Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày

Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC BÁCH KHOA HÀ NỘI

NGÔ QUANG ƯỚC

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI

CÂY TRỒNG NGẮN NGÀY

LUẬN ÁN TIẾN SĨ

KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

Hà Nội -2023

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC BÁCH KHOA HÀ NỘI

NGÔ QUANG ƯỚC

ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI

CÂY TRỒNG NGẮN NGÀY

Ngành: Kỹ thuật điều khiển và tự động hóa

Mã số: 9520216

LUẬN ÁN TIẾN SĨ

KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA

NGƯỜI HƯỚNG DẪN KHOA HỌC:

1 PGS TS Bùi Đăng Thảnh

2 TS Ngô Trí Dương

Hà Nội -2023

LỜI CAM ĐOAN

Tôi xin cam đoan rằng, các kết quả nghiên cứu trong luận án này là công trình nghiên cứu của bản thân tôi dưới sự hướng dẫn của hai người hướng dẫn khoa học Các nghiên cứu của luận án là trung thực và chưa từng được các tác giả khác công bố

Hà Nội, ngày 14 tháng 6 năm 2023

PGS TS Bùi Đăng Thảnh TS Ngô Trí Dương Ngô Quang Ước

LỜI CẢM ƠN

Để luận án này được hoàn thành, ngoài nỗ lực học tập và nghiên cứu của bản

thân, tôi còn được sự quan tâm, giúp đỡ và động viên của nhiều tổ chức và cá nhân,

nhân đây tôi xin bày tỏ lòng cảm ơn:

Tôi xin chân thành cảm ơn Đại học Bách khoa Hà Nội đã đồng ý cho tôi thực

hiện luận án này Cảm ơn các thầy cô ở Phòng đào tạo, Viện Kỹ thuật điều khiển và

Tự động hóa, Trường Điện - Điện tử đã luôn hỗ trợ và tạo mọi điều kiện thuận lợi

cho tôi trong suốt quá trình tôi tham gia khóa học này

Tôi xin trân trọng gửi lời cảm ơn sâu sắc đến hai người thầy giáo hướng dẫn

khoa học của tôi là thầy PGS.TS Bùi Đăng Thảnh và thầy TS Ngô Trí Dương đã luôn

quan tâm, động viên và hướng dẫn chi tiết về mặt chuyên môn trong suốt quá trình

tôi thực hiện luận án này Đồng thời cũng gửi lời cảm ơn chân thành đến thầy PGS.TS

Nguyễn Quang Địch, Viện trưởng Viện Kỹ thuật điều khiển và Tự động hóa, Thầy

đã động viên và có những góp ý sâu sắc cho định hướng nghiên cứu của tôi

Tôi xin chân thành cảm ơn các thầy cô trong Ban Giám đốc, Ban Khoa học công

nghệ, Ban Tổ chức cán bộ, Khoa Cơ Điện, Bộ môn Hệ thống điện - Học viện Nông

nghiệp Việt Nam đã tạo mọi điều kiện tốt nhất cho tôi được tham gia và hoàn thành

chương trình đào tạo này

Tôi xin chân thành cảm ơn thầy TS Nguyễn Đức Huy - Giám đốc Bệnh viện

Cây trồng, thầy TS Vũ Thanh Hải, cô ThS Đặng Thị Hường - Khoa Nông học, Anh

ThS Nguyễn Trọng Tú, Anh ThS Nguyễn Thanh Tùng - Viện Nghiên cứu và Phát

triển cây trồng - Học viện Nông nghiệp Việt Nam đã giúp đỡ nhiệt tình trong việc

cung cấp quy trình sản xuất cây trồng, phương pháp thu thập bộ dữ liệu về quá sinh

trưởng, xác định và lây nhiễm bệnh trên cây trồng, cũng như hỗ trợ trong quá trình

thực nghiệm

Tôi xin bày tỏ lòng biết ơn sâu sắc đến các thầy cô phản biện, các thầy cô trong

hội đồng chấm luận án, các thầy trong Viện Kỹ thuật điều khiển và Tự động hóa đã

đọc duyệt và góp các ý kiến quý báu để tôi có thể hoàn thiện luận án này

Cuối cùng, Tôi xin gửi lời cảm ơn đặc biệt tới gia đình, nhất là Vợ tôi đã luôn ở

bên động viên, giúp đỡ về mặt gia đình và tinh thần trong suốt quá trình tôi thực hiện

luận án này

Nghiên cứu sinh

MỤC LỤC

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT vi

DANH MỤC CÁC BẢNG BIỂU ix

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ x

MỞ ĐẦU 1

1 Tính cấp thiết của luận án 1

2 Mục tiêu nghiên cứu 2

3 Đối tượng và phạm vi nghiên cứu 3

4 Phương pháp nghiên cứu 3

5 Ý nghĩa khoa học và thực tiễn của luận án 3

6 Đóng góp mới của đề tài nghiên cứu: 4

7 Cấu trúc của luận án: 4

CHƯƠNG 1 TỔNG QUAN VỀ HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI CÂY TRỒNG NGẮN NGÀY 6

1.1 Vai trò của điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày 6

1.2 Ý nghĩa của chiều cao, số lá và diện tích lá đối với quá trình sinh trưởng của cây trồng 9

1.3 Tình hình nghiên cứu hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày 10

1.4 Tình hình nghiên cứu về xác định chiều cao, số lá và diện tích lá cây trồng ngắn ngày 15

1.5 Tình hình nghiên cứu phương pháp phát hiện bệnh trên cây trồng ngắn ngày 20

1.6 Định hướng nghiên cứu của luận án 26

1.6.1 Hướng nghiên cứu của luận án 26

1.6.2 Dự kiến các đóng góp mới của luận án 27

KẾT LUẬN CHƯƠNG 1: 27

CHƯƠNG 2 NGHIÊN CỨU XÁC ĐỊNH CHIỀU CAO, SỐ LÁ VÀ DIỆN TÍCH LÁ CÂY TRỒNG 28

2.1 Phương pháp xác định chiều cao, số lá và diện tích lá 28

2.2 Đề xuất phương pháp phân vùng lá cây trồng 29

2.2.1 Phương pháp tính khoảng cách Mahalanobis 30

2.2.2 Xác định ngưỡng tối ưu 31

2.2.3 Đề xuất thuật toán khoảng cách Mahalanobis sửa đổi (MMD) để phân

vùng lá cây trồng 33

2.2.4 Phương pháp đánh giá chất lượng thuật toán nghiên cứu 34

2.2.5 Đánh giá thuật toán đề xuất (MMD) 35

2.3 Xác định chiều cao, số lá và diện tích lá thực nghiệm với cây dưa chuột 37

KẾT LUẬN CHƯƠNG 2: 40

CHƯƠNG 3 ỨNG DỤNG TRÍ TUỆ NHÂN TẠO PHÁT HIỆN BỆNH TRÊN CÂY TRỒNG NGẮN NGÀY 41

3.1 Cơ sở lý thuyết về trí tuệ nhân tạo cho việc phân loại và phát hiện bệnh cây trồng thông qua hình ảnh 41

3.1.1 Khái quát về mạng nơron tích chập (CNN) 41

3.1.2 Mô hình CNN phân loại ảnh 46

3.1.3 Mô hình CNN phát hiện đối tượng trong ảnh 50

3.2 Phân loại và phát hiện bệnh hại trên cây trồng bằng mô hình CNN 57

3.2.1 Đề xuất kết hợp mô hình phân loại bệnh hại trên cây trồng 57

3.2.2 Đề xuất cải tiến mô hình phát hiện bệnh hại trên cây trồng 59

3.3 Phân loại và phát hiện bệnh trên cây dưa chuột 65

3.3.1 Ảnh hưởng của bệnh đến quá trình sản xuất dưa chuột 65

3.3.2 Xây dựng bộ cơ sở dữ liệu bệnh trên cây dưa chuột 68

3.3.3 Phân loại bệnh phấn trắng và bệnh sương mai 75

3.3.4 Phát hiện lá bị bệnh phấn trắng và bệnh sương mai 82

KẾT LUẬN CHƯƠNG 3: 93

CHƯƠNG 4 THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 94

4.1 Xây dựng và thiết lập mô hình nhà lưới thử nghiệm 94

4.2 Thiết kế hệ thống điều khiển giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột 96

4.2.1 Hệ thống phần cứng 97

4.2.2 Thuật toán điều khiển hệ thống 98

4.3 Thực nghiệm và đánh giá thuật toán xác định chiều cao, số lá và diện tích lá cây dưa chuột 100

4.3.1 Bố trí mô hình thực nghiệm 100

4.3.2 Kết quả và đánh giá thuật toán đề xuất 101

4.4 Thực nghiệm và đánh giá hệ thống điều khiển giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột 109

4.4.1 Bố trí thực nghiệm 109

4.4.2 Diễn biến đặc điểm của cây dưa chuột bị nhiễm bệnh 110

4.4.3 Kết quả đánh giá hệ thống điều khiển giám sát và cảnh báo bệnh 112

KẾT LUẬN CHƯƠNG 4: 117

KẾT LUẬN VÀ KIẾN NGHỊ 118

DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN 120

TÀI LIỆU THAM KHẢO 121

PHỤ LỤC 1

DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT

Bh, By Ma trận bias của các lớp ẩn và lớp đầu ra

C Hiệp phương sai

c Khoảng cách đường chéo nhỏ nhất của hộp có thể chứa hộp

giới hạn dự đoán và hộp giới hạn thực

Cij và Ĉij Điểm tin cậy của hộp dự đoán và điểm tin cậy của hộp thực

d Khoảng cách Mahalanobis của mỗi pixel

ER Đại lượng Error Rate

ELA Sai số tương đối của diện tích lá ước tính

EN Sai số tương đối của số lá ước tính

EL Sai số tương đối của chiều cao cây ước tính

f(.) Hàm kích hoạt

F1-score The harmonic mean of the precision and recall

feature_surfaceout Bề mặt đặc trưng đầu ra

FN (Fault

Negative)

- Tổng số ảnh của lớp đang xét bị phân loại vào lớp khác

- Các điểm ảnh của vùng lá bị phân loại nhầm thành điểm ảnh không phải lá

FNR Đại lượng False Negative Rate

FP (Fault

Positive)

- Tổng số ảnh phân loại sai vào lớp đang xét

- Các điểm ảnh ở các vùng không phải lá bị phân loại nhầm thành các điểm ảnh lá

FPR Đại lượng False Positive Rate

H Vector giá trị đầu ra của đơn vị ẩn

IoU Intersection over union giữa các hộp giới hạn dự đoán và hộp

𝐿𝐴𝑒 Diện tích vùng lá ước tính bằng thuật toán

𝐿𝐴𝑚 Diện tích vùng lá tính toán thủ công

L e Chiều cao cây dưa chuột ước tính bằng thuật toán

𝐿𝑚 Chiều cao cây dưa chuột đo thu công

l ws và l ls Chiều rộng và chiều dài của lá thứ s

mAP Giá trị trung bình của độ chính xác trung bình

Ne Số lượng lá trung bình trên cây được ước tính bằng thuật toán

Nm Số lượng lá trung bình trên cây được đo thủ công

𝑛𝑢 Số lần xuất hiện của các mức xám u

O Kích thước bề mặt đặc trưng đầu

p Khoảng đệm (padding)

Pcl Số pixel trong vùng hiệu chuẩn

Pij(c) và P̂ij(c) Là xác suất dự đoán và xác suất thực mà đối tượng thuộc phân

loại c trong hộp giới hạn thứ j của lưới thứ i

𝑃𝑙 Số pixel trong vùng lá cây được xem xét

Giá trị của thành phần các màu đỏ (Red), xanh lam (Blue) và

xanh lục (Green) trong ảnh màu

s Bước trượt (strides)

S2 Số ô lưới trong ảnh đầu vào

Tb Tổng số ảnh bị bệnh mà hệ thống giám sát chụp được

TN (True

Negative)

- Tổng số ảnh của lớp khác được phân loại đúng

- Các điểm ảnh trong vùng không phải lá được phân loại chính xác thành các điểm ảnh không phải lá

TP (True

Positive)

