Original Title: Automatic detection of scratches on chicken carcass in slaughter factory using image processing and machine learning
Source: doi.org/10.34044/j.anres.2023.57.5.09
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការរកឃើញស្នាមឆ្កូតដោយស្វ័យប្រវត្តិលើសាច់មាន់ក្នុងរោងចក្រពិឃាតដោយប្រើប្រាស់ការដំណើរការរូបភាព និងការរៀនរបស់ម៉ាស៊ីន

ចំណងជើងដើម៖ Automatic detection of scratches on chicken carcass in slaughter factory using image processing and machine learning

អ្នកនិពន្ធ៖ Jullachak Chunluan (Department of Agriculture Engineering, Faculty of Engineering, Rajamangala University of Technology Thanyaburi), Nattida Juewong (Chitralada Technology Institute, Bureau of the Royal Household Sanam Sueapa), Kiattisak Sangpradit (Department of Agriculture Engineering, Faculty of Engineering, Rajamangala University of Technology Thanyaburi)

ឆ្នាំបោះពុម្ព៖ 2023, Agriculture and Natural Resources

វិស័យសិក្សា៖ Agricultural Engineering

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ សាច់មាន់ដែលមានគុណភាពទាបដោយសារមានស្នាមឆ្កូត មិនត្រឹមតែប៉ះពាល់ដល់សុខភាពអ្នកប្រើប្រាស់ប៉ុណ្ណោះទេ ថែមទាំងបណ្តាលឱ្យខាតបង់ផ្នែកហិរញ្ញវត្ថុ ខណៈការត្រួតពិនិត្យដោយផ្ទាល់ដៃទាមទារកម្លាំងពលកម្មច្រើន។ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហាដោយការបង្កើតប្រព័ន្ធកម្មវិធីស្វ័យប្រវត្តិដើម្បីត្រួតពិនិត្យ និងចាត់ថ្នាក់គុណភាពសាច់មាន់។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានប្រើប្រាស់កាមេរ៉ាដើម្បីថតវីដេអូសាច់មាន់នៅលើខ្សែសង្វាក់ផលិតកម្មជាក់ស្តែង និងប្រើប្រាស់កម្មវិធីកុំព្យូទ័រដើម្បីវិភាគរូបភាព។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
Human Operator (Manual Assessment)
ការវាយតម្លៃដោយមនុស្ស (ប្រតិបត្តិករជំនាញ)
