បញ្ហា (The Problem)៖ និក្ខេបបទនេះដោះស្រាយបញ្ហានៃការបង្កើតប្រព័ន្ធចំណាត់ថ្នាក់ និងរកឃើញវត្ថុក្នុងទីតាំង 3D ដែលមានតម្លៃសមរម្យដោយប្រើឧបករណ៍សេនស័រលើទីផ្សារជាជាងប្រើប្រាស់ឧបករណ៍សេនស័រដែលមានតម្លៃថ្លៃដូចជា LiDAR។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានបង្កើតប្រព័ន្ធតភ្ជាប់ពីចុងម្ខាងទៅចុងម្ខាង (End-to-End System) ដោយធ្វើសមកាលកម្មទិន្នន័យរូបភាពនិងជម្រៅ ដើម្បីស្វែងរកវត្ថុនិងកំណត់ទីតាំង។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Middle Pixel Value ការប្រើប្រាស់តម្លៃភីកសែលនៅចំណុចកណ្តាល |
មានដំណើរការលឿន (៥ ហ្វ្រេមក្នុងមួយវិនាទី) និងមានភាពងាយស្រួលបំផុតក្នុងការគណនាដោយពុំត្រូវការកម្លាំងម៉ាស៊ីនច្រើន។ | ងាយរងឥទ្ធិពលយ៉ាងខ្លាំងពីភីកសែលដែលខូច (Faulty pixels) និងមិនមានភាពជាក់លាក់ទេប្រសិនបើវត្ថុមិននៅចំកណ្តាលប្រអប់។ | ទទួលបានភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានជម្រៅត្រឹមតែ ៥៧.៩៩% ប៉ុណ្ណោះ។ |
| Bounding Box Mean Value ការគណនាតម្លៃមធ្យមនៃប្រអប់ព្រំដែនសរុប |
អាចជួយកាត់បន្ថយបញ្ហាភីកសែលខូចបានប្រសើរជាងវិធីសាស្ត្រទីមួយ ដោយទាញយកមធ្យមភាគនៃភីកសែលទាំងអស់។ | ដំណើរការយឺតជាងគេ (២.៥ ហ្វ្រេមក្នុងមួយវិនាទី) និងងាយរាប់បញ្ចូលភីកសែលផ្ទៃខាងក្រោយ ឬផ្ទៃខាងមុខដែលមិនពាក់ព័ន្ធចូលក្នុងការគណនា។ | ទទួលបានភាពត្រឹមត្រូវនៃការប៉ាន់ស្មានជម្រៅប្រមាណ ៨២.៨៩%។ |
| Proposed Depth Estimation Algorithm (9-grid cells) ក្បួនដោះស្រាយការប៉ាន់ស្មានជម្រៅដែលបានស្នើឡើង (បែងចែកជា ៩ ក្រឡា) |
អាចបំបាត់បញ្ហាភីកសែលខូច និងផាត់ចោលភីកសែលផ្ទៃខាងក្រោយបានយ៉ាងល្អ ព្រមទាំងរក្សាបាននូវល្បឿនមធ្យមដែលអាចទទួលយកបាន។ | ត្រូវការការគណនាស្មុគស្មាញជាងវិធីសាស្ត្រធម្មតាបន្តិច ដោយតម្រូវឱ្យមានការតម្រៀបទិន្នន័យ (Sorting) និងទាញយកតម្លៃមេដ្យាន (Median)។ | ទទួលបានភាពត្រឹមត្រូវខ្ពស់ជាងគេបំផុតក្នុងការប៉ាន់ស្មានជម្រៅ គឺរហូតដល់ ៨៧.៧៤% ជាមួយនឹងល្បឿន ៤ ហ្វ្រេមក្នុងមួយវិនាទី។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍប្រព័ន្ធនេះទាមទារការរួមបញ្ចូលគ្នារវាងផ្នែករឹងដែលមានតម្លៃសមរម្យ និងកុំព្យូទ័រដែលមានសមត្ថភាពដំណើរការក្រាហ្វិក (GPU) ខ្ពស់គួរសម ដើម្បីធានាបាននូវដំណើរការក្នុងពេលជាក់ស្តែង (Real-time)។