- Tổng số ảnh của lớp đang xét được phân loại đúng

- Các điểm ảnh của vùng lá được phân loại chính xác thành các điểm ảnh của lá

Tph Tổng số ảnh bị bệnh mà thuật toán phát hiện được

w và h chiều rộng và chiều cao của hộp giới hạn dự đoán

wgt và hgt Chiều rộng và chiều cao hộp giới hạn thực

Wh , Wy Ma trận trọng số giữa các lớp ẩn và lớp đầu ra

wi Trọng số tín hiệu vào thứ i

Wijobj Một chức năng của đối tượng

x Giá trị màu của một pixel trong ảnh màu

X Ma trận giá trị đầu vào

xi Tín hiệu vào thứ i

Y Vector giá trị đầu ra của đơn vị đầu ra

y*

m Giá trị thực của đầu ra của mạng

ym Tín hiệu ra của các nơron thứ m

𝜃0 Giá trị ngưỡng được xác định trước

𝜃0∗ Giá trị ngưỡng tối ưu

2

1 ,

  Giá trị tham số điều khiển củaR value và B value

𝜇 Giá trị trung bình của màu tại mỗi pixel

ρ2(b, bgt) Khoảng cách Euclidean giữa các điểm chính của hộp giới hạn

dự đoán và hộp giới hạn thực

𝜎𝑖 Độ lệch chuẩn của vùng ảnh i

CÁC CHỮ VIẾT TẮT

2D 2-Dimensional Không gian 2 chiều

3D 3-Dimensional Không gian 3 chiều

ANN Artificial Neural Network Mạng nơron nhân tạo

CNN Convolutional Neural Network Mạng nơron tích chập

C-V Chan – Vese

DL Deep learning Mạng học sâu

FC Fully Connected Layer Lớp kết nối đầy đủ

IoT Internet of Things Internet vạn vật

LA Leaf Area Diện tích lá

LR Learning rate Tốc độ học

AI Artificial Intelligence Trí tuệ nhân tạo

CO2 Carbon dioxide Khí các-bô-níc

EC Electrical Conductivity Độ dẫn điện trong dung dịch,

đất Fast R-CNN Fast Region-based

Convolutional Network Faster R-

H x W x C Height x Width x Chanels Chiều cao H, chiều rộng W,

Số lượng kênh C MLP Multi-Layer Perceptron Mạng nơron nhiều lớp

MMD Modified Mahalanobis

Distance based method

Thuật toán khoảng cách Mahalanobis sửa đổi

PC Personal Computer Máy tính cá nhân

Neural Networks ResNet Residual Neural Network

RGB Red Green Blue Đỏ, Xanh Lam, Xanh Lục ROI Region of Interests Vùng quan tâm

SSD Single Shot Detector

SVM Support Vector Machine

YOLO You Only Look One

DANH MỤC CÁC BẢNG BIỂU

Bảng 1.1 Tổng hợp các kết quả của các công trình nghiên cứu về phân loại và phân

vùng bệnh trên cây dưa chuột 24

Bảng 2.1 Kết quả loại bỏ nền trên cây Ớt Habanero 35

Bảng 2.2 Kết quả loại bỏ nền với cây Dâu tây 35

Bảng 2.3 Kết quả loại bỏ nền với cây Cải Kale 36

Bảng 3.1 Biểu diễn một số hàm kích hoạt thường dùng (nguồn [154]) 42

Bảng 3.2 Các kiến trúc của mô hình VGG (nguồn [163]) 48

Bảng 3.3 Các kiến trúc của mô hình ResNet (nguồn [164]) 50

Bảng 3.4 So sánh các mô hình phát hiện đối tượng (nguồn [169]) 51

Bảng 3.5 Chi tiết cấu trúc các lớp trong mô hình YOLOv4-tiny với kích thước ảnh đầu vào là 416 x 416 x 3 53

Bảng 3.6 Chi tiết các lớp trong mô hình YOLOv4-tiny-caitien với kích thước ảnh đầu vào là 384x 384x3 cho 3 lớp đối tượng 62

Bảng 3.7 Kiến trúc phần cứng huấn luyện và kiểm tra của các mô hình 76

Bảng 3.8 Kết quả các thông số Precision, Recall, F1-score và Acc của các mô hình với bộ dữ liệu Kiểm tra 78

Bảng 3.9 Kết quả các thông số Precision, Recall, F1-score và Acc của mô hình đề xuất với bộ dữ liệu Kiểm tra 80

Bảng 3.10 Các tham số huấn luyện và xác thực của 2 mô hình 83

Bảng 3.11 Kết quả xác định giá trị LR phù hợp 84

Bảng 3.12 Kết quả huấn luyện mô hình YOLOv4-tiny-caitien và YOLOV4-tiny với các kích thước ảnh đầu vào khác nhau 84

Bảng 3.13 Kết quả so sánh với một số mô hình khác 87

Bảng 3.14 Kết quả hiệu suất của YOLOv4-tiny và YOLOv4-tiny-caitien với phương pháp k -fold Cross-Validation (k=4) 88

Bảng 3.15 Kết quả phát hiện ảnh bệnh với thuật toán YOLOv4-tiny-caitien 89

Bảng 3.16 Kết quả phát hiện ảnh bệnh với thuật toán YOLOv4-tiny gốc 89

Bảng 3.17 Kết quả huấn luyện mô hình YOLOv4-tiny và YOLOv4-tiny-caitien với các bộ dữ liệu bệnh trên cây Dâu tây và cây Cà chua 93

Bảng 4.1 Dữ liệu đo được bằng phương pháp thủ công về diện tích lá, số lá và chiều cao của cây dưa chuột theo ngày 102

Bảng 4.2 Kết quả so sánh của các phương pháp phân vùng lá 105

Bảng 4.3 Kết quả ước lượng số lượng lá trên cây dưa chuột theo ngày trồng 107

Bảng 4.4 Kết quả ước lượng diện tích lá LA theo ngày trồng 108

Bảng 4.5 Kết quả hoạt động của hệ thống điều khiển giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột 113

Bảng 4.6 Đánh giá khả năng đáp ứng trong thực nghiệm của 2 mô hình YOLOv4-tiny và YOLOv4-YOLOv4-tiny-caitien 116

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ

Hình 1.1 Các yếu tố ảnh hưởng đến quá trình sinh trưởng của cây trồng 7

Hình 1.2 Sơ đồ hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng 11

Hình 1.3 Hệ thống giám sát và điều tiết nhiệt độ, ánh sáng, độ ẩm đất và độ ẩm không khí trong nhà lưới (nguồn [49]) 11

Hình 1.4 Tổng quan mô hình giám sát và điều khiển môi trường nhà lưới bằng các cảm biến (nguồn [57]) 12

Hình 1.5 Sơ đồ cấu trúc của các nhóm nghiên cứu sử dụng các thuật toán AI khác nhau điều khiển giám sát quá trình sản xuất dưa chuột (nguồn [10]) 13

Hình 1.6 Mô hình hệ thống robot giám sát và điều khiển cung cấp đạm (Nitơ) cho cây dưa chuột (nguồn [63]) 14

Hình 1.7 Các bước xử lý ảnh xác định các đặc điểm của cây trồng theo phương pháp 2D (nguồn [97]) 17

Hình 1.8 Các bước trong phương pháp sử dụng hình ảnh kỹ thuật số để xác định các thông số của cây dưa chuột với phương pháp 2D (nguồn [89]) 17

Hình 1.9 Các phương pháp thiết lập hệ thống hình ảnh 3D 18

Hình 1.10 Mô hình thu nhận dữ liệu để tái tạo mô hình 3D cây trồng (nguồn [99, 100]) 19

Hình 1.11 Kết quả tái tạo bề mặt 3D của dưa chuột ở ngày thứ 20, 40, 60 và 70 sau khi trồng (từ trái sang phải) Màu sắc đại diện cho các vị trí khác nhau của lá và màu đen đại diện cho thân cây (nguồn [104]) 19

Hình 1.12 Sơ đồ quy trình thực hiện các bước trong phân loại và phát hiện bệnh trên cây trồng sử dụng học sâu (DL) (nguồn [114]) 22

Hình 2.1 Quy trình ước tính diện tích lá, số lá và chiều cao cây trồng 29

Hình 2.2 Phương pháp chia ảnh thành các vùng ảnh nhỏ 31

Hình 2.3 Lưu đồ thuật toán xác định ngưỡng tối ưu 32

Hình 2.4 Lưu đồ thuật toán xác định ngưỡng ISODATA 32

Hình 2.5 Lưu đồ thuật toán khoảng cách Mahalanobis sửa đổi (MMD) 33

Hình 2.6 Sơ đồ minh họa định nghĩa của bốn kết quả có thể xảy ra khi phân loại pixel 34

Hình 2.7 Một số hình ảnh sau khi loại bỏ nền của thuật toán Mahalanobis gốc và MMD của luận án đề xuất với 3 loại cây trồng khác nhau 36

Hình 2.8 Thiết lập hệ thống thu nhận hình ảnh cây trồng 37

Hình 2.9 Cách xác định kích thước lá bằng phương pháp thủ công (nguồn [76]) 38

Hình 2.10 Quy trình ước lượng chiều cao, số lá và diện tích lá với ảnh được chụp từ đỉnh xuống 39

Hình 2.11 Quy trình ước lượng chiều cao, số lá và diện tích lá với ảnh chụp theo

chiều ngang 40

Hình 3.1 Mô hình nơron nhân tạo (nguồn [152]) 42

Hình 3.2 Cấu trúc của MLP (nguồn [152]) 43

Hình 3.3 Kiến trúc của CNN cơ bản (nguồn [157]) 44

Hình 3.4 Quá trình tích chập của các bản đồ đặc trưng (nguồn [152]) 44

Hình 3.5 Biểu diễn tích chập (2-D) với kích thước kernel = 2, strides =1, padding =0 (nguồn [152]) 45

Hình 3.6 Thực hiện Maxpooling và Average pooling với kích thước 2x2 (nguồn [152]) 45

Hình 3.7 Kiến trúc mô hình AlexNet (nguồn [152]) 47

Hình 3.8 Kiến trúc mô hình VGG-16 (nguồn [152]) 47

Hình 3.9 So sánh khối học thông thường và khối học dư (nguồn [146, 158]) 49

Hình 3.10 Hai khối được xây dựng trong các mô hình ResNet; a- khối trong mô hình ResNet 18/34; b - là khối bottleneck trong mô hình ResNet 50/101/152 (nguồn [152, 164]) 49

Hình 3.11 Kiến trúc chính của các mô hình phát hiện đối tượng (nguồn [169]) 51

Hình 3.12 So sánh tốc độ và độ chính xác của các mô hình (nguồn [170]) 52

Hình 3.13 Kiến trúc mô hình YOLOv4 52

Hình 3.14 Sơ đồ kiến trúc mô hình YOLOv4-tiny 54

Hình 3.15 Mô tả quá trình dự đoán của model YOLO [173] 55

Hình 3.16 Các bước kết hợp mô hình phân loại bệnh hại cho độ chính xác cao 58

Hình 3.17 Cấu trúc chi tiết của mô hình YOLOv4-tiny 60

Hình 3.18 Cấu trúc của khối CSP của YOLOv4-tiny (nguồn [179]) 60

Hình 3.19 Đặc điểm của 3 đối tượng trong nhận dạng bệnh trên cây dưa chuột 61

Hình 3.20 Một số hình ảnh bệnh trên cây dâu tây 61

Hình 3.21 Một số hình ảnh bệnh trên cây cà chua 61

Hình 3.22 Cấu trúc chi tiết vị trí sửa đổi của mô hình YOLOv4-tiny-caitien 63

Hình 3.23 Các bước thực hiện phát hiện bệnh hại trên cây trồng bằng mô hình cải tiến (YOLOv4-tiny-caitien) 64

Hình 3.24 Chia dữ liệu theo phương pháp Hold-out 65

Hình 3.25 Chia dữ liệu theo phương pháp k-fold cross-validation 65

Hình 3.26 Lá dưa chuột bị bệnh phấn trắng 66

Hình 3.27 Lá dưa chuột bị bệnh sương mai 67

Hình 3.28 Các khu vực thu thập dữ liệu bệnh phấn trắng, bệnh sương mai và bình thường trên cây dưa chuột 71

Hình 3.29 Quá trình thu thập các bộ dữ liệu 72

Hình 3.30 Một số mẫu dữ liệu của tập dữ liệu thu thập được 73

Hình 3.31 Quá trình gắn nhãn cho bộ dữ liệu 74

Hình 3.32 Lưu đồ phân bố dữ liệu cho quá trình huấn luyện, xác thực và kiểm tra của

các mô hình trong nghiên cứu 75

Hình 3.33 Các kỹ thuật tăng cường ảnh được sử dụng 76

Hình 3.34 Kết quả độ chính xác của các mô hình trên bộ dữ liệu xác thực 76

Hình 3.35 Ma trận nhầm lẫn của các mô hình trên tập dữ liệu Kiểm tra 78

Hình 3.36 Lưu đồ thuật toán đề xuất kết hợp 2 mô hình ResNet 50 và ResNet 152 80

Hình 3.37 Ma trận nhầm lẫn của thuật toán đề xuất kết hợp mô hình ResNet 50 và ResNet 152 trên tập dữ liệu kiểm tra 81

Hình 3.38 Kết quả một số hình ảnh bị phân loại nhầm lẫn của thuật toán đề xuất 81 Hình 3.39 Hình ảnh mẫu bộ dữ liệu trong bài báo số [133] 82

