Trong nghiên cứu này, tác giả sử dụng triển khai Faster R-CNN của Detectron2 để phân loại quả cà chua dựa vào ảnh chụp bề mặt quả cà chua. Các quả cà chua không đạt yêu cầu sẽ bị loại trong quá trình phân loại. Tập dữ liệu gồm 857 ảnh với 1280 quả cà chua được gán nhãn (good và bad) và chia theo tỷ lệ 6:2:2. Kết quả thử nghiệm đạt độ chính xác 95,4% và đáp ứng được yêu cầu xử lý thời gian thực là 0.08 giây/quả.
Trang 1LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA TẠP CHÍ
NGHIÊN CỨU KHOA HỌC
ĐẠI HỌC SAO ĐỎ
TRONG SỐ NÀY
Số 3(74) 2021
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Thiết kế hệ thống rửa tay khử khuẩn tự động kết hợp
kiểm soát giãn cách sử dụng trí tuệ nhân tạo Nguyễn Quang Biên Đỗ Hoàng Khôi Nguyên
Nguyễn Tuấn Nguyễn Trọng Các Trương Cao Dũng
Nghiên cứu cảm biến vị trí rôto trong máy điện từ kháng Phạm Công Tảo
Phạm Thị Hoan Nghiên cứu thiết kế thiết bị lọc không khí sử dụng công
nghệ ion âm Nguyễn Trọng Các Nguyễn Chí Thành
Ngô Phương Thủy Bùi Đăng Thảnh
Ứng dụng Detectron2 phân loại quả cà chua Hoàng Thị An
Phạm Văn Kiên LIÊN NGÀNH CƠ KHÍ - ĐỘNG LỰC
Phân ch, so sánh ô tô pin nhiên liệu và ô tô điện Vũ Hoa Kỳ
Trần Hải Đăng Nguyễn Long Lâm Dương Thị Hà Nghiên cứu phương pháp Polynomial Chaos Creux,
áp dụng cho hệ thống treo trên ô tô Đào Đức Thụ Nguyễn Đình Cương
Phạm Văn Trọng
Nghiên cứu xác định các hệ số lực khí động của xe du lịch Đỗ Tiến Quyết
NGÀNH TOÁN HỌC
Hiệu chỉnh nguyên lý cực đại Pontryagin trong bài toán
điều khiển tối ưu Nguyễn Thị Huệ Lưu Trọng Đại
NGÀNH KINH TẾ
Ứng dụng mô hình “kim tự tháp’ của Carroll Archie đánh
giá mức độ quan tâm của các bên liên quan đến trách
nhiệm xã hội của Trường Đại học Sao Đỏ
Vũ Thị Hường Nguyễn Thị Thủy Nguyễn Thị Huế Nguyễn Thị Thu Trang
Trang 2NGHIÊN CỨU KHOA HỌC
TẠP CHÍ NGHIÊN CỨU KHOA HỌC
ĐẠI HỌC SAO ĐỎ
TRONG SỐ NÀY
Số 3(74) 2021
Cơ hội và thách thức trong đào tạo nguồn nhân lực ngành
Logis cs Nguyễn Thị Thủy Nguyễn Thị Huế
NGÀNH KINH TẾ
LIÊN NGÀNH HÓA HỌC - CÔNG NGHỆ THỰC PHẨM
Ảnh hưởng của hạt nano vàng lên nh chất của vật liệu
Zn SnO :Eu Nguyễn Ngọc Tú Nguyễn Duy Thiện
NGÀNH GIÁO DỤC HỌC
Giải pháp nâng cao hiệu quả hoạt động trải nghiệm thực
tế cho sinh viên chuyên ngành Hướng dẫn du lịch, Trường
Đại học Sao Đỏ
Nguyễn Thị Hương Huyền Nguyễn Thị Sao
Nâng cao chất lượng dạy và học ếng Anh chuyên ngành
tại Trường Đại học Sao Đỏ Nguyễn Thị Thảo Trần Thị Mai Hương
LIÊN NGÀNH TRIẾT HỌC - XÃ HỘI HỌC - CHÍNH TRỊ HỌC
Giảng dạy các học phần lý luận chính trị ở Trường Đại
học Sao Đỏ hiện nay trong điều kiện tác động của cuộc
Cách mạng công nghiệp 4.0
Nguyễn Thị Hiền
Giải quyết việc làm cho lao động nông thôn ở tỉnh
Hải Dương hiện nay 101 Vũ Văn Đông
Giáo dục đạo đức mới trong việc phát triển nhân cách
cho thanh niên tỉnh Hải Dương trong bối cảnh mới
hiện nay
110 Đỗ Thị Thùy Phạm Thị Mai Giá trị và ý nghĩa thời đại tư tưởng nhân văn Việt Nam
thế kỷ XVIII 120 Phạm Văn Dự Trần Thị Hồng Nhung
Vũ Văn Chương
Trang 3LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
SCIENTIFIC JOURNAL
No 3(74) 2021
TITLE FOR ELECTRICITY - ELECTRONICS - AUTOMATION
Design of an automa cally sterilized-hand washing
system combined with social distancing control using
