Original Title: A 4-Axis Robot Controller for Detection Thrips and Orchid Midge in Dendrobium Orchid
Source: doi.org/10.14456/thaidoa-agres.2021.12
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ប្រព័ន្ធគ្រប់គ្រងដៃរ៉ូបូត ៤-អ័ក្ស សម្រាប់ការរកឃើញសត្វល្អិត Thrips និង Orchid Midge ក្នុងផ្កាអ័រគីដេ Dendrobium

ចំណងជើងដើម៖ A 4-Axis Robot Controller for Detection Thrips and Orchid Midge in Dendrobium Orchid

អ្នកនិពន្ធ៖ Tinnasit Kaisinburasak (Agricultural Engineering Research Institute), Prasat Sangphanta, Puttinun Jaruwat, Anucha Chaochot, Mongkol Tunhaw, Nirut Boonya, Srijumnun Srijuntra, Jiravee Kaisinburasak, Kunthakorn Khaothong

ឆ្នាំបោះពុម្ព៖ 2021, Thai Agricultural Research Journal

វិស័យសិក្សា៖ Agricultural Engineering

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាការវាយលុករបស់សត្វល្អិតចង្រៃ (Thrips និង Orchid midge) លើផ្កាអ័រគីដេ Dendrobium ដែលពិបាកកត់សម្គាល់ដោយភ្នែកទទេ និងទាមទារឧបករណ៍ស្វ័យប្រវត្តិដើម្បីកាត់បន្ថយកំហុសរបស់មនុស្ស។

វិធីសាស្ត្រ (The Methodology)៖ ក្រុមអ្នកស្រាវជ្រាវបានរចនានិងអភិវឌ្ឍឧបករណ៍គំរូសម្រាប់ត្រួតពិនិត្យសត្វល្អិត ដោយពឹងផ្អែកលើបច្ចេកវិទ្យាចក្ខុវិស័យកុំព្យូទ័រនិងរ៉ូបូតិ៍។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
CNN and 4-DOF Robot Arm Prototype
គំរូឧបករណ៍បំពាក់ CNN និងដៃរ៉ូបូត ៤-អ័ក្ស
មានស្ថិរភាពក្នុងការធ្វើការងារយូរ មិនចេះនឿយហត់ និងចំណាយពេលត្រួតពិនិត្យតិច (លឿនជាង) បើប្រៀបធៀបនឹងមនុស្សនៅពេលធ្វើការងារកាន់តែយូរ។ មិនមានយន្តការក្នុងការបើកស្រទាប់ផ្កាដែលត្រួតស៊ីគ្នាដូចដៃមនុស្ស និងនៅតម្រូវឱ្យអ្នកប្រើប្រាស់បញ្ចូលកូអរដោណេទីតាំងដោយដៃនៅឡើយ។ ភាពត្រឹមត្រូវក្នុងការរកឃើញ Thrips: ៨១,១% និង Orchid midge: ៨៨,១% ក្នុងល្បឿនជាមធ្យម ២៥,១០ វិនាទី/គុម្ព។
Human Labor
កម្លាំងពលកម្មមនុស្ស
មានភាពបត់បែនខ្ពស់នៅពេលចាប់ផ្ដើមដំបូង ដោយអាចប្រើដៃបើកមើលស្រទាប់ផ្កាដែលកៀប ឬត្រួតស៊ីគ្នាបានល្អ។ ងាយរងភាពនឿយហត់ (Human fatigue) ដែលធ្វើឱ្យមានកំហុសកាន់តែច្រើនឡើងនៅពេលធ្វើការយូរ និងចំណាយពេលយូរជាង។ ភាពត្រឹមត្រូវក្នុងការរកឃើញ Thrips: ៧៥,៨% និង Orchid midge: ៨៣,៣% ក្នុងល្បឿនជាមធ្យម ៥៣,៣៧ វិនាទី/គុម្ព។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍប្រព័ន្ធនេះទាមទារធនធានផ្នែករឹងនិងផ្នែកទន់ដែលមានសមត្ថភាពខ្ពស់ ជាពិសេសសម្រាប់ការដំណើរការបណ្ដាញសរសៃប្រសាទកុំព្យូទ័រ (CNN) សម្រាប់ការបែងចែករូបភាព និងប្រព័ន្ធគ្រប់គ្រងម៉ូទ័រ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងផ្ទះកញ្ចក់ដាំផ្កាអ័រគីដេ ក្នុងខេត្តនគរបឋម (Nakhon Pathom) ប្រទេសថៃ ដោយប្រើប្រាស់រូបភាពផ្កាអ័រគីដេប្រភេទ Dendrobium។ ដោយសារកម្ពុជាមានអាកាសធាតុ និងលក្ខខណ្ឌកសិកម្មប្រហាក់ប្រហែលនឹងប្រទេសថៃ ទិន្នន័យនិងលទ្ធផលនេះមានភាពពាក់ព័ន្ធខ្ពស់ ប៉ុន្តែម៉ូដែលនេះអាចត្រូវការការហ្វឹកហាត់បន្ថែមជាមួយទិន្នន័យជាក់ស្តែងពីកសិដ្ឋានក្នុងស្រុក ដើម្បីធានាប្រសិទ្ធភាពខ្ពស់បំផុត។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ប្រព័ន្ធនេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តនៅក្នុងវិស័យកសិកម្មកម្ពុជា ជាពិសេសសម្រាប់ដំណាំមានតម្លៃសេដ្ឋកិច្ចខ្ពស់ដែលតម្រូវឱ្យមានការត្រួតពិនិត្យសត្វល្អិតច្បាស់លាស់។

