ການກວດຈັ ບຄວາມໄວ ແລະ ການນັ ບຈໍ ານວນລົ ດ ໂດຍໃຊ້ CNN-YOLO
Vehicles Counting and Speed Detection Using CNN-YOLO
ທີ ມຄົ້ ນຄ້ ວາ: ລັ ດສະໝີ ຈິ ດຕະວົ ງ, ດາຊົົ່ ງ ໂຊ້ ງຢັ ງເຊັົ່ ງ, ໄຊຕະພາບ ຮວງ, ຫວົ່ ເລົົ່ າ ທອງພັ ນ,
ບຸ ນເລີ ດ ວົ ງມະນີ
ນໍ າສະເໜິ ໂດຍ: ດາຊົົ່ ງ ໂຊ້ ງ
ຢັ ງເຊັົ່ ງ
ພາກວິ ຊາ ວິ ທະຍາສາດຄອມພິ ວເຕີ , ຄະນະວິ ທະຍາສາດທໍ າມະຊາດ, ມະຫາວິ ທະຍາໄລແຫົ່ ງຊາດ
ເນ້ ອໃນລວມ
1
• ພາກສະເໜີ
2
• ຈຸ ດປະສົ ງ
3 • ເຕັ ກເນິ ກວິ ທີ ການຂອງ CNN - YOLO Algorithms
4
• ວິ ທີ ດໍ າເນີ ນການຄົ້ ນຄວ້ າ
5
• ຜົ ນການຄົ້ ນຄວ້ າ
6
• ສະຫຸ ບຜົ ນການຄົ້ ນຄວ້ າ ແລະ ຂໍ້ ສະເໜີ
ເນົ່ ອງຈາກປັ ດຈຸ ບັ ນເຕັ ກໂນໂລຊີ ໄດ້ ມີ ບົ ດບາດຫາຍຂ້ ນມາຊົ່ ວຍວຽກງານ.
ເພົ່ ອຄວາມສະດວກສະບາຍ ແລະ ປະສິ ດທິ ພາບຄວາມຖກຕ້ ອງໃນການເຮັ ດວຽກຫາຍຂ້ ນ.
ເນົ່ ອງຈາກປັ ດຈຸ ບັ ນການກວດຈັ ບ ແລະ ນັ ບຈໍ ານວນລົ ດເຂົ້ າອອກຕາມແຕົ່ ລະສະຖານທີົ່ ຍັ ງໃຊ້ ຄົ ນ.
ພາກສະເໜີ
 ເພົ່ ອສກສາວິ ທີ ການເຮັ ດວຽກຂອງ CNN ແລະ YOLO Algorithms ໃນ
ການປະຍຸ ກໃຊ້ ການຈັ ບຄວາມໄວ ແລະ ນັ ບຈໍ ານວນລົ ດຕາມທ້ ອງຖະ
ໜົ ນແບບເວລາຈິ ງ (Real-Time)
ຈຸ ດປະສົ ງ
 ເພົ່ ອພັ ດທະນາລະບົ ບແມົ່ ແບບ (Model) ໃນການກວດຈັ ບຄວາມໄວ
ແລະ ນັ ບຈໍ ານວນຍານພາຫະນະທີົ່ ເກີ ດຂ້ ນໃນພາບຈາກກ້ ອງວົ ງຈອນ
ປິ ດໂດຍໃຊ້ ຫັ ກການ CNN ແລະ YOLO
ຈຸ ດປະສົ ງ (ຕໍົ່ )
 ເພົ່ ອອໍ ານວຍຄວາມສະດວກການຈາລະຈອນ ແລະ ຊົ່ ວຍຫຸ ດຜອົ່ ນ
ບັ ນຫາການຈາລະຈອນຕາມທ້ ອງຖະໜົ ນ ຫ ສະຖານທີົ່ ຕົ່ າງໆ
ຈຸ ດປະສົ ງ (ຕໍົ່ )
• ຂັ້ ນຕອນວິ ທີ ຂອງ CNN ເພົ່ ອຫາຄຸ ນລັ ກສະນະຂອງຮູ ບພາບ (Object)
ເຕັ ກນິ ກວິ ທີ ການເຮັ ດວຽກຂອງ CNN - YOLO
