បញ្ហា (The Problem)៖ ការសិក្សានេះដោះស្រាយបញ្ហាប្រឈមនៃការរកឃើញ និងការតាមដានវត្ថុមានចលនាក្នុងប្រព័ន្ធកាមេរ៉ាសុវត្ថិភាពវីដេអូ ដែលជារឿយៗតែងរងការរំខានដោយសារការផ្លាស់ប្តូរបរិស្ថាន និងចលនារបស់វត្ថុដោយចៃដន្យ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានធ្វើការពិនិត្យ និងប្រៀបធៀបវិធីសាស្ត្រចាប់សញ្ញា និងចំណាំវត្ថុផ្សេងៗ ដោយផ្តោតសំខាន់លើបច្ចេកវិទ្យា Deep Learning តាមរយៈបណ្ដាញសរសៃប្រសាទកុងវ៉ុលយូសិន (CNNs) ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Single Shot Multibox Detector (SSD) ឧបករណ៍ចាប់សញ្ញា SSD |
មានល្បឿនដំណើរការលឿនបំផុតរហូតដល់ ៦០ ហ្វ្រេមក្នុងមួយវិនាទី (fps) ដែលស័ក្តិសមបំផុតសម្រាប់ការតាមដានវីដេអូជាក់ស្តែង (Real-time) និងមានភាពសុក្រឹតខ្ពស់។ | ត្រូវការទំហំផ្ទុកធំគួរសម (១៦២ MB) ហើយអាចមានការលំបាកក្នុងការរកឃើញវត្ថុដែលមានទំហំតូចពេក។ | ភាពសុក្រឹត (Precision) ៩៦%, ៦០ Frames/Sec, F1-Score ៧៧% |
| YOLOv3 ក្បួនដោះស្រាយ YOLO ជំនាន់ទី៣ |
ផ្តល់នូវភាពសុក្រឹតខ្ពស់ក្នុងការរកឃើញវត្ថុ និងប្រើប្រាស់ប្រព័ន្ធ Multi-name strategy ដើម្បីកំណត់ចំណាំវត្ថុបានច្រើនប្រភេទក្នុងពេលតែមួយ។ | ទាមទារទំហំផ្ទុកធំជាងគេ (២៣៥ ទៅ ២៤៥ MB) ហើយល្បឿនដំណើរការ (Frames/Sec) នៅមានកម្រិតទាបជាងម៉ូដែល SSD ។ | ភាពសុក្រឹត (Precision) ៩៦%, ២៤ Frames/Sec, F1-Score ៨៩% |
| Support Vector Machine (SVM) ម៉ាស៊ីនវ៉ិចទ័រគាំទ្រ (SVM) |
ងាយស្រួលក្នុងការសិក្សា និងអាចធ្វើការផ្លាស់ប្តូរក្បួនដោះស្រាយបានច្បាស់លាស់សម្រាប់ចំណាត់ថ្នាក់រូបភាព ដែលល្អសម្រាប់ប្រព័ន្ធទិន្នន័យមិនសូវស្មុគស្មាញ។ | សមត្ថភាពទូទៅ និងល្បឿនគឺយឺតខ្លាំងបើធៀបនឹងបច្ចេកវិទ្យា Deep Learning ដូចជា CNN ឬ YOLO។ | ភាពសុក្រឹត (Precision) ៩២%, ១១ Frames/Sec, F1-Score ៧១% |
ការចំណាយលើធនធាន (Resource Cost)៖ ឯកសារនេះមិនបានបញ្ជាក់លម្អិតអំពីតម្លៃនៃការចំណាយនោះទេ ប៉ុន្តែបានសង្កត់ធ្ងន់យ៉ាងច្បាស់លើតម្រូវការផ្នែករឹង (Hardware) ជាពិសេសអង្គគណនាក្រាហ្វិក (GPU) ដែលមានសមត្ថភាពខ្ពស់ក្នុងការដំណើរការទិន្នន័យស្របគ្នា។
