Hệ thống hỗ trợ nông dân trên thiết bị di động: Nhận dạng cua giống

Bài viết đề xuất xây dựng mô hình “Nhận dạng cua giống” trên nền thiết bị di động, trước mắt là các thiết bị chạy hệ điều hành Android. Mô hình nhận dạng được xây dựng dựa trên giải thuật Boosting phân tầng có sử dụng đăc trưng Haar-like. Thông qua ảnh chụp từ thiết bị di động (ví dụ, chụp ảnh chậu chứa cua giống), hệ thống sẽ lọc nhiễu theo phương pháp lọc trung vị (Median Filter) để nâng cao chất lượng ảnh, loại bỏ các chi tiết không cần thiết. Mời các bạn cùng tham khảo!

Trang 1

Hệ Thống Hỗ Trợ Nông Dân Trên Thiết Bị Di Động:

Nhận Dạng Cua Giống Nguyễn Thiện An và Nguyễn Thái Nghe Khoa CNTT&TT, Trường Đại học Cần Thơ Email: ntankg@gmail.com; ntnghe@cit.ctu.edu.vn

Tóm tắt - Bài viết này là một phần trong giải pháp xây dựng hệ

thống hỗ trợ nông dân trên thiết bị di động mà nhóm chúng tôi

đề xuất Trong phạm vi của nghiên cứu này, chúng tôi đề xuất

xây dựng mô hình “Nhận dạng cua giống” trên nền thiết bị di

động, trước mắt là các thiết bị chạy hệ điều hành Android Mô

hình nhận dạng được xây dựng dựa trên giải thuật Boosting phân

tầng có sử dụng đăc trưng Haar-like Thông qua ảnh chụp từ

thiết bị di động (ví dụ, chụp ảnh chậu chứa cua giống), hệ thống

sẽ lọc nhiễu theo phương pháp lọc trung vị (Median Filter) để

nâng cao chất lượng ảnh, loại bỏ các chi tiết không cần thiết Kế

đến, dựa trên đặc trưng Haarlike kết hợp với giải thuật Boosting

phân tầng, hệ thống sẽ nhận dạng và đếm số lượng cua giống có

trong ảnh Kết quả thực nghiệm bước đầu đã cho thấy việc nhận

dạng cua giống dựa trên mô hình đã xây dựng là rất khả quan

Mô hình này sẽ được cải tiến hơn nữa để có thể áp dụng vào thực

tế

Từ khóa- Xử lý ảnh, thị giác máy tính, đặc trưng Haar-like, nhận

dạng cua giống, nhận dạng trên thiết bị di động

I GIỚI THIỆU Đồng bằng sông Cửu Long là vùng rất phát triển nghề nuôi

trồng thuỷ sản Đặc biệt, ở một số tỉnh giáp biển như: Cà Mau,

Bạc Liêu, Kiên Giang, Trà Vinh,… do đất sản xuất bị nhiễm

mặn nên việc trồng lúa nước cho sản lượng không cao, chất

lượng lại thấp Vì vậy, từ nhiều năm nay nghề nuôi thuỷ sản

