท้ มาเกสาย่ี รงคตดั ่อกกราอรงเกดิ
14วFเโจกเ2ปรควRใว ริiาจRโกจกเวgยี็นนยจปิริ ครธิeัรยuิาธาeบมงยัม็ธรsนยิรrีดรsรแกีตดรeนeบัราNงมธรeท�ำอ้aาราตลุษกรoาบัรaา3มมrรเยาnรอะราcยตrเนรวแใgฐcแวนมhรงก์กรอนจิyนhานิลิ)จวจณใิฐาaรนงยนัม)วน้วจิรัยารoกโจอตทนสยิดทกโยนัมครามNหบาาาุษดยธ�ำตนสาิยรรกหงaมลวขรแยายาุษรหiังธว้ลจาิ-งแัร้ันกม์aนวนลรขวยยัิจณจมนrตลหแกรัิิทu้คีจวาั์เัยน้ ใวอณมnนจปมกรยนมคยหัทนตรง้ั็ใวานานมหิ มดยินแานมยอลทัน้กนาธงราเ้ี มเหัยนปากวหรยไลุ(ษานนางรน็ดทิผCขแเลรยวมหลเุ ษกดู้้วโยoวกัรรท์ิกขคลิาจศnายเิจจการโยมัยรกัเลcว์รัยรควนงผาไเe่อืยจัรยิวจิ กมดรแิลนูp้ ววรนจิยัธง้ดา่อืยบtแักยิิยนััจเuแกรรำ�ลวรนใาธบaรบัทยาเนศะนัร0นเมรlรบป่ีรไไควต9Fรทิน6กดปศดรรน05มาrก่าี้รรaวมะ9/้ทมด6กแัร6บาะmรย5นีเ่ีขยลรว2าารปม/ุ กeขแกุาจะริน6ัอ้เน็ซีwอไลควต2ยตันงตมดง่ึจาจะิoโ์มใ์ิอ(นซไคารร้ไนคArยั(ดนkติยดบงั่ึร2กApมคใ)ผ้ไธรงกร้5นรppนาดฐกดร่าบอั6าl2pคiราทรนeผ้าั3รงง5รlนมนขdรi่่าี อe6ทนอd3ง่ี คมผแ(ไวิ1าดลปู้ รจ)ม้ะ่ตผโสวขีาใครายาปูากอ้้กชควจิบ่โมธสาว้โรารหรลูลำ�ายปกขีกคแนจรวัโารอ้สห(ปารณักใรรแมากควัจลพแงกนลูสใไหาแงป.จฟจรกัุนขสขวลัลแมาลงตสอ้ใะงกลาทข์จา.มขขะM)ไนอ้แธ่ีกลูหฟาอ้มแสาลyาดมลลรSลูา(ะหDณอเลขูธ์หทะQลดนaโาอ้่ีไลสL(ือรtรดเมDดอุaขลงณดม้ใลูดaจใพอืนTาทหสังtเดขยarลกหุขไ่aดี้ อาอโืดาวTnจงับงรดรัมด้srงFกางaจfหสาoลiพnรดัgรวrดตsมumะยกดัfง่าrับคJoาeาaสงุรrFวรStบรmi4ี ๆoiขบะcgาทainบ้อuคลำ�Tใt)ุรมriุชกสมeoeมี ูcลาท่้nงทโขีh4รท)รเาาnนัรส้คกมกงัo้วตรlหาขาีมกิมอMรรนมัแ้ นครรสSลตดะวคดัุขUะอททมอกืภน่ีรราควอพอืงง
(1) ใช้โปรแกรม MySQL ในการจัดการข้อมูลทงั้ หมดท่ี
ไดม้ าจากสานกั งานสาธารณสขุ จงั หวดั สระบุรี ทาการรวม
สเรายีกบลรห้อยมแายลเว้ ลขหโลคงั รจงากกานรัน้ 0ไ9ด5้ด/6า2เนิซนึ่งกไาดร้ผต่าานมกขานั้ รตรับอนรอกงาร และควิ รขี อ้ มลู จากไฟลข์ อ้ มลู ทไ่ี ดม้ า ดงั Figure 4
จวริจยิ ัยธรแรมลใะน1.กDมatรนaPอุษrepบยroc์ แesเsมiนng่ือววคนั ิทดี่ 6( Cมoีนnาcคeมpt2u5a6l 3Frเaรmยี บeรwอ้ oยrแk)ล้วดัง
Figure 3หแนลวังคจิดาก(Cนinั้oน1Sn2aไrH1ac2ดbo6uesrpH้ดiiptPParHำl�toauvnเidnaนcelินFกraาmร---ตeDDDaaawาtttaaa ITCมonrltaeernaขgnskrfaiั้onนt)irgomnตดatioังอn นFกigาuรreวิ จัย แ ล ะ ก ร อ บ
3

1. Data Preprocessing Testing Data FFiigguurree44Inขfอo้ rมmลู aจtiาoกnสfHrาoeนmaกั ltthงhาeOนSfสfiacาreaธbาuรrณi Pสrขุovจinงั cหiaวlดั Pสuรbะliบc รุ ี
Training Data Testing Data

2. Modeling in 12 Hospital and with - Data Integration
- Neural Network 126 HPH - Data Transformation
- Data Cleaning
Sarab-uNriePurroavliNnceetwork Feature Selection

- Random Forest - Random Forest with Feature Selection (2) ทาก(า2ร)แทปำ�ลกงาคร่าแคปวลางมค่าเสค่ยีวางมโรเสค่ียหงวั โรใจคแหลัวะใจหแลลอะดหเลลอือดด

- Naïve Bayes - Naïve Bayes with Feature Selection

- K-Nearest Neighbor - K-Nearest Neighbor with Feature Selection

- Decision Tree - Decision Tree with Feature Selection เ(ลRือIดSK(R_ISSCKO_SRCEO) RขE้อ)มขูล้อคม่าลู รคะา่ ดระับดคบั วคาวมามเสเส่ีย่ียงงทท่ีได้มมาาเเปป็น็น

Training Data

2. Modeling 3. Evaluation ตตัววั เเลลขFขigดดu้วว้ rยยeสส4ูตตู รขรขอ้ขอมองลูงสสจำ�นานกั กสังาางนนานสกั าสงธาาธนราสณราณสธุขาสรุข(ณT(hสTaขุhiaจCiงั หCVวVRดั Rสisiรskะkบรุ ี
SSccoo(r2ere)))ทดดงัางนั กนี้ า้ี รแปลงค่าความเส่ยี งโรคหวั ใจและหลอดเลือด
- Neural Network - NeurMaloNdeltwevoarlkuawtiiotnhwFietahture Selection
- Random Forest
- Naïve Bayes - Ran10d-oFmolFdsoCrersotsswVitahliFdeataitounre Selection
- K-Nearest Neighbor
- Decision Tree - Naïve Bayes with Feature Selection

- K-Nearest Neighbor with Feature Selection
- Decision Tree wRit1h: LFoewatuRrieskSelection
R2: Medium Risk DcWDvODDcEEAdvEECCL(Sต_IdSR,LLfCC_วcLuัTAAfnLLI_oเ_uRRScAAลWCrn(EEeKARRขMcAG)cF(_EE,IALvuดESSดd_lGFc_lT_ว้HSงCัvuYEs_cEยdนl,cOoCl_SI_SoสG้ีrYEMsreRceตHูc,XoS,DEToL_DรrEE)erC_Eข)eCXHVCDอขI_DDEMIEMงC้,อEIALCGสAVC_LมLIาHSD(MI(2ูลMนB5T,0AL,Pค)A,กั29_L,)L่D)างS(D2(MDารB5E0Eน,ะ,PL,F2F9ด_,สA)AD)SUาัDบUDMMLธLEคEOT,TาLFFKว0_รA0AISาณN;U;UMGมLสL,OTเLTขุ ส_K0C0่ียI;(N;HTงOGhทL,aL,่Lีไi__ดCC้มHVาRเปis็นk
User R3: High Risk
rI0EFeSSI((.N6F-00EE7c9D..TTSh.00c90DcDOoIE027h4cFFvl4EE02voL4Tu>d*d;281ll,CCdl_L_S3F042>mfLLs_)cu**u)TcAAW)ocs0)lno*Hlrhb+RRS1creTAEepo0(cEE(H=NIA)l00o=)S.EG+r(Fc0;+T(0ev0N1uE._020d-(l=PC.l_018_S6O.Y21(Ms94c0*8Wc,91coS,3.oLh097rE*Eeroa_841RelgXH1)*6D(ed80_D+*E)Ems.3C9EI(+m*CG07)VCa.(8oI4H+D0gMI2k1M.eT9,3i9ALn)69)A1_gL,4+6ELS)(9*;X2(s9(B500Pm*,Ps.,(2o39eF,)k9Dx)ui)Dnl4DMlSg+9EE)c,9(LFo;0F*_As.A0SeU2UxM0L)L8OTT4+K*0s0I;bN;pG) +,L_CH
Application R4 Very High Risk

3. Evaluation R5: Danger Risk

Model evaluation with
10-Folds Cross Validation

Figure 3 กรอบแนวคดิ (CoR1n:LcoweRpisktual Framework)
User R2: Medium Risk
R3: High Risk

จาก Figure 3 แสดงกApรpliอcatบionแนวRRค45:ดิVDeaกrnygHาerigรRhiวsRkiจsิ kยั และขนั้ ตอนการ
ดาเนนิ การวจิ ยั แบ่งออกเป็น 3 ขนั้ ตอน ดงั น้ี

Figure 3Fกigรuอrบeแ3นCวoคnดcิ ep(Ctuoanl fcreampteuwaolrFkramework) IF chIoFl =ch0oTlH>EN0 THEN
(0SS.EE5TT8(4cF05vu.4S0dl*l_E2Sds0mcTco8)orF4re+eu*=s(l=3lbS((.105pc-.1)0oP27+rO5e96W*06a=.Eg6*R(e90()(9w0.+07a.98i4(s701*t8._d812cm239m8*6)/a*,hsE+geeXeixgP))h(+t+F))u((0l+0lS.0.(c301o9.9434559909*9s*8ms7eo*kxsi)bnpg+)) +
ข ดจ้นั าาตกเนอFนินiกกguาาจรรrาeดวก�ำจิ3เยัFนแiนิแgสกบuดาr่งงeรอกวอรจิ3กอยั บเแปแแส็บนนด่งวง3อกคอขรดิกนอั้กเปบตาน็อแรวนน3จิ วดยัขคงแน้ัั ิดนลตก้ีะอาขนรนั้วดติจังอัยนนแ้ี กละาร ;
1. การจัดเตรยี มข้อมลู (Data Preprocessing)
การรวมขอ้ มูล (Data Integration) ผูว้ ิจยั ได้ทำ�การ re-7.7(200.040842)1))2*1*c0h0o;l) + (0.41916*smoking);
รวบรวมข้อมูลจากสำ�นักงานสาธารณสุขจังหวัดสระบุรี ท่ีอยู่ END IF ;
ระหวา่ งปี พ.ศ.2561-2562 เปน็ ขอ้ มูลการคดั กรองความเสีย่ ง IF cvd_score > 0 THEN
โรคหัวใจและหลอดเลือด มาจากโรงพยาบาล 12 แห่ง และ RETURN cvd_score ;
โรงพยาบาลส่งเสรมิ สุขภาพตำ�บล 126 แหง่ ในจงั หวดั สระบรุ ี ELSE
ใช้ตามแนวทางการประเมินความเส่ียงต่อการเกิดโรคหัวใจ RETURN 0 ;
และขาดเลือด ของกรมควบคุมโรค กระทรวงสาธารณสุข END IF ;
ที่กำ�หนดให้ โรงพยาบาลส่งเสริมสุขภาพตำ�บล (รพ.สต.)
และโรงพยาบาลต่างๆ ใช้ทำ�การคัดกรองผู้ป่วยโรคหัวใจและ หลังจากน้ันทำ�การแปลงค่าใหอ้ ย่ใู นรปู แบบคลาส 5
หลอดเลือด คลาส ตามหลักการของระบบการเฝ้าระวัง ควบคุม ป้องกัน
การแปลงข้อมูล (Data Transformation) มีขั้นตอน โรคหวั ใจและหลอดเลอื ด (กระทรวงสาธารณสขุ , 2561) ได้แก่
คือ (1) ใชโ้ ปรแกรม MySQL ในการจัดการข้อมูลทั้งหมดที่ได้
R1 ความเสีย่ งตำ�่ มีค่า RISK_SCORE <=10

R2 ความเสีย่ งปานกลาง มีคา่ RISK_SCORE =

11-20

R3 ความเสีย่ งสูง มคี า่ RISK_SCORE = 21-30

R4 ความเสยี่ งสงู มาก มคี า่ RISK_SCORE = 31-40

11-20 4 AGE อายุ (ปี) Numerical scale
R3 ความเสย่ี งสงู มคี ่า RISK_SCORE = 21-30
5 HEIGHT ส่วนสูง (ซม.) Numerical scale

VolR440. คNวoา2ม,เMสย่ีarงcสhงู-Aมpาrกil 2ม0คี21า่ RISK_SCOREPe=rfo3r1m-a4n0ce Comparison6 of CaWrdAioISvTaCscMular เ(คRซส่าiน้มsคร.kว)อาPบมDrเดอaeนั วtdaicMtioinninNNMguuommAdeelegrrliioccsaaruillthsssccimnaagsllee 143
R5 ความเสย่ี งอนั ตราย มคี ่า RISK_SCORE >= 41
7 SBP

M M(3yy)SSQทQLาLกไ(Rดไ3า5ด้ช)รชดุ้คปทขดุวำ�รอ้าขกับมมอ้ าเลูเมรสปทปลูย่ี ั้งลรทงหับ่ีอยงั้ มเันหนปดตมลขรด4่ีย้าอ4นย4ม,6ข4มูล7้อ,คี64ทม่า7ูลัค้ง4RทนหIคั้งSมดหนKงัดม_ดดFดSงัiด้วCg้วFuยOยirgโeRโuปปE5rรรe>แแ=5กกร4รม1ม ทดตส ม้ัวดั้งหยบทกมูร้ิงณาดไ8ปร์ข4จแก4จำ�ลา,ัดน6ระข7วทCข้อ4นH�ำ้อมคOมคูล1วLูลนาท2ทม,ี่ผน7ี่มสิด4ำ�ีคะพ5มอ่าาขลาคเ(คปโมทดาอmรลา่ลรินสดำ�ขหงโmอลเคคคอ้ติตทเิHมเว(มอุณ)gหMตารลู รอลหลมisล(รักือสDsรอื ขษะวianมอ้อณtgaามะดCูลVบNทl(aeาuDี่มlamงuanอีคeetirยaวn)ic่าgาaขCง)มl้อขนslสecมา�ำมaaดขูลlnบeหอ้ทinูรมา่ีไณgมยลู )์่
จำ�นวน 31,929 คน ที่ประ(mกgอ/dบLดห้วรยอื ท้ังหมด 9 แอตทริบิวต์
ได้แก่ แอตทริบิวต์นำ�เข้าม(ลิ Iลnกิ pรuมั t/) จำ�นวน 8 แอตทริบิวต์
และแอตทริบิวต์ผลลัพธ์ (เดCซlaลิ ติsรs)) จำ�นวน 1 แอตทริบิวต์
ดงั Tab9le 1 CLASS ค่าระดบั ความ Ordinal scale
เสย่ี งโรคหวั ใจ R1: ความเสย่ี งต่า

และหลอดเลอื ด R2: ความเสย่ี งปาน
กลาง

R3: ความเสย่ี งสูง
R4: ความเสย่ี งสงู มาก
FFiigure 55DDaatataTTrarnasnfsofromramtiaontion R5: ความเสย่ี งอนั ตราย

Table 1 Attribute details Detail Value of attribute
เพศ Nominal scale
No. Attribute M: ชาย F: หญงิ
1 SEX ประวัติการสบู บหุ ร่ี Nominal scale
Y: สบู บุหร่ี
2 SMOKING ประวตั ิการเป็นโรคเบาหวาน N: ไมส่ ูบบหุ รี่
Nominal scale
3 DM อายุ (ปี) Y: เคยเปน็ โรคเบาหวาน
ส่วนสูง (ซม.) N: ไมเ่ คยเปน็ โรคเบาหวาน
4 AGE เส้นรอบเอว (ซม.) Numerical scale
5 HEIGHT คา่ ความดนั โลหิต Numerical scale
6 WAISTCM (mmHg หรอื มิลลเิ มตรปรอท) Numerical scale
7 SBP ค่าโคเรสเตอรอลรวม (mg/dL หรอื มลิ ลิกรมั /เดซิลติ ร) Numerical scale
คา่ ระดบั ความเส่ยี งโรคหวั ใจและหลอดเลอื ด
8 CHOL Numerical scale
9 CLASS Ordinal scale
R1: ความเสีย่ งต�่ำ
R2: ความเสย่ี งปานกลาง
R3: ความเสี่ยงสงู
R4: ความเสี่ยงสงู มาก
R5: ความเสีย่ งอันตราย

2. การสร้างแบบจำ�ลอง (Modeling) ต้นไม้ตัดสินใจ ด้วยโปรแกรม RapidMiner Studio และได้
การสรา้ งแบบจำ�ลองแบง่ ออกเปน็ 2 ข้นั ตอน ได้แก่ ทดลองก�ำ หนดคา่ พารามเิ ตอรต์ า่ งๆ ในโปรแกรม ดงั Figure 6
(1) สรา้ งแบบจ�ำ ลองการท�ำ นายความเสยี่ งโรคหวั ใจและหลอด และ Table 2 จนไดผ้ ลลพั ธท์ เ่ี หมาะสมและใหค้ า่ ประสทิ ธภิ าพ
เลอื ด โดยใช้อัลกอริทึมเหมืองขอ้ มลู ไดแ้ ก่ โครงขา่ ยประสาท ดที ส่ี ุด
เทียม ฟอเรสต์แบบสุ่ม เค-เนียรเ์ รสเนเบอร์ นาอฟี เบย์ และ

เบย์ และตน้ ไมต้ ดั สนิ ใจ ดว้ ยโปรแกรม RapidMiner Studio ของแต่ละแอตทริบิวต์และเลือกแอตทริบวิ ต์ท่เี หมาะสม
และไดท้ ดลองกาหนดค่าพารามเิ ตอร์ต่าง ๆ ในโปรแกรม โดยมคี ่าน(2้า)หในชัก้อลอั กยอ่รู ะรหิทึมว่าทงงั้ 05-1วิธซีพง่ึ รค้อ่ามนก้าาหรนเลักือ0กคหุณมสามยบถงตึั ิ
ตไมวั ่อมยRขีคา่aอวงpงาดiแdมงั MอสFตiาniคgทeruญัรrSิบetแิuว7dลตiะo์ ค(โA่าดttนยri้าbเทuหtคนeนักSิคeใ1lนeหcกtJาiมoSรnาเc)ยลi ดTอืถe้วกึงcยแสhnอโาoปตคl ทรญัMแรSทิบกU่สี ิวรุดตม์
144ดงั FNigonugreya6o แNลaiะ-aTruanble 2 จนไดผ้ ลลพั ธท์ เ่ี หมาะสมและให้
ค่าประสทิ ธภิ าพดที ส่ี ดุ
ใช้โอเปอเรเตอร์ Optimize Weights (Evolutionary) เป็น

การใช้สาหรบั คานวณค่าน้าหนักของแอตทริบิวต์ต่าง ๆ
ของแต่ละแอตทริบวิ ต์และเลือกแอตทริบิวต์ท่เี หมาะสม
โดยมคี ่าน้าหนักอย่รู ะหว่าง 0-1 ซง่ึ ค่าน้าหนัก 0 หมายถงึ
Figure 6 พารามเิ ตอรใ์ นโปรแกรม RapidMiner Studio ไม่มีความสาคญั และค่าน้าหนัก 1 หมายถึงสาคญั ท่สี ุด

Table 2 รายละเอยี ดการตงั้ คา่ พารามเิ ตอร์ ตวั อยา่ งดงั Figure 7

อลั กอริทึม การตงั้ คา่ พารามิเตอร์

Neural Network Hidden layer sizes = 2
FFiigguurree66TPพraaาrianรmiาnมegtเิecตrysอcรilneใ์ sนthโ=eป5Rร0แa0pกidรMมinRearpSidtuMdiioneprroSgrtuamdio
FiguFrigeu7reO7 pOtpimtimizizeeWweeigighhtsts(E(vEolvuotioluntaioryn)ary)
Learning rate =0.01
TTaabbllee22 ราMยPoลamะraเeอmnยีteuดtmeกrา=sรe0ตt.tงั9้inคg่าพdeาtรaาilมsเิ ตอร์
RNNK-eaaNniïgvedheaobrmBoearssNKNRFytRNe-oeeaNeaiunsrAgอnueerdhlardaลsัogablortmกoleoNmrอsrNeisFttรetFhowิทtLMVMMkDNComrwoeaึมroirueia=orsesixpktmtaxtrtsieelnak4iastbmdrgnucieocaermLMTMNkHCVMSrneeleroMCMLNVTHriuetcoeao=dadir=attemroaoxamiurfadiyoaeedarnn4iaistrsnmteptrbmmxgtediipigereriurnnniunioeeeannneebtmraerggigSrhnrinietgcineeollnenuny=aatgotcSrnds=rtgm=itr_yllufyaoyกaa==etoMecrdcr=mpt=gtrntypaา1efya=rrealeeaPMCeietรgct0txthtsp1iieserr=0a=elnyตoo=eaiieet0zgsx.r0=h_sn=i9deงs0ae==ั0n้yeM.ir=f0zMคsm.sa10=_di59=Ci=de1t0.xrา่01E==iee0as1eooe5พ00Cta1ut0nnd2e100i=าsoocfMcr00idรunle20sieeาdfreiaendมevtscsetoaิเuienตntnrecegvอesoรtev์ ote 3. ป3.ระปเรมะนิ เผมลินโมผเลดโลม(เEดvลal(uEavtiaolnu)ation)
Decision TKr-eNeearestNumbeMr koixf=edtr4emeesas=ur1e0=0 MixedEuclidean Distance ปร แปะลระสกะหสิทาิทลธรอธดิภิภปกเาลาราพอืพะรขดปเขอโมดรงอยแิะนงใบเชแผมบอ้ บิจนลลั ำ�บกผเลอพจลอรงาเ่ืทิอกพลมึ าทื่ออเรหทาทงมำำ�กก�อื นกางาาขรายรอ้ทรคเมเวาปลปู านรมดราีีเวย้ยสยยบบี่ยวคงเธิ เทโวี รท1ีายค0ี ยม-หบFัวเบหoสใlจdาห่ียาง
NNaeïvigehBboayrseCs riterioLnaM=pelaagcsaeuinrce_ortaryetpcioetio=n MixedMeasures โรCคrหosัวsใVจaแFliลdigะautหiorลenอ7โดOยเทลptำ�อื imกดาiโzรดeแบยW่งใขeช้อig้อมhลั ูลtกsออ(Eกรvเิทปoมึlน็ uเt1iหo0nมชaอื ุดryงเ)ทข่าอ้ ๆมูล
Decision TrMeeaximaNlMudmiexbpeetdhr mo=feta1res0eusre==10M0ixedEuclidean แอขดDรคอบอว้้วอaผค ปท(เกบาTปมยtบกุันณร�ำaลมr็นแดอปโูลวะกจaเ)หรกถสสบช้วอiสาธิปารแnจคลิทมรดุากูยบละากลี็iนาnวห1งัทรธบอหวตส3กะจเนgนจ0ภิวใวัดั.ธิปาตงิทอ้รการช1วDา-ลปใาเสจิี็ิแบังอนาFธร้0ขป1กจนพaออัยรรอบทoิ0้อภปแ็t(นนงบดวะaตช1จA-l1มเลดิจdว้าเ)นัชรF้�ำ0ปทุcดมูลัยะ(ยสจพนoชะุดท็TนcCรสหิน�คำนชเอlวเุดกิeuขบdชาำว�ทrไ้ี่าุนลดผบมsroากหินดอวดุคC่aอtาหลเิsแ1รiนผ้ตรากวงncท9ดrๆs0เโลับบา์รลogแาyรผม่เชามงเรกัsผรสV)บยบีลปดุอลเๆกจDsเถารลนดaอืรจบบรร้าากูaัเนขกVยีlดาลรวงกยiีกพจtตอ้หdานaaลู้จิแโบัานอ้น(ม่ร(aื)แlลดอัยรบอiTEงลdเลูเtงันัู้้ลจยปงiทบrทv(aแจปสoอ(aT�ำทเใะaAจราt�ำnยลาีรปงนiiชrีกlยoใำn�าหcะauกะบก็วน้อชลnโนcกกiบiรnaในnาuดปลอัาบนัชั้อ้าขเชโtgirรnทงiกยบรรทรทดaุดo้1้อขทเgีะDวcยอดเ�ทำดปยทn้มอyสกาปนชบว้รDสa็ทน)า)ดมูานทยลิทิุดอรtปaรกชารaสูลบอสาธมึtีรุกเยดผา)aอหปสแยบภะิเากาลร)บจบลหรบสาคหจรกแาาจยีงัาิทบเมหแรพาาวบจาบวร(ทเจธรอืนบวราาTรันบดเ่ง�เำิีภกทงันบย่งมีวยลeขล้วสขนขยีาอื9นนsสเบออ้ย9พ้อรบั้นสอก้tรงรiมชคห้าม1nู้ม่ชีย้าดุู่ลาg0งูลดุูลางง
CDritiesrtiaonnc=e gain_ratio
MCMMNLCoiainnanxruiiipfmmimtimdelaaaebracllineoleglcerndaeaecoi=nfpo=f tsrgth=r0irzeae.=0e1cien.ts01=i_o10r=n2at1io00 ด้วขยอ้คมา่ ูลAสcาcหurรaบั cทy ดแสละอบCแoบnfบusจiาoลnอMงaเปtr็นixชดุดงั ทนดี้ สอบ (Testing
Naïve Bayes 1. Dผลatกaา)รจเาลนือวกนคุณ1 สชมุดบหตั ลิขงั อจงาแกอนตนั้ ทราิบกวิารตว์ นรอบจานวน 10
Decision Tree รอบ หผลลงั จกากรสนรนั้ ้าทงาแกบาบรจเปำ�ลรยีอบงดเท้วยี กบาปรรใะชส้อทิ ัลธกภิ อารพิทดึม้วย5ค่า

