បញ្ហា (The Problem)៖ វិធីសាស្ត្របច្ចុប្បន្នក្នុងការចាត់ថ្នាក់កម្រាស់សាច់ដូងសិតគឺពឹងផ្អែកលើការសង្កេតដោយផ្ទាល់ភ្នែករបស់មនុស្ស ដែលទាមទារបទពិសោធន៍ខ្ពស់ និងមិនមានស្តង់ដារច្បាស់លាស់។ អាស្រ័យហេតុនេះ ការសិក្សានេះមានគោលបំណងស្វែងរកបច្ចេកទេសវាយតម្លៃកម្រាស់សាច់ដូងដែលមិនបំផ្លាញវត្ថុសំណាក និងមានភាពរហ័ស ដើម្បីជួយដល់សហគ្រាសក្នុងការគ្រប់គ្រងគុណភាពផ្លែដូង។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតម៉ូដែលព្យាករណ៍ដោយប្រៀបធៀបលក្ខណៈអុបទិក (Optical properties) តាមរយៈការវាស់ស្ទង់ផ្នែកខាងក្រោមនៃសំណាកដូងសិតចំនួន ២១០ ផ្លែ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Color Values (L*, a*, b*, and gloss) via Multiple Linear Regression ការប្រើប្រាស់តម្លៃពណ៌ (L*, a*, b* និងភាពរលោង) តាមរយៈតម្រែតម្រង់លីនេអ៊ែរពហុគុណ (Multiple Linear Regression) |
មានភាពសាមញ្ញក្នុងការទាញយកទិន្នន័យ និងផ្តល់ភាពត្រឹមត្រូវខ្ពស់ជាងគេក្នុងការទស្សន៍ទាយកម្រាស់សាច់ដូង។ វាមានសក្តានុពលខ្ពស់ក្នុងការអភិវឌ្ឍទៅជាកម្មវិធីទូរស័ព្ទដៃ (Smartphone App)។ | ទាមទារឧបករណ៍ដែលត្រូវបានក្រិតពណ៌បានត្រឹមត្រូវ (Calibrated) ហើយលទ្ធផលអាចរងឥទ្ធិពលប្រសិនបើពណ៌សំបកដូងប្រែប្រួលតាមពេលវេលា។ | ទទួលបានភាពត្រឹមត្រូវក្នុងការចាត់ថ្នាក់ ៨០,៨% និងមេគុណទំនាក់ទំនង (r) = ០,៨២។ |
| Reflectance Spectra via Partial Least Squares Regression (PLSR) ការប្រើប្រាស់វិសាលគមចំណាំងផ្លាត (Reflectance Spectra) តាមរយៈវិធីសាស្ត្រ PLSR |
ចាប់យកទិន្នន័យអុបទិកបានលម្អិតពេញលេញនៅក្នុងរលកពន្លឺ (៤០០-៧០០ ណាណូម៉ែត្រ) ដែលអាចឆ្លុះបញ្ចាំងពីលក្ខណៈគីមី និងរូបវន្តផ្សេងៗរបស់ផ្លែឈើ។ | ទាមទារការរៀបចំទិន្នន័យស្មុគស្មាញ (Preprocessing) ដូចជាការកាត់បន្ថយឥទ្ធិពលនៃការខ្ចាត់ខ្ចាយពន្លឺពន្លឺ (Light scattering) ហើយភាពត្រឹមត្រូវទាបជាងតម្លៃពណ៌បន្តិច។ | ទទួលបានមេគុណទំនាក់ទំនង (r) = ០,៨០ សម្រាប់ការទស្សន៍ទាយកម្រាស់សាច់។ |
| Skilled Human Labor Sorting (Baseline) ការចាត់ថ្នាក់ដោយកម្លាំងពលកម្មជំនាញវាយតម្លៃផ្ទាល់ភ្នែក |
