Original Title: Design of an Iterative Method for Crop Disease Analysis Incorporating Graph Attention with Spatial-Temporal Learning and Deep Q-Networks
Source: doi.org/10.22266/ijies2024.0630.55
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ការរចនាវិធីសាស្ត្រវិភាគជំងឺដំណាំដោយរួមបញ្ចូលយន្តការ Graph Attention ជាមួយ Spatial-Temporal Learning និង Deep Q-Networks

ចំណងជើងដើម៖ Design of an Iterative Method for Crop Disease Analysis Incorporating Graph Attention with Spatial-Temporal Learning and Deep Q-Networks

អ្នកនិពន្ធ៖ Rupali Ashok Meshram (Prof Ram Meghe Institute of Technology & Research), Abrar S. Alvi (Prof Ram Meghe Institute of Technology & Research)

ឆ្នាំបោះពុម្ព៖ 2024 (International Journal of Intelligent Engineering and Systems)

វិស័យសិក្សា៖ Machine Learning in Agriculture

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ វិធីសាស្ត្រដែលមានស្រាប់ក្នុងការវិភាគជំងឺដំណាំតែងតែបរាជ័យក្នុងការចាប់យកអន្តរកម្មស្មុគស្មាញរវាងលក្ខខណ្ឌដំណាំ កត្តាបរិស្ថាន និងការវិវត្តនៃជំងឺ ដែលនាំឱ្យការធ្វើរោគវិនិច្ឆ័យ និងយុទ្ធសាស្ត្រព្យាបាលមិនសូវមានប្រសិទ្ធភាព។

វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានស្នើឡើងនូវវិធីសាស្ត្រថ្មីដែលរួមបញ្ចូលបច្ចេកវិទ្យាម៉ាស៊ីនរៀន (Machine Learning) កម្រិតខ្ពស់ ដើម្បីវិភាគ និងផ្តល់អនុសាសន៍ការព្យាបាលជំងឺដំណាំឱ្យកាន់តែច្បាស់លាស់។

បណ្ដាញ Convolutional ផ្អែកលើក្រាហ្វលំហនិងពេលវេលា (Spatial-Temporal Graph Convolutional Networks ឬ ST-GCN)
ការជ្រើសរើសលក្ខណៈពិសេសដោយប្រើ Deep Q-Network និងចំណាប់អារម្មណ៍ (DQN-AFS)
ការផ្តល់អនុសាសន៍ការព្យាបាលផ្អែកលើការរៀនរបស់ភ្នាក់ងារពហុ (Swarm Intelligence-Based MARL)

លទ្ធផលសំខាន់ៗ (The Verdict)៖

ម៉ូដែល ST-GCN អាចកំណត់អត្តសញ្ញាណ និងតាមដានការវិវត្តនៃជំងឺដំណាំក្នុងលំហនិងពេលវេលា ដោយសម្រេចបានភាពត្រឹមត្រូវខ្ពស់ជាង 90% (94.2% លើទិន្នន័យជាក់ស្តែង) និងពិន្ទុ IoU យ៉ាងហោចណាស់ 0.8។
វិធីសាស្ត្រ DQN-AFS ជួយបង្កើនសមត្ថភាពក្នុងការបែងចែកប្រភេទ និងកម្រិតធ្ងន់ធ្ងរនៃជំងឺ ដោយធានាបាននូវភាពត្រឹមត្រូវជាង 85% និងអត្រាជ្រើសរើសលក្ខណៈពិសេស 80%។
ប្រព័ន្ធ SI-MARL ផ្តល់នូវអនុសាសន៍ការព្យាបាលប្រកបដោយភាពត្រឹមត្រូវខ្ពស់ដល់ទៅ 89.4% និងជួយបង្កើនប្រសិទ្ធភាពក្នុងការប្រើប្រាស់ធនធាន ខណៈពេលដែលកាត់បន្ថយផលប៉ះពាល់ដល់បរិស្ថាន។

