បញ្ហា (The Problem)៖ ជំងឺផ្សិតម្សៅលើស្រូវសាលី (Wheat powdery mildew) បង្កផលប៉ះពាល់យ៉ាងធ្ងន់ធ្ងរដល់ទិន្នផល និងគុណភាពស្រូវ។ ការបាញ់ថ្នាំសម្លាប់ផ្សិតលើផ្ទៃដីធំទូលាយចំណាយថវិកាច្រើន និងប៉ះពាល់ដល់បរិស្ថាន ហេតុនេះទាមទារឱ្យមានវិធីសាស្ត្ររកឃើញច្បាស់លាស់សម្រាប់បាញ់ថ្នាំតែលើតំបន់មានជំងឺ (Selective spraying)។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតម៉ូដែលរកឃើញវត្ថុដោយផ្អែកលើបច្ចេកវិទ្យាសិក្សាស៊ីជម្រៅ (Deep Learning) តាមរយៈការប្រើប្រាស់ទម្រង់ស្ថាបត្យកម្ម YOLOv8 ផ្សេងៗគ្នា ដើម្បីរកឃើញជំងឺផ្សិតម្សៅពីក្នុងរូបភាពឌីជីថលនៃស្លឹកស្រូវសាលី។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| YOLOv8n (Nano) ម៉ូដែល YOLOv8n (ទំហំតូចបំផុត) |
មានទំហំតូចបំផុត (6.2 MB) និងល្បឿនដំណើរការលឿនខ្លាំង (0.5 ms) ដែលស័ក្តិសមបំផុតសម្រាប់ដំណើរការលើឧបករណ៍ចល័ត ឬដ្រូនដែលមានធនធានតិច។ | មានកម្រិតភាពត្រឹមត្រូវ (mAP50: 0.76) និងអត្រាចាប់បាន (Recall: 0.74) ទាបជាងម៉ូដែលទំហំធំបន្តិច។ | ទទួលបានពិន្ទុ F1 0.82 និង mAP50 0.76។ |
| YOLOv8m (Medium) ម៉ូដែល YOLOv8m (ទំហំមធ្យម) |
ផ្តល់នូវតុល្យភាពល្អបំផុតរវាងភាពត្រឹមត្រូវខ្ពស់ និងល្បឿនដំណើរការលឿនល្មម ដែលស័ក្តិសមសម្រាប់ការប្រើប្រាស់ជាក់ស្តែងក្នុងការរកឃើញជំងឺ។ | មានទំហំធំជាងមុនបន្តិច (52.0 MB) និងស៊ីពេលដំណើរការយូរជាងម៉ូដែល Nano (2.3 ms)។ | ទទួលបានពិន្ទុ F1 0.87 និង mAP50 0.81 ជាជម្រើសល្អបំផុត និងត្រូវបានជ្រើសរើសសម្រាប់ការសិក្សានេះ។ |
| YOLOv8x (Extra Large) ម៉ូដែល YOLOv8x (ទំហំធំបំផុត) |
មានអត្រាចាប់បាន (Recall: 0.79) ខ្ពស់ជាងគេបំផុត បើធៀបនឹងម៉ូដែលផ្សេងទៀត ដែលជួយកាត់បន្ថយការរំលងតំបន់មានជំងឺ។ | ទំហំធំខ្លាំង (136.7 MB) និងល្បឿនយឺតជាងគេ (5.8 ms) ដែលធ្វើឱ្យពិបាកដំណើរការលើឧបករណ៍ចល័តធម្មតាក្នុងប្រព័ន្ធផ្ទាល់ (Real-time)។ | ទទួលបានពិន្ទុ F1 0.87 និង mAP50 0.81 ដូចគ្នាទៅនឹងម៉ូដែលមធ្យមដែរ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះតម្រូវឱ្យមានការប្រើប្រាស់ធនធានកុំព្យូទ័រដែលមានកម្លាំងខ្លាំងសម្រាប់ការហ្វឹកហាត់ម៉ូដែល ប៉ុន្តែអាចដំណើរការបានយ៉ាងងាយស្រួលលើឧបករណ៍ស្មាតហ្វូននៅពេលយកទៅប្រើប្រាស់ជាក់ស្តែង (Inference)។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅសាកលវិទ្យាល័យ Tekirdag Namik Kemal ប្រទេសទួរគី