• Convolution Layer ເປັ ນຂັ້ ນຕອນທໍ າອິ ດສໍ າລັ ບກາຫາຄຸ ນລັ ກສະນະຂອງຮູ ບພາບ
ທີົ່ Input
• ເຊີົ່ ງການຫາຄົ່ າຄຸ ນລັ ກສະນະຕ້ ອງປະກອບດ້ ວຍ 2 ຄົ່ າ Input
1. ຮູ ບພາບ matrix
2. Filter or Kernel
ຂັ້ ນຕອນ 1. Convolution Layer
ຕົ ວຢົ່ າງ: ການຄິ ດໄລົ່ ຄົ່ າ ຂັ້ ນຕອນ 1. Convolution Layer
• ReLU ຄການປັ ບປົ່ ຽນຄົ່ າຄຸ ນລັ ກສະນະທີ ຫາໄດ້ ຈາກ Convolution Layer ໃຫ້ ເປັ ນ
non-linearity ຫ ປັ ບປົ່ ຽນຄົ່ າຄຸ ນລັ ກສະນະທີ ເປັ ນຄົ່ າລົ ບໄປເປັ ນ 0
ຂັ້ ນຕອນ 2. ReLU Layer
ຕົ ວຢົ່ າງ: ການຄິ ດໄລົ່ ຂັ້ ນຕອນ 2. ReLU Layer ຄຸ ນລັ ກສະນະຂອງ Object
• Pooling layer ຄການເອົ າອົ ງປະກອບໃຫຍົ່ ສຸ ດທີ ຫາຄຸ ນລັ ກສະນະໄດ້ ມາ
ຈັ ກຂັ້ ນຕອນ Convolution Layer ແລະ ReLU Layer ໂດຍການກໍ ານົ ດ
ຄົ່ າ
Filters 2 x 2
ຂັ້ ນຕອນ 3. Pooling Layer
ຕົ ວຢົ່ າງ: ການຄິ ດໄລົ່ ຂັ້ ນຕອນ 3. Pooling Layer ປັ ບປົ່ ຽນຄຸ ນລັ ກສະນະຂອງ Object
• Fully connection layer ເປັ ນຕົ ວເຮັ ດໜ້ າທີົ່ ສໍ າລັ ບການຮຽນຮູ້ ແລະ ຈໍ າ
ແນກວັ ດຖຸ (Object) ແລ້ ວສະແດງຜົ ນອອກມາຕາມຄຸ ນລັ ກສະນະທີ ຫາ
ໄດ້ ຈາກຂັ້ ນຕອນ Pooling Layer
ຂັ້ ນຕອນ 4. Fully connection layer
ວິ ທີ ການດໍ າເນີ ນການຄົ້້
ນຄ້ ວາຂອງການພັ ດທະນາລະບົ ບໃນການວິ ໄຈຄັ້ ງນີ ້ ປະກອບ
ດ້ ວຍ 2 ຂັ້ ນຕອນຫັ ກຄ:
1
ຂັ້ ນຕອນການຝກອົ ບຮົ ມລະບົ ບ (Training Step) ເພົ່ ອສ້ າງແມົ່ ແບບ
2
ຂັ້ ນຕອນທົ ດສອບແມົ່ ແບບຂອງລະບົ ບ (Testing Step)
ວິ ທີ ດໍ າເນີ ນການຄົ້ ນຄວ້ າ
ວິ ທີ ດໍ າເນີ ນການຄົ້ ນຄວ້ າ
• ກະກຽມຊຸ ດຂໍ້ ມູ ນເພົ່ ອພັ ດທະນາລະບົ ບແມົ່ ແບບເຊີົ່ ງໃນຊຸ ດຂໍ້ ມູ ນປະກອບໄປດ້ ວຍ
ປະເພດລົ ດເຊັົ່ ນ:
