Original Title: Status and Scope of Robotics in Agriculture
Source: www.researchgate.net
Disclaimer: Summary generated by AI based on the provided document. Please refer to the original paper for full scientific accuracy.

ស្ថានភាព និងវិសាលភាពនៃមនុស្សយន្តក្នុងវិស័យកសិកម្ម

ចំណងជើងដើម៖ Status and Scope of Robotics in Agriculture

អ្នកនិពន្ធ៖ H. L. Kushwaha, J. P. Sinha, T. K. Khura, Dilip Kumar Kushwaha, Uttpal Ekka, Mayank Purushottam, Nishtha Singh

ឆ្នាំបោះពុម្ព៖ 2016 International Conference on Emerging Technologies in Agricultural and Food Engineering

វិស័យសិក្សា៖ Agricultural Engineering

១. សេចក្តីសង្ខេបប្រតិបត្តិ (Executive Summary)

បញ្ហា (The Problem)៖ វិស័យកសិកម្មទូទាំងពិភពលោក រួមទាំងប្រទេសឥណ្ឌា កំពុងប្រឈមមុខនឹងបញ្ហាកង្វះកម្លាំងពលកម្មយ៉ាងធ្ងន់ធ្ងរ និងតម្រូវការបន្ទាន់ក្នុងការបង្កើនផលិតភាពដើម្បីផ្គត់ផ្គង់ចំនួនប្រជាជនដែលកំពុងកើនឡើង។

វិធីសាស្ត្រ (The Methodology)៖ ឯកសារនេះធ្វើការសិក្សាប្រៀបធៀប និងផ្តល់ទិដ្ឋភាពទូទៅនៃបច្ចេកវិទ្យា និងការអភិវឌ្ឍប្រព័ន្ធមនុស្សយន្តកសិកម្មស្វ័យប្រវត្តិនៅជុំវិញពិភពលោក។

លទ្ធផលសំខាន់ៗ (The Verdict)៖

២. ការវិភាគលើប្រសិទ្ធភាព និងដែនកំណត់ (Performance & Constraints)

វិធីសាស្ត្រ (Method) គុណសម្បត្តិ (Pros) គុណវិបត្តិ (Cons) លទ្ធផលគន្លឹះ (Key Result)
API Research Platform (DIAS)
វេទិកាស្រាវជ្រាវត្រួតពិនិត្យដំណាំស្វ័យប្រវត្តិ
មានសមត្ថភាពបង្កើតផែនទីស្មៅច្បាស់លាស់ និងអាចកាត់បន្ថយការប្រើប្រាស់ថ្នាំសម្លាប់ស្មៅពី ៣០% ទៅ ៧៥%។ ជួបការលំបាកក្នុងការគ្រប់គ្រងស្មៅដែលដុះចន្លោះគុម្ពដំណាំ (Intra-row) ដោយមិនធ្វើឱ្យខូចជាលិកាដំណាំ និងត្រូវការសេនស័រវៃឆ្លាតខ្ពស់។ សម្រេចបានល្បឿន 3.6km/hr និងមានសមត្ថភាពគ្របដណ្តប់ 4.32 ហិកតាក្នុងមួយម៉ោង។
BoniRob (Bosch)
មនុស្សយន្តកសិកម្មពហុបំណង
មានភាពបត់បែនខ្ពស់អាចបំពាក់ម៉ូឌុលឧបករណ៍ផ្សេងៗបាន (ឧទាហរណ៍៖ កម្ចាត់ស្មៅ, វាស់ស្ទង់ដី) និងមានប្រសិទ្ធភាពខ្ពស់។ មានតម្លៃខ្ពស់ខ្លាំងក្នុងការផលិត និងបច្ចុប្បន្នត្រូវបានប្រើប្រាស់សម្រាប់តែគោលបំណងស្រាវជ្រាវក្នុងមន្ទីរពិសោធន៍ប៉ុណ្ណោះ។ មានប្រសិទ្ធភាពជាង ៩០% ក្នុងការកម្ចាត់ស្មៅក្នុងចម្ការការ៉ុត ដោយរក្សាដំណាំឱ្យមានសុវត្ថិភាព។
CROPS (European Union)
មនុស្សយន្តប្រមូលផលឆ្លាតវៃ
អាចកំណត់អត្តសញ្ញាណផ្លែឈើទុំ និងមានបច្ចេកវិទ្យាចាប់កាន់ (Adaptive gripping) ដែលមិនធ្វើឱ្យខូចខាតដល់ផ្លែឈើ។ នៅតែជួបការលំបាកក្នុងការសម្គាល់ផ្លែឈើដែលបាំងដោយស្លឹក និងការញែកផ្លែទុំចេញពីផ្លែខ្ចីដែលមានរូបរាងខុសៗគ្នា។ អភិវឌ្ឍដោយជោគជ័យនូវគំរូ (Prototypes) សម្រាប់ការប្រមូលផលប៉ោម និងម្ទេសប្លោកដោយស្វ័យប្រវត្តិ។

ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍនិងដាក់ពង្រាយមនុស្សយន្តកសិកម្មទាមទារការវិនិយោគទុនខ្ពស់លើបច្ចេកវិទ្យា និងអ្នកជំនាញកម្រិតខ្ពស់។

៣. ការពិនិត្យសម្រាប់បរិបទកម្ពុជា/អាស៊ីអាគ្នេយ៍

ភាពលំអៀងនៃទិន្នន័យ (Data Bias)៖

ការស្រាវជ្រាវ និងការអភិវឌ្ឍគំរូមនុស្សយន្តភាគច្រើនត្រូវបានធ្វើឡើងនៅក្នុងតំបន់អភិវឌ្ឍន៍ដូចជា អឺរ៉ុប សហរដ្ឋអាមេរិក អូស្ត្រាលី និងជប៉ុន ដែលមានដីកសិកម្មធំៗ និងរៀបចំជាប្រព័ន្ធល្អ។ នេះជាបញ្ហាប្រឈមសម្រាប់កម្ពុជា ដែលកសិដ្ឋានភាគច្រើនមានទំហំតូច ប្លង់ដីមិនសូវមានសណ្តាប់ធ្នាប់ និងខ្វះខាតហេដ្ឋារចនាសម្ព័ន្ធគាំទ្រ។

លទ្ធភាពនៃការអនុវត្ត (Applicability)៖

ទោះបីជាបច្ចេកវិទ្យាមនុស្សយន្តពេញលេញមានតម្លៃថ្លៃក្តី ប៉ុន្តែគំនិតនៃការធ្វើកសិកម្មដោយភាពសុក្រឹត (Precision Agriculture) គឺមានសារៈសំខាន់ខ្លាំងសម្រាប់កម្ពុជា។

ការបោះជំហានចូលទៅក្នុងការប្រើប្រាស់ឧបករណ៍ចាប់សញ្ញា (Sensors) និងការកែច្នៃគ្រឿងចក្រដែលមានស្រាប់ឱ្យទៅជាពាក់កណ្តាលស្វ័យប្រវត្តិ គឺជាយុទ្ធសាស្ត្រដ៏ប្រសើរបំផុតសម្រាប់កសិកម្មនៅកម្ពុជា។

៤. ផែនការសកម្មភាពសម្រាប់និស្សិត (Actionable Roadmap)

ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖

  1. សិក្សាមូលដ្ឋានគ្រឹះអគ្គិសនី និងមេកានិច: និស្សិតគួរចាប់ផ្តើមរៀនអំពីការបញ្ជាម៉ូទ័រ និងប្រព័ន្ធអគ្គិសនីមូលដ្ឋាន ដោយប្រើប្រាស់ Microcontrollers ដូចជា Arduino ឬ ESP32 ដើម្បីបង្កើតគំរូរថយន្តបញ្ជាពីចម្ងាយតូចៗ។
  2. ស្វែងយល់ពីបច្ចេកវិទ្យាចក្ខុវិស័យកុំព្យូទ័រ (Computer Vision): អនុវត្តការសរសេរកូដសម្រាប់កំណត់អត្តសញ្ញាណរុក្ខជាតិ និងស្មៅ ដោយប្រើប្រាស់ភាសា Python និងបណ្ណាល័យ OpenCV រួមជាមួយនឹងបច្ចេកទេស Machine Learning មូលដ្ឋាន។
  3. អភិវឌ្ឍប្រព័ន្ធ IoT សម្រាប់តាមដានទិន្នន័យកសិកម្ម: សាកល្បងបង្កើតប្រព័ន្ធតាមដានសំណើមដី និងអាកាសធាតុខ្នាតតូច ដោយប្រើប្រាស់ Soil Moisture Sensors និងភ្ជាប់ទិន្នន័យទៅកាន់ Cloud តាមរយៈបណ្តាញ LoRaWAN ឬ WiFi។
  4. សាងសង់គំរូមនុស្សយន្តរុករកស្វ័យប្រវត្តិ (Autonomous Prototype): រួមបញ្ចូលមុខងារទាំងអស់ខាងលើដើម្បីបង្កើតមនុស្សយន្តមានកង់ (Wheeled mobile robot) ដែលអាចរុករកដោយខ្លួនឯងតាមចន្លោះរងដំណាំ ដោយប្រើប្រាស់ប្រព័ន្ធ ROS (Robot Operating System) និង Lidar ខ្នាតតូច។
  5. សាកល្បងនៅទីវាល និងសហការជាមួយកសិករ: នាំយកគំរូមនុស្សយន្ត (Prototype) ទៅធ្វើការសាកល្បងផ្ទាល់នៅកសិដ្ឋានបន្លែក្នុងស្រុក ដើម្បីវាយតម្លៃប្រសិទ្ធភាពក្នុងស្ថានភាពជាក់ស្តែង និងកែលម្អការរចនាទៅតាមតម្រូវការរបស់កសិករខ្មែរ។

៥. វាក្យសព្ទបច្ចេកទេស (Technical Glossary)