ដោយផ្តោតលើពូជស្រូវសាលី Flamura-85 ក្នុងលក្ខខណ្ឌអាកាសធាតុត្រជាក់សមល្មម (ខែឧសភា)។ ទិន្នន័យនេះមិនមានភាពចម្រុះគ្រប់គ្រាន់សម្រាប់លក្ខខណ្ឌអាកាសធាតុត្រូពិច ឬប្រភេទដំណាំដទៃទៀតឡើយ។ សម្រាប់ប្រទេសកម្ពុជា ការបង្វែរវិធីសាស្ត្រនេះមកប្រើលើដំណាំស្រូវ ដែលជាដំណាំយុទ្ធសាស្ត្រជាតិ គឺជារឿងចាំបាច់បំផុត ដោយសារបរិយាកាស និងប្រភេទជំងឺ (ដូចជាជំងឺប្លាសស្រូវ) មានភាពខុសគ្នាស្រឡះ។
ទោះបីជាការសិក្សានេះផ្តោតលើស្រូវសាលីក៏ពិតមែន ប៉ុន្តែវិធីសាស្ត្ររកឃើញជំងឺដោយប្រើប្រាស់រូបភាពកាមេរ៉ាស្មាតហ្វូន និងម៉ូដែល YOLOv8 នេះ មានសក្តានុពលខ្ពស់ណាស់ក្នុងការដោះស្រាយបញ្ហាជំងឺដំណាំនៅកម្ពុជា។
ការទាញយកបច្ចេកវិទ្យា AI ដែលមានតម្លៃសមរម្យ និងងាយស្រួលប្រើប្រាស់តាមរយៈកាមេរ៉ាធម្មតានេះ នឹងជួយលើកកម្ពស់ផលិតភាពកសិកម្មកម្ពុជាឱ្យកាន់តែមានភាពឆ្លាតវៃ និងកាត់បន្ថយការខាតបង់ធនធាន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| YOLO (You Only Look Once) | ជាក្បួនអាល់កូរីតទស្សនវិស័យកុំព្យូទ័រ (Computer Vision) ប្រភេទតំណាក់កាលតែមួយ (One-stage detector) ដែលដំណើរការកាត់រូបភាពជាក្រឡាចត្រង្គ ហើយទស្សន៍ទាយប្រអប់វត្ថុ និងប្រភេទវត្ថុក្នុងពេលតែមួយ ដែលធ្វើឱ្យវាមានល្បឿនលឿនខ្លាំងសម្រាប់ការប្រកាសលទ្ធផលភ្លាមៗ (Real-time detection)។ | ដូចជាមនុស្សម្នាក់ដែលគ្រាន់តែក្រឡេកមើលរូបភាពមួយភ្លែត ក៏អាចប្រាប់បានភ្លាមៗថានរណា ឬអ្វីខ្លះនៅទីណាក្នុងរូបភាពនោះ ដោយមិនបាច់ពិនិត្យម្តងមួយចំណុច។ |
| Selective spraying | ជាបច្ចេកទេសក្នុងកសិកម្មច្បាស់លាស់ (Precision Agriculture) ដែលប្រើប្រាស់សេនស័រ ឬម៉ូដែល AI ដើម្បីស្កេនរកមើលតែតំបន់ស្លឹកឈើដែលមានជំងឺ ឬសត្វល្អិត រួចធ្វើការបាញ់ថ្នាំតែត្រង់ចំណុចគោលដៅនោះប៉ុណ្ណោះ ដើម្បីសន្សំសំចៃការចំណាយ និងកាត់បន្ថយការបំពុលបរិស្ថាន។ | ដូចជាការលាបថ្នាំរឹតលើស្បែកតែត្រង់កន្លែងដែលមុត ឬឈឺ ជំនួសឱ្យការលាបថ្នាំពេញទូទាំងរាងកាយ។ |
| Data Augmentation | ជាវិធីសាស្ត្រក្នុងការបង្កើតទិន្នន័យថ្មីៗបន្ថែមពីលើទិន្នន័យដើម ដោយធ្វើការកែច្នៃរូបភាពដូចជា ការបង្វិល (Flip) ការកាត់ (Crop) ឬការប្តូរកម្រិតពន្លឺ (Contrast) ដើម្បីបង្រៀនម៉ូដែល AI ឱ្យស្គាល់វត្ថុក្នុងស្ថានភាពប្លែកៗគ្នា និងការពារកុំឱ្យម៉ូដែលទន្ទេញចាំតែរូបភាពចាស់ៗ (Overfitting)។ | ដូចជាការឱ្យសិស្សមើលរូបភាពសត្វឆ្មាពីជ្រុងផ្សេងៗគ្នា ទាំងពេលថ្ងៃ ពេលយប់ ឬរូបបញ្ច្រាស ដើម្បីឱ្យពួកគេចំណាំសត្វឆ្មាបានគ្រប់កាលៈទេសៈ។ |