មានភាពបត់បែនខ្ពស់ក្នុងការសម្របខ្លួន និងអាចមើលឃើញស្នាមឆ្កូតធំៗ ដែលមានលក្ខណៈខុសប្រក្រតីបានយ៉ាងច្បាស់លាស់តាមបទពិសោធន៍។ ទាមទារកម្លាំងពលកម្មច្រើន ចំណាយពេលយូរ និងអាចមានភាពលម្អៀង ឬកំហុសឆ្គងដោយសារភាពនឿយហត់របស់ភ្នែកនៅពេលធ្វើការយូរ។ រកឃើញស្នាមឆ្កូតជាមធ្យម ១.៧ ក្នុងមួយក្បាល និងបានចាត់ថ្នាក់មាន់ ៧០ ក្បាលធ្វើជាស្តង់ដារធៀប។
Developed Technique (LabVIEW Image Processing)
បច្ចេកទេសអភិវឌ្ឍន៍ថ្មី (ការដំណើរការរូបភាពដោយ LabVIEW)
អាចដំណើរការដោយស្វ័យប្រវត្តិក្នុងល្បឿនលឿន (១២០ ក្បាលក្នុងមួយនាទី) ដោយពុំចាំបាច់ធ្វើការលុបផ្ទៃខាងក្រោយ (Background removal) នៃរូបភាពឡើយ។ ទាមទារការកំណត់ពន្លឺ និងការរៀបចំមុំកាមេរ៉ាឱ្យបានត្រឹមត្រូវបំផុត ហើយអាចរំលងស្នាមឆ្កូតធំៗប្រសិនបើមិនបានបញ្ចូលទិន្នន័យគំរូជាមុន។ ទទួលបានភាពត្រឹមត្រូវ ៩៥% (រកឃើញស្នាមឆ្កូតមធ្យម ១.៧៤ ក្នុងមួយក្បាល) ដែលលទ្ធផលវិភាគ z-test បង្ហាញថាគ្មានភាពខុសគ្នាយ៉ាងមានអត្ថន័យពីការវាយតម្លៃដោយមនុស្សឡើយ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការស្រាវជ្រាវនេះទាមទារការវិនិយោគលើកាមេរ៉ាគុណភាពខ្ពស់ កុំព្យូទ័រដែលមានសមត្ថភាពដំណើរការលឿន និងអាជ្ញាប័ណ្ណកម្មវិធី ដើម្បីអាចវិភាគវីដេអូដោយផ្ទាល់ (Real-time) នៅលើខ្សែសង្វាក់រោងចក្រ។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះបានប្រមូលទិន្នន័យរូបភាពពីខ្សែសង្វាក់ផលិតកម្មក្នុងរោងចក្រពិឃាតរបស់ក្រុមហ៊ុន KVS Fresh Products ក្នុងខេត្ត Nakhon Sawan ប្រទេសថៃ ដោយធ្វើតេស្តលើមាន់ចំនួន ៧០ ក្បាល។ ដោយសារប្រទេសកម្ពុជា និងថៃមានលក្ខខណ្ឌអាកាសធាតុ ពូជមាន់ និងដំណើរការចិញ្ចឹមក៏ដូចជាការកែច្នៃស្រដៀងគ្នាខ្លាំង ទិន្នន័យនិងក្បួនដោះស្រាយនេះមានភាពស៊ីសង្វាក់គ្នាខ្ពស់សម្រាប់ការយកមកអនុវត្តនៅក្នុងបរិបទរោងចក្រក្នុងស្រុកកម្ពុជា។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ប្រព័ន្ធវាយតម្លៃគុណភាពសាច់មាន់ដោយស្វ័យប្រវត្តិនេះ មានសក្តានុពលខ្ពស់សម្រាប់ជួយជំរុញវិស័យកសិឧស្សាហកម្ម និងរោងចក្រកែច្នៃសាច់នៅកម្ពុជាឱ្យស្របតាមស្តង់ដារអនាម័យនិងគុណភាពអន្តរជាតិ។

