បញ្ហា (The Problem)៖ ឯកសារនេះដោះស្រាយបញ្ហាទាក់ទងនឹងការវាស់កម្ពស់ដើមឈើក្នុងការស្រាវជ្រាវធនធានព្រៃឈើ ដែលវិធីសាស្ត្រប្រពៃណីនិងឧបករណ៍ស្ទង់ទំនើបៗមានតម្លៃថ្លៃ ត្រូវការកម្លាំងពលកម្មច្រើន ចំណាយពេលយូរ និងមានភាពស្មុគស្មាញ។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានស្នើឡើងនូវវិធីសាស្ត្រវាស់កម្ពស់ដើមឈើថ្មីដោយផ្អែកលើការស្ថាបនាទម្រង់ត្រីមាត្រ (3D Reconstruction) តាមរយៈកម្មវិធីស្មាតហ្វូន (Android App) ប្រកបដោយភាពងាយស្រួលនិងស្វ័យប្រវត្តិ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Proposed: 3D Reconstruction using Smartphone (ARCore + MidasNet + Depth-Attention-UNet) ការវាស់កម្ពស់ដោយស្ថាបនាទម្រង់ត្រីមាត្រ (3D Reconstruction) តាមរយៈស្មាតហ្វូន |
មានភាពងាយស្រួល ចំណាយតិច លឿនរហ័ស និងមិនតម្រូវឱ្យមានឧបករណ៍វាស់ខ្នាត (Calibration Objects) ស្មុគស្មាញឡើយ។ | ភាពត្រឹមត្រូវអាចធ្លាក់ចុះនៅពេលថតពីចម្ងាយឆ្ងាយ ឬមានស្លឹកឈើបាំងច្រើន ដែលធ្វើឱ្យការចាប់ចំណុចពពក (Point Cloud) មិនសូវច្បាស់។ | ទទួលបានកម្រិតកំហុសធៀបជាមធ្យមត្រឹមតែ ៣,២០% ប៉ុណ្ណោះ ក្នុងចម្ងាយថតពី ២ ទៅ ១៧ ម៉ែត្រ។ |
| Baseline: Ultrasonic Rangefinder (Vertex IV) ការវាស់ដោយប្រើប្រាស់ឧបករណ៍វាស់ចម្ងាយដោយរលកសំឡេង (Ultrasonic Rangefinder) |
មានភាពត្រឹមត្រូវខ្ពស់បំផុត និងត្រូវបានទទួលស្គាល់ជាស្តង់ដារសម្រាប់ការចុះអង្កេតព្រៃឈើជាសកល។ | ឧបករណ៍មានតម្លៃថ្លៃ ពិបាកយកតាមខ្លួនក្នុងព្រៃជ្រៅ និងត្រូវការពេលវេលារៀបចំដំឡើង (Transponder) ដោយកម្លាំងមនុស្ស។ | ត្រូវបានប្រើប្រាស់ជាទិន្នន័យគោល (Ground Truth) សម្រាប់ប្រៀបធៀបដើម្បីវាយតម្លៃភាពត្រឹមត្រូវនៃវិធីសាស្ត្រថ្មី។ |
| Standard Image Segmentation (Attention-UNet without depth) ការបំបែករូបភាពដើមឈើដោយប្រើបណ្តាញ Attention-UNet ទូទៅ (គ្មានប្រើទិន្នន័យជម្រៅ) |