ការសិក្សានេះត្រូវបានធ្វើតេស្តដោយផ្តោតសំខាន់តែលើបរិយាកាសក្នុងផ្ទះ (Indoor) ជាមួយនឹងទិន្នន័យវត្ថុចំនួន៦ប្រភេទប៉ុណ្ណោះ (មនុស្ស កៅអី ទូរទស្សន៍ ដប សាឡុង សៀវភៅ)។ វាមិនអាចដំណើរការបានល្អនៅទីវាល ឬក្រៅផ្ទះនោះទេ ដោយសារកាំរស្មីអ៊ុលត្រាវីយូឡេ (IR) របស់សេនស័រ Kinect នឹងរងការរំខានពីពន្លឺព្រះអាទិត្យដោយផ្ទាល់។ សម្រាប់បរិបទប្រទេសកម្ពុជា កត្តានេះបញ្ជាក់ថាវាស័ក្តិសមបំផុតសម្រាប់ការប្រើប្រាស់តែក្នុងអគារ ដូចជារោងចក្រ ឃ្លាំងទំនិញ ឬមន្ទីរពេទ្យប៉ុណ្ណោះ។
ប្រព័ន្ធនេះមានសក្តានុពល និងលទ្ធភាពខ្ពស់សម្រាប់ការអនុវត្តជាក់ស្តែងនៅប្រទេសកម្ពុជា ដោយសារវាផ្តោតលើការប្រើប្រាស់ឧបករណ៍សេនស័រដែលមានតម្លៃថោកជំនួសឱ្យ LiDAR ថ្លៃៗ។
ជារួម បច្ចេកវិទ្យានេះគឺជាជម្រើសដ៏ល្អ និងសន្សំសំចៃបំផុតសម្រាប់គម្រោងក្នុងស្រុកដែលត្រូវការប្រព័ន្ធ Computer Vision កម្រិត 3D ដែលមានភាពជាក់លាក់ខ្ពស់សម្រាប់ការអភិវឌ្ឍប្រព័ន្ធស្វ័យប្រវត្តិកម្មក្នុងបរិយាកាសបិទជិត។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Deep Neural Networks | បណ្តាញសរសៃប្រសាទសិប្បនិម្មិតកម្រិតជ្រៅ គឺជាប្រព័ន្ធក្បួនដោះស្រាយរបស់កុំព្យូទ័រដែលត្រូវបានរចនាឡើងដោយត្រាប់តាមទម្រង់ខួរក្បាលរបស់មនុស្ស ដោយមានស្រទាប់វិភាគទិន្នន័យច្រើនជាន់តម្រួតគ្នា ដើម្បីរៀនស្គាល់ចំណុចពិសេស និងដោះស្រាយបញ្ហាស្មុគស្មាញ។ | វាដូចជាសិស្សដែលរៀនសូត្រពីកំហុសរបស់ខ្លួនឯងម្តងហើយម្តងទៀត រហូតដល់អាចចំណាំ និងដោះស្រាយលំហាត់ស្មុគស្មាញបានយ៉ាងស្ទាត់ជំនាញ។ |
| YOLO | YOLO (You Only Look Once) គឺជាក្បួនដោះស្រាយបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតមួយប្រភេទដែលប្រើសម្រាប់ចាប់យក និងចំណាត់ថ្នាក់វត្ថុក្នុងរូបភាពបានយ៉ាងលឿនក្នុងពេលជាក់ស្តែង ដោយវាដំណើរការទិន្នន័យរូបភាពទាំងមូលតែម្តងគត់ក្នុងពេលតែមួយ។ | វាដូចជាមនុស្សម្នាក់ដែលក្រឡេកមើលរូបថតតែមួយភ្លែត ក៏អាចប្រាប់បានភ្លាមៗថានៅក្នុងរូបនោះមានអ្នកណាខ្លះនិងនៅទីតាំងណាខ្លះ ជាជាងការស្កេនមើលម្តងមួយជ្រុងៗយ៉ាងយឺតៗ។ |
| Robot Operating System (ROS) | គឺជាប្រព័ន្ធកណ្តាល ឬក្របខណ្ឌកម្មវិធីកុំព្យូទ័រសម្រាប់ជួយសម្រួលដល់ការសរសេរកូដបញ្ជារ៉ូបូត ដែលវាអនុញ្ញាតឱ្យកម្មវិធីផ្នែករឹងនិងផ្នែកទន់ផ្សេងៗអាចទាក់ទងគ្នា និងផ្លាស់ប្តូរទិន្នន័យគ្នាទៅវិញទៅមកបានដោយរលូនតាមរយៈ Nodes និង Topics។ | វាដូចជាអ្នកបកប្រែភាសាកណ្តាលមួយនៅកន្លែងធ្វើការ ដែលជួយឱ្យបុគ្គលិកមកពីផ្នែកផ្សេងៗអាចប្រាស្រ័យទាក់ទង និងសហការគ្នាធ្វើការងារធំមួយបានជោគជ័យ។ |
