Sử dụng các phương pháp phân loại tự động, xử lý ảnh số để chẩn đoán bệnh trong lĩnh vực chăn nuôi

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Đ TH NH Chuyên ngành : Ậ ông nghệ thông tin KỸ Ậ gành: ông nghệ thông tin Ờ ội – 2014 Ớ TS Ẫ K A Ọ : nh Anh h h ng i MỤC LỤC MỤC LỤC LỜI CAM ĐOAN DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ MỞ ĐẦU Lý chọn đề tài Mục đích nghiên cứu Đối tƣợng phạm vi nghiên cứu Phƣơng pháp nghiên cứu Bố cục luận văn 10 CHƢƠNG 1: TỔNG QUAN BÀI TỐN PHÁT HIỆN BỆNH Ở LỢN QUA HÌNH ẢNH 10 1.1 Mơ hình tốn phát bệnh lợn qua hình ảnh sử dụng phƣơng pháp phân loại hình ảnh 11 1.1.1 Chuẩn bị liệu cho trình phân loại 12 1.1.2 Trích chọn đặc trƣng 13 1.1.3 Phân loại ảnh 13 1.2 Giới thiệu số loại bệnh lợn 13 1.2.1 Bệnh tai xanh (hội chứng rối loạn sinh sản hô hấp lợn – Porcine Reproductive and Respiratory Syndrome - PRRS) 13 1.2.2 Bệnh lở mồm long móng 14 1.2.3 Bệnh đóng dấu lợn 15 1.2.4 Bệnh ghẻ lợn 17 1.2.5 Bệnh đậu mùa lợn 18 CHƢƠNG 2: MỘT SỐ PHƢƠNG PHÁP XỬ LÝ ẢNH 20 2.1 Phân bố đặc trƣng biên (Edge Histogram Descriptor) 20 2.2 Tƣơng quan màu sắc (Color Correlograms) 23 Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 2.3 Đặc trƣng kết cấu sử dụng lọc Gabor (Gabor Wavelets) 25 2.4 SIFT (Scale Invariant feature transform) 26 CHƢƠNG 3: PHƢƠNG PHÁP PHÂN LỚP SVM (SUPPORT VECTOR MACHINE) 36 3.1 SVM cho tốn phân lớp tuyến tính 36 3.1.1 SVM với liệu khả tách tuyến tính 39 3.1.2 SVM với liệu không khả tách tuyến tính 41 3.2 SVM cho toán phi tuyến 43 3.3 SVM cho toán phân loại đa lớp (Multiclass Classification) 45 3.3.1 Chiến lƣợc one – vs – all 46 3.3.2 Chiến lƣợc one – vs – one 47 CHƢƠNG 4: KẾT QUẢ ĐẠT ĐƢỢC 48 4.1 Dữ liệu thử nghiệm 48 4.2 Xây dựng hệ thống 49 4.3 Kết thực nghiệm 49 4.3.1 Giai đoạn trích chọn đặc trƣng 49 4.3.2 Giai đoạn phân loại tự động SVM 55 4.4 Nhận xét 57 CHƢƠNG 5: KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 59 5.1 Các kết đạt đƣợc 59 5.2 Hạn chế 59 5.3 Hƣớng phát triển đề tài 60 TÀI LIỆU THAM KHẢO 61 Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 LỜI CAM ĐOAN Tôi xin cam đoan nội dung luận văn cơng trình nghiên cứu cá nhân tơi Mọi tham khảo dùng luận văn đƣợc trích dẫn rõ ràng tên tác giả, tên cơng trình, thời gian, địa điểm công bố Các nội dung nghiên cứu, số liệu kết trình bày luận văn trung thực rõ ràng Tác giả luận văn (Ký ghi rõ họ tên) Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT STT Viết tắt Nguyên gốc Chú thích SIFT Scale Invariant feature transform SVM Support vector machines Máy học vec-tơ hỗ trợ EHD Edge Histogram Descriptor Phân bố đặc trƣng biên PRRS WTO DoG RBF Porcine Reproductive and Respiratory Syndrome World Trade Organization Deffirence of Gaussisan Radial Basis Function Hội chứng rối loạn sinh sản hô hấp lợn Tổ chức thƣơng mại giới Hàm sai khác Gaussian Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 DANH MỤC CÁC BẢNG Bảng 1: Số lƣợng ảnh loại bệnh lợn thu thập đƣợc 12 Bảng 2: Thời gian xử lý phƣơng pháp trích chọn