ពាក្យបច្ចេកទេស ការពន្យល់ជាខេមរភាសា (Khmer Explanation) និយមន័យសាមញ្ញ (Simple Definition)
Precision Farming គឺជាការធ្វើកសិកម្មដោយប្រើប្រាស់បច្ចេកវិទ្យាទំនើបដើម្បីប្រមូលទិន្នន័យ (ដូចជាកម្រិតជី ទឹក និងស្ថានភាពដី) និងវិភាគដើម្បីផ្តល់នូវអ្វីដែលដំណាំត្រូវការយ៉ាងជាក់លាក់បំផុតនៅតាមចំណុចនីមួយៗ ដោយជៀសវាងការខ្ជះខ្ជាយ។ ដូចជាការឱ្យថ្នាំអ្នកជំងឺតាមវេជ្ជបញ្ជាត្រឹមត្រូវទៅតាមអាការៈរៀងៗខ្លួន ជំនួសឱ្យការឱ្យថ្នាំដូចៗគ្នាទៅមនុស្សគ្រប់គ្នា។
Machine Vision ជាបច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យម៉ាស៊ីន កុំព្យូទ័រ ឬមនុស្សយន្ត "មើលឃើញ" និងយល់ពីអ្វីដែលនៅជុំវិញវា តាមរយៈការប្រើប្រាស់កាមេរ៉ា និងកម្មវិធីវិភាគរូបភាព ដើម្បីធ្វើការសម្រេចចិត្ត (ឧទាហរណ៍៖ ការបែងចែករវាងស្មៅ និងដំណាំ)។ ដូចជាការបំពាក់ភ្នែកនិងខួរក្បាលឱ្យម៉ាស៊ីន ដើម្បីឱ្យវាស្គាល់ថាមួយណាជាផ្លែឈើទុំ និងមួយណាជាផ្លែឈើខ្ចី។
RTK-GPS ជាប្រព័ន្ធកំណត់ទីតាំងតាមផ្កាយរណបដែលមានភាពសុក្រឹតខ្ពស់កម្រិតសង់ទីម៉ែត្រ ដែលជួយឱ្យមនុស្សយន្តកសិកម្មដឹងពីទីតាំងរបស់វានៅលើទីវាលបានយ៉ាងច្បាស់លាស់បំផុត។ ដូចជាផែនទី Google Maps ជំនាន់ពិសេសនៅលើទូរស័ព្ទ ដែលអាចប្រាប់អ្នកបានច្បាស់ថារថយន្តរបស់អ្នកកំពុងជាន់លើគំនូសបន្ទាត់មួយណា។
Lidar ជាឧបករណ៍ប្រើពន្លឺឡាស៊ែរដើម្បីវាស់ចម្ងាយពីមនុស្សយន្តទៅវត្ថុជុំវិញខ្លួន ដែលជួយបង្កើតបានជាផែនទី 3D សម្រាប់ឱ្យមនុស្សយន្តអាចរុករកផ្លូវ និងគេចវេសពីឧបសគ្គផ្សេងៗ។ ដូចជាសត្វប្រចៀវប្រើសំឡេងដើម្បីដឹងពីទីតាំងឧបសគ្គនៅពេលយប់ តែឧបករណ៍ Lidar ប្រើពន្លឺឡាស៊ែរជំនួសវិញ។
Variable-rate technology ជាបច្ចេកវិទ្យាដែលអនុញ្ញាតឱ្យម៉ាស៊ីនកសិកម្មផ្លាស់ប្តូរបរិមាណនៃការដាក់ជី គ្រាប់ពូជ ឬបាញ់ថ្នាំដោយស្វ័យប្រវត្តិ ទៅតាមតម្រូវការជាក់ស្តែងនៃចំណុចនីមួយៗលើផ្ទៃដី។ ដូចជាម៉ាស៊ីនត្រជាក់ឆ្លាតវៃដែលចេះបញ្ចេញភាពត្រជាក់ខ្លាំងនៅកន្លែងដែលមានមនុស្សច្រើន និងបន្ថយភាពត្រជាក់នៅកន្លែងគ្មានមនុស្ស។
Color Segmentation ជាបច្ចេកទេសក្នុងដំណើរការវិភាគរូបភាព (Image Processing) ដែលកាត់បំបែករូបភាពជាផ្នែកៗដោយផ្អែកលើពណ៌ ដើម្បីញែកឱ្យដាច់រវាងពណ៌របស់ដំណាំ ស្មៅ និងដី។ ដូចជាការតម្រៀបស្ករគ្រាប់ M&M តាមពណ៌របស់វា ដើម្បីងាយស្រួលរើសយកតែគ្រាប់ពណ៌ក្រហម។
Mechatronics ជាការសិក្សាដែលរួមបញ្ចូលគ្នារវាងផ្នែកវិស្វកម្មមេកានិច (គ្រឿងម៉ាស៊ីន) អគ្គិសនី និងប្រព័ន្ធកុំព្យូទ័រ ដើម្បីបង្កើតប្រព័ន្ធស្វ័យប្រវត្តិ ឬមនុស្សយន្តឆ្លាតវៃ។ ដូចជាការយកសាច់ដុំ (មេកានិច) សរសៃប្រសាទ (អគ្គិសនី) និងខួរក្បាល (កុំព្យូទ័រ) មកផ្គុំបញ្ចូលគ្នាដើម្បីបង្កើតមនុស្សយន្ត។
NDVI ជាសន្ទស្សន៍ដែលប្រើដើម្បីវាស់វែងពីកម្រិតភាពបៃតង និងវាយតម្លៃសុខភាពរបស់រុក្ខជាតិ ឬដំណាំ ដោយផ្អែកលើរបៀបដែលរុក្ខជាតិស្រូបយក និងចំណាំងផ្លាតពន្លឺព្រះអាទិត្យ។ ដូចជាការប្រើទែម៉ូម៉ែត្រដើម្បីវាស់កម្តៅអ្នកជំងឺ តែនេះគឺជាការវាស់ពន្លឺដើម្បីដឹងថារុក្ខជាតិមានសុខភាពល្អឬអត់។

៦. ប្រធានបទពាក់ព័ន្ធ (Further Reading)

អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖

ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