Hệ thống hỗ trợ nông dân trên thiết bị di động: Nhận dạng cua giống

Bài viết đề xuất xây dựng mô hình “Nhận dạng cua giống” trên nền thiết bị di động, trước mắt là các thiết bị chạy hệ điều hành Android. Mô hình nhận dạng được xây dựng dựa trên giải thuật Boosting phân tầng có sử dụng đăc trưng Haar-like. Thông qua ảnh chụp từ thiết bị di động (ví dụ, chụp ảnh chậu chứa cua giống), hệ thống sẽ lọc nhiễu theo phương pháp lọc trung vị (Median Filter) để nâng cao chất lượng ảnh, loại bỏ các chi tiết không cần thiết. Mời các bạn cùng tham khảo!

Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hệ Thống Hỗ Trợ Nông Dân Trên Thiết Bị Di Động: Nhận Dạng Cua Giống Nguyễn Thiện An Nguyễn Thái Nghe Khoa CNTT&TT, Trường Đại học Cần Thơ Email: ntankg@gmail.com; ntnghe@cit.ctu.edu.vn Tóm tắt - Bài viết phần giải pháp xây dựng hệ thống hỗ trợ nông dân thiết bị di động mà nhóm chúng tơi đề xuất Trong phạm vi nghiên cứu này, đề xuất xây dựng mơ hình “Nhận dạng cua giống” thiết bị di động, trước mắt thiết bị chạy hệ điều hành Android Mơ hình nhận dạng xây dựng dựa giải thuật Boosting phân tầng có sử dụng đăc trưng Haar-like Thơng qua ảnh chụp từ thiết bị di động (ví dụ, chụp ảnh chậu chứa cua giống), hệ thống lọc nhiễu theo phương pháp lọc trung vị (Median Filter) để nâng cao chất lượng ảnh, loại bỏ chi tiết không cần thiết Kế đến, dựa đặc trưng Haarlike kết hợp với giải thuật Boosting phân tầng, hệ thống nhận dạng đếm số lượng cua giống có ảnh Kết thực nghiệm bước đầu cho thấy việc nhận dạng cua giống dựa mơ hình xây dựng khả quan Mơ hình cải tiến để áp dụng vào thực tế Từ khóa- Xử lý ảnh, thị giác máy tính, đặc trưng Haar-like, nhận dạng cua giống, nhận dạng thiết bị di động I cho lần bán Chính thế, người dân cần phương pháp hiệu Bên cạnh đó, cơng nghệ Xử lý ảnh Thị giác máy tính áp dụng rộng rãi nhiều lĩnh vực, như: Y học, Giáo dục, Thiên văn, Công nghiệp, Nông nghiệp,…Một số ứng dụng tiêu biểu như: Xử lý ảnh Y học (McAuliffe et al., 2001) (Pierre et al., 2002), xử lý ảnh vệ tinh Thiên văn (John R Jensen and Dr Kalmesh Lulla, 1987), nhận dạng dấu vân tay Khoa học Hình (Hong L., Yifei Wan, Jain A., 1998), nhận dạng mặt người (Châu Ngân Khánh, Đoàn Thanh Nghị, 2014), nhận dạng chữ viết tay (Phạm Anh Phương et al., 2009), nhận dạng biển số xe (Nguyễn Thái Nghe et al., , 2014), nhận dạng biển báo giao thông (Bahlmann et al., 2005), Robot thu hoạch nông sản Nông nghiệp (Bulanon et al., 2002) (Wei et al., 2012),… GIỚI THIỆU Đồng sông Cửu Long vùng phát triển nghề nuôi trồng thuỷ sản Đặc biệt, số tỉnh giáp biển như: Cà Mau, Bạc Liêu, Kiên Giang, Trà Vinh,… đất sản xuất bị nhiễm mặn nên việc trồng lúa nước cho sản lượng khơng cao, chất lượng lại thấp Vì vậy, từ nhiều năm nghề nuôi thuỷ sản nơi trở thành nghề chủ đạo thay cho trồng lúa nước, ni cua biển ngành kinh tế mang lại thu nhập cao cho nông dân Hàng năm, đến thời điểm thả giống, người