បញ្ហា (The Problem)៖ ការត្រួតពិនិត្យភាពផ្អែម ឬបរិមាណសារធាតុរឹងរលាយសរុប (TSS) របស់ផ្លែឪឡឹកជាទូទៅទាមទារឱ្យមានការវះកាត់ផ្លែ ដែលបង្កការលំបាក និងចំណាយពេលច្រើនសម្រាប់ការត្រួតពិនិត្យគុណភាពក្នុងកម្រិតឧស្សាហកម្មកសិកម្ម។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានអភិវឌ្ឍវិធីសាស្ត្រវាយតម្លៃគុណភាពខាងក្នុងផ្លែឪឡឹកដោយមិនបំផ្លាញផ្លែ ដោយប្រើប្រាស់បច្ចេកទេសរូបភាពវិសាលគមអ៊ីនហ្វ្រារ៉េដជិត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Destructive Testing (Digital Refractometer) ការធ្វើតេស្តដោយបំផ្លាញគំរូ (ឧបករណ៍វាស់ចំណាំងផ្លាតឌីជីថល) |
មានភាពសុក្រឹតខ្ពស់ ងាយស្រួលប្រើប្រាស់ និងជាស្តង់ដារគោលសម្រាប់វាស់កម្រិតភាពផ្អែម (°Bx)។ | ទាមទារឱ្យពុះផ្លែ និងកិនយកទឹក ដែលធ្វើឱ្យខូចខាតកសិផល ចំណាយពេលយូរ និងមិនអាចប្រើសម្រាប់តេស្តផ្លែគ្រប់ៗគ្នានៅលើខ្សែសង្វាក់ផលិតកម្ម។ | ប្រើជាទិន្នន័យគោល (Reference data) ដែលមានចន្លោះរង្វាស់ពី 0.0 ដល់ 53.0% |
| NIR-HSI with PLSR (Smt+2D+SNV Pretreatment) ការប្រើប្រាស់រូបភាព NIR-HSI ជាមួយម៉ូដែល PLSR (កែសម្រួលទិន្នន័យដោយធ្វើឱ្យរលោង និងដេរីវេទី២) |
មិនបំផ្លាញផ្លែឪឡឹក ដំណើរការលឿន និងអាចបង្ហាញជាផែនទីពីការចែកចាយកម្រិតភាពផ្អែម (TSS Mapping) លើផ្ទៃផ្លែបាន។ | ត្រូវការឧបករណ៍ស្កេនដែលមានតម្លៃថ្លៃ និងទាមទារចំណេះដឹងកម្រិតខ្ពស់ផ្នែកវិភាគទិន្នន័យដើម្បីបង្កើតម៉ូដែល PLSR។ | ទទួលបានមេគុណទំនាក់ទំនង (r) 0.977 កំហុស (RMSEP) 0.231 °Bx និងតម្លៃលម្អៀង (bias) 0.047។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារការវិនិយោគទុនខ្ពស់លើឧបករណ៍ស្កេនរូបភាពវិសាលគម និងកម្មវិធីកុំព្យូទ័រសម្រាប់ការវិភាគទិន្នន័យគីមីរូប (Chemometrics) ដែលមានភាពស្មុគស្មាញ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសថៃ ដោយផ្តោតលើផ្លែឪឡឹកពូជ Sonya ចំនួន ១០០ ផ្លែដែលប្រមូលផលពីខេត្តសុផាន់បុរី។ ទិន្នន័យនេះអាចមានភាពលម្អៀងទៅលើលក្ខខណ្ឌអាកាសធាតុ និងដីនៅប្រទេសថៃ ដែលអាចធ្វើឱ្យម៉ូដែលមិនទាន់អាចអនុវត្តបានភ្លាមៗ ១០០% សម្រាប់ឪឡឹកដែលដាំដុះនៅកម្ពុជាឡើយ។ សម្រាប់កម្ពុជា វាចាំបាច់ណាស់ក្នុងការប្រមូលទិន្នន័យឪឡឹកក្នុងស្រុកដើម្បីកែសម្រួល (Calibrate) ម៉ូដែលនេះឡើងវិញ។
