បញ្ហា (The Problem)៖ ជំងឺវីរុសលើរុក្ខជាតិដូចជា TMV និង PHYVV បង្កឱ្យមានការខាតបង់សេដ្ឋកិច្ចយ៉ាងធ្ងន់ធ្ងរក្នុងវិស័យកសិកម្ម ហើយការកំណត់អត្តសញ្ញាណរោគសញ្ញាតាមរយៈរូបភាពមានភាពលំបាកប្រសិនបើមិនមានការពង្រឹងគុណភាពរូបភាពជាមុន។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតវិធីសាស្ត្រវិភាគព្យាករណ៍ថ្មីមួយដោយប្រើប្រាស់សន្ទស្សន៍រុក្ខជាតិផ្អែកលើប្រព័ន្ធពណ៌ RGB សម្រាប់ការរៀបចំទិន្នន័យជាមុន (Pre-processing) រួមជាមួយម៉ូដែលរៀនស៊ីជម្រៅ (Deep Learning) ដែលបានហ្វឹកហាត់ជាមុនដើម្បីកំណត់អត្តសញ្ញាណវីរុស។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| CNN Training from Scratch ការហ្វឹកហាត់ម៉ូដែលពីដើម (Training from scratch) ដោយមិនប្រើប្រាស់ចំណេះដឹងពីមុន |
មិនពឹងផ្អែកលើទម្ងន់ទិន្នន័យពីខាងក្រៅ និងអាចរៀនលក្ខណៈពិសេសដោយផ្ទាល់ពីទិន្នន័យជាក់លាក់។ | ជួបប្រទះបញ្ហាការរៀនហួសកម្រិត (Overfitting) យ៉ាងធ្ងន់ធ្ងរនៅពេលទិន្នន័យមានទំហំតូច (ខុសគ្នា ១២% ទៅ ២០% រវាងទិន្នន័យហ្វឹកហាត់និងទិន្នន័យផ្ទៀងផ្ទាត់)។ | ទទួលបានភាពត្រឹមត្រូវអតិបរមាកម្រិតកំពូលទី១ (Top-1 accuracy) ត្រឹមតែ ៨៣.៣% ប៉ុណ្ណោះ (ម៉ូដែល Xception ជាមួយសន្ទស្សន៍ NRBVI-Jet)។ |
| Xception with NGBVI and Transfer Learning ការប្រើប្រាស់ម៉ូដែល Xception រួមជាមួយសន្ទស្សន៍ NGBVI និងបច្ចេកទេសផ្ទេរការរៀនសូត្រ |
មានសមត្ថភាពខ្ពស់បំផុតក្នុងការចាប់យកលក្ខណៈលម្អិតនៃជំងឺ និងកាត់បន្ថយបញ្ហា Overfitting បានយ៉ាងមានប្រសិទ្ធភាពតាមរយៈ Data Augmentation។ | ទាមទារថាមពលគណនា និងទំហំផ្ទុកច្រើនជាងម៉ូដែលធុនស្រាលបន្តិច សម្រាប់ការអនុវត្តជាក់ស្តែងលើទូរស័ព្ទចាស់ៗ។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់បំផុតរហូតដល់ ៩៨.៣% ដែលជាលទ្ធផលល្អដាច់គេនៅក្នុងការសិក្សា។ |
| MobileNet v2 with Transfer Learning ការប្រើប្រាស់ម៉ូដែល MobileNet v2 ជាមួយបច្ចេកទេសផ្ទេរការរៀនសូត្រ (Transfer Learning) |
ជាស្ថាបត្យកម្មបណ្តាញទម្ងន់ស្រាល (Lightweight CNN) ដែលត្រូវបានរចនាឡើងជាពិសេសសម្រាប់ប្រើប្រាស់លើទូរស័ព្ទដៃ និងឧបករណ៍ដែលមានថាមពលខ្សោយ។ | ភាពត្រឹមត្រូវមានកម្រិតទាបជាងម៉ូដែលស្មុគស្មាញដូចជា Xception បន្តិចបន្តួច។ | ទទួលបានភាពត្រឹមត្រូវជាមធ្យម ៩២.