Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 4A (2022): 1-7 DOI:10.22144/ctu.jvn.2022.157 NHẬN DẠNG BỆNH TRÊN LÁ LÚA BẰNG PHƯƠNG PHÁP HỌC CHUYỂN GIAO Trương Thị Phương Thanh1 Nguyễn Thái Nghe2* Học viên Cao học Trường Đại học Sư phạm Kỹ thuật Vĩnh Long Khoa Công nghệ Thông tin và Truyền thông, Trường Đại học Cần Thơ *Người chịu trách nhiệm bài viết: Nguyễn Thái Nghe (email: ntnghe@cit.ctu.edu.vn) Thông tin chung: ABSTRACT Ngày nhận bài: 11/01/2022 Ngày nhận bài sửa: 17/02/2022 Ngày duyệt đăng: 18/03/2022 Smart agriculture is a research and application trend which is receiving high attention The development of agriculture, especially rice, is one of the important sector in socio-economic development Rice is a product with great advantages of the Mekong Delta region, however, the difficulty in rice cultivation is the occurrence of diseases such as rice blast, brown spot, leaf blight and thorny beetle that causes reduction in both yield and quality of rice cultivation Therefore, the detection of common diseases on rice in order to help farmers to improve productivity is an urgent need This study proposes a solution to identify diseases on rice leaves by deep learning model The model has applied transfer learning with Inception V3 deep learning model to classify some common diseases on rice leaves Experiments on a dataset of 2,500 images showed that the model had an accuracy of 97.4% This result is very feasible and applicable to predict diseases on rice leaves through photographs, thereby proposing appropriate prevention and treatment solutions to help farmers improving rice productivity Title: Rice leaf disease detection using transfer learning Từ khóa: Học sâu, học chuyển giao, nhận dạng bệnh lúa, nông nghiệp thông minh Keywords: Deep learning, rice leaf disease detection, transfer learning, smart agriculture TĨM TẮT Nơng nghiệp thơng minh là xu hướng nghiên cứu và ứng dụng quan tâm gần Phát triển ngành nông nghiệp, đặc biệt là lúa, là lĩnh vực quan trọng phát triển kinh tế, xã hội Cây lúa là sản phẩm có lợi lớn vùng đồng sơng Cửu Long, khó khăn trồng lúa là việc xuất loại bệnh đạo ôn, đốm nâu, cháy bìa và bọ gai làm giảm sản lượng và chất lượng việc trồng lúa Vì vậy, việc phát bệnh phổ biến lúa nhằm giúp người dân nâng cao suất là vấn đề cấp thiết Nghiên cứu này đề xuất giải pháp nhận dạng bệnh hại lúa mơ hình học sâu Mơ hình ứng dụng việc học chuyển giao với mơ hình học sâu Inception V3 để phân lớp số loại bệnh phổ biến lúa Thực nghiệm tập liệu thu thập từ nguồn khác bao gồm 2.500 hình ảnh cho thấy mơ hình đạt độ chính xác 97,4% Kết này khả thi để ứng dụng vào thực tế nhằm dự đoán loại bệnh lúa thơng qua ảnh chụp, từ đề xuất giải pháp phòng trị phù hợp giúp người dân nâng cao suất trồng lúa Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 4A (2022): 1-7 chuyên gia nông nghiệp như: áp dụng IPM, giảm tăng, vệ sinh đồng ruộng, chuyển đổi trồng theo mùa vụ,… việc chủ động tìm kiếm giải pháp phát bệnh sớm cần trọng Thực tiễn sản xuất địi hỏi phải tìm giải pháp hỗ trợ người nơng dân có cơng cụ tốt để phục vụ sản xuất nhằm tạo sản xuất an toàn, bền vững lâu dài, đáp ứng cầu lương thực nước xuất giúp nâng cao đời sống cho người nông dân GIỚI THIỆU Trong năm gần đây, nước ta nói chung đồng sơng Cửu Long nói riêng có chuyển đổi canh tác lúa, từ sản xuất vụ năm tăng lên ba vụ năm, giúp đưa Việt Nam trở thành nước xuất gạo đứng thứ hai giới (sau Thái Lan) Việc áp dụng kỹ thuật cao máy móc đại giúp người nông dân trồng lúa làm việc