Tom tat luan an: 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.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

Công trình được hoàn thành tại:

Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học: PGS TS Bùi Đăng Thảnh

Vào hồi……….giờ, ngày…….tháng……năm………

Có thể tìm hiểu luận án tại thư viện:

1 Thư viện Tạ Quang Bửu – ĐHBK Hà Nội

2 Thư viện Quốc gia Việt Nam

MỞ ĐẦU

1 Tính cấp thiết của luận án

Công nghệ trí tuệ nhân tạo (AI) là một trong lĩnh vực đang phát triển rất mạnh mẽ và đang ngày một ứng dụng nhiều trong các lĩnh vực của cuộc sống Trong lĩnh vực nông nghiệp, AI cũng đã đóng góp lớn trong việc dự báo về thời gian gieo hạt, dịch bệnh, thời điểm thu hoạch, sản lượng, việc này đã giúp người nông dân gia tăng năng suất

và cải thiện thu nhập Trong thực tế, đang có xu hướng ứng dụng AI mạnh mẽ vào sản xuất trong nông nghiệp Trong năm 2020, AI toàn cầu trong quy mô thị trường nông nghiệp đạt giá trị 1 tỷ USD và dự kiến sẽ tăng lên 4 tỷ USD vào năm 2026

Ở Việt Nam, Đảng và Nhà nước có Chính sách phát triển các ngành và công nghệ ưu tiên như: nông nghiệp số, công nghệ thông tin

và truyền thông, cơ điện tử; AI và tự động hóa… Vì vậy, việc nghiên cứu và ứng dụng AI, 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

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 Quá trình sinh trưởng của các loại cây trồng này chịu nhiều yếu tố ảnh hưởng như khí hậu, dịch bệnh, 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 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 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 vào 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 nghiên cứu các thuật toán xử

lý ảnh, AI cho hệ thống điều khiển giám sát các chỉ số sinh trưởng như chiều cao, số lá, diện tích lá và phát hiện bệnh hại xuất hiện trên cây trồng thông qua hình ảnh, từ đó đưa ra những cảnh báo và đề xuất hướng điều tiết cho cây trồng sinh trưởng và phát triển tốt, mang lại năng suất cao và nâng cao chất lượng sản phẩm

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, phương pháp chuyên gia và phương pháp thực nghiệm

5 Ý nghĩa khoa học và thực tiễn của luận án

- Ý nghĩa khoa học:

Luận án đã nghiên cứu sửa đổi được thuật toán Mahalanobis (MMD) để phân vùng lá cho cây trồng ngắn ngày, từ đó góp phần xác định được chiều cao, số lá và diện tích lá của cây dưa chuột thực nghiệm đạt độ chính xác cao Nghiên cứu 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 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,

AI và IoT vào 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 bao gồm:

Chương 1: Tổng quan về hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày

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

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

Chương 4: Thực nghiệm và đánh giá kết quả

Kết luận và kiến nghị:

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

CÂY TRỒNG NGẮN NGÀY 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 9.8 tỷ người vào năm 2050, như vậy kéo theo nhu cầu lương thực ngày càng lớn, đồng nghĩa với việc sản lượng lương thực cũng cần tăng lên, 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, thêm vào đó sự khắc nghiệt của môi trường ngày càng tăng đã làm cho canh tác nông nghiệp bị ảnh hướng lớn Bên cạch đó, nhu yêu cầu về chất lượng nông sản ngày càng cao, lực lượng lao động trong nông nghiệp không đám ứng đủ Vì vậy, giải pháp tối ưu để thúc đẩy sản xuất lương thực, tăng năng suất và chất lượng là canh tác trong nhà kính với việc sử dụng các công nghệ vào để điều khiển giám sát

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

Lá là cơ quan quan trọng không thể thiếu trong quá trình sinh trưởng phát triển của cây trồng, đây là bộ phận làm nhiệm vụ quang hợp chủ yếu trên cây, tổng hợp vật chất khô, ngoài ra lá còn thực hiện chức năng trao đổi khí, hô hấp, thoát hơi nước điều hòa nhiệt độ trong cây Số lá trên cây nhiều hay ít đều có ảnh hưởng nhất định đến quá trình sinh trưởng và phát triển của cây, là tiền đề cho cây trồng có năng suất cao 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 Các chỉ số này có mối tương quan lớn đối với năng suất cây trồng Vì vậy, giám sát các chỉ số này của cây trồng để điều tiết các yếu tố môi trường nhằm cho cây phát triển tốt là rất cần thiết