ការសិក្សានេះប្រើប្រាស់សំណុំទិន្នន័យស្តង់ដារអន្តរជាតិ (PASCAL VOC) និងទិន្នន័យពិសោធន៍សត្វកណ្តុរនៅក្នុងមន្ទីរពិសោធន៍។ សម្រាប់ប្រទេសកម្ពុជា ការអនុវត្តម៉ូដែលទាំងនេះផ្ទាល់អាចនឹងជួបប្រទះបញ្ហាភាពលម្អៀងទិន្នន័យ (Domain Shift) ដោយសារទិដ្ឋភាពផ្លូវថ្នល់ ប្រភេទយានយន្ត និងបរិស្ថានជាក់ស្តែងនៅក្នុងប្រទេសកម្ពុជាមានភាពខុសប្លែកពីទិន្នន័យដើម ដែលទាមទារឱ្យមានការបង្វឹកម៉ូដែលឡើងវិញជាមួយទិន្នន័យក្នុងស្រុក។
បច្ចេកវិទ្យាទាំងនេះមានសក្តានុពលខ្ពស់ និងអាចយកមកអនុវត្តជាក់ស្តែងដើម្បីពង្រឹងប្រព័ន្ធសុវត្ថិភាព និងស្វ័យប្រវត្តិកម្មនៅក្នុងប្រទេសកម្ពុជា។
សរុបមក ការដាក់បញ្ចូលក្បួនដោះស្រាយដូចជា YOLO និង SSD ទៅក្នុងប្រព័ន្ធតាមដានកាមេរ៉ាសុវត្ថិភាព នឹងជួយលើកកម្ពស់ប្រសិទ្ធភាពសន្តិសុខ និងកាត់បន្ថយកម្លាំងពលកម្មរបស់មនុស្សនៅក្នុងស្ថាប័នរដ្ឋ និងឯកជនកម្ពុជាបានយ៉ាងច្រើន។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional Neural Network (CNN) | បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតដែលរចនាឡើងយ៉ាងពិសេសសម្រាប់វិភាគទិន្នន័យរូបភាព ដោយប្រើប្រាស់រ៉ាដាតម្រង (filters) ត្រួតស៊ីគ្នាដើម្បីទាញយកលក្ខណៈពិសេសដូចជា គែម ទម្រង់ ឬពណ៌របស់វត្ថុពីសន្លឹករូបភាពកម្រិតភីកសែល។ | ដូចជាភ្នែក និងខួរក្បាលមនុស្សដែលមើលឃើញរូបភាពមួយ រួចផ្តុំព័ត៌មានពីចំណុចតូចៗ (ដូចជាបន្ទាត់ និងជ្រុង) ទៅជារូបរាងវត្ថុទាំងមូលដ៏មានន័យ។ |
| Single Shot Multibox Detector (SSD) | ម៉ូដែល Deep Learning សម្រាប់រកឃើញវត្ថុដែលអាចទស្សន៍ទាយទីតាំងប្រអប់ (bounding boxes) និងចំណាត់ថ្នាក់ប្រភេទវត្ថុក្នុងពេលតែមួយ (single shot) តាមរយៈការឆ្លងកាត់បណ្តាញសរសៃប្រសាទតែម្តង ដែលធ្វើឱ្យវាមានល្បឿនលឿនសម្រាប់ការវិភាគវីដេអូ។ | ដូចជាអ្នកយាមដែលគ្រាន់តែក្រឡេកមើលឃើញមនុស្សភ្លាម ដឹងភ្លាមថាអ្នកនោះឈរនៅទីណា និងជាអ្នកណា ដោយមិនបាច់ចំណាយពេលពិនិត្យច្រើនដង។ |
| You Only Look Once (YOLO) Algorithm | ក្បួនដោះស្រាយសម្រាប់ការរកឃើញវត្ថុក្នុងពេលវេលាជាក់ស្តែង ដែលបែងចែករូបភាពទៅជាក្រឡាចត្រង្គ (Grid) ហើយប្រើប្រាស់បណ្តាញ CNN តែមួយដើម្បីកំណត់ទីតាំង និងទំនុកចិត្ត (confidence score) របស់វត្ថុព្រមគ្នា ដែលជួយឱ្យវាមានល្បឿនលឿនបំផុត។ | ដូចជាយើងក្រឡេកមើលរូបថតមួយភ្លែត រួចអាចប្រាប់បានភ្លាមៗថាមានអ្វីខ្លះនៅកន្លែងណា ដោយមិនចាំបាច់សម្លឹងផ្តោតស្វែងរកវត្ថុម្ដងមួយៗ។ |
