បញ្ហា (The Problem)៖ ការហោះហើរដ្រូនស្វ័យប្រវត្តិ (Autonomous UAVs) ទាមទារឱ្យមានប្រព័ន្ធជៀសវាងឧបសគ្គដែលមានប្រសិទ្ធភាព ដោយពឹងផ្អែកតែលើកាមេរ៉ាមួយគ្រាប់ (Monocular camera) ជំនួសឱ្យការប្រើប្រាស់សេនស័រធ្ងន់ៗនិងស៊ីភ្លើងច្រើនដូចជា LiDAR។
វិធីសាស្ត្រ (The Methodology)៖ ការសិក្សានេះស្នើឡើងនូវវិធីសាស្ត្រថ្មីដោយប្រើប្រាស់បណ្តាញសរសៃប្រសាទ (Convolutional Neural Networks) សម្រាប់ការរកឃើញ និងជៀសវាងឧបសគ្គ។
លទ្ធផលសំខាន់ៗ (The Verdict)៖
| វិធីសាស្ត្រ (Method) | គុណសម្បត្តិ (Pros) | គុណវិបត្តិ (Cons) | លទ្ធផលគន្លឹះ (Key Result) |
|---|---|---|---|
| SIFT-based Size Expansion ការជៀសវាងឧបសគ្គដោយផ្អែកលើ SIFT |
អាចចាប់ទីតាំងវត្ថុប្លែកៗបានទោះមិនមានក្នុងទិន្នន័យហ្វឹកហាត់ (ឧទាហរណ៍៖ ជញ្ជាំងផ្ទះ) ដោយប្រើប្រាស់ចំណុច Keypoints នៃរូបភាព។ | ល្បឿនដំណើរការយឺត ចាប់វត្ថុច្រើនរាប់បញ្ចូលជាវត្ថុតែមួយ (Single convex hull) និងមានភាពខ្សោយខ្លាំងនៅកន្លែងដែលមានផ្ទៃខាងក្រោយស្មុគស្មាញ (Textured backgrounds)។ | ទទួលបានភាពត្រឹមត្រូវសរុប ៦៣,៣% និងដំណើរការក្នុងល្បឿន ១១ ស៊ុមក្នុងមួយវិនាទី (11 fps)។ |
| YOLOv4-based Size Expansion (Proposed) ការជៀសវាងឧបសគ្គដោយផ្អែកលើ YOLOv4 (ស្នើឡើង) |
មានភាពត្រឹមត្រូវខ្ពស់ ល្បឿនលឿនជាងមុន ចាប់និងញែកវត្ថុច្រើនដាច់ពីគ្នាបានល្អ ដំណើរការល្អនៅបរិវេណខាងក្រៅ និងមានសមត្ថភាពជៀសវាងវៃឆ្លាតទៅតាមប្រភេទវត្ថុ។ | មិនអាចស្គាល់វត្ថុដែលមិនមានក្នុងទិន្នន័យហ្វឹកហាត់ (MS COCO Dataset) និងអាចមានភាពរអាក់រអួលប្រសិនបើទំហំប្រអប់ (Bounding box) ប្រែប្រួលលឿនខុសប្រក្រតី។ | ទទួលបានភាពត្រឹមត្រូវសរុប ៨៨,៧% និងដំណើរការក្នុងល្បឿន ១៥ ស៊ុមក្នុងមួយវិនាទី (15 fps)។ |
ការចំណាយលើធនធាន (Resource Cost)៖ ការអនុវត្តប្រព័ន្ធនេះទាមទារឱ្យមានកុំព្យូទ័រយួរដៃ ឬកុំព្យូទ័រលើតុដែលមានក្រាហ្វិកកាត (GPU) ខ្លាំង ដើម្បីដំណើរការទិន្នន័យវីដេអូផ្ទាល់ពីដ្រូនដោយស្វ័យប្រវត្តិ។
ការសិក្សានេះប្រើប្រាស់ទិន្នន័យ MS COCO សម្រាប់បណ្តុះបណ្តាលម៉ូដែល YOLOv4 និងត្រូវបានធ្វើតេស្តនៅក្នុងបរិស្ថានអឺរ៉ុប (សាកលវិទ្យាល័យ Leiden) ។ សម្រាប់បរិបទប្រទេសកម្ពុជា ឧបសគ្គនិងវត្ថុជាក់ស្តែងមួយចំនួន (ដូចជា រ៉ឺម៉កកង់បី សំណង់រន្ទាបណ្ដោះអាសន្ន ឬរទេះលក់ឥវ៉ាន់) អាចនឹងមិនមាននៅក្នុងទិន្នន័យហ្វឹកហាត់នេះឡើយ ដែលតម្រូវឱ្យមានការប្រមូលទិន្នន័យក្នុងស្រុកបន្ថែមដើម្បីឱ្យការជៀសវាងឧបសគ្គកាន់តែមានប្រសិទ្ធភាពខ្ពស់។
