បញ្ហា (The Problem)៖ ការកំណត់អត្តសញ្ញាណប្រភេទរុក្ខជាតិដោយផ្អែកលើស្លឹកមានសារៈសំខាន់ ប៉ុន្តែមនុស្សភាគច្រើនជួបការលំបាកក្នុងការបែងចែកប្រភេទរុក្ខជាតិដោយមើលផ្ទាល់ភ្នែក។ ការស្រាវជ្រាវនេះដោះស្រាយបញ្ហានេះដោយបង្កើតប្រព័ន្ធស្វ័យប្រវត្តិដើម្បីធ្វើចំណាត់ថ្នាក់ស្លឹកឈើដោយប្រើបច្ចេកវិទ្យាកុំព្យូទ័រ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះប្រើប្រាស់ដំណើរការរូបភាព (Image Processing) និងក្បួនដោះស្រាយចំណាត់ថ្នាក់ K-Nearest Neighbor (K-NN) ដើម្បីកំណត់អត្តសញ្ញាណរុក្ខជាតិ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| K-Nearest Neighbor (K-NN) with Morphological Features ក្បួនដោះស្រាយ K-NN ដោយប្រើប្រាស់លក្ខណៈរូបសាស្ត្រ |
មានភាពងាយស្រួលក្នុងការអនុវត្ត និងផ្តល់ភាពត្រឹមត្រូវខ្ពស់នៅពេលប្រើប្រាស់ជាមួយទិន្នន័យលក្ខណៈពិសេស (Features) ដែលបានទាញយកយ៉ាងច្បាស់លាស់។ | ទាមទារការប្រើប្រាស់អង្គចងចាំ (Memory) ច្រើននៅពេលទិន្នន័យមានទំហំធំ និងដំណើរការយឺតក្នុងដំណាក់កាលធ្វើតេស្ត ប្រសិនបើទិន្នន័យយោងមានច្រើនពេក។ | ទទួលបានភាពត្រឹមត្រូវរហូតដល់ ៩៧.៧២% (97.72% Accuracy) ក្នុងការធ្វើចំណាត់ថ្នាក់។ |
| SURF / FAST-SURF Feature Extraction ការទាញយកលក្ខណៈពិសេសដោយប្រើ SURF/FAST-SURF (យោងតាមឯកសារស្រាវជ្រាវមុនៗ) |
មានសមត្ថភាពខ្ពស់ក្នុងការចាប់យកចំណុចសំខាន់ៗនៃរូបភាព ទោះបីជារូបភាពមានការផ្លាស់ប្តូរទំហំ ឬបង្វិលក៏ដោយ។ | ដំណើរការគណនាមានភាពស្មុគស្មាញ និងទាមទារធនធានកុំព្យូទ័រខ្ពស់ជាងការវាស់ទំហំស្លឹកធម្មតា។ | ទទួលបានភាពត្រឹមត្រូវ ៩៥% សម្រាប់ម៉ូដែល SURF និង ៩១.២៥% សម្រាប់ FAST-SURF។ |
| Probabilistic Neural Network (PNN) / Artificial Neural Network (ANN) បណ្តាញសរសៃប្រសាទសិប្បនិម្មិត (យោងតាមឯកសារស្រាវជ្រាវមុនៗ) |
មានសមត្ថភាពក្នុងការរៀនពីលំនាំស្មុគស្មាញ (Complex patterns) ដូចជាសរសៃស្លឹក និងវាយនភាព (Texture) បានយ៉ាងល្អឥតខ្ចោះ។ | ត្រូវការទិន្នន័យហ្វឹកហាត់ (Training data) ច្រើនសន្ធឹកសន្ធាប់ និងចំណាយពេលយូរក្នុងការបង្វឹកម៉ូដែល (Training time)។ | ទទួលបានភាពត្រឹមត្រូវចន្លោះពី ៩០% ទៅ ៩៦.៥៣% អាស្រ័យលើប្រភេទនៃបណ្តាញនិងទិន្នន័យ។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះមិនតម្រូវឱ្យមានធនធានផ្នែករឹងកុំព្យូទ័រធំដុំនោះទេ ប៉ុន្តែទាមទារឱ្យមានសំណុំទិន្នន័យរូបភាពច្បាស់លាស់ និងកម្មវិធីសម្រាប់កែច្នៃរូបភាព។
