បញ្ហា (The Problem)៖ ការកត់សម្គាល់ និងចាត់ថ្នាក់ប្រភេទត្រីរាប់ពាន់ប្រភេទដោយភ្នែកទទេគឺមានការលំបាក ដែលទាមទារឱ្យមានប្រព័ន្ធកុំព្យូទ័រស្វ័យប្រវត្តិដើម្បីជួយសម្រួលដល់ការងារនេះនៅក្នុងឧស្សាហកម្មនេសាទ។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះបានអភិវឌ្ឍប្រព័ន្ធកុំព្យូទ័រដើម្បីប្រៀបធៀបបច្ចេកទេសកំណត់អត្តសញ្ញាណចំនួនពីរផ្សេងគ្នា ដោយធ្វើតេស្តលើរូបភាពត្រីចំនួន ៣០ ប្រភេទ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| Euclidean Distance Method (EDM) វិធីសាស្ត្រវាស់ចម្ងាយ Euclidean (EDM) |
មានល្បឿនដំណើរការលឿន ដោយប្រើប្រាស់ពេលវេលាត្រឹមតែ ២៤,៤ វិនាទីក្នុងមួយរូបភាព ដែលលឿនជាងវិធីសាស្ត្រ ANN ដល់ទៅ ៦,៣ ដង។ | មានភាពសុក្រឹតទាបជាង និងងាយនឹងមានកំហុសនៅពេលកំណត់អត្តសញ្ញាណប្រភេទត្រីដែលមានលក្ខណៈរូបរាង និងពណ៌ស្រដៀងគ្នា (ឧទាហរណ៍ Terapon jarbua)។ | សម្រេចបានភាពសុក្រឹត ៨១,៦៧% ជាមួយនឹងល្បឿនមធ្យម ២៤,៤ វិនាទី/រូបភាព។ |
| Artificial Neural Networks (ANN) បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត (ANN) |
មានភាពសុក្រឹតខ្ពស់បំផុត និងមានសមត្ថភាពកំណត់អត្តសញ្ញាណបានយ៉ាងត្រឹមត្រូវទៅលើប្រភេទត្រីទាំង ៣០ ដែលបានយកមកធ្វើតេស្ត។ | ទាមទារពេលវេលាក្នុងការដំណើរការយូរជាងវិធីសាស្ត្រផ្សេងៗ ដោយចំណាយពេលមធ្យមរហូតដល់ ១៥៤,៤៣ វិនាទីសម្រាប់រូបភាពនីមួយៗ។ | សម្រេចបានភាពសុក្រឹត ៩៩,០០% ជាមួយនឹងល្បឿនមធ្យម ១៥៤,៤៣ វិនាទី/រូបភាព។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការសិក្សានេះទាមទារនូវឧបករណ៍កុំព្យូទ័រ កម្មវិធីកែច្នៃទិន្នន័យ និងសម្ភារៈថតរូបមួយចំនួនសម្រាប់ការអភិវឌ្ឍប្រព័ន្ធ និងបង្វឹកម៉ូដែល។
ការសិក្សានេះត្រូវបានធ្វើឡើងនៅក្នុងប្រទេសថៃ ដោយប្រើប្រាស់រូបភាពត្រីក្នុងស្រុកត្រឹមតែ ៣០ ប្រភេទប៉ុណ្ណោះ ហើយរូបភាពទាំងអស់ត្រូវបានថតនៅក្នុងមជ្ឈដ្ឋានមន្ទីរពិសោធន៍ដែលមានការគ្រប់គ្រងពន្លឺ និងផ្ទៃខាងក្រោយច្បាស់លាស់។ សម្រាប់ប្រទេសកម្ពុជា ទិន្នន័យនេះមិនអាចតំណាងឱ្យភាពចម្រុះនៃប្រភេទត្រីរាប់រយប្រភេទនៅក្នុងបឹងទន្លេសាប និងទន្លេមេគង្គបានទេ ហើយបរិស្ថានជាក់ស្តែងក្នុងពេលនេសាទ (មានភក់ ពន្លឺមិនស្មើគ្នា) អាចធ្វើឱ្យប្រព័ន្ធនេះថយចុះប្រសិទ្ធភាព។
បច្ចេកទេសបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតសម្រាប់ការសម្គាល់រូបភាពនេះ មានសក្តានុពលខ្ពស់សម្រាប់ការអភិវឌ្ឍប្រព័ន្ធគ្រប់គ្រង និងតាមដានធនធានជលផលនៅប្រទេសកម្ពុជា ប្រសិនបើត្រូវបានពង្រីកទិន្នន័យ។
