បញ្ហា (The Problem)៖ ការកំណត់អត្តសញ្ញាណមេរោគតាមបែបប្រពៃណីនៅមានកម្រិត ដោយសារការពឹងផ្អែកខ្លាំងលើកម្លាំងពលកម្ម ត្រូវការពេលវេលាយូរ និងងាយមានកំហុសបច្ចេកទេស ដែលជាបញ្ហាប្រឈមសម្រាប់តំបន់ដែលមានធនធានកម្រ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានអភិវឌ្ឍប្រព័ន្ធស្វ័យប្រវត្តិកម្មដោយប្រើបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) តាមរយៈគំរូ Convolutional Neural Networks (CNN) ដើម្បីវិភាគរូបភាពមីក្រូទស្សន៍ និងចាត់ថ្នាក់ប្រភេទមេរោគ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| SVM (Support Vector Machine) ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (វិធីសាស្ត្រ Machine Learning បែបបុរាណ) |
មានលក្ខណៈសាមញ្ញ និងងាយស្រួលក្នុងការអនុវត្តសម្រាប់ការចាត់ថ្នាក់ទិន្នន័យដែលមានលក្ខណៈសម្បត្តិមិនស្មុគស្មាញ។ | ពឹងផ្អែកខ្លាំងលើការដកស្រង់លក្ខណៈសម្បត្តិដោយដៃ (Handcrafted features) និងមានប្រសិទ្ធភាពទាបលើទិន្នន័យរូបភាពស្មុគស្មាញ។ | អត្រាភាពត្រឹមត្រូវ (Accuracy) ត្រឹមតែ ៧៨.៥%។ |
| KNN (K-Nearest Neighbors) វិធីសាស្ត្រ KNN (ចាត់ថ្នាក់ដោយផ្អែកលើទិន្នន័យដែលនៅជិតបំផុត) |
ងាយស្រួលយល់ និងមិនត្រូវការការបណ្តុះបណ្តាលគំរូ (Training) យូរដូចបណ្តាញសរសៃប្រសាទ។ | ដំណើរការយឺតពេលមានទិន្នន័យច្រើន និងមានភាពត្រឹមត្រូវទាបជាង Deep Learning ក្នុងការវិភាគរូបភាព។ | អត្រាភាពត្រឹមត្រូវ (Accuracy) ៨២.២%។ |
| VGG16 & ResNet50 គំរូ CNN ខ្នាតធំ (Deep Learning Models) |
ផ្តល់នូវអត្រាភាពត្រឹមត្រូវខ្ពស់ក្នុងការចាត់ថ្នាក់រូបភាព ដោយសារមានស្រទាប់ (Layers) ច្រើនសម្រាប់ចាប់យកលក្ខណៈសម្បត្តិ។ | ទាមទារធនធានកុំព្យូទ័រខ្ពស់ មានទំហំធំ (Size) និងដំណើរការយឺត (Inference time) ដែលមិនសមស្របសម្រាប់ទូរស័ព្ទ។ | អត្រាភាពត្រឹមត្រូវ VGG16 (៩៣.២%) និង ResNet50 (៩៤.៨%)។ |
| MobileNetV2 (Proposed Method) គំរូ CNN សម្រាប់ឧបករណ៍ចល័ត (វិធីសាស្ត្រស្នើឡើង) |
មានទំហំតូច (១៤ MB) ដំណើរការលឿន (៣៦ ms) និងមានប្រសិទ្ធភាពខ្ពស់សម្រាប់ការប្រើប្រាស់លើទូរស័ព្ទដៃ។ | អាចត្រូវការការបណ្តុះបណ្តាលបន្ថែម (Fine-tuning) ប្រសិនបើប្រភេទមេរោគមានលក្ខណៈស្រដៀងគ្នាខ្លាំង។ | អត្រាភាពត្រឹមត្រូវខ្ពស់បំផុត ៩៦.៣% និងផ្ទៃក្រោមខ្សែកោង (AUC) ០.៩៨។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តគម្រោងនេះទាមទារធនធានកម្រិតមធ្យមសម្រាប់ការបណ្តុះបណ្តាល ប៉ុន្តែមានតម្លៃទាបខ្លាំងនៅពេលដាក់ឱ្យប្រើប្រាស់ជាក់ស្តែង។
