Xây dựng hệ thống tra cứu thực vật rừng tại thành phố đà nẵng ứng dụng mô hình học sâu (tt)

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG BÙI QUANG THUẬN ĐỀ TÀI XÂY DỰNG HỆ THỐNG TRA CỨU THỰC VẬT RỪNG TẠI THÀNH PHỐ ĐÀ NẴNG ỨNG DỤNG MÔ HÌNH HỌC SÂU Chun ngành: Khoa học máy tính Mã số: 60.48.01 TÓM TẮT LUẬN VĂN THẠC SĨ NGÀNH KHOA HỌC MÁY TÍNH Đà Nẵng - Năm 2022 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Cơng trình hồn thành ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học: TS Nguyễn Văn Hiệu Phản biện 1: TS BÙI THỊ THANH THANH Phản biện 2: TS LÂM TÙNG GIANG Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ Chuyên ngành Khoa học máy tính họp Đại học Đà Nẵng vào ngày tháng năm Có thể tìm hiểu luận văn tại: - Trung tâm Học liệu TT Đại học Bách khoa_ ĐHĐN - Thư viện Khoa Công nghệ thông tin, Trường Đại học Bách Khoa - Đại học Đà Nẵng THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội MỞ ĐẦU Lý chọn đề tài Theo tài liệu thống kê, Việt Nam 25 nước có mức độ đa dạng sinh học cao giới với dự tính có tới 20.000-30.000 loài thực vật Việt Nam xếp thứ 16 mức độ đa dạng sinh học, chiếm 6.5% số loài có giới Theo dự đốn nhà thực vật học số lồi thực vật bậc cao có mạch lên đến 12.000 lồi, có khoảng 2.300 lồi nhân dân dùng làm nguồn lương thực, thực phẩm, thuốc chữa bệnh, thức ăn cho gia súc, lấy gỗ, tinh dầu nhiều nguyên vật liệu khác Hiện giới có nhiều sở liệu, hệ thống ứng dụng đề cập đa dạng tài nguyên thực vật phổ biến rộng rãi Internet Nhưng Việt Nam có thơng tin hay ứng dụng đề cập đến vấn đề này, có liệu cịn ít, rời rạc chưa xác Bên cạnh đó, việc quản lý liệu ứng dụng sơ sài, chưa đáp ứng khả cung cấp nhìn tổng qt thơng tin bổ ích đến người sử dụng Ví dụ chun gia cần tra cứu thơng tin sinh học ngành, bộ, họ, chi, loài… cơng dụng chữa bệnh hay vị trí phân bố địa lí lồi thực vật để đưa kế hoạch bảo tồn nhân giống Vì vậy, việc lên kế hoạch để thu thập hoàn thành xây dựng sở liệu đa dạng thực vật vấn đề cần thiết việc bảo vệ trì đa dạng sinh học nước ta Khơng dừng lại đó, chúng tơi hướng đến việc mở rộng chủ đề từ liệu liên quan đến đa dạng thực vật việc trực quan hóa thơng tin, phân bố địa lí lồi thực vật đồ hệ thống thông tin địa lý cho thực vật module hỗ trợ tra cứu thực vật từ thông tin tên loài, khu vực phân bố… đặc biệt định danh lồi thực vật hình ảnh Chính lý trên, đề xuất triển khai đề tài “Xây dựng hệ thống tra cứu thực vật rừng Thành Phố Đà Nẵng ứng dụng mơ hình học sâu” Mục đích ý nghĩa đề tài a Mục đích Đề tài “Xây dựng hệ thống tra cứu thực vật rừng Thành Phố Đà Nẵng ứng dụng mơ hình học sâu” triển khai nhằm mục đích xây dựng cổng thông tin đa dạng sinh học tài nguyên thực vật b Ý nghĩa khoa học Đề tài hoàn thành việc thu thập liệu lồi thực vật trực quan hóa phân bố địa lý thực vật đồ giúp ích nhiều cho chuyên gia, làm việc lĩnh vực sinh vật học dễ dàng tra cứu thông tin, nghiên cứu khu hệ thực vật Ngoài ra, đề tài hoàn thành sở xây dựng kế hoạch quản lý, bảo tồn tính đa dạng sinh học, bảo vệ mơi trường phát triển kinh tế, xã hội THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội c Ý nghĩa thực tiễn Một ứng dụng tra cứu thực vật thật công cụ tuyệt vời cho sinh viên, nghiên cứu sinh chuyên gia hoạt động lĩnh vực tài nguyên môi trường việc khai thác thông tin khu bảo tồn thiên nhiên, vườn quốc gia… thời buổi Việt Nam thiếu chuyên gia sinh học thời đại chuyển đổi số Mục tiêu nhiệm vụ a Mục tiêu Đề tài bao gồm mục tiêu • Hồn thành thu thập xây dựng khung cở sở liệu đa dạng thực vật học (bộ khung sau áp dụng cho thực vât Việt Nam) • Hồn thành triển khai hệ thống thơng tin địa lý đa dạng thực vật học Đà Nẵng • Triển khai module định danh tra cứu thực vật thơng qua hình ảnh b Nội dung thực Để đạt mục tiêu nêu trên, đề tài đặt số nội dung sau: - Nội dung 1: Thu thập liệu tài nguyên đa dạng thực vật bao gồm liệu liên quan đến thơng tin, phân bố địa lí hình ảnh thực vật khu bảo tồn thiên nhiên, vườn quốc gia Thu thập liệu từ nguồn sau: • Các chuyên gia thu thập liệu (tên thực vật, hình ảnh, tọa độ) từ thực tế • Các phương pháp thu thập liệu thực vật từ nguồn Internet - Nội dung 2: Tổng hợp chỉnh sửa liệu thu thập để hoàn thành CSDL đa dạng thực vật khu hệ thực vật • Hình ảnh: liệu hình ảnh chụp từ thực tế thu thập từ internet tổ chức vào thư mục server theo loại phục vụ cho việc xây dựng module tra cứu định danh thực vật • Tọa độ địa lý: tọa độ thập loại thực vật lưu trữ vào sở liệu phù hợp để phục vụ cho việc trực quan hóa đồ • Thơng tin thực vật: chuyên gia thực vật hiệu chỉnh tên, công dụng, chức năng, đặc điểm, sinh thái, vị trí phân bố…Hoặc tham khảo từ liệu từ Internet - Nội dung 3: Xây dựng hệ thống