nông dân thường trại cua (là nơi sản xuất cua con) để mua cua giống (cua con, kích thước nhỏ, minh họa Hình phần trên) ni Cua giống có kích thước nhỏ lại bán theo đơn vị “con” cách xác định số lượng chủ yếu đếm ước lượng Do đó, số lượng cua thực tế số lượng cua ước lượng nhiều Chẳng hạn, người mua muốn mua 1000 con, người bán đếm 100 cho vào chậu nhỏ làm “chậu mẫu”, sau dùng chậu khác có kích thước giống chậu mẫu cho cua vào đến thấy màu sắc, số lượng giống chậu mẫu xem chậu chứa 100 con, minh họa Hình (trên) Lặp lại tương tự với chậu khác đủ 10 chậu, tức đủ 1000 Qua tìm hiểu từ người nơng dân có kinh nghiệm tỷ lệ cua mua thực tế khoảng 80% so với tỷ lệ ước lượng Tức người mua mua 1000 số lượng thực tế khoảng 800 con, điều gây thiệt thịi nhiều cho nơng dân, người bán có “bù thêm” số lượng ISBN: 978-604-67-0635-9 159 Hình Cua giống đếm bán (ảnh trên) cua trưởng thành (ảnh dưới) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thơng Tin (ECIT 2015) Từ phân tích trên, thấy việc áp dụng công nghệ xử lý ảnh vào Nông nghiệp, đặc biệt ngành nuôi trồng Thuỷ sản cần thiết chưa nghiên cứu tốt Trong viết này, đề xuất xây dựng mơ hình “Nhận dạng đếm số lượng cua giống” thiết bị di động nhằm hỗ trợ nông dân cách đếm khác thay cho cách đếm truyền thống mua cua giống Đây cách giúp người Nông dân bảo vệ quyền lợi tạo công mua bán II CÁC NGHIÊN CỨU LIÊN QUAN Nhận dạng lĩnh vực quan tâm nghiên cứu khoa học thương mại Kết cơng trình nghiên cứu nhận dạng thương mại hoá sản phẩm điện tử tiêu biểu như: máy ảnh kỹ thuật số, điện thoại thông minh,… với tính xác định gương mặt, nụ cười chụp ảnh Hay chức Tag ảnh mạng xã hội tiếng như: Facebook, Twitter, Instagram,… với chức nhận dạng gương mặt Ngồi ra, cịn nhiều nghiên cứu khoa học nhận dạng như: nhận dạng chữ viết tay, nhận dạng biển số xe, nhận dạng mặt người… Trong nhiều nghiên cứu nhận dạng chưa thấy nghiên cứu liên quan đến vấn đề nhận dạng cua giống ngành nuôi trồng Thuỷ sản Vì mơ hình “Nhận dạng cua giống” góp phần làm phong phú thêm lĩnh vực áp dụng kỹ thuật nhận dạng đặc biệt việc ứng dụng công nghệ cao phục vụ Nông Nghiệp - Nông dân – Nông thôn III ĐẶC TRƯNG HAAR-LIKE VÀ GIẢI THUẬT BOOSTING PHÂN TẦNG A Đặc trưng Haar-like Đặc trưng Haar-like (Paul A Viola and Michael J Jones, 2001) đươ ̣c sử du ̣ng việc nhận da ̣ng đố i tươṇ g ảnh số Mỗ i đặc trưng Haar-like sự kế t hơ ̣p gờ m hoặc hình chữ nhật đen, trắng với theo trật tự, kích thước Những khớ i chữ nhật thể hiện sự liên hệ tương quan giữa bộ phận ảnh mà bản thân từng giá tri ̣pixel không thể diễn đa ̣t đươ ̣c Có đặc trưng Haar-like thể Hình sau Hình Đặc trưng Haar-like Từ đặc trưng bản, đặc trưng Haar-like mở rộng thành nhóm đặc trưng đường, đặc trưng cạnh, đặc trưng tâm (Lienhart, Kuranov, Pisarevky, 2002; Lienhart, Maydt, 2002) Hình Các đặc trưng Haar-like mở rộng Giá tri ̣ của đặc trưng Haar-like là sự chênh lệch giữa tổ ng các điể m