Hình 3.40 Lưu đồ quá trình huấn luyện và xác thực các mô hình 83

Hình 3.41 Biểu diễn mối quan hệ giữa LR với mAP của mô hình YOLOv4-tiny-caitien kích thước ảnh đầu vào 416x416x3 84

Hình 3.42 Đồ thị làm loss và mAP của YOLOv4-tiny với learning rate = 0.00261 85 Hình 3.43 Đồ thị làm loss và mAP của YOLOv4-tiny-caitien với learning rate = 0.00280 85

Hình 3.44 Một số kết quả kiểm tra phát hiện bệnh của 2 mô hình 86

Hình 3.45 Phương pháp k-fold Cross-Validation với k = 4 87

Hình 3.46 Lưu đồ thuật toán sử dụng YOLO để phân loại ảnh 88

Hình 3.47 Khả năng phát hiện bệnh ở mức độ nhiễm bệnh cấp độ 1 90

Hình 3.48 Khả năng phát hiện bệnh ở các cấp độ nhiễm bệnh khác nhau 91

Hình 3.49 Một số hình ảnh bệnh trên cây dâu tây 91

Hình 3.50 Một số hình ảnh bệnh trên cây Cà chua 92

Hình 4.1 Mô hình thiết kế và xây dựng nhà lưới thực nghiệm 94

Hình 4.2 Mô hình bố trí hệ thống trồng theo phương pháp tưới nhỏ giọt 94

Hình 4.3 Mô hình bố trí hệ thống trồng theo phương pháp thủy canh 95

Hình 4.4 Hình ảnh các hệ thống điều khiển các thông số nhà lưới 95

Hình 4.5 Cấu trúc hệ thống điều khiển giám sát, cảnh báo và phun thuốc trị bệnh trên cây trồng 96

Hình 4.6 Mô hình tổng thể hệ thống điều khiển giám sát và phun thuốc trừ bệnh 96 Hình 4.7 Kết nối các thiết bị của hệ thống điều khiển giám sát bệnh hại 97

Hình 4.8 Các thiết bị phần cứng của hệ thống điều khiển giám sát và cảnh báo bệnh 98

Hình 4.9 Sơ đồ biểu diễn các chế độ làm việc của hệ thống giám sát bệnh 98

Hình 4.10 Lưu đồ thuật toán hệ thống điều khiển giám sát và cảnh báo bệnh phấn trắng và bệnh sương mai trên cây dưa chuột 99

Hình 4.11 Mô hình hệ thống thu nhận hình ảnh 100

Hình 4.12 Các mẫu hình ảnh cây dưa chuột trong thực nghiệm 101

Hình 4.13 Loại bỏ nền trong hình ảnh chụp từ trên xuống 103

Hình 4.14 Loại bỏ nền trong hình ảnh chụp ngang 104

Hình 4.15 Các bước xác định khung thân cây dưa chuột 106

Hình 4.16 Chiều cao ước tính của cây dưa chuột theo ngày 107

Hình 4.17 Hệ số tương quan của giá trị thực và giá trị ước tính bằng thuật toán 109

Hình 4.18 Hình ảnh triệu chứng xuất hiện của bệnh phấn trắng tăng dần 111

Hình 4.19 Triệu chức bệnh từ mức nhẹ và mức độ nặng hơn của bệnh sương mai 111

Hình 4.20 Hình thực nghiệm với vụ trồng dưa chuột bị bệnh phấn trắng 112

Hình 4.21 Hình ảnh thực nghiệm với vụ dưa chuột bị bệnh sương mai và phấn trắng 112

Hình 4.22 Một số hình ảnh thể hiện mô hình YOLOv4-tiny-caitien phát hiện được bệnh phấn trắng và bệnh sương mai trong giai đoạn đầu của bệnh (cấp độ 1) 114

Hình 4.23 Một số hình ảnh phát hiện hai bệnh ở các cấp độ bệnh khác nhau 115

Hình 4.24 Các ảnh bị bệnh được gửi vào email của người quản lý 115

Hình 4.25 Hình ảnh gửi tin nhắn cho người quản lý 116

MỞ ĐẦU

1 Tính cấp thiết của luận án

Công nghệ trí tuệ nhân tạo (AI) là một lĩnh vực đang phát triển rất mạnh mẽ và được ứng dụng ngày một nhiều trong các lĩnh vực của cuộc sống, như chăm sóc sức khỏe, kinh doanh, giáo dục, sản xuất, điện thoại di động, ô tô, …Đặc biệt trong nông nghiệp, AI cũng đã đóng góp lớn trong việc dự báo về thời gian gieo hạt, tình hình dịch bệnh của cây trồng, thời điểm thu hoạch, sản lượng, việc này đã giúp tăng năng suất và cải thiện thu nhập của người nông dân Trong thực tế, thế giới đang có xu hướng ứng dụng AI mạnh mẽ vào sản xuất trong nông nghiệp Trong năm 2020, trí tuệ nhân tạo toàn cầu trong quy mô thị trường nông nghiệp đạt giá trị 1 tỷ USD Dự kiến sẽ tăng lên 4 tỷ USD vào năm 2026 và tốc độ tỷ lệ tăng trưởng kép hàng năm (CAGR) từ năm 2020 đến năm 2026 là 25.5% Sự tăng trưởng thị trường nông nghiệp trong lĩnh vực ứng dụng AI được thúc đẩy bởi việc tạo ra các cơ sở dữ liệu thông qua cảm biến và hình ảnh cho các loại cây trồng, tăng năng suất cây trồng thông qua công nghệ học sâu và sự hỗ trợ của chính phủ đối với việc áp dụng các kỹ thuật nông nghiệp hiện đại

Ở Việt Nam, Đảng và Nhà nước đã xác định tầm quan trọng của nông nghiệp ứng dụng công nghệ cao, để đưa nền nông nghiệp Việt Nam hội nhập và phát triển trong bối cảnh cuộc cách mạng công nghiệp 4.0, tại Đại hội XIII của Đảng đã xác định: “Chú trọng phát triển nông nghiệp sản xuất hàng hóa lớn, ứng dụng công nghệ cao; phát huy tiềm năng, lợi thế của từng vùng, từng địa phương nâng cao giá trị nông sản trong các chuỗi giá trị” Ngày 27/9/2019, Bộ chính trị đã ban hành Nghị quyết số 52-NQ/TW về một số chủ trương, chính sách chủ động tham gia cuộc Cách mạng công nghiệp lần thứ tư Để triển khai Nghị quyết này, ngày 17/4/2020 Chính phủ đã ban hành Nghị quyết số 50-NQ/CP về chương trình hành động của Chính phủ thực hiện Nghị quyết số 52-NQ/TW, trong các Nghị quyết chỉ rõ Chính sách phát triển các ngành và công nghệ ưu tiên trong đó nhấn mạnh các ngành như: nông nghiệp

số, công nghệ thông tin và truyền thông, cơ điện tử; trí tuệ nhân tạo và tự động hóa…

Vì vậy, việc nghiên cứu và ứng dụng trí tuệ nhân tạo, tự động hóa và công nghệ thông tin vào quá trình sản xuất trong nông nghiệp trong giai đoạn hiện nay là hết sức cần thiết cho nên nông nghiệp Việt Nam, đã được Đảng và Nhà nước đặc biệt chú trọng

Hiện nay, sản xuất nông nghiệp nước ta còn phụ thuộc nhiều vào thời tiết Trong

khi, Việt Nam được dự báo là một trong những quốc gia chịu ảnh hưởng nặng nề nhất của biến đổi khí hậu như nước biển dâng, lũ lụt, biến động thời tiết bất thường Những ảnh hưởng này khiến cho việc phát triển nông nghiệp gặp bất lợi lớn, việc ứng dụng sản xuất công nghệ cao kết hợp với sử dụng nhà lưới, nhà kính sẽ giảm bớt sự tác

động của các yếu tố khắc nghiệt này

Cây trồng ngắn ngày là một trong những cây trồng góp phần cung ứng thực phẩm rất tốt cho nhu cầu của con người hàng ngày Ở Việt Nam, ngoài các loại cây

lượng thực chủ đạo như lúa, ngô, sắn thì các loại cây rau cũng được chú trọng trong quá trình sản xuất nhằm cung ứng thực phẩm tươi sống và xuất khẩu như dưa chuột,

cà chua ….Đây là nhưng loại cây có thể trồng trong các môi trường nhà kính, nên rất

dễ dàng áp dụng các cảm biến và thiết bị máy móc để giám sát, điều khiển trong quá trình sản xuất nhằm tăng năng suất cây trồng và nâng cao chất lượng của sản phẩm Quá trình sinh trưởng của các loại cây trồng này chịu nhiều yếu tố ảnh hưởng như khí hậu, dịch bệnh, cỏ dại, dinh dưỡng, tưới tiêu, … các yếu tố này sẽ ảnh hưởng lớn đến năng suất và chất lượng sản phẩm của cây trồng

Hệ thống điều khiển giám sát sử dụng các cảm biến như nhiệt độ, độ ẩm, ánh sáng, pH, EC và CO2 đã được sử dụng để thu thập các thông số môi trường, dinh dưỡng nhằm điều tiết các thông số này một cách phù hợp cho cây trồng sinh trưởng

và phát triển đã được ứng dụng rất rộng rãi trong quá trình sản xuất trong nhiều thập

kỷ qua, tuy nhiên với hệ thống điều khiển giám sát sử dụng các loại cảm biến này thì các thay đổi bất thường về hình dáng, màu sắc, bệnh hại xuất hiện trên cây trồng không thể giám sát được Vì vậy, các hệ thống điều khiển giám sát cây trồng bằng hình ảnh đang được quan tâm trong nhiều năm trở lại đây khi công nghệ xử lý ảnh và

AI phát triển mạnh Các thông số sinh trưởng cây trồng như diện tích lá, chiều cao,

số lá và bệnh hại ảnh hướng lớn đến năng suất và chất lượng, ví như bệnh hại xuất hiện, nếu không phát hiện kịp thời để xử lý có thể ảnh hưởng nghiêm trọng đến năng suất cũng như chất lượng của sản phẩm, nhiều lúc phải phá bỏ toàn bộ, cũng như sử dụng thuốc trừ bệnh không hợp lý sẽ ảnh hưởng đến vấn đề an toàn thực phẩm và môi trường Vì vậy, việc phát hiện sớm các triệu chứng khác thường ban đầu sẽ giúp ích rất lớn cho quá trình xử lý để giảm sự ảnh hưởng đến quá trình sinh trưởng và phát triển của cây trồng Với sự phát triển mạnh mẽ của công nghệ AI, việc áp dụng các kỹ thuật này trong hệ thống tự động điều khiển giám sát cho quá trình sản xuất

cây trồng là rất cần thiết Do đó, nghiên cứu sinh đề xuất hướng đề tài là “Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày”, nhằm sử dụng các tín hiệu đầu vào hệ thống điều khiển

giám sát là hình ảnh cây trồng Từ đó nghiên cứu các thuật toán xử lý ảnh, mô hình trí tuệ nhân tạo, để xác định các chỉ số sinh trưởng như chiều cao, số lá, diện tích lá

và phát hiện bệnh hại xuất hiện trên cây trồng Sau đó hệ thống điều khiển giám sát đưa ra những cảnh báo, xử lý và điều tiết các thông số cho cây trồng sinh trưởng và phát triển tốt, nhằm mang lại năng suất cao và chất lượng sản phẩm tốt, cải thiện an toàn thực phẩm, giảm lượng hóa chất trong môi trường và phát triển tài nguyên bền vững, đây là những mục tiêu quan trọng đối với nông dân nói riêng và toàn xã hội nói chung Ngoài ra, việc nghiên cứu các công nghệ tiên tiến để áp dụng vào sản xuất trong nông nghiệp cũng góp phần làm chủ công nghệ và thiết bị, từ đó chủ động trong quá trình sản xuất nông nghiệp nước nhà, cũng như góp phần vào công cuộc chuyển đổi số trong nông nghiệp đang được Đảng và Nhà nước ta đặc biệt chú trọng

2 Mục tiêu nghiên cứu

Xây dựng được hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày Hệ thống này xác định được một số chỉ tiêu như số lá, diện tích

lá, chiều cao và bệnh hại chính trên cây trồng ngắn này Hệ thống được thử nghiệm trực tiếp trên cây dưa chuột

3 Đối tượng và phạm vi nghiên cứu

- Đối tượng nghiên cứu: Hệ thống điều khiển giám sát quá trình sinh trưởng và

bệnh hại trên cây trồng ngắn ngày với tín hiệu đầu vào là hình ảnh, sử dụng công nghệ xử lý ảnh và trí tuệ nhân tạo

- Phạm vi nghiên cứu:

+ Xác định chiều cao, số lá và diện tích lá cây trồng ngắn ngày;

+ Phát hiện một số bệnh hại phổ biến trên cây trồng ngắn ngày;

