ການນຳໃຊ້ Computer Vision ເພື່ອຕິດຕາມສັດປ່າໃກ້ສູນພັນໃນປ່າດົງດິບຂອງລາວ

ປະເທດລາວເຮົາອຸດົມສົມບູນໄປດ້ວຍຊີວະນາໆພັນ ໂດຍສະເພາະໃນຂົງເຂດປ່າສະຫງວນແຫ່ງຊາດ ເຊັ່ນ: ນ້ຳແອັດ-ພູເລີຍ, ນາກາຍ-ນ້ຳເທີນ ແລະ ເຂດອະນຸລັກຊ້າງປ່າໃນແຂວງໄຊຍະບູລີ. ແຕ່ການຕິດຕາມ ແລະ ອະນຸລັກສັດປ່າທີ່ໃກ້ສູນພັນ ເຊັ່ນ: ເສືອໂຄ່ງ ແລະ ຊ້າງປ່າ ແມ່ນວຽກງານທີ່ທ້າທາຍຫຼາຍ. ໃນອະດີດ, ນັກອະນຸລັກຕ້ອງອາໄສການຍ່າງສຳຫຼວດ ຫຼື ຕິດຕັ້ງ ກ້ອງດັກຖ່າຍ (Camera Traps) ໄວ້ໃນປ່າເລິກ.

ແຕ່ບັນຫາທີ່ຕາມມາຄື: ກ້ອງດັກຖ່າຍເຫຼົ່ານີ້ມັກຈະຖ່າຍຮູບທຸກຄັ້ງທີ່ມີການເຄື່ອນໄຫວ ເຊິ່ງຫຼາຍໆຄັ້ງກໍເປັນພຽງແຕ່ໃບໄມ້ຕີກັນຍ້ອນລົມພັດ ຫຼື ສັດນ້ອຍທົ່ວໄປ. ນັກວິໄຈຕ້ອງໃຊ້ເວລາຫຼາຍອາທິດໃນການນັ່ງກວດເບິ່ງຮູບພາບຫຼາຍໝື່ນໃບດ້ວຍຕົນເອງ. ນີ້ຄືຈຸດທີ່ເຕັກໂນໂລຊີ Computer Vision (CV) ເຂົ້າລະບົບແກ້ໄຂບັນຫາ.

ບັນຫາຂອງການວິເຄາະພາບຖ່າຍແບບດັ້ງເດີມ

ໃນປ່າດົງດິບຂອງລາວ, ເຊັນເຊີຈັບຄວາມຮ້ອນ ແລະ ການເຄື່ອນໄຫວມັກຈະເຮັດວຽກຜິດພາດຍ້ອນອາກາດທີ່ຮ້ອນຊຸ່ມ. ການເກັບກຳຂໍ້ມູນຈາກ Memory Card ອອກມາຈາກປ່າເລິກກໍຍາກລຳບາກແລ້ວ, ແຕ່ການແຍກແຍະຮູບ “ທີ່ວ່າງເປົ່າ” ອອກຈາກຮູບທີ່ມີ “ຊ້າງປ່າ” ຫຼື “ເສືອ” ແມ່ນກິນເວລາຫຼາຍກວ່າ. ສິ່ງນີ້ເຮັດໃຫ້ການແຈ້ງເຕືອນໄພຂົ່ມຂູ່ ຫຼື ການນັບຈຳນວນປະຊາກອນສັດຊັກຊ້າ.

ລະບົບ Computer Vision ເຮັດວຽກແນວໃດ?

Computer Vision ແມ່ນຂະແໜງການຍ່ອຍຂອງ AI ທີ່ສອນໃຫ້ຄອມພິວເຕີ “ເບິ່ງເຫັນ” ແລະ ເຂົ້າໃຈພາບ. ສຳລັບວຽກງານນີ້, ພວກເຮົາໃຊ້ເຕັກນິກທີ່ເອີ້ນວ່າ Object Detection ໂດຍອິງໃສ່ໂຄງສ້າງເຄືອຂ່າຍປະສາດທຽມລວມ (Convolutional Neural Networks - CNNs).