MNMuinmaimbxieamrl asoilfzdeperfepoptrhrus=pnliin1tg0=a4lternatives = 3 อเคัลค-กเวนอารียมิทรถึม์เรูกสตไดเอ้ น้แงเกบ(่Aอโcครc์รuนงrขaา่าอcยyีฟป)เรบะยส์ าแทลเทะตีย้นมไฟม้ตอัเดรสสินตใ์แจบบแสลุ่มะ
อัลกอริทึม 5 วิธีพร้อมการเลือกคุณสมบัติของแอตทริบิวต์
(2) ใช้อัลกอรทิ ึมท้ัง 5 วิธพี รอ้ มการเลือกคุณสมบตั ิ (Attribute Selection) ดงั Figure 8
ของแอตทริบิวต์ (Attribute Selection) ด้วยโปรแกรม
RapidMiner Studio โดยเทคนิคในการเลือกแอตทริบิวต์ ใช้
โอเปอเรเตอร์ Optimize Weights (Evolutionary) เปน็ การใช้
สำ�หรับคำ�นวณค่านำ้�หนักของแอตทริบิวต์ต่างๆ ของแต่ละ
แอตทรบิ วิ ตแ์ ละเลอื กแอตทรบิ วิ ตท์ เ่ี หมาะสม โดยมคี า่ น�ำ้ หนกั
อยู่ระหว่าง 0-1 ซ่ึงค่านำ้�หนัก 0 หมายถึง ไม่มีความสำ�คัญ
และค่าน้�ำ หนกั 1 หมายถึงสำ�คัญทส่ี ุด ตัวอย่างดัง Figure 7

อลั กอรทิ มึ ไดแ้ ก่ โครงขา่ ยประสาทเทยี ม ฟอเรสตแ์ บบส่มุ
เค-เนียร์เรสเนเบอร์ นาอีฟเบย์ และต้นไม้ตัดสนิ ใจ และ
(อAลั Vtกtorอilb4รu0ทิ t.eมึ NSo5e2lว,eธิMcพีtaiorรcnอ้h)-มAดกpงัrาilรF2เiล0g2อืu1กreค8ณุ สมบตั ขิ องPแeอrตfoทrmรaบิ nวิcตe ์
Comparison of Cardiovascular Risk Prediction Models using 145
Data Mining Algorithms

การเลือก FigurFeig8urผeล8กEาfรficเปienรcยี yบaเtทtrยiี bบuteAsttsreibleuctteiosn Sreeslueltcstion จาก Figure 9 แสดงผลการเปรยี บเทยี บประสทิ ธภิ าพActual value
ะสทิ ธิภาพ ในN ใกนeากจtรwาาสoรกรสrkง้รFแ้จงwigแาบituกบhบrบFeจAiจาgt8ำ�tลurลirอแbeอuงสง8tรดeร่วแ่งวมSสผมดeกกลlงบeัักบผcาลt5i5รกoเnาอลอรลัอื(ัลเNลกกกอืNอแอกรอรwแทิิทตอitมึึมทhตทรAไไบิรดดSบิ วิ้แแ้)วิ,ตกกตRท์่่ ท์ aNNส่ี ส่ีneeา�ำduuคคorrญญััmaall ของแบบจ�ำ ลองการท�ำ นายความเสยี่ งโรคหวั ใจและหลอดเลอื ด
ต์ NeFtowreosrkt wiwthithAttrAibtutrteibuSteelecStioenle(cRtiFonwit(hNANS),wKit-hNeaAreSs)t, โดยใช้ 5 อลั กอริทึมเหมอื งขอ้ มูล และใช้อลั กอรทิ มึ ทั้ง 5 วธิ ี
กอริทึม 5 RaNnedigohmboFrsorweistht AwtitrhibuAttetrSibeuletectSioenle(KcNtioNnw(iRthFAwS)it,hNAaïSve), พรอ้ มการเลอื กคณุ สมบตั ขิ องแอตทรบิ วิ ต์ รวมเปน็ ทง้ั หมด 10
สตแ์ บบสุ่ม K-BNaeyaersewstithNAetitgrihbubtoersSewleicthtionA(tNtriBbuwtieth ASSe)leแcลtiะoDnec(KisNioNn แบบจำ�ลอง ผลการวิจยั พบว่า แบบจำ�ลองที่มีประสิทธภิ าพ
สนิ ใจ และ wiTthreAeSw)i,thNAatïtvriebuBteaSyeslecwtiothn A(DttTriwbuithteASSe)lเeพcอ่ื tiคo�ำnน(วNณBหwาคitา่h การทำ�นายสูงที่สุดคือ แบบจำ�ลองโครงข่ายประสาทเทียม
อตทรบิ วิ ต์ ASน)�ำ้ หแนลกั ะ(WDeeigchist)ioขnองTแrอeตeทwรบิitวิhตAต์ tา่ tงriๆbuแtลeะแSตeล่leะcอtลัioกnอร(ทิDมึT พร้อมการเลือกคุณสมบัติ มีค่าความถูกต้อง 99.29% และ
ใwSบแแนลMอวiิถแผFผลผเ2 1Wถtะลกhตoตูล.กบ0�ำูลลกOAือlดผ-แาต์ตแHกdบทตAFKกIบัสรลส่เ2Sาอ้า้อESจoรCปIแดสไ.งดรกงNTงlาิI)บอดrdรวงGรงCผาoลGๆ(ยีตเดด้ิจิดว้(งรAsพHMเอCAลบั,ทยงงััังแเตปscแงนTป่อcืrเรกcDFบ์รแFทoVทลcพ้ีคิบรuียiลsiตMuาSบะag่ียgีมียrาิวบsบะarาแluuMรบ,iนจบตีaควdcเมrrตHVเปcทe์Oาทe่วาyเSaวล่ลทyปE)aลรtณียี่สKEา99iา)ะแIะloยีเอำ�บiรGIมดXพdอหสNnอบเคีงปยaบH,พัสทลิัต่อืาGัญปแหtรTกค่ืธทบาอAทi,oะรตใลภิคอท่าาGรนสnตะเDกังิกนบราำ�ัญสิททกาEMจพทิตกา้ิหวามทิาีธ,ยทรา,ตหา่ขมึาลลริภธเกSร์สทาบอัง�ำงSปนเภิาเลBดจนรกงก่ีมEปรักพปา้งอแาืับัPยี้นีคXัานรพแขกบกรบี(ย,รว,ทบอWขนบแะบาผเเCAาบงอทั้นรมอจเสeลแGกHจีงทยทยาีตสiิ บกgทแำ�EาลOบียำำ��งทลhบรอาบ,กคบลปธLรอtหรงจัาบญ)Sิ,ปราบิ ภงดวำ�ราะจBขดรแทWวิวหล้ิจสาคำ�ะPอตับำตย�อาัทยิ่สลAพา,งกกวคง์ทไิทธคอIแาตดธCิข่าSดพส่ีภิ ธงวอรีค้่าวHT้ดา1อิภเาบาตงยวรOคC0พังกมางาทีวยว-ญLัMนพันมิ่ธงาร,้ีี ิ ต�ำ่ สดุ คอื แบบจ�ำ ลองตน้ ไมต้ ดั สนิ ใจ มคี า่ ความถกู ตอ้ ง 70.39%
3. ผFลiกgาuรrเeป9รียผบลเกทาียรบเปCรoยี nบfuเทsiยี oบnปMรaะtสrทiิ xธภิ าพแบบจาลอง
ผลการวดั ประสทิ ธิภาพของแบบจำ�ลอง ด้วยการใช้
คา่ ในตาจราากง CFoignufurseio9n Mแสaดtriงxผเพลกอ่ื ปารเะปเมรนิยี ผบลเลทพั ยี ธบก์ ปารทะสำ�นทิ าธยภิ าพ
แลขะอกงาแรเบปบรียจบาลเทอียงบกการับทคา่ นจราิงยคขวอางแมบเสบย่ีจงำ�โลรอคงหที่ใวั หใ้คจ่าแคลวะาหมลอด
ถูกเลตอื้ ดงสโดูงสยุดใชค้ 5ือ อแลั บกบอจรำ�ทิ ลมึอเงหโคมรอื งงขข่าอ้ยมปลูระแสลาะทใเชทอ้ียลัมกพอรร้อทิมมึ ทงั้
กา5รเวลธิือีพกครุณ้อมสกมาบรัตเิ ลแอื ลกะแคบุณบสจมำ�ลบอตั งิขโคอรงงแขอ่าตยปทรระบิ สิวาตท์เรทวียมมเป็น
ดงั ทTงั้ aหbมleด31แ0ลแะบ4บจาลอง ผลการวจิ ยั พบว่า แบบจาลองทม่ี ี

ประสทิ ธภิ าพการทานายสงู ทส่ี ุดคอื แบบจาลองโครงข่าย
Taปbรleะส3า ทเทThยี eมพcoรnอ้ fมusกioาnรเลmอื aกtrคixุณoสfมaบตัneิ มuคีra่าlคnวeาtมwถorูกkตอ้ ง

99.29% แmลoะdตel่าwสiุดthคsือeleแcบtioบnจoาfลpอroงpตe้นrtไicมs้ตัดสินใจ มีค่า
ควาRม13ถ. ูกผตลอ้กงารR7เ20ป.3ร9ยี %บเRท3PียrบedCictoeRnd4fvuasluieonRM5 atrix

ผRล1การว1ดั49ป8ร3ะสทิ ธ5ภิ 7าพของแ0บบจาลอ0ง ดว้ ยก0ารใชค้ ่า
ในตาRร2าง Co2n9fusion82M15atrix เพ16่ือประเ0มินผลล0ัพธ์การ
ปทเคท่ารายีะนคสมาวายพRRRาทแ345มรเลอ้ถทะมูกยีกกตมาา้อร000ดรเงปเงัสลรูงTอื ยี สaกบุดbคเlท4eุณค001ยี ือ3สบมแแกบลบบั ตะั บค3ิ924่าจ0แ82จาล6รละงิ อแขบง2โอบ201คง924จรแ7างบลขบอ่าจง2ยา14โ0ป89คล2รอระงงสขทา่าใ่ี ทหย้

Table 4 The confusion matrix of a neural network
model

R1 Predicted value
R2 R3 R4 R5

Actual value value R1 14978 62 0 0 0

R2 81 8112 67 0 0

R3 0 68 3950 38 0

R4 0 0 46 1967 54

R5 0 0 0 25 2481

FiFgiugruere99ผRลeกsาuรltเsปoรfยี thบeเทmยี oบdปelรpะeสrทิfoธrmภิ aาnพcแeบeบffiจcาieลnอcงy สรุปผลและอภปิ รายผลการวิจัย

จากผลการวจิ ัยพบว่า แบบจ�ำ ลองท่ีสรา้ งอลั กอริทึม
โครงข่ายประสาทเทียมพร้อมการเลือกคุณสมบัติ (Neural
Network with Attribute Selection)ได้ค่าประสิทธิภาพการ

จาก Figure 9 แสดงผลการเปรยี บเทยี บประสทิ ธภิ าพ
ของแบบจาลองการทานายความเสย่ี งโรคหวั ใจและหลอด

146 Nongyao Nai-arun J Sci Technol MSU

ทำ�นายความเสี่ยงโรคหัวใจและหลอดเลือดดีที่สุด ซ่ึงได้ผล กติ ตกิ รรมประกาศ
คล้ายกับงานวิจัยของบุณยานุช ใหมเง่าและคณะ และ
Suksawatchon และคณะ ท่ีได้ผลการทดลองว่าอัลกอริทึม ผู้วิจัยขอขอบพระคุณสำ�นักงานสาธารณสุขจังหวัด
โครงข่ายประสาทเทียมได้ค่าการจำ�แนกและมีประสิทธิภาพ สระบรุ ี ท่ีให้ความอนเุ คราะห์ขอ้ มลู ของการคดั กรองผู้ปว่ ยโรค
การวิเคราะห์ในงานน้ันๆ ได้สูงสุด ด้วยเหตุผลท่ีว่าวิธีการ หวั ใจและหลอดเลอื ด โดยผวู้ จิ ยั ไดห้ นงั สอื ขอความอนเุ คราะห์
ของโครงข่ายประสาทเทียมเป็นการเรียนรู้แบบต้องมีผู้สอน และผ่านการอนุญาตให้นำ�ข้อมูลมาใช้ในการศึกษาและการ
โดยจะหาค่าผลลัพธ์ของโครงข่ายแล้วนำ�มาเปรียบเทียบกับ วิจัยครั้งนี้แล้ว และขอขอบพระคุณคณะกรรมการจริยธรรม
คา่ จรงิ ของขอ้ มลู หลงั จากนนั้ ท�ำ การค�ำ นวณคา่ ความผดิ พลาด ในมนุษย์เครอื ขา่ ยภูมภิ าค มหาวิทยาลยั นเรศวร ทีไ่ ดร้ บั รอง
(Error) แลว้ ใชค้ า่ ความผดิ พลาดนเี้ ปน็ การเรยี นรขู้ องโครงขา่ ย โครงการวิจัยตามแนวทางหลักจริยธรรมการวิจัยในคนท่ีเป็น
แบบย้อนกลับ เพื่อทำ�การปรับค่านำ้�หนัก (Weight) เส้น มาตรฐานสากล ของหมายเลขโครงการ 095/62 ซึ่งได้ผ่าน
เชือ่ มต่อ แลว้ ทำ�การเรียนรซู้ �ำ้ ๆ จนกระทั่งค่าความผิดพลาด การรับรองจรยิ ธรรมในมนุษย์ เมอ่ื วันที่ 6 มนี าคม 2563
น้อยลงมากท่ีสุด จะทำ�ให้ได้ค่านำ้�หนักที่เหมาะสมที่ในสุด
พรอ้ มทั้งได้ท�ำ การคัดเลือกแอตทริบิวต์ทเี่ หมาะสมและส�ำ คญั เอกสารอ้างองิ
มาใช้ในการสร้างแบบจำ�ลอง จึงทำ�ให้ได้แบบจำ�ลองที่ดีที่สุด
ในการนำ�ไปใช้พัฒนาระบบแอปพลิเคชันต่างๆ ในการคัด กรมควบคุมโรค กระทรวงสาธารณสุข. (2562). แนวทางการ
กรองผู้ป่วยใหม่ท่ีมีความเสี่ยงโรคหัวใจและหลอดเลือด เพ่ือ เฝ้าระวังโรค ของกระทรวงสาธารณสุข. องค์การรับส่ง
ให้บุคลากรทางการแพทย์ใช้ประเมินโอกาสเสี่ยงต่อโรคหัวใจ สนิ คา้ และวสั ดภุ ณั ฑ์.
และหลอดเลือดในบุคคลที่ไม่เคยเป็นโรคน้ีมาก่อน และเมื่อ
พบผู้ป่วยท่ีมีความเส่ียงก็จะนำ�ไปสู่การตรวจและรักษาโรค กระทรวงสาธารณสุข. (2561). ระบบการเฝ้าระวัง ควบคุม
ได้อย่างทันทว่ งที และท�ำ ใหล้ ดอัตราการเสยี ชีวติ ลงได้ ปอ้ งกนั โรคหวั ใจและหลอดเลอื ด โรงพมิ พส์ �ำ นกั พระพทุ ธ
จากผลการวิจัยท่ีได้ในการคัดเลือกแอตทริบิวต์ที่ ศาสนาแห่งชาต.ิ
สำ�คัญในการนำ�มาสร้างแบบจำ�ลองร่วมกับ 5 อัลกอริทึม
เพ่ือคำ�นวณหาค่าน้ำ�หนักของแอตทริบิวต์ต่างๆ พบว่า บุณยานุช ใหมเงา่ และคณะ. (2560). โปรแกรมชว่ ยวเิ คราะห์
แอตทริบวิ ต์ทม่ี คี วามส�ำ คัญโดยเรยี งลำ�ดบั ได้ดังนี้ ประวตั กิ าร อัตราเสีย่ งต่อการเปน็ โรคหัวใจและหลอดเลือด. วารสาร
สูบบุหรี่ ประวัติการเป็นโรคเบาหวาน เพศ อายุ ค่าความ วิชาการเทคโนโลยีอุตสาหกรรม. มหาวิทยาลัยราชภัฏ
ดนั โลหติ ค่าโคเรสเตอรอลรวม เส้นรอบเอว และสว่ นสงู แต่ สวนสนุ ันทา. 5(1), 55-65.
อย่างไรก็ตามแนวทางการประเมินความเส่ียงต่อการเกิดโรค
หัวใจและหลอดเลือดของกระทรวงสาธารณสุขก็ให้ใช้ปัจจัย สายชล สินสมบูรณ์ทอง. (2560). การทำ�เหมืองข้อมูล เล่ม
เส่ียงท้ังหมดดังกล่าวในการคัดกรองผู้ป่วยเป็นปัจจัยสำ�คัญ 1 : การคน้ หาความรู้จากขอ้ มู. (พิมพค์ รงั้ ท่ี 2). จามจรุ ี
รวมท้ังการปรับเปลี่ยนพฤติกรรมด้านสุขภาพที่ไม่ถูกต้อง โปรดักส์.
เหมาะสม เชน่ การรับประทานอาหารท่ีไม่สมดลุ หรอื มากเกิน
พอดี ไม่ออกกำ�ลังกาย ความเครียด และการพักผ่อนท่ีไม่ สราวุธ มีศร,ี ศภุ กานต์ พิมลธเรศ และ อัจฉรา มหาวีรวฒั น์.
เพยี งพอ การสบู บหุ ร่ี การดม่ื เครื่องดื่มทม่ี แี อลกอฮอล์ ส่งผล (2560). การวินิจฉัยโรคหัวใจโดยใช้ตัวจำ�แนกผสม.
ให้อ้วน น้ำ�หนักเกิน มีความดันโลหิตสูง ไขมันในเลือดสูง [ปริญญานิพนธ์วิทยาศาสตร์มหาบัณฑิต ไม่ได้ตีพิมพ์].
โรคเบาหวาน และเปน็ ผลทน่ี �ำ ไปสคู่ วามเสยี่ งการเกดิ โรคหวั ใจ จุฬาลงกรณม์ หาวิทยาลั..
และหลอดเลอื ด
ขอ้ เสนอแนะการท�ำ วจิ ยั ครง้ั ตอ่ ไป ควรน�ำ อลั กอรทิ มึ เอกสิทธ์ิ พัชรวงศ์ศักดา. (2563). Big Data and Machine
เหมอื งขอ้ มูลอ่ืนๆ มาสรา้ งโมเดล เชน่ เทคนิคการเรยี นรู้ร่วม Learning: ไอดซี ี พรเี มยี ร.์
กนั (Ensemble Learning) ไดแ้ ก่ อัลกอริทึม Vote, Bagging,
Boosting เพอื่ หาประสทิ ธภิ าพการท�ำ นายทเี่ หมาะสมกวา่ เพอ่ื Ali, J., Khan, R., Ahmad, N., & Maqsood, I. (2012).
ก่อให้เกิดประโยชน์และสามารถนำ�ไปใช้สำ�หรับการทำ�นาย Random forests and decision tree. International
ความเส่ยี งโรคหวั ใจและหลอดเลือดไดด้ ี Journal of Computer Science, 9(5), 272-278.

Assari, R., Azimi, P., & Taghva, M. R. (2017). Heart
Disease Diagnosis Using Data Mining Techiques.
International Journal of Economics & Management
Science, 6(3), 72-79.

Breiman, L. (2001). Random forests. Journal of Machine
Learning, 45, 5–32.

Chakrabarti, S., Cox, E., Frank, E., Guting, R. H., Han,
J., Jiang, X., Kamber, M. ฿ Lightstone, S. S. (2009).
Data mining: Know it all. Morgan Kaufmann.

Vol 40. No 2, March-April 2021 Performance Comparison of Cardiovascular Risk Prediction Models using 147

Data Mining Algorithms

Han, J. & Kamber, M. (2006). Data mining: Concepts and
techniques (2nd ed.). Morgan Kaufmann.

Han, J., Kamber, M., & Pei, J. (2011). Data mining
concepts and techniques. (3rd ed.). Morgan
Kaufmann.

Jones, M. T. (2008). Artificial intelligence. Infinity Science
Press.

Nai-arun N., & Moungmai M. (2020). Diagnostic
Prediction Models for Cardiovascular Disease Risk
using Data Mining Techniques. Journal of ECTI
TRANSACTIONS ON COMPUTER AND
INFORMATION TECHNOLOGY, 14(2), 113-121.

Suksawatchon, U., Suksawatchon J., & Lawang W.
(2018). Health Risk Analysis Expert System for
Family Caregiver of Person with Disabilities using
Data Mining Techniques. Journal of ECTI
TRANSACTIONS ON COMPUTER AND
INFORMATION TECHNOLOGY. 12(1), 62-72.

Witten, I. H. & Frank, E. (2005). Data mining: Practical
machine learning tools and techniqus. (2nd ed.). USA:
Morgan Kaufmann.

World Health Organization. (2019, November 15th).
Cardiovascular Diseasrom https://www.who.in/
Cardiovascuar_Disease/.

ระบบสังเกตการณก์ ารใชน้ ำ้�ดว้ ยการประมวลผลภาพ
Water utilization monitoring system by using image processing

ลุคมาน ไชยราบ1*, เการาบ รงุ เยว1, ศิริกานต์ ชูเชิด2
Lukman Chaiyarab1*, Gaurav Dhungyel1, Sirikan Chucherd2
Received: 23 January 2021 ; Revised: 15 February 2021 ; Accepted: 1 March 2021
บทคัดย่อ

การขาดแคลนน้ำ�เปน็ ปญั หาใหญใ่ นฤดแู ลง้ ทว่ั โลก หลายประเทศพยายามจดั การและลดการใชน้ ้ำ�ใหน้ อ้ ยทส่ี ดุ การบรหิ ารจดั การ
นำ้�จึงเป็นส่ิงท่ีสำ�คัญที่จะช่วยลดปัญหาน้ีได้ ตัวอย่างเช่นการหมั่นตรวจสอบความสมบูรณ์ของระบบประปาไม่ให้เกิดการชำ�รุด
เสยี หาย คณะผู้แตง่ จงึ มแี นวคิดในการประยุกต์ใชเ้ ทคโนโลยีการประมวลภาพ เพอื่ ตรวจสอบหนา้ ปัทม์มิเตอรน์ �ำ้ ประปา รปู ภาพ
มเิ ตอรถ์ กู ตระเตรยี มและก�ำ จดั สญั ญาณรบกวนดว้ ยตวั กรองแบบเกาสเ์ ซยี น จากนน้ั ภาพทกี่ รองแลว้ จะถกู แปลงจากภาพสเี ปน็ ภาพ
ขาวดำ�ด้วยวิธีการของออสสุ จากนน้ั สัณฐานวิทยาถูกนำ�ไปใช้เพอ่ื แยกสว่ นทีส่ นใจ (ROI) สดุ ท้ายวธิ กี าร Python-tesseract ซง่ึ
เปน็ เครอื่ งมอื จดจ�ำ อกั ขระดว้ ยแสง (OCR) ถกู น�ำ มาใชเ้ พอื่ แปลงสตรงิ เปน็ ขอ้ ความ(ตวั เลข) หลงั จากนนั้ ผลลพั ธจ์ ะถกู สง่ ผา่ นระบบ
WIFI เพอ่ื ไปจดั เกบ็ และแสดงผลแบบกราฟบนหนา้ เวบ็ หากเกดิ ความผดิ ปกตขิ องขอ้ มลู การใชน้ �ำ้ จากการอา่ นคา่ มเิ ตอร์ ระบบ
จะท�ำ การสง่ อเี มลแจง้ เตอื นไปยงั หนว่ ยงานทเ่ี กย่ี วขอ้ ง ผลการทดลองแสดงใหเ้ หน็ วา่ ระบบทน่ี ำ�เสนอมคี วามแมน่ ย�ำ ดว้ ยเปอรเ์ ซนต์
เฉลี่ยของความแมน่ ยำ�ส�ำ หรบั ภาพแตล่ ะประเภท (มีรอยขดี ขว่ นมาก น้อย และไม่ม)ี คือ 48%, 75.1% และ 91.64% ตามล�ำ ดับ
ค�ำ ส�ำ คัญ: คอนโซลไฟเบส การจดจำ�อกั ขระดว้ ยแสง ราสเบอรไี พ ระบบบริหารจัดการนำ้�

Abstract

Water scarcity is a big problem in dry seasons around the world. Many countries are trying to manage and minimize
the use of water and Water management is essential to help reduce this problem ; For example, by regularly checking
the integrity of the plumbing system to prevent damage. the authors have an idea for applying image processing
technology to check the water meter page. Meter images were prepared and noise eliminateds by a Gaussian filter.
Then, the filtered images were binarized from color images by Otsu’s algorithm. Next, the morphological was applied
to extract the region on interest (ROI). Finally, the Python-tesseract which is an optical character recognition (OCR)
tool was implemented to convert string to text(numbers). After that the results were be sent via WIFI to be stored and
displayed in graphs on a web page. If there is any abnormality in water consumption data from the meter reading,
the system will send notification emails to the relevant department. The experimental results showen that the average
percentage of recognition accuracy for each image types was 48%, 75.1%, and 91.64% respectively.
Keywords: Firebase console, Optical Character Recognition (OCR), Raspberry pi, Water Management System

1 นักศกึ ษาปรญิ ญาตรี, ศูนยค์ วามเปน็ เลศิ ดา้ นปัญญาประดิษฐ์และเทคโนโลยกี อ่ ก�ำ เนิด, สานกั วชิ าเทคโนโลยสี ารสนเทศ, มหาวทิ ยาลัยแมฟ่ า้ หลวง, เชียงราย,
57100, ประเทศไทย

2 ผชู้ ว่ ยศาสตราจารย,์ ศนู ยค์ วามเป็นเลิศด้านปัญญาประดษิ ฐ์และเทคโนโลยีก่อก�ำ เนิด, สานักวชิ าเทคโนโลยีสารสนเทศ, มหาวทิ ยาลยั แมฟ่ า้ หลวง,
เชียงราย, 57100, ประเทศไทย

1 Undergraduate students, Center of Excellence in AI and Emerging Technology, School of infornation technology, Mae Fah Luang University,
Chiang Rai, 57100, Thailand

2 Asst.Prof, Center of Excellence in AI and Emerging Technology, School of infornation technology, Mae Fah Luang University, Chiang Rai, 57100,
Thailand

* Corresponding author ; Lukman Chaiyarab, School of information technology, Mae Fah Luang University, Chiang Rai, 57100, Thailand. manchai-
[email protected]

Vol 40. No 2, March-April 2021 Water utilization monitoring system by using image processing 149

Introduction In the area of water monitoring systems, there
are a number of organizations that has operated the
Water and minerals are essential for living. Without water application, particullarly in the field of surveillence
it is impossible for living organisms toesurvive. Water technologies. For instance, the approach for remote
is the basic component oo life. It is used for drinking, capturing of a water meter involves a mechanical water
cooking, cleaning our bodiey and many more purposes. meter, camera, digital media processor, GSM modem
Our body requires water to cellular function and to and TFT display (Kashie et al., 2015).dThe approach
operate the organs inside our body. Therefore, we must works by requesting action from the central server. The
learn how to manage the usage of water and use this camera was activated to capture images and then they
resource efficiently. The basic principle of using water were processed by DSP processor to extract a meter
efficiently is that the user should be using an approximate reading. In addition, the extracted meter reading
amount of water for doing any kind of activity. For instance, was sent to the server by GSM network.sAlso, their
when the reader brushes teeth in the restroom, we experiment used a DSP processor for implementation
recommendethat water is not allowed to flow which is expensive and diffcult to code and implement.
whileeperforming this activity. By stopping the flow of Gosavi et al. (2017) proposed a model that
water, people can reduce thasvolume of excess water consisted of Raspberry pi and Arduino Uno. They were
going to wastd in a year. The objectives of this research used with the Hall effect sensor to measure the flow
were to monitor and control the water usage of a rate of water. The Raspberry pi uploaded data onto
building by using image processing technology to extract cloud infrastructure where databases are set. The end
the number of the water meter that represents water user is enabled to view the data via the web interface.
usage. If there are any unexpected changes, the system Nevertheless, the system is different from the one we
will send a notification e-mail to the relevant department. proposd since they measured the flow rate and collected
the model used in this study consistes of three parts. data. Futhermore, the flow rate is not always constant and
The first part wis the image preparation. The water meter might cause some inaccuracies in reading.
images were taken and processed for noise reduction. Triantor et al. (2014) implemented with Matlab
Then, color imagesewere converted and threshold to R2011b software toolbox where the application run with
binary images. Morphology technique wis applied to Windows 7 operating system an, Pentium Dual Core
get the preprocessed images. The Second part wis 3.00 Ghz processor. Capturing images with Lenovo
the character recognition process. Optical Character mobile Phone A800 taken from 10:00 Am to 15:00 Pm
Recognition (OCR) by Pytesseract was implemented in sunny weather conditions. Firstly, three-element of
to extract the water meter imageseas numbers. After colors Red Green Blue (RGB) images are processed by
successfully extracting the numbers, the third part of converting them into gray scale images and then using a
the system wis automatically sending the water meter median low-pass filter, contrast enhancement, histogramm
data to be displayed as a graph on a web page. If there equalization and binarization to obtain a black and white
were any unexpected changes in the usage of water, the binary image. At a later time, a segmentation process
system will send a notification e-mail to the water is performed to get the number as a region of interest
resource department. (ROI) from line segment and the background. However,
the system is manually operated and needs additional
Literature Review software toolsdans more hardware equipmens.
Sisinn, et al. (2015) made a model using
The most accurate Optical Character Recognition smartglass (Vuzix M100) to automate the meter reading.
(OCR) engine is Pytesseract (Lee, 2020e. many Particularly, it was divided into three parts. First, it
languages and numbers can be recognized by this OCR automatically recognised the universal barcode that
engine. the licence was released under the Apache
V2.0 open source. The development of the software is
sponsored by Google.