ar cial intelligence
Nguyen Quang Bien
Do Hoang Khoi Nguyen Nguyen Tuan
Nguyen Trong Cac Truong Cao Dung Research on posi on sensor rotor in switched reluctance
machines Pham Cong Tao Pham Thi Hoan
Research and design of air puri ca on device using
nega ve Ion technology Nguyen Trong Cac Nguyen Chi Thanh
Ngo Phuong Thuy Bui Dang Thanh Applica on Detectron2 classi es tomatoes Hoang Thi An
Pham Van Kien
Analysing and comparing fuel cell vehicle and electric
vehicle Vu Hoa Ky Tran Hai Dang
Nguyen Long Lam Duong Thi Ha
Study on applica on of Polynomial Chaos Creux method
for automo ve suspension Dao Duc Thu Nguyen Dinh Cuong
Pham Van Trong Research fordetermina onof force coe cients of the sedan Q 4
TITLE FOR MECHANICAL AND DRIVING POWER ENGINEERING
TITLE FOR MATHEMATICS
Correc on of the maximum principle of Pontryagin in the
op mal control problem Nguyen Thi Hue Luu Trong Dai
Appleca on of carroll archie’s ‘‘se - se - pyramid”
model to assess the interest of the par es involved in
social responsibility of Sao Do niversity
Vu Thi Huong Nguyen Thi Thuy Nguyen Thi Hue Nguyen Thi Thu Trang
Trang 4NGHIÊN CỨU KHOA HỌC
SCIENTIFIC JOURNAL
No 3(74) 2021
TITLE FOR PHILOSOPHY - SOCIOLOGY - POLITICAL SCIENCE
Teaching poli cal theory modules at Sao Do University in
the context of the impact of the industrial revolu on 4.0 Nguyen Thi Hien
Crea ng jobs for rural workers in Hai Duong province
New moral educa on in personality development for
young people in Hai Duong province in the current new
context
110 Do Thi Thuy Pham Thi Mai Contemporary signi cance and value of the Vietnamese
humanis c thought era in the eighteenth century 120 Pham Van Du Tran Thi Hong Nhung
Vu Van Chuong
Opportuni es and challenges in human resource training
logis cs industry Nguyen Thi Thuy Nguyen Thi Hue
Solu ons to improve the e ect of prac cal experience
ac vi es for students of tourist guide major at Sao Do
niversity
Nguyen Thi Huong Huyen Nguyen Thi Sao
Improving the quality of specialized English teaching and
learning at Sao Do University Nguyen Thi Thao Tran Thi Mai Huong
TITLE FOR STUDY OF EDUCATION
TITLE FOR CHEMISTRY AND FOOD TECHNOLOGY
E ect of gold nanopar cles on the ourescence
proper es of Zn SnO :Eu material Nguyen Ngoc Tu Nguyen Duy Thien
Trang 5NGHIÊN CỨU KHOA HỌC
Ứng dụng Detectron2 phân loại quả cà chua Applica on Detectron2 classi es tomatoes
Hoàng Thị An, Phạm Văn Kiên anhoangthi87@gmail.com Trường Đại học Sao Đỏ Ngày nhận bài: 15/4/2021 Ngày nhận bài sửa sau phản biện: 28/9/2021
Ngày chấp nhận đăng: 30/9/2021 Tóm tắt
Trong nghiên cứu này, tác giả sử dụng triển khai Faster R-CNN của Detectron2 để phân loại quả cà chua dựa vào ảnh chụp bề mặt quả cà chua Các quả cà chua không đạt yêu cầu sẽ bị loại trong quá trình phân loại Tập
dữ liệu gồm 857 ảnh với 1280 quả cà chua được gán nhãn (good và bad) và chia theo tỷ lệ 6:2:2 Kết quả thử nghiệm đạt độ chính xác 95,4% và đáp ứng được yêu cầu xử lý thời gian thực là 0.08 giây/quả
Từ khóa: Phân loại cà chua; detectron2; faster R-CNN
Abstract