ទោះបីជាបច្ចេកវិទ្យានេះត្រូវការពង្រីកទិន្នន័យឱ្យបានទូលំទូលាយ និងសម្របទៅនឹងបរិស្ថានពិតក៏ដោយ វាបានផ្តល់នូវចំណុចចាប់ផ្តើមដ៏ល្អមួយសម្រាប់ការធ្វើទំនើបកម្ម និងការបង្កើតនវានុវត្តន៍ក្នុងវិស័យជលផលនៅកម្ពុជា។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Artificial neural networks (បណ្ដាញសរសៃប្រសាទសិប្បនិម្មិត) | ជាម៉ូដែលកុំព្យូទ័រដែលយកលំនាំតាមរចនាសម្ព័ន្ធខួរក្បាលមនុស្ស ដោយប្រើប្រាស់ "ណឺរ៉ូន" (nodes) ជាច្រើនស្រទាប់ដើម្បីរៀនពីទិន្នន័យរូបភាពត្រី និងធ្វើចំណាត់ថ្នាក់វាដោយស្វ័យប្រវត្តិ។ នៅក្នុងការសិក្សានេះ វាប្រើរចនាសម្ព័ន្ធ 8-20-30 ដើម្បីសម្គាល់ត្រី ៣០ ប្រភេទចេញពីលក្ខណៈ ៨ យ៉ាង។ | ដូចជាការបង្រៀនកូនក្មេងឱ្យស្គាល់សត្វ ដោយបង្ហាញរូបសត្វនោះច្រើនដងរហូតដល់គេអាចចំណាំវាបានយ៉ាងច្បាស់ដោយខ្លួនឯង។ |
| Euclidean distance (វិធីសាស្ត្រវាស់ចម្ងាយ Euclidean) | ជារូបមន្តគណិតវិទ្យាសម្រាប់វាស់ចម្ងាយបន្ទាត់ត្រង់រវាងចំណុចពីរក្នុងលំហទិន្នន័យ។ ក្នុងប្រព័ន្ធនេះ វាត្រូវបានប្រើដើម្បីប្រៀបធៀបលក្ខណៈពិសេសរបស់ត្រីដែលមិនស្គាល់ ជាមួយនឹងទិន្នន័យត្រីដែលមានក្នុងប្រព័ន្ធ បើតម្លៃចម្ងាយកាន់តែតូច មានន័យថារូបភាពទាំងពីរកាន់តែមានលក្ខណៈដូចគ្នា។ | ដូចជាការយកវត្ថុពីរមកដាក់ទន្ទឹមគ្នាដើម្បីផ្ទៀងផ្ទាត់មើលថាវត្ថុទាំងពីរនោះមានទំហំ និងរូបរាងស្រដៀងគ្នាកម្រិតណា។ |
| Feature extraction (ការទាញយកលក្ខណៈពិសេស) | ជាដំណើរការវិភាគរូបភាព និងបំប្លែងវាទៅជាទិន្នន័យលេខ (ដូចជា សមាមាត្រប្រវែង ទទឹង ផ្ទៃក្រឡា និងពណ៌ជាមធ្យមនៃត្រី) ដើម្បីបញ្ជូនទិន្នន័យលេខទាំងនោះទៅឱ្យប្រព័ន្ធកុំព្យូទ័រធ្វើការគណនា និងចំណាត់ថ្នាក់បន្ត។ | ដូចជាការកត់ត្រាលក្ខណៈសម្បត្តិរបស់មនុស្សម្នាក់ (កម្ពស់ ទម្ងន់ ពណ៌សម្បុរ) ទុកជាតួលេខក្នុងបញ្ជី ជាជាងការមើលត្រឹមតែរូបរាងខាងក្រៅដោយភ្នែកទទេកត់ចំណាំ។ |
| Otsu's method (វិធីសាស្ត្រ Otsu) | ជាក្បួនអាល់កូរីតសម្រាប់ស្វែងរកតម្លៃកំណត់ (Threshold value) ដ៏ល្អបំផុតដោយស្វ័យប្រវត្តិ ដើម្បីបំប្លែងរូបភាពពណ៌ប្រផេះទៅជារូបភាពស-ខ្មៅ (Binary Image) ដែលជួយញែករូបវត្ថុគោលដៅ (ត្រី) ចេញពីផ្ទៃខាងក្រោយបានដាច់ស្រឡះល្អ។ | ដូចជាការប្រើប្រាស់កញ្ចក់វ៉ែនតាពណ៌ ដើម្បីជួយត្រងពន្លឺឱ្យយើងមើលឃើញវត្ថុមួយបានច្បាស់ដាច់ពីផ្ទៃខាងក្រោយរបស់វា។ |
| Sobel edge detection (ការចាប់យកគែមប្រភេទ Sobel) | ជាបច្ចេកទេសក្នុងដំណើរការរូបភាព (Image Processing) ដែលប្រើប្រាស់គំរូទំហំ 3x3 ដើម្បីគណនាភាពខុសគ្នានៃកម្រិតពណ៌តាមអ័ក្សដេក និងអ័ក្សឈរ ក្នុងគោលបំណងគូសវាសបន្ទាត់គែមខាងក្រៅ ឬវណ្ឌវង្ករបស់ត្រី។ | ដូចជាការយកខ្មៅដៃគូសតាមគែមស៊ុមនៃរូបភាពសត្វ ដើម្បីផ្តិតយកតែទម្រង់រូបរាងខាងក្រៅរបស់វាប៉ុណ្ណោះ។ |
| Image preprocessing (ការរៀបចំរូបភាពជាមុន) | ជាជំហានដំបូងនៃការកែច្នៃរូបភាពដើម ដូចជាការបង្រួមទំហំ ការប្តូរទៅជាពណ៌ប្រផេះ និងការលុបចំណុចរំខាន (Noise removal) ជាដើម មុននឹងបញ្ជូនវាទៅឱ្យប្រព័ន្ធកុំព្យូទ័រវិភាគ ដើម្បីធានាថាទិន្នន័យមានភាពស្អាត ច្បាស់លាស់ និងងាយស្រួលដំណើរការ។ | ដូចជាការលាងសម្អាត និងចិតបន្លែឱ្យស្អាតបាត មុននឹងយកវាទៅដាក់ចម្អិនជាម្ហូប។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