đặc trƣng số ảnh đƣợc lấy liệu thử nghiệm 53 Bảng 3: Kết phân loại sử dụng nhân RBF với tham số t=2 56 Bảng 4: Kết phân loại sử dụng nhân tuyến tính với tham số t=0 56 Bảng 5: Kết phân loại sử dụng nhân đa thức với tham số t=1 56 Bảng 6: Kết phân loại sử dụng nhân sigmoid với tham số t=3 57 Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1: Mơ hình tốn phát bệnh lợn qua ảnh chụp 12 Hình 2: Bệnh tai xanh lợn 14 Hình 3: Ảnh chụp triệu chứng phổ biến bệnh long móng lở mồm lợn loét móng dẫn đến móng chân lợn bị bật ngồi 15 Hình 4: Ảnh chụp lợn mắc bệnh đóng dấu sàn chuồng xi măng 16 Hình 5: Ảnh chụp bệnh ghẻ lợn vị trí mơng 18 Hình 6: Ảnh chụp biểu bệnh đậu lợn 19 Hình 7: Năm loại lọc biên 20 Hình 8: Ảnh đƣợc chia thành 16 sub-image, sub-image lại đƣợc chia thành N image-block 21 Hình 9: Phân cụm để tìm phân bố biên bán toàn cục 22 Hình 10: Biểu đồ thể phân bố đặc trƣng biên ảnh 23 Hình 11: Hai ảnh khác nhƣng có histogram màu tồn cục giống 23 Hình 12: Q trình tính không gian đo (L) hàm sai khác D 28 Hình 13: Quá trình tìm điểm cực trị hàm sai khác DoG 30 Hình 14: Mơ sử dụng cơng thức mở rộng Taylor cho hàm DoG 31 Hình 15: Minh họa bƣớc trình lựa chọn điểm keypoints (a) ảnh gốc (b) mô tả 832 điểm keypoints tìm đƣợc, điểm keypoints đƣợc vẽ dạng vector thể thông tin : vị trí, hƣớng độ dài (c) sau đặt ngƣỡng tƣơng phản tổi thiểu ta giữ lại đƣợc 729 điểm (d) Giữ lại 536 điểm sau áp ngƣỡng hệ số độ cong 32 Hình 16: Mô tả tạo mô tả cục 34 Hình 17: Một đƣờng thẳng tuyến tính phân chia lớp điểm (hình vng hình trịn) khơng gian hai chiều [11] 37 Hình 18: Lề lớn đƣợc tính tốn SVMs tuyến tính Khu vực hai đƣờng mảnh xác định miền biên với -1 ≤ + b ≤ Những điểm nằm hai đƣờng đứt nét gọi điểm support vectors, điểm gần biên Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 định Ở đây, có năm support vectors cạnh vùng biên (f(x) = -1 f(x)=1) 38 Hình 19: Biên định cho SVM với giá trị cao C (bên trái) mà bắt chƣớc hành vi SVM biên cứng dẫn tới lỗi huấn luyện Một giá trị C nhỏ (bên phải) cho phép bỏ qua điểm gần ranh giới, làm lề lớn hơn[11] 42 Hình 20: Mức độ tác động kernel đa thức Kernel đa thức dẫn đến phân tách tuyến tính (A) Kernel đa thức cho phép ranh giới định linh hoạt (B - C)[11] 44 Hình 21: Ảnh hƣởng số chiều Gaussian kernel (σ) cho giá trị cố định số biên mềm Đối với giá trị σ (A) lớn định ranh giới gần nhƣ tuyến tính Khi giảm σ tính linh hoạt ranh giới định tăng (B) Giá trị σ nhỏ dẫn đến học (overfitting) (C)[11] 45 Hình 22: Một số hình ảnh đƣợc lựa chọn làm liệu thử nghiệm cho ứng dụng 48 Hình 23: Minh họa histogram 150bin tƣơng ứng vector đặc trƣng 150 chiều tìm đƣợc áp dụng phƣơng pháp Phân bố đặc trƣng biên ảnh 49 Hình 24: Minh họa histogram 144bin tƣơng ứng vector đặc trƣng 144 chiều tìm đƣợc áp dụng phƣơng pháp tƣơng quan màu sắc ảnh 50 Hình 25: Minh họa histogram 48bin tƣơng ứng vector đặc trƣng 48 chiều tìm đƣợc áp dụng phƣơng pháp Gabor ảnh 50 Hình 26: Sử dụng Sift tìm đƣợc 525 điểm hấp dẫn (525 vector đặc trƣng 