thơng tin địa lí quản lý đa dạng thực vật khu bảo tồn thiên nhiên, vườn quốc gia Bao gồm chức sau: • Xây dựng module học máy để định danh tra cứu thực vật với đầu vào text (sử dụng Elasticsearch) đầu vào hình ảnh (sử dụng module học máy) THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội • Xây dựng hệ thống thông tin tảng Web với chức định danh tra cứu thực vật Đồng thời triển khai liệu tài nguyên thực vật đồ Đối tượng phạm vi nghiên cứu Trong khuôn khổ luận văn thuộc loại nghiên cứu ứng dụng, giới hạn nghiên cứu vấn đề sau: Đối tượng: • Đề tài tập trung vào thực vật rừng thành phố Đà Nẵng Phạm vi: • Dữ liệu phân bố thực vật khu bảo tồn thiên nhiên, vườn quốc gia bán đảo Sơn Trà, khu bảo tồn Bà Nà Núi Chúa, khu bảo tồn thiên nhiên Nam Hải Vân • Tra cứu thơng tin liên quan đến thực vật • Các mơ hình học máy phục vụ tra cứu hình ảnh Phương pháp nghiên cứu a Phương pháp lý thuyết • Tiến hành thu thập nghiên cứu tài liệu có liên quan đến đề tài • Nghiên cứu kiến thức thực vật phục vụ cho việc thu thập liệu • Nghiên cứu kiến thức liên quan đến đồ MapBox, GIS… • Nghiên cứu cơng nghệ để giải toán “Xây dựng hệ thống tra cứu thực vật rừng Thành Phố Đà Nẵng ứng dụng mơ hình học sâu” • Nghiên cứu mơ hình học máy hỗ trợ tra cứu thực vật hình ảnh MobileNet, VGG16, MobiFaceNet… b Phương pháp thực nghiệm • Phân tích u cầu thực tế tốn đa dạng thực vật • Thu thập liệu xây dựng chương trình thử nghiệm đa dạng thực vật Việt Nam sử dụng hệ thống thơng tin địa lí • Triển khai giải pháp tra cứu thông tin thực vật kết hợp mơ hình học sâu • Đánh giá hiệu chỉnh kết Dàn ý nội dung Bố cục luận văn bao gồm 03 chương chính: THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội CHƯƠNG 1: “TỔNG QUAN HỆ THỐNG TRA CỨU THỰC VẬT VÀ CƠ SỞ LÝ THUYẾT” trình bày tổng quan vấn đề cách tiếp cận để triển khai hệ thống thơng tin cho tốn tra cứu thơng tin thực vật Tiếp theo trình bày sở lý thuyết phương pháp học sâu Mạng nơ ron tích chập mơ hình biến thể sử dụng đề tài nghiên cứu VGG16, MobilenetV2 MobileFacenet Và giới thiệu sơ lược sở lý thuyết hệ thông tin địa lý CHƯƠNG 2: “XÂY DỰNG HỆ THỐNG TRA CỨU THỰC VẬT” trình bày quy trình triển khai hệ thống thơng tin tra cứu thông tin thực vật tthực giải pháp để thu thập liệu loài thực vật bước biên tập thành khung sở liệu hoàn chỉnh Từ triển khai mơ hình thành ứng dụng với giải pháp tra cứu dựa đồ, tra cứu dựa hình ảnh, tra cứu dựa liệu biên tập cho hệ thống thông tin CHƯƠNG 3: “TRIỂN KHAI HỆ THỐNG VÀ ĐÁNH GIÁ KẾT QUẢ” trình bày kết đạt với tiêu đề quy trình nội dung Chương Và cuối việc thực đánh giá khả tính ứng dụng hệ thống tra cứu thực vật THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội CHƯƠNG 1: TỔNG QUAN HỆ THỐNG TRA CỨU THỰC VẬT VÀ CƠ SỞ LÝ THUYẾT 1.1 Tổng quan hệ thống tra cứu thực vật 1.1.1 Giới thiệu Theo tài liệu thống kê, Việt Nam 25 nước có mức độ đa dạng sinh học cao giới với dự tính có tới 20.000-30.000 loài thực vật Việt Nam xếp thứ 16 mức độ đa dạng sinh học, chiếm 6.5% số lồi có giới Theo dự đốn nhà thực vật học số loài thực vật bậc cao có mạch lên đến 12.000 lồi, có khoảng 2.300 lồi nhân dân dùng làm nguồn lương thực, thực phẩm, thuốc chữa bệnh, thức ăn cho gia súc, lấy gỗ, tinh dầu nhiều nguyên vật liệu khác Theo số liệu lấy từ Bộ Nông nghiệp Phát triển nông thôn công bố trạng rừng tồn quốc năm 2019, tính đến ngày 31/12/2019, diện tích đất rừng tồn quốc 14.609.220 Tại Việt Nam có thơng tin hay ứng dụng đề cập đến vấn đề này, có liệu cịn ít, rời rạc chưa xác Bên cạnh đó, việc quản lí liệu ứng dụng cịn sơ sài, chưa đáp ứng khả cung cấp nhìn tổng qt thơng tin bổ ích đến người sử dụng Ví dụ chuyên gia cần tra cứu thông tin sinh học ngành, bộ, họ, chi, lồi… cơng dụng chữa bệnh hay vị trí phân bố địa lí lồi thực vật để đưa kế hoạch bảo tồn nhân giống Vì vậy, việc lên kế hoạch để thu thập hoàn thành xây dựng sở liệu đa dạng thực vật vấn đề cần thiết việc bảo vệ trì đa dạng sinh học nước ta Khơng dừng lại đó, chúng tơi hướng đến việc mở rộng chủ đề từ liệu liên quan đến đa dạng thực vật việc trực quan hóa thơng tin, phân bố địa lí loài thực vật đồ hệ thống thơng tin địa lí cho thực vật module hỗ trợ tra cứu thực vật từ thông tin tên loài, khu vực phân bố… đặc biệt định danh lồi thực vật hình ảnh Chính lý trên, đề xuất triển khai đề tài “Xây dựng hệ thống tra cứu thực vật Thành phố Đà Nẵng ứng dụng mơ hình học sâu” Trong phạm vi đề tài này, cho triển khai thành phố Đà Nẵng trước tiên mở rộng cho tỉnh thành khác Việt Nam tương lai 1.1.2 Bài toán tra cứu thực vật Việc quản lý lưu trữ cách có hệ thống lồi thực vật gặp hỗ trợ tích cực cho việc tiếp cận tính đa dạng hệ thực vật nói chung hệ thực vật Việt