ໜຶ່ງໃນອັລກໍຣິທຶມ (Algorithm) ທີ່ໄດ້ຮັບຄວາມນິຍົມທີ່ສຸດແມ່ນ YOLO (You Only Look Once) ເຊິ່ງມີຄວາມໄວສູງ ແລະ ຕ້ອງການຊັບພະຍາກອນປະມວນຜົນໜ້ອຍ, ເໝາະສຳລັບການໃຊ້ງານໃນອຸປະກອນຂະໜາດນ້ອຍ.

ການກວດຈັບວັດຖຸ (Object Detection) ດ້ວຍ YOLOv8

YOLO ຈະທຳການແບ່ງຮູບພາບອອກເປັນຊ່ອງກຣິດ (Grid) ຂະໜາດນ້ອຍ ແລະ ພະຍາຍາມຄາດເດົາວ່າໃນແຕ່ລະຊ່ອງນັ້ນມີສັດຢູ່ ຫຼື ບໍ່ ພ້ອມທັງແຕ້ມຂອບເຂດ (Bounding Box) ກວມເອົາໂຕສັດນັ້ນ.

ຕົວຢ່າງການຂຽນໂຄດ: ການກວດຈັບຊ້າງປ່າ

ລອງມາເບິ່ງວິທີການຂຽນໂຄດດ້ວຍ Python ຮ່ວມກັບ PyTorch ແລະ ໄລບຣາຣີ OpenCV ເພື່ອເຮັດການກວດຈັບຊ້າງປ່າຈາກຮູບທີ່ໄດ້ຈາກກ້ອງດັກຖ່າຍ.

import cv2
from ultralytics import YOLO

# 1. ໂຫຼດໂມເດວ YOLOv8 ທີ່ຖືກຝຶກມາແລ້ວລະດັບໜຶ່ງ (Pre-trained Model)
# ສຳລັບການໃຊ້ງານຈິງ, ຄວນຝຶກ (Fine-tune) ໂມເດວດ້ວຍຮູບພາບສັດປ່າໃນລາວຕື່ມ
model = YOLO("yolov8n.pt") 

# 2. ອ່ານຮູບພາບຈາກກ້ອງດັກຖ່າຍ (ເຊັ່ນ: ຮູບຈາກເຂດພູເຂົາຄວາຍ ຫຼື ໄຊຍະບູລີ)
image_path = "xayaboury_elephant_cameratrap.jpg"
img = cv2.imread(image_path)

# 3. ສົ່ງຮູບພາບເຂົ້າໄປປະມວນຜົນໃນໂມເດວ
results = model(img)

# 4. ດຶງຂໍ້ມູນການກວດຈັບມາສະແດງຜົນ (Bounding Boxes)
for r in results:
    boxes = r.boxes
    for box in boxes:
        # ດຶງຄ່າພິກັດຂອງຂອບເຂດ (x1, y1, x2, y2)
        x1, y1, x2, y2 = box.xyxy[0]
        
        # ດຶງປະເພດຂອງວັດຖຸ (Class ID) ແລະ ຄ່າຄວາມໝັ້ນໃຈ (Confidence Score)
        cls = int(box.cls[0])
        confidence = box.conf[0]

        # ສົມມຸດວ່າ class 22 ແມ່ນຊ້າງ (Elephant) ຕາມມາດຕະຖານ COCO
        if cls == 22 and confidence > 0.60:
            # ແຕ້ມກ່ອງສີຂຽວອ້ອມໂຕຊ້າງ
            cv2.rectangle(img, (int(x1), int(y1)), (int(x2), int(y2)), (0, 255, 0), 2)
            cv2.putText(img, f"Elephant: {confidence:.2f}", (int(x1), int(y1) - 10),
                        cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)

# 5. ບັນທຶກຮູບພາບທີ່ກວດຈັບສຳເລັດແລ້ວ
cv2.imwrite("elephant_detected_output.jpg", img)
print("ປະມວນຜົນສຳເລັດ! ກວດພົບຊ້າງປ່າ.")

ໝາຍເຫດ: ໃນການໃຊ້ງານຕົວຈິງ, ນັກພັດທະນາຈະຕ້ອງເກັບກຳຮູບພາບສັດປ່າສະເພາະຖິ່ນຂອງລາວ (ເຊັ່ນ ຮູບເສືອຈາກນ້ຳແອັດ-ພູເລີຍ) ເພື່ອມາເຮັດ Custom Training ໃຫ້ໂມເດວມີຄວາມແມ່ນຍຳສູງຂຶ້ນ.