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

Đã có rất nhiều nghiên cứu về điều khiển giám sát các thông số nhà lưới đã được đưa vào ứng dụng tốt trong quá trình sản xuất Các nghiên cứu này đã thông qua các thông số đầu vào như nhiệt độ, độ

ẩm, cường độ ánh sáng, EC và độ pH của đất từ các cảm biến và sử dụng Arduino, PLC, PIC… để xử lý và điều khiển các thiết bị đầu ra nhằm đáp ứng tốt các nhu cầu của cây trồng đã được sử dụng nhiều trong các thập kỷ qua Các loại cảm biến này không thể giám sát các

triệu chứng bất thường bên ngoài cây như sâu bệnh, thiếu chất, hình thái…Do vậy đã có các nghiên cứu sử dụng hình ảnh từ camera để xác định các bất thường này Tuy nhiên các nghiên cứu này đang chủ yếu

đề xuất các phương pháp khác nhau giám sát quá trình phát triển và sâu bệnh của cây, chưa có nhiều thực nghiệm được trình bày Vì vậy, tiếp tục nghiên cứu vấn đề này cho hệ thống điều khiển giảm sát để có giải pháp tốt nhằm ứng dụng trong thực tế sản xuất là rất cần thiết

Hình 1.2 Sơ đồ hệ thống điều khiển giám sát quá trình sinh trưởng

và bệnh hại cây trồng

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

lá cây trồng ngắn ngày

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

thông số của cây dưa chuột với phương pháp 2D

Các phương pháp truyền thống để đo các chỉ số này thường mất nhiều công sức và thời gian Do đó, các phương pháp ước tính chỉ số tăng trưởng bằng cách sử dụng dữ liệu hình ảnh cây trồng đã là lựa chọn thay thế hiệu quả Có 2 phương pháp chủ yếu khi sử dụng hình

Trạm giám sát điề khiển tr ng t m

C m iến đo nhiệt độ

ảnh: Thứ nhất là phương pháp 2D, là phân tích hình ảnh kỹ thuật số

đã được nhiều nhà nghiên cứu quan tâm (Hình 1.8); Thứ hai là tái tạo

mô hình thực vật 3D cho toàn bộ cây, với phương pháp này, có thể xác định được chiều cao cây, số lá và diện tích lá có độ chính xác cao Tuy nhiên, có chi phí thời gian và tiền bạc nhiều hơn so với mô hình 2D Trong khả năng về kinh phí và thực nghiệm của luận án, đã chọn lựa phương pháp 2D để nghiên cứu

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

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

Bệnh trên cây trồng ảnh hưởng lớn đến quá trình sinh trưởng và phát triển, dẫn đến làm giảm năng suất và chất lượng Với sự phát triển mạnh mẽ của AI, áp dụng các kỹ thuật này vào để xác định bệnh cây trồng là rất hiệu quả Đã có nhiều nghiên cứu sử dụng kỹ thuật xử lý ảnh, AI vào phân loại và phát hiện bệnh Tuy nhiên, trong hầu hết các nghiên cứu, tập dữ liệu ở PlantVillage được sử dụng để huấn luyện đánh giá độ chính xác của các mô hình Mặc dù tập dữ liệu này có rất nhiều hình ảnh về một số loài cây trồng bị bệnh, nhưng nó có nền đơn giản, ít nhiễu Trong khi, thực tế sản xuất thì lại có rất nhiều nhiễu và nền phức tạp Ngoài ra, mức độ nghiêm trọng của bệnh cũng thay đổi theo thời gian, do đó, các mô hình nghiên cứu khó có hiệu quả cao trong quá trình sản xuất Vì vậy, nghiên cứu các mô hình AI và xây dựng bộ dữ liệu trong môi trường sản xuất để huấn luyện nhằm ứng dụng tốt trong môi trường canh tác là hết sức ý nghĩa

CHƯƠNG 2 NGHIÊN CỨU ÁC ĐỊNH CHIỀU CAO, SỐ LÁ

VÀ DIỆN TÍCH LÁ CÂY TRỒNG 2.1 Phương pháp xác định chiều cao, số lá và diện tích lá (LA)

Phương pháp đề xuất như Hình 2.1

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

Độ chính xác trong ước tính giá trị LA, số lá và chiều cao cây của phương pháp này hoàn toàn phụ thuộc vào công đoạn phân vùng lá, trong luận án đề cập đến phương pháp để phân vùng lá đạt hiệu quả