ảnh của các vùng đen và các vùng trắ ng theo công thức: f(x)=Sumblack rectangle (pixel gray level) – Sumwhite rectangle (pixel gray level) Như vậy, để tính tốn giá trị đặc trưng Haar-like ta phải tính tổng vùng pixel ảnh Nếu muốn tính giá trị đặc trưng cho tất vùng ảnh ta phải tốn chi phí tính tốn lớn, khơng thể đáp ứng cho ứng dụng chạy thời gian thực Do đó, để có thể tính nhanh các đặc trưng này, Viola Jones (2001; 2004) giới thiệu khái niệm ảnh tích phân (Integral Image) Integral Image là một mảng hai chiề u với kích thước bằ ng kích thước của ảnh cầ n tính giá tri ̣ đặc trưng Haar-like, với phần tử mảng tính cách tính tổng điểm ảnh phía (dịng-1) bên trái (cột-1) Bắt đầu từ vị trí trên, bên trái đến vị trí dưới, bên phải ảnh, việc tính toán đơn dựa phép cộng số nguyên đơn giản, tốc độ thực nhanh Hình Tính giá trị ảnh tích phân điểm có toạ độ P(x,y) Giá trị điểm P có toạ độ (x,y) tính theo cơng thức sau: Sau tính ảnh tích phân, việc tính tổng giá trị mức xám vùng ảnh ta tính dễ dàng sau: Giả sử ta cần tính tổng giá trị mức xám vùng D Hình 5, ta tính sau: D = A + B + C + D – (A+C) – (A+B) + A Hình Tính nhanh giá trị mức xám vùng ảnh D 160 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Với A+B+C+D giá trị điểm P4 Integral Image, tương tự A+C giá trị điểm P3, A+B giá trị điểm P2, A giá trị điểm P1 Vậy ta viết lại biểu thức tính D sau: 𝐷𝐷 = (𝑥𝑥4 , 𝑦𝑦4 ) − (𝑥𝑥3 , 𝑦𝑦3 ) − (𝑥𝑥2 , 𝑦𝑦2 ) + (𝑥𝑥1 , 𝑦𝑦1 ) B Thuật toán Adaboost Thuật toán Adaboost (Adaptive Boosting) thuật toán máy học cải tiến từ thuật toán Boosting (Freund, Schapire, 1995) giới thiệu vào năm 1995 Adaboost phân loại phi tuyến phức, hoạt động theo nguyên tắc kết hợp tuyến tính phân lớp yếu (weak classifiers) thành phân lớp mạnh (Strong Classifiers) AdaBoost sử du ̣ng tro ̣ng số để đánh dấ u các mẫu khó nhận da ̣ng Trong quá trình huấ n luyện cứ mỗ i bộ phân loa ̣i yế u đươc̣ xây dựng thì thuật toán sẽ tiế n hành cập nhật la ̣i tro ̣ng số để chuẩ n bi ̣ cho việc xây dựng bộ phân loa ̣i tiế p theo Cập nhật bằ ng cách tăng tro ̣ng số của các mẫu nhận da ̣ng sai và giảm tro ̣ng số của các mẫu đươ ̣c nhận da ̣ng đúng bởi bộ phân loa ̣i yế u vừa xây dựng Bằ ng cách này thì bộ phân loa ̣i sau có thể tập trung vào các mẫu mà bộ phân loa ̣i trước nó làm chưa tố t Cuố i cùng các bộ phân loa ̣i yế u sẽ đươ ̣c kế t hơ ̣p la ̣i tùy theo mức độ tố t của chúng để ta ̣o nên một bộ phân loa ̣i ma ̣nh Bộ phân loại hk biểu diễn sau: ℎ𝑘𝑘 (𝑥𝑥) = { đố i tươ ̣ng nhận diện) mà tầ ng trước nhận da ̣ng sai, tức sẽ tập trung ho ̣c từ mẫu background khó hơn, sự kế t hơ ̣p tầ ng AdaBoost la ̣i sẽ giúp bộ phân loa ̣i giảm thiể u nhận da ̣ng lầ m Với cấ u trúc này, những mẫu background dễ nhận da ̣ng sẽ bi ̣ loa ̣i từ những tầ ng đầ u tiên, giúp đáp ứng tố t nhấ t thời gian xử lý vẫn trì đươ ̣c hiệu quả phát đớ i tươ ̣ng (Châu Ngân Khánh, Đồn Thanh Nghị, 2014) Hình Mơ hình Cascade of Boosted