ជារួម បច្ចេកវិទ្យានេះអាចដើរតួជាកាតាលីករដ៏សំខាន់ក្នុងការជំរុញកសិកម្មឆ្លាតវៃ (Smart Agriculture) នៅកម្ពុជា តាមរយៈការជំនួសកម្លាំងពលកម្មមនុស្សដែលហត់នឿយ និងបង្កើនភាពត្រឹមត្រូវក្នុងការគ្រប់គ្រងសត្វល្អិតចង្រៃ។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាអំពីបច្ចេកវិទ្យាចក្ខុវិស័យកុំព្យូទ័រ (Computer Vision): ចាប់ផ្តើមរៀនភាសាកូដ Python និងបណ្ណាល័យ OpenCV ព្រមទាំងការកសាងម៉ូដែល CNN ដោយប្រើប្រាស់ TensorFlowPyTorch ដើម្បីចេះវិភាគ និងបែងចែកចំណាត់ថ្នាក់រូបភាពសត្វល្អិត។
  2. ស្វែងយល់ពីចលនវិទ្យានៃរ៉ូបូត (Robot Kinematics): សិក្សាអំពីទ្រឹស្តី Denavit-Hartenberg (D-H parameters) និងការគណនា Forward/Inverse Kinematics ដោយប្រើប្រាស់កម្មវិធី MATLAB ដើម្បីកំណត់ទីតាំងចលនាយ៉ាងសុក្រឹតរបស់ដៃរ៉ូបូត។
  3. ការអភិវឌ្ឍផ្នែករឹង (Hardware Prototyping): រៀនសរសេរកូដបញ្ជាម៉ូទ័រ (Servo/DC Motors) តាមរយៈបន្ទះ Arduino Mega 2560 និងសាកល្បងដំឡើងដៃរ៉ូបូតខ្នាតតូចប្រភេទ 4-DOF ដោយប្រើប្រាស់ប្រព័ន្ធបញ្ជា PID Controller
  4. ការប្រមូលទិន្នន័យរូបភាពជាក់ស្តែង (Data Collection): រៀបចំកាមេរ៉ាឌីជីថល (ឧទាហរណ៍ Sony A6000 ឬកាមេរ៉ាប្រហាក់ប្រហែល) ដើម្បីចុះថតរូបភាពសត្វល្អិតជាក់ស្តែងនៅលើដំណាំកសិកម្មក្នុងស្រុក បន្ទាប់មកធ្វើការកត់ត្រា (Annotation) ទិន្នន័យដើម្បីបង្វឹកម៉ូដែល។
  5. ការធ្វើសមាហរណកម្មប្រព័ន្ធ (System Integration): ភ្ជាប់ប្រព័ន្ធកុំព្យូទ័រដែលវិភាគរូបភាពទៅកាន់បន្ទះ Arduino ដើម្បីបញ្ជាដៃរ៉ូបូតឱ្យផ្លាស់ទីកាមេរ៉ាទៅកាន់ទីតាំងគោលដៅដោយស្វ័យប្រវត្តិ ផ្អែកលើទិន្នន័យដែលទទួលបានពីកាមេរ៉ា។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Convolutional Neural Network (បណ្ដាញសរសៃប្រសាទកុំព្យូទ័រប្រភេទ Convolutional) ជាប្រភេទនៃបញ្ញាសិប្បនិម្មិត (AI) ដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់ការវិភាគនិងសម្គាល់រូបភាព ដោយវាធ្វើការទាញយកលក្ខណៈសម្បត្តិពិសេសៗ (ដូចជា ពណ៌ រូបរាង ឬទម្រង់) ពីរូបភាពដើម្បីធ្វើចំណាត់ថ្នាក់ប្រភេទរបស់វា។ ដូចជាភ្នែកនិងខួរក្បាលរបស់មនុស្សដែលរៀនចំណាំមុខមនុស្ស ឬវត្ថុផ្សេងៗតាមរយៈការមើលឃើញញឹកញាប់។
4-DOF robot arm (ដៃរ៉ូបូតមានសេរីភាពផ្លាស់ទី ៤ ទិសដៅ/អ័ក្ស) ជាយន្តការដៃរ៉ូបូតដែលអាចធ្វើចលនាបង្វិល ឬពន្លូតបានចំនួន ៤ អ័ក្សកូអរដោណេ (Degree of Freedom) ដែលអនុញ្ញាតឱ្យកាមេរ៉ាដែលបំពាក់នៅលើចុងដៃរ៉ូបូតនោះ ផ្លាស់ទីទៅកាន់ទីតាំងគោលដៅក្នុងលំហបានយ៉ាងសុក្រឹត។ ដូចជាដៃមនុស្សដែលមានសន្លាក់ស្មា កែងដៃ និងកដៃ ដែលអាចលូកចាប់វត្ថុក្នុងលំហបានតាមទិសដៅផ្សេងៗ។