Nam nói riêng Và việc tra cứu định danh lồi công việc diễn thường xuyên người làm lĩnh vực sinh học Để xây dựng giải pháp tra cứu thông tin thực vật cần phải có kiến thức giới thực vật để công việc “Xếp Loại” “Định Danh” thực vật đạt độ xác cao Xếp loại việc đặt thực vật biết đến vào nhóm thể loại để hiển thị số mối quan hệ Định danh thực vật sau tuân theo hệ thống quy tắc tiêu chuẩn hóa kết quả, tiếp tục gộp thể loại xếp vào hệ thống phân cấp Việc định danh thực vật tạo hệ thống cấu trúc để đặt tên xếp danh mục cho loài phát hiện, trường hợp lý tưởng phản ánh ý tưởng khoa học mối quan hệ lồi thực vật Từ đó, việc tra cứu thơng tin định danh thực vật dùng nhiều giải pháp khác sử dụng tên để tìm kiếm định danh thơng qua hình ảnh … THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 1.1.3 Tra cứu thực vật hình ảnh Bài tốn tra cứu thực vật hình ảnh hay phân loại thực vật xuất từ lâu có nhiều báo, cơng trình khoa học đưa nhằm đề xuất cải tiến thuật tốn cũ Trong đó, xuất sớm phương pháp xử lý ảnh phương pháp tập trung vào phát triển thuật tốn nhằm trích xuất tin, ví dụ tham số màu sắc, hình dạng, kết cấu, kích thước, …từ ảnh đầu vào để phân loại thực vật Trong năm gần đây, nhờ phát triển vượt bậc sức mạnh tính tốn máy tính bùng nổ liệu internet, học sâu đạt nhiều thành tựu đáng kể lĩnh vực xử lý ảnh xử lý ngôn ngữ tự nhiên Phương pháp học sâu áp dụng thành cơng vào tốn phân loại thực vật bước đầu đạt số kết kinh ngạc 1.2 Hệ thống thơng tin địa lí Hệ thống thông tin địa lýlà công cụ tập hợp quy trình dựa máy tính để lập đồ, lưu trữ thao tác liệu địa lý, phân tích vật tượng thực trái đất, dự đoán tác động hoạch định chiến lược Một tập hợp có tổ chức phần cứng, phần mềm, sở liệu người thiết kế để thu nhận, lưu trữ, cập nhật, thao tác phân tích làm mơ hình hiển thị tất dạng thơng tin địa lý có quan hệ khơng gian nhằm giải vấn đề quản lý quy hoạch GIS làm thay đổi đáng kể tốc độ mà thông tin địa lý sản xuất, cập nhật phân phối GIS làm thay đổi phương pháp phân tích liệu địa lý, hai ưu điểm quan trọng GIS so với đồ giấy dễ dàng cập nhật thông tin không gian tổng hợp hiệu nhiều tập hợp liệu thành sở liệu kết hợp 1.3 Mạng học sâu 1.3.1 Mạng nơ-ron tích chập Mạng nơ-ron tích chập (CNN - Convolutional Neural Network) mô hình mạng Học sâu phổ biến nay, có khả nhận dạng phân loại hình ảnh với độ xác cao, chí cịn tốt người nhiều trường hợp Mơ hình phát triển, ứng dụng vào hệ thống xử lý ảnh lớn Facebook, Google hay Amazon… cho mục đích khác thuật tốn tagging tự động, tìm kiếm ảnh gợi ý sản phẩm cho người tiêu dùng Các lớp mạng CNN bao gồm: Lớp tích chập (Convolutional Layer), Lớp kích hoạt phi tuyến ReLU (Rectified Linear Unit Layer), Lớp lấy mẫu (Pooling Layer) Lớp kết nối đầy đủ (Fully-connected Layer), thay đổi số lượng cách xếp để tạo mơ hình huấn luyện phù hợp cho toán khác 1.3.2 Kiến trúc mạng VGG16 Mơ hình VGG16 mơ hình CNN cải thiện độ xác phân loại cách thêm độ sâu, đề xuất K Simonyan A Zisserman từ Đại học Oxford [20] VGG16 đạt 92,7% độ xác top tập liệu ImageNet, bao gồm 14 triệu hình ảnh 1000 lớp Kiến trúc mơ hình gửi giành chiến thắng thi ImageNet ILSVR năm 2014 Nó cải thiện AlexNet cách thay lọc kích thước hạt nhân lớn nhiều lọc kích thước hạt nhân × THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội Trong kiến trúc VGG16, hình ảnh RGB kích thước cố định 224 x 224 đầu vào lớp cov1 Một chồng lớp phức tạp qua hình ảnh lọc có trường tiếp nhận nhỏ: × Bộ lọc tích chập × sử dụng trong cấu hình để thực chuyển đổi tuyến tính cho kênh đầu vào Khơng gian việc gộp chung thực năm lớp gộp tối đa sau số lớp phức hợp Tối đa pooling hoạt động với bước sóng cửa sổ × pixel Có ba kết nối đầy đủ lớp sau chồng lớp tích tụ, lớp số hai lớp có 4096 kênh, thứ ba chứa 1000 kênh Lớp softmax lớp cuối Đầy đủ cấu hình lớp kết nối giống tất mạng tất lớp ẩn bao gồm chỉnh lưu (ReLU) phi tuyến tính 1.3.3 Kiến trúc mạng MobilenetV2 MobileNet mơ hình xương sống để khai thác tính sử dụng rộng rãi mặt lý thuyết thực tế Hơn nữa, có hiệu suất đại cho đối tượng phát phân đoạn ngữ nghĩa Trong mơ hình MobileNet, chiều sâu phân tách Convolution làm giảm đáng kể kích thước mơ hình độ phức tạp mạng, áp dụng cho điện thoại di động thiết bị có cơng suất tính tốn thấp So với mơ hình MobileNetV1, Mơ hình MobileNetV2 có mơ-đun tốt với cấu trúc phần dư đảo ngược khơng có bất tuyến tính lớp hẹp Sử dụng hệ số chiều rộng độ phân giải đầu vào khác nhau, mơ hình MobileNetV2 hoạt động tốt MobileNetV1, có chi phí tính tốn kích thước mơ hình tương đương Hơn nữa, mơ hình MobileNetV2, có hệ số nhân chiều rộng 1,4, hoạt động tốt với suy luận nhanh thời gian ShuffleNet (× 2) NASNet 1.3.4 Kiến