វិធីសាស្ត្រនេះពិតជាមានសក្តានុពលខ្ពស់សម្រាប់កម្ពុជា ដោយសារវាអនុញ្ញាតឱ្យប្រើប្រាស់ដ្រូនតម្លៃថោកនិងកាមេរ៉ាធម្មតា ជំនួសឱ្យការទិញសេនស័រតម្លៃថ្លៃៗ។
សរុបមក ការរួមបញ្ចូលបច្ចេកវិទ្យា Deep Learning ទៅក្នុងដ្រូនតម្លៃថោក ផ្តល់នូវដំណោះស្រាយដ៏ឆ្លាតវៃដែលអាចអភិវឌ្ឍទៅជាផលិតផលក្នុងស្រុកសម្រាប់បម្រើការងារស្វ័យប្រវត្តិកម្មនៅកម្ពុជាបានយ៉ាងទូលំទូលាយ។
ដើម្បីអនុវត្តតាមការសិក្សានេះ និស្សិតគួរអនុវត្តតាមជំហានខាងក្រោម៖
| ពាក្យបច្ចេកទេស | ការពន្យល់ជាខេមរភាសា (Khmer Explanation) | និយមន័យសាមញ្ញ (Simple Definition) |
|---|---|---|
| Monocular camera | កាមេរ៉ាដែលមានឡេនតែមួយគ្រាប់ ដែលថតរូបភាពជាលក្ខណៈ២វិមាត្រ (2D) ដោយមិនមានសេនស័រវាស់ជម្រៅ ឬចម្ងាយដោយផ្ទាល់នោះទេ។ នៅក្នុងការសិក្សានេះ គេប្រើវាជាមួយក្បួនដោះស្រាយដើម្បីគណនាការប្រែប្រួលទំហំវត្ថុក្នុងគោលបំណងប៉ាន់ស្មានចម្ងាយពេលដ្រូនហោះហើរ។ | ដូចជាការបិទភ្នែកម្ខាងហើយមើលទៅមុខ ដែលធ្វើឱ្យយើងពិបាកប៉ាន់ស្មានថាវត្ថុនៅឆ្ងាយឬជិត ប៉ុន្តែយើងអាចដឹងបានតាមរយៈការសង្កេតមើលទំហំរបស់វាធំឡើងៗនៅពេលវាមកជិត។ |
| Size Expansion | ក្បួនដោះស្រាយសម្រាប់ប្រៀបធៀបទំហំរបស់វត្ថុមួយពីស៊ុមរូបភាព (frame) មួយទៅស៊ុមរូបភាពបន្ទាប់។ ប្រសិនបើទំហំប្រអប់ដែលចាប់បានវត្ថុនោះ (Bounding box) រីកធំជាងមុនក្នុងអត្រាមួយខ្ពស់ វាបញ្ជាក់ថាវត្ថុនោះកំពុងរំកិលមកជិតក្នុងល្បឿនលឿន ហើយត្រូវចាត់ទុកជាឧបសគ្គដែលត្រូវជៀសវាង។ | ដូចជាពេលយើងឈរនៅលើផ្លូវ ហើយឃើញរថយន្តមួយបើកមករកយើង កាលណាវាកាន់តែខិតមកជិត រូបភាពរថយន្តនោះនៅក្នុងភ្នែករបស់យើងគឺកាន់តែរីកធំឡើងៗយ៉ាងលឿន។ |
| Convolutional Neural Networks (CNN) | ប្រព័ន្ធបណ្ដាញសរសៃប្រសាទសិប្បនិម្មិតកម្រិតជ្រៅ ដែលត្រូវបានរចនាឡើងយ៉ាងពិសេសសម្រាប់វិភាគ និងសម្គាល់រូបភាព ដោយវាបំបែករូបភាពជាបណ្ដុំភីកសែល (Pixels) តូចៗដើម្បីចម្រាញ់យកទម្រង់ កែង គែម និងលក្ខណៈសម្បត្តិផ្សេងៗនៃវត្ថុយកទៅផ្ទៀងផ្ទាត់។ | ដូចជាការសង្កេតមើលរបស់មួយដោយចាប់ផ្ដើមមើលពីចំណុចតូចៗ (ពណ៌ រាង កែង) រួចផ្គុំចំណុចទាំងនោះបញ្ចូលគ្នាដើម្បីទាញសេចក្តីសន្និដ្ឋានថាវាជារូបអ្វីពិតប្រាកដ (ឧទាហរណ៍៖ រូបឆ្កែ ឬឡាន)។ |