150 Lukman Chaiyarab, Gaurav Dhungyel, Sirikan Chucherd J Sci Technol MSU

images into text by the Tesseract engine (OCR). detection. However, the system focuses on the flow
Tihsearceqcuoirgendisbeyd tnhuemsbmearsrtgalaressrecaadmbeyraA. nSdercooidndly, the cormapteutveiraetxhpeanindneedrbpyipalinreanl-otimt teheunmite(tReTrCre)audsing.the
tedPxiygtt-iettsos-smseperetreaerccvthiaa(pTSpTmliSca)arttGAioPlanIs.spT.ehIrnfeoTyrhmaeeclhdaisetthvseetderpea,caongiintiotenrnoeft
scaotinsnfyeicntgionrewsuaslt nbeyecdaepdtuinrionrgdeimr taogdeoswantlosaixd a read out standard Linux Raspbian environment. The equipment
loinctaotiaoncslouudn-dbearseddiffreersepnotsIiltlourmy.inTahteiodnracwobnadcitkioinssth, at the
owrreiaecsnoagontnioiztnehdeanmtedexttdeiirss.tamniscme.a5tc9heodutwoitfh6t0heteascttuimalatgeexst that pdAroMltveiedrntehastoivindeflooyr,lmaoagstoiyoftnwaorfeflsoywsteramtebufrioldminthaeJawvaateprlamteefotremr.
w ere corrSeocmtlyyareta&d oNuatklaoruiynadkufol r(2b0lin1e8s) spsroeplloesr.ed the
Hlotwteervyern,uLmobtteorTUrefaadilerd ftroomdetTeecstsimeraagcet sewngitihne digit by using MySQL database and Pi 4 were used to evaluate
dAr(tanhLereocokottthlgoooenTrtrtiUetliisogr)yy.nhsTtntfheocuermomynbbsd(lieFenitrgidikomienmpejsezan.ogt&peeldseR, obitnhyletroecmsethoekobx,litdl2ee0bdpy1,h8ato)hnneudesTceaoedpnspvstlhieecerrttaieocdnt
Reansgpinbeer(rOy CpRi).zeTrhoe wrehciocghnisisedanusminbgelers caorree remaidni by tthheeFiflgleouawrkearagT1tehe. edTvehipateerotchppteirooenispn.enaHderaorstwpyioiespnvtleienomref, ttndhhoieeatgstihmryaesamtemgmeeistwefsorohcrruoekswasednsbinyiognn.
cAomndpruotiedr teexxpt-aton-dsepdeebcyha(rTeTaSl-t)imAePuI.ntith(eRyTaCc)huiesvinegd a Meretqhuoedsotilnoggayction from the central server (left
etbthhsdw5buqeea9liiuiiftlntfhtieioswepsirufnsdmeytatasanitanoenertsgkfndrJIe6ltraolalume0lerrvpsmdtrealrue.ioigtlnseHtpLhvatbrliotiait.dnymiwcoteueAcoanesxafnlgvotpcdeeeirotnRimrrsutn,nifaroowdaiLnbnsrieottmgpsyiirtvo.bteiaeounmiatTlcssyiaoon,iU,ngrnogreafreeasioecMnislatnfevloytyadifSsfrtlrtooiietwoQxonwanalLmoddracreedeonaatanuedttsietttcoa.ydltnobsifsisTurtmaoetnuhasmamdnneegdcfeoeesrr. hand sTidhe opfrothpeosFeigdusrey1st.eTmhediRaagsrapmberisrysPhiovw2n in
a nd Pi 4Anwoethreer ussyesdtemto (eFviakleujazte& tRheolecleeak,ka2g0e18) Figcuarmeer1a. mThoeduplerewpiallractitoivnatoef tothceapimtuargeeimwaogreks by
oairmecfqfprtatrieuhvrogoaeeaemcdstseFteiinwinstgagogsaur.eectrae.Tda1crphp.tbirtmeoTuoynrhecreeReetfergsiaomRrsis.moeaapnLsdgbtapehoetbbseefreyrrficyrrnroetRtyhPmenaoPrtirseswai4peslavbtt2stioeemiesrrcreraavmycxgemoteerrPnetase(ivrlcareea4.tfrtrmLttehetahooedtadeneurmfdrxltoehetsmrotwaiedscrieeltl
used the Raspberry pi zero which is a single core mini thestrminegtetroreteaxdti.nFg.inTahlley, rtehgeiornesoufltisntaerreessteisntcoovnevrerttheed
froimntesrtnriengt ttoobtexts.toFrineadllyin, thweordesautaltbsaasressaentdover the
intdeirsnpeltatyoedbeinsttohreedwienbtpwaogeda. tIanbacasesse aonfdadpisopslsaiybeled in
tmheewmswasaaetielgbrtepolaewtgahilelke.bIsecniotscuneaancstetieovrnoinaef,Eada-pmamouasetislhstiobsoarletihgtywee.acwtoenirllcleebraenkessdeitanuutatvthioioanri,tEya.-

Figure 1 System diagram.

Figure 1 System diagram.

Im ImaaggeePPrForicgoeucrseessi2nsgienxgplains about the image preparation Raspberry-Pi camera module V2. Then, the captured
pcsretaepppatsurraetthisForonitguhugsertheeipmt2hsaeetghxcerphoslaauroginafhcstttehahrebeorcewuhctaoatthgeranercitmitimeoernat.geTer huesisnygsttehme
imraegceosgnairteionp.reT-phreocseysstemd. cFairpstulyr,esthteheRGimBagimesagoef is
scpomtnehcvoeiefdirewtuesaldetthetVeor2mwa.iedTgtthehraeraynuns,scdtaihnhleegeicgitmhaheapt gtoRuefra.tehsSdepebikcmeeorarnrngydee-lylP.s,iTtachhraieesmsspeyyrrsseatt-eemm

processed. Firstly, the RGB image is converted to Morphological dilation is also used to discard the

a grayscale image. Secondly, the system specifies pixels near the boundary to get a clearer binary

Votlh4e0.wNidoth2,aMndarhche-iAghptrilo2f0th21e kernel. This system Water uteiimlxizatargatieoctn.eFdminobanyliltyou,rsintinhggestryhesegteioPmnybtoeyfsusinsetirenagrcetismOta(pgRteiOcpaI)rloicsessing 151
works best with a (3,4) kernel. Third, Gaussian

wapofrprielkltimeserdobinvesgisnintgiscwenaitophitipsaielsie(fvd3roe,4srmy)inkcteheeferfenitciemitlsi.vaTevgheeiirn.rydFr,eeoGfmufearotcuhvtsi,ivnsOeigatinsnnuofi’listseerinfrgomis lboobCgulhiacnacadrklaadercyitxleattrrotaioRgcnteeeticdsaoagtcelnlsxeiottaioaruennsrde(bOadinCtaowRrhdy).iitismeIct aabwrgadoecr.ktkhFgserinobpaueilxntltyede,l.rsthIwtneietrhaergtiohne
thethirmesahgoel.dFinoguristhu, sOetdsuf’osrtihmreasgheobldininagrizisautiosend. Tfohreimage ofinivnetersrest th(ReOpIr)ocisesesxtroacgteetdthbey duessiniregdthtextPytesseract
binvaarliuzeatoiofnt.heThtherevsahluoeld oisf dtheetertmhriensehdoaldutiosmdaetitcearmllyi.ned OrpetsicualtlsC. haracter Recognition (OCR). It works better with
tahuasNtotizemthexaet,otismfcitazohelrleypo.hffoNotrhleeoexggtrif,ocoamurelnogedrrrpooohusbonijoeldoncgotiiscbinajeaclcrpeetprailonisescedirosen.saosisethsaa.ptMptlhoieerpdhsoo- black extracted text anda white background. It inverses
the process to get the desired text results.

rted to Morphological dilation is also used to discard the

pecifies pixels near the boundary to get a clearer binary

tem image. Finally, the region of interest (ROI) is

sian extracted by using the Pytesseract Optical

n Character Recognition (OCR). It works better with

u’s black extracted text anda white background. It

The inverses the process to get the desired text

atically. results. FigFuigreur2e 2IImmage proocceessssiningg..
hat the
dDaaDFtatiaarbetaabssatseosTteowrwTarhdoawgiagcbeotheaabbacaaaaknnrsceddeekmnddewdianishsidppnicprtlpohaalrgaiynoaryegaredrmamsmbyasMiGnMytoSayoiQSngeLQledLaabnarydnedFuisreebdafsoer abeusinttethreeporgsraiizcsteottievdareedpdadenottdophlizesthoccoehamansarytabstctloeec.mewTsehsbbmeyrpietta.hageArefeat.edarmftehinwatsstohimethpsaleyt sotenmly
verifies the username and password by comparing the
theGodaogtalesatorreagueseodf ftohrethseysdtaetma.sAtoftreargethoefcthoempletion of values stored in a database to the input value. After the
imsaygsetepmro.cAesftseirngth, ethceosmysptleemtiotnraonfsifmerasgtehepfreotccehsesdinogu,tput verification is complete, the user is redirected to the main
dTtoahatttehahbebepoarvsaoseybge-somrstaev.ememTn-mhtitineoreainntnni,eatsidlioiftzenpesrerssaodvtgthhepreesaromfctgehosrteacnamhntseeesdxcsatthioosoaunwlstophnwnuogiittwnhtwnoFtiwititgnhhoueFtroheigfeu3thr.deea.s3tee. page of thFeigsuyrsete3mD.ata storage and display.
anTdhtiemper.oFgorar mweibniatiaplpizliecastitohne, cthoennGeocotigolne cwhitahrttwisousoef d to Notification
caphlnowtadhtrierttmshessoetiudhsdlietfaybddtienaaacgbttaae,ausmiansenetasodk.oignTtfrighmaieptiestnh.m,ssF.ioitomTrsrehpawelvaiceetritbsetryaaatcshiptnoeipvnlettieecf.oxarTmrttihoausenlsoi,ocnnfthgghacegrotosdoiangrglee, i mUpsleemr AenuMtt.hyTSehnQetLicsiaysstuitoesnmedarnebdtercieLavouegsseintihteislaesatsdieartatoacloondge and
ure 2 Image pbraoGsceeodossgoilnegcp.huarert HisTuMsLe5d tteocphlnootlroegsyu.ltTdhaetya ainretointeractive with
nd acishnntgbaetdeerrpatrzcsapotaochotuotsmiwsv.eaeaedbbToadlhfepnei.tadthsTgriezshesoae.imcosrheompanlaairctrfbieottlyorea.uiwnfsTeeithnwebegrmrspegiasmoagoporegelfe.lceasoctdfeheipnawsgrt,sstoaiminsadpdlde this the 2nd lasFt odractalieanntdsicdael,cuPlHatPesisthimepdleifmfeerenntecde ftoorgain a
vitehwe uofsehrowaumthuecnhticwaatitoenr ahnads bloegein.cFoinrsstulym, eadndeuwring the
modifying, making it more attractive. The charts mteimnauadsdekemionrfirfgnhataimhstseoheotdtouih.aerabyl.ytetoiinhsrneeblogyreeniscaetwaueuthirlheslooedbureriwtzotee2hdt4crhoaperuneegscoqhyopusorliteducesktmc.lytahTnbiedhyeaedntchartceieyefya.ssiBsfoytnhetfhoreer
isit.aApfrteorbltehmat btheecasuysetetmhevedraiftiaescothmeeussheornuarlmy,emaankding it
dapialyssowr omrodnbthylycowmillpbaerintogotlhaeteviaf ltuhesresitsoraedproinblaem in the
are based on pure HTML5 technology. They are pdaidptaeatsaabtoa1rs0iefcttuhobetirhceemisientpoeuvrset rvi-saulususaeeg.deA.aftTsehrthetehcetohnvreessruihfmiocpaldttiioobnnecwaautseer
it is the average amount of normal water usage of that
essing,

he FigFuigreur3eD3aDtaatastsotoraraggeeaanndd ddiissppllaayy.. building. If there is a possible leakage somewhere in the
gure 3. pipes, an alert e-mail is sent right away to the authorities
two of U Usseerr AAuuFttohhreencntlitiecicnaattitosiiondnea,nadPnHdLPoLgoiisngiimnplemented for the in that case to check for a possible leakage.
ong
user autheFnotriccaltieont asniddel,oPgiHn.PFiisrsitmlyp, laemnewnteudsefrorhas to
, the the user authentication and login. Firstly, a new

user has to be registered to the system by the

15cm*11cm*10cm which are the length, the width

and the height of the box respectively. Every

1c5o2mpLounkmenant Cinhsaiiydaerabth, GeaubroavxDihsuntiggyhelt,lySirsikeanalCehducthoerd J Sci Technol MSU

make it to remain functional in harsh weather. The
sySRsyteesstmuemlthsbaarsenadtkoddobiwsecnupslascioendsperpendicular to the above the meter and the location depends on the user.
The outer box is made of PVC and it is covered with
a black cloth to prevent exterior light from outside the
Twha43etGehBsarsidmRaeaenmTtvAheiaeeRrnwMasdytsCaaatoenPnrmdtieavxct2-phoAmepC7r2paotrmoipxspreeiomrscaveaaiMsetseRwoodarh.usolpeTefbhi.gdeeRrherPaytvsiiopPc4bfieei47srryawclsimPthoi. box. The dimensions of the box are 15cm*11cm*10cm
which are the length, the width and the height of the box
respectively. Every component inside the box is tightly
insbpteoawplelraoretvidiodevnidaataor eUdoSawBsn-Csst rhpeooarmwt, nepneiarnibplhiFnegirgaa.lsd,4dwit(ihoaen)naalupnsoedwde(wrbitt)ho sealed to make it to remain functional in harsh weather.
reasnpeapcptrivoperliya.te PSU. The v2 Camera Module has a Sony The system has to be placed perpendicular to the water

IMX219 8-megapixel sensor which is capable of taking meter at an approximate height of 7 cm. The side view
very high-resolution pictures which is exactly what is and the top view of device installation are as shown in
Imreaqgueirepdrfoorctehesssyinstgem. Figure 4 (a) and (b) respectively.

exIRpmaepsrpleibmmeererTTnynhthtaPeaitsiilsocyrsnaseetmoescfmeutrtilahotissenecsnoosycnmhslotposteohwemsdeesswreeoitxfhaaailnmRwaapasbltpeoebxriemrwmryaitehgPtieefiaxsrne.ddoFfirthsIetem,xpaegreimperTnohtcaiesl sressseinucglttisononsthhoewresalewxaamtepr lmeeitmera. gFeirsst,oaf the
raw
a dlriguahrwitninggitmhceaodngadeyitwiooinllfsn.tohTt eahletewrer aftohterees,rytsmhteeemvteaanrridaitTniohneFboigrfigulihgrtehnteins5gs(a) itismheagReasopfbtehrerywPaitecrammeertae.r in Figure 5(a) is captured by
caipnstiudreetdhebbyoxthreemRaiansspcbonesrtrayntP. Ti hceasmyseteram. is placed

(a) 4 Device installation. a)FSiigdeuvrieew4anDdebv) itcoep (b()b) a) Side view and
viinews.tallation.
(a)

Figure

Next, the result of the conversion of raw input NexOothtpC,aetR,rtathhtcieeoonnRvsrOeeaIrtsisssuesilnttxrtirnFaogicgfbtuteo)rtdehttbeoe5yxp(tpdcae)v.norifdeonFrwivmtnhea.ienlrlgsyre,itohstuehnletmioosPrfyppthreerosaslsoewegnritaceacidntl put
image to gray scale image and tilt by 90 degrees to get
a perpendicular view is shown in Figure 5(b). Then, the
Gaussian filtering technique and the Otsu’s thresholding imaingecontosogler(asyeesFcigaulere i5m(ea))g. e
are applied to remove excess noise (Figure 5(c)). After and tilt by 90 degrees

to get a perpendicular view is shown in Figure 5(b).

Then, the Gaussian filtering technique and the

Otsu’s thresholding are applied to remove excess

noise (Figure 5(c)). After that, the ROI is extracted

by performing the morphological operations as in

Figure 5(d). Finally, the Pytesseract OCR converts

(sstreinegFtioguterext5a(en)d).the result is presented in console results onTh3i0s2seocftwioantesrhmowestetrhiemeaxgpeesr.imTheentraelgion
(see Figure 5(e)). utilizationormefsoinuniltttoesrrineogsntsy3(sR0te2OmIo)bfyinwusatihnteigsrimsmyaegsetepmrroimciesassoginneglsy. tTh1he5e3firesgt i6on
2021 Water doifgintsteorefstht e(RwOaIt)eirnmtheistesr.yTstheemsiesvoenltyh tdhiegitfirwsat s6
Vol 40. No 2, March-April

Ti3En0hxt2ehpioessfersiwvymeTioiTdaTsggnttenihhheenngtinheermsooittthmsrrsdassieeeseieleeogddctorggireftteeinmmbbrotwslchneeyimeeouaecctsnnsghlaaahtwttegnsuuaaoiegiawfssttisnriiteeooss.oetnnrTrtiie6htthdmrraeeiideesscieebssrgcexettuuihhtegpcslleerittreaossa.orunicllfTmseewwyteohhaaeeefeenassirritnttteeswastisseslaeeeiirrtggveeevvthesnnsraaetuniimllffuul(iittlRccesheaaaatOatteoeednnsrIn)t.ddittgppibbtaaaawrrsstta..eesdd
bsiagsneifdicaonnottnphaetrhtr.eeTchroeegcnsoietiggomnnietainoctcnautiraoancccyreuasrsualctsywaesre evaluated

a)a)InInppuutt iimmaagege % =
a) Input image
itnhrreeReceotcygopn gTe i z n sa i i n b t d g i l e oe t np h 1 ae e cn p dc d r T ui e i g n r a s i ga t e b s c n . o l y e t T n %s h 1 t teh =h e ep e x rRn a ep o eTc ∗∗e sci ac sr eo usie11 mg ntr i an00 lnte e sci gnvz00 y I ete tm dh wol Ia efoa%mgfsinaeatdphsgciu=eevctsiudimi*meraad1acg0igney0etsoso. f input
b) Gray scale image TThaeblenu2mibsmehroaowgfsetestshtieinnTgcaraeibmtceleagogog1ernisepizsorifenoesgfaecimtnhhtaensguetdmhsibgeoeitfrasvec.aacTrcuiehhrseatfcyrepoyxemop. ferinimpuetnt
b) Gray scale image 0agTela-rha9eceshasba)neivmdtaetearrdwncniweargmeaoogeaa4wpateii8ssesethgy%eepgnepddeedno,eii7sllrsvveerc5t(iiihvveeomdd.n1eeennsea%tllraddjltooeeho,grvfeciie9f,nneoi1mttmoltohhg.ooc6ofieenanc4ftttouhgi%hhzniirremme,rrrioneeesrairaasengeeeneggscocdpetoeetfhiyyenngsseieppcnon..atteeiihtsdtTTvcissheoceihaaegnrlddyaibbmitw.ttaeellycseeaTcapphp.cghteeee22uTesnnr.rhassrddimoTseechhniisyhnneooluoetteggefwwhlwoxtresroonpss.. unnettmhhrittmeehhbeeeerntof
b) Gray scale image The lowectreatshtteeingngooriismeesaogoneftshimeoaifmgeaeagsceh,otfhneeuambcehbtteetrryptvheae.rrieTesshuefltr.onmum0b-e9r of
Web AptTephsleitcimnagatiionimnpaaggeesofothfeeawcehb anpupmlicbaetironvaisrisehsowfrnom 0-9

c) Binarized and threshold image in Figure 6. The example of recognition results will be
stored and retrieved from Firebase DB shown in Figure
cc))BBci)ninBaairnriaizzreiezdeddaaannndd tthhhrrreeesshshohlodolldidmiamimgeaaggee 7. These data are plotted as a graph in Figure 8 using
the Google charts library. The username and password
d for all users are assigned by admin. All the passwords
are securely stored in MySQL. Once a user logs in to
ddd)))dRRR) OROOOIII Ieeeexxxxtttrrraaaccctttteeeeddddimiiimmmagaaaegggeee the system, the user can view the statistics for the water
consumption of each building. In the case of an unusual
nput situation, such as the water leak, a notification E-mail will
be sent to the responsible staff as show in Figure 9. For
more information, please access this link (https://youtu.
be/CYjQt993toA).

ees

5(b). e)eO) Ouutptpuut in ccoonnsosloele
the
ess bFb)Fi)ggiggurbaurFraib)yrmei)igygmedgusr)5arFasa5aRrciigyygmecgOEauEesasI5aecrlx,eeeclaxg,epExla5epedtdrlxeie,Eeaeiim)mpm)cxr)dreteaipiReemi)aRme)geaomrd))ierRgOaomiguOOi,memeguOecetueeInIape)nttn,Ipn,pgb,etutetueuaiaaccnt,ltxxa))llaritntreinrnrirbnrzsbbaedcaaeeeuiocniscidlecnsctcnnstuosa)esatuo.atuanlrooenedtainulslrszdler)dtedtti.oesiipszsItmznhuald.oeei.prteim)aemu.aldiasnaegdtIhn)naeic.)amoadpog,aIldganuInneagtnnsteihdpmeno,dpri,l,dumaeeautg.tsahtaenthh,nrgidmoeriedmelsd,ashaghogeoled,ld,
cted
s in

shsohwownnininFFigiguurree 66.. TThhee eTexaxabamlmepRpl1eelgeAoinofonrefexorcaefomcignonptgeilternioeionstiftoenach cNaoteisgeorryedouf cimRtioOangIeosn to be tested. Comments
ROI
fWmrWmofWmmWiarnnioantiio1aatnnento5tteroorgtee4rrrrTsrrlgmasacmsslmmabcsccerlsLeraseeerrtauaasetttt1keeetcttmr cccrhrrhhhawewwwneeeAsiCssiisitnttthhhhhoooaeoinxnnynaamrttttahhhhpbeeel,eeTGToaaafubebrlaaelvRRceRhRD1eeh1ceeggAuagiingAntooegiinnongyoeeonnxloor,eyaffSoxomoiiirfannffikpiimttamnieelnnetarrpteCeegelohressereufsttecseothsotaeftrbcdeehateccNNsahtooeteNdiicssNg.oaeeooitsrerriyeeesRRgddeoOOoruuferRIIrccyidemRttOiiudoooOaIcunnfgtIcieiooomtsnninoatnoogneobDbMDMsneeiiiiffttnntffoewiiooccMDserruubtieeiMDbllfnnenttfdneioooittciJf..tooniitfrussewSiUoceelrrcsnCCteneeriusstoTooteamme..lnoietmmbsdncoootelhr..eCmmovvinesseeUoomeet.erlComnennttMsohhottam.rSssmeevemUbeoaellliiemdvnnntheeet0etsesso.nthiitlrnniseneealisdnei0n
WmfmWfrrWfoorfWmWfmWfiaaaorrrnnnoooajttainooaaattneennntjtttterroorrggttteeergrrsslrrrlgggmmsWaalccmssclllammmaaaarssccaeerrtsesssetaasseerrcttrsaasssheetttttmeeeeccttsrreccrhhrrtoehhwwnreewwweewtssiihssiiiittttttehhhhhhoofomronnninntogttrthhlhhaeesees Region of interest Noise reduction on ROI DMbeiifntbMrDMMbifwisoceeeeuriiaadeflnnntttfnojjwwutioooo.ociMbscUeerrrnerueentseeaDMriMbmliasnsC.stotrebnnjwoocceoeolintviaemdf..rronneiatefraastmjwuioUUoodtoceehttrescrcceeannerrnneunschhtatlbaamei.sli.dsnnroteerlbbaenec0Uoeosssnt.llt.reeoviiacnneasaaeUhdavttetnnrooecaenebtsddhhsnbaml.rreeeeeeelbaaeoaarrsltlnoofieoddvntedsseaeii00vrtrnoosoeee..tnnndharnioronde00eeissaari0eloofidnt.nseei0ro