trúc mạng MobileFacenet MobileFaceNet loại mô hình sáng tạo nhằm giải tốn Xác minh khuôn mặt, công nghệ xác thực danh tính quan trọng [24] Nó sử dụng ngày nhiều điện thoại di động ứng dụng - chẳng hạn để mở khóa thiết bị tảng tốn di động, số tảng khác Để đạt thân thiện với người dùng tối đa với tài nguyên tính tốn hạn chế, mơ hình xác minh khn mặt triển khai cục thiết bị di động kỳ vọng khơng xác mà cịn nhỏ nhanh chóng ➢ Global Depthwise Convolution Để xử lý đơn vị khác FMap-end với tầm quan trọng khác nhau, thay global average pooling layer global depthwise convolution layer (được ký hiệu GDConv) Lớp GDConv lớp tích chập theo chiều sâu với kích thước kernel kích thước đầu vào, pad = stride = Đầu cho lớp tích chập theo chiều sâu tồn cục tính sau: 𝐺𝑚 = ∑𝑖,𝑗 𝐾𝑖,𝑗,𝑚 ⋅ 𝐹𝑖,𝑗,m (3) 𝐹 đồ tính đầu vào có kích thước 𝑊 × 𝐻 × 𝑀, 𝐾 nhân chập theo chiều sâu có kích thước 𝑊 × 𝐻 × 𝑀, 𝐺 đầu kích thước × × 𝑀 ， kênh 𝑚𝑡ℎ 𝐺 có phần tử 𝐺𝑚, (𝑖, 𝑗) biểu thị vị trí khơng gian 𝐹 𝐾, 𝑚 biểu thị số kênh Tích chập theo chiều sâu tồn cầu có chi phí tính tốn là: THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 𝑊 ⋅ 𝐻 ⋅ M (4) Khi sử dụng sau FMap-end MobileNetV2 để nhúng đặc điểm khn mặt, lớp tích chập theo chiều sâu tồn cục kernel size × × 1280 xuất vectơ đặc điểm khuôn mặt 1280 chiều với chi phí tính tốn 62720 MAdds (tức số lượng hoạt động đo multiply-adds) 62720 tham số Hãy để MobileNetV2-GDConv biểu thị MobileNetV2 với lớp tích chập theo chiều sâu tồn cục Lớp cấu trúc hiệu cho thiết kế MobileFaceNets ➢ Kiến trúc MobileFaceNet Kiến trúc MobileFaceNet phần lấy cảm hứng từ kiến trúc MobileNetV2 Các nút thắt cổ chai lại đề xuất MobileNetV2 sử dụng làm khối xây dựng chúng tơi Các nhà nghiên cứu sử dụng PReLU phi tuyến tính, phù hợp để xác minh khuôn mặt sử dụng ReLU Các nhà nghiên cứu sử dụng chiến lược lấy mẫu nhanh đầu mạng lớp tích chập × tuyến tính theo sau lớp tích chập theo chiều sâu tồn cục tuyến tính làm lớp đầu tính Mạng MobileFaceNet sử dụng 0,99 triệu tham số Để giảm chi phí tính toán, nhà nghiên cứu định thay đổi độ phân giải đầu vào từ 112 × 112 thành 112 × 96 96 × 96 Lớp tích chập × tuyến tính sau lớp GDConv tuyến tính bị xóa khỏi MobileFaceNet Điều tạo mạng kết gọi MobileFaceNet-M ➢ ArcFace - Additive Angular Margin Loss Hàm mát Additive Angular Margin Loss xem cải tiến cho hàm softmax, tích vơ hướng véc tơ đặc điểm từ mơ hình DCNN lớp fullly connected cuối với khoảng cách cosine feature weight chuẩn hóa Chúng ta tận dụng hàm arc-cosine để tính góc feature weight mục tiêu Sau cộng thêm additive angular margin vào góc mục tiêu thu lại véc tơ logit thông qua hàm cosine Tiếp theo, logits định lại tỉ lệ bước lại giống hệt hàm mát softmax Tóm tắt các bước sau: • Bước 1: Sau normalization weights feature vectors, ta lấy cosθj với ∀j=1,2, ,C • Bước 2: Ta cần tính θj (rất dễ dàng, cần lấy ArcCos được) θj góc ground truth weight Wyi feature vector xi • Bước 3: Sau ta tính cos(θ+m) Nếu bạn cịn nhớ vịng trịn lượng giác, khoảng từ đến π, góc tăng cos giảm • Bước 4: Tính s∗cos(θ+m) Sau đưa vào softmax để lấy phân phối xác suất probability nhãn • Bước 5: Cuối cùng, ta có ground truth vector (là label one-hot) probability, đóng góp vào cross entropy loss THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội CHƯƠNG 2: PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG TRA CỨU THỰC VẬT Chương giới thiệu phân hệ chức cần triển khai cho hệ thống tra cứu thực vật trình bày quy trình triển khai hệ thống theo bước Hình 2.0 Chúng thực giải pháp để thu thập liệu loài thực vật bước biên tập thành khung sở liệu hoàn chỉnh Từ triển khai mơ hình thành ứng dụng với giải pháp tra cứu dựa đồ, tra cứu dựa hình ảnh, tra cứu dựa liệu biên tập cho hệ thống thông tin 2.1 Yêu cầu hệ thống Các nội dung yêu cầu cho hệ thống tra cứu thực vật chia thành phân hệ Phân hệ chức tra cứu thông tin Phân hệ chức tra cứu phân bố Bản đồ Phân hệ chức thống kê báo cáo Phân hệ chức biên tập liệu Phân hệ chức quản lí người dùng 2.2 Ứng dụng mơ hình học sâu vào tra cứu hình ảnh 2.2.1 Thu thập liệu Để thu thập số liệu đa dạng sinh học phạm vi đề tài này, chia công việc thành hai nguồn chính, thứ thu thập liệu địa bàn thành phố Đà Nẵng thứ hai thu thập từ nguồn Internet để làm bổ sung vào danh mục liệu thiếu 2.2.1.1 Quy trình thu thập liệu địa bàn Đà Nẵng Như đề cập chương I, phạm vi đề tài triển khai thu thập liệu thí điểm Đà Nẵng trước địa điểm Khu bảo tồn thiên nhiên Bán Đảo Sơn Trà, Khu Bảo tồn thiên nhiên Bà Nà – Núi Chúa, Nam Hải Vân Ngũ Hành Sơn Việc thu thập liệu bao gồm thu thập ảnh, thông tin cá thể vị trí phân bố sau tổng hợp phân loại thành sở liệu nhờ vào việc tổng hợp kiến thức giới