28 chiều) từ ảnh gốc ban đầu với ảnh đƣợc tách 51 Hình 27: Sử dụng Sift tìm đƣợc 1462 điểm hấp dẫn (1462 vector đặc trƣng 128 chiều) từ ảnh gốc ban đầu với ảnh chƣa đƣợc tách nền, phần lớn điểm đặc trƣng tìm đƣợc lại thể ảnh 52 Hình 28: Đồ thị so sánh thời gian xử lý phƣơng pháp trích chọn đặc trƣng ảnh 54 Hình 29:Đồ thị so sánh thời gian xử lý phƣơng pháp trích chọn đặc trƣng ảnh 55 Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 MỞ ĐẦU Lý chọn đề tài Việt Nam nƣớc có nơng nghiệp lâu đời Nơng nghiệp giữ vị trí quan trọng kinh tế quốc dân Cùng với kinh tế Việt Nam bƣớc hội nhập mạnh mẽ với kinh tế giới Năm 2006 nƣớc ta thức trở thành thành viên thứ 150 tổ chức thƣơng mại quốc tế WTO, tham gia vào sân chơi chung hội mang đến cho kinh tế Việt Nam lớn, nhƣng bên cạnh WTO đặt thách thức không nhỏ cho kinh tế nhỏ bé nƣớc ta Thách thức thể sâu sắc với ngành nghề nhạy cảm khó điều chỉnh Có thể nói rằng: Nơng nghiệp nói chung chăn ni nói riêng ngành phải chịu áp lực to lớn gia nhập WTO Chăn nuôi nƣớc ta ngày đƣợc trọng phát triển, đặc biệt ngành chăn nuôi lợn [1], nhu cầu thịt ngày tăng truyền thống chăn nuôi lợn hộ gia đình có từ lâu đời Sự phát triển kinh tế hàng hóa tạo điều kiện thuận lợi thúc đẩy ngành chăn nuôi lợn phát triển mạnh mẽ Do vậy, chăn ni lợn có vai trị quan trọng phát triển kinh tế nông nghiệp, nơng thơn, nhƣ kinh tế nói chung Mặt khác với lợi so sánh điều kiện tự nhiên, xã hội, chăn nuôi lợn khẳng định cấu chăn ni, góp phần nâng cao thu nhập cho ngƣời sản xuất Xu hƣớng phát triển chăn nuôi lợn tất yếu khách quan, đáp ứng nhu cầu tiêu dùng tồn xã hội Phát triển chăn ni lợn góp phần đẩy mạnh q trình thực cơng nghiệp hóa – đại hóa nơng nghiệp, nơng thôn Hiện nay, chăn nuôi lợn hộ gia đình phát triển theo hƣớng tiến chất lƣợng số lƣợng Hầu hết ngƣời chăn nuôi biết áp dụng số tiến khoa học kỹ thuật vào chăn nuôi để nâng cao suất chất lƣợng sản phẩm Bên cạnh thành công chăn ni diện số bệnh Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 dịch thƣờng xuyên gây tổn thất đáng kể Vì việc chẩn đốn bệnh để kịp thời đƣa phƣơng pháp phòng tránh điều trị bệnh việc làm vô quan trọng Muốn ngƣời chăn nuôi dựa vào kinh nghiệm thân mà cần đội ngũ chuyên môn hỗ trợ giàu kinh nghiệm Tuy nhiên nƣớc ta thiếu đội ngũ chun mơn Điều dẫn đến cần tìm hiểu đƣa phƣơng pháp thích hợp để xây dựng phần mềm ứng dụng tự động nhằm chẩn đốn bệnh lĩnh vực chăn ni Luận văn nghiên cứu phƣơng pháp xử lý ảnh số phƣơng pháp phân loại ảnh tự động, từ xây dựng sở liệu ảnh hệ thống phần mềm giúp chẩn đoán số bệnh lĩnh vực chăn ni lợn Mục đích nghiên cứu Trong lĩnh vực Nơng nghiệp, chăn ni ngành có vị trí quan trọng, nên việc chẩn đốn bệnh để có biện pháp phịng tránh điều trị kịp thời việc làm cần thiết Vì luận văn tập trung tìm hiểu nghiên cứu phƣơng pháp xử lý ảnh số phƣơng pháp phân loại ảnh tự động, đồng thời tìm hiểu số loại bệnh thƣờng gặp lợn nhằm xây dựng sở liệu phần mềm ứng dụng giúp chẩn đốn số bệnh lĩnh vực chăn ni lợn Đối tƣợng phạm vi