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method)	គុណសម្បត្តិ (Pros)	គុណវិបត្តិ (Cons)	លទ្ធផលគន្លឹះ (Key Result)
Proposed System (ST-GCN, DQN-AFS, SI-MARL) ប្រព័ន្ធដែលបានស្នើឡើង (រួមបញ្ចូល ST-GCN, DQN-AFS និង SI-MARL)	មានសមត្ថភាពខ្ពស់ក្នុងការចាប់យកទំនាក់ទំនងលំហនិងពេលវេលា (Spatial-Temporal) និងផ្តល់អនុសាសន៍ការព្យាបាលបានច្បាស់លាស់។ ទាមទារការទាញយកលក្ខណៈពិសេសរូបភាពតិចជាងមុន ដោយរក្សាបានភាពពាក់ព័ន្ធខ្ពស់។	មានភាពស្មុគស្មាញនៃស្ថាបត្យកម្មខ្ពស់ ដែលទាមទារធនធានកុំព្យូទ័រ (Computational resources) ធំសម្រាប់ដំណើរការហ្វឹកហាត់ (Training)។	ភាពត្រឹមត្រូវនៃការកំណត់អត្តសញ្ញាណជំងឺ 94.2%, ការវិភាគពេលវេលា 91.7% និងភាពត្រឹមត្រូវនៃការព្យាបាល 89.4%។
Method [3] (Lightweight 2D CNN Architecture) វិធីសាស្ត្រ [3] (ស្ថាបត្យកម្ម Lightweight 2D CNN)	មានប្រសិទ្ធភាពក្នុងការរកឃើញជំងឺលើដំណាំ និងជួយកាត់បន្ថយការប្រើប្រាស់ធនធានកុំព្យូទ័របានល្អ។	មានដែនកំណត់ត្រឹមតែជំងឺលើដំណាំពីរប្រភេទ (ប៉េងប៉ោះ និងកប្បាស) និងខ្វះសមត្ថភាពចាប់យកបម្រែបម្រួលនៃជំងឺតាមពេលវេលា។	ភាពត្រឹមត្រូវនៃការកំណត់អត្តសញ្ញាណជំងឺត្រឹមតែ 87.5% និងភាពត្រឹមត្រូវនៃការព្យាបាល 75.3%។
Method [7] (Deep Learning on FieldPlant Dataset) វិធីសាស្ត្រ [7] (ការប្រើប្រាស់ Deep Learning លើសំណុំទិន្នន័យ FieldPlant)	ប្រើប្រាស់សំណុំទិន្នន័យទូលំទូលាយដែលរួមមានរូបភាពពីមន្ទីរពិសោធន៍និងវាលស្រែជាក់ស្តែង។	មិនអាចទូទៅកម្ម (Generalize) បានល្អទៅនឹងស្ថានភាពផ្សេងទៀត ឬពូជដំណាំក្រៅពីសំណុំទិន្នន័យបានឡើយ។	ភាពត្រឹមត្រូវនៃការកំណត់អត្តសញ្ញាណជំងឺទាបជាងគេ គឺត្រឹម 85.3% និងការវិភាគពេលវេលា 82.5%។
Method [14] (IoT and Machine Learning Model) វិធីសាស្ត្រ [14] (ម៉ូដែល IoT និង Machine Learning)	បង្ហាញពីសក្តានុពលដ៏ល្អសម្រាប់ការទស្សន៍ទាយជំងឺដំណាំ (ជាពិសេសដំណាំតែ) ពីដំណាក់កាលដំបូងតាមរយៈឧបករណ៍សេនស័រ។	ផ្តោតសំខាន់តែលើជំងឺ Blister blight លើដំណាំតែ ហើយត្រូវការការកែសម្រួលបន្ថែមសម្រាប់ប្រភេទជំងឺផ្សេងៗទៀត។	ភាពត្រឹមត្រូវនៃការកំណត់អត្តសញ្ញាណជំងឺ 88.9% និងភាពត្រឹមត្រូវនៃការព្យាបាល 78.9%។

ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះបានបញ្ជាក់យ៉ាងច្បាស់អំពីតម្រូវការផ្នែករឹង (Hardware) និងផ្នែកទន់ (Software) ដែលមានកម្រិតខ្ពស់សម្រាប់ដំណើរការនិងវាយតម្លៃម៉ូដែលរបស់ពួកគេ (ដូចមានរៀបរាប់ក្នុងផ្នែក 4.6)។

Hardware: ត្រូវការម៉ាស៊ីនមេ (Computing cluster) កម្រិតខ្ពស់បំពាក់ដោយក្រាហ្វិកកាតចំនួនច្រើន (NVIDIA Tesla V100 GPUs), អង្គចងចាំ 256 GB RAM, និងអង្គគណនា Intel Xeon CPUs។
Software: ដំណើរការលើភាសាសរសេរកូដ Python 3.8 ដោយប្រើប្រាស់បណ្ណាល័យ PyTorch 1.7.0 និងគាំទ្រដោយស្ថាបត្យកម្ម CUDA 10.2 សម្រាប់ពន្លឿនការគណនាលើ GPU។
Dataset: ទាមទារសំណុំទិន្នន័យធំៗចំនួនបី (Leaf Disease Dataset ដែលមាន 10,000 រូបភាព, Temporal Crop Health Dataset, និង Treatment Efficacy Dataset) ដែលទាមទារការបំពាក់ស្លាក (Annotation) យ៉ាងលម្អិត។
Expertise: តម្រូវឱ្យមានអ្នកជំនាញកម្រិតខ្ពស់ផ្នែក Deep Learning (GCN), Reinforcement Learning (DQN, MARL) រួមជាមួយនឹងអ្នកជំនាញកសិកម្មដើម្បីផ្តល់សុពលភាពលើការព្យាបាល។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យជាសាធារណៈ (ពីវេទិកា Kaggle និងទិន្នន័យឯកជនមួយចំនួន) ដែលភាគច្រើនប្រមូលពីបរិបទកសិកម្មដែលមិនមានបញ្ជាក់ច្បាស់ពីទីតាំងភូមិសាស្រ្ត និងមិនទាន់មានការបញ្ជាក់ថាឆ្លុះបញ្ចាំងពីលក្ខខណ្ឌអាកាសធាតុត្រូពិច ឬពូជដំណាំក្នុងស្រុកយើងឡើយ។ សម្រាប់ប្រទេសកម្ពុជា ការពឹងផ្អែកលើទិន្នន័យពីបរទេសទាំងនេះអាចបណ្តាលឱ្យមានកំហុសលម្អៀង (Bias) ក្នុងការធ្វើរោគវិនិច្ឆ័យ ព្រោះលក្ខខណ្ឌដី អាកាសធាតុ សីតុណ្ហភាព និងប្រភេទមេរោគកសិកម្មអាចមានភាពខុសគ្នាស្រឡះ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាទាមទារធនធានបច្ចេកវិទ្យាខ្ពស់ក៏ដោយ ក៏វិធីសាស្ត្រនេះមានសក្តានុពលធំធេងសម្រាប់ការជំរុញវិស័យកសិកម្មនៅកម្ពុជាឱ្យក្លាយជាកសិកម្មវៃឆ្លាត និងច្បាស់លាស់ (Precision Agriculture)។