| Depth Estimation | គឺជាដំណើរការនៃការគណនារកជម្រៅ ឬចម្ងាយពីឧបករណ៍កាមេរ៉ាទៅកាន់វត្ថុណាមួយក្នុងរូបភាព ដើម្បីកំណត់ទីតាំងពិតប្រាកដរបស់វត្ថុនោះក្នុងទម្រង់ជា 3D ជួយឱ្យកុំព្យូទ័រដឹងពីចម្ងាយពិតប្រាកដ។ | វាដូចជាយើងប្រើយ៉ាន់ទ័រ ឬខ្សែម៉ែត្រដើម្បីវាស់ចម្ងាយពីកន្លែងដែលយើងឈរទៅកាន់វត្ថុមួយនៅខាងមុខ ដើម្បីដឹងថាវានៅឆ្ងាយប៉ុណ្ណាពីយើង។ |
| Camera Calibration | គឺជាដំណើរការតម្រូវ និងកែតម្រូវសេនស័រកាមេរ៉ា (ឧទាហរណ៍ កាមេរ៉ាពណ៌ និងកាមេរ៉ាជម្រៅ) ឱ្យធ្វើសមកាលកម្មនិងស៊ីចង្វាក់គ្នា ដើម្បីកាត់បន្ថយភាពវៀចទ្រង់ទ្រាយនៃរូបភាព និងធានាថាទិន្នន័យដែលចាប់យកបានមកពីកាមេរ៉ាទាំងពីរត្រូវត្រួតស៊ីគ្នាបានល្អឥតខ្ចោះ។ | វាដូចជាការរឹតវីសកែសម្រួលកែវយឹតឱ្យច្បាស់ល្អ និងស្របគ្នា មុននឹងយើងយកវាទៅឆ្លុះមើលវត្ថុនៅឆ្ងាយ ដើម្បីកុំឱ្យមើលទៅព្រិល ឬឃើញខុសទីតាំងពិត។ |
| Bounding Box | គឺជាស៊ុមចតុកោណកែងដែលប្រព័ន្ធកុំព្យូទ័រគូសព័ទ្ធជុំវិញវត្ថុមួយនៅក្នុងរូបភាព ដើម្បីកំណត់ព្រំដែនតំបន់ និងទំហំដែលវត្ថុនោះស្ថិតនៅ សម្រាប់ការវិភាគបន្តនៅក្នុងប្រព័ន្ធ Computer Vision។ | វាដូចជាការយកប៊ិចពណ៌ក្រហមទៅគូសរង្វង់ ឬគូសប្រអប់ព័ទ្ធជុំវិញមុខរបស់នរណាម្នាក់ក្នុងចំណោមមនុស្សជាច្រើននៅក្នុងរូបថតរួម ដើម្បីបញ្ជាក់ប្រាប់គេថាជាអ្នកណាមួយឱ្យប្រាកដ។ |
| Convolutional Neural Network | គឺជាប្រភេទបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលពូកែខាងវិភាគទិន្នន័យជារូបភាព ដោយវាប្រើប្រាស់ស្រទាប់ច្រោះទិន្នន័យ (Filters) ជាច្រើនជាន់ដើម្បីទាញយកលក្ខណៈពិសេសៗរបស់វត្ថុ ដូចជា គែម ទម្រង់ជ្រុង ឬរាងមូលពីរូបភាពដើម។ | វាដូចជាការប្រើប្រាស់កែវពង្រីកដែលរំកិលស្កេនមើលលើរូបភាពម្តងបន្តិចៗ ដើម្បីស្វែងរកលក្ខណៈពិសេសៗ មុននឹងសន្និដ្ឋានប្រមូលផ្តុំគ្នាថាវត្ថុនោះជារូបអ្វីឱ្យប្រាកដ។ |
| Faulty Pixels | ជាចំណុចភីកសែលតូចៗនៅក្នុងរូបភាពកាមេរ៉ាជម្រៅ (Depth Image) ដែលផ្តល់នូវតម្លៃ ឬទិន្នន័យខុសប្រក្រតី (ខ្ពស់ពេក ឬទាបពេកមិនស៊ីនឹងភីកសែលជុំវិញ) ដែលជាទូទៅបណ្តាលមកពីការរំខានរបស់ពន្លឺ ឬបញ្ហាបច្ចេកទេសរបស់ឧបករណ៍ចាប់សញ្ញា។ | វាដូចជាចំណុចខ្មៅ ឬស្នាមប្រឡាក់តូចៗនៅលើកញ្ចក់វ៉ែនតារបស់យើង ដែលធ្វើឱ្យយើងមើលឃើញវត្ថុនៅត្រង់ចំណុចនោះខុសទម្រង់ដើម ឬគិតច្រឡំថាមានវត្ថុផ្សេងនៅទីនោះ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
