បញ្ហា (The Problem)៖ ការកំណត់អត្តសញ្ញាណរុក្ខជាតិឱសថឱ្យបានត្រឹមត្រូវគឺជាការលំបាកសម្រាប់មនុស្សទូទៅ ចំណែកឯវិធីសាស្ត្រមន្ទីរពិសោធន៍គឺមានតម្លៃថ្លៃ និងមិនងាយស្រួលក្នុងការអនុវត្តផ្ទាល់នៅតាមទីវាល។
វិធីសាស្ត្រ (The Methodology)៖ អ្នកស្រាវជ្រាវបានប្រមូលទិន្នន័យរូបភាពរុក្ខជាតិនៅបរិស្ថានធម្មជាតិ និងអភិវឌ្ឍកម្មវិធីទូរស័ព្ទដោយប្រើប្រាស់បច្ចេកវិទ្យាបញ្ញាសិប្បនិម្មិត។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Deep Learning (Inception-v3 CNN) via Transfer Learning ការប្រើប្រាស់បណ្តាញសរសៃប្រសាទកុំព្យូទ័រ (Inception-v3 CNN) ជាមួយបច្ចេកទេស Transfer Learning |
ដំណើរការបានលឿនក្នុងពេលជាក់ស្តែង (Real-time) និងមិនត្រូវការកែច្នៃរូបភាពជាមុន (No pre-processing)។ អាចធ្វើការកំណត់អត្តសញ្ញាណបានដោយមិនចាំបាច់មានអ៊ីនធឺណិត (Offline) និងមានភាពរឹងមាំចំពោះបំរែបំរួលបរិស្ថាន។ | ត្រូវការទិន្នន័យរូបភាពច្រើន និងតម្រូវឱ្យមានកុំព្យូទ័រដែលមានកម្លាំងខ្លាំង (High computational power) សម្រាប់ការហ្វឹកហាត់ម៉ូដែលនៅដំណាក់កាលដំបូង។ | សម្រេចបានភាពត្រឹមត្រូវប្រមាណ ៩៥% លើការធ្វើតេស្តរុក្ខជាតិឱសថចំនួន ៧០ ប្រភេទ។ |
| Traditional Machine Learning with Hand-crafted Features ការប្រើប្រាស់ Machine Learning បែបប្រពៃណីដោយទាញយកលក្ខណៈដោយដៃ (Shape, Color, Texture) |
មិនសូវទាមទារកម្លាំងកុំព្យូទ័រខ្លាំងក្នុងការហ្វឹកហាត់ និងអាចដំណើរការបានជាមួយសំណុំទិន្នន័យតូចៗជាង។ | ភាគច្រើនតម្រូវឱ្យថតរូបស្លឹករុក្ខជាតិលើផ្ទៃខាងក្រោយពណ៌ស (White background) និងត្រូវធ្វើការកែច្នៃរូបភាពជាមុនច្រើន។ ភាពត្រឹមត្រូវធ្លាក់ចុះយ៉ាងខ្លាំងនៅពេលមានរុក្ខជាតិច្រើនប្រភេទ។ | មានភាពត្រឹមត្រូវទាប និងមិនសូវមានស្ថិរភាពនៅពេលប្រើប្រាស់ផ្ទាល់នៅទីវាល (Natural environment)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអភិវឌ្ឍប្រព័ន្ធនេះតម្រូវឱ្យមានការប្រមូលទិន្នន័យរូបភាពផ្ទាល់ពីទីវាល និងការប្រើប្រាស់កុំព្យូទ័រដែលមានសមត្ថភាពខ្ពស់សម្រាប់ការហ្វឹកហាត់ម៉ូដែល AI មុននឹងបញ្ចូលវាទៅក្នុងកម្មវិធីទូរស័ព្ទដៃ។
ការសិក្សានេះត្រូវបានអនុវត្តនៅក្នុងប្រទេសម៉ូរីស (Mauritius) ដោយប្រើប្រាស់ទិន្នន័យរូបភាពរុក្ខជាតិឱសថក្នុងស្រុករបស់ពួកគេចំនួន ៧០ ប្រភេទ។ ទោះបីជាម៉ូរីសមានអាកាសធាតុត្រូពិកស្រដៀងកម្ពុជាក៏ដោយ ក៏ប្រភេទរុក្ខជាតិ និងរូបរាងស្លឹកខ្លះអាចមានភាពខុសគ្នា។ ហេតុនេះ ដើម្បីធានាបាននូវភាពត្រឹមត្រូវនៅកម្ពុជា យើងត្រូវប្រមូលសំណុំទិន្នន័យរូបភាពរុក្ខជាតិឱសថក្នុងស្រុករបស់យើងដោយឡែក ដើម្បីហ្វឹកហាត់ម៉ូដែលនេះឡើងវិញ។
បច្ចេកវិទ្យានេះមានសក្តានុពលខ្ពស់ និងអាចយកមកអនុវត្តប្រកបដោយប្រសិទ្ធភាពនៅក្នុងប្រទេសកម្ពុជា ដើម្បីជួយអភិរក្ស និងលើកកម្ពស់វិស័យឱសថបុរាណ។