Classifiers (Javier, 2006) IV ĐỀ XUẤT MƠ HÌNH NHẬN DẠNG Hệ thống “Nhận dạng đếm số lượng cua giống” xây dựng qua bước Thứ nhất, xây dựng mơ hình nhận dạng đối tượng sử dụng giải thuật Boosting phân tầng đặc trưng Haar-like Thứ hai, triển khai mơ hình xây dựng lên thiết bị di động tảng Android để nhận dạng đếm số lượng cua giống A Xây dựng mơ hình nhận dạng cua giống Quy trình nhận dạng cua giống thơng qua bước mơ tả Hình 𝑛𝑛ế𝑢𝑢 𝑝𝑝𝑘𝑘 𝑓𝑓𝑘𝑘 (𝓍𝓍) < 𝑝𝑝𝑘𝑘 𝜃𝜃𝑘𝑘 𝑛𝑛ế𝑢𝑢 𝑛𝑛gược 𝑙𝑙ạ𝑖𝑖 Với x cửa sổ cần xét, 𝜃𝜃𝑘𝑘 ngưỡng, 𝑓𝑓𝑘𝑘 giá trị đặc trưng Haar-like 𝑝𝑝𝑘𝑘 hệ số định chiều phương trình (Châu Ngân Khánh, Đồn Thanh Nghị, 2014) C Mơ hình phân tầng Cascade Mơ hình phân tầng Cascade (Cascade of Boosted Classifiers) mơ hình phân tầ ng với mỡ i tầ ng một mơ hình AdaBoost sử du ̣ng bộ phân lớp yế u quyế t đinh ̣ với đặc trưng Haar-like Trong quá trình huấ n luyện, bộ phân lớp phải duyệt qua tấ t cả các đặc trưng của mẫu tập huấ n luyện Việc này tố n rấ t nhiề u thời gian Tuy nhiên, các mẫu đưa vào, không phải mẫu nào cũng thuộc loa ̣i khó nhận da ̣ng, có những mẫu background rấ t dễ nhận (go ̣i đây những mẫu background đơn giản) Đố i với những mẫu này, chỉ cầ n xét một hay một vài đặc trưng đơn giản là có thể nhận da ̣ng đươ ̣c chứ không cầ n xét tấ t cả các đặc trưng Nhưng đố i với các bộ phân loa ̣i thông thường thì cho dù mẫu cầ n nhận da ̣ng là dễ hay khó nó vẫn phải xét tấ t cả các đặc trưng mà nó rút đươ ̣c quá trình ho ̣c Do đó, chúng tố n thời gian xử lý một cách không cầ n thiế t Mơ hình Cascade of Classifiers đươ ̣c xây dựng nhằ m rút ngắ n thời gian xử lý, giảm thiể u nhận da ̣ng lầ m (False Alarm) cho bộ phân loa ̣i Cascade trees gồ m nhiề u tầ ng (stage hay cịn go ̣i layer), mỡ i tầ ng một mơ hình AdaBoost với bộ phân lớp yế u quyế t đinh ̣ Một mẫu để đươ ̣c phân loa ̣i đố i tươ ̣ng cầ n phải qua hế t tấ t cả tầ ng Các tầ ng sau đươ ̣c huấ n luyện bằ ng những mẫu âm (Negative – khơng chứa Hình 7: Mơ hình nhận dạng cua giống Để hệ thống nhận dạng đối tượng, trước hết cần phải thu thập liệu đầu vào để tạo tập liệu học Trong viết này, liệu đầu vào ảnh cua giống Có lớp ảnh cần thu thập lớp dương (Positive - ảnh chứa cua giống) lớp âm (Negative - ảnh không chứa cua giống) Ảnh lớp dương cắt cho ảnh chứa đối tượng Chúng sử dụng 1.460 ảnh có kích thước 20x20 pixels làm lớp dương 12.638 ảnh kích thước 320x240 pixels làm lớp âm Khi có đủ lớp ảnh, chúng tơi thực giai đoạn tạo mẫu theo bước trình bày Bước 1: Tạo tập tin mô tả đối tượng lớp dương, tâp tin … 161 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) - vec: thư mục chứa tập tin kết text có cấu trúc: - 7000: số lượng mẫu Trong đó: - Tên_ảnh_1, Tên_ảnh_n: ảnh thứ nhất, ảnh thứ n có chứa đối tượng - Số_đối_tượng: số lượng đối tượng có ảnh - x1, y1: toạ độ (tính từ góc bên trái) đối tượng thứ - width, height: chiều rộng, cao hình chữ nhật bao quanh đối tượng Tập tin mơ tả đối tượng sau