+ Thử nghiệm trên cây dưa chuột được sản xuất trong nhà lưới có mái che

4 Phương pháp nghiên cứu

- Phương pháp nghiên cứu lý thuyết: Nghiên cứu tài liệu, bài báo khoa học, nghiên cứu lý thuyết xử lý ảnh, máy học, học sâu từ đó lựa chọn ra giải thuật phù hợp, cũng như kế thừa và cải tiến các mô hình trí tuệ nhân tạo nhằm phát hiện và phân loại bệnh trên cây trồng

- Phương pháp chuyên gia: Chuyên gia về nông học xác định bệnh trên cây trồng; phương pháp xác định kích thước cây trồng; quy trình sản xuất cây dưa chuột

- Phương pháp thực nghiệm:

+ Xây dựng mô hình sản xuất cây dưa chuột, mô hình thực nghiệm, thiết kế

và lắp ráp các hệ thống điều khiển giám sát;

+ Thu thập dữ liệu thực tế thông qua việc đo đếm các kích thước cây trồng, đếm số lá; sử dụng các thiết bị thu hình ảnh để thu tập bộ dữ liệu hình ảnh về quá trình sinh trưởng của cây dưa chuột, hình ảnh về bệnh hại trên cây dưa chuột;

+ Phân tích số liệu: xử lý số liệu thu thập, huấn luyện, kiểm tra các thuật toán phát hiện và phân loại bệnh;

mô hình trí tuệ nhân tạo dựa trên mạng nơron tích chập (CNN) để phân loại và phát hiện bệnh sương mai và bệnh phấn trắng trên cây dưa chuột có độ chính xác cao

- Ý nghĩa thực tiễn:

Các kết quả nghiên cứu đạt được của luận án đã được thực nghiệm với độ chính xác cao, vì vậy có thể ứng dụng cho hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại trên cây trồng từ đó điều chỉnh kịp thời thông số môi trường, dinh dưỡng và ngăn ngừa bệnh hại nhằm nâng cao được năng suất cho cây trồng và chất lượng sản phẩm Luận án cũng đã đề xuất mô hình hệ thống điều khiển giám sát sử dụng robot tự động thu thập dữ liệu từ đó tự động giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột canh tác trong nhà lưới Kết quả nghiên cứu đã ứng dụng công nghệ xử lý ảnh, trí tuệ nhân tạo, IoT cho hệ thống điều khiển

và tự động hóa trong sản xuất trong nông nghiệp, điều này góp phần vào việc chuyển đổi số trong nông nghiệp được Đảng và Nhà nước ta đang đặc biệt quan tâm

6 Đóng góp mới của đề tài nghiên cứu:

(1) Đã nghiên cứu sửa đổi thuật toán khoảng cách Mahalanobis (MMD) để phân vùng lá cây trồng từ đó xác định được số lá, diện tích lá và chiều cao cây Đã thử nghiệm được trên cây dưa chuột với độ chính xác cao

(2) Xây dựng được bộ dữ liệu lá bệnh sương mai, bệnh phấn trắng và bình thường của cây dưa chuột trong môi trường sản xuất Bộ dữ liệu có độ nhiễu về ánh sáng, môi trường lớn, có triệu chứng bệnh từ nhẹ đến nặng, tạo cơ sở dữ liệu cho nghiên cứu về sau

(3) Nghiên cứu và đề xuất cải tiến mô hình trí tuệ nhân tạo dựa trên mạng nơron tích chập (CNN) để phân loại và phát hiện bệnh sương mai và bệnh phấn trắng trên cây dưa chuột

7 Cấu trúc của luận án:

Luận án được tác giả trình bày trong 4 chương cùng với phần kết luận và kiến

về phát hiện bệnh trên cây trồng ngắn ngày đặc biệt là cây dưa chuột Từ đó đề xuất hướng nghiên cứu của luận án

Chương 2: Nghiên cứu xác định chiều cao, số lá và diện tích lá cây trồng

Nghiên cứu đề xuất thuật toán để loại bỏ nền ảnh, từ đó đưa ra phương pháp xác định các chỉ số sinh trưởng của cây trồng như chiều cao, số lá và diện tích lá

Chương 3: Ứng dụng trí tuệ nhân tạo phát hiện bệnh trên cây trồng ngắn ngày

Trình bày khái quát các mô hình học sâu về phân loại và phát hiện đối tượng trong ảnh Đề xuất phương pháp để phân loại và phát hiện bệnh trên cây trồng ngắn ngày Từ đó xây dựng bộ cơ sở dữ liệu bệnh phổ biến trên cây dưa chuột để đánh giá các thuật toán đề xuất

Chương 4: Thực nghiệm và đánh giá kết quả

Xây dựng mô hình thực nghiệm; đánh giá thuật toán phân vùng lá, phương pháp xác định chiều cao, số lá và diện tích lá của cây dưa chuột Thiết lập mô hình

hệ thống robot điều khiển giám sát bệnh trên cây trồng Thực nghiệm mô hình giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột

Kết luận và kiến nghị: Trình bày tóm lược các kết quả đã thực hiện được và

đưa ra các hướng nghiên cứu tiếp theo

CHƯƠNG 1 TỔNG QUAN VỀ HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI CÂY TRỒNG

NGẮN NGÀY

Dân số ngày càng tăng cùng với sự ảnh hưởng ngày càng lớn của biến đổi khí hậu, cũng như nhu cầu ngày càng cao trong việc đảm bảo chất lượng thực phẩm đã đặt ra trách nhiệm rất lớn cho ngành nông nghiệp trong việc tăng sản lượng, năng suất và chất lượng nông sản Ở hầu hết các quốc gia việc mở rộng diện tích đất trồng trọt là không thể, vì vậy tự động hóa nông nghiệp đã trở thành sự lựa chọn duy nhất

và là nhu cầu cấp thiết Internet vạn vật (IoT) và trí tuệ nhân tạo (AI) đã bắt đầu được ứng dụng trong tất cả các ngành nghề bao gồm cả nông nghiệp Sự tiến bộ trong các công nghệ kỹ thuật số này đã tạo ra những thay đổi mang tính cách mạng trong nông nghiệp bằng cách cung cấp các hệ thống thông minh có thể giám sát, kiểm soát và trực quan hóa các hoạt động trong nông nghiệp trong thời gian thực với trí thông minh tương đương của các chuyên gia Các ứng dụng tiềm năng của IoT và AI trong việc phát triển máy móc thông minh, hệ thống tưới tiêu, kiểm soát cỏ dại, sâu bệnh, bón phân, canh tác trong nhà kính, lưu trữ, robot… để giám sát, chăm sóc sức khỏe cây trồng đã được ứng dụng ngày càng phổ biến Trong nội dung chương này, luận án tập trung phân tích các nghiên cứu về điều khiển giám sát quá trình sinh trưởng và bệnh hại trên cây trồng ngắn ngày Cụ thể là nghiên cứu tín hiệu đầu vào của hệ thống điều khiển giám sát là hình ảnh cây trồng, thông qua hệ thống xử lý để xác định các chỉ số chiều cao, số lá, diện tích lá và bệnh hại trên cây trồng Từ đó đưa ra cảnh báo, điều khiển các cơ cấu chấp hành để điều tiết các thông số môi trường và xử lý bệnh nhằm giúp cây trồng phát triển tốt Ngoài ra cây trồng lựa chọn để thực nghiệm của các nghiên cứu đề xuất trong luận án là cây dưa chuột trồng trong nhà lưới Vì vậy, các nghiên cứu về điều khiển giám sát cho quá trình sinh trưởng và bệnh hại của cây trồng này cũng được chú trọng để phân tích, sau đó đưa ra hướng nghiên cứu của luận án

1.1 Vai trò của điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày

Theo ước tính của Liên hợp quốc, dân số thế giới hiện tại là 7.6 tỷ người và dự kiến sẽ đạt 8.6 tỷ người vào năm 2030 và 9.8 tỷ người vào năm 2050 [1], như vậy kéo theo nhu cầu lương thực ngày càng lớn, đồng nghĩa với việc sản lượng lương thực cũng cần tăng lên Với tốc độ phát triển như hiện nay, sản lượng lương thực cần tăng khoảng 70% [2] Để đáp ứng nhu cầu lương thực ngày càng tăng, cần phải tăng sản lượng và năng suất của cây trồng Vì vậy, việc phát triển các kỹ thuật mới có thể giúp tăng năng suất và giảm lượng lao động của con người trong quá trình sản xuất các loại cây trồng là điều tất yếu Các hệ thống thông minh để điều khiển giám sát và

tự động cho các hoạt động trong sản xuất cây trồng là cần thiết để đáp ứng những thách thức như thiếu lao động, tăng độ an toàn cho con người và giảm chi phí sản xuất bằng cách tiết kiệm thời gian, tiền bạc và năng lượng [3] Bằng cách sử dụng hiệu quả các nguồn lực hạn chế, sử dụng công nghệ hiện đại trong canh tác, canh tác trong nền nông nghiệp hiện đại đang ngày nâng cao cả số lượng và chất lượng nông sản [4]

Khi dân số tăng, nhu cầu về lương thực tăng trong khi diện tích đất canh tác đang ngày càng thu hẹp do sử dụng cho việc sinh sống và các ngành công nghiệp khác [5], thêm vào đó sự khắc nghiệt của môi trường ngày càng tăng đã làm cho canh tác nông nghiệp bị ảnh hưởng lớn [6] Một giải pháp tối ưu để thúc đẩy sản xuất lương thực và cây trồng là canh tác được bảo vệ thông qua nhà kính [7] Nhà kính là một cấu trúc được bao phủ bởi các màng nhựa, chủ yếu được phát triển để nuôi trồng các loại cây bên trong Nó có thể điều chỉnh các điều kiện môi trường để cây trồng sinh trưởng và phát triển theo nhu cầu, do đó góp phần nâng cao chất lượng và số lượng của cây trồng

Ngành nông nghiệp sử dụng nhà kính có thể đóng một vai trò quan trọng trong việc cung cấp thực phẩm tươi sống, chẳng hạn như trái cây và rau quả chứa nhiều vitamin và khoáng chất Nhà kính cho phép sản xuất cây trồng trên một diện tích kết hợp với hiệu quả sử dụng nước cao trên một đơn vị sản phẩm, tiêu thụ hiệu quả hơn lượng nước tưới, giảm lãng phí phân bón, kiểm soát sâu bệnh, tăng mức độ CO2 giúp quang hợp tốt hơn, giảm sự thoát hơi nước, lọc các tia UV có hại… [8, 9] Trên thế giới, diện tích sản xuất nhà kính ngày càng tăng Tuy nhiên, ngành công nghiệp nhà kính gặp khó khăn trong việc tìm kiếm đủ lao động có kỹ năng để quản lý sản xuất cây trồng [10] Vì vậy, việc triển khai các hệ thống tự động điều khiển giám sát quá trình sinh trưởng phát triển và sâu bệnh cây trồng sẽ là giải pháp hiệu quả cho việc thiếu hụt lao động, giảm tác động của khí hậu đem lại năng suất, chất lượng và tiết kiệm chi phí tốt Ngày nay, các công nghệ hiện đại dựa trên thị giác máy để giám sát cây trồng đang được quan tâm và phát triển [11] Phương pháp giám sát này sử dụng máy ảnh kỹ thuật số và các cảm biến thích hợp để thu nhận hình ảnh, sau đó sử dụng các thuật toán xử lý ảnh, trí tuệ nhận tạo và công nghệ internet vạn vật (IoT) để nhận biết các bất thường của cây trồng và cảnh báo, điều tiết các yếu tố liên quan cho cây trồng phát triển tốt

Hình 1.1 Các yếu tố ảnh hưởng đến quá trình sinh trưởng của cây trồng

Sinh trưởng c trồng

C ưa chuột

Các ếu tố về i tru ền

Các H c môn

Nhiệt độ Ánh áng

CO 2 Nước Dinh ư ng

Độ m

Các ếu tố môi trường

Quá trình sinh trưởng của thực vật chịu ảnh hưởng của các yếu tố di truyền, môi trường (nước, nhiệt độ, ánh sáng, chất dinh dưỡng…) và các hóc môn sinh trưởng trong cây (Hình 1.1) Trong đó yếu tố di truyền, hóc môn chủ yếu phụ thuộc vào loại cây và giống cây, còn yếu tố môi trường có thể kiểm soát hiệu qua khi các cây trồng được trồng trong nhà kính thông qua các cảm biến, các mô hình thuật toán và thiết bị máy móc Các yếu tố môi trường chính gồm nước, ánh sáng, nhiệt độ, dinh dưỡng,