nghiên cứu - Đề tài tập trung tiến hành tìm hiểu biểu da số loại bệnh hay gặp lợn - Nghiên cứu phƣơng pháp xử lý ảnh số phân loại ảnh tự động, sau sƣu tập liệu ảnh chụp cá thể lợn bị bệnh - Đánh giá kết quả, hiệu phƣơng pháp việc chẩn đoán bệnh lợn Phƣơng pháp nghiên cứu - Phƣơng pháp thu thập liệu Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 4.2 Xây dựng hệ thống Các chƣơng trình đƣợc xây dựng cài đặt ngơn ngữ lập trình Matlab, sử dụng máy tính Intel Core i3, 2.1 GHz, 2GB Ram Ngồi chƣơng trình sử dụng thêm thƣ viện mã nguồn mở SIFT demo program (Version 4, July 2005) (David Lowe 2005) dùng để trích chọn đặc trƣng SIFT cho ảnh LibSVM (Chang and Lin (2011) để thực phân loại ảnh tự động 4.3 Kết thực nghiệm 4.3.1 Giai đoạn trích chọn đặc trưng Trong giai đoạn này, cách áp dụng phƣơng pháp trích chọn đặc trƣng ảnh đề cập chƣơng để thu đƣợc vectơ đặc trƣng cho ảnh thử nghiệm Với phƣơng pháp trích chọn đặc trƣng cho 163 vector đặc trƣng 163 ảnh thử nghiệm - Với phƣơng pháp Phân bố đặc trƣng biên (Edge Histogram Descriptor) ta thu đƣợc vector đặc trƣng có 150 chiều Hình 23: Minh họa histogram 150bin tương ứng vector đặc trưng 150 chiều tìm áp dụng phương pháp Phân bố đặc trưng biên ảnh Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 49 - Với phƣơng pháp tƣơng quan màu sắc (Color Correlograms) ta đƣa ảnh ảnh 36 bin màu sử dụng khoảng cách d={1,3,5,7} thu đƣợc vector đặc trƣng với 36x4 =144 chiều Hình 24: Minh họa histogram 144bin tương ứng vector đặc trưng 144 chiều tìm áp dụng phương pháp tương quan màu sắc ảnh - Với phƣơng pháp đặc trƣng kết cấu sử dụng lọc Gabor ta sử dụng tỷ lệ S=4 hƣớng quay K=6 thu đƣợc vector đặc trƣng 48 chiều Hình 25: Minh họa histogram 48bin tương ứng vector đặc trưng 48 chiều tìm áp dụng phương pháp Gabor ảnh Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 50 - Với phƣơng pháp Sift (Scale Invariant feature transform) ảnh ta trích chọn đƣợc điểm đặc trƣng hay vector đặc trƣng 128 chiều Luận văn sử dụng thƣ viện mở SIFT demo program (Version 4, July 2005) (David Lowe 2005) dùng để trích chọn đặc trƣng SIFT cho ảnh a Ảnh gốc b 525 điểm hấp dẫn tìm đƣợc Hình 26: Sử dụng Sift tìm 525 điểm hấp dẫn (525 vector đặc trưng 28 chiều) từ ảnh gốc ban đầu với ảnh tách Với ảnh đƣợc tách nền, phƣơng pháp Sift tỏ hiệu việc trích chọn vector đặc trƣng thể biểu vết loét mủ móng, chân lợn (hình 26) Nhƣng với ảnh chƣa đƣợc tách khỏi phƣơng pháp lại tìm đƣợc thêm nhiều điểm đặc trƣng thể ảnh (hình 27) Điều làm cho trình phân loại bƣớc sau bị hiệu Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 51 Hình 27: Sử dụng Sift tìm 1462 điểm hấp dẫn (1462 vector đặc trưng 128 chiều) từ ảnh gốc ban đầu với ảnh chưa tách nền, phần lớn điểm đặc trưng tìm lại thể ảnh Thời gian xử lý (đƣợc tính giây) phƣơng pháp trích chọn đặc trƣng đƣợc minh họa nhƣ bảng bên dƣới : Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 52 THỜI GIAN XỬ LÝ (tính giây) TÊN ẢNH Color Correlogram EHD SIFT GABOR Kích thƣớc ảnh X Y BYTES