 ລົ ດຈັ ກ 1.000 ຮູ ບຂ້ ນໄປ
 ລົ ດໃຫຍົ່ 1.000 ຮູ ບຂ້ ນໄປ
ລົ ດຖີ ບ 1.000 ຮູ ບຂ້ ນໄປ
ທີົ່ ມາຂອງຊຸ ດຂໍ້ ມູ ນ Google
ຂັ້ ນຕອນການຝກອົ ບຮົ ມລະບົ ບ (Training Step)
• ກໍ ານົ ດ Label ແລະ Bounding Box ໃຫ້ ຊຸ ດຂໍ້ ມູ ນແຕົ່ ລະຮູ ບພາບ ໂດຍນໍ າໃຊ້ Tool
Labelimg
ຂັ້ ນຕອນການຝກອົ ບຮົ ມລະບົ ບ (Training Step)
• ໄດ້ ຊຸ ດຂໍ້ ມູ ນລົ ດພ້ ອມເອົ າເຂົ້ າລະບົ ບເພົ່ ອຝກສອນໃຫ້ ຮັ ບຮູ້
ຂັ້ ນຕອນການຝກອົ ບຮົ ມລະບົ ບ (Training Step)
• ເອົ າຊຸ ດຂໍ້ ມູ ນເຂົ້ າລະບົ ບໃຊ້ ຫັ ກການຂອງ CNN ຫາຄຸ ນລັ ກສະນາຂອງແຕົ່ ລະຮູ ບ
ພາບໃນຊຸ ດຂໍ້ ມູ ນ
ຂັ້ ນຕອນການຝກອົ ບຮົ ມລະບົ ບ (Training Step)
ຂັ້ ນຕອນທົ ດສອບແມົ່ ແບບຂອງລະບົ ບ (Testing Step)
• ເຊົ່ ອມຕໍົ່ ກ້ ອງວົ ງຈອນປິ ດ ຫ ວິ ດີ ໂອເຂົ້ າລະບົ ບ
• ຫາຄຸ ນລະສະນະຂອງວິ ດີ ໂອຕາມແຕົ່ ລະ Frame ຮູ ບພາບໂດຍໃຊ້
ຫັ ກການຂອງ CNN
ຂັ້ ນຕອນທົ ດສອບແມົ່ ແບບຂອງລະບົ ບ (Testing Step)
• ຫາໄດ້ ຄຸ ນລະສະນະຂອງຕາມແຕົ່ ລະ Frame ແລ້ ວເອົ າໄປປຽບທຽບກັ ບ
ແມົ່ ແບບ (Models) ແລ້ ວສະແດງຜົ ນອອກ
ຂັ້ ນຕອນທົ ດສອບແມົ່ ແບບຂອງລະບົ ບ (Testing Step)
ຜົ ນການຄົ້ ນຄວ້ າ
1
• ການສົົ່ ງຊຸ ດຂໍ້ ມູ ນໄປຝກໃຫ້ ລະບົ ບຮັ ບຮູ້ ແມົ່ ນໃຊ້ ເວລາປະມານ 2 ຫາ 3 ຊົົ່ ວໂມງ (ອີ ງຕາມປະສິ ດທິ ພາບຂອງ
ເຄົ່ ອງຄອມພິ ວເຕີ ).
2
• ການສົົ່ ງຂໍ້ ມູ ນຈາກກ້ ອງວົ ງຈອນປິ ດໄປປະມວນຜົ ນກວດສອບໂດຍໃຊ້ ເວລາປະມານ 0,2 ວິ ນາທີ ຕໍົ່ Frame
3
• ສາມາດກວດຈັ ບຄວາມໄວ, ນັ ບຈໍ ານວນລົ ດໄດ້ ສະເພາະລົ ດທີົ່ ຫັ ນໜ້ າເຂົ້ າຫາໜ້ າກ້ ອງເທົ ານັ້ ນ
4
• ຜົ່ ານການທົ ດລອງແມົ່ ນສາມາດກວດຈັ ບໄດ້ ໂດຍຄົ່ າສະເລົ່ ຍປະມານ 90% ຈາກກ້ ອງວົ ງຈອນປິ ດ.