độ ẩm và CO2 là những yếu tố ảnh hưởng lớn đến quá trình sinh trưởng, phát triển và năng suất của cây trồng [12] Một nhà kính công nghệ cao hiện đại được trang bị với

sự điều khiển tự động của các thiết bị truyền động như hệ thống sưởi, chiếu sáng, tưới tiêu, cung cấp dinh dưỡng, phun thuốc trừ sâu… sẽ tạo ra một môi trường cho cây trồng sinh trưởng và phát triển thuận lợi Người trồng xác định khí hậu và chiến lược tưới tiêu, chế độ dinh dưỡng và xác định các điểm thiết lập cho tất cả các thông số khí hậu và tưới tiêu Các thiết bị truyền động được vận hành dựa trên các điểm đặt và các cảm biến đưa ra phản hồi về dữ liệu đo được cho vòng điều khiển Nhận thấy, việc giám sát điều khiển các yếu tố môi trường trong nhà lưới là rất cần thiết, quan trọng và quyết định lớn đến năng suất của cây trồng, vì vậy mà các thuật toán kiểm soát khí hậu nhà kính tự động đã được phát triển từ nhiều thập kỷ trước [13÷15] Các

mô hình khí hậu nhà kính ngày nay được trình bày trong các nghiên cứu [16] và [17] Ngày nay, nhà kính được trang bị cảm biến hình ảnh trở nên phổ biến, trang bị các máy tính và thiết bị xử lý có cấu trình cao, sử dụng các thuật toán thông minh, kết hợp với hệ thống IoT để thực hiện thu thập dữ liệu, giám sát và điều khiển các hệ thống nhằm điều tiết các thông số môi trường cho cây trồng một cách tự động [10, 18]

Cây trồng ngắn ngày hay còn gọi là cây hằng năm là loại cây được gieo trồng, cho thu hoạch và kết thúc chu kỳ sản xuất trong thời gian không quá 1 năm [19], đây

là các loại cây chủ lực cung cấp nguồn thực phẩm chính cho con người và cũng là nguồn thức ăn cho các động vật nuôi để làm thực phẩm cho con người, vì vậy tăng sản lượng và chất lượng cho loại cây trồng này là rất cần thiết Ở Việt Nam, ngoài các loại cây lương thực ngắn ngày chủ lực như lúa, ngô, sắn thì các cây rau cũng rất được quan tâm để phát triển nhằm đáp ứng thực phẩm tươi sống và xuất khẩu Các loại cây rau thường dễ trồng trong các nhà lưới, nhà kính nên việc áp dụng công nghệ cao vào quá trình sản xuất để nâng cao năng suất và chất lượng là rất khả quan Một

số loại cây này như dưa chuột, cà chua, dâu tây, …là nhưng loại cây trồng có giá trị kinh tế cao, được sử dụng hàng ngày và xuất khẩu Với cây dưa chuột, là cây thuộc

họ Bầu bí, là một trong những loại cây rau ăn quả phổ biến nhất trên toàn thế giới

Nó còn được biết đến với giá trị kinh tế cao Ở nhiều vùng trên thế giới, nó được trồng quanh năm, vì nó có thể dễ dàng canh tác trong điều kiện nhà kính [20] Dưa chuột

là loại trái cây đa năng nhất, là một chất ổn định tâm trạng được sử dụng rộng rãi bên trong cũng như bên ngoài để kiểm soát căng thẳng Dưa chuột có hàm lượng calo thấp và là một nguồn giàu vitamin và chất xơ hòa tan trong nước, rất lý tưởng cho quá trình hydrat hóa và giảm cân Nghiên cứu cho thấy nó sở hữu một loạt các hợp chất phytochemical có thể bảo vệ chống lại bệnh ung thư và bệnh tim mạch Các hóa

chất thực vật cũng được tìm thấy trong dưa chuột Nó cũng được biết đến với hoạt động chống nếp nhăn làm đẹp Ăn dưa chuột thường xuyên được cho là hữu ích trong việc giảm nguy cơ mắc nhiều bệnh Dưa chuột cho thấy tiềm năng mạnh mẽ chống lại một loạt bệnh, điều này cho thấy nhiều lợi ích sức khỏe của nó [21] Tuy nhiên, trong quá trình sản xuất loại sản phẩm này, cũng gặp nhiều khó khăn do đây là loại cây chịu ảnh hưởng lớn của các điều kiện môi trường canh tác, có nhiều loại bệnh hại xuất hiện, làm cho năng suất và chất lượng giảm Vì vậy, việc ứng dụng các công nghệ kỹ thuật hiện đại để điều khiển giám sát quá trình sinh trưởng cũng như bệnh hại cho loại cây này cũng rất cần được quan tâm

Đối với cây trồng ngắn ngày, ngoài các yếu tố về khí hậu cần quan tâm để giám sát và điều tiết nhằm tạo điều kiện thuận lợi cho cây sinh trưởng và phát triển, thì các yếu tố về sinh trưởng như chiều cao, số lá, diện tích lá và bệnh hại cũng luôn được các nhà nông học đặc biệt quan tâm trong quá trình đánh giá cây trồng [22, 23] Do các yếu tố này có ảnh hướng lớn đến quá trình ra hoa, đậu quả và năng suất của cây trồng Các yếu tố về chiều cao, số lá, diện tích lá có mối tương quan lớn với môi trường phát triển, vì vậy giám sát các thông số này có thể điều tiết môi trường phù hợp hơn Bệnh hại cây trồng có ảnh hưởng lớn đến quá trình sinh trưởng và phát triển

từ đó làm cho cây trồng giảm về năng suất và chất lượng sản phẩm Do vậy, việc sử dụng các công nghệ để giám sát các thông số này của cây trồng để có hướng điều tiết

ít lá thì có hiệu suất quang hợp kém, lượng vật chất hữu cơ được tổng hợp ít, cây sinh trưởng phát triển kém, cho năng suất thấp và ngược lại, cây có bộ lá phát triển tốt và đầy đủ sẽ có khả năng quang hợp cao, tích lũy vật chất nhiều, là tiền đề cho cây trồng

có năng suất cao Trong một môi trường mà các điều kiện môi trường khác là tối ưu, thì sản lượng của cây được xác định bởi lượng ánh sáng mà cây có thể thu nhận Diện tích lá là yếu tố chính trong sự phát triển của cây do ảnh hưởng của nó đến lượng bức

xạ quang hợp được hấp thụ [24] Theo đó, diện tích lá là yếu tố quan trọng nhất thúc đẩy sự phát triển và năng suất của cây [25] Vì vậy mà đã có rất nhiều nghiên cứu đưa

ra các phương pháp khác nhau để xác định thông số này [26, 27] Đối với cây trồng

ngắn ngày thường thường là các cây rau ăn lá, câu rau ăn qua; một số cây trồng được sản xuất để ăn lá như rau cải, diếp cá… thì việc xác định diện tích lá là rất quan trọng, khi tăng diện tích lá kéo theo sự tăng năng suất của cây [28]

Các chỉ số về chiều cao, số lá của cây trồng cũng là các chỉ số quan trọng trong đánh giá quá trình sinh trưởng và phát triển của cây trồng Khi có sự biến đổi về môi trường sẽ ảnh hưởng đến các chỉ số này của cây, vì vậy mà khi môi trường được kiểm soát tốt thì năng suất của cây sẽ cao hơn, điều đó thể hiện trong nghiên cứu [29] Một

số cây ngắn ngày ăn qua cần xác định các thông số này như cà chua, dưa chuột Cụ thể như cây dưa chuột: với môi trường canh tác trong nhà lưới, các chỉ số về chiều cao, số lá, diện tích lá và năng suất cây cao hơn so với môi trường đồng ruộng Khi được trồng trong nhà kính, cây dưa chuột cần nhiều nước trong suốt thời gian sống của chúng, vì vậy thiếu nước sẽ hạn chế các chỉ số này của cây dưa chuột [30, 31] Tổng diện tích lá phụ thuộc vào số lượng và kích thước của lá và chúng bị ảnh hưởng tiêu cực bởi thiếu nước và thiếu dinh dưỡng [32, 33] Giảm lượng nước và chất dinh dưỡng trong cây dẫn đến giảm hấp thụ bức xạ quang hợp và do đó làm chậm quá trình quang hợp [34] Việc thay đổi lượng nước tưới, lượng phân bón đã ảnh hưởng lớn đến chiều cao, số lá của cây và năng suất của cây dưa chuột [35÷37] Khi cây dưa chuột được tưới và bón phân ở một mức độ phù hợp sẽ đem lại năng suất cao cho cây [38, 39] Khi lượng ánh sáng [40], nhiệt độ [41] và mức CO2 [42] trong nhà kính thay đổi cũng làm cho chiều cao cây dưa chuột bị ảnh hưởng và chúng có tương quan chặt chẽ với năng suất của cây dưa chuột [43, 44] Do đó, các phép đo các chỉ số này được yêu cầu trong hầu hết các nghiên cứu sinh lý học và nông học liên quan đến sự sinh trưởng và phát triển của cây trồng ngắn ngày [45÷47] Một ứng dụng đếm số lá của cây trồng để điều tiến phân bón được thể hiện trong nghiên cứu [48], trong nghiên cứu này, các nhà nghiên cứu đã sử dụng hệ thống nhỏ giọt để bón phân cho cây dưa chuột bằng cách sử dụng phương pháp đếm số lượng lá phát triển trên các cây đặc trưng trong vòng 14 ngày để cung cấp lượng phân bón phù hợp cho cây dưa chuột, kết quả cho thấy phương pháp này tốt hơn so với phương pháp bình thường Tuy nhiên trong nghiên cứu này đang sử dụng phương pháp thủ công để phân tích và đếm

lá Vì vậy, nếu xác định được các thông số về diện tích lá, số lá và chiều cao cây trồng một cách tự động chính xác là một việc hết sức ý nghĩa cho việc đề xuất điều tiết các yếu tố khí hậu, nước và dinh dưỡng cho cây trồng phát triển tốt, góp phần tính toán,

dự đoán được năng suất của cây, cũng như giảm công sức theo phương pháp thu công cho người nông dân

1.3 Tình hình nghiên cứu hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày

Hệ thống điều khiển giám sát các thông số trong nhà lưới và cây trồng để điều tiết môi trường, phun thuốc trừ sâu bệnh cho cây trồng sinh trưởng và phát triển được thể hiện qua sơ đồ khối cơ bản như Hình 1.2 Trong hình này, các tín hiệu vào được

thu tập từ các hệ thống cảm biến để xác định các giá trị của môi trường như nhiệt độ,

độ ẩm của không khí, độ ẩm của đất, cường độ ánh sáng, độ pH của đất, độ dẫn điện của đất (EC), nồng độ CO2 Hình ảnh đất, lá và hình dạng của cây được thu thập từ các cảm biến hình ảnh Các thông số này được đưa vào hệ thống thu thập, xử lý và điều khiển, hệ thống này được giao tiếp qua lại với trạm giám sát và điều khiển thông qua cáp hoặc hệ thống không dây, sau đó phát ra tín hiệu điều khiển để điều khiển cho hệ thống nhiệt, hệ thống điều tiết ánh sáng, hệ thống điều tiết CO2, hệ thống cấp

độ ẩm, hệ thống cung cấp dinh dưỡng và hệ thống phun thuốc trừ sâu bệnh hoạt động

để đáp ứng yêu cầu cần thiết cho cây trồng

Hình 1.2 Sơ đồ hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng

Hình 1.3 Hệ thống giám sát và điều tiết nhiệt độ, ánh sáng, độ ẩm đất và độ ẩm không khí

trong nhà lưới (nguồn [49])

Trạm giám át và điều khiển trung t m

Cảm iến đo nhiệt độ

Giám át và

điều khiển

Cảm iến độ m

đ t

Đã có rất nhiều nghiên cứu về điều khiển giám sát các thông số nhà lưới trên thế giới và cũng có những nghiên cứu đã được đưa vào ứng dụng tốt trong quá trình sản xuất Trong nghiên cứu [49] (Hình 1.3), các tác giả đã trình bày việc thiết kế và triển khai một hệ thống chi phí thấp để giám sát và điều khiển từ xa các thông số nhà kính sử dụng logic mờ Đối với hệ thống điều khiển, Arduino Mega đã được lập trình với một thuật toán mờ để theo dõi và thực hiện điều khiển nhiệt độ môi trường, độ

