បញ្ហា (The Problem)៖ ការរកឃើញជំងឺរុក្ខជាតិទាន់ពេលវេលាមានសារៈសំខាន់សម្រាប់សន្តិសុខស្បៀងនិងស្ថិរភាពសេដ្ឋកិច្ច ប៉ុន្តែការពិនិត្យដំណាំដោយផ្ទាល់ត្រូវចំណាយពេលយូរ ងាយនឹងមានកំហុស និងប្រើប្រាស់កម្លាំងពលកម្មច្រើន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវដំណើរការចាត់ថ្នាក់ចំនួន៤ជំហានដែលជំរុញដោយ AI រួមមាន ការរៀបចំរូបភាពជាមុន ការបំបែកចំណែករូបភាព ការទាញយកលក្ខណៈសម្បត្តិ និងការចាត់ថ្នាក់ដែលត្រូវបានធ្វើឱ្យប្រសើរឡើង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Proposed Approach (Genetic Algorithm + SIFT + Harris) វិធីសាស្ត្រដែលបានស្នើឡើង (ក្បួនដោះស្រាយហ្ស៊េនេទិក + SIFT + ការរកឃើញជ្រុង Harris) |
មានភាពត្រឹមត្រូវខ្ពស់ និងមានសមត្ថភាពក្នុងការរកឃើញលក្ខណៈសម្បត្តិរូបភាពបានល្អ ទោះបីជាមានការផ្លាស់ប្តូរទំហំ ឬការបង្វិលក៏ដោយ។ | ការរួមបញ្ចូលគ្នានូវបច្ចេកទេសជាច្រើន (SIFT, Harris, Genetic Algorithm) អាចទាមទារថាមពលគណនា (Computing power) និងពេលវេលាដំណើរការច្រើន។ | ទទួលបានភាពត្រឹមត្រូវនៃការចាត់ថ្នាក់រហូតដល់ ៩២,០%។ |
| S. Malek [57] វិធីសាស្ត្ររបស់ S. Malek [57] |
ផ្តល់លទ្ធផលល្អប្រសើរជាងការប្រើប្រាស់បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) ធម្មតា។ | នៅមានកម្រិតក្នុងការទាញយកលក្ខណៈសម្បត្តិរូបភាពលម្អិត បើប្រៀបធៀបទៅនឹងវិធីសាស្ត្រកូនកាត់ដែលបានស្នើឡើងថ្មី។ | ទទួលបានភាពត្រឹមត្រូវនៃការចាត់ថ្នាក់ចំនួន ៨៦%។ |
| Mohsin..J [42] វិធីសាស្ត្ររបស់ Mohsin..J [42] |
ជាវិធីសាស្ត្រដែលមានស្ថិរភាពក្នុងការរកឃើញជំងឺស្លឹករុក្ខជាតិកម្រិតមូលដ្ឋាន។ | ភាពត្រឹមត្រូវទាបជាងម៉ូដែលថ្មីៗ ដែលធ្វើឱ្យការសម្រេចចិត្តក្នុងកសិកម្មច្បាស់លាស់អាចមានកំហុស។ | ទទួលបានភាពត្រឹមត្រូវនៃការចាត់ថ្នាក់ចំនួន ៨៥%។ |
| M.Rajiv [8] វិធីសាស្ត្ររបស់ M.Rajiv [8] (បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត) |