nơi đây đã trở thành nghề chủ đạo thay cho trồng lúa nước,

trong đó nuôi cua biển là ngành kinh tế mang lại thu nhập khá

cao cho nông dân

Hàng năm, khi đến thời điểm thả con giống, người nông dân

thường ra trại cua (là nơi sản xuất cua con) để mua cua giống

(cua con, kích thước nhỏ, như minh họa trong Hình 1 phần

trên) về nuôi Cua giống có kích thước nhỏ nhưng lại được

bán theo đơn vị “con” và cách xác định số lượng chủ yếu là

đếm và ước lượng là chính Do đó, số lượng cua thực tế sẽ ít

hơn số lượng cua được ước lượng rất nhiều Chẳng hạn, nếu

người mua muốn mua 1000 con, người bán sẽ đếm 100 con

cho vào một chậu nhỏ làm “chậu mẫu”, sau đó dùng 1 chậu

khác có kích thước giống chậu mẫu và cho cua vào đó đến khi

thấy màu sắc, số lượng giống như chậu mẫu thì xem như chậu

đó cũng chứa 100 con, như minh họa trong Hình 1 (trên) Lặp

lại tương tự với các chậu khác cho đến khi đủ 10 chậu, tức là

đã đủ 1000 con

Qua tìm hiểu từ những người nông dân có kinh nghiệm thì tỷ

lệ cua được mua thực tế khoảng 80% so với tỷ lệ ước lượng

Tức là khi người mua mua 1000 con thì số lượng thực tế chỉ

khoảng 800 con, điều này đã gây thiệt thòi khá nhiều cho nông

dân, mặc dù người bán cũng đã có “bù thêm” một số lượng

cho mỗi lần bán Chính vì thế, người dân đang rất cần một phương pháp hiệu quả hơn

Bên cạnh đó, công nghệ Xử lý ảnh và Thị giác máy tính đã được áp dụng rộng rãi trong rất nhiều lĩnh vực, như: Y học, Giáo dục, Thiên văn, Công nghiệp, Nông nghiệp,…Một số ứng dụng tiêu biểu như: Xử lý ảnh trong Y học (McAuliffe et al., 2001) (Pierre et al., 2002), xử lý ảnh vệ tinh trong Thiên văn (John R Jensen and Dr Kalmesh Lulla, 1987), nhận dạng dấu vân tay trong Khoa học Hình sự (Hong L., Yifei Wan, Jain A., 1998), nhận dạng mặt người (Châu Ngân Khánh, Đoàn Thanh Nghị, 2014), nhận dạng chữ viết tay (Phạm Anh Phương et al., 2009), nhận dạng biển số xe (Nguyễn Thái Nghe et al., , 2014), nhận dạng biển báo giao thông (Bahlmann

et al., 2005), Robot thu hoạch nông sản trong Nông nghiệp (Bulanon et al., 2002) (Wei et al., 2012),…

Hình 1 Cua giống được đếm khi bán (ảnh trên) và cua trưởng

thành (ảnh dưới)