BenhDongDau (1).jpg 0.96721 1.0296 0.2028 27.753 113 540 6795 BenhDongDau (16).jpg 0.2652 0.1872 0.0624 7.6596 114 450 22605 BenhDongDau (23).jpg 0.546 0.4992 0.0312 49.14 178 720 6501 BenhDongDau (26).jpg 0.6084 0.546 0.0468 73.991 211 720 27563 BenhDongDau (38).jpg 0.5148 0.3744 0.0468 46.738 180 690 7851 BenhDongDau (39).jpg 0.5928 0.4836 0.0457 44.289 164 750 14510 Benhprrs (2).jpg 0.78001 0.624 0.093601 95.769 175 948 11671 Benhprrs (4).jpg 0.7644 0.7332 0.0312 95.769 204 861 11019 benhLMLM (18).jpg 0.702 0.4524 0.0624 73.04 189 822 8756 benhLMLM (19).jpg 0.7488 0.5304 0.0468 68.36 186 810 9517 benhLMLM (24).jpg 0.702 0.4836 0.0624 77.236 176 882 11288 benhLMLM (27).jpg 0.1716 0.156 0.0156 5.2104 105 420 17752 benhLMLM (28).jpg 0.2808 0.234 0.0156 5.3664 106 420 15529 benhLMLM (7).jpg 0.5616 0.546 0.0312 49.484 210 615 62075 Benhdau(10 ).jpg 0.3432 0.3432 0.0312 12.979 132 531 3844 Benhghe(5).jpg 0.546 0.4992 0.0312 49.14 178 720 6501 Benhghe(8).jpg 0.6084 0.546 0.0468 73.991 211 720 27563 Bảng 2: Thời gian xử lý phương pháp trích chọn đặc trưng số ảnh lấy liệu thử nghiệm Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 53 Thời gian xử lý bốn phƣơng pháp trích chọn đặc trƣng 120 100 Thời gian (giây) 80 Color Correlogram 60 EHD 40 SIFT GABOR 20 0 -20 20000 40000 60000 80000 Kích thước ảnh (bytes) Hình 28: Đồ thị so sánh thời gian xử lý phương pháp trích chọn đặc trưng ảnh Từ đồ thị hình 28, ta thấy phƣơng pháp Gabor có thời gian xử lý chậm Cịn với ba phƣơng pháp cịn lại để có nhìn rõ theo dõi đồ thị hình 29 dƣới Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 54 1.2 Thời gian xử lý phương pháp trích chọn đặc trưng Thời gian (giây) 0.8 0.6 0.4 0.2 0 10000 -0.2 20000 30000 40000 50000 60000 70000 kích thước ảnh (bytes) Color Correlogram EHD SIFT Hình 29:Đồ thị so sánh thời gian xử lý phương pháp trích chọn đặc trưng ảnh Trong hình 29 ta thấy hai phƣơng pháp tƣơng quan màu sắc phân bố đặc trƣng biên có thời gian xử lý xấp xỉ Riêng phƣơng pháp Sift có thời gian xử lý nhanh Tuy nhiên phƣơng pháp Sift trích chọn nhiều điểm đặc trƣng ta phải sử dụng thêm phƣơng pháp k-means để phân vector Sift vào nhóm (cluster) cluster tƣơng ứng với visual word Tập cluster tạo thành từ điển Sau cùng, véc tơ mô tả ảnh đƣợc gán vào cluster gần (dựa vào khoảng cách véc tơ đến tâm cluster đại diện đƣợc định nghĩa trƣớc đó) Tiếp theo, ảnh đƣợc biểu diễn tần số visual words ảnh Luận văn thử nghiệm với số lƣợng cluster 125 4.3.2 Giai đoạn phân loại tự động SVM Kết phân loại công cụ LibSVM liệu hệ thống đƣợc thể bảng sau: Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 55 EHD Gabor Tổng số Suport Vector 72 66 Color Correlogram SIFT 63 84 Tên Phƣơng pháp Xác suất xác (%) 46.087 46.9565 46.9027 38.4058 Bảng 3: Kết phân loại sử dụng nhân RBF với tham số t=2 Kết phân loại SVM với việc sử dụng nhân RBF (bảng 3) cho thấy hai phƣơng pháp trích chọn đặc trƣng kết cấu sử dụng lọc Gabor tƣơng quan màu sắc (Color Correlogram) có hiệu xấp xỉ hiệu