| Bounding box | ជាប្រអប់ចតុកោណដែលត្រូវបានគូសហ៊ុំព័ទ្ធវត្ថុគោលដៅ (ឧទាហរណ៍៖ ស្លឹកមានជំងឺផ្សិត) នៅក្នុងរូបភាព ដើម្បីប្រាប់កុំព្យូទ័រឱ្យដឹងពីទីតាំងពិតប្រាកដ និងទំហំរបស់វត្ថុនោះ កំឡុងពេលហ្វឹកហាត់ និងពេលបញ្ចេញលទ្ធផល។ | ដូចជាការយកប៊ិចហ្វឺតពណ៌ក្រហមទៅគូសរង្វង់ព័ទ្ធជុំវិញមុខឧក្រិដ្ឋជននៅក្នុងផ្ទាំងរូបភាព ដើម្បីងាយស្រួលចំណាំសញ្ញាសម្គាល់។ |
| Transfer learning | ជាវិធីសាស្ត្រសិក្សាស៊ីជម្រៅ (Deep Learning) ដែលយកម៉ូដែល AI ដែលធ្លាប់ត្រូវបានហ្វឹកហាត់រួចជាស្រេចលើទិន្នន័យទូទៅរាប់លានរូបភាព មកហ្វឹកហាត់បន្តលើទិន្នន័យថ្មីដែលមានចំនួនតិចតួច (ដូចជារូបភាពជំងឺស្រូវសាលី) ដើម្បីសន្សំពេលវេលា កម្លាំងម៉ាស៊ីន និងបង្កើនភាពត្រឹមត្រូវ។ | ដូចជាការយកអ្នកពូកែជិះកង់ស្រាប់ ទៅបង្រៀនឱ្យចេះជិះម៉ូតូ គឺលឿនជាងការបង្រៀនមនុស្សដែលមិនធ្លាប់ចេះជិះអ្វីសោះ។ |
| mAP (Mean Average Precision) | ជារង្វាស់រង្វាល់ (Metric) ស្តង់ដារមួយដែលប្រើសម្រាប់វាយតម្លៃគុណភាពរួមរបស់ម៉ូដែលរកឃើញវត្ថុ ដោយវាគណនាជាមធ្យមនូវភាពសុក្រឹតនៃការចាប់បានវត្ថុ និងភាពត្រឹមត្រូវនៃទីតាំងប្រអប់ធៀបនឹងទីតាំងពិតប្រាកដ ឆ្លងកាត់កម្រិតវាស់វែងផ្សេងៗគ្នា។ | ដូចជាពិន្ទុប្រឡងសរុបប្រចាំឆ្នាំរបស់សិស្ស ដែលឆ្លុះបញ្ចាំងថាតើសិស្សនោះឆ្លើយត្រូវប៉ុន្មានសំណួរ ហើយចម្លើយនីមួយៗនោះច្បាស់លាស់កម្រិតណា។ |
| Eigen-CAM | ជាបច្ចេកទេសបង្កើតរូបភាពពណ៌ (Heatmap visualization) ដើម្បីពន្យល់ពីការសម្រេចចិត្តរបស់ម៉ូដែល AI ដោយវាបង្ហាញពណ៌ក្រហមលើតំបន់ដែលម៉ូដែលបានយកចិត្តទុកដាក់ខ្លាំងជាងគេ (ឧទាហរណ៍៖ ចំណុចផ្សិតពណ៌សលើស្លឹក) ពេលវាធ្វើការទស្សន៍ទាយរកជំងឺ។ | ដូចជាការប្រើកាមេរ៉ាចាប់កម្តៅ (Thermal camera) ដើម្បីមើលថាតើផ្នែកណានៃម៉ាស៊ីនដែលមានកម្តៅខ្លាំងជាងគេពេលកំពុងដំណើរការ។ |
| Intersection over Union (IoU) | ជារង្វាស់ភាគរយ (ចន្លោះពី 0 ទៅ 1) ដែលវាស់ស្ទង់ការត្រួតស៊ីគ្នារវាងប្រអប់ដែលម៉ូដែលបានទស្សន៍ទាយ និងប្រអប់ពិតប្រាកដដែលមនុស្សបានគូសជាមុន។ ប្រសិនបើតម្លៃ IoU កាន់តែខិតជិត 1 មានន័យថាម៉ូដែលកំណត់ទីតាំងវត្ថុបានកាន់តែចំល្អ និងត្រឹមត្រូវ។ | ដូចជាការយកក្រដាសកាត់ពីរផ្ទាំងមកដាក់ត្រួតលើគ្នា បើវាស៊ីគ្នាជិតប៉ុនគ្នាបេះបិទ នោះមានន័យថាតម្លៃការត្រួតស៊ីគ្នានេះគឺជិតស្មើពេញលេញ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
