បញ្ហា (The Problem)៖ ការរកឃើញជំងឺរុក្ខជាតិដោយការត្រួតពិនិត្យផ្ទាល់ភ្នែកគឺមានភាពយឺតយ៉ាវ ងាយមានកំហុស និងចំណាយពេលច្រើន ដែលទាមទារឱ្យមានប្រព័ន្ធស្វ័យប្រវត្តិដើម្បីទប់ស្កាត់ការខូចខាតទិន្នផលកសិកម្ម។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់វិធីសាស្ត្ររៀនស៊ីជម្រៅ (Deep Learning) ដោយរួមបញ្ចូលបណ្តាញ CNN ជាមួយនឹងការរៀនផ្ទេរចំណេះដឹង (Transfer Learning) ដើម្បីវិភាគរូបភាពស្លឹករុក្ខជាតិ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Manual Visual Inspection ការត្រួតពិនិត្យដោយផ្ទាល់ភ្នែក |
មិនត្រូវការចំណេះដឹងផ្នែកបច្ចេកវិទ្យាទំនើប ឬឧបករណ៍កុំព្យូទ័រស្មុគស្មាញឡើយ។ | មានភាពយឺតយ៉ាវ ងាយមានកំហុស ចំណាយកម្លាំងពលកម្មច្រើន និងពិបាករកឃើញជំងឺនៅដំណាក់កាលដំបូង។ | ភាពត្រឹមត្រូវទាប និងពឹងផ្អែកខ្លាំងលើបទពិសោធន៍របស់អ្នកត្រួតពិនិត្យផ្ទាល់។ |
| Standard CNN Models (e.g., AlexNet, VGG) ម៉ូដែល CNN ធម្មតាដោយមិនមានការរៀនផ្ទេរចំណេះដឹង |
អាចទាញយកលក្ខណៈពិសេសពីរូបភាពដោយស្វ័យប្រវត្តិសម្រាប់ការចាត់ថ្នាក់ប្រភេទជំងឺ។ | ទាមទារទិន្នន័យរូបភាពច្រើនសន្ធឹកសន្ធាប់ និងចំណាយធនធានគណនា (GPU) និងពេលវេលាយូរសម្រាប់ការបង្ហាត់។ | ទទួលបានភាពសុក្រឹតប្រមាណ 84.54% ទៅ 95.12% អាស្រ័យលើម៉ូដែលនិងទំហំទិន្នន័យ។ |
| Proposed Ensemble CNN with Transfer Learning, Bounding Box & BGWO ម៉ូដែលបណ្តុំ CNN ប្រើ Transfer Learning, ការកាត់ផ្ទៃរូបភាព និងក្បួន BGWO |
ត្រូវការទិន្នន័យតិចសម្រាប់បង្ហាត់ កាត់បន្ថយទំហំគណនារបស់កុំព្យូទ័រ និងចាប់យកលក្ខណៈពិសេសបានយ៉ាងច្បាស់។ | ទាមទារការរៀបចំប្រព័ន្ធស្មុគស្មាញ និងការរួមបញ្ចូលក្បួនដោះស្រាយច្រើនចូលគ្នា។ | ផ្តល់លទ្ធផលលើសពីម៉ូដែលមុនៗ មានភាពសុក្រឹតខ្ពស់បំផុត និងស័ក្តិសមសម្រាប់ការប្រើប្រាស់ជាក់ស្តែង (Real-time) លើទូរស័ព្ទដៃ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធស្វែងរកជំងឺរុក្ខជាតិដោយស្វ័យប្រវត្តិនេះ ទាមទារធនធានកុំព្យូទ័រសម្រាប់ការបង្ហាត់ម៉ូដែល និងសំណុំទិន្នន័យរូបភាពដែលមានគុណភាពខ្ពស់។
ការសិក្សានេះផ្តោតសំខាន់លើការរកឃើញជំងឺស្លឹកស្រូវសាលី និងស្រូវដោយប្រើទិន្នន័យរូបភាពពីតំបន់ជាក់លាក់មួយ។ សម្រាប់ប្រទេសកម្ពុជា ការប្រើប្រាស់ម៉ូដែលនេះអាចមានភាពលំអៀង ដោយសារលក្ខខណ្ឌអាកាសធាតុ ពន្លឺ និងប្រភេទពូជដំណាំក្នុងស្រុកមានភាពខុសគ្នា ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យរូបភាពនៅក្នុងស្រុកផ្ទាល់ដើម្បីបង្ហាត់ម៉ូដែលឡើងវិញ។
វិធីសាស្ត្រនេះមានសក្តានុពលខ្ពស់ខ្លាំងក្នុងការគាំទ្រដល់វិស័យកសិកម្មឆ្លាតវៃ (Smart Agriculture) នៅក្នុងប្រទេសកម្ពុជា។