| Faster region convolutional neural network (Fast RCNN) | ម៉ូដែលរកឃើញវត្ថុដែលប្រើប្រាស់ Region Proposal Network (RPN) ដើម្បីស្នើកន្លែងដែលអាចមានវត្ថុជាមុន រួចទើបធ្វើការចំណាំប្រភេទវត្ថុនៅទីតាំងនោះតាមក្រោយ ដែលផ្តល់នូវភាពសុក្រឹតខ្ពស់ជាងម៉ូដែលទូទៅ។ | ដូចជាមានជំនួយការម្នាក់ចង្អុលប្រាប់កន្លែងគួរឱ្យសង្ស័យ រួចយើងយកកែវពង្រីកមកឆ្លុះមើលទីតាំងនោះឱ្យបានច្បាស់ដើម្បីបញ្ជាក់ថាវាជាអ្វីពិតប្រាកដ។ |
| Intersection over union (IoU) | រង្វាស់សម្រាប់វាយតម្លៃភាពត្រឹមត្រូវនៃទីតាំងប្រអប់ (bounding box) ដែលកុំព្យូទ័ររកឃើញ ធៀបទៅនឹងប្រអប់ទីតាំងវត្ថុពិតប្រាកដ (ground truth) ដោយគណនាផ្ទៃត្រួតស៊ីគ្នា ចែកជាមួយផ្ទៃសរុបនៃប្រអប់ទាំងពីរ។ | ដូចជាការវាស់ស្ទង់ថាតើគម្របដែលយើងយកទៅគ្របលើចាន គឺគ្របបានជិតល្អប៉ុនគ្នាបេះបិទ ឬគ្របខុសទីតាំងកម្រិតណា។ |
| Mean Average Precision (mAP) | រង្វាស់ស្តង់ដារដ៏សំខាន់សម្រាប់វាស់ស្ទង់ប្រសិទ្ធភាពទូទៅនៃម៉ូដែលរកឃើញវត្ថុ ដោយគណនាមធ្យមភាគនៃភាពសុក្រឹត (Average Precision) សម្រាប់គ្រប់ប្រភេទវត្ថុ (Classes) ទាំងអស់។ | ដូចជាពិន្ទុមធ្យមសរុបរបស់សិស្សម្នាក់ ដែលបានមកពីការបូកបញ្ចូលពិន្ទុប្រឡងមុខវិជ្ជាគណិតវិទ្យា រូបវិទ្យា និងគីមីវិទ្យាបញ្ជូលគ្នា។ |
| Background Subtraction Method | បច្ចេកទេសសម្រាប់រកឃើញវត្ថុមានចលនានៅក្នុងវីដេអូ ដោយប្រៀបធៀបស៊ុមរូបភាពបច្ចុប្បន្ន ជាមួយស៊ុមរូបភាពផ្ទៃខាងក្រោយដើម (reference frame) ដើម្បីទាញយកត្រឹមតែចំណុចដែលផ្លាស់ប្តូរ (foreground)។ | ដូចជាការថតរូបបន្ទប់ទទេមួយសន្លឹក រួចយកទៅប្រៀបធៀបនឹងរូបថតបន្ទប់ដដែលនៅពេលមានមនុស្សដើរចូល ដើម្បីរកមើលថាតើមានចំណុចណាខ្លះដែលប្លែកពីមុន។ |
| Optical Flow Method | បច្ចេកទេសគណនាល្បឿន និងទិសដៅនៃចលនារបស់ភីកសែល (pixels) ឬវត្ថុរវាងស៊ុមរូបភាពវីដេអូបន្តបន្ទាប់គ្នា ដែលជួយកុំព្យូទ័រក្នុងការតាមដានគន្លងផ្លូវ និងប៉ាន់ស្មានល្បឿនរបស់វត្ថុ។ | ដូចជាការសង្កេតមើលចរន្តទឹកហូរ ដែលយើងអាចដឹងពីល្បឿន និងទិសដៅនៃស្លឹកឈើដែលអណ្តែតតាមទឹកនោះយ៉ាងច្បាស់។ |
| Support vector machines(SVM) algorithm | ក្បួនដោះស្រាយ Machine Learning ប្រភេទ Supervised សម្រាប់ធ្វើចំណាត់ថ្នាក់ទិន្នន័យ (Classification) ដោយស្វែងរកបន្ទាត់ព្រំដែន (hyperplane) ដ៏ល្អបំផុតនៅក្នុងលំហទិន្នន័យ ដើម្បីបំបែកក្រុមទិន្នន័យផ្សេងៗពីគ្នា។ | ដូចជាការគូសបន្ទាត់មួយចំកណ្តាលតុ ដើម្បីបែងចែកផ្លែប៉ោមពណ៌ក្រហមនៅម្ខាង និងផ្លែប៉ោមពណ៌បៃតងនៅម្ខាងទៀតឱ្យដាច់ស្រឡះពីគ្នា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