| YOLOv4 | ម៉ូដែលបញ្ញាសិប្បនិម្មិត (AI) ជំនាន់ទី៤ មានឈ្មោះពេញថា "You Only Look Once" ដែលមានមុខងារចាប់ទីតាំង និងធ្វើចំណាត់ថ្នាក់វត្ថុច្រើនប្រភេទក្នុងពេលតែមួយនៅលើវីដេអូ ឬរូបភាពក្នុងល្បឿនយ៉ាងលឿន (Real-time) និងមានភាពត្រឹមត្រូវខ្ពស់។ | ដូចជាឆ្មាំយាមរហ័សរហួនម្នាក់ ដែលគ្រាន់តែក្រឡេកមើលទៅក្នុងហ្វូងមនុស្សត្រឹមមួយភ្លែត ក៏អាចប្រាប់បានភ្លាមៗថានរណានៅទីណា និងពាក់អាវពណ៌អ្វីខ្លះ ដោយមិនបាច់ដើរពិនិត្យម្ដងម្នាក់ៗឡើយ។ |
| Bounding box | ប្រអប់ចតុកោណដែលប្រព័ន្ធកុំព្យូទ័រគូសព័ទ្ធជុំវិញវត្ថុណាមួយដែលវាបានរកឃើញនៅក្នុងតំបន់រូបភាព ដើម្បីកំណត់កូអរដោនេទីតាំងឱ្យបានច្បាស់លាស់ និងកំណត់ទំហំផ្ទៃរបស់វត្ថុនោះសម្រាប់ការគណនាបន្ត។ | ដូចជាការយកប៊ិចពណ៌ក្រហមទៅគូសរង្វង់ ឬប្រអប់ព័ទ្ធជុំវិញមុខមនុស្សម្នាក់ៗនៅក្នុងរូបថតជុំគ្នា ដើម្បីបញ្ជាក់ប្រាប់គេថាអ្នកណាកំពុងឈរនៅត្រង់ណា។ |
| SIFT | Scale-Invariant Feature Transform គឺជាក្បួនដោះស្រាយសម្រាប់ចាប់យកចំណុចពិសេសៗ (Keypoints) នៃរូបភាព ដើម្បីយកទៅប្រៀបធៀបគ្នារវាងស៊ុមរូបភាព។ វាមានសមត្ថភាពចំណាំវត្ថុដដែលទោះបីជារូបនោះត្រូវបានបង្វិល បង្រួម ឬពង្រីកទំហំក៏ដោយ។ | ដូចជាការចំណាំប្រជ្រុយ ឬស្លាកស្នាមពិសេសនៅលើមុខនរណាម្នាក់ ដែលទោះបីជាគាត់ឈរឆ្ងាយ ឈរជិត ឬងាកមុខបន្តិច ក៏យើងនៅតែអាចចំណាំគាត់បានដដែល។ |
| Convex hull | បន្ទាត់ពហុកោណបិទជិតដែលគូសភ្ជាប់ចំណុចនៅគែមខាងក្រៅបំផុតនៃក្រុមចំណុចទិន្នន័យ (Keypoints) ទាំងអស់ បង្កើតបានជារូបរាងរួមមួយដើម្បីប៉ាន់ស្មានទំហំផ្ទៃសរុប និងទីតាំងសរុបរបស់វត្ថុដែលកាមេរ៉ាចាប់បាន។ | ដូចជាការយកកៅស៊ូកងទៅចងរឹតជុំវិញក្រុមដែកគោលដែលបោះនៅលើក្ដារ ខ្សែប្រវែងខ្លីបំផុតដែលរុំព័ទ្ធទីតាំងដែកគោលទាំងអស់នោះហើយគឺជា Convex hull។ |
| Average Precision (AP) | រង្វាស់សម្រាប់វាយតម្លៃកម្រិតភាពត្រឹមត្រូវទូទៅរបស់ប្រព័ន្ធក្នុងការរកឃើញវត្ថុ ដោយគិតទៅលើតុល្យភាពរវាងការទាយត្រូវ (Precision - ចាប់បានវត្ថុពិតប្រាកដ) និងសមត្ថភាពរកឃើញវត្ថុទាំងអស់ដែលមាន (Recall - មិនរំលងវត្ថុចោល)។ | ដូចជាការដាក់ពិន្ទុឱ្យអ្នកបាញ់ធ្នូ ដោយមិនត្រឹមតែមើលថាគាត់បាញ់ចំគោលដៅបានប៉ុន្មានព្រួញនោះទេ តែថែមទាំងមើលថាគាត់បាញ់ចំគ្រប់គោលដៅទាំងអស់ដែលត្រូវបាញ់ឬអត់។ |
អត្ថបទដែលបានបោះពុម្ពនៅលើ KhmerResearch ដែលទាក់ទងនឹងប្រធានបទនេះ៖
ប្រធានបទ និងសំណួរស្រាវជ្រាវដែលទាក់ទងនឹងឯកសារនេះ ដែលអ្នកអាចស្វែងរកបន្ថែម៖