WWfwmwtWhrwfWmtoiihrwftmWttfwwmWWWeaatataohhhrrinhheaooatjiiittteaaeenohattaattfeeejnnhhhtorjjtnnfttterooorrrgttfffreeeenrrrroonnnrogrrTsnlooorrrrggmmmoWsWsasoooanlcmssccnnnllatmmmmssaabaarrcstccaaeeerstttttsssslgcceeserttaseeeeerccgctttrragggcccsasrrhhleeettttttmma2rTaaleerrrellleeeetctaaaaayaaassrrr eeccsttrhrrrrpttssssootttteecchhewiisccccnnrreiwiimmisssshheemmmmohhhiwhAttmsihhfssieeiteeeaactteeeaiaaahhamhcgssssoffggsooggomerrguaoosngnneeeerannnooooeoaejwttossssnnncnsggttnirttthhyhllhaaheessnmeessoeasuDreigmitsent for 302 water meter images. Recognized Images Maijsor sncoriasntchneresoaannddraeerboasleiodnae0bveleneavfteenr naoftieser no
the fronWtatgerlmaestesr with major mriNdseiosednNMNwdiwNdwrdrttusinoeeenciiionroaaoaocssstaddiitnsorlttttttRyejeuuneeeiiioonnnae.nnndrwNrccedcrrreArnooocccicaottoalsliMdrNNdwiiidoiimmmbgstttssssootregllllttnheucyyyiieeeneinaoonnsseieeeandtirenczai...rotttnoattrrrvajcueiieeteodeeeunonnbAAAnnitimtnmslcocrrracccealroonlllccyba.cehtlllooonbeeiifcimAstttssoe.rtttgggerullltrshhhecyynrereeeesnnnnAeaeaneeeracrw..rciiioeatrrelazzzyielodeesnnnwAAvaaatnetcargacceuuubbbdhlltehlloonnmmmblllereeeetteggilzbbbhhae...rsnnnaeeeofeeAAAtuiiebrrrseazzsssmnnivlnnnraanoeeuueeeaaanbbbnd.wwwnmmrrroelleeeAee0eirsbba..sreneeofAAtearrsesswrinnreo
No. Testing Images No. of
wa6t0e%r meter
scratches on the front glass 0 10 6
1 15 10 66%
2 12 6 50%
3 12 4 33%
47 3 42%
58 4 50%
6 10 3 33%
77 3 42.8%
86 5 83%
25%
98 2

Water meter with minor 0 7 6 85.7%
scratches on the front glass 1 9 9 100%
11 9 81.8%
2 14 11 78.5%
3 13 10 76.92%
4 12 8 66.67%
5 7 4 57.14%
6 9 6 66.67%
7 11 8 72.72%
8 12 8 66.67%
9

Water meter images with no 0 10 10 100%
scratches on the front glass 1 7 7 100%
2 9 9 100%
3 10 10 100%
4 11 12 91.6%
5 16 14 87.5%
6 10 9 90%
7 9 7 77%
8 13 11 84.6%
9 7 6 85.7%

Vol 40. No 2, March-April 2021 Water utilization monitoring system by using image processing 155

Conclusion
This paper proposes a simple and efficient
concept to read a water meter and monitor its usage.
The framework first makes use of image preprocessing
techniques followed by Optical character recognition
Figure 6 Main page of web application. (OCR). After the digits of a water meter have been
detected, the graph of water utilization is presented via a
Figure 6 Main page of web application. web application. In the case of excess usage of water, the
Tsyhseteemxpseernimdsenatnaol trieficsautlitosFnidgEe-ummroaenils9ttoraEtthemedsattihalafNftroethsteipfoiscnyasstitbieolemn..
FiguFriegu6reM6 aMinainppaaggee ooffwwebebapapplicpaltiicoan.tion.

achieved good performFaigncuerewi9thEamloawilnNoisoetifwicaatetriomne.ter.

adnco noefodtinwsecercaalttuiise.ndeCprCeg..ebFf,onoIfemCetnriurctonnefrihmsioofymweciaccnbpsnntllmieiuitueutch4rtioetsnhsceTsaTlitrseutooebihihoenriocnlcsietTsiFpsaxsscnownihppryifeongopoapiuaeiepsrtpcabunraseltidoeltpmrrpaehpstepembegooaeoeetrsrefen9pdterfttttp.paeeeeoaErmssrrTrarlosotmyrrdehrpppeepsaetaersoretnaoaoseouirdsdlsucmflpewetreNlcstaowsassas.aosmi,slhTsctitawaneeiiuhiceftgsrlicehasacsw.aiittmasiMpahmiemopnitaoeragirscpospvrktbaaemeulienlmelmfosefer.leivaerapaeagtssrtonelrnoaenset,fdrddmaanandkdes use
the softewmfafooircenfiiettihmonertasicygtsoetneucpmseraepugsptert.soTcarreheseaesdafirnsaygmawtneadwcteghornrekmaiqtfeuisrtoeseutsrmcafeonaslldkoewseudseby
ataonredburaeilrdleiomaoOwbffropeledOeiinmbtemipgpcittaofaaaotiotoigggrlcsrleeseaceisotvhlstppfheaacrrasuaerheytasopwapwwcanrertoegooaalel.crectrkaee.tsresrwsTesrssemcheiilrnonelneegdgwctfinenriotttaiehgretgmioccohnnuhhnoeaitntntwivito(ifieiqeOqconcuaurhCbtkee(inoeROssifncei)Crasff.sno.olRtAlTleldlomo)hfrte.rweweoatyArreekfdctdethetsebbrdyuyt,shethe
Figure 7 Data store in Firebase. sp claryastcahdOnegdsiHripgigamgaotiimptitrppwcssahiopaneproolilvtoimhafcfecfnairhazotw,teaifrwwoatorhwtatlnaaheeect.aetreeitntcIereurnaortrtmcmnhitrcledhuieeuezietctrotatiieaeloouticcrzirntgopyaahnhnusotaoitatefoifivovsonetfedonhptifehigbbrs(eieeOtewspexmerCaecrenneetRnceetsdoetds)regere.es.dnmntAtMeieuttevficecootstietdaetrnaeeerr.gddavte,h,iawtethoheaefebwwaetber
FigFuirgeur7e 7DDaatata ssttoorreeininFiFreibraesbea. se. srAoypbsauterstmtfrwgataochpraompaetrydpphepeltlswiheishcctyahpoaastsoeo,ttwtyrifieonteooshwmnsnretiketi.a.bpmhstcIIlenrnooeeornun.pstttrhudhoieTlnyetssenu.hieloiWdecadzcusaaistsenshtslyaiyxoeoesgpttncrieoefoeaiomfcaipfrstitatemieuifastpxixricceeocrcicaensnneeuttstsersiiaEmoeasgslcnr-aaymurutgeteEsiesenadsasda-iugmlggvwiolneteitaooistahdiooltahfftoewwatasehttbeaeerfr,f,staff
Figure 7 Data store in Firebase.

tbchouent dtphitheioyrtdrnsuheeiescemsspdemappereelssotomyrehnfnsrsaoshsostr,reoditinbmbtruwmhasllleeeaadttre.r.nsaecdyeTcTotseneehnhttqehsddeeuimwasdietepetihnatxmrxhtaehppcenetehaendoterrtshtiscimm(leflykooriicasewnewsastngneypmtttimnbasaoaentolnlienrdairrrstmeyEecmesnsh-pauamauiwiienlncltabtvcatshsaoeietliiaenedwtrirovdnitge)ghm,todhoeedgtesorto.adff
the raspdpbeemrrfroyrnmcsaatmrnaectreeadawtnhitdhatnaethtweloorwskyscnotoenimsneecawticoahntieinvremodrdegeteroro.d
fastsp BAstimorouyurnioceoscmpdomonjkthpeeneudbnaocmganlrutkyroossti.epccdmspypFsdcFycmpslaewefdgAooaoioieeooaidrTenreetatseolrlonflthscsymdFpchv4rtshunfls4teclhsstclettfetdmaiaeuidmooiaoowecieewcrrsoiesudeubecaninccpoiloufnllrs4trtrsualblclgusanlattdbywephttesasemmdasrtiwcrteiydrduushenydroeehen.cscctociptesleDriwtssaeriwWguaeltmbageetrntehaesntastt(tttkirtenelerdhoDtpyheneogsohtp.gecetthneaemethnemcsriwhrpweiahgretcriaaSnlceuxwnctte.uxuetoblutaewboa.reebohtphrrugphmwpntotmsehneuimseStultoshcrrlisaweegwueeaoacsaleuixbshiiuubtyhdbltyatrblrrhrpcdrguhhihdypgumliasuetiskoeawseidkotalmooshemneleeeeltmlvaitartfvsnrtiwfilheblytoesptkslssdiernheheguieapesfoVtpmeafskro.ebioem.aamnoetelnorefteohorveflirtbwTftColsTopneesotoestsnrarnewleuaupwmtuaehpttafhpotoshemsp.svoeaarlsnar.pulsaeporoswwfaeeopbosrwllcTsoeyIeaceretghtrrdnstktrpswuaea.eteahnhpbotsespnpxoasesniienrefsastlsteerpaistoiLacerprosowoiceseedoe.dda.ueergarteaurewicterddiscodersiearnserInapolsearsIslassaeltsrt,swsetetefeetmtstssnrmeoicsssosyomlsspyemdi.ydoyaiDu,)s,reissiceoiisee,irngresiwn.woarIet.rloeniwktassiastotteeaet.segetitusgmerstvsesteraseymi.sh.usairiti.mumtaeTii,.,msm,rshlihbtsiersyeieylwinsssei.gMoseMtonealitntraeapaetattassgraesrsuideraeeibmaelanC.so.wsanssboaeuasiba.tmen,mulnwtrsnwdaTyrneemldiilrfilsfdttdcMteedcetneespednhuhtahdteaasgeeahraaomieoretedoemansogatesfernbagaitipftpnnveineinossvwooronrrdttersrerslfaearcdedereeseerdpt.ptbrabeerairomeatbn,tb,galfhtlphrntervtoeoegteserstosoahedherrrpotsosrberireeantyebf,yeflhrtegetsohrosreyef
. Figure 8 Water consumption graph of each building.

FFFiiiggguuurrreee888 WWWaaatteteerrrcccoobonbnunsusisluuidlumdminminppgptgt.iioto.inonnggrgraarppahhphooffoeef aaeccahhch
building.

Figure 9 Email Notification.

Figure 9 Email Notification.

sources to build webpages as well as sending

156 Lukman Chaiyarab, Gaurav Dhungyel, Sirikan Chucherd J Sci Technol MSU

of Excellence in AI and Emerging Technology, School Kashid, S.G., Pardeshi, S.A., Sirsat, S.D. and Bonge, V.H.
of Information Technology of Mae Fah Luang University (2015). Remote capturing of water meter reading
for allowing us to conduct our experiments without any using DSP processor. Third International Conference
interference and giving all supports and guidance they on Image Information Processing (ICIIP), Waknaghat.
can. https://ieeexplore.ieee.org/document/7414738

References Lee, M. (2020). Pytesseract 0.3.6. PYPI. https://pypi.org/
project/pytesseract/
Depari, A., De Dominicis, C.M., Flammini.A., Sisinni,
E., Fasanotti, L. and Gritti, P. (2015). Using Somyat, N. and Nakariyakul, S. (2018). Thai Lottery
smartglasses for utility-meter reading. 2015 IEEE Number Reader App for Blind Lottery Ticket Sellers.
Sensors Applications Symposium (SAS), Zadar. 10th International Conference on Knowledge and Smart
https://ieeexplore.ieee.org/document/7133649 Technology (KST), Chiang Mai. https://ieeexplore.
ieee.org/abstract/document/8426096
Fikejz, J. and Roleček, J. (2018, May 21-23). Proposal
of a smart water meter for detecting sudden water Triantoro, T.R., Batubara, F. and Fahmi, F. (2014). Image
leakage. 2018 ELEKTRO. Mikulov. https://ieeexplore. based water gauge reading developed with ANN
ieee.org/document/8398316 Kohonen. International Conference on Electrical
Engineering and Computer Science (ICEECS), Kuta.
Gosavi, G., Gawde, G. and Gosavi, G. (2017). Smart https://ieeexplore.ieee .org/document/7045223.
water flow monitoring and forecasting system. 2nd
IEEE International Conference on Recent Trends in
Electronics, Information & Communication Technology
(RTEICT), Bangalore. https://ieeexplore.ieee.org/
document/8256792

การเปรียบเทียบประสทิ ธภิ าพของเทคนคิ เหมอื งขอ้ มลู ส�ำ หรับพยากรณ์การเกิดโรค
The efficiency comparison of data mining techniques for patient incidence

อุกฤษฏ์ ศรีสุข1*, จารี ทองค�ำ 1
Ukrit Srisuk1*, Jaree Thongkam1
Received: 8 November 2020 ; Revised: 15 February 2021 ; Accepted: 1 March 2021
บทคัดย่อ

งานวจิ ยั นม้ี วี ตั ถปุ ระสงคเ์ พอ่ื ศกึ ษาประสทิ ธภิ าพของเทคนคิ เหมอื งขอ้ มลู ในขอ้ มลู ทห่ี ลากหลาย ขอ้ มลู ในงานวจิ ยั นป้ี ระกอบดว้ ย
ขอ้ มลู ผปู้ ว่ ยโรคมะเรง็ เตา้ นม ผปู้ ว่ ยโรคเบาหวาน และผปู้ ว่ ยโรคไฮเปอรไ์ ทรอยด์ โดยขอ้ มลู ทง้ั หมดถกู รวบรวมมาจากฐานขอ้ มลู
UCI จำ�นวนท้ังหมด 3 ชุดข้อมลู ในงานวจิ ัยนไ้ี ด้น�ำ เอาเทคนิค Machine Learning มาใช้กับการท�ำ เหมืองข้อมลู 5 เทคนิค ไดแ้ ก่
Decision Tree C4.5, Naïve Bayes, Neural Networks, Random Forest, Deep Learning มาท�ำ การสรา้ งแบบจำ�ลองเพอื่ การ
พยากรณก์ ารเกิดโรค โรคมะเร็งเต้านม โรคเบาหวาน และโรคไฮโปไทรอยด์ ในการวดั ประสิทธภิ าพ 10-fold cross validation
ไดถ้ ูกนำ�มาใชใ้ นการแบ่งขอ้ มลู ออกเปน็ กลมุ่ ฝึกสอน และ กลุ่มทดสอบ ค่าความถูกต้อง คา่ ความไว และคา่ จ�ำ เพาะ ได้ถกู น�ำ มา
ใช้ในการเปรยี บเทยี บประสทิ ธภิ าพการพยากรณข์ องแตล่ ะแบบจ�ำ ลอง จากการทดลองพบว่า เทคนคิ Decision Tree C4.5 เปน็
เทคนิคทีด่ ที ีส่ ดุ ในการสรา้ งแบบจ�ำ ลองในการพยากรณ์โรคไฮโปไทรอยด์ โดยให้คา่ ความถูกตอ้ ง 99.86 % คา่ ความไว 99.85 %
และค่าจ�ำ เพาะ 100 %
ค�ำ ส�ำ คัญ: เหมอื งข้อมูล มะเรง็ เตา้ นม เบาหวาน ไฮโปไทรอยด์

Abstract

This research aims to study the performance of data mining techniques in medical datasets. The data in this research
contaita information of patients with breast cancer, diabetics and patients with hyperthyroidism. All datasets were
collected from UCI databasee Mmachine learning, in particular Decision Tree C4.5, Naïve Bayes, Neural Networks,
Random Forest and Deep Learning techniques were used to create the models of disease Breast cancer, diabetes
and hypothyroidism prediction models. In order to measure the performance of prediction models, 10-fold cross valida-
tion was utilized to divide the data into training and testing sets. Accuracy, sensitivity and specificity of the prediction
models were used to compare the prediction performance of each model. The experimental results showed that the
Decision Tree C4.5 technique was the best technique in modeling the prognosis of hypothyroidism. It provided 99.86
% accuracy, 99.85 % sensitivity and 100 % specificity.
Keywords: Data mining, Breast cancer, Diabetics, Hypothyroid

1 กลุ่มสารสนเทศเชิงประยกุ ต์ ภาควชิ าเทคโนโลยสี ารสนเทศ คณะวิทยาการสารสนเทศ มหาวทิ ยาลยั มหาสารคาม
1 Applied Informatics Group, Information Technology, Faculty of Informatics, Mahasarakham University
* Corresponding author: Ukrit Srisuk , E-mail: [email protected]

158 Ukrit Srisuk, Jaree Thongkam J Sci Technol MSU

บทน�ำ ดังน้ันงานวิจัยนี้ผู้วิจัยมีความสนใจที่จะศึกษา
ประสทิ ธภิ าพของเทคนคิ Decision Tree C4.5, Naïve Bayes,
มะเรง็ เตา้ นม เปน็ มะเรง็ ทพ่ี บมากทส่ี ดุ เปน็ อนั ดบั 1 ของผหู้ ญงิ Neural Networks, Random Forest และ Deep Learning ใน
ไทย และเป็นสาเหตุของการเสียชีวิตอันดับต้นๆ ในผู้หญิง การสร้างแบบจำ�ลองเพื่อพยากรณ์การเกิดโรค มะเร็งเต้านม
แนวโน้มคนไทยป่วยเป็นโรคมะเร็งสูงขึ้นทุกปี แต่อัตราการ โรคเบาหวาน และโรคไฮโปไทรอยด์ โดยวดั ประสทิ ธภิ าพดว้ ย
เป็นโรคน้อยกว่าประเทศทางตะวันตก หญิงไทยมีอัตราการ เทคนคิ 10-fold cross validation และแสดงคา่ ความถูกตอ้ ง
พบมะเรง็ ประมาณ 40 คน ในสตรวี ัยเจรญิ พันธุ์ 100,000 คน ค่าความไว และ คา่ จ�ำ เพาะ
ซึ่งถ้าเทียบกับประเทศตะวันตกพบมะเร็งเต้านมได้มากกว่า
100 คน ในสตรีวยั เจริญพันธุ์ 100,000 คน ในผ้ชู ายพบมะเรง็ วิธีดำ�เนินการวิจยั
เต้านมได้เช่นกัน แต่ไม่บ่อยนัก โดยมีอุบัติการณ์ของโรคน้ี
นอ้ ยกว่าผหู้ ญงิ เกอื บ 100 เท่า (ณัฏฐพร นันทวิ ฒั นา, 2563) ในการดำ�เนินการวิจัยน้ีได้ใช้กระบวนการในการทำ�
ส่วนโรคเบาหวาน เกิดจากเซลล์ร่างกายมีความผิดปกติใน เหมอื งข้อมูลซึง่ มี 4 ข้นั ตอนมาใช้ คือ การเตรยี มขอ้ มูล การ
ขบวนการเปลย่ี นน�้ำ ตาลในเลอื ดใหเ้ ปน็ พลงั งาน โดยขบวนการ คดั เลอื กตวั แปร การสรา้ งแบบจำ�ลอง และการวดั ประสทิ ธภิ าพ
น้ีเก่ียวข้องกับอินซูลินซึ่งเป็นฮอร์โมนท่ีสร้างจากตับอ่อนเพื่อ ของแบบจ�ำ ลอง
ใชค้ วบคมุ ระดบั น�ำ้ ตาลในเลอื ด เมอ่ื น�้ำ ตาลไมไ่ ดถ้ กู ใชจ้ งึ ท�ำ ให้ 1. การเตรยี มข้อมลู
ระดบั น�้ำ ตาลในเลอื ดสงู ขนึ้ กวา่ ระดบั ปกติ (พมิ พใ์ จ อนั ทานนท,์ การเตรียมข้อมูลในงานวิจัยน้ี ข้อมูลประกอบด้วย
2563) ย่ิงไปกว่าน้ันโรคไฮเปอร์ไทรอยด์ หมายถึง ภาวะที่ ชุดข้อมูลท่ีมีชนิดตัวแปรท่ีแตกต่างกันจำ�นวน 3 ชุดข้อมูล
ต่อมไทรอยด์ มีการหล่ังฮอร์โมนไทรอยด์ออกมามากเกินไป คอื ชดุ ที่ 1 คอื โรคมะเร็งเต้านม มชี นดิ ตวั แปรเปน็ Nominal
กระตุ้นให้อวัยวะท่ัวร่างกายมีการเผาผลาญสูงกว่าปกติ เป็น ทั้งหมด จำ�นวน 10 ตวั แปร ชดุ ท่ี 2 คอื โรคเบาหวาน มชี นดิ
สาเหตุทำ�ให้เกดิ อาการเจบ็ ป่วยๆ ต่างขึน้ ตามมา เชน่ เหนื่อย ตวั แปรเปน็ Numeric ทั้งหมด จำ�นวน 9 ตัวแปร และชุดที่ 3
ง่าย ใจส่ัน ข้ีร้อนง่าย เหงื่อออกมาก หงุดหงิด นอนไม่หลับ โรคไฮโปไทรอยด์ มีชนดิ ตวั แปรเปน็ Nominal และ Numeric
นำ้�หนักตัวลดลงอย่างรวดเร็วแบบผิดปกติ เป็นต้น สาเหตุ จ�ำ นวน 30 ตวั แปร จากฐานขอ้ มูล UCI
ของไทรอยด์เป็นพิษเกิดจากการท่ีต่อมไทรอยด์ทำ�งานมาก ชดุ ที่ 1 ตวั แปรทใ่ี ชใ้ นงานวิจยั โรคมะเรง็ เตา้ นม
ผิดปกติ จนทำ�ให้ร่างกายมีปริมาณของของฮอร์โมนไทรอยด์ 1. อายุ (age) มีชนดิ ข้อมลู เปน็ Nominal
มากเกินความต้องการของร่างกายและมีสภาวะเป็นพษิ จนส่ง 2. สตรีวัยหมดประจำ�เดือน (menopause) มีชนิด
ผลตอ่ รา่ งกายในดา้ นตา่ งๆ (เมดไทย, 2563) ขอ้ มลู เป็น Nominal
การทำ�เหมอื งขอ้ มลู (Data Mining) (Schuh et al., 3. ขนาดของเนอื้ งอก (tumor-size) มชี นดิ ขอ้ มลู เปน็
2020) คือ กระบวนการวิเคราะห์ข้อมูล เพื่อค้นหารูปแบบ Nominal
และความสัมพันธ์ท่ีซ่อนอยู่ในชุดข้อมูลน้ันๆ ในปัจจุบันการ 4. ช่วงของมะเร็ง (inv-nodes) มีชนิดข้อมูลเป็น
ทำ�เหมืองข้อมูลได้ถูกนําไปประยุกต์ใช้ในงานหลายประเภท Nominal
เช่น การพยากรณ์พันธ์ุต้นไม้ การพยากรณ์ผู้ใช้บัตรเครดิต 5. การกระจายตัวของมะเร็ง (node-caps) มีชนิด
รวมถึงการพยากรณ์ผู้ป่วยเพื่อพยากรณ์การณ์การอุบัติของ ขอ้ มูล Nominal
โรคต่างๆ เช่น โรคมะเร็งเตา้ นม โรคเบาหวาน และโรคอน่ื ๆ 6. ระดบั ความรา้ ยแรง (deg-malig) มชี นดิ ขอ้ มลู เปน็
เป็นต้น มีนักวิจัยหลายท่านท่ีได้ทำ�การพยากรณ์โรคมะเร็ง Nominal
เตา้ นม เชน่ Fan, Zhu และ Yin (Qi et al., 2010) ไดศ้ กึ ษาการ 7. ตำ�แหน่งของมะเร็ง (breast) มีชนิดข้อมูลเป็น
ท�ำ นายการกลบั เปน็ ซ�้ำ ของมะเรง็ เตา้ นม ดว้ ยเทคนคิ Decision Nominal
Tree C4.5, CHAID, QUEST, CART, ANN พบวา่ เทคนิค 8. ต�ำ แหน่งของมะเรง็ (breast-quad) มชี นดิ ข้อมูล
Decision Tree C4.5 มปี ระสทิ ธิภาพที่ดที ่สี ุดที่ 71.17% สว่ น เป็น Nominal
Balpande และ Wajgi (Balpande & Wajgi, 2017) ไดศ้ กึ ษา 9. การฉายรังสี (Irradiat) มีชนดิ ข้อมูลเปน็ Nominal
การคาดคะเนและการประมาณความรนุ แรงของโรคเบาหวาน 10. เหตุการณ์ (class) มชี นดิ ขอ้ มูลเปน็ Nominal
โดยใชเ้ ทคนคิ การท�ำ เหมอื งขอ้ มลู ดว้ ยเทคนคิ CHAID, Naïve ชุดท่ี 2 ตัวแปรทใ่ี ช้ในงานวิจัยโรคเบาหวาน
Bayes, K-Nearest, Decision Tree ปัจจัยท่ีมีผลต่อการ 1. จำ�นวนครั้งที่ตั้งครรภ์ (preg) มีชนิดข้อมูลเป็น
คาดคะเน คือ อายุ, เพศ และ ดชั นีมวลกาย พบว่า เทคนิค
Decision Tree มีประสิทธิภาพที่ดีที่สุด ท่ี 72% จะเห็นได้
ว่าแต่ละเทคนิคมีประสิทธิภาพที่ไม่แน่นอน ในข้อมูลที่แตก
ตา่ งกนั