តំបន់ផលិតស្រូវ (ខេត្តបាត់ដំបង និងបន្ទាយមានជ័យ): អាចប្រើប្រាស់ម៉ូដែល ST-GCN ដើម្បីតាមដានការរីករាលដាលនៃជំងឺស្រូវ (ដូចជាជំងឺប្លាស ឬក្រិន) តាមពេលវេលាជាក់ស្តែង និងទីតាំងភូមិសាស្ត្រ ដើម្បីការពារការខូចខាតទិន្នផលទ្រង់ទ្រាយធំ។
កសិដ្ឋានដំណាំកសិ-ឧស្សាហកម្ម (ខេត្តកំពង់ចាម និងរតនគិរី): ប្រព័ន្ធផ្តល់អនុសាសន៍ SI-MARL អាចជួយម្ចាស់ចម្ការកៅស៊ូ ស្វាយចន្ទី ឬចេក ក្នុងការសម្រេចចិត្តប្រើប្រាស់ថ្នាំសម្លាប់សត្វល្អិត ឬជីបានត្រឹមត្រូវទៅតាមកម្រិតនៃការឆ្លង ដោយកាត់បន្ថយការចំណាយ និងផលប៉ះពាល់ដល់បរិស្ថានជុំវិញ។
ក្រសួងកសិកម្ម រុក្ខាប្រមាញ់ និងនេសាទ (MAFF) គម្រោង ASPIRE: អាចប្រើប្រាស់ក្របខ័ណ្ឌនេះជាមូលដ្ឋានដើម្បីបង្កើតកម្មវិធីទូរស័ព្ទដៃ ឬប្រព័ន្ធប្រកាសអាសន្នជាមុន (Early Warning System) ដោយរួមបញ្ចូលទិន្នន័យអាកាសធាតុ ដើម្បីផ្តល់ដំណឹងដល់សហគមន៍កសិករឱ្យចាត់វិធានការការពារមុនពេលជំងឺរាតត្បាត។

សរុបមក ប្រព័ន្ធនេះផ្តល់នូវអត្ថប្រយោជន៍ដ៏មានតម្លៃសម្រាប់ការគ្រប់គ្រងជំងឺដំណាំតាមបែបវិទ្យាសាស្ត្រនៅកម្ពុជា ប៉ុន្តែតម្រូវឱ្យមានការវិនិយោគលើការប្រមូលទិន្នន័យក្នុងស្រុក (Local Dataset) និងការបណ្តុះបណ្តាលអ្នកស្រាវជ្រាវជាមុនសិន។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