thực vật Với đội ngũ chuyên gia giàu kinh nghiệm lĩnh vực sinh học, chúng tơi hồn thành việc thu thập liệu tháng Kết thu với số liệu tổng hợp Bảng 2.2.1-1 sau: Số lượng loài thực vật 433 loài thuộc 114 Họ, thuộc Ngành Số lượng tọa độ phân bố Gần 4400 tọa độ Số lượng ảnh trng Gần 3000 ảnh 433 lồi Bảng 2.2.1-1 Thống kế số lượng liệu thu thập Đà Nẵng 2.2.1.2 Quy trình thu thập liệu từ nguồn Internet Nguồn liệu thu thập từ trường không đủ để chúng tơi thực q trình xây dựng mơ hình huấn luyện, chúng tơi đề xuất thu thập thêm liệu cho cá thể loài thực vật dựa vào nguồn tài nguyên dồi internet Bộ liệu hình ảnh thực vật bổ sung cách thu thập từ THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 10 nhiều nguồn khác Google, EoL, vncreatures.net trang trực tuyến bách khoa toàn thư sinh vật Việt Nam, gồm hàng nghìn lồi thực vật Việt Nam Nội dung trang web bao gồm mô tả chi tiết, tên thực vật, khoa học danh pháp hình ảnh tự nhiên 2.2.2 Tiền xử lí liệu Giai đoạn thu thập liệu hồn thành, để hệ thống thơng tin mang lại nhiều chức hữu dụng cho cơng tác tra cứu tìm kiếm, chúng tơi thực phân loại loài thực vật dựa tiêu chí sau: - Tiêu chí trạng lồi thực vật nguy cấp quý - Tiêu chí giá trị hữu dụng loài thực vật - Tiêu chí dạng sống lồi thực vật 2.2.3 Các mơ hình huấn luyện Việc phân loại lồi thực vật không đơn giản từ ảnh đầu vào bao gồm tất phận lá, hoa, trái, vỏ lồi nhận diện phân loại Mỗi loài thực vật có kích thước hình dáng lá, hoa, trái, vỏ khác nhau, ta cần phải tìm đặc trưng phận lá, hoa, trái, thân lồi thực vật phân biệt Từ hướng tiếp cận trên, chúng tơi thử nghiệm quy trình huấn luyện với giải pháp trình bày theo quy trình sau Chúng tơi triển khai module để giải giải pháp tra cứu thực vật theo quy trình trên: • Module 1: Phân biệt phận lồi thực vật với mơ hình VGG16 • Module 2: Nhận diện định danh lồi thực vật với MobilenetV2 • Module 3: Nhận diện ảnh thực thể định danh loài thực vật với MobileFacenet 2.2.3.1 Module phân biệt phận loài thực vật với mơ hình VGG16 Bộ liệu với tổng cộng gần 21695 ảnh thu thập từ thực tế số nguồn Internet Với trung bình gần 4300 ảnh cho phận hoa, lá, quả, thân cây, tồn thực thể 2.2.3.1.2 Mơ hình huấn luyện VGG16 thực điều chỉnh layers Chúng dùng mơ hình CNN dựa VGG-16 có đầu dự đốn độ xác phận loài thực vật bao gồm: “thực thể cây, lá, hoa, trái, vỏ cây” VGG16 mơ hình huấn luyện tốt, chúng tơi khơng cần phải điều chỉnh weights mơ hình Chúng thay Fully Connected Layers màu tím cố định mạng VGG16 Layers điều chỉnh phù hợp Vì Fully Connected Layers màu tím layers mặc định nằm đỉnh mơ hình VGG16, khơng phù hợp với tốn phân biệt phận chúng tơi cần đối tượng "Lá, Thân, Hoa, Quả, Thực thể", lí phải cần điều chỉnh lại lớp FC với loại nhãn cần phần biệt 2.2.3.2 Module nhận diện định danh loài thực vật với MobilenetV2 Với kết bước một, ta biết hình ảnh đầu vào gồm phận nào, bất khả thi để biết hình ảnh lồi thực vật Do đó, kĩ thuật trích chọn đặc trưng đóng vai THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 11 trị vơ quan trọng để lấy chi tiết quan trọng ảnh đem phân loại xem có xác suất giống với lồi thực vật Chúng tiếp cận theo hướng sử dụng Triple Loss để trích xuất đặc trưng, tách lớp Softmax cuối kiến trúc MobilenetV2 thay thuật toán phân loại Support Vector Machine 2.2.3.2.1 Chuẩn bị liệu Thống kế tổng số lượng nhãn 602 loài thực vật tổng số lượng images gần 10782 ảnh Lá chuẩn bị cho mơ hình huấn luyện MobilenetV2 2.2.3.2.2 Mơ hình trích xuất đặc trưng với MobileNetV2 So sánh hiệu năng, tốc độ xử lí đặc biệt độ xác chúng nhận thấy MobileNetV2 phù hợp, triển khai thiết bị Mobile với kích thước nhỏ gọn Để hiểu cách MobileNetV2 trích chọn đặc trưng lồi thực vật, chúng tơi thực mơ cách mơ hình MobileNetV2 trích xuất đặc trưng từ ảnh đầu vào với hidden layers thứ nhất, thứ mười, thứ hai mươi năm mươi cho “Lá” để nhìn tổng quan quy trình trích xuất đặc trưng mơ hình 2.2.3.2.3 Phân loại vector đặc trưng Đây giai đoạn cuối giúp biết với đặc trưng ảnh đầu vào định danh lồi thực vật Có nhiều thuật tốn tiếng giúp ta giải vấn đề máy vectơ hỗ trợ, K láng giềng gần nhất, Naives Bayes, Decision Tree, Neural Network… hay thuật toán tiếng phát gần XGboost, Light GBM Ở đây, lựa chọn thuật tốn truyền thống, tiếng có độ chuẩn xác cao Support Vector Machine Mơ hình huấn luyện liệu với 602 nhãn, lồi thực vật có tập hình ảnh chuyển đổi sang vector đặc trưng để làm liệu cho việc huấn luyện Support Vector Machine.Việc phân loại tiến hành cách sử dụng vector đặc trưng trích xuất từ hình ảnh cần dự đốn, việc đưa vào mơ hình huấn luyện Support Vector Machine có định danh lồi thực vật có xác suất cao so với hình ảnh cần dự đốn sử dụng