cao hai phƣơng pháp lại Tên Phƣơng pháp EHD Gabor Color Correlogram SIFT Tổng số Suport Vector 73 56 67 85 Xác suất xác (%) 45.2174 53.0435 46.9027 38.4058 Bảng 4: Kết phân loại sử dụng nhân tuyến tính với tham số t=0 Kết phân loại SVM với việc sử dụng nhân tuyến tính (bảng 4) cho thấy phƣơng pháp trích chọn đặc trƣng kết cấu sử dụng lọc Gabor đem lại hiệu phân loại cao ba phƣơng pháp lại đồng thời sử dụng nhân tuyến tính đem lại hiệu cao so với nhân RBF Tên Phƣơng pháp EHD Gabor Color Correlogram SIFT Tổng số Suport Vector 69 58 63 85 Xác suất xác (%) 46.087 53.913 46.9027 38.4058 Bảng 5: Kết phân loại sử dụng nhân đa thức với tham số t=1 Sử dụng SVM với nhân đa thức (bảng 5) phƣơng pháp trích chọn đặc trƣng kết cấu sử dụng lọc Gabor đem lại hiệu phân loại cao nhất, Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 56 xác suất xác cao so với trƣờng hợp phân loại sử dụng nhân RBF nhân tuyến tính Tên Phƣơng pháp EHD Gabor Color Correlogram SIFT Tổng số Suport Vector 70 68 63 84 Xác suất xác (%) 46.087 46.087 46.9027 38.4058 Bảng 6: Kết phân loại sử dụng nhân sigmoid với tham số t=3 Trong trƣờng hợp sử dụng SVM với nhân sigmoid phƣơng pháp tƣơng quan màu sắc (color correlogram) lại tỏ có hiệu tốt ba phƣơng pháp cịn lại, nhiên xác suất xác trƣờng hợp không tốt trƣờng hợp sử dụng SVM với nhân đa thức 4.4 Nhận xét Quá trình chọn tham số phù hợp cho hàm huấn luyện svmtrain đƣợc thực qua thực nghiệm, đánh giá kết phân lớp xác mơ hình Qua q trình thử nghiệm tác giả nhận thấy kết phân lớp tập liệu huấn luyện đƣợc trích chọn từ phƣơng pháp Garbor đem lại hiệu cao liệu ảnh thử nghiệm ảnh bệnh lợn đƣợc biểu da, phƣơng pháp gabor hiệu việc phát đƣờng vân ảnh (là vết đỏ, nốt đỏ trịn, vng, nốt lở lt da, lƣỡi, móng lợn) Phƣơng pháp Tƣơng quan màu sắc cho hiệu phân lớp đứng thứ hai, có khả không mô tả phân phối màu điểm ảnh mà thể đƣợc mối quan hệ khơng gian cặp màu mô tả tốt vết màu sắc khác da lợn (nhƣ vết đỏ trịn, vng to bệnh đóng dấu lợn, vết đỏ nhỏ bệnh đậu mùa, vết lở loét bệnh long móng lở mồm) Trong thực nghiệm phƣơng pháp Sift phƣơng pháp có hiệu thấp nhất, tập ảnh huấn luyện phần lớn chƣa đƣợc tách nền, nên điểm đặc trƣng mà sift tìm đƣợc phần ảnh nhiều dẫn đến hiệu phân lớp bị ảnh hƣởng Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 57 Trên thực tế hiệu việc phân lớp phụ thuộc nhiều vào liệu huấn luyện đầu vào Trong luận văn kết phân loại đạt đƣợc mức độ nhƣng với độ xác nhƣ chấp nhận đƣợc liệu huấn luyện đầu vào mà luận văn sử dụng ảnh chụp đƣợc thu thập từ trang trại, chuồng ni lợn gặp phải vấn đề màu sắc, ảnh chƣa đƣợc tách nền, ảnh chụp khơng vị trí lợn, nhiều ảnh thể phận lợn nhƣ chân, miệng, lƣỡi, mảng da… việc trích chọn đặc trƣng chƣa phát huy hết đƣợc hiệu quả, từ làm ảnh hƣởng lớn đến kết phân loại Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 58 CHƢƠNG 5: KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 5.1 Các kết đạt đƣợc Về mặt lý thuyết luận văn trình bày đƣợc nội dung sau: - Giới thiệu