In this study, the author uses Detectron2's implementation of Faster R-CNN to classify tomatoes based on their surface images Tomatoes classi ed as "not good” will be disquali ed during the grading process A dataset consisted of 857 images with 1280 labeled tomatoes (good and bad) and divided in a ratio of 6:2:2 Research results showed an accuracy of 95.4% and met the real-time requirement with the speed of 0.08 seconds for each tomatoe
: Classify tomatoes; detectron2; faster R-CNN
1 ĐẶT VẤN ĐỀ
Phân loại cà chua tự động là một trong những module
còn thiếu trong các hệ thống phân loại cà chua hiện
nay ở Việt Nam Tại các nhà máy xuất nhập khẩu có
xuất khẩu cà chua, các công đoạn đều được tự động
hóa, tuy nhiên, công đoạn phân loại cà chua đạt yêu
cầu và chưa đạt yêu cầu vẫn thực hiện bằng phương
pháp thủ công (Hình 1)
Hình 1 Minh họa phân loại cà chua [8]
Hiện nay có các công trình nghiên cứu ứng dụng trí tuệ
nhân tạo: Sử dụng học máy, học sâu để phân loại quả
cà chua theo màu sắc, kích thước Với sử dụng học
máy, nhóm tác giả [2] phân loại quả cà chua theo chất
lượng sử dụng công nghệ xử lý ảnh: Chuyển ảnh từ RGB sang hệ màu HSV, phân đoạn ảnh sử dụng thuật toán k-mean và phân loại ảnh sử dụng SVM (Support Vector Machine) và mạng nơron (ANN - Arti cial Neural Network) Với phương pháp phân loại theo các phương pháp học máy bị ảnh hưởng rất nhiều bởi môi trường: Chế độ chiếu sáng, ánh sáng đèn, các loại quả phân loại cần được đi qua các hộp đen, tách ánh sáng môi trường Với các giải pháp mạng nơron học sâu, theo [4], nhóm tác giả đã đề xuất phát hiện cà chua tốt và cà chua bị bệnh dựa trên YOLOv2 YOLOv2 là mạng một giai đoạn, mạng này có thời gian huấn luyện
và dự đoán nhanh, tuy nhiên độ chính xác chưa cao với trường hợp đối tượng được phát hiện, nhận dạng
ở kích thước nhỏ
Nhóm tác giả ở [1], đã đề xuất sử dụng kỹ thuật transfer learning, sử dụng mạng VGG16, InceptionV3, ResNet50 kết hợp mạng nơron tích chập sâu Faster R-CNN cho kết quả độ chính xác cao, đặc biệt không
bị ảnh hưởng bởi môi trường, nhất là trong trường hợp nền phức tạp, độ chiếu sáng khác nhau Để giảm thiểu chi phí thiết kế mô hình khi phải thiết kế hộp đen nhằm tách đối tượng cần phát hiện, phân loại ra khỏi ánh sáng của môi trường bên ngoài, nhóm tác giả đề xuất sử dụng Faster R-CNN kết hợp với ResNet101
để phân loại cà chua đạt yêu cầu và không đạt yêu cầu Các tác giả ở [3] đã chỉ ra Faster R-CNN là một
kỹ thuật hữu ích để phát hiện và phân loại cà chua đạt yêu cầu và không đạt yêu cầu với độ chính và thời gian đảm bảo yêu cầu thực tế
Người phản biện: 1.GS TSKH Thân Ngọc Hoàn
2.PGS TSKH Trần Hoài Linh
Trang 6LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Để triển khai Faster R-CNN, nổi bật là framework
Tenso ow và PyTorch Trong hai framework này, thời
gian huấn luyện trên Tenso ow thường mất nhiều thời
gian hơn và cần đáp ứng được yêu cầu phần cứng
cao Trong khi đó, với Detectron2 [6] là một nền tảng
của PyTorch, là hệ thống phần mềm thế hệ tiếp theo
của Facebook AI Research triển khai các thuật toán
phát hiện đối tượng hiện đại
Theo [7], các tác giả đã đánh giá việc sử dụng Faster
R-CNN cho bài toán phát hiện hư hỏng trên đường cho
độ chính xác cao hơn so với mô hình YOLO và SSD
Các tác giả đã chỉ ra rằng Faster R-CNN với mô hình
