បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហានៃការកំណត់អត្តសញ្ញាណរុក្ខជាតិដំណាំ (កូនប៉េងប៉ោះ) ដាច់ដោយឡែកពីស្មៅចង្រៃនៅក្នុងលក្ខខណ្ឌពន្លឺធម្មជាតិតាមទីវាល ដើម្បីបម្រើដល់ការធ្វើកសិកម្ម និងការកម្ចាត់ស្មៅដោយស្វ័យប្រវត្តិ។
វិធីសាស្ត្រ (The Methodology)៖ ការស្រាវជ្រាវនេះបានអភិវឌ្ឍប្រព័ន្ធកុំព្យូទ័រចក្ខុវិញ្ញាណជាពីរដំណាក់កាល ដោយរួមបញ្ចូលការបែងចែកពណ៌ (Color pre-processing) និងការវិភាគសម្គាល់ទម្រង់រុក្ខជាតិ (Pattern recognition)។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| 4-Feature Bayesian Classifier (Cotyledon level) ចំណាត់ថ្នាក់ Bayesian ផ្អែកលើលក្ខណៈរូបរាងទាំង ៤ (កម្រិតស្លឹកកូនរុក្ខជាតិ) |
មានភាពសុក្រឹតខ្ពស់ក្នុងការបែងចែកស្លឹកប៉េងប៉ោះ និងស្លឹកស្មៅ (>៩៥%) នៅក្នុងកម្រងទិន្នន័យហ្វឹកហាត់។ ងាយស្រួលក្នុងការវិភាគរូបរាងស្លឹកដាច់ដោយឡែកពីគ្នា។ | ងាយនឹងមានកំហុសនៅពេលស្លឹករុក្ខជាតិដុះត្រួតស៊ីគ្នាខ្លាំង (Occlusion) កោង ឬមានពន្លឺប្រែប្រួលខ្លាំង ដែលធ្វើឱ្យរូបរាងពិតប្រាកដត្រូវបាត់បង់។ | កំណត់អត្តសញ្ញាណស្លឹកប៉េងប៉ោះបាន ៥៩.៥% (គុណភាពរូបភាពខ្ពស់) ដល់ ៤០% (គុណភាពរូបភាពខ្សោយ) ក្នុងបរិស្ថានទីវាលជាក់ស្តែង។ |
| Distance-based cotyledon pairing ការចាប់គូស្លឹកដោយផ្អែកលើចម្ងាយ |
ងាយស្រួលក្នុងការគណនា និងដំណើរការបានលឿនល្អនៅពេលដែលរុក្ខជាតិដុះនៅដាច់ឆ្ងាយពីគ្នា។ | ការកំណត់ទីតាំងដើមច្រើនតែខុស និងចាប់គូស្លឹកមិនបានត្រឹមត្រូវ នៅពេលដំណាំដុះជិតៗគ្នា ឬនៅពេលមានស្មៅដុះលាយឡំច្រើន។ | ឯកសារបង្ហាញថាមិនសូវមានប្រសិទ្ធភាពក្នុងការកំណត់ទីតាំងដើមពិតប្រាកដក្នុងលក្ខខណ្ឌចម្ការជាក់ស្តែង (រូបភាពទី 4e) បើធៀបនឹងវិធីសាស្ត្រវាក្យសម្ព័ន្ធ។ |
| Whole Plant Syntactic Algorithm ក្បួនរចនាសម្ព័ន្ធរុក្ខជាតិទាំងមូល (វាក្យសម្ព័ន្ធ) |