Vol 40. No 2, March-April 2021 The performance comparison of data mining techniques for 159

patient incidence

Numeric Min=0, Max=17, Mean=3.845, SD.=3.37 12. การใช้ยาทางจิตเวชท่ีใช้รักษาอาการคลุ้มคลั่ง
2. ระดับนำ้�ตาลในเลือด (plas) มีชนิดข้อมูลเป็น (lithium) มชี นิดขอ้ มลู เปน็ Nominal
Numeric Min=0, Max=199, Mean=120.895, SD.=31.973 13. ภาวะทมี่ กี ารโตข้นึ ของต่อมไทรอยด์ (goitre) มี
3. ความดันโลหิต (pres) มีชนิดขอ้ มูลเป็น Numeric ชนดิ ขอ้ มลู เป็น Nominal
Min=0, Max=122, Mean=69.105, SD.=19.356 14. เนื้องอก (tumor) มชี นิดข้อมลู เปน็ Nominal
4. ความหนาของไขมันใต้ผิวหนังกล้ามแขนส่วน 15. ภาวะท่ีร่างกายขาดฮอร์โมนท่ีสร้างจากต่อมใต้
หลัง (skin) มีชนิดข้อมูลเป็น Numeric Min=0, Max=99, สมอง (hypopituitary) มีชนดิ ข้อมลู เปน็ Nominal
Mean=20.536, SD.=15.952 16. อัตราชีพจร (psych) มชี นดิ ข้อมลู เปน็ Nominal
5. ปริมาณอินซูลนิ ทไ่ี ด้รบั ภายใน 2 ชั่วโมง (insu) มี 17. คา่ ของฮอรโ์ มนกระตนุ้ ตอ่ มไทรอยด์ (TSH mea-
ชนดิ ข้อมูลเป็น Numeric Min=0, Max=846, Mean=79.799, sured) มีชนิดขอ้ มลู เป็น Nominal
SD.=115.244 18. ฮอร์โมนกระตุ้นต่อมไทรอยด์ (TSH) มีชนิด
6. ดชั นมี วลกาย (mass) มชี นิดขอ้ มูลเปน็ Numeric ขอ้ มลู เป็น Numeric Min=0.005, Max=145, Mean=2.596,
Min=0, Max=67.1, Mean=31.993, SD.=7.884 SD.=6.27
7. การตดิ ตอ่ ทางสายเลือด (pedi) มชี นดิ ข้อมูลเปน็ 19. คา่ ของไทรอยดฮ์ อร์โมนที่ได้จากสองแหลง่ (T3
Numeric Min=0.078, Max=2.42, Mean=0.472, SD.=0.331 measured) มชี นิดข้อมลู เปน็ Nominal
8. อายุ (age) มีชนดิ ข้อมูลเปน็ Numeric Min=21, 20. ไทรอยดฮ์ อร์โมนทไ่ี ด้จากสองแหลง่ (T3) มชี นดิ
Max=81, Mean=33.241, SD.=11.76 ข้อมูลเป็น Numeric Min=0.05, Max=10.6, Mean=2.045,
9. ตัวแปรคลาส (class) มีชนิดขอ้ มลู เปน็ Nominal SD.=0.812
ชดุ ท่ี 3 ตวั แปรท่ีใช้ในงานวจิ ัยโรคไฮโปไทรอยด์ 21. ค่าของฮอร์โมนทั้งส่วนที่จับกับโปรตีน (TT4
1. อายุ (age) มีชนิดข้อมูลเป็น Numeric Min=1, measured) มีชนิดข้อมลู เปน็ Nominal
Max=455, Mean=51.783, SD.=20.124 22. ฮอร์โมนทั้งส่วนท่ีจับกับโปรตีน (TT4) มีชนิด
2. เพศ (sex) มชี นิดขอ้ มูลเปน็ Nominal ข้อมูลเป็น Numeric Min=19, Max=430, Mean=110.344,
3. ฮอรโ์ มนทห่ี ลงั่ ออกมาจากต่อมไทรอยด์ (on thy- SD.=33.692
roxine) มีชนดิ ข้อมูลเป็น Nominal 23. ค่าของการใช้ไทรอกซิน (T4U measured) มี
4. คำ�ถามของฮอร์โมนที่หล่ังออกมาจากต่อม ชนิดขอ้ มลู เปน็ Nominal
ไทรอยด์ (query on thyroxine) มีชนิดข้อมูลเป็น Nominal 24. การใชไ้ ทรอกซนิ (T4U) มชี นดิ ข้อมลู เปน็ Nu-
5. การใชย้ าตา้ นไทรอยด์ (on antithyroid medicate) meric Min=0.25, Max=2.32, Mean=0.994, SD.=0.196
มชี นดิ ข้อมลู เป็น Nominal 25. ค่าของฮอรโ์ มนไทรอกซินชนดิ อิสระ (FTI mea-
6. อาการไข้ (sick) มชี นดิ ขอ้ มลู เป็น Nominal sured) มีชนิดขอ้ มูลเป็น Nominal
7. การตั้งครรถ์ (pregnant) มีชนิดข้อมูลเป็น 26. ฮอร์โมนไทรอกซินชนิดอิสระ (FTI) มีชนิด
Nominal ข้อมูลเป็น Numeric Min=17, Max=395, Mean=112.522,
8. การตัดตอ่ มไทรอยดบ์ างสว่ น (thyroid surgery) SD.=30.871
มชี นิดข้อมลู เปน็ Nominal 27. คา่ ของโปรตีนที่สรา้ งจากตับ (TBG measured)
9. การรักษาดว้ ยแร่ไอโอดีน 131 (I131 treatment) มีชนิดขอ้ มูลเป็น Nominal
มีชนดิ ข้อมลู เป็น Nominal 28. โปรตีนที่สรา้ งจากตับ (TBG) มีชนิดขอ้ มลู เปน็
10. โรคไทรอยด์ชนดิ อ้วน (query hypothyroid) มี Numeric
ชนดิ ข้อมลู เปน็ Nominal 29. แหลง่ อา้ งองิ (referral source) มชี นิดข้อมูลเปน็
11. ภาวะท่ีต่อมไทรอยด์สร้างและปล่อยฮอร์โมน Nominal
ออกมามากเกินไป (query hyperthyroid) มีชนิดข้อมูลเป็น 30. ตวั แปรคลาส (Class) มชี นดิ ขอ้ มลู เปน็ Nominal
Nominal

160 Ukrit Srisuk, Jaree Thongkam J Sci Technol MSU

2. การคดั เลอื กตวั แปร โดยท่ีโครงข่ายประสาทเทียมแบบหลายชั้น (multilayer) มี
การคัดเลือกตัวแปรเป็นวิธีการในเลือกตัวแปรตาม ลกั ษณะเชน่ เดยี วกบั โครงขา่ ยประสาทเทยี มแบบชน้ั เดยี ว แต่
ที่มีความสัมพันธ์กับตวั แปรตาม และยงั ช่วยในการลดจำ�นวน จะมชี น้ั แอบแฝง (hidden) เพมิ่ ขน้ึ โดยอยสู่ ว่ นกลางระหวา่ งชน้ั
ตวั ตน้ ทไ่ี มเ่ กย่ี วขอ้ งกบั ตวั แปรตามออกจากชดุ ขอ้ มลู ทจ่ี ะน�ำ ไป นำ�ข้อมูลป้อนเข้าและชั้นส่งขอมูลออกท้ังน้ีช้ันแอบแฝงอาจมี
สรา้ งแบบจ�ำ ลองได้ โดยในงานวจิ ยั นจ้ี ะใชเ้ ทคนคิ Chi-Square มากกว่า 1 ช้ัน
Chi-Square เปน็ การประเมนิ คา่ ของคณุ ลกั ษณะโดย เทคนิคต้นไม้ป่าสุ่ม (Random Forest) (Rastgou
ศเปกึ ็นษไาปแกกวจา�ำต่าหรกากใมแนชาจรด้กรปูงไาแควแรจ้วบคหกา�ำบรมแนทือถจวไก่ีงี่ขณมาคอ่หคดวงนา่าตงั สมดัวCมไแถhวกป่ีขi-้ ารSหอรคงqรุณตอuื aไวั ลมrแักe่ปดษทรงัณาคสงะุมณสเกปถลา็ตินกั ริเไษพปณ่อืตศาะกึมษรูปาวแา่บกบาทร่ี et al., 2020) เปน็ Model ประเภทหนงึ่ ของ Machine Learning
ถกู พฒั นาขน้ึ จาก Decision Tree ต่างกนั ที่ Random Forest
n (Oi-Ei)2 เป็นการเพิ่มจำ�นวน Tree เป็น Tree หลายๆ ต้น ทำ�ให้
Ei ประสิทธิภาพในการทำ�งานสูงข้ึน แม่นยำ�มากข้ึน ซ่ึงโมเดล
x2= ∑ Random Forest เป็นโมเดลท่ีได้รับความนิยมเป็นอย่างมาก
ในการใช้ Machine Learning
i=1 เทคนคิ การเรียนรู้เชงิ ลกึ (Deep Learning) (Dogan
& Birant, 2021) เป็นส่วนหนง่ึ ของ Machine Learning บน
ทจาค่ี กวโEกรด1ศ ค าจย,กึวระทศEรเษปจ่ีกึ2าO็ะนษ…เ1)ปา,น็OโEEดO)11nย,2,ทเEปO…ี่2็น2…Oค…วnEาOเnมปnถเ็นปเ่ที คปน็ ค่ี ว็นคาาควดมวาหถมาวข่ีมถงัอถที่ ง(ข่ี ่คีหตอาวรั งดอืแตหคปวั ววรแังาทปม(ไ่ีรหถดทร่้ี ไี่ือดคจ้ วาากมกถาีท่ ร่ี พ้ืนฐานของโครงข่ายประสาทเทียมและการเรียนเชิง
คณุ ลกั ษณะ การเรยี นรสู้ ามารถเปน็ ไดท้ งั้ แบบการเรยี นรแู้ บบ
3. การสรา้ งแบบจาลอง มีผู้สอน การเรียนรู้แบบก่ึงมีผู้สอน และการเรียนรู้แบบไม่มี
พM(เเชทพัฒaคณ่อื cเกนนใทhิาด3 นใก( ใชคิาiคชนนรn.อี้้ใามดสนณeMกกนลัภงัาริคาากกิดaLตาจ้ราตรceอาา่องาพสนh้aภรรแไกบยirทิรไพปnบาnเกอุมาญา้eทมึนยบiกัลาบnงต้ ค้ีาจLปรรกแgุญIดั กนeDาสณบอรสมลaปรคิร3ะร์นบิrอณา้ารดตnิทสใจใเงะง้วน้i์จปชnึมเสมแำ�ดยปไg็น้มมลบCม,โ้ว็นIอป,อามDบ้ต2ย4ขลัทร2าง.53ัดโจ5นกแั้5ใป6าำส�ชกอเต6(3กลินรป้มD3รรอ)แาอใ็ทิมน)าeนจรกงเทcมึอเทปสWเรปCiำ�ปใsลั็รมน่ีนนก็น4ie็ก้นาoาอกา.kอWงn5อเขรaัาลัลอแรสั้นeTร(กากโบิทDรจkrตดเออe้าทaบําeึมยอรงeรแcคจใิทในโแิทiนชนนsCาดบมึทกึiเ้มลกคิยo4ทบ่ีนปอnท.ใาใ5จคำทน�ชรงรพี่)�ำTนะเ่ี้ ลอัฒเrคิ eภอาดนeงทเังทาเขCตพมคอ้่อ4่ือานม.ไจใ5ปิชคูลา)้ ผู้สอน โดยงานวิจยั นเ้ี ป็นการเรยี นรู้ Machine Learning แบบ
จาแนใชก้หปลรักะกเภารทสขร้า้องมตูล้นใไชม้ห้โดลยักคกัดาเลรสือกร้าคงุณตล้นักไษมณ้โดะทย่ีสำ�คัญท่ีสุด มีผู้สอน (Supervised learning)
คัดเลมือากเปคน็ุณโหลักนดษรณากะท(่ีRสาooคtัญNทo่ีสdุดe)มาโดเปย็ในชโ้คหา่ นGดaรiาnกRatio ทสี่ งู
(Rooทt Nี่สุดoเdปeน็) โหดนยดใรชา้คก่าแลGะaโหinนRดaถtัดioไปท่ีสแูงลทะต่ีสอ้ ุดงเหปา็ นคา่ Entropy, 4. การวดั ประสทิ ธภิ าพของแบบจ�ำ ลอง
โหนดInรfาoกrmแaลtiะoโnหGนaดinถัดแลไะปSแpลliะt ตIn้อfoงrหmาaคti่าonEntropy, เมอื่ ท�ำ การสรา้ งแบบจ�ำ ลองเสรจ็ แลว้ น�ำ แบบบจ�ำ ลอง
Inform ation GaเทinคแนลิคะกาSรpพlitยIาnกfoรrณm์ขa้อtioมnูลแบบจำ�ลองเบย์ (Naïve มาทดสอบประเมนิ ประสทิ ธภิ าพดว้ ยวธิ กี ารของ 10-fold cross
validation โดยการแบง่ ข้อมูลออกเป็น 10 กลุ่มเทา่ ๆ กันและ
เทBคaนyิคesก)า(รKพaยuาrกeรtณal์ข.,อ้dม.)ลู เแปบ็นบกจาราพลอยงาเกบรยณ์ (์ปNรaะïเvภeทโดยใชก้ ฎ ทำ�การเปรียบเทียบค่าด้วยการพยากรณ์กลุ่มข้อมูล คือ ค่า
Bayeขs)อง(Kเบaยuห์r รeอื tเaปl.น็ ,กnา.รdพ.)ยเาปก็นรกณาป์รพระยเาภกทรโณด์ยปใรชะห้เภลทกั สถติ ใิ นการ ความถูกต้อง (Accuracy) ค่าความไว (Sensitivity) และค่า
โดยใชพ้กยฎากขรอณงเ์คบวยาห์มนรอืา่ เจปะ็นเปก็นารพยากรณ์ประเภทโดย จ�ำ เพาะ (Specificity) ดงั สมการ
ใชห้ ล กั สถติ ใิ นกเทารคพนยิคาโกครรณงข์ค่าวยาปมรนะ่าสจาะทเปเ็ทนียม (Artificial Neural 1.คา่ ความถกู ต้อง (Accuracy) คอื ค่าทแี่ บบจ�ำ ลอง
หIศNnาลeteสtาเwlยตทliปคม:แNogดรคขrืีอปeรeA์แา้kนnะนtรนsIขwสิ)cคคะ)งไนeoาสหวโ(ดทงrททคิทา:นอk้ ่ีสหมรใพิธAsึ่ยงานนงพ)ิภทI่ามย)ขส่ึงงยาา(า์หท่ทามทมพงารยท่สีอดาิปยพีถปงาง้าายัหรนยดมมนรมะำ์ล�ห้าสะนาปททไักทนสทริปุษัญ่ีจอกัยถาปธปะยงาญทนัภิลญรร์ธเทเาาพอะาสรญทอปไยพกำ�ื่อรยีปงุากรคเทมธลมหปะปตัญำ�รชีดยลร์รใรง(ขิชนษาะะกัAมาอตด้กยแฐกนrชงtุัิษ์บกบิ,าiไาโf(รiตงดบคฐ2ตAcสา์้์5ใiอรกิ,ra(นาชงt6ยาAliค2ขหfก้ 0ร่iาNrc5ญั่า)tทบลังiie6ยafมาขเำง�iu0clปปยาีงปอr)i็aaนารดนIงรnllะนเ้าะปtสนeขส็นาlอิไทlทiศดงgธเา้อเeิภทซสยnียาลตc่าพมลeรง์์ สามารถพยากรณข์ อ้ มลู ผปู้ ว่ ยทเี่ กดิ โรค และไมเ่ กดิ โรคไดอ้ ยา่ ง
โครงข่ายประสาทเทียม คือ ความพยายามท่ีจะ ถกู ตอ้ งต่อขอ้ มูลท้งั หมด ดงั สมการท่ี 1
ลอกเลยี นแบบการทางานของเซลล์ประสาทในสมอง
มนุษย์เพ่ือทางานได้อย่างมีประสิทธิภาพ โดยท่ี Accuracy = TP + TN (1)
โครงข่ายประสาทเทยี มแบบหลายชนั้ (multilayer) มี TP + TN +FP + FN

2.ค่าความไว (Sensitivity) คือ ค่าที่แบบจำ�ลอง
สามารถพยากรณ์ข้อมูลผู้ป่วยท่ีเกิดโรค ได้อย่างถูกต้องต่อผู้
ป่วยทเี่ กิดโรคจรงิ ดังสมการท่ี 2

Sensitivity TP (2)
TP + FN

3.ค่าจำ�เพาะ (Specificity) คือ ค่าท่ีแบบจำ�ลอง
สามารถพยากรณข์ อ้ มลู ผปู้ ว่ ยทไี่ มเ่ กดิ โรค ไดอ้ ยา่ งถกู ตอ้ งตอ่
ผ้ปู ว่ ยท่ีพยากรณว์ ่าเกดิ โรค ดงั สมการที่ 3

Vol 40. No 2, March-April 2021 The performance comparison of data mining techniques for 161

patient incidence

Specificity TN (3) Machine Learning ของการทาำ เหมอื งข้อมูล ในการสรา้ งแบบ
TN + FP จาำ ลองเพอ่ื พยากรณก์ ารเกดิ โรค มะเรง็ เตา้ นม โรคเบาหวาน
และโรคไฮเปอร์ไทรอยด์ ดว้ ยเทคนิค Decision Tree C4.5,
เมอื่ TP คอื จาำ นวนขอ้ มลู ทแ่ี บบจาำ ลองพยากรณก์ าร Naïve Bayes, Neural Networks, Random Forest, และ Deep
เกิดโรคไดอ้ ย่างถกู ต้อง Learning ผา่ นการใช้งานโปรแกรม WEKA เวอรช์ ัน 3.9.3 ใน
การทาำ การทดลอง ขอ้ มลู ทใี่ ชใ้ นงานวจิ ยั นเ้ี กบ็ รวบรวมจากฐาน
TN คอื จำานวนขอ้ มลู ท่แี บบจาำ ลองพยากรณ์การไม่ ข้อมลู UCI จำานวน 3 ชดุ ข้อมลู ชดุ ที่ 1 คอื โรคมะเร็งเต้านม
เกดิ โรคไดอ้ ย่างถกู ต้อง มชี นดิ ตวั แปรเป็น Nominal ทัง้ หมด ชดุ ท่ี 2 คอื โรคเบาหวาน
มีชนิดตวั แปรเป็น Numeric และ Nominal ชดุ ท่ี 3 โรคไฮโป
FP คือ จำานวนข้อมูลท่ีไม่เกิดโรคแต่แบบจำาลอง ไทรอยด์ มีชนิดตัวแปรเป็น Numeric และ Nominal โดยใช้
พยากรณ์ว่าเกดิ โรค การทดสอบโมเดลดว้ ยวธิ ีการ 10-Fold Cross Validation ใน
การแบง่ กลมุ่ ข้อมูลเป็นชุดขอ้ มลู เรียนรู้ และชดุ ขอ้ มูลทดสอบ
FN คือ จำานวนข้อมูลท่ีเกิดโรคแต่แบบจำาลอง และวัดประสิทธิภาพของแบบจำาลองด้วยค่าความถูกต้อง
พยากรณว์ า่ ไม่เกดิ โรค ค่าความไว และค่าจาำ เพาะ ดังแสดงใน Figure 1-3

ผลการวิจยั

ง า น วิ จั ย นี้ ไ ด้ ศึ ก ษ า ป ร ะ สิ ท ธิ ภ า พ ข อ ง เ ท ค นิ ค

ค่าความถูก ้ตอง (%) 100%
90%
80% Random Decision Naïve Neural Deep
70% Forest tree C4.5 Bayes Networks Learning
60% 69.58% 75.52% 71.68% 64.69% 67.13%
50%
40% 75.78% 73.83% 76.30% 75.39% 77.47%
30%
20% 99.73% 99.86% 96.03% 98.23% 96.16%
10%
0%

มะเร็งเต้านม
เบาหวาน
ไฮโปไทรอยด์

FigureF1igกurาeรเ1ปAรยcี cบuเrทacยี yบcคo่าmคpวaาrมisถonกู ตอ้ ง

FigureF1igกuารrเeปร1ยี บกเทายีรบเปครา่ ีคยวบาเมทถียกู บตค้อง่าค(Aวcาcมurถaูcกyต)้อง ซ่ึงเป็นขซ้อง่ึ เมปูล็นทข่ีมอ้ ีตมลูัวทแี่มปตีรัวเปแ็ปนรแเบปบ็นแNบuบmNeruicmeเทricคนเทิคคนิค
(Aโcดcuยrใaชcเ้ yท)คโนดิคยใDชe้เcทisคioนnิคTDreeeciCsi4o.n5, TเทreคeนิคC4R.5a,ndเoทmคนิค DDeepepLeLaeranrinigngสาสมาามราถรสถรสา้ รง้าแงบแบบจบาำ จลาอลงอทงี่มทคี ม่ี า่ คี ่าวคามวถามกู ต้อง
RaFnodroemst เFทoคrนesคิ t NเทaïคvนeิคBaNyaeïsveเทBคนayคิ eAsrtเiทficคiaนlิคNeAurrtiafilcial ในถกูกาตร้อพงยใานกกราณร์สพูงยทา่ีสกุดรถณึง์ส7ูง7ท.่สี47ุด%ถึงแ7ล7ะ.น47้อ%ยทแ่ีสลุดะใน้อเทยคนิค
NeNuertawloNrkestwแoลrkะsเ ทแลคะนเทิ คคนDิคeeDpeLeeparLneinagrnใinนgกใานรการ Dทec่ีสisุดioใnนTเทreคeนCิค4.5Dใeหc้คisา่ioคnวาTมreถeกู Cตอ้4ง.5ทใี่ 7ห3้ค.8่า3ค%วแาลมะโรค
พยพายการกณร์กณา์กราเกรดิเกโดริ คโรผคลผปลรปากรฏากวฏ่าวในา่ ขใอ้นมขูลอ้ โมรลูคโมระคเมรง็ะเตรง็้านม ไฮถโกู ปตไอ้ทงรทอย่ี 7ด3์ .ซ8งึ่3เ%ปน็ แขลอ้ ะมโรลู คทไม่ี ฮตี โวัปแไปทรเอปยน็ ดแ์ บซงบ่ึ เปN็นomขอ้ inมaลู l และ
กTAขซอ้rาrงึ่ eใทเเแtเรมiทหตfปeลมiพ่ีลูcค้ค้าะน็ คiีโยaCนนา่นรข่าาlค้อค4ิคอ้คมกNว.ยเมว5ซรDบาeทาูลณม่ึuางeมสส่ีทหrcเถ์สดถุaาปมี่iวกูsูงมlใกู็ตีานiทตนNoาตนัวอ่ีข้สnรeอ้แเถงุด้อทtงTปwทสถใมคrรoน่ีeรึงนูเ6ลr้าeกปk4คิทง7าsน็.Cแ6่ี5รมAแใบ4พ9.ีหตrบ5.%บtย5i2้คัวบfจาi%่าแcสใกำาคNiนาปaลรวมoขlแณอราmาNอล้งเม์สรปมะทeinถถงูน็uลูี่นมaทสูกr้อโีlคแaรสต่ีรยเ่าlา้คบุด้อททงคNเงถบคแบี่สวeทงึบนาุดาtี่Nwมบหิค67ใoนo45ถจวDmr..าาูกk65eเนลisต92ทncอ%%้อaiคงslงนioใในนิคn 9Nจแ6าำทคนDลuล.ะว้อme่ีม0อนาcย3ีตeงiมอ้%ทsrัวทยiถic่สoีแมี่ทูกnุดปคี เี่สตใทTา่รุดน้อคเคrใeงปเวนนทใe็นาเนิคคทมCแกนถคDบ4าิคกูน.รeบ5ติคพcNอ้สiNยsaNงาioาïoใavมmกนneïาvรกinรeณBTาถarรa์Bสleสพyแงูeaeรยทyล้sาาeCส่ีะงกใs4แุดหรN.บถใณ5้คuหงึบ่าmส์ค้สคจ9งูา่eาาว9ทคมrล.าiส่ีวc8ามอดุา6รเงถมถถ%ททูกถสงึ คม่ีตแกูร9น้คาีอ้ลต9งิค่างะ.อ้ 8แง6บ%ทบี่
ท่ี 96.03%

162 Ukrit Srisuk, Jaree Thongkam J Sci Technol MSU

ค่าความไว (%) 100%
90%
80% Random Decision Naïve Neural Deep
70% Forest tree C4.5 Bayes Networks Learning
60% 87.06% 96.02% 83.58% 74.63% 78.11%
50%
40% 83.60% 81.40% 84.40% 83.20% 87.40%
30%
20% 99.82% 99.85% 99.45% 99.34% 99.60%
10%
0%

มะเร็งเต้านม
เบาหวาน
ไฮโปไทรอยด์

FiguFriegu2reก2ารSเปenรsยี itบivเiทtyยี cบomคา่pคaวrisาoมnไว

โเแทดลโFFยคะดoiใเนgชทยrิคueเ้ใคrทsชeนNtคเ้,Fคิท2aนiเgïคคิvDกทuนeeาDrคิeคeรeBนpเc2DaปิiคLyseกรeiecoีายsaiNnsร,rบianเToเปเïiทnrnvทeรegคียTeียนบrใบCBeนิคเae4คทกy.่Aายี5าCeคร,rบ4stพเiว,ค.ทfi5ยcา่าเค,iาคมaทนเกlวทไคิคราวNคณมนReน(ไ์กิauSคิควnาreadรR(nAlSเoasกrmeNintดิtineifdvโiFsctoรiwitoitคmyairov)leirผtskyลts), แแเ8ป1พสทบล็น.ะบมา่ีย4นแม0ตจีาบ้อ%ากำวัายบลรแรทอณปแถงN่สีลร์สสทดุuะเูงปรม่ีmใทน้โ็าคีนeรส่ีเงา่แคrทุดคiแบcไคถวฮบบนาึงเโบทมปคิ N8คไจไuD7วทนาm.ใeร4ิคลนceอ0อกirยs%Diางciดoรeท์nเแพeทซ่ีมลpTยคง่ึะีคrาเนนeLปก่าeeิค้อรน็คaยณCขDrวทn4้อส์eาi.ส่ีมnงูe5มุดทgูลpใไใทสี่หLนวสดุม่ี ้คeาใเถตีa่าทมนงึคัวrคาnกแว8รนinาปา7ถิคgมร.รส4เไร0ปว้า%ทน็ ง่ี
ปรNาeกuฏrวa่าl Nใeนtขw้อoมrkูลsโรแคลมะะเทเรค็งนเติค้านDมeeซpึ่งเLปe็นaขrn้อiมngูลทใน่ีมกีตาัวรแปร แDบบeciNsioomniTnarel eแลCะ4.N5uใmหe้คr่iาcคเวทาคมนไิควDทe่ี 8ci1s.i4o0n%TrแeeละC4.5
เปพน็ แยบากบรNณo์กmาiรnเaกl ดิเทโรคคนคิผลDปeรciาsกioฏnวT่าreในeขCอ้ 4ม.5ูลสโราคมมาระถเรสง็ รา้ ง สโารมคาไรฮถโสปรไ้าทงแรอบยบดจ์ำาซล่งึอเงปท็น่ีมขีคอ้ ่ามคูลวทาม่ี ไีตวัวใแนปกราเรปพ็นยแาบกรบณ์สูง
แบเบตจ้าาำ นลมองซท่ึงมี่ เปคี ็า่นคขว้อามไูลวทใน่ีมกีตาัวรพแปยารกเปรณ็ นส์แงู บทบสี่ ดุ Nถoงึ m9i6n.a0l2% ทN่ีสoุดmถึงina9l9แ.8ล5ะ%Nuแmละeนric้อยเทคี่สุดนใิคนเDทeคcนisิคionArTtirfeiceiaCl 4N.5eural
แลเะทนคอ้ นยคิทสี่Dดุ eใcนisเทioคnนTคิ reAertiCfic4ia.5l NสeาuมrาaรlถNสeรtwา้ งoแrkบsบใจหาค้ ลา่ อคงวาม Nสetาwมoาrkรsถใสหรค้ ้า่างคแวาบมบไวจทาี่ล9อ9.ง3ท4%่ีมีค่าความไวในการ
ไวททม่ี่ี 7คี 4า่ .ค6ว3า%มไใวนใขน้อกมาูลรพโรยคาเกบราณหว์สางู นทซส่ี ่ึงดุ เถปงึ ็นข96้อ.ม0ูล2ท%ี่มแีตลัวะแปร พยากรณ์สูงทส่ี ุดถึง 99.85% และน้อยทส่ี ุดในเทคนิค
น้อยท่สี ุดในเทคนิค Artificial Neural Networks ใหค้ ่า Artificial Neural Networks ใหค้ า่ ความไวท่ี 99.34%
ความไวท่ี 74.63%10ใ0น%ขอ้ มลู โรคเบาหวานซง่ึ เป็นขอ้ มลู
90%
80%
70%
ค่าจาเพาะ (%) 60%
50%
40%
30%
20%
10%
0%
Random Decision Naïve Neural Deep
Bayes Networks Learning
Forest tree C4.5 43.53% 41.17% 41.17%

มะเร็งเต้านม 28.23% 27.05% 61.19% 60.82% 58.96%

เบาหวาน 61.19% 59.70% 34.54% 78.35% 34.53%

ไฮโปไทรอยด์ 97.93% 100.00%

FFigiguurere33กSาpรeเcปifรicยี vบaเlทueยี บcoคm่าpจaาrเiพsoาnะ

Figure 3 การเปรยี บเทยี บคา่ จาเพาะ (Specificity) โดย ฐานข้อมูล UCI จานวนทัง้ หมด 3 ชุดข้อมูล ด้วย
ใช้เทคนิค Decision Tree C4.5, เทคนิค Random เทคนคิ Random Forest เทคนคิ Decision Tree C4.5
Forest, เ ท ค นิ ค Naïve Bayes, เ ท ค นิ ค Artificial เ ท ค นิ ค Naïve Bayes เ ท ค นิ ค Artificial Neural
Neural Networks และเทคนิค Deep Learning ในการ Networks และเทคนคิ Deep Learning จากการทดลอง

Vol 40. No 2, March-April 2021 The performance comparison of data mining techniques for 163

patient incidence

Figure 3 การเปรียบเทียบคา่ จำ�เพาะ (Specificity) เอกสารอ้างอิง
โดยใชเ้ ทคนคิ Decision Tree C4.5, เทคนคิ Random Forest,
เทคนคิ Naïve Bayes, เทคนิค Artificial Neural Networks ชณดิ าภา บญุ ประสม. (2563). การวเิ คราะหก์ ารทาํ นายการลา
และเทคนคิ Deep Learning ในการพยากรณก์ ารเกิดโรค ผล ออกกลางคนั ของนกั ศกึ ษาระดบั ปรญญาตรโี ดยใชเ้ ทคนคิ
ปรากฏว่า ในข้อมูลโรคมะเร็งเต้านมซ่ึงเป็นข้อมูลที่มีตัวแปร วิธีการทําเหมืองข้อมูล. http://research.fte.kmutnb.
เปน็ แบบ Nominal เทคนคิ Naïve Bayes ใหค้ า่ จ�ำ เพาะในการ ac.th/download.php?filename=620701000056&filep
พยากรณส์ งู ทสี่ ดุ ถงึ 43.53% และนอ้ ยทสี่ ดุ ในเทคนคิ Decision ath=20190701155744.pdf.
Tree C4.5 ใหค้ ่าจ�ำ เพาะ ที่ 27.05% ในขอ้ มลู โรคเบาหวาน
ซึ่งเป็นข้อมูลทม่ี ีตวั แปรเป็นแบบ Numeric เทคนิค Random ณัฏฐพร นันทิวัฒนา. (2563). มะเร็งเต้านม. https://www.
Forest กบั เทคนคิ Naïve Bayes ใหค้ า่ จ�ำ เพาะในการพยากรณ์ sikarin.com/content/detail/461/โรคมะเรง็ เตา้ นม-มะเรง็
สูงท่ีสุดเท่ากันที่ 61.19% และน้อยท่ีสุดในเทคนิค Deep อนั ดบั -1-ของผู้หญิง.
Learning ให้ค่าจำ�เพาะที่ 58.96% และ โรคไฮโปไทรอยด์
ซ่ึงเป็นข้อมูลท่ีมีตัวแปรเป็นแบบ Nominal และ Numeric ทิพย์หทัย ทองธรรมชาติ. (2560). การคัดเลือกคุณลักษณะ
เทคนคิ Decision Tree C4.5 ให้ค่าจำ�เพาะในการพยากรณ์ เพื่อสร้างโมเดลสำ�หรับการพยากรณ์ผลสัมฤทธ์ิทางการ
สูงท่ีสุดถึง 100% และน้อยท่ีสุดในเทคนิค Deep Learning เรียนด้วยเทคนิคเหมืองข้อมูล. https://research.kpru.
ให้ค่าจ�ำ เพาะที่ 34.53% ac.th/sac/fileconference/10912018-05-01.pdf.