អាចបំបែកទម្រង់ដើមឈើចេញពីផ្ទៃខាងក្រោយបានល្អក្នុងស្ថានភាពដែលរូបភាពមានពណ៌ដាច់ស្រឡះពីគ្នា។ | ជួបការលំបាកក្នុងការបំបែកដើមឈើពីរដែលដុះត្រួតស៊ីគ្នា ឬមានពណ៌ស្រដៀងនឹងផ្ទៃខាងក្រោយ ធ្វើឱ្យមានកំហុសក្នុងការកាត់ផ្តាច់រូបភាព។ | ទទួលបានកម្រិតចំណុចកាត់ប្រសព្វ (IoU) ត្រឹមតែ ៩១,២០% ធៀបនឹង ៩៥,៣១% របស់ម៉ូដែលស្នើឡើងថ្មីដែលមានបន្ថែមទិន្នន័យជម្រៅ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារនូវឧបករណ៍ស្មាតហ្វូនធម្មតាដែលគាំទ្រមុខងារ AR សម្រាប់ការទាញយកទិន្នន័យ និងប្រព័ន្ធម៉ាស៊ីនមេ (Server) ដែលមានសមត្ថភាពខ្ពស់ក្នុងការដំណើរការ AI និង Point Cloud ។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងបរិវេណសាកលវិទ្យាល័យ Guangxi ប្រទេសចិន ដែលដើមឈើភាគច្រើនមានការរៀបចំដាំមានរបៀបរៀបរយ និងមានផ្ទៃខាងក្រោយមិនសូវស្មុគស្មាញ។ ចំណុចនេះមានសារៈសំខាន់សម្រាប់ប្រទេសកម្ពុជា ដោយសារព្រៃឈើធម្មជាតិនៅកម្ពុជាមានសភាពក្រាស់ និងស្មុគស្មាញខ្លាំង ដែលអាចទាមទារឱ្យមានការបង្ហាត់ម៉ូដែលឡើងវិញ (Fine-tuning) ជាមួយទិន្នន័យក្នុងស្រុក ដើម្បីធានាបាននូវភាពត្រឹមត្រូវនៅពេលប្រើប្រាស់ជាក់ស្តែង។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់និងមានប្រយោជន៍ខ្លាំងសម្រាប់ការគ្រប់គ្រងធនធានព្រៃឈើ ការសិក្សាជីវចម្រុះ និងវិស័យកសិកម្មនៅកម្ពុជា ដោយសារវាជួយសន្សំសំចៃការចំណាយបានយ៉ាងច្រើន។
ជារួម បច្ចេកវិទ្យានេះអាចធ្វើបដិវត្តន៍របៀបដែលកម្ពុជាធ្វើការអង្កេតព្រៃឈើ ដោយបំប្លែងវាទៅជាសកម្មភាពដែលមានតម្លៃទាប លឿនរហ័ស និងអនុញ្ញាតឱ្យសហគមន៍មូលដ្ឋានអាចចូលរួមបានយ៉ាងងាយស្រួល។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Depth from Motion (DfM) | បច្ចេកវិទ្យាដែលប្រើប្រាស់កាមេរ៉ាតែមួយដើម្បីថតរូបភាពបន្តបន្ទាប់គ្នាពេលកាមេរ៉ាផ្លាស់ទី ហើយគណនាចម្ងាយពីកាមេរ៉ាទៅកាន់វត្ថុដោយផ្អែកលើការផ្លាស់ប្តូរទីតាំងនៃវត្ថុក្នុងបណ្តុំរូបភាពទាំងនោះ។ | ដូចជាពេលយើងអង្គុយលើឡានកំពុងបើកបរ ហើយសង្កេតឃើញដើមឈើនៅជិតរត់លឿនជាងភ្នំនៅឆ្ងាយ ដែលបាតុភូតនេះជួយឱ្យប្រព័ន្ធដឹងថាវត្ថុណាជិត វត្ថុណាឆ្ងាយ។ |
| Absolute Depth Map | ផែនទីរូបភាពដែលចំណុចភីកសែល (Pixel) នីមួយៗមិនមែនផ្ទុកទិន្នន័យពណ៌ទេ ប៉ុន្តែផ្ទុកនូវទិន្នន័យចម្ងាយពិតប្រាកដ (គិតជាមីលីម៉ែត្រ ឬម៉ែត្រ) ពីកាមេរ៉ាទៅកាន់ផ្ទៃនៃវត្ថុដែលវាបានចាប់យក។ | ដូចជាការយកបន្ទាត់ទៅវាស់ចម្ងាយពីភ្នែកយើងទៅកាន់គ្រប់ចំណុចទាំងអស់នៅលើវត្ថុមួយ រួចកត់ត្រាចម្ងាយទាំងនោះទុកជាផ្ទាំងគំនូរ។ |