tạo có cấu trúc Hình 8: - opencv_createsamples: tiện ích tạo mẫu thư viện OpenCV - -w 20 -h 20: kích thước chiều rộng, cao ảnh Sau thực Bước thu tập tin *.vec thư mục vec Bước 4: Tạo tập tin mô tả tập tin *.vec tương tự cách tạo tập tin mô tả đối tượng lớp âm Bước Sau bước thu tập tin vec.txt Bước 5: Sử dụng chương trình mergevec.cpp viết Natoshi Seo (http://note.sonots.com/) để kết hợp tập tin *.vec với thành tập tin vector phục vụ cho bước huấn luyện Câu lệnh: $ mergevec vec.txt samples.vec Trong đó: Hình Tập tin mơ tả đối tượng lớp dương - mergevec: tên chương trình kết nối tập tin *.vec Bước 2: Tạo tập tin mô tả đối tượng lớp âm, tập tin dạng text chứa tên ảnh có cấu trúc: - vec.txt: tập tin mô tả tập tin *.vec - samples.vec: tập tin kết … Bước 6: Huấn luyện liệu học cho mơ hình từ tập tin samples.vec tạo Bước Chúng tơi sử dụng tiện ích opencv_traincascade thư viện OpenCV để huấn luyện Câu lệnh: Tập tin mơ tả đối tượng sau tạo có cấu trúc Hình 9: $ /opencv_traincascade -data trainCascade -vec samples.vec -bg negative.txt -numPos 7000 -numNeg 12638 -numStages 25 -w 20 -h 20 -minHitRate 0.995 -maxFalseAlarmRate 0.5 percalcValBufSize 2000 -percalcIdxBufSize 2000 -mode ALL Hình Tập tin mơ tả đối tượng lớp âm Trong đó: - Tên_ảnh_1: tên ảnh âm thứ - Tên_ảnh_n: tên ảnh âm thứ n Bước 3: Tạo mẫu tiện ích opencv_createsamples createtrainsamples.pl: Tiện ích createtrainsamples.pl viết Natoshi Seo (http://note.sonots.com, 2015) Tiện ích cung cấp chức xoay ảnh theo trục x, y, z để vét cạn trường hợp đối tượng ảnh không nằm theo hướng thẳng đứng Câu lệnh: $ perl createtrainsamples.pl positive.txt negative.text vec 7000 “./opencv_createsamples -w 20 -h 20” Trong đó: - createtrainsamples.pl: tiện ích xoay ảnh tạo mẫu - positive.txt, negative.txt: tập tin mô tả đối tượng lớp dương lớp âm tạo Bước 162 Trong đó: - opencv_traincascade: tên chương trình huấn luyện liệu - -data trainCascade: thư mục chứa tập tin kết - -vec samples.vec: tập tin vector tạo Bước - -bg negative.txt: tập tin mô tả đối tượng lớp âm tạo Bước - -numPos 7000: số lượng mẫu lớp dương - -numNeg 12638: số lượng mẫu lớp âm - -numStage 25: số bước huấn luyện - -w 20 –h 20: kích thước rộng, cao ảnh - minHitRate 0.995: tỷ lệ nhận dạng thấp - -maxFalseAlarmRate 0.5: tỷ lệ cảnh báo sai cao - -percalcValBufSize 2000, -percalcIdxBufSize 2000: tỷ lệ Ram (MB) sử dụng huấn luyện liệu Khi trình huấn luyện kết thúc, thu tập tin cascade.xml Đây tập tin chứa liệu học để giúp hệ thống nhận dạng đối tượng triển khai xây dựng hệ thống Tập tin cascade.xml có cấu trúc Hình 10: Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) ảnh chụp Hình 10 Cấu trúc tập tin cascade.xml B Xây dựng hệ thống nhận dạng đếm cua giống Mơ hình tổng quát hệ thống Nhận dạng đếm số lượng cua giống mơ tả Hình 11: Hình 11 Mơ hình tổng qt hệ thống Nhận dạng đếm số lượng cua giống Sau xây dựng xong mơ hình nhận