ສະຫຸ ບຜົ ນການຄົ້ ນຄວ້ າ
ສະຫຸ ບຜົ ນການຄົ້ ນຄວ້ າ ແລະ ຂໍ້ ສະເໜີ
1
• ການນັ ບຈໍ ານວນ ແລະ ຈັ ບຄວາມໄວຂອງລົ ດທີົ່ ມາຈາກທິ ດທາງກົ ງກັ ນຂ້ າມຂອງໜ້ າກ້ ອງ
ວົ ງຈອນປິ ດ ແລະ ຍັ ງບໍົ່ ສາມາດນັ ບຈໍ ານວນລົ ດຕາມປະເພດລົ ດໄດ້ .
2
• ໃຊ້ ວິ ທີ ການອົ່ ນເພົ່ ອຊົ່ ວຍໃຫ້ ສາມາດກວດຈັ ບຄວາມໄວ ແລະ ນັ ບຈໍ ານວນລົ ດຈາກທິ ດທາງ
ກົ ງກັ ນຂ້ າມໄດ້
3
• ໃຊ້ ວິ ທີ ການອົ່ ນຈໍ າແນກປະເພດລົ ດ ແລະ ນັ ບຈໍ ານວນລົ ດຕາມປະເພດໄດ້
ຂໍ້ ສະເໜີ
ສະຫຸ ບຜົ ນການຄົ້ ນຄວ້ າ ແລະ ຂໍ້ ສະເໜີ
ຂໍ ຂອບໃຈ
Thank you

Vehicles Counting and Speed Detection Using CNN-YOLO

  • 1.
    ການກວດຈັ ບຄວາມໄວ ແລະການນັ ບຈໍ ານວນລົ ດ ໂດຍໃຊ້ CNN-YOLO Vehicles Counting and Speed Detection Using CNN-YOLO ທີ ມຄົ້ ນຄ້ ວາ: ລັ ດສະໝີ ຈິ ດຕະວົ ງ, ດາຊົົ່ ງ ໂຊ້ ງຢັ ງເຊັົ່ ງ, ໄຊຕະພາບ ຮວງ, ຫວົ່ ເລົົ່ າ ທອງພັ ນ, ບຸ ນເລີ ດ ວົ ງມະນີ ນໍ າສະເໜິ ໂດຍ: ດາຊົົ່ ງ ໂຊ້ ງ ຢັ ງເຊັົ່ ງ ພາກວິ ຊາ ວິ ທະຍາສາດຄອມພິ ວເຕີ , ຄະນະວິ ທະຍາສາດທໍ າມະຊາດ, ມະຫາວິ ທະຍາໄລແຫົ່ ງຊາດ
  • 2.
    ເນ້ ອໃນລວມ 1 • ພາກສະເໜີ 2 •ຈຸ ດປະສົ ງ 3 • ເຕັ ກເນິ ກວິ ທີ ການຂອງ CNN - YOLO Algorithms 4 • ວິ ທີ ດໍ າເນີ ນການຄົ້ ນຄວ້ າ 5 • ຜົ ນການຄົ້ ນຄວ້ າ 6 • ສະຫຸ ບຜົ ນການຄົ້ ນຄວ້ າ ແລະ ຂໍ້ ສະເໜີ
  • 3.