មិនត្រូវការចំណាយលើឧបករណ៍បច្ចេកវិទ្យា និងមានភាពរហ័សផ្អែកលើបទពិសោធន៍របស់អ្នកសង្កេត។ | ពឹងផ្អែកខ្លាំងលើអារម្មណ៍ ទម្លាប់ និងកាយសម្បទារបស់មនុស្ស (ភាពនឿយហត់) ដែលធ្វើឱ្យខ្វះស្តង់ដារ និងងាយមានកំហុស។ | សម្រេចបានភាពត្រឹមត្រូវក្នុងការចាត់ថ្នាក់ត្រឹមតែ ៧៤% ប៉ុណ្ណោះ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តវិធីសាស្ត្រនេះទាមទារការវិនិយោគលើឧបករណ៍វាស់ពណ៌ និងកម្មវិធីវិភាគទិន្នន័យ ប៉ុន្តែមានតម្លៃធូរថ្លៃ និងងាយស្រួលជាងការប្រើប្រាស់ឧបករណ៍មន្ទីរពិសោធន៍ធំៗ (ដូចជា NIR Spectroscopy)។
ការសិក្សានេះប្រមូលទិន្នន័យពីផ្លែដូងចំនួន ២១០ ផ្លែ នៅខេត្ត Prachuap Khiri Khan ប្រទេសថៃ។ លក្ខខណ្ឌដី អាកាសធាតុ និងពូជដូងនៅកម្ពុជា (ដូចជាដូងទឹកអប់) អាចមានលក្ខណៈខុសប្លែកពីនេះ។ ដូច្នេះ ម៉ូដែលនេះចាំបាច់ត្រូវតែធ្វើការក្រិត (Calibration) ឡើងវិញដោយប្រើប្រាស់ទិន្នន័យផ្លែដូងក្នុងស្រុកមុននឹងយកមកប្រើប្រាស់ផ្ទាល់។
វិធីសាស្ត្រនេះមានប្រយោជន៍ខ្លាំងណាស់សម្រាប់កម្ពុជា ពិសេសក្នុងបរិបទដែលកម្ពុជាកំពុងជំរុញការនាំចេញកសិផលប្រកបដោយគុណភាព។
សរុបមក នេះគឺជាបច្ចេកវិទ្យាត្រួតពិនិត្យគុណភាពដោយមិនបំផ្លាញវត្ថុសំណាក (Non-destructive) ដ៏មានសក្តានុពល ដែលអាចជួយលើកកម្ពស់ស្តង់ដារខ្សែសង្វាក់ផ្គត់ផ្គង់ផ្លែដូងនៅកម្ពុជាឱ្យស្របតាមស្តង់ដារអន្តរជាតិ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| spectrophotometer (ឧបករណ៍វាស់ពន្លឺ និងពណ៌) | ជាឧបករណ៍សម្រាប់វាស់បរិមាណពន្លឺដែលត្រូវបានស្រូបទាញ ឬជះត្រឡប់មកវិញដោយវត្ថុណាមួយ ដើម្បីកំណត់ពីលក្ខណៈពណ៌ និងសមាសភាពរូបវន្តរបស់វាដោយភាពសុក្រឹត។ ក្នុងឯកសារនេះ គេប្រើវាស់ពណ៌សំបកដូងដើម្បីទាយកម្រាស់សាច់ដូង។ | ដូចជាភ្នែកវេទមន្តដែលអាចមើលធ្លុះដល់លេខកូដពណ៌លម្អិតនៃវត្ថុមួយយ៉ាងច្បាស់លាស់ ដោយមិនត្រឹមតែប្រាប់ថាវាមានពណ៌ស ឬខ្មៅនោះទេ។ |
| reflectance spectra (វិសាលគមចំណាំងផ្លាត) | ជាទិន្នន័យក្រាហ្វិកដែលបង្ហាញពីបរិមាណពន្លឺដែលបានជះត្រឡប់ (ចំណាំងផ្លាត) ពីផ្ទៃវត្ថុមួយ នៅតាមប្រវែងរលកពន្លឺផ្សេងៗគ្នា (Wavelengths) ចាប់ពី ៤០០ ដល់ ៧០០ ណាណូម៉ែត្រ។ វាជួយប្រាប់ពីភាពខុសគ្នានៃផ្ទៃខាងក្រៅរបស់សំបកដូង។ | ដូចជាស្នាមម្រាមដៃនៃពន្លឺដែលបញ្ចាំងចេញពីវត្ថុមួយ ដែលប្រាប់ពីអត្តសញ្ញាណ និងលក្ខណៈពិតប្រាកដរបស់វត្ថុនោះ ទោះបីជាភ្នែកមនុស្សមើលឃើញវាមានពណ៌ដូចគ្នាក៏ដោយ។ |