dạng, chúng tơi cài đặt mơ hình vào ứng dụng chạy thiết bị di động, trước mắt hệ điều hành Android thiết bị chạy Android phổ biến giá thành phù hợp với phần lớn người dùng, đặc biệt nông dân Sau cài đặt, ứng dụng cho phép người dùng chụp ảnh chậu chứa cua giống lưu ảnh vào nhớ điện thoại Sau đó, hệ thống thực tiền xử lý ảnh phép toán lọc ảnh để khử nhiễu trước tiến hành nhận dạng Kết đầu hệ thống số lượng cua giống xác định sau nhận dạng mơ hình chúng tơi xây dựng V KẾT QUẢ MINH HỌA Trong giai đoạn xây dựng huấn luyện mơ hình, chúng tơi dùng 12638 ảnh âm (ảnh cua) 1460 ảnh dương (các cua) để trích xuất 7000 đặc trưng phục vụ trình huấn luyện Sau huấn luyện xong, mơ hình triển khai thiết bị di động chạy hệ điều hành Android Từ ảnh chụp cua chậu, hệ thống tự động nhận dạng, đếm hiển thị số minh họa Hình 12 Trong hình này, hệ thống nhận dạng đếm 356 Trong nhận dạng 334 con, nhận dạng nhầm 22 tổng số lượng cua thực tế ảnh 375, với độ xác tương ứng 89% Để độ xác khách quan hơn, người sử dụng chụp nhiều lần nhiều góc độ khác nhau, sau hệ thống cho kết trung bình số 163 Hình 12 Kết nhận dạng đếm cua giống Những hệ thống nhận dạng bao hình chữ nhật Hình 13 minh hoạ kết nhận dạng chụp ảnh Hình 12 góc độ nghiêng Hệ thống nhận dạng 245 số 270 nhận dạng (ảnh thực 375 con) Tuy nhiên độ xác thấp nhiều (đạt 65.33%) đối tượng bị khuất nhỏ Yếu tố (chủ quan) khắc phục đơn giản cách hướng dẫn người dùng chụp trực diện hình ảnh thay chụp nghiêng để có kết tốt Thử nghiệm môi trường thực tế, chụp ảnh sau lấy kết trung bình, độ xác đạt 81.86% Chúng tiếp tục việc kiểm thử nhiều ảnh khác tương lai VI KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Chúng đề xuất xây dựng mơ hình Nhận dạng cua giống thiết bị di động dựa giải thuật Boosting phân tầng đặc trưng Haar-like Nghiên cứu tiền đề cho nghiên cứu ứng dụng công nghệ cao để phục vụ Nông nghiệp – Nông dân – Nông thôn, đặc biệt ứng dụng thiết bị di động Kết bước đầu cho thấy mơ hình đề Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) xuất khả thi, độ xác mơ hình chưa mong muốn Chúng tơi tiếp tục cải tiến thuật toán tập liệu học để tăng độ xác cho kết nhận dạng Sau phát triển hệ điều hành thông dụng khác iOS, Windows Phone 10 11 12 13 14 Hình 13 Minh họa kết nhận dạng đếm cua giống chụp góc nghiêng 15 16 17 TÀI LIỆU THAM KHẢO Bahlmann C., Ying Zhu, Ramesh V., Pellkofer M., Koehler T., 2005 A system for traffic sign detection, tracking, and recognition using color, shape, and motion information Intelligent Vehicles Symposium, IEEE: 255-260 164 Bulanon D.M., Kataoka T., Ota Y., Hiroma T., 2002 Automation and Emerging Technologies: A Segmentation Algorithm for the Automatic Recognition of Fuji Apples at Harvest Biosystems Engineering 83(4): 405-412 Châu Ngân Khánh, Đoàn Thanh Nghị, 2014 Nhận dạng mặt người với giải thuật Haar Like Feauture – Cascade of Boosted Classifiers đặc trưng SIFT Tạp chí