    ເນົ່ ອງຈາກປັ ດຈຸບັ ນເຕັ ກໂນໂລຊີ ໄດ້ ມີ ບົ ດບາດຫາຍຂ້ ນມາຊົ່ ວຍວຽກງານ. ເພົ່ ອຄວາມສະດວກສະບາຍ ແລະ ປະສິ ດທິ ພາບຄວາມຖກຕ້ ອງໃນການເຮັ ດວຽກຫາຍຂ້ ນ. ເນົ່ ອງຈາກປັ ດຈຸ ບັ ນການກວດຈັ ບ ແລະ ນັ ບຈໍ ານວນລົ ດເຂົ້ າອອກຕາມແຕົ່ ລະສະຖານທີົ່ ຍັ ງໃຊ້ ຄົ ນ. ພາກສະເໜີ
  • 4.
     ເພົ່ ອສກສາວິທີ ການເຮັ ດວຽກຂອງ CNN ແລະ YOLO Algorithms ໃນ ການປະຍຸ ກໃຊ້ ການຈັ ບຄວາມໄວ ແລະ ນັ ບຈໍ ານວນລົ ດຕາມທ້ ອງຖະ ໜົ ນແບບເວລາຈິ ງ (Real-Time) ຈຸ ດປະສົ ງ
  • 5.
     ເພົ່ ອພັດທະນາລະບົ ບແມົ່ ແບບ (Model) ໃນການກວດຈັ ບຄວາມໄວ ແລະ ນັ ບຈໍ ານວນຍານພາຫະນະທີົ່ ເກີ ດຂ້ ນໃນພາບຈາກກ້ ອງວົ ງຈອນ ປິ ດໂດຍໃຊ້ ຫັ ກການ CNN ແລະ YOLO ຈຸ ດປະສົ ງ (ຕໍົ່ )
  • 6.
     ເພົ່ ອອໍານວຍຄວາມສະດວກການຈາລະຈອນ ແລະ ຊົ່ ວຍຫຸ ດຜອົ່ ນ ບັ ນຫາການຈາລະຈອນຕາມທ້ ອງຖະໜົ ນ ຫ ສະຖານທີົ່ ຕົ່ າງໆ ຈຸ ດປະສົ ງ (ຕໍົ່ )
  • 7.
    • ຂັ້ ນຕອນວິທີ ຂອງ CNN ເພົ່ ອຫາຄຸ ນລັ ກສະນະຂອງຮູ ບພາບ (Object) ເຕັ ກນິ ກວິ ທີ ການເຮັ ດວຽກຂອງ CNN - YOLO
  • 8.
    • Convolution Layerເປັ ນຂັ້ ນຕອນທໍ າອິ ດສໍ າລັ ບກາຫາຄຸ ນລັ ກສະນະຂອງຮູ ບພາບ ທີົ່ Input • ເຊີົ່ ງການຫາຄົ່ າຄຸ ນລັ ກສະນະຕ້ ອງປະກອບດ້ ວຍ 2 ຄົ່ າ Input 1. ຮູ ບພາບ matrix 2. Filter or Kernel ຂັ້ ນຕອນ 1. Convolution Layer
  • 9.
    ຕົ ວຢົ່ າງ:ການຄິ ດໄລົ່ ຄົ່ າ ຂັ້ ນຕອນ 1. Convolution Layer
  • 10.
    • ReLU ຄການປັບປົ່ ຽນຄົ່ າຄຸ ນລັ ກສະນະທີ ຫາໄດ້ ຈາກ Convolution Layer ໃຫ້ ເປັ ນ non-linearity ຫ ປັ ບປົ່ ຽນຄົ່ າຄຸ ນລັ ກສະນະທີ ເປັ ນຄົ່ າລົ ບໄປເປັ ນ 0 ຂັ້ ນຕອນ 2. ReLU Layer
  • 11.
    ຕົ ວຢົ່ າງ:ການຄິ ດໄລົ່ ຂັ້ ນຕອນ 2. ReLU Layer ຄຸ ນລັ ກສະນະຂອງ Object
  • 12.