ការធ្វើទំនើបកម្មតាមរយៈការប្រើប្រាស់បច្ចេកវិទ្យាដំណើរការរូបភាពនេះ នឹងជួយលើកកម្ពស់ទំនុកចិត្តរបស់អ្នកប្រើប្រាស់ ពង្រីកទីផ្សារសាច់មាន់របស់កម្ពុជា និងកាត់បន្ថយការនាំចូលផលិតផលសាច់ពីប្រទេសជិតខាង។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាពីមូលដ្ឋានគ្រឹះដំណើរការរូបភាព: ចាប់ផ្តើមស្វែងយល់ពីរបៀបបំប្លែងរូបភាពពីកម្រិតពណ៌ RGB ទៅជាទម្រង់ Grayscale ព្រមទាំងការចាប់យកទម្រង់រូបភាពដើម្បីរាប់វត្ថុ (Pattern Matching) ដោយសាកល្បងប្រើប្រាស់កម្មវិធី LabVIEW ឬភាសាសរសេរកូដ Python (OpenCV)
  2. រៀបចំប្រព័ន្ធកាមេរ៉ា និងពន្លឺនៅលើទីតាំងផ្ទាល់: សាកល្បងដំឡើងកាមេរ៉ា Webcam (ឧទាហរណ៍៖ Logitech C270) នៅមុំសមស្របមួយដែលអាចមើលឃើញសាច់មាន់ច្បាស់ និងត្រូវរៀបចំប្រព័ន្ធពន្លឺឱ្យបានល្អិតល្អន់ដើម្បីកុំឱ្យមានស្រមោលរំខានដល់ការចាត់ថ្នាក់រូបភាព។
  3. ការប្រមូលទិន្នន័យ និងកំណត់លំនាំ (Calibration): ថតវីដេអូ ឬរូបភាពសាច់មាន់ពីខ្សែសង្វាក់ផលិតកម្មជាក់ស្តែង រួចធ្វើការសម្គាល់ (Annotate) ស្នាមឆ្កូតតូច-ធំទាំងសងខាងនៃសាច់មាន់ ដើម្បីបង្រៀនប្រព័ន្ធឱ្យស្គាល់ទម្រង់នៃបញ្ហានីមួយៗឱ្យបានច្បាស់។
  4. អភិវឌ្ឍកម្មវិធីរាប់ និងចាត់ថ្នាក់គុណភាព: រៀបចំប្រព័ន្ធកូដក្នុង Vision Builder AI ដើម្បីរាប់ចំនួនស្នាមឆ្កូត និងកំណត់លក្ខខណ្ឌចាត់ថ្នាក់គុណភាព (Grade A, B, C) ដោយស្វ័យប្រវត្តិ ដោយផ្អែកលើចំនួនស្នាមឆ្កូតដែលម៉ាស៊ីនរកឃើញនៅលើស្បែក។
  5. ផ្ទៀងផ្ទាត់ និងធ្វើឱ្យប្រព័ន្ធប្រសើរឡើង: ប្រៀបធៀបលទ្ធផលរបស់ម៉ាស៊ីន ជាមួយនឹងការវាយតម្លៃដោយភ្នែកមនុស្សផ្ទាល់តាមរយៈការវិភាគស្ថិតិ z-test ព្រមទាំងបន្ថែមបច្ចេកវិទ្យា Deep Learning ប្រសិនបើចង់បង្កើនភាពបត់បែននៅពេលប្រព័ន្ធត្រូវផ្លាស់ទីកន្លែង។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Image processing (ការដំណើរការរូបភាព) គឺជាការប្រើប្រាស់ប្រព័ន្ធកុំព្យូទ័រដើម្បីវិភាគ និងកែច្នៃរូបភាពឌីជីថល (ដូចជាការបំប្លែងពណ៌ កែពន្លឺ ឬការកាត់ផ្ទៃខាងក្រោយ) ដើម្បីទាញយកព័ត៌មានជាក់លាក់ណាមួយពីរូបភាពនោះសម្រាប់ឱ្យម៉ាស៊ីនងាយស្រួលយល់។ ដូចជាការដែលយើងពាក់វ៉ែនតាពណ៌ ឬប្រើតម្រង (Filter) ដើម្បីមើលឃើញស្នាមប្រឡាក់នៅលើអាវឱ្យបានកាន់តែច្បាស់។
Machine learning (ការរៀនរបស់ម៉ាស៊ីន) គឺជាផ្នែកមួយនៃបញ្ញាសិប្បនិមិត្ត (AI) ដែលអនុញ្ញាតឱ្យកុំព្យូទ័ររៀនសូត្រពីទិន្នន័យចាស់ៗ និងស្វែងរកលំនាំដោយខ្លួនឯង ដើម្បីធ្វើការសម្រេចចិត្តដោយមិនចាំបាច់មានមនុស្សសរសេរកូដបញ្ជាគ្រប់ជំហាន។ ដូចជាការបង្រៀនក្មេងឱ្យស្គាល់សត្វឆ្កែដោយបង្ហាញរូបភាពសត្វឆ្កែជាច្រើនដង រហូតដល់ក្មេងនោះអាចចំណាំសត្វឆ្កែបានដោយខ្លួនឯង។