អាចទស្សន៍ទាយទីតាំងដើមបានយ៉ាងត្រឹមត្រូវ ទោះបីជារុក្ខជាតិដុះជិតៗគ្នា ឬមានការបាំងត្រួតស៊ីគ្នាមួយផ្នែកក៏ដោយ ដោយផ្អែកលើទំហំ ទីតាំង និងទិសដៅស្លឹក។ | ទាមទារការគណនាស្មុគស្មាញជាងមុន និងពឹងផ្អែកលើភាពជោគជ័យក្នុងការរកឃើញស្លឹកដំបូង (Initial tomato cotyledon) ជាមុនសិនទើបអាចដំណើរការបាន។ | កំណត់អត្តសញ្ញាណកូនប៉េងប៉ោះទាំងមូលបានត្រឹមត្រូវពី ៦៥% ទៅ ៧៨% ជាមួយនឹងអត្រាកំណត់ខុសលើស្មៅមានកម្រិតទាបបំផុត (១.៥៣% ទៅ ៣.៧៤%)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះប្រើប្រាស់ឧបករណ៍ផ្នែករឹង និងផ្នែកទន់កម្រិតខ្ពស់កាលពីអតីតកាល (ឆ្នាំ ១៩៩៤-២០០០) ប៉ុន្តែបច្ចេកវិទ្យាបច្ចុប្បន្នអាចជំនួសបានដោយចំណាយទាបជាង និងមានល្បឿនលឿនជាងមុនឆ្ងាយ។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយប្រមូលទិន្នន័យនៅចម្ការប៉េងប៉ោះពាណិជ្ជកម្មនារដូវផ្ការីក ឆ្នាំ ១៩៩៤ ក្នុងរដ្ឋកាលីហ្វ័រញ៉ា សហរដ្ឋអាមេរិក។ ទិន្នន័យនេះផ្តោតតែលើពូជប៉េងប៉ោះ និងប្រភេទស្មៅជាក់លាក់នៅតំបន់នោះ ដែលអាចមានរូបរាង លក្ខណៈ និងបរិស្ថានដាំដុះខុសពីប្រទេសកម្ពុជា។ ដូច្នេះ ការអនុវត្តនៅកម្ពុជាទាមទារឱ្យមានការប្រមូលទិន្នន័យពីរុក្ខជាតិក្នុងស្រុកថ្មី និងហ្វឹកហាត់ម៉ូដែលឡើងវិញ។
បច្ចេកវិទ្យាកុំព្យូទ័រចក្ខុវិញ្ញាណ (Machine Vision) នេះមានសក្តានុពលខ្ពស់ក្នុងការយកមកអនុវត្តដើម្បីធ្វើទំនើបកម្ម និងដោះស្រាយបញ្ហាកង្វះកម្លាំងពលកម្មកសិកម្មនៅប្រទេសកម្ពុជា។
ជារួម បច្ចេកទេសនេះផ្តល់ជាគំរូ និងមូលដ្ឋានគ្រឹះដ៏រឹងមាំសម្រាប់ការអភិវឌ្ឍគ្រឿងចក្រកសិកម្មឆ្លាតវៃ (Smart Agricultural Machinery) ដែលអាចជួយបង្កើនទិន្នផលនៅក្នុងវិស័យកសិកម្មកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Machine vision | ការប្រើប្រាស់កាមេរ៉ា និងប្រព័ន្ធកុំព្យូទ័រដើម្បីថតរូបភាព រួចវិភាគទិន្នន័យរូបភាពទាំងនោះដោយស្វ័យប្រវត្តិ ដើម្បីធ្វើការសម្រេចចិត្តជំនួសមនុស្ស ដូចជាការបែងចែករវាងដំណាំ និងស្មៅចង្រៃជាដើម។ | ដូចជាការបំពាក់ភ្នែក និងខួរក្បាលដល់ម៉ាស៊ីនគ្រឿងចក្រ ដើម្បីឱ្យវាចេះមើលឃើញ និងស្គាល់វត្ថុផ្សេងៗដោយខ្លួនឯង។ |
| Image segmentation | ដំណើរការកុំព្យូទ័រក្នុងការបែងចែករូបភាពមួយទៅជាផ្នែកតូចៗ ឬក្រុមផ្សេងៗគ្នា (ឧទាហរណ៍៖ ការញែកពណ៌បៃតងរបស់រុក្ខជាតិចេញពីពណ៌ត្នោតរបស់ដី) ដើម្បីងាយស្រួលក្នុងការទាញយកទិន្នន័យគោលដៅយកទៅវិភាគបន្ត។ | ដូចជាការកាត់រូបភាពផែនទីប្រទេសមួយជាដុំៗតាមខេត្ត ដើម្បីងាយស្រួលយកទៅសិក្សាពីខេត្តនីមួយៗ។ |