    • Pooling layerຄການເອົ າອົ ງປະກອບໃຫຍົ່ ສຸ ດທີ ຫາຄຸ ນລັ ກສະນະໄດ້ ມາ ຈັ ກຂັ້ ນຕອນ Convolution Layer ແລະ ReLU Layer ໂດຍການກໍ ານົ ດ ຄົ່ າ Filters 2 x 2 ຂັ້ ນຕອນ 3. Pooling Layer
  • 13.
    ຕົ ວຢົ່ າງ:ການຄິ ດໄລົ່ ຂັ້ ນຕອນ 3. Pooling Layer ປັ ບປົ່ ຽນຄຸ ນລັ ກສະນະຂອງ Object
  • 14.
    • Fully connectionlayer ເປັ ນຕົ ວເຮັ ດໜ້ າທີົ່ ສໍ າລັ ບການຮຽນຮູ້ ແລະ ຈໍ າ ແນກວັ ດຖຸ (Object) ແລ້ ວສະແດງຜົ ນອອກມາຕາມຄຸ ນລັ ກສະນະທີ ຫາ ໄດ້ ຈາກຂັ້ ນຕອນ Pooling Layer ຂັ້ ນຕອນ 4. Fully connection layer
  • 15.
    ວິ ທີ ການດໍາເນີ ນການຄົ້້ ນຄ້ ວາຂອງການພັ ດທະນາລະບົ ບໃນການວິ ໄຈຄັ້ ງນີ ້ ປະກອບ ດ້ ວຍ 2 ຂັ້ ນຕອນຫັ ກຄ: 1 ຂັ້ ນຕອນການຝກອົ ບຮົ ມລະບົ ບ (Training Step) ເພົ່ ອສ້ າງແມົ່ ແບບ 2 ຂັ້ ນຕອນທົ ດສອບແມົ່ ແບບຂອງລະບົ ບ (Testing Step) ວິ ທີ ດໍ າເນີ ນການຄົ້ ນຄວ້ າ
  • 16.
    ວິ ທີ ດໍາເນີ ນການຄົ້ ນຄວ້ າ
  • 17.
    • ກະກຽມຊຸ ດຂໍ້ມູ ນເພົ່ ອພັ ດທະນາລະບົ ບແມົ່ ແບບເຊີົ່ ງໃນຊຸ ດຂໍ້ ມູ ນປະກອບໄປດ້ ວຍ ປະເພດລົ ດເຊັົ່ ນ:  ລົ ດຈັ ກ 1.000 ຮູ ບຂ້ ນໄປ  ລົ ດໃຫຍົ່ 1.000 ຮູ ບຂ້ ນໄປ ລົ ດຖີ ບ 1.000 ຮູ ບຂ້ ນໄປ ທີົ່ ມາຂອງຊຸ ດຂໍ້ ມູ ນ Google ຂັ້ ນຕອນການຝກອົ ບຮົ ມລະບົ ບ (Training Step)
  • 18.
    • ກໍ ານົດ Label ແລະ Bounding Box ໃຫ້ ຊຸ ດຂໍ້ ມູ ນແຕົ່ ລະຮູ ບພາບ ໂດຍນໍ າໃຊ້ Tool Labelimg ຂັ້ ນຕອນການຝກອົ ບຮົ ມລະບົ ບ (Training Step)
  • 19.
    • ໄດ້ ຊຸດຂໍ້ ມູ ນລົ ດພ້ ອມເອົ າເຂົ້ າລະບົ ບເພົ່ ອຝກສອນໃຫ້ ຮັ ບຮູ້ ຂັ້ ນຕອນການຝກອົ ບຮົ ມລະບົ ບ (Training Step)
  • 20.
    • ເອົ າຊຸດຂໍ້ ມູ ນເຂົ້ າລະບົ ບໃຊ້ ຫັ ກການຂອງ CNN ຫາຄຸ ນລັ ກສະນາຂອງແຕົ່ ລະຮູ ບ ພາບໃນຊຸ ດຂໍ້ ມູ ນ ຂັ້ ນຕອນການຝກອົ ບຮົ ມລະບົ ບ (Training Step)
  • 21.