cơ sở X101-FPN và cấu hình mặc định của Detectron2
tạo ra kết quả dự đoán tốt cho các tác vụ này, có thể áp
dụng trên nhiều quốc gia khác nhau
Từ những ưu điểm của Faster R-CNN và ưu điểm về
tốc độ của Detectron2, nhóm tác giả đề xuất triển khai
Faster R-CNN với Detectron2 áp dụng vào bài toán
phân loại cà chua, lựa chọn cà chua đạt yêu cầu và
không đạt yêu cầu dựa trên ảnh chụp bền mặt quả
cà chua
DETECTRON2
Kể từ khi phát hành vào năm 2018, nền tảng phát hiện
đối tượng Detectron đã trở thành một trong những
dự án mã nguồn mở được chấp nhận rộng rãi nhất
của Facebook AI Research (FAIR) [5] Detectron2 là
bản viết lại cơ bản của Detectron với Mask R-CNN
benchmark Nền tảng hiện được triển khai trong
PyTorch Detectron2 linh hoạt và có thể mở rộng, đồng
thời có thể cung cấp huấn luyện nhanh trên một hoặc
nhiều máy chủ GPU Detectron2 gồm các triển khai
chất lượng của các thuật toán phát hiện đối tượng hiện
đại gồm: DensePose Panoptic segmetation và nhiều
biến thể của dòng mô hình Mask R-CNN cũng do FAIR
phát triển Thiết kế có thể mở rộng giúp người lập trình
có thể dễ dàng thực hiện các dự án nghiên cứu mà
không cần phải phân nhánh toàn bộ cơ sở mã
Detectron2 được thiết kế và huấn luyện các mô hình phát hiện thế thế hệ mới theo hỗ trợ máy ảnh thông minh, hệ thống máy ảnh AI trong các thiết bị gọi điện video trên Facebook Bằng cách dựa vào Detectron2 làm thư viện hợp nhất để phát hiện đối tượng trong các trường hợp sử dụng nghiên cứu và sản xuất, ta có thể nhanh chóng chuyển các ý tưởng nghiên cứu vào các
mô hình sản xuất và được triển khai trên quy mô lớn Một số cải tiến trong Detectron2 [5], [6]:
PyTorch: Detectron ban đầu được triển khai trong Caffe2 PyTorch cung cấp một mô hình lập trình mệnh lệnh trực quan hơn cho phép các nhà nghiên cứu và người thực hành lặp lại nhanh hơn về thiết kế và thử nghiệm mô hình Do vậy, Detectron2 được viết lại từ đầu trong PyTorch, người dùng có thể hưởng lợi từ thư viện mạng nơ-rôn học sâu của PyTorch cũng như cộng đồng lớn và tích cực liên tục cải thiện PyTorch Thiết kế modul có thể mở rộng: Trong Detectron2, cách thiết kế modul cho phép người dùng phát triển các triển khai modul riêng (hoặc cập nhật các mô-đun gốc) vào hầu hết các phần trong hệ thống phát hiện đối tượng Các dự án nghiên cứu mới có thể được viết bằng hàng trăm dòng mã với sự tách biệt rõ ràng giữa thư viện Detectron2 cốt lõi và việc triển khai nghiên cứu mới Detectron2 luôn được phát triển để linh hoạt hơn
Các mô hình và tính năng mới: Detectron2 bao gồm tất
cả các mô hình có sẵn trong Detectron ban đầu: Faster R-CNN, Mask R-CNN, RetinaNet và DensePose Ngoài ra, nó cũng có một số mô hình mới, bao gồm Cascade R-CNN, Panoptic FPN và TensorMask, và tiếp tục được bổ sung thêm nữa
Nhiệm vụ mới: Detectron2 hỗ trợ một loạt các thuật toán mới liên quan đến phát hiện đối tượng Ngoài các thuật toán đã có trong Detectron phiên bản đầu tiên, Detectron2 còn hỗ trợ phân đoạn toàn cảnh (Panoptic segmentation) là sự kết hợp của Semantic segmentation và Instance segmentation
Chất lượng triển khai: Viết lại Detectron2 từ đầu cho phép xem lại các quyết định thiết kế cấp thấp và giải quyết một số vấn đề triển khai trong Detectron ban đầu Tốc độ và khả năng mở rộng: Bằng cách chuyển toàn