dễ dàng nhanh chóng Làm để hỗ trợ người nông dân kịp thời phát bệnh phổ biến lúa để canh tác hiệu nhu cầu cần thiết Trong viết này, mơ hình nhận diện bệnh lúa dựa ảnh chụp từ lúa đề xuất nhằm đề xuất giải pháp phòng trị kịp thời cho người dân cách ứng dụng việc học chuyển giao với mô hình học sâu Inception V3 để phân lớp số loại bệnh phổ biến lúa Tuy nhiên, với điều kiện thời tiết khắc nghiệt, việc thối hóa đất lúa gặp nhiều bệnh q trình sinh trưởng như: bệnh đạo ơn, đốm nâu, bệnh cháy bìa lá, bệnh cần phát sớm để phòng tránh điều trị kịp thời nhằm không ảnh hưởng đến suất Nhằm phòng tránh gây hại bệnh hại lúa, biện pháp hướng dẫn Hình Kiến trúc mơ hình Inception v3 Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 4A (2022): 1-7 CÁC CƠNG TRÌNH NGHIÊN CỨU LIÊN QUAN bệnh phổ biến lúa Mơ hình Inception V3 phiên Inception (mơ hình mạng CNN đặc biệt nghiên cứu google năm 2014 tham dự thi ImageNet) Về mặt kiến trúc, mơ hình kế thừa từ Inception V1, có gần 24 triệu tham số có độ sâu 48 lớp Inception V3 huấn luyện 1.000 lớp liệu từ ImageNet dataset Mơ hình Inception V3 có khả giảm đáng kể kích thước đầu vào lớp Trong mơ hình Inception V3, module kết nối với để đạt tính khai thác tối đa Mỗi module có nhiều nhánh với kích thước nhân khác 1x1, 3x3, 5x5 7x7 Các lọc trích xuất ghép tỷ lệ khác đồ đặc trưng gửi kết hợp đến giai đoạn Các chập x module Inception sử dụng để giảm kích thước trước áp dụng tính tốn tích chập x 3, x Thừa số hóa (factorization) tích chập x x sử dụng vào lớp tích chập nhỏ (3 x 3) lớp tích chập bất đối xứng (1 x 7, x 1) làm giảm số lượng tham số DNN, thể chi tiết Hình kiến trúc mơ hình Inception v3 Đề tài nhận dạng bệnh hại lúa nhiều nhà nghiên cứu nước quan tâm tính cấp thiết Giải pháp nhận dạng bệnh lúa từ thiết bị di động thơng minh nghiên cứu Hịa (2016) giải pháp nhận dạng bệnh hại lúa thông qua ảnh chụp từ thiết bị di động Các tác giả sử dụng phương pháp rút trích đặc trưng SIFT sau phân lớp mơ hình máy học SVM Kết kiểm thử từ tập ảnh thu thập từ thực tế cho thấy độ xác đạt 79,63% Một nghiên cứu khác đề tài (Ahmed et al., 2019) sử dụng giải thuật máy học dự đoán Dữ liệu sau tiền xử lý huấn luyện thuật toán máy học KNN (K-Nearest Neighbours), J48 (Decision Trees), Naive Bayes Logistic Regression Chen et al (2020) sử dụng mơ hình DenseNet – Inception để giải toán nhận dạng bệnh lúa Tương tự, Matin (2020) sử dụng mơ hình AlexNet để phát ba loại bệnh phổ biến lúa bệnh bạc vi khuẩn, bệnh đốm nâu bệnh đốm Nghiên cứu Deng (2021) sử dụng phương pháp tập hợp mơ hình (Ensemble model) để chẩn đoán sáu loại bệnh hại lúa, độ xác tổng thể đạt 91% PHƯƠNG PHÁP NGHIÊN CỨU 3.1 Dữ liệu thực nghiệm Dữ liệu dùng để huấn luyện mơ hình thu thập từ nguồn khác trình bày Hình Ảnh bệnh lúa nhận dạng toán gồm loại bệnh: đốm nâu, bọ gai, cháy bìa đạo ơn lúa khỏe Trong nghiên cứu này, giải pháp nhận dạng bệnh hại lúa phương pháp học chuyển giao (transfer learning) với mơ hình học sâu Inception V3 đề xuất để phân lớp số loại Hình Năm ảnh bệnh lúa thu thập Dữ liệu loại bệnh lúa lúa khỏe gồm 2.500 ảnh thu thập từ Internet phân bố Hình Các ảnh gốc có độ phân giải khác liệu lúa có kích thước dạng hình chữ nhật, nên tập liệu tiền xử lý để điều chỉnh ảnh kích thước 300 x 150 pixels; sử dụng 80% cho huấn luyện mơ hình (2.000 ảnh) 20% cho kiểm thử mơ hình (500 ảnh) Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 4A (2022): 1-7 Hình Năm loại ảnh bệnh lúa thu thập 3.2 Mơ hình đề xuất nghiêng, chèn, đổi để tạo thêm ảnh nhằm tăng kích thước sở liệu; Giai