    ຂັ້ ນຕອນທົ ດສອບແມົ່ແບບຂອງລະບົ ບ (Testing Step)
  • 22.
    • ເຊົ່ ອມຕໍົ່ກ້ ອງວົ ງຈອນປິ ດ ຫ ວິ ດີ ໂອເຂົ້ າລະບົ ບ • ຫາຄຸ ນລະສະນະຂອງວິ ດີ ໂອຕາມແຕົ່ ລະ Frame ຮູ ບພາບໂດຍໃຊ້ ຫັ ກການຂອງ CNN ຂັ້ ນຕອນທົ ດສອບແມົ່ ແບບຂອງລະບົ ບ (Testing Step)
  • 23.
    • ຫາໄດ້ ຄຸນລະສະນະຂອງຕາມແຕົ່ ລະ Frame ແລ້ ວເອົ າໄປປຽບທຽບກັ ບ ແມົ່ ແບບ (Models) ແລ້ ວສະແດງຜົ ນອອກ ຂັ້ ນຕອນທົ ດສອບແມົ່ ແບບຂອງລະບົ ບ (Testing Step)
  • 24.
  • 25.
    1 • ການສົົ່ ງຊຸດຂໍ້ ມູ ນໄປຝກໃຫ້ ລະບົ ບຮັ ບຮູ້ ແມົ່ ນໃຊ້ ເວລາປະມານ 2 ຫາ 3 ຊົົ່ ວໂມງ (ອີ ງຕາມປະສິ ດທິ ພາບຂອງ ເຄົ່ ອງຄອມພິ ວເຕີ ). 2 • ການສົົ່ ງຂໍ້ ມູ ນຈາກກ້ ອງວົ ງຈອນປິ ດໄປປະມວນຜົ ນກວດສອບໂດຍໃຊ້ ເວລາປະມານ 0,2 ວິ ນາທີ ຕໍົ່ Frame 3 • ສາມາດກວດຈັ ບຄວາມໄວ, ນັ ບຈໍ ານວນລົ ດໄດ້ ສະເພາະລົ ດທີົ່ ຫັ ນໜ້ າເຂົ້ າຫາໜ້ າກ້ ອງເທົ ານັ້ ນ 4 • ຜົ່ ານການທົ ດລອງແມົ່ ນສາມາດກວດຈັ ບໄດ້ ໂດຍຄົ່ າສະເລົ່ ຍປະມານ 90% ຈາກກ້ ອງວົ ງຈອນປິ ດ. ສະຫຸ ບຜົ ນການຄົ້ ນຄວ້ າ ສະຫຸ ບຜົ ນການຄົ້ ນຄວ້ າ ແລະ ຂໍ້ ສະເໜີ
  • 26.
    1 • ການນັ ບຈໍານວນ ແລະ ຈັ ບຄວາມໄວຂອງລົ ດທີົ່ ມາຈາກທິ ດທາງກົ ງກັ ນຂ້ າມຂອງໜ້ າກ້ ອງ ວົ ງຈອນປິ ດ ແລະ ຍັ ງບໍົ່ ສາມາດນັ ບຈໍ ານວນລົ ດຕາມປະເພດລົ ດໄດ້ . 2 • ໃຊ້ ວິ ທີ ການອົ່ ນເພົ່ ອຊົ່ ວຍໃຫ້ ສາມາດກວດຈັ ບຄວາມໄວ ແລະ ນັ ບຈໍ ານວນລົ ດຈາກທິ ດທາງ ກົ ງກັ ນຂ້ າມໄດ້ 3 • ໃຊ້ ວິ ທີ ການອົ່ ນຈໍ າແນກປະເພດລົ ດ ແລະ ນັ ບຈໍ ານວນລົ ດຕາມປະເພດໄດ້ ຂໍ້ ສະເໜີ ສະຫຸ ບຜົ ນການຄົ້ ນຄວ້ າ ແລະ ຂໍ້ ສະເໜີ
  • 27.