ជាវិធីសាស្ត្រប្រពៃណីដែលងាយស្រួលក្នុងការយល់និងអនុវត្ត។ | មិនអាចប្រកួតប្រជែងជាមួយបច្ចេកទេសរៀនស៊ីជម្រៅនិងម៉ូដែលកូនកាត់ទំនើបៗបានទេ ដោយសារតែអត្រាភាពត្រឹមត្រូវនៅទាប។ | ទទួលបានភាពត្រឹមត្រូវនៃការចាត់ថ្នាក់ត្រឹមតែ ៨២% ប៉ុណ្ណោះ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ទោះបីជាឯកសារមិនបានបញ្ជាក់លម្អិតអំពីតម្រូវការផ្នែករឹង (Hardware) ក៏ដោយ ប៉ុន្តែការដំណើរការក្បួនដោះស្រាយហ្ស៊េនេទិក និងការទាញយករូបភាពទាមទារធនធានគណនាបង្គួរ។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យ Plant Leaf Disease Dataset ដែលមានត្រឹមតែ៣ចំណាត់ថ្នាក់ (Healthy, Powdery, Rust) ដែលប្រហែលជាមិនបានតំណាងឱ្យភាពចម្រុះនៃជំងឺរុក្ខជាតិទាំងស្រុងនោះទេ។ សម្រាប់កម្ពុជា ការខ្វះទិន្នន័យតំណាងលើដំណាំយុទ្ធសាស្ត្រដូចជា ស្រូវ ដំឡូងមី ស្វាយចន្ទី ឬកៅស៊ូ និងបញ្ហាទាក់ទងនឹងបរិស្ថានថតរូបភាពខុសៗគ្នា (ពន្លឺ សីតុណ្ហភាព) អាចធ្វើឱ្យម៉ូដែលនេះពិបាកឆ្លើយតបនឹងស្ថានភាពជាក់ស្តែងនៅក្នុងស្រែចម្ការ។
វិធីសាស្ត្រនិងក្របខ័ណ្ឌនេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកកែច្នៃ និងអនុវត្តក្នុងវិស័យកសិកម្មច្បាស់លាស់នៅប្រទេសកម្ពុជា។
ជារួម បច្ចេកវិទ្យានេះនឹងក្លាយជាឧបករណ៍ដ៏មានឥទ្ធិពលបំផុត ប្រសិនបើវាត្រូវបានបង្ហាត់ (Fine-tune) ជាមួយនឹងរូបភាពជំងឺរុក្ខជាតិក្នុងស្រុករបស់កម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Zero-Shot Learning | បច្ចេកទេសរៀនរបស់ម៉ាស៊ីនដែលអនុញ្ញាតឱ្យម៉ូដែលសម្គាល់វត្ថុ ឬចំណាត់ថ្នាក់ថ្មីៗដែលវាមិនធ្លាប់បានឃើញ ឬហ្វឹកហាត់ពីមុនមក ដោយប្រើប្រាស់ចំណេះដឹងពីមុននិងលក្ខណៈសម្បត្តិទូទៅ។ | ដូចជាក្មេងម្នាក់ដែលធ្លាប់ស្គាល់សេះ ហើយពេលឃើញសេះបង្កង់ជាលើកដំបូង គេអាចទាយដឹងថាវាជាសត្វអ្វីដោយសារវាមានរូបរាងដូចសេះតែមានឆ្នូត។ |
| Gradient Descent | ក្បួនដោះស្រាយគណិតវិទ្យាសម្រាប់ស្វែងរកតម្លៃអប្បបរមានៃអនុគមន៍កំហុស (Error function) ដោយកែតម្រូវប៉ារ៉ាម៉ែត្រនៃម៉ូដែលបន្តិចម្តងៗ ដើម្បីឱ្យការទស្សន៍ទាយកាន់តែមានភាពត្រឹមត្រូវខ្ពស់។ | ដូចជាមនុស្សខ្វាក់ដើរចុះពីលើភ្នំ ដោយស្ទាបដីរកមើលចំណុចដែលទេរចុះក្រោម ដើម្បីឈានជើងដើររហូតដល់ជើងភ្នំដែលទាបបំផុត។ |