| Attention-UNet | ម៉ូដែលបណ្ដាញបញ្ញាសិប្បនិម្មិត (AI) ដែលប្រើប្រាស់យន្តការផ្តោតអារម្មណ៍ (Attention Mechanism) ដើម្បីរំលេចលក្ខណៈពិសេសរបស់វត្ថុគោលដៅ និងកាត់ផ្តាច់រូបភាពវត្ថុនោះចេញពីផ្ទៃខាងក្រោយដែលស្មុគស្មាញ។ | ដូចជានិស្សិតម្នាក់ដែលពាក់វ៉ែនតាវេទមន្តអាចច្រោះមើលឃើញតែពណ៌បៃតងនៃដើមឈើ ដោយមិនខ្វល់ ឬមិនចាប់អារម្មណ៍ពីអគារ ឬមេឃដែលនៅពីក្រោយវានោះទេ។ |
| 3D Point Cloud | បណ្តុំនៃចំណុចតូចៗរាប់លាននៅក្នុងលំហត្រីមាត្រ (3D) ដែលចំណុចនីមួយៗមានផ្ទុកនូវព័ត៌មានទីតាំងអ័ក្ស (x, y, z) និងពណ៌ ដើម្បីសង់ផ្គុំចេញជារូបរាងសរុបនៃវត្ថុណាមួយ។ | ដូចជាការយកគ្រាប់ខ្សាច់មានពណ៌រាប់លានគ្រាប់មកបិទផ្គុំគ្នាឱ្យអណ្តែតចេញជារូបរាងដើមឈើនៅក្នុងលំហអាកាសអ៊ីចឹងដែរ។ |
| Image Segmentation | បច្ចេកទេសក្នុងវិទ្យាសាស្ត្រកុំព្យូទ័រចក្ខុ (Computer Vision) ដែលបែងចែករូបភាពមួយទៅជាផ្នែកៗដោយផ្តល់ស្លាក (Label) ទៅកាន់ភីកសែលនីមួយៗ ដើម្បីញែកវត្ថុដែលយើងចង់បានចេញពីផ្ទៃខាងក្រោយ។ | ដូចជាការប្រើកន្ត្រៃកាត់ផ្តាច់រូបភាពដើមឈើចេញពីទស្សនាវដ្តី ដោយយកតែតួដើមឈើសុទ្ធ និងបោះចោលរូបភាពមេឃ ឬដី។ |
| Radius Filtering | ដំណើរការនៃការសម្អាតទិន្នន័យចំណុចពពក (Point Cloud) ដោយលុបចោលនូវចំណុចណាដែលនៅឯកកោ ឬគ្មានចំណុចផ្សេងទៀតនៅក្បែរវាក្នុងកម្រិតកាំ (Radius) ដែលបានកំណត់ ដើម្បីកាត់បន្ថយភាពរំខាននៃរូបភាព (Noise)។ | ដូចជាការរែងយកកម្ទេចកំទីដែលរសាត់នៅដាច់ឆ្ងាយពីគេចេញ ដើម្បីទទួលបានតែដុំវត្ថុគោលដៅណាដែលនៅផ្តុំគ្នាជាដុំធំ។ |
| Axis-aligned bounding box | ការសង់ប្រអប់ចតុកោណកែងមួយគ្របតួដើមឈើទាំងមូលនៅក្នុងទម្រង់ 3D ដោយឱ្យស្របទៅនឹងអ័ក្សប្រព័ន្ធកូអរដោនេ ដើម្បីទាញយកទំហំ ឬកម្ពស់អតិបរមារបស់វត្ថុនោះតាមរយៈប្រវែងអ័ក្ស Y នៃប្រអប់នោះ។ | ដូចជាការយកកេសក្រដាសរាងចតុកោណកែងទៅគ្របពីលើដើមឈើឱ្យជិតសព្វ ហើយបន្ទាប់មកយើងវាស់កម្ពស់កេសនោះជំនួសឱ្យការវាស់ដើមឈើផ្ទាល់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