៣% ទៅ ៩៥% (អាស្រ័យលើសន្ទស្សន៍រុក្ខជាតិ) ដែលល្អគ្រប់គ្រាន់សម្រាប់ការប្រើប្រាស់ទូទៅ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារកុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់សម្រាប់ការហ្វឹកហាត់ម៉ូដែល (Training) ប៉ុន្តែប្រើប្រាស់ត្រឹមតែស្មាតហ្វូនធម្មតាប៉ុណ្ណោះសម្រាប់ការប្រមូលទិន្នន័យរូបភាព។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងផ្ទះកញ្ចក់នាប្រទេសម៉ិកស៊ិក លើពូជម្ទេស Jalapeño ជាមួយនឹងការរៀបចំថតរូបលើផ្ទៃខាងក្រោយពណ៌ស (White paper background)។ សម្រាប់បរិបទប្រទេសកម្ពុជា កសិករភាគច្រើនដាំដុះនៅទីវាល (Field settings) ដែលមានផ្ទៃខាងក្រោយស្មុគស្មាញ ពន្លឺប្រែប្រួល និងមានពូជដំណាំខុសៗគ្នា (ដូចជាម្រេចកំពត ឬម្ទេសដៃនាង) ដែលទាមទារការប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែមដើម្បីឱ្យម៉ូដែលដំណើរការបានល្អ។
វិធីសាស្ត្រនេះមានសក្តានុពល និងភាពជាក់ស្តែងខ្ពស់សម្រាប់ប្រទេសកម្ពុជា ដោយសារវាផ្តោតលើការប្រើប្រាស់កាមេរ៉ាស្មាតហ្វូនទូទៅ (RGB) ជាជាងប្រព័ន្ធសេនស័រថ្លៃៗ។
ជារួម ការសិក្សានេះផ្តល់នូវគ្រឹះដ៏រឹងមាំ និងចំណាយតិច ក្នុងការអភិវឌ្ឍប្រព័ន្ធកសិកម្មឌីជីថល (Digital Agriculture) នៅកម្ពុជា ប្រសិនបើយើងអាចយកគំរូនេះមកបង្វឹកឡើងវិញជាមួយទិន្នន័យដំណាំក្នុងស្រុកពិតប្រាកដ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Network (CNN) | ជាប្រភេទបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតដែលរចនាឡើងយ៉ាងពិសេសសម្រាប់វិភាគរូបភាព ដោយវាធ្វើការច្រោះនិងទាញយកលក្ខណៈពិសេសៗ (ដូចជាគែម ពណ៌ ឫទម្រង់ស្នាមជំងឺលើស្លឹក) មួយស្រទាប់ម្តងៗដើម្បីកំណត់ថារូបនោះជាអ្វី។ | ដូចជាភ្នែកនិងខួរក្បាលរបស់មនុស្ស ដែលសម្លឹងមើលវត្ថុមួយ រួចផ្តុំព័ត៌មានពីចំណុចតូចៗ (ពណ៌ និងរាង) បញ្ចូលគ្នាដើម្បីដឹងថាវត្ថុនោះជាអ្វី។ |
| Vegetation Index | ជារូបមន្តគណិតវិទ្យាដែលយកកម្រិតពណ៌ផ្សេងៗពីកាមេរ៉ា (ដូចជា ក្រហម បៃតង ខៀវ) មកដកនិងចែកគ្នា ដើម្បីធ្វើឱ្យតំបន់ស្លឹកដែលមានជំងឺលេចធ្លោឡើង និងលុបបំបាត់ផ្ទៃខាងក្រោយដូចជាដី ឬជញ្ជាំងចោល។ | ដូចជាការពាក់វ៉ែនតាពណ៌ពិសេសដែលអាចត្រងយកតែពន្លឺដែលបញ្ចេញពីសញ្ញាជំងឺ ដោយបិទបាំងវត្ថុដែលនៅជុំវិញមិនឱ្យរំខានភ្នែកយើង។ |