ການປະຍຸກໃຊ້ Edge Computing ໃນສະພາບແວດລ້ອມປ່າຂອງລາວ

ການເອົາລະບົບ AI ນີ້ໄປໃຊ້ໃນປ່າເລິກເປັນໄປບໍ່ໄດ້ເລີຍທີ່ຈະເພິ່ງພາ Cloud Computing ເພາະໃນປ່ານາກາຍ ຫຼື ໄຊຍະບູລີ ບໍ່ມີສັນຍານອິນເຕີເນັດ (3G/4G).

ວິທີການແກ້ໄຂຄືການນຳໃຊ້ Edge Computing. ເຮົາສາມາດຕິດຕັ້ງບອດນ້ອຍໆ ເຊັ່ນ Raspberry Pi 4 ຫຼື NVIDIA Jetson Nano ພ້ອມກັບແບັດເຕີຣີແສງຕາເວັນ (Solar Cell) ໄວ້ຂ້າງໆກ້ອງດັກຖ່າຍ. ເມື່ອກ້ອງຖ່າຍຮູບປຸບ, ໂຄດ Python ແລະ ໂມເດວ YOLO ທີ່ຝັງຢູ່ໃນບອດຈະອ່ານຮູບນັ້ນທັນທີ:

1. ຖ້າບໍ່ພົບສັດ: ລະບົບຈະລຶບຮູບນັ້ນຖິ້ມເພື່ອປະຢັດພື້ນທີ່ໃນ Memory Card.
2. ຖ້າພົບເສືອ ຫຼື ຊ້າງ: ລະບົບຈະເກັບຮູບນັ້ນໄວ້, ພ້ອມທັງອາດຈະສົ່ງສັນຍານວິທະຍຸຄື້ນສັ້ນ ຫຼື ດາວທຽມໄປຫາສູນບັນຊາການຂອງເຈົ້າໜ້າທີ່ປ່າໄມ້ທັນທີ.

ສິ່ງສຳຄັນທີ່ຄວນຈື່ (Key Takeaways)

• **ປະຢັດເວລາ: ** Computer Vision ຊ່ວຍຄັດກອງຮູບພາບທີ່ວ່າງເປົ່າ ຫຼື ພາບລວງຕາອອກໄປ, ປະຢັດເວລາຂອງນັກວິໄຈໄດ້ຫຼາຍກວ່າ 90%.
• **YOLO Framework: ** ເປັນເຄື່ອງມືທີ່ດີເລີດສຳລັບ Object Detection ຍ້ອນຄວາມໄວ ແລະ ການໃຊ້ຊັບພະຍາກອນທີ່ໜ້ອຍ.
• **Edge AI ຕອບໂຈດປ່າລາວ: ** ການປະມວນຜົນຢູ່ໜ້າງານ (Edge Computing) ແກ້ໄຂບັນຫາການຂາດແຄນສັນຍານອິນເຕີເນັດໃນເຂດປ່າສະຫງວນຂອງລາວ.

ສະຫຼຸບ

ການນຳໃຊ້ Computer Vision ໃນການກວດຈັບ ແລະ ຕິດຕາມສັດປ່າ ບໍ່ພຽງແຕ່ເປັນການຍົກລະດັບວຽກງານເຕັກໂນໂລຊີພາຍໃນປະເທດ, ແຕ່ຍັງເປັນການສ້າງເຄື່ອງມືອັນຊົງພະລັງໃຫ້ນັກອະນຸລັກຂອງລາວ. ການປະສົມປະສານລະຫວ່າງປ່າໄມ້ທີ່ອຸດົມສົມບູນ, ການລົງພື້ນທີ່ຂອງເຈົ້າໜ້າທີ່ ແລະ ມັນສະໝອງຂອງ AI ຈະຊ່ວຍໃຫ້ພວກເຮົາປົກປັກຮັກສາສັດປ່າທີ່ລ້ຳຄ່າ ທັງຊ້າງປ່າ ແລະ ເສືອໂຄ່ງ ໃຫ້ຢູ່ຄູ່ກັບຜືນປ່າຂອງລາວໄປອີກຍາວນານ.