ISBN: 978-604-67-0635-9

Trang 2

Từ những phân tích trên, chúng tôi thấy rằng việc áp dụng

công nghệ xử lý ảnh vào Nông nghiệp, đặc biệt là ngành nuôi

trồng Thuỷ sản là rất cần thiết nhưng vẫn chưa được nghiên

cứu tốt

Trong bài viết này, chúng tôi đề xuất xây dựng mô hình “Nhận

dạng và đếm số lượng cua giống” trên thiết bị di động nhằm

hỗ trợ nông dân một cách đếm khác thay cho cách đếm truyền

thống khi đi mua cua giống Đây cũng là cách giúp người

Nông dân bảo vệ quyền lợi cũng như tạo ra sự công bằng khi

mua bán

II CÁC NGHIÊN CỨU LIÊN QUAN

Nhận dạng là lĩnh vực đang rất được quan tâm trong nghiên

cứu khoa học cũng như thương mại Kết quả của các công

trình nghiên cứu về nhận dạng đã được thương mại hoá trong

các sản phẩm điện tử tiêu biểu như: máy ảnh kỹ thuật số, điện

thoại thông minh,… với tính năng xác định gương mặt, nụ

cười khi chụp ảnh Hay chức năng Tag ảnh trong các mạng xã

hội nổi tiếng như: Facebook, Twitter, Instagram,… với chức

năng nhận dạng gương mặt Ngoài ra, còn rất nhiều nghiên

cứu khoa học về nhận dạng như: nhận dạng chữ viết tay, nhận

dạng biển số xe, nhận dạng mặt người…

Trong rất nhiều nghiên cứu về nhận dạng vẫn chưa thấy

nghiên cứu nào liên quan đến vấn đề nhận dạng cua giống

trong ngành nuôi trồng Thuỷ sản Vì vậy mô hình “Nhận dạng

cua giống” sẽ góp phần làm phong phú thêm các lĩnh vực có

thể áp dụng kỹ thuật nhận dạng và đặc biệt là việc ứng dụng

công nghệ cao phục vụ Nông Nghiệp - Nông dân – Nông thôn

III ĐẶC TRƯNG HAAR-LIKE VÀ GIẢI THUẬT

BOOSTING PHÂN TẦNG

A Đặc trưng Haar-like

Đặc trưng Haar-like (Paul A Viola and Michael J Jones,

2001) được sử dụng trong việc nhận da ̣ng đối tượng trong ảnh

số Mỗi đặc trưng Haar-like là sự kết hợp gồm 2 hoặc 3 hình

chữ nhật đen, trắng với nhau theo một trật tự, một kích thước

nào đó Những khối chữ nhật này thể hiện sự liên hệ tương

quan giữa các bộ phận trong ảnh mà bản thân từng giá tri ̣ pixel

không thể diễn đa ̣t được Có 4 đặc trưng Haar-like cơ bản thể

hiện ở Hình 2 như sau

Hình 2 Đặc trưng Haar-like cơ bản

Từ 4 đặc trưng cơ bản, đặc trưng Haar-like còn được mở rộng

thành nhóm các đặc trưng đường, đặc trưng cạnh, đặc trưng

tâm (Lienhart, Kuranov, Pisarevky, 2002; Lienhart, Maydt,

2002)

Hình 3 Các đặc trưng Haar-like mở rộng Giá tri ̣ của đặc trưng Haar-like là sự chênh lệch giữa tổng các điểm ảnh của các vùng đen và các vùng trắng theo công thức:

f(x)=Sum black rectangle (pixel gray level) – Sum white rectangle (pixel gray level)

Như vậy, để tính toán các giá trị của đặc trưng Haar-like ta phải tính tổng các vùng pixel trên ảnh Nếu muốn tính các giá trị của các đặc trưng cho tất cả các vùng trên ảnh ta phải tốn chi phí tính toán khá lớn, không thể đáp ứng cho các ứng dụng chạy thời gian thực Do đó, để có thể tính nhanh các đặc trưng này, Viola và Jones (2001; 2004) giới thiệu khái niệm ảnh tích phân (Integral Image) Integral Image là một mảng hai chiều với kích thước bằng kích thước của ảnh cần tính giá tri ̣ đặc trưng Haar-like, với mỗi phần tử của mảng này được tính bằng cách tính tổng của điểm ảnh phía trên (dòng-1) và bên trái (cột-1) của nó Bắt đầu từ vị trí trên, bên trái đến vị trí dưới, bên phải của ảnh, việc tính toán này đơn thuần chỉ dựa trên phép cộng số nguyên đơn giản, do đó tốc độ thực hiện rất nhanh

Hình 4 Tính giá trị ảnh tích phân tại điểm có toạ độ P(x,y) Giá trị của điểm P có toạ độ (x,y) được tính theo công thức sau:

Sau khi đã tính được ảnh tích phân, việc tính tổng giá trị mức xám của vùng ảnh bất kỳ nào đó ta tính được dễ dàng như sau: Giả sử ta cần tính tổng giá trị mức xám của vùng D như trong Hình 5, ta tính như sau:

D = A + B + C + D – (A+C) – (A+B) + A

Hình 5 Tính nhanh giá trị mức xám vùng ảnh D

Trang 3

<Tên_ảnh_1> <số_đối_tượng> <x1 y1 width height>

<x2 y2 width height> <…>

…

<Tên_ảnh_n> <số_đối_tượng> <x1 y1 width height>

<x2 y2 width height> <…>

Với A+B+C+D là giá trị tại điểm P4 trên Integral Image,

tương tự như vậy A+C là giá trị tại điểm P3, A+B là giá trị tại

điểm P2, và A là giá trị tại điểm P1 Vậy ta có thể viết lại biểu

thức tính D ở trên như sau:

𝐷𝐷 = (𝑥𝑥4, 𝑦𝑦4) − (𝑥𝑥3, 𝑦𝑦3) − (𝑥𝑥2, 𝑦𝑦2) + (𝑥𝑥1, 𝑦𝑦1)

B Thuật toán Adaboost

Thuật toán Adaboost (Adaptive Boosting) là thuật toán máy

học được cải tiến từ thuật toán Boosting (Freund, Schapire,

1995) được giới thiệu vào năm 1995 Adaboost là một bộ phân

loại phi tuyến phức, hoạt động theo nguyên tắc kết hợp tuyến

tính các bộ phân lớp yếu (weak classifiers) thành một bộ phân

lớp mạnh (Strong Classifiers) AdaBoost sử dụng trọng số để

đánh dấu các mẫu khó nhận da ̣ng Trong quá trình huấn luyện

cứ mỗi bộ phân loa ̣i yếu được xây dựng thì thuật toán sẽ tiến

hành cập nhật la ̣i trọng số để chuẩn bi ̣ cho việc xây dựng bộ

phân loa ̣i tiếp theo Cập nhật bằng cách tăng trọng số của các

mẫu nhận da ̣ng sai và giảm trọng số của các mẫu được nhận

da ̣ng đúng bởi bộ phân loa ̣i yếu vừa xây dựng Bằng cách này

thì bộ phân loa ̣i sau có thể tập trung vào các mẫu mà bộ phân

loa ̣i trước nó làm chưa tốt Cuối cùng các bộ phân loa ̣i yếu sẽ

được kết hợp la ̣i tùy theo mức độ tốt của chúng để ta ̣o nên một

bộ phân loa ̣i ma ̣nh

Bộ phân loại hk được biểu diễn như sau:

ℎ𝑘𝑘(𝑥𝑥) = {1 𝑛𝑛ế𝑢𝑢 𝑝𝑝𝑘𝑘𝑓𝑓𝑘𝑘(𝓍𝓍) < 𝑝𝑝𝑘𝑘𝜃𝜃𝑘𝑘

0 𝑛𝑛ế𝑢𝑢 𝑛𝑛gược 𝑙𝑙ạ𝑖𝑖 Với x là cửa sổ con cần xét, 𝜃𝜃𝑘𝑘 là ngưỡng, 𝑓𝑓𝑘𝑘 là giá trị đặc

trưng Haar-like và 𝑝𝑝𝑘𝑘 hệ số quyết định chiều của phương trình

(Châu Ngân Khánh, Đoàn Thanh Nghị, 2014)

C Mô hình phân tầng Cascade

Mô hình phân tầng Cascade (Cascade of Boosted Classifiers)