| L*, a*, b* (ប្រព័ន្ធតម្លៃពណ៌ CIELAB) | ជាប្រព័ន្ធខ្នាតរង្វាស់ពណ៌ជាសកលដែលតំណាងឱ្យចក្ខុវិស័យពណ៌របស់មនុស្ស។ L* តំណាងឱ្យពន្លឺ (ភ្លឺ-ងងឹត), a* តំណាងឱ្យពណ៌បៃតងទៅក្រហម, និង b* តំណាងឱ្យពណ៌ខៀវទៅលឿង។ ក្នុងការសិក្សានេះ ពណ៌លឿងស្រាល (b*) មានឥទ្ធិពលខ្លាំងជាងគេក្នុងការប្រាប់ពីកម្រាស់សាច់ដូង។ | ដូចជាប្រព័ន្ធកូដផែនទី 3D (អ័ក្ស X, Y, Z) ដើម្បីកំណត់ទីតាំងច្បាស់លាស់នៃពណ៌មួយនៅក្នុងលំហពណ៌ ដើម្បីកុំឱ្យមានការភាន់ច្រឡំ។ |
| partial least squares regression (PLSR) (តម្រែតម្រង់ការ៉េអប្បបរមាដោយផ្នែក) | ជាវិធីសាស្ត្រស្ថិតិដែលប្រើសម្រាប់បង្កើតសមីការទស្សន៍ទាយ ដោយស្វែងរកទំនាក់ទំនងរវាងអថេរឯករាជ្យច្រើន (ដូចជាតម្លៃពន្លឺរាប់រយចំណុច) និងអថេរអាស្រ័យ (ដូចជាកម្រាស់សាច់ដូង) ទោះបីជាទិន្នន័យមានភាពស្មុគស្មាញ និងទាក់ទងគ្នាច្រើនក៏ដោយ។ | ដូចជាអ្នកស៊ើបអង្កេតដ៏ឆ្លាតវៃម្នាក់ ដែលអាចច្រោះយកតែតម្រុយសំខាន់ៗរាប់រយមុខមករួមបញ្ចូលគ្នា ដើម្បីទាយរកការពិតតែមួយ។ |
| multiple linear regression (តម្រែតម្រង់លីនេអ៊ែរពហុគុណ) | គំរូគណិតវិទ្យាដែលប្រើអថេរដើមច្រើន (ក្នុងទីនេះគឺ L*, a*, b* និងភាពរលោង) មកគណនា និងទស្សន៍ទាយលទ្ធផលមួយ (កម្រាស់សាច់ដូង) ដោយសន្មតថាពួកវាមានទំនាក់ទំនងជាបន្ទាត់ត្រង់។ | ដូចជាការគណនាពិន្ទុប្រឡងសរុបរបស់សិស្សម្នាក់ ដោយយកពិន្ទុមុខវិជ្ជាច្រើនមុខមកគុណនឹងមេគុណរៀងៗខ្លួន រួចបូកបញ្ចូលគ្នា។ |
| Standard normal variate (SNV) (ការកែសម្រួលបំរែបំរួលស្តង់ដារធម្មតា) | ជាបច្ចេកទេសរៀបចំទិន្នន័យមុននឹងវិភាគ (Data Pre-treatment) ដើម្បីកាត់បន្ថយឥទ្ធិពលនៃការខ្ចាត់ខ្ចាយពន្លឺ (Light scattering) ដែលបណ្តាលមកពីផ្ទៃសំបកដូងមិនស្មើគ្នា ធ្វើឱ្យទិន្នន័យវិសាលគមពន្លឺកាន់តែមានភាពសុក្រឹត និងអាចយកទៅប្រៀបធៀបគ្នាបាន។ | ដូចជាការបំពាក់វ៉ែនតាការពារចំណាំងផ្លាត (Polarized glasses) ដើម្បីមើលឃើញវត្ថុនៅក្រោមទឹកបានច្បាស់ ដោយមិនរងការរំខានពីចំណាំងពន្លឺថ្ងៃ។ |
| Root mean square error of prediction (RMSEP) (ឬសការ៉េនៃមធ្យមភាគកំហុសក្នុងការទស្សន៍ទាយ) | ជាតម្លៃរង្វាស់ស្ថិតិដែលប្រាប់ពីកម្រិតកំហុស ឬភាពខុសគ្នារវាងទិន្នន័យកម្រាស់សាច់ដូងដែលម៉ូដែលបានទាយទុក និងទិន្នន័យពិតជាក់ស្តែង។ តម្លៃនេះកាន់តែតូច បង្ហាញថាម៉ូដែលទស្សន៍ទាយបានកាន់តែត្រឹមត្រូវ។ | ដូចជាការវាស់ចម្ងាយរវាងគោលដៅនិងគ្រាប់ព្រួញដែលយើងបាញ់ទៅខុសពីគោលដៅកណ្តាលបន្តិច។ បើចម្ងាយនេះកាន់តែខ្លី មានន័យថាយើងបាញ់កាន់តែច្បាស់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