ការសិក្សានេះត្រូវបានធ្វើឡើងដោយអ្នកស្រាវជ្រាវនៅប្រទេសឥណ្ឌូនេស៊ី ដោយប្រើប្រាស់សំណុំទិន្នន័យស្លឹកឈើប្រភេទជាក់លាក់មួយចំនួន (ដូចជា Aesculus californica ជាដើម)។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យទាំងនេះមិនអាចយកមកអនុវត្តផ្ទាល់បានទេ ព្រោះរុក្ខជាតិក្នុងស្រុកមានលក្ខណៈរូបសាស្ត្រ និងពូជខុសៗគ្នា ដែលទាមទារឱ្យមានការប្រមូលទិន្នន័យស្លឹកឈើនៅកម្ពុជាផ្ទាល់ដើម្បីបង្វឹកម៉ូដែលឡើងវិញ។
បច្ចេកសាស្ត្រនេះមានសក្តានុពលខ្ពស់ និងអាចយកមកកែច្នៃអនុវត្តនៅប្រទេសកម្ពុជាបាន ជាពិសេសក្នុងការគ្រប់គ្រងធនធានធម្មជាតិ និងកសិកម្ម។
ការអភិវឌ្ឍប្រព័ន្ធនេះជាទម្រង់កម្មវិធីទូរស័ព្ទដៃ (Mobile App) ដោយបង្វឹកវាជាមួយរុក្ខជាតិក្នុងស្រុក នឹងជួយសម្រួលដល់ប្រជាជនកម្ពុជា និងអ្នកស្រាវជ្រាវក្នុងការស្វែងយល់ពីរុក្ខជាតិជុំវិញខ្លួនបានយ៉ាងងាយស្រួល។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Feature Extraction | គឺជាដំណើរការទាញយកលក្ខណៈសម្គាល់ពិសេសៗ (ដូចជាពណ៌ រាង ទំហំ ឬវាយនភាព) ពីរូបភាពដើម ដើម្បីកាត់បន្ថយទំហំទិន្នន័យ តែនៅរក្សាទុកព័ត៌មានសំខាន់ៗសម្រាប់ឱ្យកុំព្យូទ័រងាយស្រួលវិភាគ និងចំណាត់ថ្នាក់ដោយស្វ័យប្រវត្តិ។ | ដូចជាពេលយើងប្រាប់ប៉ូលីសពីភិនភាគចោរ ដោយរៀបរាប់តែចំណុចសំខាន់ៗ (កម្ពស់ សម្បុរ ស្លាកស្នាម) ជំនួសឱ្យការពណ៌នាគ្រប់រោមសរសៃទាំងអស់។ |
| K-Nearest Neighbor (K-NN) | គឺជាក្បួនដោះស្រាយសម្រាប់ធ្វើចំណាត់ថ្នាក់ទិន្នន័យថ្មី ដោយផ្អែកលើការស្វែងរកទិន្នន័យចាស់ចំនួន K (ឧទាហរណ៍ ៥ ឬ ១០) ដែលមានលក្ខណៈស្រដៀងវាជាងគេ (នៅជិតបំផុត) ហើយចាត់ទុកថាវាស្ថិតក្នុងក្រុមដែលមានសមាជិកភាគច្រើនក្នុងចំណោមអ្នកជិតខាងទាំងនោះ។ | ដូចជាសុភាសិត "សេពគប់ពាល គឺពាល សេពគប់បណ្ឌិត គឺបណ្ឌិត" បើយើងចង់ដឹងថាមនុស្សម្នាក់ជាអ្នកណា យើងគ្រាន់តែមើលមិត្តភក្តិជិតស្និទ្ធបំផុតរបស់គាត់។ |