ការសិក្សានេះប្រើប្រាស់រូបភាពចំនួន ៨,០០០ ពីឃ្លាំងទិន្នន័យសាធារណៈ និងសំណាកមន្ទីរពិសោធន៍ ប៉ុន្តែមិនបានបញ្ជាក់ច្បាស់ពីប្រភពភូមិសាស្ត្រនៃមេរោគនោះទេ។ សម្រាប់កម្ពុជា នេះជាចំណុចសំខាន់ព្រោះប្រភេទបាក់តេរី ឬផ្សិតនៅតំបន់ត្រូពិកអាចមានលក្ខណៈខុសប្លែកពីតំបន់អឺរ៉ុប ឬអាមេរិក ដូច្នេះការយកមកប្រើផ្ទាល់អាចមានកំហុសឆ្គងខ្លះ។
បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់ណាស់សម្រាប់វិស័យសុខាភិបាលនៅកម្ពុជា ជាពិសេសនៅតាមតំបន់ជនបទ។
វាគឺជាដំណោះស្រាយដែលមានតម្លៃសមរម្យ និងអាចពង្រីកវិសាលភាពបាន (Scalable) ដើម្បីកាត់បន្ថយគម្លាតនៃសេវាវេជ្ជសាស្ត្ររវាងទីក្រុង និងជនបទ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Networks (CNNs) | ជាប្រភេទនៃបច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត (AI) ដែលមានជំនាញពិសេសក្នុងការវិភាគរូបភាព ដោយវាប្រើប្រាស់តម្រង (Filters) ដើម្បីស្កេន និងរៀនលំនាំ (Pattern) ដូចជា ខ្សែរាង ឬពណ៌ ដើម្បីសម្គាល់វត្ថុ។ | ដូចជាក្មេងតូចរៀនស្គាល់សត្វឆ្មា ដោយមើលទៅលើត្រចៀក ឬកន្ទុយ មិនមែនដោយការវាស់ទំហំសត្វនោះទេ។ |
| Transfer Learning | ជាបច្ចេកទេសដែលយកចំណេះដឹងពីគំរូ AI ដែលបានរៀនរួចរាល់ពីទិន្នន័យធំៗ (ដូចជា ImageNet) មកអនុវត្តបន្តលើបញ្ហាថ្មីដែលមានទិន្នន័យតិចជាង ដើម្បីចំណេញពេល និងបង្កើនប្រសិទ្ធភាព។ | ដូចជាអ្នកចេះបើកឡានដឹកទំនិញស្រាប់ រៀនបើកឡានតូច គឺងាយស្រួល និងលឿនជាងអ្នកមិនចេះបើកបរទាល់តែសោះ។ |
| Data Augmentation | ជាការបង្កើតទិន្នន័យបន្ថែមដោយការកែច្នៃរូបភាពដើម (ដូចជា បង្វិល ត្រឡប់ ឬប្តូរពន្លឺ) ដើម្បីឱ្យ AI រៀនបានច្រើនករណី និងកាត់បន្ថយការចងចាំទិន្នន័យដដែលៗ (Overfitting)។ | ដូចជាការថតចម្លងរូបថតមួយសន្លឹក ប៉ុន្តែបង្វិលឆ្វេងស្តាំ ឬធ្វើឱ្យព្រាលបន្តិច ដើម្បីឱ្យកុំព្យូទ័ររៀនស្គាល់វត្ថុនោះ ទោះបីស្ថិតក្នុងស្ថានភាពខុសគ្នាក៏ដោយ។ |
| MobileNetV2 | ជាឈ្មោះនៃរចនាសម្ព័ន្ធបណ្តាញសរសៃប្រសាទ (Neural Network Architecture) ដែលត្រូវបានរចនាឡើងពិសេសឱ្យមានទំហំតូច និងដំណើរការលឿន សាកសមសម្រាប់ដាក់ក្នុងទូរស័ព្ទដៃ។ | ដូចជាម៉ាស៊ីនឡានតូច (Eco car) ដែលស៊ីសាំងតិច និងរត់បានលឿនល្មម សាកសមសម្រាប់ការប្រើប្រាស់ប្រចាំថ្ងៃ។ |
| Otsu’s Thresholding | ជាវិធីសាស្ត្រគណិតវិទ្យាសម្រាប់បែងចែករូបភាពជាពីរផ្នែកសំខាន់ៗ គឺវត្ថុដែលយើងចង់មើល (មេរោគ) និងផ្ទៃខាងក្រោយ (Background) ដោយស្វ័យប្រវត្តិ ដើម្បីងាយស្រួលវិភាគ។ | ដូចជាការកាត់រូបមនុស្សចេញពីទេសភាពខាងក្រោយ ដើម្បីយកតែរូបមនុស្សមកពិនិត្យ។ |
| Histogram Equalization | ជាបច្ចេកទេសកែរូបភាពឱ្យច្បាស់ ដោយការបែងចែកកម្រិតពន្លឺឱ្យស្មើគ្នា ធ្វើឱ្យឃើញលម្អិតនៃរូបភាពកាន់តែច្បាស់ ជាពិសេសនៅកន្លែងងងឹត ឬភ្លឺពេក។ | ដូចជាការបន្ថែមពន្លឺទៅលើរូបថតដែលងងឹត ដើម្បីឱ្យយើងមើលឃើញរបស់នៅក្នុងនោះបានច្បាស់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