ẩm của đất, độ ẩm tương đối không khí và cường độ ánh sáng Một trang web được thiết kế để theo dõi các chỉ số chính và để điều khiển hệ thống thông gió, hệ thống phun sương và tưới Để kết nối với trang web, Arduino Ethernet Shield đã được sử dụng Do đó, có thể thiết lập một mạng cục bộ và giám sát và kiểm soát các biến số khí hậu nhà kính theo cách thủ công hoặc tự động Tương tự, nhiều công trình khác cũng đã thông qua các thông số đầu vào như nhiệt độ, độ ẩm, cường độ ánh sáng, độ dẫn điện EC, độ pH của đất từ các cảm biến và sử dụng Arduino [50, 51], PLC [52, 53], PIC [54], PC [55, 56] để xử lý và điều khiển các thiết bị đầu ra như quạt, lò sưởi, ánh sáng và máy bơm, từ đó điều tiết nhiệt độ, ánh sáng, độ ẩm nhằm đáp ứng tốt các nhu cầu của cây trồng Trong bài [57] (Hình 1.4), các tác giả đã trình bày một nền tảng IoT dựa trên đám mây nhiều tầng kết nối các cảm biến, thiết bị truyền động và các thiết bị liên quan được đặt bên trong nhà kính, một nền tảng đã được thiết lập về năng suất và chất lượng trên quả dưa chuột được trồng trong một nhà kính quy mô thương mại Bên cạnh đó, nghiên cứu cũng đã xem xét tác động của hệ thống trong việc cải thiện năng suất nước và năng lượng thông qua một quy trình hiệu quả về chi phí, dẫn đến tăng năng suất của cây trồng Tuy nhiên nghiên cứu này vẫn chưa sử dụng đến các thuật toán trí tuệ nhân tạo và các hệ thống không dây để giám sát và điều khiển, các tác giả trong nghiên cứu này cũng đang định hướng vấn đề này trong tương lại sẽ nghiên cứu bổ sung để hoàn thiện làm cho mô hình thông minh hơn

Hình 1.4 Tổng quan mô hình giám sát và điều khiển môi trường nhà lưới bằng các cảm

biến (nguồn [57])

Trong công trình [10] đã trình bày một cuộc thi sử dụng các thuật toán trí tuệ nhân tạo và IoT trong việc giám sát điều khiển quá trình sản xuất dưa chuột trong nhà kính Hình 1.5, là sơ đồ cấu trúc của nghiên cứu này, các đội tham gia đã sử dụng các thuật toán AI khác nhau để điều tiết các thông số môi trường như ánh sáng, CO2, nước, dinh dưỡng…trong nhà lưới nhằm đem lại năng suất cao cho cây dưa chuột, các nhóm cũng tương tác với người chăm sóc nhà lưới để xác định các thông số cây trồng như năng suất dưa chuột… Nghiên cứu đã chứng minh việc sử dụng trí tuệ nhân tạo cho điều khiển giám sát môi trường nhà lưới đem lại hiệu quả tốt hơn so với canh tác truyền thống Quá trình thử nghiệm, họ cũng đã lắp đặt 8 camera RGB, tuy nhiên hình ảnh từ các camera này không được sử dụng trong các thuật toán AI, vì vậy

mà đặc điểm biểu hiện bên ngoài như chiều cao cây, số lá, diện tích lá, sâu bệnh …của cây dưa chuột chưa được quan tâm trong nghiên cứu này

Hình 1.5 Sơ đồ cấu trúc của các nhóm nghiên cứu sử dụng các thuật toán AI khác nhau

điều khiển giám sát quá trình sản xuất dưa chuột (nguồn [10])

Các nghiên cứu sử dụng bằng các cảm biến để đo các thông số của môi trường

từ đó sử dụng các thuật toán khác nhau để điều khiển đã được sử dụng khá phổ biến,

và cũng đã đóng góp lớn cho việc giám sát và điều tiết môi trường cho cây trồng phát triển trong các thập kỷ qua Tuy nhiên, các hệ thống này chưa giám sát hết được các

sự khác thường của cây trồng trong quá trình sinh trưởng và phát triển của cây như kích thước, hình dáng, màu sắc và bệnh hại của cây Sự biến đổi hình dáng và xuất hiện của bệnh hại như thế nào khi các yếu tố môi trường thay đổi để đưa ra cảnh báo

và điều tiết các yếu tố phù hợp nhằm cho cây phát triển tốt nhất là chưa được quan tâm

Với những hạn chế của các hệ thống điều khiển giám sát sử dụng các loại cảm biến nêu trên, các công nghệ sử dụng đầu vào là hình ảnh từ camera đã được phát triển và nghiên cứu trong nhiều năm trở lại đây khi sự phát triển mạnh mẽ của thị giác máy tính và trí tuệ nhân tạo Đã có nhiều công trình nghiên cứu sử dụng công nghệ

xử lý ảnh [58], trí tuệ nhân tạo bằng việc thông qua hình ảnh của lá có thể xác định được thiếu hụt dinh dưỡng [59], sâu bệnh [60, 61] của cây trồng Đặc biệt với công trình nghiên cứu [62], một hệ thống giám sát và cảm biến thực vật sử dụng thị giác

Đ u ra Khí hậu thực tế tưới

máy được sử dụng để kiểm tra và phát hiện thiếu Nitơ trong việc bón phân cho cây dưa chuột được trồng trong điều kiện nhà kính bằng cách sử dụng đường kính thân

và thay đổi màu sắc của lá cây dưa chuột Hệ thống thị giác máy bao gồm hai thành phần chính: hệ thống di chuyển camera robot và mô đun xử lý hình ảnh Hệ thống thị giác máy có thể trích xuất các đặc điểm kết cấu của cây để xác định tình trạng sức khỏe của cây một cách tự động Hệ thống được giới thiệu có khả năng xác định cây dưa chuột thiếu Nitơ khoảng hai ngày trước khi phát hiện triệu chứng bằng thị giác của con người Tương tự, các tác giả trong [63] đã thiết kế một robot để xác định sự thiếu hụt dinh dưỡng Nitơ của cây dưa chuột trong nhà kính từ đó điều khiển cung cấp phân bón cho cây Mô hình của hệ thống này được thể hiện trên Hình 1.6 Kết quả cho thấy mức tiêu thụ phân đạm giảm khoảng 18% mà không làm giảm năng suất hoặc các thông số chất lượng của quả như độ cứng, tổng chất rắn hòa tan, chất diệp lục và hàm lượng axit ascobic Hay nghiên cứu [64] đã thiết kế hệ thống robot để theo dõi vị trí bệnh trên quả cà chua được trồng thường mại, nghiên cứu này đã sử dụng các mạng học sâu khác nhau để phát hiện bệnh vị trí bị bệnh của quả cà chua trong môi trường sản xuất đạt kết quả khá cao

Hình 1.6 Mô hình hệ thống robot giám sát và điều khiển cung cấp đạm (Nitơ) cho cây dưa

chuột (nguồn [63])

Ở Việt Nam, các nghiên cứu về điều khiển giám sát, chăm sóc cây trồng cũng được một số nhà nghiên cứu quan tâm, như một số nghiên cứu của các tác giả trong [65, 66], các nghiên cứu này đã thiết kế các cảm biến để giám sát môi trường canh tác nhà lưới; nghiên cứu [67], nhóm tác giả đã thiết kế hệ thống phun sương tự động theo thời gian và theo nhiệt độ nhằm duy trì độ ẩm cho cây trồng Hay trong bài [68], nhóm tác giả đã xây dựng mô hình nhà kính tự động điều chỉnh các thông số môi trường và đã thử nghiệm cho kết quả tốt trên nấm; một số nghiên cứu về xác định một

số sâu bệnh như trên lúa [69], phát hiện rầy nâu bằng phương pháp xử lý ảnh cũng đã cho kết quả tốt [70] Nhận thấy hoạt động nghiên cứu về hệ thống giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày trong nước vẫn còn hạn chế, đặc biệt ứng dụng trí tuệ nhân tạo và thị giác máy tính trong lĩnh vực nông nghiệp ở trong

Cam ra

Nhà kính

Phát tín hiệu không

Thu tín hiệu không

Nguồn c inh

ư ng Nitơ Bồn nước

Các ch t inh ư ng khác

Tim r

nước còn rất khiêm tốn, đang dừng lại ở một số công trình xác định về sâu bệnh sử dụng các kỹ thuật xử lý ảnh để xác định và phát hiện

Qua tìm hiểu các công trình nghiên cứu trên thế giới và trong nước, cho thấy các nghiên cứu về hệ thống tự động điều khiển và giám sát môi trường cho quá trình sinh trưởng cây trồng ngắn ngày rất đa dạng, các công trình về lĩnh vực này cũng đã được ứng dụng rất nhiều trong sản xuất cây trồng trong nhà kính, nhà lưới và mang lại kết quả cao trong các thập kỷ qua Để đánh giá trực quan hơn về quá trình sinh trưởng và phát triển, các biểu hiện bất thường của cây trồng thì các hệ thống điều khiển giám sát cây trồng sử dụng các kỹ thuật xử lý ảnh, thị giác máy tính và AI được nghiên cứu và đang ngày càng phát triển mạnh mẽ Tuy nhiên, các nghiên cứu vẫn chưa được thực nghiệm nhiều, đang chủ yếu xây dựng và cải tiến các thuật toán để mang lại hiệu quả tốt hơn trong việc phân vùng hình ảnh, xác định một số bệnh, thiếu dinh dưỡng cụ thể của loại cây trồng nhất định với bộ dữ liệu chưa thực sự đa nhiễu như trong môi trường sản xuất Vì vậy, việc tiếp tục nghiên cứu để phát triển, cải tiến các thuật toán thị giác máy tính và AI để có ứng dụng cao trong hệ thống điều khiển giảm sát sinh trưởng và bệnh hại cho quá trình sản xuất là rất cần thiết Đặc biệt, các chỉ số sinh trưởng như chiều cao, số lá, diện tích lá và bệnh hại trên cây trồng Đây

là những biểu hiện thay đổi rất rõ về hình ảnh trực quan bên ngoài cây Vì vậy, việc nghiên cứu cải tiến các thuật toán để xác định chính xác các chỉ số này là rất cần thiết trong hệ thống điều khiển tự động hóa trong sản xuất nông nghiệp, sẽ giúp việc điều tiết các thông số môi trường và hướng xử lý bệnh hiệu quả nhằm mang lại năng suất cao cho cây trồng và chất lượng tốt cho sản phẩm

1.4 Tình hình nghiên cứu về xác định chiều cao, số lá và diện tích

lá cây trồng ngắn ngày

Lá là một trong những cơ quan quang hợp quan trọng nhất của thực vật [71]

Do đó, diện tích lá là một yếu tố quan trọng để đo sự phát triển và năng suất của cây trồng Vì vậy, việc xác định chính xác diện tích lá là một trong những vấn đề quan tâm của nhiều nghiên cứu hình thái thực vật [72, 73]

Chiều cao, số lá và diện tích lá là các chỉ tiêu sinh trưởng cây trồng, chúng có khả năng mô hình hóa năng suất và khả năng quang hợp của thực vật [74, 75] Việc

đo lường chính xác các chỉ số này cho phép chúng ta định lượng và lập mô hình tăng trưởng cây trồng với các yếu tố môi trường Các chiến lược kiểm soát khí hậu, dinh dưỡng và tưới tiêu có thể được thiết lập dựa trên các mô hình cây trồng phát triển tốt

để đạt được năng suất tối ưu Các chỉ số tăng trưởng cũng có thể giúp nông dân xác định thời điểm giao trồng hoặc thu hoạch thích hợp để tăng giá trị kinh tế

Thực tế hiện này, có 2 phương pháp được sử dụng để xác định các thông số này

là phương pháp truyền thống và phương pháp sử dụng hình ảnh kỹ thuật số Các phương pháp truyền thống để đo các chỉ số tăng trưởng về chiều cao, số là, diện tích

lá thường mất nhiều công sức và thời gian vì người thực nghiệm tiến hành lấy mẫu

và đo đếm trực tiếp Diện tích lá có thể được ước tính thông qua các chỉ số về chiều dài và chiều rộng của lá [76] Ngoài ra, độ tin cậy của các giá trị quan sát còn phụ thuộc vào phương pháp lấy mẫu và điều kiện mẫu [77] Do đó, các phương pháp ước tính chỉ số tăng trưởng bằng cách sử dụng hình ảnh kỹ thuật số đã là lựa chọn thay thế hiệu quả cho các phương pháp truyền thống đối với nhiều nhà nghiên cứu Việc phân tích sinh trưởng của các kiểu hình thực vật theo phương thức không phá hủy đã được tiến hành tự động [78, 79] Tuy nhiên, một số đặc điểm của thực vật, chẳng hạn như chiều cao, số lá và diện tích lá không thể đo được dễ dàng bằng các phương pháp đo không tiếp xúc như vậy [80] Do đó, cải thiện chất lượng ước tính các chỉ tiêu sinh trưởng của thực vật là một trong những mối quan tâm hàng đầu của việc quản lý thực vật ngày nay [81, 82]