LabVIEW (កម្មវិធី LabVIEW) គឺជាកម្មវិធីកុំព្យូទ័រមួយប្រភេទដែលប្រើប្រាស់សម្រាប់ការសរសេរកូដជាទម្រង់ក្រាហ្វិក (Visual Programming) ដែលជួយសម្រួលដល់វិស្វករក្នុងការបង្កើតប្រព័ន្ធទាញយកទិន្នន័យ ដំណើរការរូបភាព និងស្វ័យប្រវត្តិកម្ម។ ដូចជាការផ្គុំរូបដុំឡេហ្គោ (Lego) ជាប្លុកៗដើម្បីភ្ជាប់ទៅជាម៉ាស៊ីនមួយ ដោយមិនចាំបាច់សរសេរអត្ថបទកូដរាប់ពាន់បន្ទាត់។
Grayscale format (ទម្រង់ពណ៌ប្រផេះ) គឺជាការបំប្លែងរូបភាពដែលដកពណ៌ធម្មជាតិ (ក្រហម បៃតង ខៀវ) ចេញ ដោយបន្សល់ទុកតែពណ៌ស ខ្មៅ និងកម្រិតពណ៌ប្រផេះប៉ុណ្ណោះ ដែលវាជួយកាត់បន្ថយទំហំទិន្នន័យ និងធ្វើឱ្យម៉ាស៊ីនងាយស្រួលចាប់យកទម្រង់វត្ថុ។ ដូចជាការមើលរូបថតសខ្មៅសម័យមុន ដែលយើងផ្តោតសំខាន់លើពន្លឺនិងស្រមោល ជាជាងទម្រង់ពណ៌ចម្រុះ។
Pattern matching (ការផ្គូផ្គងលំនាំ) គឺជាបច្ចេកទេសក្នុងកុំព្យូទ័រដែលប្រើដើម្បីស្វែងរកផ្នែកណាមួយនៃរូបភាពថ្មី ដែលមានទម្រង់ ឬលក្ខណៈដូចគ្នាទៅនឹងរូបភាពគំរូដែលម៉ាស៊ីនបានរៀន និងកត់ត្រាទុកពីមុន (ឧទាហរណ៍៖ ទម្រង់នៃស្នាមឆ្កូត)។ ដូចជាការដែលប៉ូលិសយកក្រយៅដៃនៅលើកែវទឹក ទៅផ្ទៀងផ្ទាត់ជាមួយនឹងបញ្ជីក្រយៅដៃឧក្រិដ្ឋជនដើម្បីរកមើលភាពដូចគ្នា។
z-test (ការវិភាគស្ថិតិ z-test) គឺជាវិធីសាស្ត្រស្ថិតិមួយប្រភេទដែលប្រើសម្រាប់ប្រៀបធៀបតម្លៃមធ្យមនៃក្រុមទិន្នន័យពីរ (ដែលមានទំហំសំណាកធំជាង ៣០) ដើម្បីចង់ដឹងថាតើលទ្ធផលនៃក្រុមទាំងពីរមានភាពខុសគ្នាយ៉ាងពិតប្រាកដ ឬគ្រាន់តែជារឿងចៃដន្យ។ ដូចជាការប្រៀបធៀបពិន្ទុប្រឡងមធ្យមរបស់សិស្សពីរថ្នាក់ ដើម្បីដឹងថាថ្នាក់មួយរៀនពូកែជាងថ្នាក់មួយទៀតមែន ឬក៏គ្រាន់តែចៃដន្យ។
Evisceration (ការយកសរីរាង្គខាងក្នុងចេញ) នៅក្នុងបរិបទរោងចក្រពិឃាតសត្វ វាគឺជាដំណើរការនៃការវះកាត់យកសរីរាង្គខាងក្នុង (ដូចជា ពោះវៀន ថ្លើម ជាដើម) ចេញពីរាងកាយសត្វ ដែលជាទូទៅទាមទារការប្រុងប្រយ័ត្នខ្ពស់ដើម្បីកុំឱ្យបែកធ្លាយមេរោគ។ ដូចជាការវះយកពោះវៀន និងស្រកីត្រីចេញឱ្យស្អាត មុននឹងយកត្រីនោះទៅចម្អិន ឬក្លាស្សេទុកក្នុងទូរទឹកកក។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