| Genetic Algorithm | ក្បួនដោះស្រាយសម្រាប់ស្វែងរកចម្លើយល្អបំផុតដោយផ្អែកលើទ្រឹស្ដីនៃការវិវឌ្ឍតាមបែបធម្មជាតិ (រួមមានការជ្រើសរើស ការបង្កាត់ពូជ និងការបំប្លែងហ្សែន) ដើម្បីដោះស្រាយបញ្ហាស្មុគស្មាញក្នុងការចាត់ថ្នាក់ទិន្នន័យ។ | ដូចជាការជ្រើសរើសពូជស្រូវល្អៗមកបង្កាត់បញ្ចូលគ្នាពីមួយជំនាន់ទៅមួយជំនាន់ ដើម្បីទទួលបានពូជស្រូវដែលធន់នឹងជំងឺនិងផ្តល់ទិន្នផលខ្ពស់បំផុត។ |
| Histogram Equalization | វិធីសាស្ត្រកែតម្រូវកម្រិតពន្លឺនៃរូបភាព (Contrast) ដោយចែកចាយកម្រិតពន្លឺឱ្យបានស្មើៗគ្នា ដើម្បីបញ្ជាក់ព័ត៌មានលម្អិតនៅក្នុងរូបភាពងងឹតពេក ឬភ្លឺពេកឱ្យឃើញច្បាស់។ | ដូចជាការបើកភ្លើងឱ្យភ្លឺសព្វកន្លែងនៅក្នុងបន្ទប់ងងឹត ដើម្បីឱ្យយើងអាចមើលឃើញវត្ថុទាំងអស់នៅក្នុងបន្ទប់នោះបានច្បាស់។ |
| Otsu's Thresholding | បច្ចេកទេសកាត់បំបែករូបភាពជាពីរផ្នែក (វត្ថុ និងផ្ទៃខាងក្រោយ) ដោយស្វែងរកកម្រិតពន្លឺ (Threshold) សមស្របបំផុតដោយស្វ័យប្រវត្តិ ដើម្បីកាត់បន្ថយភាពខុសគ្នានៃចំណុចភីកសែលក្នុងក្រុមនីមួយៗ។ | ដូចជាការរែងខ្សាច់និងគ្រួសចេញពីគ្នា ដោយជ្រើសរើសទំហំកញ្ច្រែងដែលស័ក្តិសមបំផុតដើម្បីបំបែករបស់ទាំងពីរប្រភេទនេះបានស្អាតល្អ។ |
| SIFT (Scale-Invariant Feature Transform) | ក្បួនដោះស្រាយចក្ខុកុំព្យូទ័រសម្រាប់ទាញយកនិងពណ៌នាពីចំណុចពិសេសៗ (Features) នៃរូបភាព ដែលចំណុចទាំងនោះមិនប្រែប្រួលទោះបីជារូបភាពត្រូវបានបង្រួម ពង្រីក ងាក ឬបង្វិលក៏ដោយ។ | ដូចជាការចំណាំប្រជ្រុយឬស្លាកស្នាមពិសេសនៅលើមុខមនុស្សម្នាក់ ដែលទោះបីជាគាត់ថតរូបពីចម្ងាយ ជិត ឬងាកមុខ ក៏យើងនៅតែអាចចំណាំគាត់បាន។ |
| Harris Corner Detection | វិធីសាស្ត្រគណិតវិទ្យាសម្រាប់រកមើលជ្រុងនៃវត្ថុនៅក្នុងរូបភាព ដោយវាស់ស្ទង់ការផ្លាស់ប្តូរនៃកម្រិតពន្លឺភីកសែលក្នុងទិសដៅច្រើនផ្សេងៗគ្នាក្នុងពេលតែមួយ។ | ដូចជាការប្រើម្រាមដៃស្ទាបតាមគែមតុ ដើម្បីរកមើលទីតាំងជ្រុងស្រួចនៃតុនោះ។ |
| Wavelet Transform | បច្ចេកទេសបំបែកទិន្នន័យរូបភាពទៅជាប្រេកង់ផ្សេងៗគ្នា ដើម្បីវិភាគទាំងព័ត៌មានលម្អិត (High-frequency) និងរចនាសម្ព័ន្ធរួម (Low-frequency) ក្នុងពេលតែមួយ។ | ដូចជាការស្តាប់បទចម្រៀងមួយបទ ហើយអ្នកអាចញែកស្តាប់ដឹងពីសំឡេងអ្នកច្រៀង (រចនាសម្ព័ន្ធរួម) និងសំឡេងឧបករណ៍តន្ត្រីនីមួយៗ (ព័ត៌មានលម្អិត) ក្នុងពេលតែមួយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