là mô hình phân tầng với mỗi tầng là một mô hình AdaBoost

sử dụng bộ phân lớp yếu là cây quyết đi ̣nh với các đặc trưng

Haar-like

Trong quá trình huấn luyện, bộ phân lớp phải duyệt qua tất cả

các đặc trưng của mẫu trong tập huấn luyện Việc này tốn rất

nhiều thời gian Tuy nhiên, trong các mẫu đưa vào, không phải

mẫu nào cũng thuộc loa ̣i khó nhận da ̣ng, có những mẫu

background rất dễ nhận ra (go ̣i đây những mẫu background

đơn giản) Đối với những mẫu này, chỉ cần xét một hay một

vài đặc trưng đơn giản là có thể nhận da ̣ng được chứ không

cần xét tất cả các đặc trưng Nhưng đối với các bộ phân loa ̣i

thông thường thì cho dù mẫu cần nhận da ̣ng là dễ hay khó nó

vẫn phải xét tất cả các đặc trưng mà nó rút ra được trong quá

trình học Do đó, chúng tốn thời gian xử lý một cách không

cần thiết

Mô hình Cascade of Classifiers được xây dựng nhằm rút ngắn

thời gian xử lý, giảm thiểu nhận da ̣ng lầm (False Alarm) cho

bộ phân loại Cascade trees gồm nhiều tầng (stage hay còn go ̣i

là layer), mỗi tầng là một mô hình AdaBoost với bộ phân lớp

yếu là các cây quyết đi ̣nh Một mẫu để được phân loa ̣i là đối

tượng thì nó cần phải đi qua hết tất cả các tầng Các tầng sau

được huấn luyện bằng những mẫu âm (Negative – không chứa

đối tượng nhận diện) mà tầng trước nó nhận da ̣ng sai, tức là nó sẽ tập trung học từ các mẫu background khó hơn, do đó sự kết hợp các tầng AdaBoost này la ̣i sẽ giúp bộ phân loa ̣i giảm thiểu nhận dạng lầm Với cấu trúc này, những mẫu background dễ nhận dạng sẽ bi ̣ loa ̣i ngay từ những tầng đầu tiên, giúp đáp ứng tốt nhất thời gian xử lý và vẫn duy trì được hiệu quả phát hiện đối tượng (Châu Ngân Khánh, Đoàn Thanh Nghị, 2014)

Hình 6 Mô hình Cascade of Boosted Classifiers (Javier,

2006)

IV ĐỀ XUẤT MÔ HÌNH NHẬN DẠNG

Hệ thống “Nhận dạng và đếm số lượng cua giống” được xây

dựng qua 2 bước Thứ nhất, xây dựng mô hình nhận dạng đối

tượng sử dụng giải thuật Boosting phân tầng và đặc trưng

Haar-like Thứ hai, triển khai mô hình đã xây dựng lên thiết bị

di động nền tảng Android để nhận dạng và đếm số lượng cua giống

A Xây dựng mô hình nhận dạng cua giống

Quy trình nhận dạng cua giống thông qua các bước chính như

mô tả trong Hình 7

Hình 7: Mô hình nhận dạng cua giống

Để hệ thống nhận dạng được đối tượng, trước hết cần phải thu thập dữ liệu đầu vào để tạo tập dữ liệu học Trong bài viết này,

dữ liệu đầu vào chính là ảnh cua giống Có 2 lớp ảnh cần thu thập là lớp dương (Positive - ảnh chứa cua giống) và lớp âm (Negative - ảnh bất kỳ nhưng không chứa cua giống) Ảnh lớp dương được cắt ra sao cho mỗi ảnh chỉ chứa 1 đối tượng Chúng tôi sử dụng 1.460 ảnh có kích thước 20x20 pixels làm lớp dương và 12.638 ảnh kích thước 320x240 pixels làm lớp

âm

Khi đã có đủ 2 lớp ảnh, chúng tôi thực hiện giai đoạn tạo mẫu theo các bước được trình bày dưới đây

Bước 1: Tạo tập tin mô tả đối tượng lớp dương, đây là tâp tin

Trang 4

<Tên_ảnh_1>

…

<Tên_ảnh_n>

text có cấu trúc:

Trong đó:

- Tên_ảnh_1, Tên_ảnh_n: ảnh thứ nhất, ảnh thứ n có

chứa đối tượng

- Số_đối_tượng: số lượng đối tượng có trong ảnh

- x1, y1: toạ độ (tính từ góc trên bên trái) của đối tượng

thứ nhất

- width, height: chiều rộng, cao của hình chữ nhật bao

quanh đối tượng

Tập tin mô tả đối tượng sau khi tạo có cấu trúc như Hình 8:

Hình 8 Tập tin mô tả đối tượng lớp dương

Bước 2: Tạo tập tin mô tả đối tượng lớp âm, đây là tập tin

dạng text chứa tên ảnh có cấu trúc:

Tập tin mô tả đối tượng sau khi tạo có cấu trúc như Hình 9:

Hình 9 Tập tin mô tả đối tượng lớp âm

Trong đó:

- Tên_ảnh_1: tên ảnh âm thứ nhất

- Tên_ảnh_n: tên ảnh âm thứ n

Bước 3: Tạo mẫu bằng tiện ích opencv_createsamples và

createtrainsamples.pl:

Tiện ích createtrainsamples.pl được viết bởi Natoshi Seo

năng xoay ảnh theo các trục x, y, z để vét cạn các trường hợp

khi đối tượng trong ảnh không nằm theo hướng thẳng đứng

Câu lệnh:

$ perl createtrainsamples.pl positive.txt negative.text vec 7000

“./opencv_createsamples -w 20 -h 20”

Trong đó:

- createtrainsamples.pl: tiện ích xoay ảnh khi tạo mẫu

- positive.txt, negative.txt: tập tin mô tả đối tượng lớp

dương và lớp âm được tạo ở Bước 2

- vec: thư mục chứa tập tin kết quả

- 7000: số lượng mẫu

- opencv_createsamples: tiện ích tạo mẫu của thư viện

OpenCV

- -w 20 -h 20: kích thước chiều rộng, cao của ảnh

Sau khi thực hiện Bước 3 chúng tôi thu được các tập tin

*.vec trong thư mục vec

Bước 4: Tạo tập tin mô tả các tập tin *.vec tương tự như cách

tạo tập tin mô tả đối tượng lớp âm ở Bước 2 Sau bước này

chúng tôi thu được tập tin vec.txt

Bước 5: Sử dụng chương trình mergevec.cpp được viết bởi

Natoshi Seo (http://note.sonots.com/) để kết hợp các tập tin

*.vec với nhau thành một tập tin vector phục vụ cho bước

huấn luyện Câu lệnh:

$ mergevec vec.txt samples.vec

Trong đó:

- mergevec: tên chương trình kết nối tập tin *.vec

- vec.txt: tập tin mô tả các tập tin *.vec

- samples.vec: tập tin kết quả

Bước 6: Huấn luyện dữ liệu học cho mô hình từ tập tin

samples.vec được tạo ở Bước 5 Chúng tôi sử dụng tiện ích

opencv_traincascade trong thư viện OpenCV để huấn luyện Câu lệnh:

$ /opencv_traincascade -data trainCascade -vec samples.vec -bg negative.txt -numPos 7000 -numNeg 12638 -numStages 25 w 20 h 20 minHitRate 0.995 maxFalseAlarmRate 0.5 -percalcValBufSize 2000 -percalcIdxBufSize 2000 -mode ALL

Trong đó:

- opencv_traincascade: tên chương trình huấn luyện dữ

liệu

- -data trainCascade: thư mục chứa tập tin kết quả

- -vec samples.vec: tập tin vector tạo ở Bước 5

- -bg negative.txt: tập tin mô tả đối tượng lớp âm được

tạo ở Bước 2

- -numPos 7000: số lượng mẫu lớp dương

- -numNeg 12638: số lượng mẫu lớp âm

- -numStage 25: số bước huấn luyện

- -w 20 –h 20: kích thước rộng, cao của ảnh

- minHitRate 0.995: tỷ lệ nhận dạng đúng thấp nhất

- -maxFalseAlarmRate 0.5: tỷ lệ cảnh báo sai cao nhất

- -percalcValBufSize 2000, -percalcIdxBufSize 2000: tỷ lệ

Ram (MB) được sử dụng khi huấn luyện dữ liệu

Khi quá trình huấn luyện kết thúc, chúng tôi thu được tập tin

cascade.xml Đây là tập tin chứa dữ liệu học để giúp hệ thống

nhận dạng đối tượng khi triển khai xây dựng hệ thống Tập tin

cascade.xml có cấu trúc như Hình 10:

Trang 5

Hình 10 Cấu trúc tập tin cascade.xml

B Xây dựng hệ thống nhận dạng và đếm cua giống

Mô hình tổng quát của hệ thống Nhận dạng và đếm số

lượng cua giống được mô tả như Hình 11:

Hình 11 Mô hình tổng quát của hệ thống Nhận dạng và

đếm số lượng cua giống Sau khi xây dựng xong mô hình nhận dạng, chúng tôi cài đặt

mô hình vào ứng dụng chạy trên thiết bị di động, trước mắt là

hệ điều hành Android do các thiết bị chạy Android khá phổ

biến và giá thành cũng phù hợp với phần lớn người dùng, đặc

biệt là nông dân

Sau khi cài đặt, ứng dụng cho phép người dùng chụp ảnh chậu

chứa cua giống và lưu ảnh vào bộ nhớ điện thoại Sau đó, hệ

thống thực hiện tiền xử lý ảnh bằng các phép toán lọc ảnh để

khử nhiễu trước khi tiến hành nhận dạng Kết quả đầu ra của

hệ thống là số lượng cua giống được xác định sau khi nhận

dạng bằng mô hình do chúng tôi xây dựng

V KẾT QUẢ MINH HỌA

Trong giai đoạn xây dựng và huấn luyện mô hình, chúng tôi

dùng 12638 ảnh âm (ảnh bất kỳ không phải con cua) và 1460

ảnh dương (các con cua) để trích xuất 7000 đặc trưng phục vụ

quá trình huấn luyện Sau khi huấn luyện xong, mô hình được

triển khai trên thiết bị di động chạy hệ điều hành Android

Từ ảnh chụp các con cua trong chậu, hệ thống tự động nhận

dạng, đếm và hiển thị số con như minh họa trong Hình 12

Trong hình này, hệ thống đã nhận dạng và đếm là 356 con

Trong đó nhận dạng đúng là 334 con, nhận dạng nhầm là 22

con trong tổng số lượng cua thực tế trong ảnh là 375, với độ

chính xác tương ứng là 89% Để độ chính xác được khách

quan hơn, người sử dụng có thể chụp nhiều lần ở nhiều góc độ

khác nhau, sau đó hệ thống sẽ cho kết quả trung bình trên số

ảnh đã chụp

Hình 12 Kết quả nhận dạng và đếm cua giống Những con

đã được hệ thống nhận dạng được bao trong ô hình chữ nhật Hình 13 minh hoạ kết quả nhận dạng khi chụp cùng bức ảnh ở Hình 12 nhưng ở góc độ nghiêng Hệ thống nhận dạng đúng

245 con trong số 270 con được nhận dạng (ảnh thực là 375 con) Tuy nhiên độ chính xác thấp hơn nhiều (đạt 65.33%) do một đối tượng bị khuất hoặc quá nhỏ Yếu tố (chủ quan) này

sẽ được khắc phục đơn giản bằng cách hướng dẫn người dùng chụp trực diện hình ảnh thay vì chụp nghiêng để có kết quả tốt hơn

Thử nghiệm trong môi trường thực tế, chúng tôi đã chụp 9 ảnh sau đó lấy kết quả trung bình, độ chính xác đạt 81.86% Chúng tôi sẽ tiếp tục việc kiểm thử trên nhiều ảnh khác trong tương lai

VI KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Chúng tôi đã đề xuất xây dựng mô hình Nhận dạng cua giống trên thiết bị di động dựa trên giải thuật Boosting phân tầng và đặc trưng Haar-like Nghiên cứu này sẽ là tiền đề cho các nghiên cứu ứng dụng công nghệ cao để phục vụ Nông nghiệp – Nông dân – Nông thôn, đặc biệt là các ứng dụng trên nền thiết bị di động Kết quả bước đầu đã cho thấy mô hình đề