2.2 Đề xuất phương pháp ph n ng lá c trồng

2.2.1 Phương pháp tính kho ng cách Mahalanobis

Đặt 𝑥 = (𝑅, 𝐺, 𝐵)𝑇 biểu thị giá trị màu của một pixel Giá trị trung bình của màu tại mỗi pixel là 𝜇, hiệp phương sai được là C, thì khoảng cách Mahalanobis của mỗi pixel là (2.4):

𝑑 = √(𝑥 − 𝜇)𝑇𝐶−1(𝑥 − 𝜇) (2.4) Khi 𝑑 > 𝜃0 là đúng thì pixel đó được phân loại vùng lá, nếu không thì nó thuộc về nền; trong đó 𝜃0 là ngưỡng được xác định trước

2.2.2 ác định ngư ng tối ư

Trong phương pháp của Mahalanobis, giá trị 𝜃0 được xác định trước với một số loại cây cụ thể Tuy nhiên, các phương pháp phân vùng lá này dựa trên ngưỡng chung của toàn bộ hình ảnh có thể dẫn đến độ chính xác thấp Do đó, để nâng cao độ chính xác và hiệu quả trong phân vùng lá, giá trị ngưỡng này cần thay đổi thích ứng tùy thuộc vào thuộc tính của từng vùng ảnh Trong luận án đề xuất xác định giá trị ngưỡng của mỗi vùng con, bằng việc chia ảnh thành nhiều vùng nhỏ khác nhau và tính ngưỡng trên các vùng nhỏ đó

Chụp nh

nh chụp

trên đ nh

x ống

Ước lượng iện tích lá

Ước tính chiề cao c Ước tính số lượng lá

ứ l h nh nh oại nền ph n ng lá

Chiề cao c

Số lá

nh chụp ngang

Sai lệch tương đối Giá trị đo thủ c ng

Q tr nh xác thực iện tích lá

2.2.3 Đề xuất thuật toán kho ng cách Mahalanobis s a đổi

MM để phân vùng lá cây trồng

Hình 2.4 Lưu đồ thuật toán khoảng cách Mahalanobis sửa đổi

Ở Hình 2.4, là lưu đồ thuật toán đề xuất Ngưỡng so sánh với khoảng cách Mahalanobis đã thay đổi theo các vùng ảnh được phân chia Ảnh chia thành 4 phần và tính ngưỡng trên từng vùng con này

2.2.4 Phương pháp đánh giá chất lượng thuật toán nghiên cứu

𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁 (2.8)

2.2.5 Đánh giá th ật toán đề xuất (MMD)

Có 3 loại cây trồng ngắn ngày được đưa vào để đánh giá thuật toán MMD Kết quả cho thấy, lỗi trung bình (ER) của thuật toán MMD

để loại bỏ nền đều thấp hơn so với thuật toán Mahalanobis gốc Cụ thể

độ chính xác về phân vùng lá của 2 thuật toán là: với cây Ớt, độ chính xác của thuật toán MMD bằng 99.4%%, cao hơn thuật toán Mahalanobis nguyên bản là 3.46%; trên cây Dây tây thì thuật toán MMD đạt 99.78% còn thuật toán Mahalanobis chỉ đạt 93.34 %; còn cây Cải kale thì thuật toán MMD là đạt 99.45%, trong khi bản gốc chỉ đạt 95.21% Như vậy, thuật toán đề xuất sửa đổi của luận án luôn cho kết quả tốt hơn so với thuật toán gốc Mahalanobis

2.3 ác định chiều cao, số lá và diện tích lá thực nghiệm với cây

ưa ch ột

Sau khi loại bỏ được nền ảnh thì chiều cao, số lá và diện tích lá

sẽ được xác định theo các bước như trên Hình 2.9 và Hình 2.10

i toán

đệ

Hình 2.10 Quy trình ước lượng chiều cao, số lá và diện tích lá với

ảnh được chụp từ đỉnh xuống

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

ảnh chụp theo chiều ngang

CHƯƠNG 3 ỨNG DỤNG TRÍ TUỆ NHÂN TẠO PHÁT HIỆN

BỆNH TRÊN CÂY TRỒNG NGẮN NGÀY

Trên cây trồng ngắn ngày có rất nhiều loại bệnh khác nhau, triệu chứng xuất hiện cũng khác nhau Để dùng AI phát hiện cho tất cả các bệnh trên cây loại này không thể thực hiện hết trong 1 luận án Vì cần phải có cơ sở dữ liệu bệnh trên các loại cây trồng Vì vậy, luận án đưa

ra phương pháp chung cho việc thu thập dữ liệu, phân loại và phát hiện bệnh trên cây trồng ngắn ngày Từ đó xây dựng bộ dữ liệu bệnh phổ biến trên cây dưa chuột để huấn luyện, đánh giá các phương pháp đề xuất