tổng quan phƣơng pháp xử lý ảnh số nhƣ: bố đặc trƣng biên (Edge Histogram Descriptor), tƣơng quan màu sắc (Color Correlograms), đặc trƣng kết cấu sử dụng lọc Gabor (Gabor Wavelets), Sift (Scale Invariant feature transform) phƣơng pháp trích chọn đặc trƣng cho ảnh số - Giới thiệu tổng quan phƣơng pháp phân loại ảnh số tự động SVM (Support Vector Machine) - Từ đƣa đƣợc phƣơng hƣớng giải toán chấn đoán bệnh lợn qua hình ảnh chụp Về mặt thực nghiệm, luận văn thu đƣợc số kết sau: - Xây dựng, cài đặt thành công giải thuật xử lý ảnh số: phân bố đặc trƣng biên (Edge Histogram Descriptor), tƣơng quan màu sắc (Color Correlograms), đặc trƣng kết cấu sử dụng lọc Gabor, Sift (Scale Invariant feature transform), giúp xây dựng đƣợc liệu huấn luyện từ ảnh chụp bệnh lợn - Cài đặt thành công giải thuật phân lớp ảnh tự động SVM, kết thu đƣợc phân loại chẩn đoán bệnh lợn mức 5.2 Hạn chế Nhƣ kết thực nghiệm phù hợp với trình bày lý thuyêt Tuy nhiên luận văn hạn chế nhƣ sau: - Việc thu thập liệu ảnh chụp bệnh lợn có nhiều khó khăn, ảnh chụp khơng vị trí lợn, ảnh chụp thƣờng chuồng trại nên gặp vấn đề màu sắc, thƣờng phải sử dụng thêm Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 59 số tác vụ nhƣ banh miệng, giữ chân, đầu lợn chụp nên số ảnh bị lẫn số thiết bị y tế, tay ngƣời…Điều làm cho việc trích chọn đặc trƣng hình ảnh nhƣ phân lớp ảnh bị hiệu - Do thân nhiều hạn chế kiến thức, kinh nghiệm lĩnh vực xử lý ảnh nên nhiều thời gian việc tìm hiểu lý thuyết, với thời gian thực khơng nhiều nên kết đạt đƣợc hạn chế định 5.3 Hƣớng phát triển đề tài Đây đề tài hay, có tính ứng dụng cao thực tế ngành chăn nuôi ngành quan trong nơng nghiệp tƣơng lai tác giả mong muốn phát triển tiếp ứng dụng này, tiếp tục thu thập ảnh loại bệnh lợn, tìm hiểu thêm phƣơng pháp xử lý ảnh phƣơng pháp phân loại khác SVM để đạt đƣợc kết tốt Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 60 TÀI LIỆU THAM KHẢO [1] Vũ Trọng Bình, Đào Đức Huấn, Nguyễn Mạnh Cƣờng (2014), “Chính sách phát triển chăn ni Việt Nam thực trạng, thách thức chiến lƣợc”, Báo Hiệp hội thức ăn chăn nuôi Việt Nam, truy cập ngày 01 tháng năm 2014, < http://vi etfeed.wordpress.com/2014/05/08/chinh-sach-phat-trien-chan-nuoi-oviet-nam-thuc-trang-thach-thuc-va-chien-luoc-den-2020/> [2] Chee Sun Won, Dong Kwon Park and S.-J Park (2002), “Efficient use of MPEG-7 edge histogram descriptor”, ETRI Journal, 24, pp 23-30 [3] Chee Sun Won (2004), “Feature Extraction and Evaluation Using Edge Histogram Descriptor in MPEG-7”, In Pacific-Rim Conference on Multimedia (PCM'04), pp 583-590 [4] Jing Huang, S Ravi Kumar, Mandar Mitra, Wei-Jing Zhu, Ramin Zabih (1997), “Image indexing using color correlograms”, Computer Vision and Pattern Recognition, 1997 Proceedings., 1997 IEEE Computer Society, pp 762-768 [5] V.Ogle, M Stonebraker Chabot (1995), “Retrieval from a relational database of images”, IEEE Computer, 28(9), pp 40–48 [6] B.S Manjunathi,W.Y Ma (1996), “Texture Features for Browsing and Retrieval of Image