ជារួម ការអភិវឌ្ឍកម្មវិធីទូរស័ព្ទនេះនៅកម្ពុជានឹងជួយការពារចំណេះដឹងឱសថបុរាណខ្មែរដែលកំពុងបាត់បង់ និងគាំទ្រដល់ការសិក្សាស្រាវជ្រាវបែបវិទ្យាសាស្ត្រយ៉ាងទូលំទូលាយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Convolutional neural network (CNN) | ជាប្រភេទបណ្តាញសរសៃប្រសាទសិប្បនិម្មិតដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់វិភាគទិន្នន័យរូបភាព ដើម្បីសម្គាល់ទម្រង់ ពណ៌ ទំហំ និងលក្ខណៈពិសេសផ្សេងៗរបស់រូបភាពនោះ។ | ដូចជាភ្នែកកុំព្យូទ័រដែលអាចមើល និងសម្គាល់ភាពខុសគ្នារវាងរូបភាពឆ្មា និងឆ្កែ ដោយផ្អែកលើទម្រង់មុខរបស់វា។ |
| Transfer learning | ជាបច្ចេកទេសក្នុង Deep Learning ដែលគេយកម៉ូដែល AI ដែលបានហ្វឹកហាត់រួចជាស្រេចពីកិច្ចការមួយ មកកែច្នៃបន្តិចបន្តួចដើម្បីប្រើប្រាស់សម្រាប់កិច្ចការថ្មីមួយទៀត ដើម្បីចំណេញពេលវេលា និងថាមពលកុំព្យូទ័រ។ | ដូចជាការយកអ្នកដែលចេះជិះកង់ស្រាប់ មកបង្រៀនឱ្យចេះជិះម៉ូតូ គឺវាលឿនជាងការបង្រៀនអ្នកដែលមិនចេះជិះអ្វីសោះ។ |
| Inception-v3 | ជាម៉ូដែលបណ្តាញសរសៃប្រសាទកុំព្យូទ័រ (CNN) ដ៏មានឥទ្ធិពលមួយរបស់ក្រុមហ៊ុន Google ដែលត្រូវបានបង្វឹកជាមុនលើរូបភាពរាប់លាន ដើម្បីចំណាំវត្ថុផ្សេងៗក្នុងកម្រិតភាពត្រឹមត្រូវខ្ពស់បំផុត។ | ដូចជាខួរក្បាលដែលបានរៀនសូត្រពីសៀវភៅរូបភាពរាប់លានក្បាលរួចមកហើយ ធ្វើឱ្យវាងាយស្រួលក្នុងការប្រាប់ថារូបថ្មីមួយទៀតជារបស់អ្វី។ |
| Hand-crafted features | ជានីតិវិធីបែបប្រពៃណីក្នុង Machine Learning ដែលអ្នកសរសេរកូដត្រូវកំណត់ដោយផ្ទាល់ដៃនូវលក្ខណៈដែលកុំព្យូទ័រត្រូវសម្គាល់ (ឧទាហរណ៍៖ ទំហំ ពណ៌ ឬរូបរាងស្លឹក) មុននឹងឱ្យកុំព្យូទ័ររៀនចំណាំ។ | ដូចជាការប្រាប់ប៉ូលីសឱ្យតាមចាប់ចោរដោយប្រាប់ភិនភាគច្បាស់លាស់ (កម្ពស់ ទម្ងន់ សម្បុរ) ជំនួសឱ្យការឱ្យកុំព្យូទ័ររៀនចំណាំមុខចោរដោយខ្លួនឯងតាមរយៈរូបថត។ |
| TensorFlow | ជាបណ្ណាល័យកូដចំហ (Open-source library) បង្កើតដោយ Google ដែលផ្តល់នូវឧបករណ៍ និងក្របខណ្ឌ (Framework) សម្រាប់ការសាងសង់ និងហ្វឹកហាត់ម៉ូដែល Machine Learning និង Deep Learning។ | ដូចជាប្រអប់ឧបករណ៍ជាង (Toolbox) ដ៏ធំមួយដែលមានញញួរ កន្ត្រៃ និងទួណឺវីសគ្រប់ប្រភេទ សម្រាប់ជួយវិស្វករសាងសង់ខួរក្បាលសិប្បនិម្មិត។ |
| Pre-processing | ជាជំហានរៀបចំទិន្នន័យ ឬកែច្នៃរូបភាពបឋម (ដូចជាការកាត់ត ការលុបផ្ទៃខាងក្រោយ ឬការតម្រឹមពណ៌) មុននឹងបញ្ជូនទិន្នន័យទាំងនោះទៅឱ្យម៉ូដែល AI វិភាគ។ | ដូចជាការលាងសម្អាត និងហាន់បន្លែសាច់ជាមុន មុននឹងដាក់ចូលក្នុងឆ្នាំងដើម្បីចម្អិន។ |
| Data augmentation | ជាបច្ចេកទេសបង្កើតទិន្នន័យថ្មីបន្ថែមពីលើទិន្នន័យចាស់ដែលមានស្រាប់ ដោយធ្វើការផ្លាស់ប្តូររូបភាព (ដូចជា បង្វិល ពង្រីក ឬត្រឡប់) ដើម្បីឱ្យម៉ូដែល AI អាចរៀនបានកាន់តែច្រើនជ្រុងជ្រោយ កាត់បន្ថយការទន្ទេញចាំ។ | ដូចជាការថតរូបសៀវភៅមួយក្បាលពីជ្រុងផ្សេងៗគ្នា (ពីលើ ពីចំហៀង បញ្ច្រាស) ដើម្បីឱ្យកុមារចំណាំសៀវភៅនោះបានទោះស្ថិតក្នុងស្ថានភាពណាក៏ដោយ។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