Trên thực tế, diện tích lá được đo truyền thống bằng các phương pháp như: phương trình hồi quy [83], phương pháp đếm lưới [84], phương pháp trọng lực [85],

và một số máy đo diện tích lá (planimeter) [86, 87] Tuy nhiên, hầu hết các phương pháp này đều mang tính phá hủy, tức là chúng yêu cầu cắt bỏ lá, điều này có thể làm ảnh hưởng đến sự sinh trưởng và phát triển của cây Mặc dù các phương pháp truyền thống này có độ chính xác cao, nhưng chúng đòi hỏi cần có thiết bị đắt tiền và các thí nghiệm tốn thời gian Để hạn chế những nhược điểm này, một số phương pháp không phá hủy để ước lượng diện tích lá (LA) [88÷90] đã được phát triển nhanh chóng Người ta chứng minh rằng các phương pháp không phá hủy đạt được hiệu suất tốt hơn, chẳng hạn như nhanh hơn, rẻ hơn và cung cấp phân tích thực nghiệm theo thời gian thực hơn so với các phương pháp phá hủy Ngày nay, các phương pháp đo lường không phá hủy dựa trên phân tích hình ảnh kỹ thuật số được sử dụng rộng rãi trong nhiều mô hình xác định sự tăng trưởng của cây trồng

Chiều cao cây trồng được coi là khoảng cách ngắn nhất giữa ranh giới trên của các mô quang hợp chính trên cây trồng và mặt đất [91] Chiều cao cây trồng, trong các nghiên cứu về nông học thông thường được xác định bằng thước đo thu công [92, 93] Trong nghiên cứu về sử dụng phương pháp hình ảnh, chiều cao của cây là thể hiện điểm cao nhất và điểm thấp nhất trên ảnh (hoặc đám mây điểm), và thu được độ cao theo công thức tính khoảng cách [94] Sử dụng khoảng cách Euclid để xác định chiều cao thực vật thường được sử dụng trên hình ảnh 2D, trích xuất bộ xương thực vật trên vùng quan tâm (ROI) và phát hiện điểm thấp nhất và cao nhất của bộ xương Độ chính xác của việc trích xuất pixel trong vùng quan tâm của hình ảnh hai chiều là một yếu tố ảnh hưởng đến độ chính xác của phép đo chiều cao thực vật Xử

lý hình ảnh được sử dụng để phân vùng bộ xương, chẳng hạn như hiệu chuẩn không gian màu hoặc phương pháp hình thái học để hiển thị bộ xương Sau đó, chiều cao của cây có thể được lấy theo các điểm đánh dấu hoặc ánh xạ không gian màu được ánh xạ với không gian chiều sâu [95, 96]

Hình 1.7 Các bước xử lý ảnh xác định các đặc điểm của cây trồng theo phương pháp 2D

(nguồn [97])

Hai phương pháp thường được sử dụng khi sử dụng kỹ thuật xử lý hình ảnh để xác định các thông số chiều cao, số lá và diện tích lá là phương pháp xử lý ảnh kỹ thuật số 2D và phương pháp xây dựng mô hình thực vật 3D Trên Hình 1.7, thể hiện các bước xử lý ảnh để xác định các đặc điểm của cây trồng theo phương pháp 2D

Hình 1.8 Các bước trong phương pháp sử dụng hình ảnh kỹ thuật số để xác định các

thông số của cây dưa chuột với phương pháp 2D (nguồn [89])

Trên Hình 1.8, thể hiện các bước sử dụng phương pháp 2D để xác định các thông số của cây dưa chuột Trong phương pháp này [89], các tác giả đã tập trung vào việc đo lường các thông số của cây dưa chuột dựa trên công nghệ thị giác máy

Đó là một phương pháp đo trực tuyến không phá hủy, sử dụng máy ảnh kỹ thuật số

để chụp các tán của cây dưa chuột Các thông số hình ảnh của cây dưa chuột được kết hợp với các phép đo thủ công để xây dựng một số mô hình nghịch đảo cho các thông số sinh trưởng của cây dưa chuột Kết quả cho thấy rằng hệ số tương quan (R2) giữa giá trị đo được và giá trị nghịch đảo của chiều cao cây, đường kính gốc, số lá,

số quả lần lượt là 0.921, 0.899, 0.95 và 0.908 Kết quả này có thể là một phương pháp trực tuyến không phá hủy để đo các thông số cây dưa chuột Các bước thể hiện trong

H nh ảnh thực vật được thu nhận Tiền x í ảnh

Ph n vùng ảnh để oại nền

Ước tính các đ c điểm như kích thước

á ố á chiều ài

c khối ượng

Ph n oại như xác định kiểu g n c trồng hù hợ

Hiệu ch nh má ảnh Chụ ảnh

Số á

Số uả

xG Otu NDI Otu

xG xR Chiều rộng tán c

Chiều ài tán c

T ệ độ ch h tán

Giá trị đo

các nghiên cứu này ([89, 97]) được thể hiện trên Hình 1.7 và Hình 1.8, nhận thấy độ chính xác của mô hình phụ thuộc nhiều vào phương pháp phân vùng ảnh, đây là bước quan trọng ảnh hưởng đến kết quả xác định các chỉ số sinh trưởng của cây trồng Hay trong bài [88], Wang và cộng sự đã phát triển một phương pháp phân vùng ảnh dựa trên mô hình Chan – Vese (C-V) và toán tử Sobel Để cải thiện độ chính xác phân vùng của các lá dưa chuột chồng lên nhau, quy trình của phương pháp phân vùng ảnh này được mô tả như sau: đầu tiên, nền được giảm thiểu dựa trên một ngưỡng tương đối của màu xanh lá cây trong ảnh Sử dụng mô hình C-V, đường viền của lá mục tiêu ở lớp trên được trích xuất Sau đó, các cạnh lá của lá mục tiêu được phát hiện bởi toán tử gradient với tám hướng Cuối cùng, sự kết hợp của các kết quả thu được bởi mô hình C–V và toán tử Sobel được sử dụng để trích xuất lá mục tiêu chồng chéo Kết quả thí nghiệm cho thấy, tỷ lệ sai số trung bình đạt ở mức thấp (0.0428), phương pháp đề xuất thành công trong việc trích xuất lá mục tiêu từ ảnh nền phức tạp của cây dưa chuột

số lá và diện tích lá có độ chính xác cao Trong bài báo [99] đã chứng minh khả năng tạo ra các mô hình 3D của toàn bộ cây bằng việc sử dụng nhiều hình ảnh được chụp

Máy phát tia laser

Đối tượng quan tâm

Dãy quang hoạt động

Mặt phẳng hình ảnh

Dòng ánh sáng

Các điểm tương ứng

Camera R Camera L

ở các góc nhìn khác nhau Kết quả thử nghiệm cho thấy rằng, đối với những cây có nhiều loại kích thước lá và khoảng cách giữa các lá phù hợp với thiết kế phần cứng, các thuật toán dự đoán thành công xác định các đặc điểm của cây trồng mục tiêu, độ chính xác phát hiện lá là 97%, lỗi xác định chiều cao là 8.1%, chiều dài và chiều rộng

lá lần lượt là 4.87% và 3.76% Hay trong các nghiên cứu [100÷103] đã sử dụng hệ thống máy ảnh và đĩa quay để thu thập dữ liệu (Hình 1.10), sau đó tái tạo mô hình 3D của cây trồng đã đạt các kết quả tốt Với nghiên cứu [104], các tác giả đã sử dụng VisualSFM để tạo đám mây điểm của cây dưa chuột (Hình 1.11), phân vùng và đo các thông số về lá của cây này Trong nghiên cứu này, tổng số hình ảnh cần được chụp để tạo mô hình 3D cho một cây dưa chuột là 60 ÷ 70 ảnh với cây thấp và 80 ÷

90 ảnh với cây cao

Hình 1.10 Mô hình thu nhận dữ liệu để tái tạo mô hình 3D cây trồng (nguồn [99, 100])

Hình 1.11 Kết quả tái tạo bề mặt 3D của dưa chuột ở ngày thứ 20, 40, 60 và 70 sau khi

trồng (từ trái sang phải) Màu sắc đại diện cho các vị trí khác nhau của lá và màu đen đại

diện cho thân cây (nguồn [104])

Nhận thấy, đối với các phương pháp xây dựng mô hình 3D để tái tạo hình ảnh thực vật sử dụng máy ảnh kỹ thuật số cho ưu điểm là trực quan về hình ảnh cây trồng,

có độ chính xác tương đối cao, tuy nhiên có chi phí thời gian và tiền bạc nhiều hơn

so với mô hình 2D, hệ thống để thu thập bộ dữ liệu cho phương pháp 3D là phức tạp, cần số lượng ảnh lớn và cấu hình máy phải cao để chạy các phần mềm tái dựng mô hình Trong khi sử dụng phương pháp 2D, hình ảnh đầu vào ít, các kỹ thuật đơn giản hơn, có khả năng ứng dụng thực tế cao hơn do kết cấu thí nghiệm đơn giản Đối với

việc xác định các đặc điểm cây trồng trên hình ảnh 2D (Hình 1.7), việc loại bỏ nền ảnh là hết sức quan trọng, ảnh hưởng đến kết quả của việc xác định các thông số thực vật Vì vậy, việc nghiên cứu các phương pháp hiệu quả cho phần này là hết sức cần thiết, do vậy luận án tập trung đưa ra phương pháp để loại bỏ nền ảnh nhằm xác định các chỉ số về chiều cao, số lá và diện tích lá của cây trồng đạt kết quả cao

1.5 Tình hình nghiên cứu phương pháp phát hiện bệnh trên cây trồng ngắn ngày

Bệnh hại trên cây trồng có ảnh hưởng nghiêm trọng đến chất lượng và số lượng nông sản, nó sẽ phá hủy trạng thái bình thường của cây trồng và thay đổi hoặc làm gián đoạn các chức năng quan trọng của cây trồng như quang hợp, thoát hơi nước, thụ phấn và nảy mầm [105] Thiệt hại do sâu bệnh và mầm bệnh gây ra góp phần lớn trong việc mất mùa trên toàn thế giới Thiệt hại về năng suất cây trồng do nhiễm mầm bệnh nằm trong khoảng từ 20% đến 40% [106] Thông thường các loại bệnh khác nhau được thấy ở các giai đoạn phát triển khác nhau của cây trồng Tốc độ lây lan khác nhau và loại thuốc trừ bệnh cũng vậy Đối với nhà nghiên cứu cây trồng, có rất nhiều phương pháp trực tiếp và gián tiếp khác nhau để phát hiện bệnh trên cây trồng [107], nhưng kiểm tra bằng mắt thường là cách tiếp cận chính được áp dụng trong thực tế để phát hiện và xác định bệnh thực vật [108] Tuy nhiên, điều này đòi hỏi sự giám sát liên tục của các chuyên gia và có thể rất tốn kém và mất thời gian Vì vậy, nghiên cứu phương pháp nhanh chóng, tự động, ít tốn kém nhưng chính xác để phát hiện kịp thời các bệnh hại cây trồng là có ý nghĩa thực tiễn rất lớn Việc nhận biết và phát hiện chính xác bệnh cây trồng ở giai đoạn đầu là rất quan trọng, vì sẽ góp phần

xử lý kịp thời tránh sự lây lan, giảm thiệt hại về năng suất và an toàn thực phẩm Thông thường các triệu chứng của bệnh cây trồng thường xuất hiện trực quan trên lá cây trồng, do đó có thể tự động phát hiện bệnh cây trồng bằng cách áp dụng kỹ thuật

xử lý ảnh [109, 110], máy học [111, 112], học sâu trên ảnh lá [113, 114] đã được nhiều nhà khoa học quan tâm

Về dữ liệu huấn luyện các mô hình học sâu cho phân loại và phát hiện bệnh trên cây trồng, trong nghiên cứu [115] đã chỉ ra rằng, trong hầu hết các nghiên cứu phân loại và phát hiện bệnh trên cây trồng, tập dữ liệu PlantVillage đã được sử dụng nhiều, tập dữ liệu mở này có chứa 54.306 hình ảnh của 14 loại cây trồng khác nhau với 26 bệnh thực vật Đặc điểm của tập dữ liệu này là rất đơn giản, hình ảnh của các lá cây

bị bệnh được cắt bỏ và đặt trên 1 nên xám để chụp lấy hình ảnh, với kích thước là 256x256 Điều này làm cho các mô hình nghiên cứu có hiệu suất cao với bộ dữ liệu này, nhưng khó có độ chính xác cao trong môi trường thực tế Trong 14 loại cây trồng được đề cập ở tập dữ liệu nay, có cả cây ngắn ngày và cây lâu năm, cây ngắn ngày gồm cây cà chua, cây dâu tây, cây ngô, khoai tây, cây bí đao Các cây như ngô, khoai tây, bí đao thường được trồng ngoài cánh đồng, các loại trồng trong nhà lưới dễ dàng cho việc giảm sát và điều khiển như cà chua, cây dâu tây Ngoài bộ dữ liệu PlantVillage một số bộ dữ liệu được đề cập như PlantDoc, bộ dữ liệu này có 2598

ảnh gồm 17 loại bệnh của 13 loại cây, trong đó có các cây ngắn ngày như dâu tây, khoai tây, cà chua; bộ dữ liệu này đa số được thu tập trong thức tế sản xuất, tuy nhiên

số lượng dữ liệu của mỗi loại bệnh thì còn ít, triệu chứng bệnh chưa đa dạng nên cũng