ជំហានទី 1៖ សិក្សាមូលដ្ឋានគ្រឹះនៃ Spatial-Temporal Graph Neural Networks: និស្សិតគួរចាប់ផ្តើមសិក្សាពីទ្រឹស្តីនៃបណ្តាញ Graph Convolutional Networks (GCN) និងរបៀបអនុវត្តវាលើទិន្នន័យដែលមានទម្រង់ជាពេលវេលា (Time-series) ដោយសាកល្បងសរសេរកូដតាមរយៈបណ្ណាល័យ PyTorch Geometric។
ជំហានទី 2៖ ស្វែងយល់ពី Reinforcement Learning សម្រាប់ការជ្រើសរើសទិន្នន័យ: អនុវត្តការសរសេរកូដដើម្បីបង្កើត Deep Q-Network (DQN) សាមញ្ញមួយសម្រាប់ដោះស្រាយបញ្ហា Feature Selection លើសំណុំទិន្នន័យរូបភាព ដោយប្រើប្រាស់ឧបករណ៍ OpenAI Gym រួមជាមួយនឹង PyTorch។
ជំហានទី 3៖ ប្រមូល និងរៀបចំទិន្នន័យកសិកម្មក្នុងស្រុកប្រទេសកម្ពុជា: ចុះអនុវត្តផ្ទាល់នៅតាមកសិដ្ឋាន ឬសហការជាមួយសាកលវិទ្យាល័យភូមិន្ទកសិកម្ម (RUA) ដើម្បីថតរូបភាពជំងឺដំណាំ (ឧទាហរណ៍ ជំងឺស្រូវ ស្វាយ ឬដំឡូងមី) រួចប្រើប្រាស់កម្មវិធី Roboflow សម្រាប់ធ្វើ Data Annotation និង Data Augmentation។
ជំហានទី 4៖ អភិវឌ្ឍម៉ូដែល និងធ្វើសមាហរណកម្មជាមួយប្រព័ន្ធ IoT: សាកល្បងភ្ជាប់ម៉ូដែលដែលបានហ្វឹកហាត់រួច (Pre-trained Model) ទៅនឹងឧបករណ៍ខ្នាតតូចដូចជា Raspberry Pi 4 ឬភ្ជាប់ជាមួយសេនស័រវាស់សំណើមដី ដើម្បីធ្វើការទស្សន៍ទាយជំងឺដំណាំក្នុងផ្ទះកញ្ចក់ (Greenhouse) ក្នុងលក្ខខណ្ឌជាក់ស្តែងពិតៗ (Real-time Deployment)។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស	ការពន្យល់ជាខេមរភាសា (Khmer Explanation)	និយមន័យសាមញ្ញ (Simple Definition)
Graph Attention Mechanism	ជាយន្តការមួយនៅក្នុងបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលជួយឱ្យម៉ូដែលផ្តោតការយកចិត្តទុកដាក់ទៅលើ "ចំណុច" (Nodes) សំខាន់ៗ និងទំនាក់ទំនងរវាងពួកវាដោយមានទម្ងន់ខុសៗគ្នានៅក្នុងរចនាសម្ព័ន្ធក្រាហ្វ។ ក្នុងបរិបទនេះ វាជួយកំណត់ថាផ្នែកណានៃរូបថតស្លឹកដំណាំមានទំនាក់ទំនងខ្លាំងជាងគេទៅនឹងជំងឺ។	ដូចជាពេលយើងមើលរូបថតក្រុមគ្រួសារ ភ្នែករបស់យើងនឹងផ្តោតការចាប់អារម្មណ៍ទៅលើមនុស្សដែលយើងស្គាល់ច្បាស់ជាងគេជាមុនសិន ជាជាងមើលមនុស្សទាំងអស់ស្មើៗគ្នា។
Spatial-Temporal Graph Convolutional Networks	ជាប្រភេទនៃម៉ូដែល Deep Learning ដែលត្រូវបានរចនាឡើងដើម្បីវិភាគទិន្នន័យដែលមានទាំងលក្ខណៈទីតាំង (Spatial) និងពេលវេលា (Temporal) ក្នុងពេលតែមួយ។ វាជួយកុំព្យូទ័រក្នុងការតាមដានការរីករាលដាលនៃជំងឺពីតំបន់មួយទៅតំបន់មួយទៀតនៃដំណាំតាមរយៈពេលវេលា។	ដូចជាការមើលវីដេអូព្យាករណ៍អាកាសធាតុ ដែលបង្ហាញពីរបៀបដែលពពកភ្លៀងផ្លាស់ទីពីខេត្តមួយទៅខេត្តមួយទៀតពីមួយម៉ោងទៅមួយម៉ោង។