bộ đường dẫn đào tạo sang GPU, Detectron2 nhanh hơn Detectron ban đầu cho nhiều mô hình tiêu chuẩn khác nhau Ngoài ra, việc phân phối đào tạo đến nhiều
Trang 7NGHIÊN CỨU KHOA HỌC
tiên tiến vào sản xuất dễ dàng hơn Các tính năng này
bao gồm quy trình đào tạo tiêu chuẩn với bộ dữ liệu nội
bộ, lượng tử hóa mạng và chuyển đổi mô hình sang
các định dạng được tối ưu hóa để triển khai trên điện
toán đám mây và di động
PHÂN LOẠI CÀ CHUA VỚI DETECTRON2
Các mạng nơron tích chập muốn áp dụng vào bài
toán phát hiện đối tượng cần có chuẩn bị cơ sở dữ
liệu đã gán nhãn Ảnh sau khi được gán nhãn và định
dạng được cho vào mô hình mạng và thực hiện huấn
luyện Trong nghiên cứu này, tác giả sử dụng công cụ
Robo ow hỗ trợ việc chuẩn bị cơ sở dữ liệu, gán nhãn
cho ảnh; sử dụng Google Colab hỗ trợ huấn luyện mô
hình do có hỗ trợ GPU miễn phí và thời gian huấn luyện 12 giờ mỗi phiên sử dụng
Cơ sở dữ liệu
Dữ liệu quả cà chua được tác giả chụp ảnh thực tế
và download trên mạng gồm các loại cà chua chín,
cà chua chưa chín, cà chua bị hỏng Các ảnh chuẩn
bị gồm 857 ảnh với 1.280 quả cà chua được gán nhãn Các quả cà chua được gán nhãn thành 2 loại: tomatogood và tomatobad
Tập dữ liệu được chia theo tỷ lệ 6:2:2 với 60% ảnh được chia vào tập huấn luyện, 20% ảnh được chia vào tập thẩm định, 20% vào tập kiểm tra
Hình 3 Cơ sở dữ liệu trên Robo ow.com
Hình 4 Chia tập dữ liệu theo tỷ lệ 6:2:2 Một số kỹ thuật tiền xử lý để tăng số lượng ảnh cũng như chất lượng ảnh:
Hình 5 Minh họa một số phép biến đổi ảnh 3.2 Xây dựng mô hình
Quá trình xây dựng và huấn luyện mô hình được thực hiện trên Google Colab
Bước 1: Cài đặt một số phụ thuộc của Detectron2 Phiên bản Detectron2 sử dụng là 0.1.3
Trang 8LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
Bước 2: Thêm và ghi danh dữ liệu theo yêu cầu
Detectron2 (Hình 6)
Dữ liệu được chuẩn bị sẵn trên robo ow, định dạng
dữ liệu là coco json, các ảnh cần được chuẩn hóa kích
thước 416 416
Bước 3: Cài đặt kiến trúc mạng trong Detectron2
Mạng sử dụng là Faster R-CNN với ResNet 101 Chỉ
định các bộ dữ liệu đã được khởi tạo ở bước 2, sử
dụng chúng cho việc huấn luyện và đánh giá (Hình 7)
Định nghĩa lớp CocoTrainer
Tải model trên modelzoo Model lựa chọn là: faster_ rcnn_X_101_32x8d_FPN_3x.yaml
Bước 4: Thiết lập bộ con g cho batch size, số lần lặp (MAX_ITERS) và learning rate (BASE_LR) (Hình 8) WARMUP_ITERS: learning rate bắt đầu từ 0 và đi đến giá trị đặt trước cho thuộc tính này
STEPS: Số lượng lần lặp mà tại đó learning rate sẽ giảm xuống theo GAMMA
Bước 5: Thực hiện huấn luyện
Bước 6: Đánh giá mô hình trên tập test (Hình 9)
Hình 6 Register dữ liệu
Hình 7 Cài đặt kiến trúc mạng Detectron2
Hình 8 Thiết lập bộ con g
Trang 9NGHIÊN CỨU KHOA HỌC
Kết quả chương trình
Hình 10 Kết quả chương trình Kết quả khi chạy trên tập test
Hình 11 Kết quả khi chạy trên tập test
Mô hình sau khi thực nghiệm có kết quả sau:
Số ảnh sử dụng test: 171 ảnh với 248 nhãn tomatogood
và tomatobad Kết quả thực nghiệm được mô tả như
trong Bảng 1
Bảng 1 Kết quả chương trình
Dự đoán
Thực tế
Trường hợp cà chua không đạt với nhãn Tomatobad,