| Supervised Learning | ជាវិធីសាស្ត្របង្រៀនកុំព្យូទ័រ (Machine Learning) ដែលតម្រូវឱ្យមនុស្សផ្តល់ទិន្នន័យគំរូដែលមានចម្លើយ ឬឈ្មោះត្រឹមត្រូវរួចជាស្រេច (Labeled data) ដើម្បីឱ្យកុំព្យូទ័ររៀនស្គាល់លំនាំ ហើយអាចទាយចម្លើយសម្រាប់ទិន្នន័យថ្មីៗនៅពេលក្រោយ។ | ដូចជាគ្រូបង្រៀនសិស្សដោយបង្ហាញរូបភាពសត្វឆ្កែ ហើយប្រាប់ផ្ទាល់មាត់ថា "នេះគឺជាសត្វឆ្កែ" រហូតដល់សិស្សចាំ និងអាចស្គាល់ឆ្កែផ្សេងទៀតដោយខ្លួនឯង។ |
| Eccentricity | គឺជារង្វាស់គណិតវិទ្យាដែលប្រើក្នុងដំណើរការកែច្នៃរូបភាព ដើម្បីវាស់ថាតើរូបរាងមួយមានសណ្ឋានទ្រវែងប៉ុណ្ណា។ តម្លៃរបស់វាស្ថិតនៅចន្លោះពី ០ (រាងមូលកង់) ដល់ ១ (រាងជាបន្ទាត់ត្រង់) ដែលជាប៉ារ៉ាម៉ែត្រជួយកុំព្យូទ័របែងចែករាងស្លឹកឈើ។ | ដូចជាការវាស់ភាពវៀចរបស់កង់ឡាន បើកង់មូលល្អគឺលេខ ០ តែបើកង់នោះវៀចទ្រវែងដូចស៊ុតគឺលេខកៀកនឹង ១។ |
| Segmentation | គឺជាការកាត់ផ្តាច់រូបភាពជាផ្នែកៗ ដើម្បីបំបែកវត្ថុគោលដៅ (ឧទាហរណ៍៖ ស្លឹកឈើ) ចេញពីផ្ទៃខាងក្រោយ (Background) ដែលធ្វើឱ្យកុំព្យូទ័រអាចផ្តោតការទាញយកទិន្នន័យតែលើវត្ថុដែលយើងចង់បានប៉ុណ្ណោះ ដោយមិនមានការរំខានពីរូបភាពជុំវិញ។ | ដូចជាការប្រើកន្ត្រៃកាត់រូបភាពមនុស្សចេញពីទស្សនាវដ្តី ដើម្បីយកទៅបិទលើក្រដាសស ទើបងាយស្រួលមើល និងមិនរញ៉េរញ៉ៃជាមួយរូបភាពផ្សេងទៀត។ |
| Artificial Neural Network (NN) | គឺជាប្រព័ន្ធកុំព្យូទ័រដែលត្រូវបានសរសេរកូដឡើងដោយយកគំរូតាមបណ្តាញកោសិកាសរសៃប្រសាទក្នុងខួរក្បាលមនុស្ស វាមានសមត្ថភាពខ្ពស់ក្នុងការរៀនសូត្រពីកំហុស កត់សម្គាល់លំនាំ និងធ្វើការសម្រេចចិត្តលើទិន្នន័យរូបភាពស្មុគស្មាញ។ | ដូចជាការសាងសង់ខួរក្បាលសិប្បនិម្មិតតូចមួយឱ្យកុំព្យូទ័រ ដើម្បីឱ្យវាអាចគិត សង្កេត និងរៀនសូត្រចំណាំអ្វីៗបានដូចជាកូនក្មេង។ |
| Morphology | នៅក្នុងបរិបទនៃការសិក្សានេះ វាសំដៅទៅលើការសិក្សាអំពីរូបរាង និងរចនាសម្ព័ន្ធខាងក្រៅរបស់ស្លឹកឈើ (ដូចជា ទ្រង់ទ្រាយ គែមសន្លឹក ទំហំ និងទម្រង់សរសៃស្លឹក) ដើម្បីយកមកធ្វើជាទិន្នន័យគោលសម្រាប់កំណត់អត្តសញ្ញាណប្រភេទរុក្ខជាតិ។ | ដូចជាការរៀនសម្គាល់មុខមាត់ កម្ពស់ និងទម្រង់មុខរបស់មនុស្សម្នាក់ៗ ដើម្បីងាយស្រួលចំណាំថានរណាជានរណា។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
