Đề tài nhận diện bệnh của cây lúa thông qua hình Ảnh lá lúa

Bảng phân công nhiệm vụNhiệm vụ chính Nguyễn Quang Trí Trương Minh Trí Nguyễn Khôi Nguyên - Viết code huấn luyện - Tìm tập dữ liệu - Viết code huấn luyện - Tìm tập dữ liệu - Viết code p

TRƯỜNG ĐẠI HỌC SƯ PHẠM KĨ THUÂT THÀNH PHỐ HỒ CHÍ

MINH

KHOA CƠ KHÍ CHẾ TẠO MÁY

ĐỀ TÀI:

NHẬN DIỆN BỆNH CỦA CÂY LÚA THÔNG QUA HÌNH ẢNH LÁ LÚA

MÔN: TRÍ TUỆ NHÂN TẠO GVHD: TRẦN VŨ HOÀNG NHÓM THỰC HIỆN: NHÓM 10

SVTH: Nguyễn Quang Trí 21146341

Trương Minh Trí 21146342 Nguyễn Khôi Nguyên 21146282

Nguyễn Tấn Đạo 21146208

1 Bảng phân công nhiệm vụ

Nhiệm vụ chính

Nguyễn Quang Trí

Trương Minh Trí

Nguyễn Khôi Nguyên

- Viết code huấn luyện

- Tìm tập dữ liệu

- Viết code huấn luyện

- Tìm tập dữ liệu

- Viết code phần xử lí ảnh

- Tìm và tổng hợp reseach paper

- Viết báo cáo

- Tìm research paper

- Xử lí ảnh

- Viết báo cáo

- Tìm research paper

- Xử lí ảnh

- Viết báo cáo

- Tìm tập dữ liệu

- Viết code huấn luyện

Thời gian Công việc

Tìm đề tài

Tìm bài báo

Tìm tập dữ liệu

Đề xuất thuật toán

Xây dựng mô hình

( xử lí ảnh và huấn

luyện)

Kiểm tra và đánh

giá

Tuần 1- 4 Tuần 5 - 7 Tuần 8 -10 Tuần 11-14 Tuần 15 - 16

Viết báo cáo

Quang Trí Minh Trí Nguyên Tấn Đạo

Cả nhóm Làm chính

Hỗ trợ

2 Mục tiêu nghiên cứu

Xây dựng một mô hình nhận diện ra các

loại bệnh ở cây lúa, thông qua việc xử lý

hình ảnh của lá lúa.

Bệnh đạo ôn trên cây lúa

3 Lý do chọn đề tài

Ngày nay, nông nghiệp thông minh là đề tài được lựa chọn để nghiên cứu và ứng dụng rất nhiều đặc biệt là với một nước xuất khẩu nông sản thuộc hàng đầu như nước ta Cây lúa là sản phẩm chủ lực của nước ta trên thị trường thế giới Tuy nhiên, việc trồng lúa còn gặp nhiều khó khăn gây nên bởi các loại bệnh phổ biến như đạo

ôn, bọ gai, cháy lá, vàng lá,… làm giảm năng suất và chất lượng của cây lúa Việt Nam Đề tài hy vọng giúp người trồng lúa phát hiện sớm các bệnh trên cây lúa

4 Các thử thách của project

1 Dữ liệu sau khi

thu thập thường có

sự hiện diện của

những tấm ảnh bị

mờ, bị thiếu sáng

hoặc quá sáng, ảnh

nền có nhiều nhiễu

xuất phát từ góc

chụp, ánh sáng và

nhiều yếu tố khác

sáng

Ảnh nhiễu phong nền

4 Các thử thách của project

2 Sự mất cân bằng dữ liệu

Ảnh hưởng đến hiệu suất

Ảnh hưởng đến độ chính xác

5 Các phương pháp được đề xuất

Hiện nay để làm được những thử thách và vấn đề về bệnh lá lúa, ta sử dụng các thuật toán để có thể giải quyết được tốt hơn trong quá trình huấn luyện mô hình

Các thuật toán được đề xuất:

 SVM (Support Vector Machine)

 KNN (K-Nearest Neighbors)

 CNN (Convolutional Neural Network)

5 Các phương pháp được đề xuất

 Từ các khó khăn, ưu điểm và nhược điểm từ các thuật toán đã nêu trên (tham khảo từ

research paper [ 1 ], [ 2 ], [ 3 ])

Vấn đề

Nhiễu phông

nền Ảnh mờ Tự học các đặc trưng Độ chính xác cao

Support Vector

K-Nearest

Convolutional

Neural Network

(CNN)

6 Lựa chọn phương pháp

 Từ bảng so sánh trên, nhóm quyết định sử dụng thuật toán CNN

(Convolutional Neural Network) để huấn luyện mô hình

7 Tập dữ liệu dự kiến sử dụng

 Trong dự án này, nhóm sử dụng dữ liệu về bệnh của cây lúa được đăng tải

trên trang web kaggle để huấn luyện mô hình, bao gồm 11031 hình ảnh khác nhau với độ phân giải thay đổi từ 400p đến 2000p

 Ảnh bệnh lúa được nhận dạng trong bài toán gồm 7 loại: vàng lá, đốm

nâu, đạo ôn, vằn lá, cháy lá, bọ gai và lá khỏe.

 Các ảnh gốc có độ phân giải khác nhau và do dữ liệu về lá lúa có kích

thước dạng hình chữ nhật, nên tập dữ liệu này được tiền xử lý để điều chỉnh các ảnh về cùng kích thước 300 x 150 pixels.

 Sử dụng 70% cho huấn luyện mô hình (7722 ảnh), 20% cho kiểm thử mô

hình (2206 ảnh) và 10% cho đánh giá mô hình (1103 ảnh) Dữ liệu các loại bệnh trên lá lúa và lúa khỏe được phân bố như đồ thị.

7 Tập dữ liệu dự kiến sử dụng

1000

1500

2000

2500

2152

2048

1345

1038

Biểu đồ phân bố dữ liệu các loại bệnh trên lá lúa

Series1

8 Phương pháp đánh

giá

Nhóm sử dụng phương pháp đánh giá là: Accuracy (Độ chính xác) và kết hơp với Confusion Matrix (ma trận nhầm lẫn)

[1] Shruti Aggarwal , M Suchithra, N Chandramouli, Macha Sarada, Amit Verma, D

Vetrithangam, Bhaskar Pant, and Biruk Ambachew Adugna(2022) Rice Disease

Detection Using Artificial Intelligence and Machine Learning Techniques to Improvise Agro-Business

[2] Sony, A (2019) Prediction of Rice Diseases Using Convolutional Neural Network (in Rstudio) Int J Innov Sci Res Technol, 4(12), 595-602.

[3]Lu, Y., Yi, S., Zeng, N., Liu, Y., & Zhang, Y (2017) Identification of rice diseases using deep convolutional neural networks Neurocomputing, 267, 378-384

THANKS FOR

WATCHING