បច្ចេកទេសនេះមានសក្តានុពល និងអត្ថប្រយោជន៍យ៉ាងខ្លាំងសម្រាប់វិស័យកសិកម្មនៅកម្ពុជា ជាពិសេសសម្រាប់ការចាត់ថ្នាក់គុណភាពកសិផលសម្រាប់ប្រកួតប្រជែងលើទីផ្សារ។
ទោះបីជាការតម្លើងប្រព័ន្ធនេះតម្រូវឱ្យមានដើមទុនខ្ពស់ដំបូងក៏ដោយ តែវានឹងជួយជំរុញស្តង់ដារគុណភាពកសិផលកម្ពុជាឱ្យមានភាពប្រកួតប្រជែងខ្ពស់ស្របតាមទីផ្សារអន្តរជាតិ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Near-infrared hyperspectral imaging (NIR-HSI) (បច្ចេកទេសរូបភាពវិសាលគមអ៊ីនហ្វ្រារ៉េដជិត) | ជាបច្ចេកទេសរួមបញ្ចូលគ្នារវាងការថតរូប និងការវិភាគវិសាលគមពន្លឺ (ពន្លឺដែលភ្នែកមនុស្សមើលមិនឃើញ) ដើម្បីពិនិត្យមើលសមាសធាតុគីមី និងរចនាសម្ព័ន្ធខាងក្នុងនៃវត្ថុមួយដោយមិនចាំបាច់កាត់ ឬបំផ្លាញវា។ នៅក្នុងការសិក្សានេះ វាត្រូវបានប្រើដើម្បីថតមើលកម្រិតជាតិស្ករក្នុងផ្លែឪឡឹក។ | ដូចជាការប្រើម៉ាស៊ីនអ៊ិចរ៉េ (X-ray) ដែលអាចមើលធ្លុះដល់ខាងក្នុងផ្លែឈើ ដើម្បីដឹងថាវាផ្អែមឬអត់ដោយមិនបាច់ពុះវា។ |
| Total Soluble Solid (TSS) (បរិមាណសារធាតុរឹងរលាយសរុប) | ជារង្វាស់នៃបរិមាណសារធាតុរឹង (ភាគច្រើនជាជាតិស្ករ ដូចជាហ្វ្រុកតូស និងគ្លុយកូស) ដែលរលាយនៅក្នុងទឹកនៃវត្ថុរាវណាមួយ។ សម្រាប់ផ្លែឈើ តម្លៃនេះ (គិតជាឯកតា °Bx ឬ Brix) ត្រូវបានប្រើប្រាស់ជាសូចនាករសម្រាប់កំណត់កម្រិតភាពផ្អែមរបស់វា។ | ដូចជាការវាស់មើលថាតើមានស្ករប៉ុន្មានស្លាបព្រាដែលបានរលាយចូលទៅក្នុងទឹកមួយកែវ។ |
| Partial least squares regression (PLSR) (តំរែតំរង់បំណែកការ៉េអប្បបរមា) | ជាបច្ចេកទេសស្ថិតិ និងម៉ាស៊ីនរៀន (Machine Learning) សម្រាប់បង្កើតម៉ូដែលគណិតវិទ្យាដែលភ្ជាប់ទំនាក់ទំនងរវាងអថេរពីរក្រុម (ឧទាហរណ៍៖ ទិន្នន័យនៃការស្រូបពន្លឺរបស់សំបក និងកម្រិតភាពផ្អែមខាងក្នុង) ដើម្បីទស្សន៍ទាយលទ្ធផលនៃទិន្នន័យថ្មីដែលមិនទាន់ដឹង។ | ដូចជាអ្នកជំនាញម្នាក់ដែលរៀនចំណាំទម្រង់ពន្លឺដែលជះចេញពីសំបកឪឡឹក ដើម្បីអាចទាយដឹងថាឪឡឹកនោះផ្អែមកម្រិតណាដោយស្វ័យប្រវត្តិ។ |