สรุปผลการศกึ ษา พิมพ์ใจ อันทานนท์. (2563). โรคเบาหวาน. https://www.
dmthai.org/index.php/knowledge/for-normal-person/
ง า น วิ จั ย ฉ บั บ น้ี มี วั ต ถุ ป ร ะ ส ง ค์ เ พื่ อ ศึ ก ษ า health-information-and-articles/health-information-
ประสิทธิภาพของเทคนิคเหมืองข้อมูลในข้อมูลที่หลากหลาย and-articles-old-3/846-2019-04-20-01-49-18.
โดยการสร้างแบบจำ�ลองเพ่ือพยากรณ์การเกิดโรคมะเร็งเต้า
นม โรคเบาหวาน และโรคไฮโปไทรอยด์ จากฐานขอ้ มลู UCI เมดไทย. (2563). ไทรอยด์เป็นพิษ. https://medthai.com/
จำ�นวนทั้งหมด 3 ชุดข้อมูล ด้วยเทคนิค Random Forest ไทรอยด์เป็นพษิ .
เทคนคิ Decision Tree C4.5 เทคนคิ Naïve Bayes เทคนิค
Artificial Neural Networks และเทคนคิ Deep Learning จาก Balpande, V.R. and Wajgi, R.D. (2017). Prediction and
การทดลองพบว่า ในข้อมูลโรคมะเร็งเต้านมซ่ึงเป็นข้อมูลท่ี severity estimation of diabetes using data mining
มีตัวแปรเป็นแบบ Nominal เทคนิค Decision Tree C4.5 technique. 2017 International Conference on Innovative
สามารถสร้างแบบจำ�ลองที่มีค่าความถูกต้องในการพยากรณ์ Mechanisms for Industry Applications (ICIMIA),
สูงที่สุดถึง 75.52% ในข้อมูลโรคเบาหวานซ่ึงเป็นข้อมูลท่ีมี 576-580.
ตัวแปรเปน็ แบบ Numeric เทคนิค Deep Learning สามารถ
สรา้ งแบบจ�ำ ลองทมี่ คี า่ ความถกู ตอ้ งในการพยากรณส์ งู ทส่ี ดุ ถงึ Dogan, A. and Birant, D. (2021). Machine learning and
77.47% และ โรคไฮโปไทรอยด์ ซงึ่ เปน็ ข้อมลู ทม่ี ีตัวแปรเป็น data mining in manufacturing. Expert Systems with
แบบ Nominal และ Numeric เทคนิค Decision Tree C4.5 Applications, 166, 114060.
สามารถสร้างแบบจำ�ลองท่ีมีค่าความถูกต้องในการพยากรณ์
สูงที่สุดถึง 99.86% จากผลการทดลอง สรุปได้ว่าเทคนิค Kaur, A.G. M. (n.d.). A Framework for the Indirect
Decision Tree C4.5 มีความเหมาะสมในการนำ�สร้างแบบ Assessment Tool for Outcome Based Education
จำ�ลองเพ่ือพยากรณ์การเกิดโรคมะเร็งเต้านม โรคเบาหวาน Using Data Mining. https://ieeexplore.ieee.
และโรคไฮโปไทรอยด์ เพราะ สามารถจัดการกับข้อมูลท่ี org/document/8782336.
มีหลายๆมิติหรือข้อมูลท่ีมีหลายๆตัวแปรได้ และ ผลการ
พยากรณ์ข้อมูลมคี วามถูกตอ้ งคอ่ นข้างสูง Qi, F., Chang-jie, Z. and Liu, Y. (2010). Predicting breast
cancer recurrence using data mining techniques.
กิตตกิ รรมประกาศ International Conference on Bioinformatics and
Biomedical Technology, 310-311.
ผวู้ จิ ยั ขอขอบคณุ เวบ็ ไซต์ UCI ทใ่ี ห้ข้อมูลในการท�ำ
วจิ ยั ครั้งนี้ Rastgou, M., Bayat, H., Mansoorizadeh, M. and Gregory,
A.S. (2020). Estimating the soil water retention
curve: Comparison of multiple nonlinear regression
approach and random forest data mining technique.
Computers and Electronics in Agriculture,174,
105502.

Schuh, G., Prote, J.-P. and Hünnekes, P. (2020). Data
mining methods for macro level process planning,
Procedia CIRP/03/15/ 2021.

การศกึ ษาพฤติกรรมลา้ จากการอบอ่อนของเหลก็ กล้าคาร์บอน เกรด AISI 1050 ทผี่ ่านการ
เช่ือมด้วยวธิ ีแกส๊ ปกคลุม
Study of fatigue behavior of AISI 1050 steel annealing with metal active gas process

นพิ นธ์ มณโี ชติ1*, ชัยยุทธ มงี าม2
Nipon Maneechot1*, Chaiyoot Meengam2
Received: 10 November 2020 ; Revised: 8 February 2021 ; Accepted: 1 March 2021
บทคัดย่อ

วัตถุประสงค์ของงานวิจัยนี้ศึกษาอิทธิพลของอุณหภูมิอบอ่อนที่ส่งผลต่อความล้าของเหล็กกล้าคาร์บอน เกรด AISI 1050
จากชิ้นส่วนเพลาที่ผ่านการเชื่อมด้วยวิธีแก๊สปกคลุม ตัวแปรคงที่ในการเช่ือมด้วยกระบวนการเช่ือมแก๊สปกคลุมท่ีตัวแปร
คือ กระแสไฟฟ้าเช่ือม 130 แอมแปร์ ลวดเชื่อมชนิด ER70S-6 ความเร็วเดินเช่ือม 250 มิลลิเมตรต่อนาที ชิ้นงานเชื่อมให้
ความร้อนก่อนการเชื่อมที่อุณหภูมิ 300 องศาเซลเซียส เป็นเวลา 30 นาที หลังจากการเช่ือมจะอบอ่อนช้ินงานท่ีอุณหภูมิ
700, 800 และ 900 องศาเซลเซียส ตามลำ�ดับ ซ่ึงถูกกำ�หนดเป็นตัวแปรตาม ผลการทดลองแสดงให้เห็นว่าอุณหภูมิอบอ่อน
ช้ินงานหลังการเชื่อมส่งผลต่อการเปลี่ยนแปลงของโครงจุลภาคบริเวณรอยเชื่อมและบริเวณอิทธิพลทางความร้อน อุณหภูมิ
อบอ่อนชิ้นงานท่ีสงู สง่ ผลให้ขนาดของเกรนโตขึน้ พบวา่ อุณหภูมิอบอ่อน 900 องศาเซลเซียส บรเิ วณรอยเชอ่ื มมขี นาดความโต
ของเกรนเฉลยี่ 22.43 ไมโครเมตร และบรเิ วณอทิ ธพิ ลจากความรอ้ นขนาดของเกรนโตขนึ้ มขี นาดเกรนเฉลย่ี 254.41 ไมโครเมตร
นอกจากน้ันเฟสเฟอร์ไรตแ์ ละเพริ ์ลไลตผ์ สมดว้ ยกัน สง่ ผลใหไ้ ดส้ มบัติทางด้านความเหนยี วและแขง็ แรงท่ดี ี ส�ำ หรับการทดสอบ
ความล้าพบว่าความเค้นทดสอบท่ี 100 MPa ของช้ินงานท่ีผ่านการอบอ่อนท่ี 900 องศาเซลเซียส สามารถรับความล้าก่อน
ช้นิ งานเกดิ การเสียหายท่ี 235,780 รอบ อายกุ ารล้าเพ่ิมขนึ้ 53.40 เปอร์เซ็นต์
ค�ำ ส�ำ คัญ: กระบวนการเชือ่ มแก๊สปกคลมุ เหล็กกลา้ คาร์บอน เกรด AISI 1050 ความล้า การอบอ่อน

Abstract

The purpose of this research was to study the influence of annealing temperature on the fatigue of AISI 1050 carbon
steel from the shaft with gas metal arc welding. The constant parameters in the experiments were the electric
current at 130 amperes, ER70S-6 type of electrodes, welding speed of 250 mm/min, and the samples were pre-heated
in a furnace at 300 oC for a holding time 30 min. After welding, the samples were annealed at 700, 800, and 900 oC
respectively, which are defined as dependent parameters. The results showed that the annealed temperature affected
changes of microstructures weld zone and heat affect zone. A high annealing temperature resulted in the size of the
grain to increase and the annealing temperature at 900 oC resulted in an average grain size at 22.43 µm in the weld
zone and the grain size of heat affect zone increased around 254.41 µm. Additionally, it was found that the ferrite and
pearlite phases were mixed together, resulting in good toughness and strength properties. For the fatigue test, it was
found that the stress at 100 MPa and annealing temperature at 900 oC can be reached up to 235,780 fatigue cycles
before pre-damaged. The fatigue life increased 53.40 percent.
Keywords: Gas Metal Arc Welding: GMAW, Carbon Steel AISI 1050, Fatigue, Annealing.

1 อาจารย์, คณะเทคโนโลยอี ตุ สาหกรรม มหาวิทยาลยั ราชภฏั สงขลา จังหวัดสงขลา 90000
2 ผ้ชู ว่ ยศาสตราจารย์, คณะเทคโนโลยีอุตสาหกรรม มหาวทิ ยาลัยราชภัฏสงขลา จังหวดั สงขลา 90000
1 Lecture, Faculty of Industrial Technology, Songkhla Rajabhat University, Songkhla, 90000
2 Assist. Prof., Faculty of Industrial Technology, Songkhla Rajabhat University, Songkhla, 90000
* Corresponding author ; [email protected]

Vol 40. No 2, March-April 2021 วิธีการทดลอง

Sเtuหdyลoกf็ Fกatiลguา้e คBeาhaรvบi์ orอofนAISเIก1M0eร5t0aดlSAtceAteivlIeaSnGnIaesa1lPin0rgo5cwe0isths ถูก16เ5ตรยี ม
บทนำ� เป็นชน้ิ งาTนabทleด1ล อCงhเeชm่อืicaมl cรomอpยosตiti่อonขs อofงAชISน้ิ I ง10า5น0 Sตte่อeชl นแบบ
เหล็กกล้าคาร์บอน เกรด AISI 1050 นิยมใช้เป็นชิ้นส่วนส่ง ย ว แMaบteriบalsห(Peนas้ าuraร&าSกuma(rESnle,mi2ne0n1gt0(Wl)et(%m)Vas-sBfraucttitonw%i)th Root

ตัว วีเ ด่ีกำ�ลังในเครื่องจักรอาทิ เช่น เพลา (Sari & Yilmaz, 2006)
เตม2คก0วลีอยี1าอาร6มยด์ เเุก;เปควSาน็้นลรitตาใสtชhใน้ะชi้งสชp้งาoมน้ิ านnสนจgจว่แำ�,ึงนกลeมเะัดtหักมaลชีบเl.า่พำ�,รนร2ื่อิเุดเ้ีว0นปจณ1ำ�น็ า7ไเชกaปขนิ้ก้มส;สาSู่กขรว่ ้นาiลนttรค้าhหยวiมpืด(าoSนุอมniไาtเgดtยคh,รุ้ก้นiepบั าtoภรหanใ(มFาlรชg.รR,ือ,a้งะลิ 2บาวeo0cนลฏัรt1ิเoeขจว7เิaกัอณbtมl.รง)J,Sตouรinrf(ta)FAcIบaSeIc1า)0e5ก0มSรคี ่อuวrงfา0มa.4ม0c7.ุม0CS-30หe5.ร5)5นวสามาห360ร0.6ม00Mบั.P-0n0ิลอ3.ด90ลงา้ ศเิ นมาลต่าทร0งS.4่ีคiข0ตวอาางมชมลน้ิลางึกดาบัน7
&Sเกสชเถสกซพพู่ชา้ินาึาtเีงrมลรรSมรค้ินeสาเนาเisาวว่งชnละทsไรานาgอื่ชือต)ถ่ทีนมhเมิ้นกทพใำ�บเ,รซสนวปจ์้ลอร2(อ่ิ่วธการิเCาน0มนีวกกาาe1ปเณะชราเรกm4หั้บอรรน้ิ รร)(ัลเบeนแสอBดช็กnสแรว่เยrื่อtAขง่กงiรนiเtมtผบtช้IงาลeเlSeซพลบชิือ่ด้าI)Pใค่มอิ้ิตนดลห1hามา้หอลง0ค้aร(จางจดล5S์บsวะมนึง0ัลงehาเอสีคกกทง)iมทนoำ�ุณ(าดิี่สทแzC้ังครคเ่งaขนล�ำเrักญวผkชใyง็ักี้รหiวาแdล่ือษดมิธเ้อeรeใมกณีกเงหtrยAคmดิแา้่าะเaIเน้Sคลรกปแaงl.เตะวIิไดn,ข็นชครกา1็งโสือ่2กมว0คคeเ0มาหา็ต5แtา้ร1เซม0นงขหาง5aม((ขF่อแมส็งียต(ตlAกRมขส.;รหวุใ,iอ้นง็งูช้หeาgาKลวmงแ2sงน้ิด้คคนังuาuรi0แตา้ังdสวจmำ�ำ�งe1บนดurว่านาไลง1aaeป้ันมนบรกrา้งึ)rxlตicฐย1วั aาาอม ชรมตแWสวnวอ่บำ�ิ้านลิิลนิธยeงหมลลบงxกีlมdมเาิรWิเ่หางมหมาุมiนับาnนตตงรรตทดgาeนา้วรรทร้าดชรเSมฐตนนlหลาดา(าodา้นิกลก6อลนcลม)0่าวiงก็เiงneลอ(งงเ้ากาอSชชtขก�ำงนyงgลางiดื่อxอn,ศเ้า่ืายมบัชองนg2คาาชlขอ่ื0รSeาวทริ้นทมน1มรเxอ0ค่ีงVบ์าoตหAยา)ดดว-อWนcตนBาดตรนAา่อลมuiังวัSeย)ี(tขแลอเtRWอDกอสกึยกtมwoร1yงดา่าง7oดชi.งรSงt1ช,thช้ินเใม/AตนDนSิ้7งนลิ้ิRI2ร1DาSงuลFีย5o.นาrงIเิ01ifoมนมg1ตax1าtMu1ชทตc่อ0.2rิ้Fนนeร:ดช5e01)2aง50ลน(เ01c)Fาอ/มแ0ถe1ชนaงีบคD0กูcเxด7J่ชวอบืeเ(o51ตาA1่ือตSัมxiมรnmมงัว.20uียหtเว5e)เr1ตมนแfีเ0rตaดบรiมเxcาcปีย่ียา1aรสeMน็มกลิว0n3)ยี ลด:มิเ2งตม0ใาต1มน0ร
ต่ำ�ลง การอบอ่อน (Annealing) เพื่อลดความเค้นตกค้าง
และเพ่ิมความเหนียวให้กับชิ้นงานหลังการเชื่อมซ่อมจึงมี
ความนา่ สนใจ ซงึ่ อาจน�ำ ไปส่กู ารยดื อายกุ ารใชง้ านของเพลา

ดังน้ัน งานวิจัยนี้จึงสนใจศึกษาการการอบอ่อน
เพลาทที่ �ำ จากเหลก็ กล้าคาร์บอน เกรด AISI 1050 หลงั ผ่าน
การเชอื่ มด้วยวธิ กี ารเชื่อมด้วยแกส๊ ปกคลมุ (Gas Metal Arc
Welding: GMAW) และประเมินอายุการล้า นอกจากน้ันจะ
ประเมินโครงสร้างจุลภาคบริเวณรอยเชื่อม (Microstructure)
และบริเวณอิทธิพลกระทบร้อน (Heat Affected ZonFe)igผลuทrี่ e shFoigwures1 shows the American Welding Standard
ไดจ้ ะประเมินผลและนำ�เสนอตอ่ ไป 1 Standard
thofeAWASmD1e.1r/Dic1.a1Mn: 2W010elding

วัตถปุ ระสงค์การวจิ ยั of กAารWเช่ือSมจDะเช1่ือ.ม1ซ/้อDนแ1น.ว1เชM่ือม: 2จำ�0น1วน0แนวเช่ือม
เพอ่ื ศกึ ษาวธิ กี ารยดื อายกุ ารลา้ และโครงสรา้ งจลุ ภาค ของทดลองแต่ละการทดลองจะมีจำ�นวน 8 แนว ในลักษณะ
ของเพลาเหล็กกล้าคารบ์ อน เกรด AISI 1050 ด้วยกรรมวิธี ซอ้ นทบั กันจนเต็มรอยเชื่อม ดงั แสดงใน Figure 2
ทPaลาebMงะaเมlaคes1Aคีtuม0e1Iวr5SีraดาCi0Iaมงั&hlแแseSสขmดu2 กรตแเวง็ ชi8ลัสmาะ้างcแื่อ0รนะเด0ใaบมอaมบนท.Hุlบ4าrบยีาVcเnตอT7นปวบoC,Sรอ่-โaแ็นเกฐิmด0นว2หรbเายห.หิธเงล0นpl5กดสEeลกล็ีว1เo5ว่ึงย็กังอกlิจ0sทน1eกอกลรัย)iผ่ีาmรา้tล์ทi6รมคส(้าoเm3eาม่ันคีชn62รnทา่ือasบ์80รDามt0Msอ์บM0ง.Ioแ.(Ps6NนPเอ9WกfคnH0aน0เfส๊มA1กr-ตtVปaี.แร%I1าดกดSลcม2ังโค)ะt0IAมแiดมลo6สIา1Sีคมุยnตด0I(ว0สรงC1า5%ฐใS.่0วKมน40า5i5แน)น00TS0ขญผa/ใ็งtCชbี่ปeสแ5ใlุ้่นบeeนม0lบกE1เใFJวา)ชIนSริกigมท-่เอื ลSกีคดu5อมวลกั r0ราอeC์ทมขงษ่ี สFออก2ณrอางoาด รกหnทะ่นุร้วแiรuยซเดTบับsแชกrF้อลกaบก่iอืาn๊สรgอชนsรากปุ่มuPุนดทงารกทuFrรจเเแคelดiทsgชชับลSดะuลตT2่ือุม่ืyลrออเกren่อมลsaชมeงก2งhนัnดะrนนาด่gอืsos้จว้ีรhกi้ีจจ้wวPะเoมย2ชใะwาuยsนช7่ืกอซใs0lเ้รแsมชtคเา0thhทS้อรจกต้รเeeอ่ืAะคy๊ปนสดงlอ็มlnaulรเaอรชyปe-ลแ่ือeEรyกอื่ะrrกdงeมอgนแยอoiเมrtบiคfุiกงชวoยกิบWoลn2ตจ่-อื เfชแเeุ7ม์หมชะสมุlดWชd0ำ�กเiมมัว่nอื0หช่ือกegยเิก่ืรอจีlมชหี่าdมับมA-อ้า่iืรอกแดnluาFนเจม้มวgดรrช-ยoเใกEาวช่nืกงัอหd่อืนiนาuยแม้มเiรstดว่หีiจสo8ิน้อนnะดแแงนนในวว

การทดสอบความล้า ดว้ ยก

ช้นิ งานท่ไี ดจ้ ากการเช่อื มแลว้ ผ่านการอบอ่อน
ถูกนามาเตรยี มชน้ิ งานทดสอบความลJา้ Sดcว้i Tยeเcคhรn่อืolงMกSลUงึ
166 Nipon Maneechot, Chaiyoot Meengam แบบอตั โนมตั ิ (CNC) สาหรบั การทดสอบความลา้ จะ

ประยกุ ตห์ วั เชอ่ื มใหเ้ ดนิ เชอื่ มแบบกงึ่ อตั โนมตั ิ โดยหวั เชอื่ มจะ เกตารรียทมดชสอ้ินบงคาวนาทมดลา้สอบตามมาตรฐาน ASTM E606 Fig
เคลอ่ื นทไ่ี ปตามทศิ ทางทอ่ี อกแบบไว้ ดว้ ยความเรว็ ทแ่ี ตกตา่ ง ( Americaชnนิ้ Sงาoนcทieไี่ tดyจ้ fาoกrกTาeรเsชtอื่inมgแaลว้nผdา่ Mนกaาteรอriบaอlsอ่ ,น2ถ0กู 1น2�ำ)
กัน ก่อนการเช่ือมจะนำ�ชิ้นงานทดลองให้ความร้อนก่อนการ (มFาigเตuรrยีeม4ช)นิ้ เงพาน่อื ทวดิเสคอรบาคะวหา์มจลาา้นดวว้ นยเรคอรบอ่ื งตก่อลกงึ แาบรบเสอตัยี โหนามยตั ิ ผลก
เชอ่ื ม (Preheat) ดว้ ยเตาอบท่อี ุณหภูมิ 300 องศาเซลเซียส ข(CอNงCช)้ินสงำ�าหนรับทกดาสรทอดบสอสบาคหวารมับลค้าจวะาเตมรเียคม้นช้ินทง่ีใาชน้ใทนดกสอาบร
เปน็ เวลา 30 นาที จากน้นั นำ�ชน้ิ งานทดลองเชือ่ มตามตวั แปร ตทรตaกตะาnดาา่อดdมรมกสบัทมาลMอดทราาเบaตสน่ีดสtอรeีย้อับฐบไrหาiยaดนไาโกl้ดsแยดA,วแ้ขกย่Sาก2อ่คT0่ง1811Mวช0002ิ้นา00)Eเมง,,(ป6าF2เ20นอคi0g06ท0ร้นu0,(ด์เrA,ทซe3สm30ดน็อ400eบสต),0riอ์ข4,เcสพa0บอ4ำ�n0อ่ื 0งหถว0Sคแรูกเิ ลัoบค่าแกcะรคคiาลาeว5วะหtาะ0าyหม0มนจ์f5เoต�ำMคด0rน้น้าPม0TวนทaeานM่ีทใsจตรชtiPาอาาn้ในนบกมag โครงส
ท่ีได้กำ�หนดไว้ ตัวแปรท่ีใช้ในการทดลองน้ีได้จากการศึกษา แลร�ำ งดดบั งึ โขดยอคงววาสั มดเคุเน้ดทมิ ดสโอดบยถเกูปก็น�ำ กหานรดจมาจลาอกงรกะดาบัรทรบนัี่ อ้คยวกาวมา่ AISI 1
เบื้องต้นและกำ�หนดเป็นตัวแปรคงที่ในการทดลอง ดังแสดง เขตเ8คปนั0้า่ ้น็นงตเกกขอปันาอนอรรงดกจ์เชำ�ังซาแลร้ินน็ สอทตสดงด์ขก่วงอสขานงรอั้นครเบตพับา่ อคคคลนวววากาาารมามมระตเลทคดา้ า้ ้นดนับใสขทนทออาบง่ีFแนชคiแตgิ้นวรกuสางrดมต่วeนงึล่าข5้าเงพอใกนงลวันาFัสรigะดดดuุเังดrับeแิมท5สี่แโดตดกยง ปกคล
ใน Table 2 หลังจากน้ันชิ้นงานหลังการเชื่อมถูกนำ�ไปให้ ผลดงั
ความร้อนเพื่ออบอ่อนชิ้นงานตามตัวแปรตาม โดยอุณหภูมิ Figure 4 The specimen of fatigue follows ASTM E606
ในกระบวนการอบอ่อนช้ินงานเช่ือมแตกต่างกัน ได้แก่ 700,
800, 900 องศาเซลเซียส และชิ้นงานที่ไม่ผ่านการอบอ่อน Figure 4 The spesctaimndeanrdof fatigue follows
ตามลำ�ดับ เวลาในการอบออ่ น 60 นาที ชิน้ งานหลังอบอ่อน
ปล่อยให้เย็นตัวในเตาอบจนถึงอุณหภูมิห้อง เพื่อปรับปรุง
โครงสร้างจุลภาคของช้ินงานด้วยกระบวนการทางความร้อน
การอบอ่อนจะช่วยลดความเค้นตกค้างหลังจากการเชื่อมและ
เพ่ิมสมบัติทางด้านความเหนียว สำ�หรับการทดลองนี้จะใช้
ชิ้นงานทดสอบตัวอย่างละ 3 ซำ้� ทำ�การทดลองทั้งหมด 20
การทดลอง ใช้ตัวอย่างในการทดลอง 60 ชน้ิ งาน โดยขั้นตอน
การเช่อื ม ดังแสดงใน Figure 3