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

Q a th ật toán MM

Được nh ph n ng

lá ưa ch ột Được nh ng hiệ ch n

ác định tổng số pix l

l lá ưa ch ột ác định tổng số pix l ng hiệ ch n

ác định iện tích lá iện tích lá đo thủ c ng

Độ sai lệch tương đối hệ số tương an

3.1.1 Khái quát về mạng nơron tích chập (CNN)

3.1.2 Mô hình CNN phân loại nh

Có rất nhiều mô hình CNN để phân loại, tuy nhiên trong phạm vi luận án tập trung các mô hình là AlexNet, VGG và ResNet

3.1.3 Mô hình CNN phát hiện đối tượng trong nh

Mô hình phát hiện đối tượng cơ bản có các dạng là SSD, RCNN

và YOLO Trong đó, mô hình YOLOv4 đã được nhiều tác giả đánh giá là có độ chính xác cao, ngoài ra có bản rút ngọn YOLOv4-tiny, có trọng số nhỏ có thể áp dụng trên các cấu trúc phần cứng yếu Do đó

mô hình này được luận án tập trung cải tiến để phát hiện bệnh hại hiệu quả trong sản xuất

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

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

- Đề xuất phương pháp kết hợp mô hình

Hình 3.16 Các bước kết hợp mô hình phân loại bệnh hại cho độ

chính xác cao

- Các thông số đánh giá mô hình

Các thông số Precision, Recall, Acc, F1-score và ma trận nhầm lẫn, trong đó độ chính xác Acc là thông số ưu tiên

𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁× 100% (3.6)

3.2.2 Đề xuất c i tiến mô hình phát hiện bệnh hại trên cây trồng

Dựa trên mô hình YOLOv4-tiny, luận án đề xuất cải tiến mô hình này để phát hiện lá bị bệnh cho độ chính xác tốt hơn Trên Hình 3.21

là cấu trúc chi tiết vị trí thay đổi kết nối của mô hình cải tiến được luận

án đề xuất, được gọi tắt là YOLOv4-tiny-caitien Vị trí kết nối 34 sẽ

Bộ dữ liệu bệnh huấn luyện

Xứ lý và tăng cường dữ liệu

Phân chia bộ dữ liệu: huấn

luyện 0%, xác thực 20%

Huấn luyện với các mô hình

phân loại AlexNet, VGG,

Mô hình có ma trận nhầm lẫn ít nhất với một loại bệnh

Kết hợp 2 mô hình

Đánh giá mô hình kết hợp với các mô hình

Bộ dữ liệu kiểm tra

bao gồm của 33 và 17, tức là chuyển vị trí từ 23 sang 17 Ở vị trí 17 các đặc trưng được lấy sau lớp Maxpooling, và lấy toàn bộ đặc trưng này, không bị phân chia như ở vị trí 23 Hình 3.22 là các bước cho việc đánh giá mô hình đề xuất Đánh giá hiệu suất mô hình với phương pháp Hold-out và k-fold cross-validation dựa trên kết quả mAP

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

Hình 3.23 Các bước thực hiện phát hiện bệnh hại trên cây trồng

bằng mô hình cải tiến (YOLOv4-tiny-caitien)

3.3 Phân loại và phát hiện bệnh trên c ưa ch ột

3.3.1 nh hưởng của bệnh đến quá trình s n xuất ưa ch ột

Có 2 bệnh phổ biến trên cây dưa chuột là bệnh phấn trắng và bệnh sương mai Cây bị nhiễm bệnh phấn trắng sẽ phát triển kém, năng suất giảm nghiêm trọng từ 20 ÷ 40% Cây bị nhiễm bệnh sương mai có khả năng phá hủy hoàn toàn cây dưa chuột Thiệt hại do bệnh lên đến 40%

Ro t

Upsampl

Con 1x1x12

Ro t Con 1x1x24 Con 3x3x25

Inp t

23

ị trí tha đổi kết nối

Xây dựng bộ dữ liệu bệnh hại cây

phụ hợp cho mô hình cải tiến

YOLOv4 tiny caitien

Đánh giá khả năng phát hiện mức độ nhiễm bệnh của mô hình cải tiến

Đánh giá mức độ bao quát trên các

Thiết lập cấu trúc mô hình cải tiến

YOLOv4 tiny caitien

Huấn luyện để xác định kích thước ảnh đầu vào phù hợp cho YOLOv4 tiny caitien