ít công trình sử dụng bộ dữ liệu này để nghiên cứu Ngoài ra có các bộ dữ liệu trên cây ngô từ bộ dữ liệu CD&S Nghiên cứu cũng cho thấy, bộ dữ liệu bệnh hại do các

cá nhân của các công trình nghiên cứu thu thập vẫn chiếm tỷ lệ lớn nhất Trong đó có bệnh hại trên cây dưa chuột, các bộ dữ liệu tự thu tập trên cây này vẫn đang hạn chế

về số lượng và độ nhiễu của môi trường và ánh sáng

Với các thuật toán học sâu trong phân loại và phát hiện bệnh trên cây trồng ngắn ngày, đang chủ yêu tập trung nhiều vào việc phân loại bệnh, đã có rất nhiều thuật toán phân loại bệnh đã nghiên cứu và phát triển dựa trên kiến trúc CNN, cụ thể là LeNet, AlexNet, VGGNet, GoogLeNet, ResNet, DenseNet… Trên Hình 1.12 thể hiện các bước thực hiện các thuật toán này Các mô hình phân loại hình ảnh thường được đánh giá dựa trên tập dữ liệu kiểm tra được tách ra từ bộ dữ liệu chung với tập huấn luyện, xác thực Tuy nhiên, độ chính xác của các mô mình này đánh giá thực nghiệm với môi trường canh tác được đề cập rất ít Do đó, việc tối đa hóa độ chính xác của các

mô hình trong môi trường canh tác là hết sức quan trọng

Các mô hình phân loại hình ảnh đã xác định thành công các bệnh trên các loại cây trồng khác nhau và trong các điều kiện khác nhau với độ chính xác kiểm tra và xác thực lên tới 99.75% đối với toàn bộ bộ dữ liệu PlantVillage [116] Hay phân loại bệnh trên cây cà chua kết hợp huấn luyện bộ dữ liệu trong PlantVillage và bộ dữ liệu trong thực tế đạt 95.71% [117] Trong nghiên cứu [118] đã sửa đổi thuật toán ResNet50 để phân loại 2 bệnh và lá bình thường trên cây khoai tây cho kết quả đạt tốt với độ chính xác 98.20%, tuy nhiên bộ dữ liệu nghiên cứu này rất ít nhiễu không thực tế với môi trường sản xuất Hay nghiên cứu [119] đề xuất thuật toán học sâu để phân loại các bệnh và không phải đối tượng bệnh trên cây dâu tây, kết quả đạt được 92% Tuy bộ dữ liệu có bổ sung 1 lớp đối tượng khác, không phải là bệnh trên cây dâu tây nhưng bộ dữ liệu huấn luyện vẫn rất đơn giản, ít nhiễu môi trường và ánh sáng Các nghiên cứu thường không khái quát hóa các mô hình và không đề cập đến

độ chính xác thử nghiệm trong điều kiện sản xuất

Mặc dù phân loại hình ảnh là kỹ thuật học sâu được sử dụng phổ biến nhất trong các công trình nghiên cứu, nhưng rất khó để nó cung cấp thông tin hiệu quả về vị trí của bệnh hại trong hình ảnh và xác định nhiều bệnh trên cùng 1 hình ảnh Để giải quyết vấn đề vị trí lá bị bệnh, vết bệnh và nhiều bệnh trong một hình ảnh thì các thuật toán phát hiện đối tượng đã được nhiều nhà nghiên cứu lựa chọn, như các mô hình R-CNN, Fast R-CNN, Faster R-CNN, YOLO và SSD Một số nghiên cứu đã tập trung vào việc xác định toàn bộ lá bị bệnh, trong khi những nghiên cứu khác đã xác định các tổn thương bệnh cụ thể Nghiên cứu [120], phát hiện bệnh bằng việc phân vùng đối tượng bị bệnh bằng mô hình mask RCNN, kết quả đạt được độ chính xác 82.43% trên bộ dữ liệu kiểm tra Hay công trình [121] đã đề cập thuật toán học sâu để phát hiện ra 7 bệnh trên cây dâu tây với kết quả độ chính xác đạt giá trị 91.65% Nhận thấy chưa có nhiều công trình đề cập phát hiện đối tượng bệnh hại trên cây trồng ngắn ngày, các thuật toán đề cập được sử dụng các bộ dữ liệu huấn luyện vẫn còn đơn giản chưa thực sự giống với môi trường sản xuất nên khả năng áp dụng được trong thực tế không cao

Hình 1.12 Sơ đồ quy trình thực hiện các bước trong phân loại và phát hiện bệnh trên cây

trồng sử dụng học sâu (DL) (nguồn [114])

Đối với cây dưa chuột, đây là một loại cây rau ăn quả có nhiều lợi ích và có giá trị kinh tế cao, tuy nhiên trong quá trình sản xuất dựa chuột chịu tác động của nhiều loại bệnh như bệnh phấn trắng, bệnh sương mai, bệnh mốc xám, thối ngọn, thán thư…[122], tuy nhiên bệnh phổ biến được chú ý quan tâm nhiều trong các nghiên cứu trên cây dưa chuột ở trên thế giới cũng như ở Việt Nam là bệnh sương mai và bệnh phấn trắng [123÷127] Đây là hai loại bệnh thường xuyên xuất hiện trong môi trường canh tác ngoài đồng ruộng cũng như trong nhà kính Phát hiện sớm và chính xác để cảnh báo nhằm có những giải pháp xử lý sớm sẽ làm giảm lượng thuốc bảo vệ thực vật và tăng năng suất là điều hết sức cần thiết

Bằng việc sử dụng công nghệ xử lý ảnh, trí tuệ nhân tạo các nhà nghiên cứu đã

đã đề xuất các thuật toán khác nhau để xác định ra các bệnh trên cây dưa chuột, có

độ chính xác tương đối cao Đối với các công trình sử dụng công nghệ xử lý ảnh [128], quá trình phát hiện bệnh trên cây dưa chuột được thực hiện bằng cách trích xuất các đặc trưng trong ảnh và sử dụng trình phân loại SVM để phân loại ra các loại bệnh khác nhau đã đạt được độ chính xác đến 90% và 91.18% Đối với việc sử dụng mạng học sâu, đã có nhiều công trình đề xuất để phân vùng, phân loại bệnh trên lá của cây dưa chuột Trong công trình nghiên cứu [129], Wang và cộng sự đã kết hợp hai mô hình DeepLabV3 và U-Net để phân vùng và phân loại bệnh trên cây dưa chuột đạt được độ chính xác tương ứng là 93.27% và 92.85% Hay công trình [130] đã sử dụng thuật toán EfficientNet-B4-Range để phân loại bệnh đạt độ chính xác 97%, ở công trình này dữ liệu đã có độ nhiễu nhất định Trong công trình [131], đã đề xuất kết hợp đặc điểm màu toàn diện (CCF) với sự phát triển của vùng để phân vùng triệu chứng bệnh sương mai trên cây dưa chuột, với bộ dữ liệu có nhiều nhiễu trong môi trường sản xuất, kết quả đạt được của phương pháp đề xuất là 97.29%, tuy nhiên công trình này chỉ phân loại có bệnh sương mai và không phải bệnh sương mai Một đề xuất có ứng dụng cao được để cập trong năm 2022 là nghiên cứu [132], đã đề xuất phương pháp dưa trên DeepLab V3+ để phân vùng lá, phân vùng bệnh phấn trắng và

Ph n oại

và hát hiện ệnh

C u

tr c

mô

h nh AI Đào

tạo xác thực mô

h nh

Hiệu

u t

K thuật

i ua i ation

sương mai trên cây dưa chuột đạt kết quả 94.14%, là một kết quả tốt cho việc đánh giá tỷ lệ nhiễm bệnh.Đặc biệt kể đến mô hình của Khan và cộng sự đã kết hợp xử lý ảnh, mô hình VGG và SVM để phân loại bệnh trên cây dưa chuột đã cho độ chính xác lên đến 98.08% [133] Một số công trình khác [134÷136] đã sử dụng các thuật toán khác nhau để phân vùng và phân loại một số bệnh trên cây dưa chuột, các công trình này đều cho độ chính xác dưới 94% Một điểm nhận thấy là đa số các công trình này có bộ dữ liệu huấn luyện, xác thực và kiểm tra đều ít nhiễu, hoặc đã xử lý hết nhiễu Như trong công trình [133] có độ chính xác cao (98.08%) nhưng nhiễu trong tập dữ liệu lại ít, điều này sẽ khó áp dụng được vào môi trường thực tế khi có nhiều nhiễu nền và ánh sáng, cũng như tỷ lệ mắc bệnh ở các cấp độ khác nhau

Trên Bảng 1.1, biểu diễn các kết quả của các nghiên cứu trong việc phân loại và phân vùng bệnh trên lá của cây dưa chuột Trên bảng thể hiện hình ảnh của các mẫu

dữ liệu, đặc điểm của mẫu dữ liệu, độ chính xác của các mô hình nghiên cứu

Đánh giá: Phát hiện bệnh trên cây trồng là việc hết sức quan trọng, đặc biệt phát

hiện bệnh trong giai đoạn sớm Thông thường phương pháp phát hiện bệnh của nông dân chủ yếu dựa vào kinh nghiệm và bằng mắt thường, hoặc nhờ các chuyên gia nhận dạng và sử dụng các kỹ thuật phân tích để nhận biết loại bệnh Việc làm này có thể không kịp thời và mất nhiều công sức Với việc sử dụng các hình ảnh cây trồng và sử dụng thị giác máy, thuật toán trí tuệ nhân tạo việc phân loại, phát hiện trở nên dễ dàng

mô hình nghiên cứu cần được cải tiến, sửa đổi để có thể phát hiện và phân loại bệnh trong suốt chu kỳ xuất hiện của chúng Mô hình nghiên cứu phải hiệu quả đối với nhiều điều kiện chiếu sáng, và bộ dữ liệu huấn luyện không chỉ là môi trường thực

mà còn có các hình ảnh được chụp trong các kịch bản mức độ nhiễm bệnh khác nhau Đối với cây dưa chuột đã có khá nhiều công trình nghiên cứu với các thuật toán khác nhau để phân vùng bệnh trên lá bị bệnh, phân loại ảnh bị bệnh Tuy nhiên các thuật toán đang được huấn luyện và kiểm tra trên tập dữ liệu nghiên cứu ít nhiễu, nên khả năng để đưa vào phục vụ cho quá trình sản xuất là khó có kết quả tốt Bộ dữ liệu

mở về bệnh trên cây dưa chuột cũng chưa có Cho đến thời điểm nghiên cứu sinh thực hiện luận án này chưa thấy có một bộ dữ liệu hình ảnh được công bố ở Việt Nam về bệnh sương mai và bệnh phấn trắng trên cây dưa chuột Vì vậy việc thu thập bộ dữ liệu thực tế trong sản xuất với độ nhiễu cao và mức độ nhiễm bệnh khác nhau từ đó nghiên cứu cải tiến các thuật toán để phân loại và phát hiện bệnh cho loại cây này

nhằm đạt hiệu quả cao trong thực tế là rất cần thiết

Bảng 1.1 Tổng hợp các kết quả của các công trình nghiên cứu về phân loại và phân vùng bệnh trên cây dưa chuột

Đ c điểm ộ iệu Một ố h nh ảnh

ộ iệu

Tổng ảnh

Global-2016 Bệnh sương mai,

đốm lá và thán thư

91.63% Độ nhiễu của bộ dữ

liệu ít, chỉ còn lá và triệu chứng bệnh trong

Zhang, et

al.[128]

Combining superpixels, EM, PHOG, and SVM

2017 Bệnh đốm lá góc

cạnh, phấn trắng, sương mai, thán thư, ghẻ

93.4%

không cân bằng, 92.2% cân bằng

Dữ liệu có độ nhiễu nhất định, xung quanh nền lá có nhiễu của môi trường xung quanh

1184

Đ c điểm ộ iệu Một ố h nh ảnh

ộ iệu

Tổng ảnh

2020 Bệnh đốm lá góc

cạnh, đốm lá Coryhespora, thán thư, phấn trắng, sương mai và bình thương

98.08% Các lá bệnh chỉ còn

phần bệnh và lá, không có nhiễu nền xung quanh

2020 Bệnh phấn trắng,

sương mai, cả phấn trắng và sương mai, bình thường

2021 Bình thương,

bệnh phấn trắng, sương mai và virus

92.85%

phân loại;

93.27%

phân vùng bệnh

Bộ dữ liệu có độ nhiễu khá lớn, có thể đáp ứng cho môi trường

2022 Bệnh phấn trắng,

bệnh sương mai

94.14%

phân vùng bệnh

Bộ dữ liệu ít nhiễu môi trường xung quanh, chỉ còn hình

ảnh lá

153