| Transfer Learning | ជាបច្ចេកទេសបង្រៀនបញ្ញាសិប្បនិម្មិត ដោយយកម៉ូដែលដែលធ្លាប់បានហ្វឹកហាត់ស្គាល់រូបភាពទូទៅរាប់លានរួចមកហើយ មកបន្តហ្វឹកហាត់ឱ្យស្គាល់តែជំងឺលើស្លឹកម្ទេសវិញ ដើម្បីសន្សំពេលវេលា និងដោះស្រាយបញ្ហាខ្វះទិន្នន័យ។ | ដូចជាការយកចុងភៅដែលពូកែធ្វើម្ហូបអឺរ៉ុបរួចទៅហើយ មកបង្រៀនបន្ថែមបន្តិចបន្តួចឱ្យចេះធ្វើម្ហូបខ្មែរ ជាជាងយកអ្នកដែលមិនចេះធ្វើម្ហូបសោះមកបង្រៀនពីសូន្យ។ |
| Data Augmentation | ជាវិធីសាស្ត្របង្កើតទិន្នន័យបន្ថែមពីលើទិន្នន័យចាស់ដែលមានស្រាប់ ដោយធ្វើការបង្វិល ត្រឡប់ចុះឡើង ឬពង្រីកបង្រួមរូបភាពដើម ដើម្បីឱ្យម៉ូដែលរៀនបានកាន់តែច្រើនជ្រុងជ្រោយនិងឆ្លាតជាងមុនពេលហ្វឹកហាត់។ | ដូចជាការថតរូបវត្ថុតែមួយសន្លឹក ប៉ុន្តែយើងយកវាទៅបង្វិល មើលពីលើ មើលពីក្រោម ដើម្បីឱ្យក្មេងចំណាំវត្ថុនោះបាន ទោះជាវាស្ថិតក្នុងទម្រង់បញ្ច្រាសឬផ្អៀងក៏ដោយ។ |
| Overfitting | គឺជាបញ្ហាក្នុងការបង្វឹកម៉ូដែល ដែលម៉ូដែលនោះទន្ទេញចាំច្បាស់តែទិន្នន័យដែលវាធ្លាប់រៀន (មានភាពត្រឹមត្រូវខ្ពស់ពេលហ្វឹកហាត់) ប៉ុន្តែមិនអាចធ្វើការទស្សន៍ទាយបានត្រឹមត្រូវទាល់តែសោះនៅពេលជួបទិន្នន័យថ្មីដែលវាមិនធ្លាប់ឃើញ។ | ដូចជាសិស្សដែលទន្ទេញចាំមាត់នូវលំហាត់ក្នុងសៀវភៅដើម្បីប្រឡងជាប់រហូត ប៉ុន្តែមិនយល់ពីរូបមន្ត ទើបមិនអាចដោះស្រាយលំហាត់ថ្មីដែលគ្រូដាក់ឱ្យបាន។ |
| Jet Color Scale | ជាប្រព័ន្ធបំប្លែងកម្រិតពណ៌រូបភាពពីស-ខ្មៅទៅជាពណ៌ចម្រុះ ដោយតំណាងតម្លៃទាបដោយពណ៌ខៀវ និងតម្លៃខ្ពស់ដោយពណ៌ក្រហម ដើម្បីងាយស្រួលមើលឃើញភាពខុសគ្នាតិចតួចនៃកម្រិតខូចខាត (Chlorosis) លើស្លឹករុក្ខជាតិ។ | ដូចជាកាមេរ៉ាចាប់កម្តៅ (Thermal camera) ដែលបង្ហាញពណ៌ក្រហមនៅកន្លែងក្តៅខ្លាំង និងពណ៌ខៀវនៅកន្លែងត្រជាក់ ដើម្បីឱ្យភ្នែកយើងងាយបែងចែកដឹងភ្លាមៗ។ |
| Top-1 Accuracy | ជារង្វាស់វាយតម្លៃភាពត្រឹមត្រូវរបស់ម៉ូដែល ដោយគិតតែលើការទស្សន៍ទាយទីមួយដែលម៉ូដែលគិតថាមានភាគរយត្រូវខ្ពស់ជាងគេបំផុត ប្រសិនបើចម្លើយទីមួយនោះត្រូវ ទើបម៉ាស៊ីនចាត់ទុកថាទទួលបានជោគជ័យ។ | ដូចជាការលេងហ្គេមទាយសំនួរដែលអ្នកមានសិទ្ធិឆ្លើយតែម្តងគត់ បើចម្លើយដំបូងខុសគឺខុសតែម្តង មិនអាចមានជម្រើសទីពីរឡើយ។ |
| Chlorosis | គឺជារោគសញ្ញានៃការបាត់បង់ជាតិពណ៌បៃតង (ក្លរ៉ូហ្វីល) នៅក្នុងជាលិការុក្ខជាតិ ដែលធ្វើឱ្យស្លឹកប្រែជាពណ៌លឿងដោយសារការឆ្លងវីរុសពពួក TMV ឬ PHYVV ធ្វើឱ្យរុក្ខជាតិមិនអាចធ្វើរស្មីសំយោគបានពេញលេញ។ | ដូចជាមនុស្សដែលស្លេកស្លាំងខ្វះឈាមដោយសារមានជំងឺ ដែលធ្វើឱ្យស្បែកលែងមានពណ៌ស៊ីជម្ពូដូចធម្មតា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