có một trường hợp quả cà chua không đạt được gán
nhãn 2 lần (Hình 12)
Hình 12 à chua có 2 nhãn ngược nhau
Số lượng cà chua được dự đoán 86 nhiều hơn thực
tế là 82 do có một số quả cà chua được gán nhãn hai lần (Hình 13)
Hình 13 Cà chua có 2 nhãn giống nhau Trường hợp quả cà chua tốt, đạt yêu cầu với nhãn tomatogood, trường hợp không nhận ra quả cà chua
để thực hiện gán nhãn (Hình 14)
Hình 14 Không nhận ra KẾT LUẬN
Trong nghiên cứu, tác giả đã đề xuất sử dụng Detectron2 với mạng Faster R-CNN phân loại cà chua đạt yêu cầu và không đạt yêu cầu Thời gian huấn
Trang 10LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA
luyện sử dụng Detectron2 nhanh hơn rất nhiều với
trường hợp sử dụng Tensor ow
Bảng 2 So sánh 2 framework
rong quá trình cài đặt và thử nghiệm, nhóm tác giả
sử dụng hai framework hỗ trợ cài đặt và thử nghiệm
mạng Faster R-CNN Đối với Tensor ow, đòi hỏi cấu
hình máy cao và mất rất nhiều thời gian huấn luyện
Trong khi đó, với Detectron2, mạng Faster R-CNN
được huấn luyện nhanh hơn rất nhiều (ít hơn gần 7
giờ) và mạng sau khi huấn luyện chạy với Detectron2
có thời gian nhanh hơn Các tham số được nhóm tác
ả ết lập trong bước 4 (h nh 8) cho mô h nh có kế
quả dự đoán cao nhất Trườ ợp khác, ví dụ vớ
MAX_ITERS = 1000, STEPS = 900 cho độ chính xác
ấp hơn (92%)
TÀI LIỆU THAM KHẢO
[1] Robert G de Luna, Elmer P Dadios, Argel A
Ban-dala, Ryan Rhay P Vicerra (2019), Tomato Fruit
Image Dataset for Deep Transfer Learning-based
Defect Detection, 978 - 1 - 7281 - 3458 -1/19
,2019 IEEE
[2] Saifali Tamakuwala, Jenish Lavji, Rachna Patel,
(2018), Quality identi cation of tomato using
image processing techniques, International
Journal of Electrical, Electronics and Data
Communication, ISSN(p): 2320-2084, ISSN(e):
2321 -2950 Volume-6, Issue-5, May-2018, http://
www.iraj.in/journal/journal_
le/journal_pdf/1-471-153293422067-70.pdf
[3] Jun Sun, Xiaofei He, Xiao Ge, Xiaohong Wu, Jifeng Shen, Yingying Song (2018), Detection of Key Organs in Tomato Based on Deep Migration Learning in a Complex Background https:// www.researchgate.net/publication/329591902_ Detection_of_Key_Organs_in_Tomato_Based_ on_Deep_Migration_Learning_in_a_Complex_ Background
[4] Zhao J., Qu J (2019) Healthy and Diseased Tomatoes Detection Based on YOLOv2 In: Tang Y., Zu Q., Rodríguez García J (eds) Human Centered Computing HCC (2018), Lecture Notes
in Computer Science, vol 11354 Springer, Cham https://doi.org/10.1007/978-3-030-15127-0_34 [5] Yuxin Wu, Alexander Kirillov, Francisco Massa, Wan-Yen Lo and Ross Girshick (2019), https:// ai.facebook.com/blog/-detectron2-a-pytorch-based-modular-object-detection-library-/
[6] Yuxin Wu, Alexander Kirillov, Francisco Massa, Wan-Yen Lo and Ross Girshick (2019), Detectron2 https://github.com/facebookresearch/detectron2 [7]. Vung Pham, Chau Pham and Tommy Dang (2020), Road Damage Detection and Classi cation with Detectron2 and Faster R-CNN arXiv:2010.15021v1 [cs.CV]
[8] https://nongnghiep.vn/may-rua-phan-loai-trai-ca-chua-d164378.html
THÔNG TIN TÁC GIẢ
Hoàng Thị An
- Tóm tắt quá trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo, nghiên cứu):
+Năm 2009: Tốt nghiệp Đại học Sư phạm Hà Nội, chuyên ngành Sư phạm Tin