Table 2 Parameters and electrodes in the experiment ASTM E606 standard

Parameter Unit GMAW การตรวจสอบโครงสรา้ งโลหะวิทยา
ชิ้นงานบางส่วนถูกเตรียมเพื่อนำ�ไปตรวจสอบ
Electrode Types - ER70S-6 โครงสร้างโลหะวิทยา โดยตัดแบ่งช้ินงานตามแนวขวางกับ
รอยเช่ือม การตดั แบง่ ชนิ้ งานใช้เลื่อยสายพาน และใชน้ �ำ้ หลอ่
Welding Angle O 75 เย็นระบายความร้อน เพ่ือปอ้ งกันการเปลี่ยนแปลงโครงสร้าง
จลุ ภาคจากความร้อนทเี่ กิดข้นึ ในขณะตดั แบ่งชิน้ งาน จากนน้ั
PSMrheiehixledaeintrgteggmaapsesraftluorew ๐C 300
Mriaxetregas flow rate 8ข0ัด0ผ,ิว1ช0น้ิก0ง0าาแนรลดตะว้ รย12วก0รจ0ะสดตาอาษมบทลรโ�ำ าคดยับรหแงยลสาว้บรนา้เ�ำ บชงอนิ้โรลง์ า2หน20ไะป,วข4ิท0ัด0ดย,้ว6าย0ผ0า้ ,
FFilleilrlediramdeiatemr eter l/-min. 1802%Ar+20%CO2
CCururernrtent สักหลาดโดยใช้ผชงข้นิ ัดงอาะนลบมู ินางาส(A่วlนumถูกinเaตOรxยี idมeเ)พข่อื นนาดาไ0ป.0ต5รวจสอบ
l/min. 12 ไนส2ม.ดุ�ำ5โไทคปผา้ รกยสเดัมทมโขแดตก�ำคลว้วครับราะยวแเงงใกาปอชกสมร็นลบ้ดนัสรกสะผ้า้ราอาอสองหรฮามขโยอดลลดั เลด(่อชผEห์บว้ เอ่วิืtรยะยcงสิมแhวน็าทุอiนิทnกรธลgแยะา์ิก)ลเบรอาวะรตฮลาชะโอหดาัยิ้นดใลวแงคนบ์ย่าาบกวงนรต่งากาสิทรชัดรมทุ ี่ไกดน้ิดแธรดั ไิ์้หง้อบแนกาลลน่รตงนงัว้ดรชกใใเิกช้ินาชพ5ล้รรเ้ง่อืขวมลอ้ าินัดปรยอ่ื นอ้าผ้ลยอทนตวิะสงี ากามยนั พแกนาานวร
เป่าให้ผเิวปหลนย่ี้าชนิ้นแงปาลนงแโหค้งรชงสิ้นรงา้ นงจทุล่ีเตภราียคมสจำ�าหกรคับวตารมวรจส้ออนบท่เี กิดขน้ึ
mmmm 11..22 โกคลรอ้ งงสจรลุ กใ้าทนงรรเะขรสดศรณน็จาจษต์ะะ่อตทถไัรดปูกานแยำ�บหไ่งปยชตาร้ินบวงจเาบสนออบรจโ์ ค2า2รกง0สน,รั4น้ ้า0งข0จัดุ,ลภผ60าิวค0ชด,้ิน้ว8ย0ง0า,น1ด0้ว0ย0
AA 113300
VVolotalgteage VV 2233.5.5
WWeldeinldgisnpgeedspeed mmmm//mmini.n. 225500

และ 1200 ตามลาดับ แล้วนาช้ินงานไปขดั ด้วยผ้า
สกั หลาดโดยใชผ้ งขดั อะลมู นิ า (Alumina Oxide) ขนาด
0.05 ไมโครเมตร เป็นสารขดั ผวิ งานและช้นิ งานทไ่ี ด้
หลังการขัดผิวนาไปกัดด้วยกรดผสม (Etching)
ระหว่างกรดไนตรกิ ร้อยละ 2.5 ผสมกบั แอลกอฮอล์
บรสิ ุทธิ์ เวลาในการกดั กรด 5 วนิ าที สุดท้ายทาความ
Figure 3 shows steps of AISI 1050 with the metal active สะอาดด้วยแอลกอฮอล์บริสุทธิ์ แล้วใช้ลมร้อนเป่ าให้
ผวิ หน้าชน้ิ งานแหง้ ช้นิ งานท่เี ตรยี มสาหรบั ตรวจสอบ
Figure 3 showsgsatsewpesldoinfgApIrSocIe1s0s50 with the metal
active gas welding process

ผวิ หน้าชน้ิ งานแหง้ ช้นิ งานท่เี ตรยี มสาหรบั ตรวจสอบ
โครงสรา้ งเสรจ็ จะถูกนาไปตรวจสอบโครงสรา้ งจลุ ภาค

ดว้ ยกVoลlอ้40ง.จNุลoท2,รMรaศrcนh-์ตAp่อriไl ป2021 Study of Fatigue Behavior of AISI 1050 Steel annealing with 167
Metal Active Gas Process

ผลการทดสอบความลา้
อายุการล้าที่ได้จากการทดสอบท่ีความเค้นและ
อุณหภูมิอบอ่อนแตกต่างกันแสดงใน Table 3 ผลที่ได้ชี้ชัด
วา่ อณุ หภมู อิ บออ่ นกบั อายกุ ารลา้ ของเพลาเหลก็ กลา้ คารบ์ อน
เกรด AISI 1050 แปรผันตามกัน โดยแสดงให้เห็นว่า
กระบวนการอบออ่ นหลงั การเชอื่ มดว้ ยแกส๊ ปกคลมุ ทอ่ี ณุ หภมู ิ
อบอ่อนที่สูงมีแนวโน้มที่ดีต่อพฤติกรรมล้า สังเกตได้จากการ
อบอ่อนที่อุณหภูมิ 900 องศาเซลเซียส ความเค้นทดสอบท่ี
100 MPa แสดงให้เห็นว่าจำานวนรอบท่ีเกิดความเสียหาย มี
คา่ 235,780 รอบ ในทางตรงกันข้าม การอบออ่ นท่อี ุณหภมู ิ
700 องศาเซลเซยี ส ทค่ี วามเคน้ ทดสอบเดยี วกนั พบวา่ จาำ นวน
Figure 5 shows the stผeลpกfาoรrทfดatสigอuบeควteาsมtลo้าf AISI 1050 Steel รเอดบียวทกันี่เกพิดบคว่าวจาานมวเนสรอียบหทา่ีเกยิดมควีคาม่าเส1ยี ห1า2ย,ม9ีค6่า6 รอบ เน่ืองจากการ
Figure 5 shows the step for fatigue test of AISIผลการวจิ ยั อ1บ12อ,9่อ6น6 รทอี่อบุณเนห่ืองภจูมากิสกูงารอสบาอม่อนาทร่ีอถุณลหดภคูมวิสูงามเค้นตกค้างหลังการ
อายุการลา้ ทไ่ี ดจ้ ากการทดสอบทค่ี วามเคน้ และ ทเชส2่ีเ0า่อืกม15มาิด)รถคน(ลFอวดกaคาจวnมาากมเeนสเคนtั้ ียน้เaมตห่อlื ก.ป,าคราย้2ะงเ0ตหม1ลนิ่องัจ5กคา)านนวรวเานอชรม่อืกอมเบจค(ทาF้เน่ีaกกnดิทนคeดtน้ัวaาสเlม.ม,ออ่ืบปในระกเามรินทจดาำ ลนอวงนอรื่นอๆบ
อุณหภูมอิ บอ่อนแตกต่างกนั แสดงใน Table 3 ผลทไ่ี ด้ ผเลสยี กหาายรตท่อดควลาอมเงคแ้นทสดดสงอใบหใน้เกหาร็นทวดล่าอเงพอ่นืลๆาทผลี่ทดสอบด้วยความเค้น
1050 Steelจุลภาคขอจงาเกพกลาารเหศึกล็กษกชโเาหด้ีชลวยลัดแ็ก้าิธวสกคีก่าดลาองา้าุใณรครหา์บหยเ้ รหอ์ภบืดน็ ูอมนวอนิ่าอากบเเรยกอกะร่บุอกดรวนาดนAกรกIับSลาAอIร้า1อาI0Sแบย5ุอกลI0่อาะนแ1รโปหล0คร้ลา5ผงัขรกนั0องาตงรสาเเดพมชร้ว่อกืล้ามนัยาง
ผลการวิจยักรรมวธิ กี ารอบอ่อนหลดงั ้วกยาแกร๊สเปชก่อื คมลุมแทก่อี สุ๊ณปหภกูมคอิ บลอุม่อนสทาส่ี มูงมาแี รนถวโแนส้มทดด่ี งี ทไรกเดดควา้ด้วนรสเทท่ารอดว็ดคลบสสอวองสั งเบาแกูงสสมตสูงดไเ่งสดงค่งใว้ผหผ่า้นลค้เลหวใทใน็าหหมวด้เ้เเ่ากคกสเิดนพ้ ิดอวทลิบวาดบัตทสิบกิอข่ที ัตบอด็เกงสปิขชเ็อปอ็น้ินบ็นงงดออาช้วกี ีนกยสิ้นอคาสงยวเหาา่าาตมงเนุ หอตยุข่างอรงวกดาเรรว็วิบสัตังิขเกอตง
ผลการทดลองและการว9ต0ิเ่อค0พรอฤงตาศกิะารหเรซม์ผลลลเ้าซดสียงัังสเตกคตอ่ วไไาดมปจ้ เานคก้นกี้ ทารดอสบออบ่อทน่ีท1อ่ี 0ุณ0 หMภPูมaิ
โครงTสabรจl้าeาง3กจTุลกheภาvารaคlศueขึกsอoษแอ2งf3ุสณเ5sดาห,พtง7rภใว8eหู0มลs้เิธิหร7sาอ็น0ีก0บวaเ่าหnอจใางdนาศนลรทาวlาiเ็กนfยซงeรตลอกืดเรcบซงyลทียกอcเ่ีสันก้าleดิาขทคค้า่ีคtยวมhวาาาaมุกกรมเtาสเ์บรคcยีาอ้นaหบอรทาuอยดsน่ลอสมeนอคี้าทบ่าdเ่ี aแกmรลaดะgชขใeิน้นองงFกาigานuรrวeบิ(6Dตั ิขaอsงชeน้ิ งtาaนl.(D, a2s0e1t a7l.), 2ด01งั 7แ)สดงดั แงสใดนง Figure 6
AISI 1050 ดว้ ยกรรมวธิ กี ารอบออ่ นหลงั การเชอ่ื มแก๊สStress (MPa)
ปกคลุม สามารถแสดงผลการทดลองและการวเิ คราะห์100
ผลดงั ต่อไปน้ี200
Table 3 The values of stress and life cycNleutmhabt ecaruosfecdyacmlaegsethat have been damage (rounds)
คNวoาtมaเnคnน้ e(aMlPead) ไม่อบอ่อน จานว7น0ร07อo0บC0ทoC่ีเกิดความเสีย8ห00ายoC(รอบ) 8009o0C0 oC
10910,8053 109,853 1121,1926,6966 177,802 1772,8350,2780 900 oC
235,780
442,08081 44,881 46,4369,8398 55,329 55,3726,9126 76,126

300 5,330303 5,333 6,664,0640 7,687 7,61807,755 10,755

400 2,470208 2,728 3,335,4354 4,561 4,566,1564 6,564

500 1,510100 1,110 1,315,0350 1,412 1,412,2190 2,190

Original metal โลหะเดมิ มากกวา่ ov50e0r,050000,000
หมายเหต:ุ เนอื้ โลหะเดมิ ทดสอบความหเคมา้นยทเหี่ 5ต0ุ: 0เนM้อื โPลaหะเดมิ ทดสอบความเคน้ ท่ี 500 MPa

(a) (b)

(c) (d)

FiguFriegกu6า(reaรsว)6hิเnsคohoรowtาwsะsaหntth์อhneาeeยreaุrกlealาitnliรoa(gลnbt้siา,)ohจ7(inp0ะbs0ใ)gชhorC7a้สipp,0มh(0กcsg)าoro8รaCf0ขsp0,tอrhe(oงCscss,)oaw8nfid0ths0(tfdra)eotiC9gs0us,0e wlifeitohf AfaIStiIg1u05e0lsifteeelo: (fa)AnIoStIan1n0ea5li0ngs, teel:
aoCจnาrdกeสs(pมdeก)cาti9รvทe0l่ี y03-6oCสาrมeาsรถpนeาcไtปivพeยlาyกรณ์อายุ
Basquin ซ่งึ จะแสดงรูปแบบความสมั พนั ธถ์ ดถอยเชงิ การล้าของเพลาท่ที าจากเหลก็ กล้า เกรด AISI 1050
เสน้ สามารถพจิ ารณาจากไดด้ ว้ ยสมการท่ี 1 (Basquin, ได้ จากการคานวนแสดงใหเ้ หน็ ว่าสามารถรบั อายุการ
1910) ล้าเพมิ่ ขน้ึ ได้ 53.40 เปอร์เซน็ ต์ เม่อื ผ่านกระบวนการ
ทางความรอ้ นท่ี 900 องศาสเซลเซยี ส เป็นเวลา 1

ดาาทงรร่ีใอทลนุ ณ่ี ้าส3ขมหแอกภลงาูะมชรอท้ิินา7่ี งย40า-ุก06นา,ทตร8ลา่ีไ0า้มม0ขล่ผแอา่าลดงนชบะั กน้ิ 9าง0รา0อนบทออผ่ีง่อศ่า((((5436นนา)))) ปFFiรgiาguกureฏreเ7ป7็นTพhฤeตfกิraรcรtมurกeาsรuวrบิ faตั cจิ eาoกfกAาIรSลI้า10ด5งั 0แสSดteงeในl−−−−00001...111.33332132986((((llllo1ooogg6gg8ใป อพ ซท −−น−−ณุ่ึร่ีงจิllll4สoะจoooาห-gมเgggระN6แแแ1ก1BBกปกเกเBปป11เเเเเปเแBมภ4กณซซสสสสซซแ6559999iสสสสaaaaรรรรนิาาาาแเเBป1เ1แปกBกเpต8นนนน649มู้้้้าลลลลส1111ซสสซะะะะssssดดดดาo99รรรรสสไaa9รร643าาารเเเเิ0000เเเเนนqqqqด้้FFFFลลจnด11สสสสงงงงซซซซะะออออssมมมมดด7กสอ7ทม247รร))))uuuuiiiiRRRRเเใใใใา00เเงqqาาาาFF้จยยยย0====ggggีีีี)นนนนำสสงง))บบบบ)าิิิิซซา�ออMลมม่ีiiiiนนนนกมมมม))รnnnnuuสอกกสออสสอกกiiRRาใใ0สสสสuuuu3าารย====ห====ไไไไยย�ำ==ggีีนนบบิิออออ1111สสสสูaปiiนนาาาาาาาาไาาาากมมาาาา,ดดดดวnnกอสอสกrrrrซซซซุดกสสuu==่่่่==รดไไnหหหหรรรรมมมมแแแแ1111ออออ0000eeeeอยยยยแ11สสแสรรรริเาาาาจจจจ8้้้้าาาาดดง่ง่ง่่งึึึึrrบััถถถถeซซบาสสสสค้ดกกกกรรรร่่0000ุุุุนนนนลหหรรมมแแ11กกกออ00ววววeeาาาาบม06666ยยNNNNจจจจรรจจe้้รพพพพbbbb1111บบบบดดดด่่งงึึััััถถกรว้าาาากกกกสสะิิิิกกรร000เเเเาาาาุุนนททททะะะะกกกcววาาบ66ลNNจจssss−−−−งงงงากกกกรรรรRRRRจจจจพพยิิิิอคคคคbb11บบดดBBBBสสสสัั((((าแแแแรรรรhาากกิิ0000่่่่llllาีีีีhhเhเhาา้ททะะใใใใออออททททะคแาาาา1111ooooาาาาssามมมมส−−....งงลลลลรกกoรรRRจจรรรรสสสสิิคคนนนนBBสส3333ร((ooooแแรรggggขุุุุหรรรร00รรรร่่llีีhhณณณณลใใ่่่่ยีีีีออวทท2222tพมาา้้้้กกกก11ooาาาาาาาาาาดดดดทมมwwww..สสสสลลรรณณณณสส,3333นนพพพพ33ooอggะ์อุุรรุการรณณขขขขะะะะาาาา่่−−−−ีีก22งงงงมมมม้้กก((((าาาาหหหหCยดดssssี่wwสสณณยยยย33llllพพงllllาาาามารรรรแแแแ2าหหหหรรรรooooออออoooo9าขขกกกกะะาา−−งงมมhา((หหจจจจชssททททggggาาาภภภภttttยggggููููรปปปปลลลลยยllสllาารรรแแ0งงงงhhhh์์์์หหรรออออooาาาาออaooกกกก(aaaaาาาากกล้ินุกูููู่่่่ีีีีจจะะะะททggาาภภทttมมมมggแแแแeeeeชชชชัDูู0ปปมรรรรลล))))−−−−i2222กกกกงงาาาาhh์์รรรรออาาyออออกกา้aaาาllllททททางบบบบูู่่ีี้้้้ะะิิิิิิิิี่นนนนมมแแooooeeณณณณaชชพไไไไรรยยยยo))rrrr−−22กกขณอาาาาาา1รร((((รggggาออeeee7777่่่่ีีีีดดดดบบบบllททsบDDDDoงงงง้้ิิิิุุุุนนooณณยยยยกกกก44444444ัไไยยอนงล์์์์ททททrrนllllาา0000((ggดดดด์้้้้t8888aaaaทeeาาาา(คคคค77่่ีีดบบaaaa----ศุุุุDDกกกกงงุุeง้าาาาายย9999กกBาาาา44000044ธ์์ทท6666ทttttllMววววนนนน้้้้00ssssววววดด้7777ำ88aaาาคค�ชiiiiจาtาาานนนนaaรรรร,,-,,-ุุกก์ooooถaาายยยย99าา))))00าาาา่ี66ไททททttววนน((((้้ตตตตeนเรรรรssววะนิ้eeee77a8ล8ล8ลล8าาาาnnnniiาานนsbbbbรร,,สสสสซมมมมมดooยยลลลล))eใาาาาาา่่่่ีีีียยยยttttไไไไ0000ททl้้้้ssss((ตตารรqาาาาง))))eeล88ลา.มมมมnnชสสสสbb่ลถผ้้า้าา้ามมมมสสมมมมมมaaaahhhh0000,ออออลลายuาา่่จจจจีียttไไ00้้7777ssาากกกก))gขขขขมมมม้สััััเมมlllliiiiลลลล่สสอา่่่่นาาาา2้า้ามมผผผผiมม....aapppphh00ออ0000ะะะะซแแแแaจจnาาาา,,,,77ออออพพพพมาาาายยยยกกนขขมม0ััยllii่่่่ลลท0000าาาา่าาใใใใผผmรรรร..ppา,ยีลลลล00ะะ2222ดดดดggggแแงงงงกุกกุุุกาา,,1กออนนนนพพาาััััยยชชชชกนนนนเทททท่่ี่ผย00ooooาา0000ชชชชrrrrใใ1สบบบบะะะะรรััััลลชาาาา22ดดgg7งงCCCCaaaaาุกกุ้้้้ธธธธสสสสานนกกกกััชช่่่่นนีีีี1111ททุ่า9ก้น้้้นนิิิิรรรรoo111100ชชrr)บบิะะppppรัังถถถถาา์์์์,,,,9999รแCC7777aaมมมมน้้ธธาาาา1ลลลลสสกก่่ีี11งงงงาขhhhhน้้นิิเรร11((((0000อ((((ดดดดpp))))สรรรรถถ์์าาาา,,0้้้้99สกาาาา77BBBBกกกกมมccccารssssลลองง0000hhบถถถถสสสสออออด((00)((นนนนดด))))))้รรaaaaานลาา้้าาาาาาBBกกccงssooooาาาา00บบบบอออองอถถสสอssssร8888ททททออออนน้))รรรราaaffffมมมมาาใยยยยooqqqqอ0000าา่อออออบบออขขขข่่ผผผ่ผ่สีีีีBงงงงss88ททสออนssssรราาาาffuuuuมม0000เเเเบ่่่่ยยออออqqน00ศศศศtttt่่่่อาาาา((((((((((((ออออาชชชชaรรรราขข่ผผีีงงสiiiirrrrssาา121121223333nnnnuu00เเนนนนอนนนeeeeถถถถ่่ooooมออsมแงงงงาาาางงงงิิิิศศtt่่า((((((มออชชรร)))))))))))),,,,CCCCiirrssss112233่อnnqนนนนeeถถสooาางงาางงิิกssss,,,,)))))),,CCนuss(((รรดาaaaa132ssi,,wwwwทถถnรงnnnn)))aaiiiiwwี่ddddttttnnhhhhiiddtt((((hhffffddddaaaa((ชFไลแสปกททแกชFลแสลกชเททไFลไปลสปแ(เเเไF(สก(ชปล(ลล))))ffttttddล ลนนนนIIIIดดดดaaiiiiiiiiา้้า้้าาาาาาววววnnnnบบบบาาาาััััาาาารรรร9999กกกกggggลลFสชเปสกแเ(ทชFแลไทลไป(ก่่่่ggggัััั))ัก้้้้กัืืืืออออttมมมมนนเเเเ้้้้IIโโโโiiiiาาาางงงงรรรรดด0000uuuuiiiiuuuuาา้้าาววttttnnบบบบบาาััาารรจจจจพพพพ99กกษษษษgg่่ggมมมมััววววษiiiiคคคคกกกกลลลลษ้้าาาาืืออ0000eeeeมมaaaaเเ้้rrrrโโiiาางงรราาาา00uuuuttททททสสสสบบััััจจeeeeมมมมพพงงงงิ่ิ่ิ่่ิรรรรษษวววว้้้้าาาาฏฏฏฏมมณณณณววttttiiณคคกกลลาาณกกกก00ooooeeaarriiiillllถถถถดดดดาาFาาาาขขขขััััooooCCCCขขขขนนนนททiiiiสสััeeมมงงจจจจจจจจ่ิิ่เเเเรรววตตตต้้าาฏฏ7777ณณffffกกกกttกooมมมมปปปปiะุุุุeeeeรรรรnnnniiะะะะllออออถถดดนนนน้้้้ะาาาาึึึึาาาาาาขขgททททััooCCขขนนาาii((((จจจจเเาาาาตต77บบบบffกกrrrrเัััั็็็็รรรรนนนนกกกกผผผผPPPPมมกกกกปปโงงงงุุeeรรมมnnะะไไไไueeออooooCCCCนนรรรรก้้าาึึาาีีีีกทททททาาออออ้้้้((คาาภภภภเเเเบบกกกกrrดดดดััพพพพ็็rrrrรรสสสสssssิิิิคคคคนนffffกrลลลลผผววววPPกกงงมมไไrrrrรeeพพพพooนนนนooooCCรราีีัััันนนนททeออ้้ppppราาาาาาาาaaaa้้้้ภภมมมมาาาาเเAAAAาาาากกฤฤฤฤดดพพrrรรรรสสนssิิคคffลลppppววร5555ททททrrพพลลลลรรรรนนรรรรeeeeooccccงดดดดใใใใัันนนนนน7ppกกกกาาาาIIIIaaตตตต้้มมออออaaาาAAาา3333ตฤฤรรบตตตตะะะะSSSSkkkkccccppดดดดาาาา่่่่ีีีี55สททบบบบลลรรััััรรeeววววccดดใใ9999าาาาggggนนกกกกิิิิ....กกจจจจ))))IIttttตตTยยยยออaaรรรรรทททท33IIIIร4444ตตะะSSkkiiiiccรดดาานนนน่่ีีรรรร0000aaaaบบvvvvััววรรรราาาาวววว99าาgghมมมมว((((กกิิ..ิเ00001111จจ))ttแแแแ่่่่ยยททททีีีีรรทททททา้II0000tttteeee44แแแแiiรรรรOOOOกกกกนนจจจจวรร00aaeiiiivvจ0000รราาววีกีีกกกีมม((ooooง00llll11าาาามมมมตตตตแแ่่ททีี่่่่ีีีีเเเเสสสสททพพพพ00คคคคttณyyyyeeออออแแvvvvรร5555OOกกจจส3333ปปปปnnnniiาาาาจf00จจจจีกีกooกกกกดดดดlleeeeาามมrตตวววว่่งงงง0000กกกกีีเเสสนนนนพพิิิิ-ค--ค-yyรรรรอออvv55aาาาาออออลุ33รปปnnาา6666CCCCจจาาาาrrrrศศศศงงงงาาาากกดดขขขขeeิจิจิจจิววงง00กกllllcนนกกกกิบอ--ssssรรรรรรใใใใรรรรooooภมมมมาาออาาาาrrrr66CCาาrrศศงงพพพพสสสสtาายยยยttttหหหห์เ์เ์์เเขขaaaaิจจิเเเเววววยaaaalluกกสสสสโeeeessรรเเเเใใรราซซซซooมมหหหหาาาาาาrrาาาาบบบบccccพพบบบบคคคคสสคิิิิเเเเ้้้้ยยrddddttหหeeee์เ์เเเเaaเเววaaคสสeeหหหหมมมมeนนนน็็็็เเkkkkยยยยซซซซลลลลชหห))))าาววววนนนน้้้้llllตตตตาารัััับบccบบคคิิเเ้้ddee::::เเ))))าาาานนนนตตตต็็็็ก็็็ก็กกลลลลหหมมนนา่า่่่าา็็่ือkkยยซซsซซซซงลลแแแแจจจจิิิิ))ววนน้้llตตมมมม((((ััรรรรกกกก::จจจจเเเเ))u์์์์ววววกกกกaaaaาาสนนตต็็ม็ก็ลลาาาาลลลล่่่่ึึึึาา่่งงงงซซซซซซเเเเแแถถถถจจิิีกีีีกกกรรรรดุดุดุดุมม((r่่่่าาาารร))))กกกกกกมมมมลลลลจจเเระะะะ์์ววกกลลลลaafาา่่ยยยยึึะะะะีีีีนนนนงงซซสสสสาาาาเเถถaเเเเีกกีnnnnรรุุดดนนนน้้้้้าาาาา่่กกกกาา่่ออออ))ืืืื(ัััักกกกกมมรรรรลลททททะะลลสสสสรรรรcาาาาาาาายยะะีีนนWooooสสาางเเมมมมาาาาาาาาผผผผ่ิิิิ่่่nnนน้้าากก่่ออลลลลืืeษษษษมมมมเเเเงงงงััไไไไกกรรััััททสสtttt่่่่รรจาาไไไไาาเเเเรรรรกกกกooตตตต่่่่าาาาพพพพปปปปมมาาุุุุาาผผิิ่่กกกกeปปปปาาาาaaaaลลษษปปปปมมเเณณณณงงไไลลลลััoุลtt่่นนนนไไรรรรนนนน้้้้เเรรกกตตรรรร่่lพพพพาา็็็็nnnnลลลลนนนน้้้้พพปปืืืืุุนนนนกกf้าาา้า้้ปปสสสสาาdaaปปภณณดดดดลลกกกกถถถถขขขขะะะะนนnnnnรรนน้้าาาาททททรรเเเเAยยยยพพ็็nnลลนน่่่่้้กกกกููููืืนน้้าาสสกกกกววววารรรรeeeeออออรรรรดดดดดดมมมมกกถถขขะะnnAAAAาาาาาาMIหหหห่่่่ีีีีาาาาททเเยย่่กกููบบบบะะะะลลลลััััaaaaคSงงงงJาาาางงงงัััักกววเเเเรรeeออรรดดกกกกมมรรรรIIIIนนนนบบบบAAาารรรรหหllll่่ีีาาาาาาขขขขแแแแออออSSSSeIรรรรบบะะลลiiiiััaaงงแแแแSาางงรรรรััnnnnเเออออกกรร้้้้IIาาาาวววว้้าาา้า้สสสสนนบบาาาาtแแแแ1จรรIIIIllาาขขแแออSSตตตตณณณณรรggggciiaแแยยยยตตตตรรนนนนnnยยยยไไไไออ0ดดดด้้1111าาะตตตตวว้้าาสสiาาแแ,,,,IIกกกกlตตณณแแแแปปปปgg์์์์ดดดดััััออออ5ุุุุยยกกกกกกกกตต0000งงงงพนนยยไไTดดกกกก11ตตหหหหตตตต,,กก0ไไไไาาาาใใใใใใใใ5555;แแาาาาปปาาาา์์ดดััออุุeกกกก00งงิจททททนนนนนนนนมมมมกกกกกกกกกกััััยยยยหห11110000รรรรรรรรตตcไไาาใใใใ55SาาาาWาุุุุ่่่่่่่่ีีีีททนนนนมมhกกกกััยย1100รรรรtรenุุ่่่่ีีMณeo)llาMจแSาลUกะ
ลกั ษณะโครงสร้างจลุ ภาค ==1100