| Hypercube (ទិន្នន័យគូបបីវិមាត្រ) | ជាទម្រង់ទិន្នន័យបីវិមាត្រ (3D) ដែលទទួលបានពីការស្កេនដោយម៉ាស៊ីន Hyperspectral ដោយអ័ក្សពីរ (x, y) បង្ហាញពីទីតាំងភូមិសាស្ត្រនៃរូបភាព និងអ័ក្សទីបី (z) បង្ហាញពីតម្លៃវិសាលគមពន្លឺនៅគ្រប់ចំណុចភីកសែលនីមួយៗ។ ទិន្នន័យនេះជួយឱ្យគេអាចបង្កើតផែនទីបង្ហាញភាពផ្អែមលើផ្ទៃផ្លែឈើបាន។ | ដូចជាសៀវភៅមួយក្បាលដែលទំព័រនីមួយៗជារូបថតនៃផ្លែឪឡឹកតែមួយ ប៉ុន្តែថតក្នុងរលកពន្លឺពណ៌ខុសៗគ្នាជាច្រើនសន្លឹក។ |
| Savitzky-Golay smoothing (ការធ្វើឱ្យរលោងដោយវិធីសាស្រ្ត Savitzky-Golay) | ជាក្បួនអាល់កូរីតគណិតវិទ្យាដែលប្រើសម្រាប់កែសម្រួលទិន្នន័យរលកសញ្ញា (Signal data) ឱ្យរលោង ដើម្បីកាត់បន្ថយរំខានសញ្ញា (Noise) ផ្សេងៗដោយមិនធ្វើឱ្យបាត់បង់ទម្រង់កំពូល (Peaks) សំខាន់ៗនៃទិន្នន័យដើមឡើយ។ | ដូចជាការប្រើដែកអ៊ុតដើម្បីអ៊ុតខោអាវដែលជ្រួញឱ្យត្រង់ស្អាត ងាយស្រួលមើលម៉ូដ ដោយមិនធ្វើឱ្យខូចសាច់ក្រណាត់។ |
| Standard normal variate (SNV) (អថេរធម្មតាស្តង់ដារ) | ជាបច្ចេកទេសកែសម្រួលទិន្នន័យវិសាលគម (Pretreatment) មុនពេលធ្វើការវិភាគ ដើម្បីកាត់បន្ថយឥទ្ធិពលនៃការខ្ចាត់ខ្ចាយពន្លឺ (Light scattering) ដែលបណ្តាលមកពីរូបរាង កម្រាស់ ឬទំហំគ្រាប់ភាគល្អិតមិនស្មើគ្នានៃគំរូ។ | ដូចជាការកែតម្រូវពន្លឺរូបថត (Brightness/Contrast) ដែលថតនៅកន្លែងងងឹតពេក ឬភ្លឺពេក ឱ្យមកកម្រិតច្បាស់ស្តង់ដារដូចគ្នាមុននឹងយកទៅលាងផ្តិត។ |
| Root mean square error of prediction (RMSEP) (ឫសការ៉េនៃកំហុសមធ្យមក្នុងការទស្សន៍ទាយ) | ជារង្វាស់ស្ថិតិដែលបង្ហាញពីភាពខុសគ្នារវាងតម្លៃដែលម៉ូដែលបានទស្សន៍ទាយ និងតម្លៃពិតប្រាកដដែលបានវាស់វែងដោយដៃ។ តម្លៃ RMSEP កាន់តែតូច បញ្ជាក់ថាម៉ូដែលនោះអាចទស្សន៍ទាយបានកាន់តែសុក្រឹត និងត្រឹមត្រូវ។ | ដូចជាការប្រឡងបាញ់ធ្នូ ប្រសិនបើព្រួញភាគច្រើនរបស់អ្នកបាញ់ចំជិតចំណុចកណ្តាលបំផុត នោះមានន័យថាកំហុស (RMSEP) របស់អ្នកគឺតូចបំផុត។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