khoa học Đại học An Giang 3(2): 15-24 Freund, Y., Robert E.Schapire, 1995 A decision- theoretic generalization of on-line learning and an application to boosting AT&T Labs, New Jersey Hong L., Yifei Wan, Jain A., 1998 Fingerprint image enhancement: algorithm and performance evaluation Pattern Analysis and Machine Intelligence, IEEE Transactions 8: 777789 Javier Ruiz-del-Solar, Rodrigo Verschae, 2006 Object detection using cascades of boosted classifiers Universidad de Chile, Chile John R Jensen and Dr Kalmesh Lulla, 1987 Introductory digital image processing: A remote sensing perspective Geocarto International 1: 65 Lienhart, R., Kuranov, A., & Pisarevsky, V., 2002 Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection Microprocessor Research Lab, USA Lienhart, R., Maydt, R., 2002 An Extended Set of Haar-like Features for Rapid Object Detection Intel Labs, Intel Corporation, Santa Clara, USA McAuliffe M.J., Lalonde F.M., McGarry D., Gandler W., Csaky K., Trus B.L, 2001 Medical Image Processing, Analysis and Visualization in clinical research Computer-Based Medical Systems, IEEE Symposium: 381-386 Nguyễn Thái Nghe, Nguyễn Văn Đồng, Võ Hùng Vĩ, 2014 Một giải pháp xây dựng hệ thống hỗ trợ giữ xe thơng minh Tạp chí khoa học Trường Đại học Cần Thơ 35: 17-30 Paul A Viola and Michael J Jones, 2001 Rapid Object Detection using a Boosted Cascade of Simple Features IEEE Conference on Computer Vision and Pattern Recognition Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai, 2009 Kết hợp phân lớp SVM cho việc nhận dạng chữ Việt viết tay rời rạc Tạp chí Tin học Điều khiển học 25(1): 88-97 Pierre Jannin, J Michael Fitzpatrick, David Hawkes, Xavier Pennec, Ramin Shahidi, et al , 2002 Validation of medical image processing in image-guided therapy IEEE Transactions on Medical Imaging, Institute of Electrical and Electronics Engineers (IEEE) 21(12): 1445-9 Viola, P., Jones, M., 2001 Robust Real-time Object Detection International Journal of Computer Vision Viola, P., Jones, M., 2004 Robust Real-time Face Detection International Journal of Computer Vision, Netherlands Wei Ji, Dean Z., Fengyi C., Bo Xu, Ying Z., Jinjing Wan, 2012 Automatic recognition vision system guided for apple harvesting robot Computers &Electrical Eng., 38(5): 11861195  ... cascade.xml B Xây dựng hệ thống nhận dạng đếm cua giống Mơ hình tổng qt hệ thống Nhận dạng đếm số lượng cua giống mơ tả Hình 11: Hình 11 Mơ hình tổng qt hệ thống Nhận dạng đếm số lượng cua giống Sau xây... xây dựng mơ hình ? ?Nhận dạng đếm số lượng cua giống? ?? thiết bị di động nhằm hỗ trợ nông dân cách đếm khác thay cho cách đếm truyền thống mua cua giống Đây cách giúp người Nông dân bảo vệ quyền lợi... triển khai mô hình xây dựng lên thiết bị di động tảng Android để nhận dạng đếm số lượng cua giống A Xây dựng mơ hình nhận dạng cua giống Quy trình nhận dạng cua giống thơng qua bước mơ tả Hình