vector đặc trưng từ kết giai đoạn trước làm đầu vào mơ hình phân loại xây dựng Support Vector Machine 2.2.3.3 Module nhận diện thực thể định danh thực vật với MobileFacenet Chúng ta phân biệt định danh lồi thực vật thông qua Tuy nhiên với giải pháp đó, ảnh đầu vào ảnh thực thể chứa nhiều phận loài thực vật bao gồm “lá, hoa, cành, quả, thân”, hay có nhiều vùng ảnh có màu xanh, hình dáng giống khơng thể trích xuất đặc trưng độ xác việc phân loại khơng mạng lại kết mong muốn Do chúng tơi cần tìm kiếm giải pháp tốt để xử lí vấn đề định danh lồi thực vật thơng qua với ảnh thực thể nó, khơng cịn mơ hình huấn luyện bao gồm “lá” giải pháp Chúng tơi tìm giải pháp huấn luyện với MobileFacenet để giải vấn đề trên, giải pháp tập ảnh liệu huấn luyện lồi thực vật hình ảnh bao phủ thực thể nó, ảnh chứa tất phận cây.: THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 12 2.2.3.3.1 Cơ sở áp dụng mô hình MobileFacenet vào tốn phân loại thực vật Chúng nghiên cứu nhiều kiến trúc CNNs VGG16, RestNet, Mobilenet chúng khơng phù hợp để giải vấn đề Và thứ trở nên khả quan tiếp cận với mơ hình MobileFacenet, mơ hình CNNs hiệu dành cho giải pháp xác minh khuôn mặt theo thời gian thực xác thiết bị di động Đây mơ hình CNN cịn tiềm thường sử dụng toán “Nhận dạng khn mặt”, tốc độ xử lí độ xác thật đáng kinh ngạc so sánh với mơ hình CNN truyền thống, đặc điểm kiến trúc đề cập chương Nhìn vào kết so sánh với mơ hình mạng CNN khác, MobileFaceNets đạt độ xác tốt đáng kể tốc độ xử lí nhanh Mơ hình MobileFaceNets sử dụng triệu tham số điều chỉnh đặc biệt để xác minh vật thể theo thời gian thực 2.2.3.3.2 Chuẩn bị liệu Thống kế tổng số lượng nhãn 2783 loài thực vật tổng số lượng images gần 68071 ảnh chuẩn bị cho mơ hình huấn luyện MobileFacenet 2.2.3.3.3 Xây dựng mơ hình MobileFacnet kết hợp ArcFace Cần phải thích chúng tơi ứng dụng mơ hình MobileFaceNets để phân biệt số lượng nhãn lớn, đảm nhận nhiều nhiệm vụ vừa phải nhận diện “lá”, “hoa”, “quả”, “thân”… nhờ ứng dụng ArcFace Đây giải pháp thay cho phương pháp Softmax truyền thống mơ hình CNN với phân loại xác cao nhiều Việc sử dụng hàm softmax khiến cho kích thước ma trận biến đổi tuyến tính tăng tỉ lệ với số lượng danh tính mà muốn phân loại, đồng thời việc huấn luyện theo phương pháp khiến mơ hình phân loại tốt với vấn đề phân loại kín (khi mà tập hợp đầu vào tập hợp đầu có chung số lượng class) cho thấy phương pháp không thực tế số lượng nhãn khác (số lượng class) mà cần nhận diện thường thay đổi Hàm triplet loss xử lí vấn đề tồn khuyết điểm riêng Các nhà nghiên cứu đưa hướng cho việc nhận diện đối tượng với việc giới thiệu hàm mát Additive Angular Margin Loss hay cịn gọi ArcFace ArcFace sử dụng mơ hình InsightFace mang lại độ xác cao, mà MobileFacenet lại ý tưởng kế thừa từ InsightFace, MobileFacnet kết hợp ArcFace lựa chọn hợp lí để thực giải pháp 2.2.4 Đánh giá kết 2.2.4.1 Kết module phân biệt phận loài thực vật với mơ hình VGG16 Kết đánh giá thể qua Confusion Matrix để trực quan hóa độ xác nhận dạng phận thực vật THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 13 Hình 2.2.4-1 Đánh giá Confusion Matrix sau huấn luyện mơ hình VGG16 Độ xác nhận diện Lá (Leaf), Thân (Stem), Hoa (Flower) gần tuyệt đối Và Thực thể (Entire), Quả (Fruit) không tuyệt đối cao, gần 80% Độ xác tổng quan sau: Đánh giá 500 ảnh (100 ảnh 1000 ảnh (200 1500 ảnh (300 / nhãn) ảnh / nhãn) ảnh / nhãn) 92.4% 89.9% 90.07% Độ xác Trung bình ~90.79% Bảng 2.2.4-1 Đánh giá độ xác sau huấn luyện mơ hình VGG16 Với độ xác trung bình xấp xỉ 90,79% chúng tơi tự tin sử dụng mơ hình vào phân biệt phận loài thực vật 2.2.4.2 Kết module nhận diện định danh loài thực vật với MobilenetV2 Đánh giá 50 nhãn 100 nhãn 200 nhãn Trung bình Độ xác 75.2% 79.8% 89.3% ~81.43% Bảng 2.2.4-2 Đánh giá độ xác sau huấn luyện mơ hình MobilnetV2 THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 14 Với độ xác trung bình xấp xỉ 81.43% chúng tơi tự tin sử dụng mơ hình MobilenetV2 Support Vector Machine vào định danh loài thực vật 2.2.4.3 Kết nhận diện thực thể định danh thực vật với MobileFacenet Đánh giá 100 nhãn 200 nhãn 500 nhãn 1000 nhãn Trung bình Độ xác 85.43% 84.12% 82.3% 82.61% ~83.6% Bảng 2.2.4-3 Đánh giá độ xác sau huấn luyện mơ hình MobileFacenet Với độ xác trung bình xấp xỉ 83.6% chúng tơi tự tin sử dụng mơ hình MobilenetFacenet vào định danh lồi thực vật thơng qua ảnh thực thể 2.3 Cơ sở liệu quan hệ thực vật 2.3.1 Thiết kế mơ hình ER Mục tiêu mơ hình ER phân tích liệu toán tra cứu thực vật, xác định đơn vị thông tin cần thiết, mô tả cấu trúc mối liên hệ thực thể hệ thống tra cứu thực vật, thể Hình 2.3.1-2 sau đây: Hình 2.3.1-2 Lược đồ quan hệ sở liệu thực vật THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 15 Các thực thể mơ tả cụ thể bảng sau: Tên thực thể Số thứ tự Mô tả Ngành Lưu trữ thông tin Ngành thực vật học Họ Lưu trữ thông tin Họ thực vật học Loài Lưu trữ thơng tin Lồi thực vật học Cây Lưu trữ thơng tin phân bố Lồi thực vật học Khu vực phân bố Tên khu vực nghiên cứu triển khai Hình Lưu trữ metadata hình ảnh thu thập Bảng 2.3.1-1 Bảng thích thiết kế lược đồ quan hệ sở liệu thực vật 2.3.2 Thiết kế mơ hình liệu quan hệ 2.4 Thiết kế kiến trúc hệ thống với Microservices Để xây dựng hệ thống tra cứu thực vật hồn chỉnh, chúng tơi đề xuất xây dựng hệ thống với kiến trúc Microservices để dễ dàng mở rộng chức sau Tổng thể chi tiết kiến trúc sau: Số thứ tự Tên dịch vụ Gateway User Service Search Service Chức - Điều phối request từ người dùng vào hệ thống - Dịch vụ liên quan đến quản lý người dùng hệ thống - Kết hợp với sở liệu người dùng (sử dụng MongoDB) - Dịch vụ tìm kiếm nhanh liệu loài thực vật - Kết hợp với sở liệu tra cứu nhanh (sử dụng Elasticsearch) Plant Service Dịch vụ cập nhật truy vấn liệu thực vật Và dịch vụ liên quan đến đồ - Kết hợp với sở liệu cho thực vật (sử dụng MySQL) liệu hình ảnh Plant Detection Service - Dịch hỗ trợ tra cứu định danh liệu hình ảnh - Kết hợp với liệu hình ảnh Plant Service để định danh lồi thực vật Bảng 2.4-1 Bảng thích kiến trúc Microservices cho hệ thống thông tin THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 16 Cách tiếp cận phát triển kiến trúc hệ thống theo Monolithic làm cho hệ thống khó mở rộng Hệ thống triển khai diện rộng phát triển theo thời gian cuối trở nên lớn Kích thước hệ thống làm chậm phát triển dự án Đó lí sử dụng kiến trúc Microservices để xây dựng đề tài THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 17 CHƯƠNG 3: TRIỂN KHAI HỆ THỐNG VÀ ĐÁNH GIÁ KẾT QUẢ Chương trình bày kết triển khai hệ thống kết đạt với tiêu đề quy trình nội dung Phần 2.1 (Chương 2) Và cuối việc thực đánh giá khả tính ứng dụng hệ thống 3.1 Cài đặt môi trường 3.1.1 Triển khai dịch vụ hệ thống với Docker Compose Docker tảng dành cho Developer System Administrator, cung cấp thành phần để build, run share chương trình thơng qua container Các dịch vụ chạy container dùng chung hệ điều hành Container chứa tất thành phần để tạo môi trường cho phép ứng dụng chạy Các dịch vụ trở nên đa dạng, nhẹ, linh hoạt giúp hệ thống dễ dàng nâng cấp có khả mở rộng 3.1.2 Triển khai API Gateway với Nginx Nginx máy chủ web có hiệu suất ổn định cao Chúng thực cài đặt Nginx API Gateway hệ thống Microservices API Gateway coi cổng trung gian, cổng vào hệ thống, API Gateway nhận requests từ phía client, chỉnh sửa, xác thực điều hướng chúng đến API cụ thể services phía sau 3.2 Triển khai chức tra cứu thông tin hệ thống 3.2.1 Triển khai chức ứng dụng Web với Vuejs Chúng thiết kế ứng dụng Web với VueJS tương tác hệ thống Microservices thông qua API Gateway để xử lí nghiệp vụ chức liên quan đến liệu thực vật 3.2.2 Triển khai chức đồ Với nghiệp vụ chức liên quan đến đồ, kết hợp thêm luồng tương tác đến công nghệ mã nguồn mở Mapbox Đây tảng cung cấp dịch vụ lập đồ thông qua API dễ dàng triển khai tảng Web Mobile THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 18 Hình 3.2.2-1 Triển khai công nghệ đồ vào hệ thống thông tin tra cứu thực vật Với chức cung cấp đồ thiết kế, người dùng lọc tra cứu phân bố địa điểm, khu vực phân bố loài thực vật Tất liệu phân bố theo chuẩn WGS84 thu thập tự trường thực tế nên độ xác gần tuyệt đối Nhìn vào đồ, dễ dàng tra cứu lồi thực vật quý (marker màu đỏ hình) loài thực vật đặc hữu (marker màu xanh hình) 3.3 Kết đạt Hệ thống tra cứu thực vật triển khai tảng Website với phân hệ chức đáp ứng đầy đủ yêu cầu mà hệ thống thông tin cần phải có Dưới thơng tin chi tiết thể chức hoàn thành triển khai thực tế 3.3.1 Chức Hệ thống tra cứu thực vật bao gồm chức sau: • Quản lý thực vật: hỗ trợ truy cập, tìm kiếm thơng tin đa dạng sinh học • Bản đồ thực vật: hỗ trợ tra cứu phân bố thực vật theo khu vực phân bố đồ • Thống kê: hỗ trợ bảng báo cáo số lượng thống kê đa dạng sinh học Đà Nẵng • Tra cứu thực vật: hỗ trợ tra cứu hình ảnh • Biên tập liệu: hỗ trợ thao tác cập nhật liệu thông tin thực vật, tọa độ cho hệ thống • Quản lý người dùng: hỗ trợ tạo người dùng, cập nhật quyền truy cập hệ thống 3.3.2 Chức tra cứu hình ảnh (chụp hình) 3.3.3 Chức bổ trợ (thống kê, đồ) 3.3.3.1 Phân hệ chức đồ Chúng tơi hồn thành danh mục chức cho: - Tra cứu theo khu vực phân bố (Sơn Trà, Ngũ Hành Sơn, Bà Nà, Nam Hải Vân) - Tra cứu theo tình trạng (quý hiếm, nguy cấp ) 3.3.3.2 Phân hệ chức thống kê báo cáo Chúng tơi hồn thành danh mục chức cho: - Thống kê theo khu vực (Sơn Trà, Ngũ Hành