Inverse Kinematics (ចលនវិទ្យាច្រាស) ជាវិធីសាស្ត្រគណនាគណិតវិទ្យាក្នុងផ្នែករ៉ូបូតិ៍ ដើម្បីទាញរកមើលមុំនៃសន្លាក់នីមួយៗរបស់ដៃរ៉ូបូត ផ្អែកលើទីតាំងចុងក្រោយ (X, Y, Z) ដែលយើងចង់ឱ្យចុងដៃរ៉ូបូតផ្លាស់ទីទៅដល់។ ដូចជាការគិតក្នុងខួរក្បាលថាតើត្រូវបត់កែងដៃនិងស្មាប៉ុន្មានដឺក្រេ ទើបអាចលូកដៃទៅចាប់កែវទឹកនៅលើតុបានចំគោលដៅ។
PID Controller (ឧបករណ៍បញ្ជា Proportional-Integral-Derivative) ជាប្រព័ន្ធគ្រប់គ្រងយន្តការដោយប្រើរង្វិលជុំត្រឡប់ (Feedback Loop) ដែលប្រើសម្រាប់កែតម្រូវចលនារបស់ម៉ូទ័រឱ្យមានភាពរលូន និងកាត់បន្ថយភាពល្អៀងពេលវាផ្លាស់ទីទៅកាន់ទីតាំងដែលបានកំណត់។ ដូចជាអ្នកបើកបរឡានដែលចេះបន្ថែមល្បឿនពេលផ្លូវទូលាយ និងបន្ថយល្បឿនបន្តិចម្តងៗពេលជិតដល់ភ្លើងស្តុប ដើម្បីកុំឱ្យឡានឈប់កន្ត្រាក់។
Overfitting (ការហ្វឹកហាត់ម៉ូដែលចងចាំហួសកម្រិត) ជាបាតុភូតក្នុង Machine Learning ដែលម៉ូដែល AI ទន្ទេញចាំទិន្នន័យហ្វឹកហាត់បានល្អឥតខ្ចោះពេក ប៉ុន្តែបែរជាមិនអាចធ្វើការទស្សន៍ទាយ ឬបែងចែកបានត្រឹមត្រូវនៅពេលជួបទិន្នន័យថ្មីដែលវាមិនធ្លាប់ឃើញពីមុនមក។ ដូចជាសិស្សដែលខំទន្ទេញចាំចម្លើយវិញ្ញាសាចាស់ៗដើម្បីប្រឡង តែពេលគ្រូចេញលំហាត់ថ្មីដែលមានទម្រង់ខុសពីមុនបន្តិច ក៏ស្រាប់តែធ្វើមិនចេញ។
Denavit-Hartenberg parameters (ប៉ារ៉ាម៉ែត្រ Denavit-Hartenberg) ជាស្តង់ដារប្រព័ន្ធកូអរដោណេក្នុងវិស្វកម្មរ៉ូបូតិ៍ ដែលប្រើប្រាស់ប៉ារ៉ាម៉ែត្រចំនួន ៤ ដើម្បីភ្ជាប់ទំនាក់ទំនងធរណីមាត្ររវាងសន្លាក់មួយទៅសន្លាក់មួយទៀតរបស់រ៉ូបូត ជួយសម្រួលដល់ការគណនាចលនារបស់វា។ ដូចជាផែនទីបង្ហាញផ្លូវនិងចម្ងាយពីចំណុចសន្លាក់មួយទៅចំណុចសន្លាក់មួយទៀត ដើម្បីឱ្យប្រព័ន្ធកុំព្យូទ័រអាចបញ្ជាចលនាបានត្រឹមត្រូវ។
Thrips and Orchid midge (សត្វល្អិត Thrips និង រុយ Orchid midge / Contarinia sp.) ជាប្រភេទសត្វល្អិតចង្រៃដែលមានទំហំតូចខ្លាំង ចូលចិត្តបំផ្លាញផ្កាអ័រគីដេដោយជញ្ជក់រុក្ខទឹករហូតធ្វើឱ្យផ្កាមានស្នាម កន្ត្រាញ់ ឬខូចខាតទម្រង់ដើម ដែលពិបាកមើលឃើញដោយភ្នែកទទេនៅដំណាក់កាលដំបូង។ ដូចជាមូសខាំស្បែកមនុស្សដែលបន្សល់ទុកស្នាមកន្តួលក្រហម ប៉ុន្តែនេះវាកើតឡើងនៅលើស្រទាប់ផ្កាដែលធ្វើឱ្យផ្កាខូចរាង។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