Trang 6

xuất là rất khả thi, mặc dù độ chính xác của mô hình chưa

được như mong muốn

Chúng tôi sẽ tiếp tục cải tiến các thuật toán và tập dữ liệu học

để tăng độ chính xác cho kết quả nhận dạng Sau đó phát triển

trên các hệ điều hành thông dụng khác như iOS, Windows

Phone

Hình 13 Minh họa kết quả nhận dạng và đếm cua giống

khi chụp ở góc nghiêng

TÀI LIỆU THAM KHẢO

1 Bahlmann C., Ying Zhu, Ramesh V., Pellkofer M., Koehler T.,

2005 A system for traffic sign detection, tracking, and

recognition using color, shape, and motion information

Intelligent Vehicles Symposium, IEEE: 255-260

2 Bulanon D.M., Kataoka T., Ota Y., Hiroma T., 2002 Automation and Emerging Technologies: A Segmentation Algorithm for the Automatic Recognition of Fuji Apples at Harvest Biosystems Engineering 83(4): 405-412

3 Châu Ngân Khánh, Đoàn Thanh Nghị, 2014 Nhận dạng mặt người với giải thuật Haar Like Feauture – Cascade of Boosted Classifiers và đặc trưng SIFT Tạp chí khoa học Đại học An Giang 3(2): 15-24

4 Freund, Y., Robert E.Schapire, 1995 A decision- theoretic generalization of on-line learning and an application to boosting AT&T Labs, New Jersey

5 Hong L., Yifei Wan, Jain A., 1998 Fingerprint image enhancement: algorithm and performance evaluation Pattern Analysis and Machine Intelligence, IEEE Transactions 8:

777-789

6 Javier Ruiz-del-Solar, Rodrigo Verschae, 2006 Object detection using cascades of boosted classifiers Universidad de Chile, Chile

7 John R Jensen and Dr Kalmesh Lulla, 1987 Introductory digital image processing: A remote sensing perspective Geocarto International 1: 65

8 Lienhart, R., Kuranov, A., & Pisarevsky, V., 2002 Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection Microprocessor Research Lab, USA

9 Lienhart, R., Maydt, R., 2002 An Extended Set of Haar-like Features for Rapid Object Detection Intel Labs, Intel Corporation, Santa Clara, USA

10 McAuliffe M.J., Lalonde F.M., McGarry D., Gandler W., Csaky K., Trus B.L, 2001 Medical Image Processing, Analysis and Visualization in clinical research Computer-Based Medical Systems, IEEE Symposium: 381-386

11 Nguyễn Thái Nghe, Nguyễn Văn Đồng, Võ Hùng Vĩ, 2014 Một giải pháp trong xây dựng hệ thống hỗ trợ giữ xe thông minh Tạp chí khoa học Trường Đại học Cần Thơ 35: 17-30

12 Paul A Viola and Michael J Jones, 2001 Rapid Object Detection using a Boosted Cascade of Simple Features IEEE Conference on Computer Vision and Pattern Recognition

13 Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai, 2009 Kết hợp các bộ phân lớp SVM cho việc nhận dạng chữ Việt viết tay rời rạc Tạp chí Tin học và Điều khiển học 25(1): 88-97

14 Pierre Jannin, J Michael Fitzpatrick, David Hawkes, Xavier Pennec, Ramin Shahidi, et al , 2002 Validation of medical image processing in image-guided therapy IEEE Transactions

on Medical Imaging, Institute of Electrical and Electronics Engineers (IEEE) 21(12): 1445-9

15 Viola, P., Jones, M., 2001 Robust Real-time Object Detection International Journal of Computer Vision

16 Viola, P., Jones, M., 2004 Robust Real-time Face Detection International Journal of Computer Vision, Netherlands

17 Wei Ji, Dean Z., Fengyi C., Bo Xu, Ying Z., Jinjing Wan, 2012 Automatic recognition vision system guided for apple harvesting robot Computers &Electrical Eng., 38(5):

1186-1195

Định dạng
Số trang	6
Dung lượng	1,11 MB