Sơn, Bà Nà, Nam Hải Vân) - Thống kê theo tình trạng - Thống kê số lượng theo Ngành thực vật - Thống kê số lượng theo Họ thực vật THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 19 3.4 Đánh giá kết 3.4.1 Khả ứng dụng module nhận diện hình ảnh a Đánh giá độ xác Module tra cứu định danh thực vật hệ thống phân loại hình ảnh thực vật với độ xác cao, hồn tồn ứng dụng triển khai thực tế Cụ thể sau: Tên module Số thứ tự Phân biệt phận lồi thực vật với mơ hình VGG16 Nhận diện định danh loài thực vật với MobilenetV2 Nhận diện ảnh thực thể định danh lồi thực vật với MobileFacenet Độ xác trung bình ~90.79% ~81.43% ~83.6% Bảng 3.4.1-1 Đánh giá độ xác ba giải pháp nhận diện Đây số điểm cao mơ hình phân loại (số lượng class lớn, khác biệt class nhỏ khác biệt mẫu class lớn) b Tốc độ xử lí Với module tra cứu định danh thực vật chạy tảng Tensorflow GPU, với tốc độ xử lí cụ thể sau: Số thứ tự Tên module Phân biệt phận lồi thực vật với mơ hình VGG16 Nhận diện định danh loài thực vật với MobilenetV2 Nhận diện ảnh thực thể định danh loài thực vật với MobileFacenet Thời gian xử lí trung bình ~0,2 giây / lần ~0,3 giây / lần ~0,2 giây / lần Bảng 3.4.1-2 Đánh giá tốc độ xử lí ba giải pháp nhận diện Thời gian xử lí trung bình mơ hình thấp 0,5 giây nên hoàn toàn chấp nhận được, đáp ứng điều kiện tối thiểu cần thiết để triển khai thành API Kết đạt tốt chúng tơi lựa chọn mơ hình học máy với độ xác kích thước tính tốn nhỏ gọn đứng đầu mơ hình CNN có lĩnh vực học sâu THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 20 3.4.2 Khả hệ thống thông tin vào tra cứu thực vật Sản phẩm chạy thực tế tảng Website cho phép người biên tập phân quyền tạo ngân hàng liệu để quản lý liệu đa dạng thực vật đơn vị địa lý Sản phẩm giúp người sử dụng tra cứu xác định họ, ngành, khu vực phân bố loài thực vật Đà Nẵng Đồng thời thực thống kê đa dạng thực vật cho nhóm chọn toàn ngân hàng liệu Hiện mở rộng khu vực nghiên cứu sang tỉnh KonTum, Quảng Nam Và tương lại gần, hệ thống cịn phát triển chúng tơi hi vọng mang đến lợi ích to lớn lĩnh vực nghiên cưu đa dạng sinh vật học THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội 21 KẾT LUẬN VÀ KIẾN NGHỊ Kết đạt Luận án nghiên cứu, tìm hiểu tốn phân loại thực vật thực phát triển, cài đặt thử nghiệm phương án giải cho tốn dựa tìm kiếm, thống kê hướng tiếp cận công bố qua nhiều báo, cơng trình khoa học giới Luận án thực gần đầy đủ bước để xây dựng nên ứng dụng hỗ trợ tra cứu thực vật hình ảnh, bao gồm thu thập xử lý liệu; huấn luyện đánh giá chọn lọc mơ hình; thiết kế sở liệu, web server phát triển Website Mặc dù mô hình tra cứu định danh thực vật hệ thống chưa phải tốt đảm bảo yêu cầu thực tế, cho thấy tiềm phát triển ứng dụng nói chung khả áp dụng kĩ thuật học máy tiên tiến vào việc giải vấn đề địa phương Về phần ứng dụng, đồ án đáp ứng ca sử dụng người dùng tổ chức hệ thống theo quy trình thực tế Tóm lại kết luận án đạt được, tương ứng với mục tiêu đặt Với hệ thống này, dễ dàng nhận biết quản lý phân bố lồi thực vật sống, cịn xem lồi đóng góp lợi ích cho sống hàng ngày chúng ta, có tác dụng y tế nào, loại có độc tố khơng nên lại gần,… Kiến nghị hướng phát triển Với kết đạt nêu luận án cịn nhiều điều cần cải thiện Đầu tiên, mơ hình tra cứu định danh thực vật cần có liệu với số lớp lớn hơn, tỷ lệ mẫu cân phép đo cụ thể để đánh giá xác khả Ngồi ra, module nhận dạng phận thực vật cần phải cải tiến để phát có tồn lồi thực vật ảnh hay khơng lồi thực vật có phải liệu huấn luyện hay không Trong tương lai gần, chúng tơi cố gắng nâng cao tính xác module dùng để tra cứu định danh thực vật, tăng tốc độ xử lý nó, để giúp cho việc xử lý production nhanh mượt mà Đây tốn khó cần nhiều thời gian cơng sức nghiên cứu tương lai Còn hệ thống thông tin triển khai tảng Website, cần phải cải thiện bổ sung tính biên tập liệu trực tuyến đồ để làm giàu liệu cho hệ thống cách dễ dàng tiện lợi hơn, nguồn liệu tổng hợp tức thời mang đến nhiều hiệu cho việc giám sát tra cứu thông tin thực vật THƯ VIỆN TRƯỜNG ĐẠI HỌC BÁCH KHOA – ĐẠI HỌC ĐÀ NẴNG Lưu hành nội ... ? ?Xây dựng hệ thống tra cứu thực vật rừng Thành Phố Đà Nẵng ứng dụng mô hình học sâu? ?? Mục đích ý nghĩa đề tài a Mục đích Đề tài ? ?Xây dựng hệ thống tra cứu thực vật rừng Thành Phố Đà Nẵng ứng dụng. .. thực vật hình ảnh Chính lý trên, chúng tơi đề xuất triển khai đề tài ? ?Xây dựng hệ thống tra cứu thực vật Thành phố Đà Nẵng ứng dụng mơ hình học sâu? ?? Trong phạm vi đề tài này, cho triển khai thành. .. Yêu cầu hệ thống Các nội dung yêu cầu cho hệ thống tra cứu thực vật chia thành phân hệ Phân hệ chức tra cứu thông tin Phân hệ chức tra cứu phân bố Bản đồ Phân hệ chức thống kê báo cáo Phân hệ chức