ជារួម ការអនុវត្តបច្ចេកវិទ្យានេះនឹងជួយពង្រឹងសន្តិសុខស្បៀង និងបង្កើនប្រាក់ចំណូលដល់កសិករកម្ពុជាតាមរយៈការកាត់បន្ថយហានិភ័យនៃការខាតបង់ទិន្នផលដំណាំដោយសារមេរោគ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Network (CNN) | ជាប្រភេទនៃបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលពូកែខាងវិភាគរូបភាព ដោយវាប្រើប្រាស់ស្រទាប់ច្រោះ (filters) ជាច្រើនដើម្បីស្វែងរកលក្ខណៈពិសេសដូចជា គែម ទម្រង់ ឬពណ៌ខុសប្រក្រតីនៅលើស្លឹករុក្ខជាតិ។ | ដូចជាកែវពង្រីកឆ្លាតវៃដែលអាចរាវរកមើលស្នាមតូចៗ ឬពណ៌ចម្លែកនៅលើស្លឹកឈើ ដើម្បីប្រាប់ថាតើវាមានជំងឺអ្វីដោយស្វ័យប្រវត្តិ។ |
| Transfer Learning | ជាបច្ចេកទេសរៀនម៉ាស៊ីន ដែលយកម៉ូដែលដែលធ្លាប់បានបង្វឹកលើទិន្នន័យរូបភាពរាប់លានរួចមកហើយ មកកែច្នៃបង្វឹកបន្តសម្រាប់កិច្ចការថ្មីមួយទៀត (ឧ. រកជំងឺរុក្ខជាតិ) ដែលជួយចំណេញពេលវេលា និងត្រូវការទិន្នន័យថ្មីតិចជាងមុន។ | ដូចជាមនុស្សដែលពូកែជិះកង់ស្រាប់ ពេលប្តូរទៅរៀនជិះម៉ូតូ គឺឆាប់ចេះជាងអ្នកដែលមិនធ្លាប់ចេះជិះអ្វីសោះឡើយ។ |
| Binary Gray Wolf Optimization (BGWO) | ជាក្បួនដោះស្រាយគណិតវិទ្យាដែលយកលំនាំតាមការប្រមាញ់ចំណីជាហ្វូងរបស់ឆ្កែចចក ដើម្បីស្វែងរក និងសម្រិតសម្រាំងយកតែលក្ខណៈពិសេស (features) ណាដែលសំខាន់បំផុតចេញពីរូបភាព សម្រាប់ការចាត់ថ្នាក់ជំងឺ។ | ដូចជាក្រុមអ្នកស៊ើបអង្កេតដែលសហការគ្នាស្វែងរកភស្តុតាងដ៏សំខាន់បំផុតក្នុងចំណោមគំនរវត្ថុតាងរាប់រយ ដើម្បីបំបែកក្ដីបានឆាប់រហ័ស។ |
| Bounding Box Segmentation | ជាវិធីសាស្ត្រក្នុងដំណើរការរូបភាពដែលកាត់យកតែផ្នែកផ្ទៃស្លឹកឈើដែលមានសារៈសំខាន់សម្រាប់ការវិភាគ ហើយលុបបំបាត់ផ្ទៃខាងក្រោយចេញ ដើម្បីកាត់បន្ថយទំហំផ្ទុក និងបង្កើនល្បឿននៃការគណនា។ | ដូចជាការកាត់តម្រឹមរូបថត (Crop) យកតែរូបមនុស្ស ហើយលុបចោលទេសភាពខាងក្រោយ ដើម្បីអោយគេងាយស្រួលចំណាំមុខ។ |
| Feature Extraction | ដំណើរការនៃការទាញយកព័ត៌មានលម្អិតៗពីរូបភាពដូចជា វាយនភាព (texture) ទម្រង់ និងពណ៌ ដើម្បីបំប្លែងទៅជាទិន្នន័យលេខសម្រាប់ឲ្យកុំព្យូទ័រអាចយល់ និងរៀនសូត្រពីវាបាន។ | ដូចជាការកត់ត្រាភិនភាគរបស់មនុស្សម្នាក់ (កម្ពស់ ទម្រង់មុខ សម្លៀកបំពាក់) ដើម្បីងាយស្រួលយកទៅផ្ទៀងផ្ទាត់រកអត្តសញ្ញាណពិត។ |
| Ensemble Classification Approach | បច្ចេកទេសរួមបញ្ចូលម៉ូដែលរៀនម៉ាស៊ីន (Machine Learning Models) ជាច្រើនចូលគ្នា ដើម្បីធ្វើការទស្សន៍ទាយលទ្ធផលរួមគ្នា ដែលផ្តល់នូវភាពត្រឹមត្រូវ និងសុក្រឹតភាពខ្ពស់ជាងការប្រើម៉ូដែលតែមួយឯកឯង។ | ដូចជាការសួរមតិពីគ្រូពេទ្យជំនាញ៥នាក់ផ្សេងគ្នា ដើម្បីរោគវិនិច្ឆ័យជំងឺមួយ ជៀសវាងការខុសឆ្គងដោយសារការសម្រេចចិត្តពីគ្រូពេទ្យតែម្នាក់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