| Partially occluded | ស្ថានភាពដែលវត្ថុមួយ (ដូចជាស្លឹករុក្ខជាតិ) ត្រូវបានបាំងរាំងខ្ទប់ ឬត្រួតពីលើមួយផ្នែកដោយវត្ថុមួយទៀត ដែលធ្វើឱ្យប្រព័ន្ធកុំព្យូទ័រពិបាកក្នុងការចាប់យករូបរាងពេញលេញរបស់វា។ | ដូចជាពេលយើងឈរពួនកន្លះខ្លួននៅក្រោយដើមឈើ ដែលធ្វើឱ្យអ្នកដទៃមើលឃើញយើងមិនច្បាស់១០០ភាគរយ។ |
| Watershed algorithm | ក្បួនដោះស្រាយក្នុងផ្នែកកែច្នៃរូបភាព ដែលប្រើសម្រាប់គូសបន្ទាត់ព្រំដែនបំបែកវត្ថុពីរ ឬច្រើនដែលនៅជាប់គ្នា ឬត្រួតស៊ីគ្នានៅក្នុងរូបភាព ដូចជាការញែកស្លឹកពីរដែលដុះទើរលើគ្នាឱ្យដាច់ពីគ្នា។ | ដូចជាការចាក់ទឹកចូលក្នុងរណ្តៅពីរដែលនៅក្បែរគ្នា ពេលទឹកជិតពេញ រណ្តៅទាំងពីរទង្គិចគ្នាបង្កើតបានជាខ្សែបន្ទាត់ព្រំដែនខណ្ឌចែករណ្តៅនោះដាច់ពីគ្នា។ |
| Morphological features | លក្ខណៈសម្បត្តិរូបរាងខាងក្រៅរបស់វត្ថុមួយនៅក្នុងរូបភាព (ដូចជា ទំហំ បរិមាត្រ ប្រវែង ទទឹង និងភាពកោង) ដែលប្រព័ន្ធកុំព្យូទ័រវាស់វែង និងប្រមូលទុកដើម្បីយកទៅចំណាំប្រភេទវត្ថុនោះនៅពេលក្រោយ។ | ដូចជាការដែលយើងអាចចំណាំមិត្តភក្តិយើងម្នាក់ៗបាន ដោយមើលទៅលើកម្ពស់ ទំហំខ្លួន និងទម្រង់មុខរបស់ពួកគេ។ |
| Bayesian classifier | ម៉ូដែលស្ថិតិមួយប្រភេទដែលប្រើប្រូបាប៊ីលីតេ (Probability) ដើម្បីទស្សន៍ទាយ ឬចាត់ថ្នាក់ទិន្នន័យថ្មី (ថាតើនេះជាស្លឹកប៉េងប៉ោះ ឬស្លឹកស្មៅ) ដោយផ្អែកលើការគណនាបទពិសោធន៍ទិន្នន័យចាស់ដែលវាធ្លាប់បានរៀនពីមុនមក។ | ដូចជាការព្យាករណ៍ថាថ្ងៃនេះអាចនឹងមានភ្លៀង ដោយសារយើងឃើញមេឃងងឹត និងមានខ្យល់ ដោយផ្អែកលើបទពិសោធន៍ដែលយើងធ្លាប់ឃើញកាលពីថ្ងៃមុនៗ។ |
| Syntactic procedure | វិធីសាស្ត្រក្នុងការវិភាគរចនាសម្ព័ន្ធ ឬទំនាក់ទំនងរវាងផ្នែកតូចៗនៃវត្ថុមួយ ដើម្បីស្វែងយល់ និងបង្កើតបានជារូបភាពនៃវត្ថុទាំងមូល (ឧទាហរណ៍៖ ការប្រើចម្ងាយ មុំ និងទិសដៅនៃស្លឹក ដើម្បីគណនារកទីតាំងដើមពិតប្រាកដរបស់រុក្ខជាតិ)។ | ដូចជាការផ្គុំរូបកាត់ត (Jigsaw puzzle) ដោយយើងត្រូវមើលលើគែម មុំ និងក្បាច់នៃដុំនីមួយៗ ដើម្បីយកមកតម្រៀបគ្នាបង្កើតជារូបភាពធំមួយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