Data”, IEEE Transaction on pattern analysis and machine intelligence, 18(8), pp 837-842 [7] W.Y Ma, B.S Manjunath (1995), “A Comparison of Wavelet Features for Texture Annotation”, Proc IEEE Int'l Conf Image Proessing 95, (11), pp 256-259 [8] W.Y Ma, B.S Manjunath (1995), “Image Indexing Using a Texture Dictionary”, Proc SPIE, (2606), pp 288-296 Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 61 [9] Tat-Seng Chua, Jinhui Tang, Richang Hong, Haojie Li, Zhiping Luo, Yantao Zheng (2009), “NUS-WIDE: A Real-World Web Image Database fromNational University of Singapore”, CIVR , (09) [10] David G Lowe (2004), “Distinctive Image Features from Scale-Invariant Keypoints”, International Journal of Computer Vision [11] Brown MPS, Grundy WN, Lin D, Cristianini N, Sugnet C, Furey TS,Ares JM, Haussler D (2000), “Knowledge-based analysis of microarray gene expression data using support vector machines” PNAS, số 97, pp 262-267 [12] Chang C., C.-J Lin LIBSVM (2011), “A library for support vector machines” ACM Transactions on Intelligent Systems and Technology, Software available at http://www.csie.ntu.edu.tw/~cjlin/libsvm [13] Nguyễn Thị Thảo, Nguyễn Thị Huyền, Đoàn Thị Thu Hà, Trần Thị Thu Huyền, Nguyễn Thị Thủy (2011), “Phƣơng pháp phân lớp sử dụng máy học vec-tơ hỗ trợ ứng dụng tin sinh học”, Tạp chí Khoa học Phát triển 201, 9(6), tr 1021 – 1031 [14] Nguyễn Nhật Quang (2012), Trí tuệ nhân tạo nâng cao, Viện Công nghệ thông tin Truyền thông, Đại học Bách Khoa Hà Nội [15] Võ Văn Ngầu (2010), Giáo trình mơ đun phịng trị bệnh lây lợn, Bộ Nông nghiệp phát triển nông thôn [16] Lê Văn Thọ (2013), “Bệnh tai xanh heo: Phòng trị cho hiệu quả”, website công ty Bio – Pharmachemie thuốc thú y thuốc thủy sản, truy cập ngày 20/8/2014, http://www.biopharmachemie.com/vi/technical/benh-tai- xanh-o-heo-phong tri-the-nao-cho-hieu-qua-350/ [17] Lê Văn Thọ (2013), “Cách phịng trị bệnh long móng lở mồm hiệu quả”, website công ty Bio – Pharmachemie thuốc thú y thuốc thủy sản, truy cập ngày 20/8/2014, http://www.biopharmachemie.com/vi/technical/cach-phongva-tri-hieu-qua-benh-long-mong-lo-mom-456/ Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 62 [18] Chih-Wei Hsu, Chih-Jen Lin (2002), “A Comparison of Methods for Multiclass Support Vector Machines”, IEEE TRANSACTIONS ON NEURAL NETWORKS, số 13(2), pp 415-425 Học viên thực hiện: Đỗ Thị Nhâm – CB120099 – 12BCNTT2 63 ... ứng dụng tự động nhằm chẩn đốn bệnh lĩnh vực chăn ni Luận văn nghiên cứu phƣơng pháp xử lý ảnh số phƣơng pháp phân loại ảnh tự động, từ xây dựng sở liệu ảnh hệ thống phần mềm giúp chẩn đoán số bệnh. .. phƣơng pháp xử lý ảnh số phƣơng pháp phân loại ảnh tự động, đồng thời tìm hiểu số loại bệnh thƣờng gặp lợn nhằm xây dựng sở liệu phần mềm ứng dụng giúp chẩn đoán số bệnh lĩnh vực chăn nuôi lợn... biểu da số loại bệnh hay gặp lợn - Nghiên cứu phƣơng pháp xử lý ảnh số phân loại ảnh tự động, sau sƣu tập liệu ảnh chụp cá thể lợn bị bệnh - Đánh giá kết quả, hiệu phƣơng pháp việc chẩn đoán bệnh