====11001100
−−−−0000....−−11113333003333..116666333366((((lllloooo((gggglloogg−−−−lllloooo−−ggggll5555oo9999gg333355777799))))3377)) ((((4444(())))44))(4) บริเวณอิทธิพลจากความร้อน (Heat Affect Zone ; HAZ)
เ พื่ อ ป ร ะ เ มิ น ข น า ด ข อ ง เ ก ร น แ ล ะ ลั ก ษ ณ ะ โ ค ร ง ส ร้ า ง
 == 1100−−−−0000....−−11113333001111..119999331199((((lllloooo((gggglloogg−−−−lllloooo−−ggggll5555oo4444gg444455444444))))4444)) จุลภาคที่แตกต่างกัน การวิเคราะห์โครงสร้างจุลภาคด้วย
====11001100 กล้องจุลทรรศน์ท่ีกำ�ลังขยาย 50 เท่า ตรวจสอบบริเวณ
((((5555(())))55))(5) รอยเชื่อมและบริเวณอิทธิพลจากความร้อน ตรวจสอบด้วย
จาก====ส==1111ม000011ก00−−−−า0000ร....−−11113333ท002222..11888833่ี 22388((((lllloooo-((gggg6lloogg−−−−สlllloooo−−าgggglloo6666มgg66666666า66222266ร))))66ถ22))นำ�ไปพยากรณ์อ((((า6666((ย))))66ุก))(า6ร) ลลลลมคอเกFFFFกกกกกลลัััั่อวำ�โีiiiiFFggggรคลกกษษษษานัั iiดuuuuรggมังษษรณณณณrrrrงขuuโอeeeeสAณณตrrยยะะะะeeร7777IเาSโโโโเา้กะะ77ยชคคคคTTTTงIโโรhhhhื่อซคคTTรรรรน11eeeeมเhhีงงงงรร0เ0มeeฉมffffสสสส0งง5rrrrนaaaaลีโรรรรffสส0rrไคเccccยี่aaา้า้้าา้ททรรttttรuuuuccททงงงง้าา้่าตงttrrrrจจจจ่ีuu่ีผeeeeงงส์1ผ(rrลลลลุุุุจจ่ารCee0ssssลน้าภภภภลลุุuuuu.ess2กงกrrrrmภภาาาาuuffff1เาaaaaาฟคคคคrrาาeรffccccรไaaทคคอneeeeมเccชtรดeeiโoooot์ไื่อคeลffffรooม)รอAAAAตffเแงIIII์มลAASSSSแทพะIIตIIIIตSSรบเร1111กอ่ชIIว0000ีตย11(ิ้น่า5555ล00ดวัเง0000กั55หรา00ษะSSSSน(ลFหttttณก็SSไeeeeeวมttกeeeeeeะrา่ ่ผllllrลสeeงit่า้าllโีขeคนคา)รกาวงขรา)สบ์นรแรออาลา้ บนดงะ
ลา้ ของเพลาท่ีทำ�จากเหลก็ กล้า เกรด AISI 1050 ได้ จากการ เฟอรไ์ รต์ (ลกั ษณะสดี �ำ ) ดงั แสดงใน Figure 8(a) ขณะทบ่ี รเิ วณ
ค�ำ นวนแสดงใหเ้ หน็ วา่ สามารถรบั อายกุ ารลา้ เพม่ิ ขนึ้ ได้ 53.40 อิทธิพลจากความร้อนแสดงให้เห็นว่ามีเพิร์ลไลต์ (Pearlite)
เปอรเ์ ซน็ ต์ เมื่อผ่านกระบวนการทางความร้อนที่ 900 องศา ลกั ษณะสขี าวสลบั สดี �ำ สง่ ผลใหบ้ รเิ วณอทิ ธพิ ลจากความรอ้ น
เซลเซียส เปน็ เวลา 1 ชวั่ โมง ตามล�ำ ดับ มีความแข็งสูง นำ�ไปสู่การแตกหักแบบเปราะได้ง่าย (Sivam

ลักษณะผิวรอยแตก et al., 2019) ซง่ึ เกรนมลี กั ษณะท่หี ยาบ ขนาดของเกรนเฉลยี่
จากการตรวจพินิจพบว่าจุดเร่ิมต้นของรอย ที่ 133.33 ไมโครเมตร ดังแสดงใน Figure 8(b) ซึ่งสอดคลอ้ ง
แตก(Initiation Crack) มกี ารขยาย มีการลกุ ลามเข้าไปในเน้ือ กบั ผลของการทดสอบความลา้ แสดงใหเ้ หน็ วา่ ชนิ้ งานทดสอบ
วัสดุ (Propagation Crack) กระท่ังพื้นท่ีหน้าตัดไม่สามารถ มีการแตกหักบริเวณอิทธิพลจากความร้อน อย่างไรก็ตาม
รบั ภาระจากความเคน้ และน�ำ ไปสกู่ ารแตกหกั แบบทนั ทที นั ใด เหลก็ กลา้ เกรด AISI 1050 ทผ่ี ่านการเช่อื ม แต่ไม่ผา่ นการ
(Overload) ซ่ึงลักษณะการแตกท่ีปรากฏเป็นพฤติกรรมการ อบออ่ นจะเกดิ ความเคน้ ตกคา้ งหลงั จากการเชอ่ื มทส่ี งู ซงึ่ เปน็
วิบัติจากการลา้ ดงั แสดงใน Figure 7 อกี สาเหตขุ องการแตกหกั แบบเปราะหลงั การทดสอบความลา้
(Lin et al., 2008)

Vol 40. No 2, March-April 2021 Study of Fatigue Behavior of AISI 1050 Steel annealing with 169

Metal Active Gas Process

รณา
WM)
Zone;
ษณะ
สรา้ ง
เท่า
ลจาก
ลการ
50 ท่ี

เช่อื ม
ามโต
และมี
หว่าง
igure
ห้เหน็
ส่งผล
าไปสู่ Figure 8 Shows the microstructure of the weld zone at not Figure 9 Shows the microstructure of the weld zone
019) Figure 8 shows theanmneicarliongstructure of the weld Figure 9 shows theatm7i0c0rooCstructure of the weld F

ล่ียท่ี Figurez9onแeสaดtงnลoักtษaณnnะโeคaรliงnสgร้างจุลภาคของ สังเกตได้ว่าzกoาnรeเพaิ่มtอ7ุณ0ห0ภoูมCิอบอ่อนให้สูงข้ึนส่งผล
) ซ่ึง เหลก็ กลา้ คารบ์ อน เกรด AISI 1050 ทผ่ี า่ นการอบออ่ นหลงั การ ให้เกิดการเติบโตของเกรนบริเวณรอยเช่ือมและทำ�ให้โครง
ห้เหน็ เชอ่ื มท่ีอFณุ igหuภrูมeิ 790แ0สอดงศงาลเกัซลษเณซยี ะสโคพรบงวส่าบร้ารเิงวจณุลรภอยาเคชขือ่ อมง สร้างเพสิร์ลงั เไกลตต์บไรดิเ้ว่าณกอาิทรธเิพพลิ่มจอาุณกคหวภามูมรอิ ้อบนอแ่อพนร่เใขห้า้สู่งรอขยน้ึ
จาก หบเเFมไหกมiรลกี gิดลโเิางัuควพก็รrกรeเณลกตาเังลมบิ9รรงา้(ตอโเาaตคชนรย)ขา่อกื เคอเรชรมมวงบ์ะ่อื่ืโอาทตอคมมเุ้น่อีรทนรมงุณอ้ียนสกีเนบกรำ�หาทา้กไรรภปง่ีเับดกเเสูมฟตชดิ ู่กAิ้ิอนบิขา7รI้นึงรโSไ์0าเใตรIช0นนตขื่อ1กท์ออขม0ร่ีไงนะตง5มบศาโ่อ0่อดควากบทนเรเันกอซกงผ่ีขร่อสาลนอา่ นรรนงเเอฉซเ้ากบกดลงียราอังยี่เนสรแ่อฟทอบนสี่อ1พบรดทร6ิเงอำ�บวไ.์ 6ใใณอ่รวหน6ตน่า้ ์ สเช่งือ่ผมลใซหงึ่ เ้ สก่งดิผกลใาหร้ชเตน้ิ บงิ าโนตมขีคอวงาเมกเหรนนียบวรเเพิ วม่ิ ณข้นึรอเยมเ่ือชอ่อื ณุ มหแภลูมะิ คา
50 ท่ี ทแเเอคปพาบล็ในรอห่ือแ่เ่อนขโ้บนคทา้บสรสีู่งแงน่รูขผสอำ�ึ้น่นรไยทา้ปเำ�คงสชใเวู่หกพ่อื าา้โมรมิครล์รเรซช้ไองลื่อสนง่ึ ตรมสท้าตบ์่งำ�ง่ผอใรเหฟกเลิ ว้อัอนใณะรหบต์ไรช้อรอิเตทิน้ิวม์รณธงภ่วาพิ มขานยลอตมใจบัวนแคีาเวกลกวัสระคานดมมวุเีลากเ(ักหGมิดษนรrกณaอ้ียาinะนรว อง
มเคน้ ขขนอบาเดกเรกนรนส่งเฉผลลใ่ียหท้เก่ี ร1น6ม.6ีข6นาไดมทโ่ีโคตรขเึ้นมต(Sรhเibมa่ือtaเทeียt บaกl.,บั เBพo่ิมunขd้ึนaryเ)ม่โือดอยุณกาหรอภบูมอิอ่อนบทอ่ีอ่อุณนหสภูงูมขิ ้นึ 80ท0าใอหงศ้โาคเซรลงเสซรีย้าสง ตร
ตุของ ตก
ไล
(Lin ทชกข91จน9้ริ(าอ่ีเb9กกะงง)6เตคาิดก)โนวุ้นรขดาในทน้ยึนมนมไ่ีโทรใคีมคา้อำ�นา่ไรอ่นนเปงกบฉอกสสรงล็อมรเะ่กู่ยี้าี่อกดบทงานียาเี่รวรวพ2เเดกน1ติชรันง1ั์ลกิบ่อื .แโไ0โาคมลส7ตรรตตดขงไอ์บ่องมสอบใารโงกนคง้าเอนักสงร่อเFเ่รวขพมนนนiอgติรเมทu์ลงรชีกไเrา่นดeกลาใกงัตรรห9แันต์บนส(้เกรaกบดพิเต)วงิดรบะใณคิเนกพวววอ่อาFลณาิทขนiมงัgธนขขงuริพาออrอา้ ดลeงบนน เพฟบอวร่าไ์ บรรติเร์วว่ณมรตอยวั เแชล่ือะมมโคลี รกั งษสรณ้างะเเฟปอ็นรแ์ไรบตบ์มแีขผนาน่ ดเคกวรานมเฉรลอ้ ี่ยน ผส
เสการลนะลสา่งยผขลองใแหข้เ็งกร(SนoมlidีขนSาolดutทio่ีโnต) ขแ้ึนละล(Sะลhาibยaในtaบรeิเtวaณl., กเทเบ71ชทาา90ร่อืีย.ใ0ิเร7วมหบอ5ณอตก้อบงอับ่อไะศอิมทชตกา่อโธ้ินอนัสคิพนงมเรบาลซทเภนรจมล่ีอาเิทาตเวกซุยณี่ไรณคมียใวหน่ดอสขาบังวภมอแพอสัูรมบส่อบด้อดิเนวนุเก8งแ่กาพใ0รลเนดิบก0นะกวรชFอ่าน(าิ้นiGขงgมรงนuศเrีาขคaาrนนาeดiลทnเาข่อืซ่ี1ดออBน0บโลงoต(อทเaเuกข่อซ)่ี nรึ้นนนียนเdทามมaสใไ่ีอ่ือนีคrปุณyเขพ่าป)สเณหฉรบโ่กู ภียะลดวาทบูม่ียย่รา่ีิ ขน
22
กนั
1ข9อ9ง6ข)อบในอิททธาิพนลอจงาเกดคยี ววากมนั ร้อโคนรเขง้าสไรปา้ ยงังเบพรริ ิเ์ลวณไลรตอ์ยบเรชเิ ่ือวมณ บทรี่ 2เิ ว2ณ2.9ร2อยไมเชโค่อื รมเมโตครรงดสังแรสา้ ดงเงฟในอFรไi์ gรuตre์ม1ขี 0น(bา)ดนเกอกรจนาเกฉนลั้นย่ี บร
อพซeสทิt่งบ่ึงaผสธวlล่.งพิ่า,ใผข2ลหล0นจ้ชท1าาิ้น9่ีดดก)งีตขาค่อนอวกมงาาีเสมกรมรรรบ้อับนัตนแมิทรกคี งาม็ ่ากงกีเดรฉ้าาะลนทรย่ีเำค�ตทแวบิ บา่ี ม2โบต1แค1ขขว.็งอ0าเงม7หเลนกไ้าียมรวนโ(เคOเพชรkิ่มเ่นuมขdกตึ้นaนั ร เ1กหป9าลร.รงั7ยี อจ5บาบกอไเกท่อมานยี โรทเบคชี่อกรื่อุณเมบั มหช(ตLภ้นิ inรูมงิส&าดูงนัCงททแhำ�aใ่ไีสหnมดg้ช่อ,ง้ินบ2ใง0อนา1น่อ0Fลน) ดiแgคuลวrะาeชม1้นิเค0ง้น(าaตน)กทคเ่ีอม้าบง่ือ เช
ดังแสดงใน Figure 9(b) โดยโครงสร้างเพิร์ลไลต์ อ่อนท่ีอุณหภูมิ 700 องศาสเซลเซียส พบว่าเกรนมี ไม
โค
บางสว่ นมกี ารตกตะกอนของสารละลายของแขง็ (Solid ขนาดโตข้นึ ในขณะท่บี รเิ วณอิทธิพลจากความร้อน เดยี
Solution) และละลายในบรเิ วณของขอบอิทธพิ ลจาก พบว่าขนาดของเกรนมคี ่าเฉลย่ี ท่ี 222.92 ไมโครเมตร
ความรอ้ นเขา้ ไปยงั บรเิ วณรอยเชอ่ื ม ส่งผลใหช้ น้ิ งานมี ดังแสดงใน Figure 10(b) นอกจากนัน้ การอบอ่อนท่ี อบ
วิท
สมบตั ทิ างดา้ นความแขง็ เหนียวเพมิ่ ขน้ึ ซง่ึ สง่ ผลทด่ี ตี ่อ อุณหภูมสิ งู ทาให้ชน้ิ งานลดความเคน้ ตกคา้ งหลงั จาก
การรบั แรงกระทาแบบความลา้ (Okuda et al., 2019) การเช่อื ม (Lin & Chang, 2010) โค
เป

170 Nipon Maneechot, Chaiyoot Meengam ทม่ี คี วามแขง็ ทผ่ี วิ นอกและมคี วามเหนียวทเ่ี น้ือดา้ นใน 900
วสั ด(ุ Zulmiardi & Meriatna, 2017) อยา่ งไรกต็ ามการ 22.4
ชอบ้นิ องา่อนนหทรอ่ี อืุณกหาภรสูมูญสิ งูเเสกยี นิ คไวปามอแาจขนง็ าแไรJปงSสแcกู่ iตาT่รจeเcะสhไnยีดoร้สlปู MมขSบอUตั งิ ร้อน
ททแเกา่ีดขนิงง็ีตไดแป่อรา้ งอนชาคแ้ินจตวนสจ่า�ำ ่วะไมไปนเดสหร้สกู่ นมับาบยีรแเัตวสรทิเยี งพารบงปูมิ่ ดิขดข้าอไนน้ึ งดคชซว้น้ิเาง่ชึงมอา่นนเาหกหจนรัจนียอื ะวกไเ(ามพMร่สม่ิสiญูcขง่ hผึ้นเสeลยีซlใคeน่ึงวอtทาาaมาจl.ง, 133
2จ0ะ0ไม6่ส)่งผลในทางที่ดีต่อช้ินส่วนรับแรงบิดได้เช่นกัน (Michel องศ
เกรน
et al., 2006) ภาย
เดยี
Figure 10 Shows the microstructure of the weld zone คาร
องศ
Figure 10 shows theat m80i0crooCstructure of the weld ก่อน
โครงสร้างจุลzoภnาeคขaอtง8รอ0ย0เชoC่ือมเหล็กกล้าคาร์บอน สมก
เกรด AISI 1050 ท่ีผ่านการอบอ่อนที่ 900 องศาเซลเซียส อาย
ขน้ึ Figure 11 Shows the microstructure of the weld zone ขยา
ละ แสดงใโนครรูปงFสigรu้าreงจ11ุลผภลากคารขตอรวงจรสอบยแเสชด่ืองใมหเ้ หหน็ ลว็่ากโกครลง้า ในเน
อน คอสโโคคางรรรา้รศงงง์บสเสาพอรรเริ้า้านซล์งงผไเลพเลสกตเิราซเร์์ลนรไดีเม่ิยลปมตส็นAกี ์แเIานพSแรื้อรตIสเ่เก1ดขดต0ีย้าะ5สงวกู่บ0กใอันรนนทิเจวอร่ีผนณยูปม่าา่ รีลงนอสักFยกมษiเgาบชณuรรูื่อะณrอมeสบอ์ ีเส1ทยองั 1่าาเ่อกงนสจตผามไทลดกบ่ีจ้กกูร9าาณา0กร0์ร Figure 11 shows theat m90i0crooCstructure of the weld รบั ภ
zone at 900 oC ทนั ท
สรปุ ผล
ยว ตวรัดวขจนสาดอเบกแรนสบดรงเิ ใวหณเ้ รหอน็ยเวช่าื่อโมคพรบงวส่ารขา้ นงาเดพเริกล์รนไลเฉตลเ์ ย่ีรม่ิ 2ม2.กี43าร ส ขรองปุ เพผลลาเกหาลรก็ศกกึ ลษา้ าควาธิ รกี บ์ าอรนยดื เกอราดยกุAาISรลI า้1แ0ล50ะโดคว้รยงสกรรา้รงมจวลุ ธิ ภกี าาคร กิตต
าง ตไมกโตคะรกเมอตนรอดยัง่าแงสสดมงใบนรู ณFig์ สurงั eเก1ต1ไ(aด)จ้ คาลก้าโยคๆรงกสันรา้ผงลเกพาริ ล์
อน ไผขซคมทลสนวีคึ่งดตาาผา่าลแ์มนเลอดฉรพขงเเอ้ลปแอกรนี่ยสง็่เนรกทโขดคนเม็่ีงา้นร2กีใบสงห้ื5อาบู่สรเ้4รเหรเิเร.ดต4้าวน็เิ ยีง1บิวณวจวโณา่ ุลไตรโกมภขครอนัโออารคยงคงจยรสเเในกเเนชรมชรมา้ท่ือตน่อืงลีุกรเเมมชพกกั อพดน่ริาษยัล์งกรบแณทไนัา่ ลวสดงพะต่ดาสลสบ์บงขอมใเรีวงนนบทเิา่มวาขรูาีทณFนดณิศiอาgจเท์ดทิuกาโาขrคธกรeงอพิรนไกงป1งลเเาก1สจทฉร(ารราbลวนกาง้)ด่ยีัง อบออ่ นหกลางัรกศากึรเษชอื่ามวแธิ กกี ส๊ าปรกยคดื ลอมุ าสยามุกาารรถลส้ารปแุ ผลละกโาครรทงดสลรอ้างง ทดล
าร 2เ2ดย.ี 4ว3กนั ไมจะโเคหรน็ เไมดว้ตา่ รกาดรเงั ปแลสยี่ ดนแงปในลงอFณุigหuภreมู ใิ 1น1ก(าaร)อบคอลอ่ ้านยทๆ่ี จไุลดภด้ งั าตคอ่ ขไปอนง้ีเพลาเหลก็ กลา้ คาร์บอน เกรด AISI 1050 มหา
ดย บกแดสนัรตัมว้ เิยกพวผตันผณลา่ ธลงกอ์ตขกา่ทอิอนั รกงธจทกาพิะราดสเรลปง่ลเจปผลอาลล่ียงก่ียในแหนคแสโ้ แปควดปรลางงลงมสใงขหรรโอคา้อ้ เ้งงรหนสทงมน็สกาบรงวม็ า้โัต่าลกีงิทโทหาคาะารงวรงเดจทิงต้าลุสยบินภารคโเา้าปตควงลาจขเย่ีมพะอนมลริง้าีคแล์เดปวกไ้วาลลรมยงนต์ สด อโวาค้ว่าิทมรชยธงา้ินิพกสรงลรรถา(้าจรสน1งา(ม1รเ)หกฟว)ปุ คลโอิธผัโวงครคีกกาล์ไรรมาารกงงรรตรสาส้อเ์มอรรชนรีก้าทบ่ือ้เางากมดอจงริดใลุล่เอจนตกภอุนลบิบางาภรหรโคไเติเดปาบลวขด้คลรงัณอิเี่ยงกับวงรตนเณาอรกแ่อรยิเรรปไเวเอนชปชลณยทง่ื่อือนเี่หอชมรม้ี ุณล่ืออทแังมหี่ยไจกแมภาเ๊ลส่อชกูมะปบอ่ืิอสบอบกูงมร่ออิเคแพวน่อลณลบนมุมะี เคร
ว่า เเชช่น่นกกันัน(Zพhบaoว่าetขaนl.า, ด20ข1อ9)งเซกึ่งรชนิ้นสม่วีคน่าเพเลฉาลเป่ีย็นทช่ีิ้น2ส5่ว4น.ท4่ี1 บขรนิเาวดณเกอรนิทเธฉิพล่ียลทจี่ า1ก0.ค2ว1าไมมรโค้อรนเมเกตริดกแาตร่เมเ่ืปอผล่า่ียนนกแารปอลบง วิศว
ลย่ี ไรมับโแครงรกเรมะทตำ�รจาดกังกแารสบดิดงตใัวนแลFะรigับuภrาeระ1แ1บ(บb)ควซา่ึมงลผ้าลทขี่ถอูกง เหคอจกลา่อวรกนงัานคจมทวาทอ่ียากุณา่ีอมวอุหณรบ้อภ2หอนมู2่อขิภ.94อนูม03ง0ิรสโไอคอูงมยงรโศเพงคชาสร่ือบเซรเมวม้าลท่ตางเ่ีไซเชรมฟีย้ิน่อสใอบนงรขอขา์ไน่อณนรานตดหะม์เทมลกีข่ีบกี รังนนรากาิเรจดวาะเเณรตโกตเบิรอขชนิทโน้ึ่ือเตธอฉมขิพยลใอูท่ี่ยลนง่ี มหา
ม่ือ ทาง
อบ ขอข
นมี
อน เอก
ตร Am
นท่ี
เโ&แกดคขรยี ระM็งวทงทeกสำ�ี่ผrแiนัริวaบ้านtnบจงอaตะจก,เ่อุแลห2เลภน0น็ะ1ื่อามไ7งคีดค)วใจว้ อนาึง่ายมตกท่าเ้อาหงุกงไรนกกรเียากปารว็ตรลลทาทักย่ี ม่ีเนษนดก้ือณแาลดรปะอ้าอขลนงบอมงใองนอช่อที วุณนิ้นิศัสทงดหทาี่อุ(นภZาุณทuงูมหี่มlไmใิ ภีคปนiูมวaทกาrิสdมาาูงiรง ที่ 133.33 ไมโครเมตร และการอบอ่อนที่อุณหภูมิ 900
อบอ่อนทแ่ี ตกต่างกนั จะส่งผลให้โครงสร้างทางโลหะ องศาเซลเซียส ส่งผลให้เกรนโตขึ้นเช่นกัน มีขนาดเกรนที่
254.41 ไมโครเมตร ตามลำ�ดับ

าก วิทยาเปล่ียนแปลงด้วย ผลของการเปล่ียนแปลง
โ ค ร ง ส ร้ า ง ท า ง จุ ล ภ า ค จ ะ มีค ว า ม สัม พัน ธ์ ต่ อ ก า ร