Deep Q-Networks	ជាក្បួនដោះស្រាយនៅក្នុង Reinforcement Learning ដែលប្រើប្រាស់បណ្តាញសរសៃប្រសាទកម្រិតជ្រៅ (Deep Neural Networks) ដើម្បីរៀនពីរបៀបធ្វើសកម្មភាពដ៏ល្អបំផុត តាមរយៈការប៉ាន់ស្មាន "តម្លៃ" (Q-value) នៃសកម្មភាពនីមួយៗ ដើម្បីទទួលបានរង្វាន់ខ្ពស់បំផុតក្នុងរយៈពេលវែង។	ដូចជាការបង្វឹកសត្វសុនខឱ្យចេះរើសបាល់ ដោយការផ្តល់នំជារង្វាន់រាល់ពេលដែលវាធ្វើបានត្រឹមត្រូវ រហូតដល់វាដឹងថាត្រូវរត់ផ្លូវណាទើបបាននំច្រើនបំផុត។
Feature Selection	ជាដំណើរការនៃការជ្រើសរើសយកតែលក្ខណៈទិន្នន័យដែលសំខាន់និងមានប្រយោជន៍បំផុត (ដូចជាពណ៌ ឬទំហំស្នាមអុចៗ) ចេញពីទិន្នន័យរាប់ពាន់ ដើម្បីយកទៅប្រើប្រាស់ក្នុងការបង្វឹកម៉ូដែល ដែលវាជួយកាត់បន្ថយទំហំនៃការគណនា និងបង្កើនភាពត្រឹមត្រូវនៃការធ្វើរោគវិនិច្ឆ័យ។	ដូចជាពេលអ្នករៀបចំប៉ាឡូទៅដើរព្រៃ អ្នករើសយកតែរបស់ចាំបាច់បំផុតដូចជាពិលនិងទឹក ហើយទុករបស់មិនចាំបាច់នៅផ្ទះ ដើម្បីឱ្យងាយស្រួលធ្វើដំណើរនិងមិនធ្ងន់។
Swarm Intelligence	ជាប្រព័ន្ធបញ្ញាសិប្បនិម្មិតដែលយកគំរូតាមអាកប្បកិរិយារបស់សត្វដែលរស់នៅជាហ្វូង (ដូចជាស្រមោច ឬសត្វឃ្មុំ) ដែលភ្នាក់ងារនិម្មិតនីមួយៗធ្វើការងារសាមញ្ញៗ ប៉ុន្តែនៅពេលសហការគ្នាក្នុងក្រុម ពួកវាអាចដោះស្រាយបញ្ហាដ៏ស្មុគស្មាញបាន ដូចជាការស្វែងរកវិធីសាស្ត្រព្យាបាលដំណាំល្អបំផុត។	ដូចជាហ្វូងស្រមោចដែលសហការគ្នាដើម្បីសែងចំណីអាហារដែលមានទំហំធំជាងខ្លួនពួកវាច្រើនដង ដើម្បីយកត្រឡប់ទៅសំបុកវិញដោយជោគជ័យ។
Particle Swarm Optimization	ជាក្បួនដោះស្រាយដើម្បីស្វែងរកចម្លើយដ៏ល្អបំផុត (Optimization Algorithm) ដោយធ្វើត្រាប់តាមចលនារបស់ហ្វូងបក្សី ឬហ្វូងត្រី ក្នុងការស្វែងរកចំណី តាមរយៈការផ្លាស់ប្តូរនិងធ្វើបច្ចុប្បន្នភាពទីតាំងរបស់ភ្នាក់ងារនីមួយៗ ដោយផ្អែកលើបទពិសោធន៍ផ្ទាល់ខ្លួន និងបទពិសោធន៍របស់អ្នកដទៃក្នុងក្រុម។	ដូចជាពេលមានអ្នកណាម្នាក់ក្នុងក្រុមដើរលេងក្នុងព្រៃរកឃើញផ្លូវចេញ គេក៏ស្រែកប្រាប់អ្នកដទៃឱ្យដើរតាមសំដៅទៅរកផ្លូវនោះទាំងអស់គ្នា។
Multiple Agent Reinforcement Learning	ជាទម្រង់នៃការរៀនរបស់ម៉ាស៊ីន (Reinforcement Learning) ដែលមានភ្នាក់ងារ (Agents) ច្រើនជាងមួយធ្វើអន្តរកម្មជាមួយបរិស្ថានតែមួយក្នុងពេលដំណាលគ្នា ហើយពួកវាអាចប្រកួតប្រជែង ឬសហការគ្នាដើម្បីសម្រេចគោលដៅរួម ដូចជាការណែនាំការព្យាបាលដំណាំដែលត្រឹមត្រូវ និងមានសុវត្ថិភាពដល់បរិស្ថាន។	ដូចជាក្រុមក្រុមកីឡាករបាល់ទាត់ដែលកីឡាករម្នាក់ៗត្រូវរៀនសហការគ្នាលេងជាក្រុមដើម្បីយកឈ្នះគូប្រកួត ជាជាងការលេងតែម្នាក់ឯង។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