đoạn 2: Xây dựng mơ hình học chuyển giao; Giai đoạn 3: Huấn luyện mơ hình; Giai đoạn 4: Đánh giá thử nghiệm mơ hình Chi tiết giai đoạn trình bày Hình Phương pháp nhận dạng bệnh lúa đề xuất gồm giai đoạn Giai đoạn 1: Xử lý tập liệu, sau thu thập số lượng ảnh loại bệnh, phần mềm PhotoWonder, Adobe Photoshop sử dụng để chỉnh sửa ảnh, làm Hình Các giai đoạn xây dựng kiểm tra mơ hình Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 4A (2022): 1-7 Hình Nhận dạng bệnh lúa mơ hình học chuyển giao (Ji, 2016) huấn luyện ban đầu áp dụng vào tập liệu (bệnh lúa) dẫn đến việc phân loại xác cao mà khơng cần tốn nhiều thời gian sức mạnh tính tốn máy tính Hình minh hoạ mơ hình đề xuất việc nhận dạng bệnh lúa phương pháp học chuyển giao Inception V3 (Ji, 2016) Mơ hình phát triển Google huyến luyện trước tập liệu ImageNet (gồm 1,4 triệu ảnh 1.000 lớp) Với mục đích sử dụng tốn phân loại bệnh lúa, mơ hình Inception V3 tách bỏ lớp cuối thay vào hàm phân loại softmax cho lớp tương ứng với loại bệnh lúa khỏe KẾT QUẢ THỰC NGHIỆM Hình ảnh ban đầu chuẩn hố kích thước 300 x 150 Mơ hình sử dụng hàm tối ưu Adam với tốc độ học 0,0001 thử nghiệm 10 epochs, 20 epochs, 30 epochs, 40 epochs Các tham số xác định phương pháp tìm kiếm siêu tham số Hình minh hoạ độ xác độ lỗi q trình huấn luyện cho thấy độ xác tăng sau lần lặp, độ lỗi giảm dần ổn định sau 40 epochs Ưu điểm phương pháp học chuyển giao cho phép huấn luyện lớp cuối mơ hình có, nhằm giảm đáng kể khơng thời gian huấn luyện mà cịn kích thước tập liệu Việc huấn luyện lại lớp cuối trì tham số mà mơ hình học q trình Hình Độ xác độ mát trình huấn luyện Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 4A (2022): 1-7 Bảng So sánh độ xác mơ hình tập kiểm thử Hình trình bày kết ma trận nhầm lẫn (confusion matrix) tập liệu kiểm thử Kết cho thấy việc phân lớp nhầm xảy cho ảnh thuộc lớp bệnh lúa Mơ hình Inception V3 SVM Độ xác (%) 97,4 89,6 Sau huấn luyện kiểm thử mô hình, tính khả thi tiến hành kiểm tra với 40 mẫu ảnh thực tế lớp chụp vào tháng 10 năm 2021 ruộng lúa xã An Phước, huyện Mang Thít, tỉnh Vĩnh Long Hình ảnh thu thập thực tế camera điện thoại khơng trùng với hình ảnh huấn luyện tập liệu, việc nhận dạng bệnh lúa sớm giải pháp cần thiết phục vụ cho q trình sản xuất người nơng dân Độ xác lớp mơ hình trình bày chi tiết Bảng Kết trung bình đạt độ xác 96% Hình ảnh trực quan việc nhận dạng ảnh từ ứng dụng minh hoạ Hình Hình Ma trận nhầm lẫn Để đánh giá khả phân lớp mơ hình, so sánh với phương pháp sở (baseline) máy học truyền thống mơ hình SVM Để sử dụng mơ hình SVM, ảnh đầu vào cần trích xuất đặc trưng trước huấn luyện Thực nghiệm dùng phương pháp trích xuất đặc trưng ORB (Oriented fast and Rotated BRIEF) – mô tả nhị phân nhanh dựa phương pháp BRIEF, có khả quay bất biến có khả chống nhiễu, nhanh đặc trưng SIFT (Hòa, 2016) Bảng so sánh độ xác mơ hình học chuyển giao SVM (SVM sử dụng với tham số mặc định gói sklearn với Bactch_size = 32, lr = 0,0001, momentum = 0,9, epochs = 40) Kết cho thấy phương pháp học chuyển giao đạt độ xác 97,4%, cải thiện so với phương pháp máy học truyền thống Bảng Chi tiết độ xác lớp Số ảnh nhận Số ảnh nhận Độ dạng dạng sai xác (%) Bọ gai 37 92,5 Đạo ôn 38 95,0 Đốm nâu 39 97,5 Cháy bìa 38 95,0 Khơng bệnh 40 100,0 Trung bình 96,0 Tên bệnh Hình Hiển thị tên lúa bệnh độ tin cậy Kết thực nghiệm cho thấy việc ứng dụng mơ hình học chuyển giao nhận dạng bệnh lúa hoàn toàn khả thi, ứng dụng đáp ứng việc hỗ trợ nơng dân phát bệnh hại lúa để có biện pháp phịng trị kịp thời KẾT LUẬN Mơ hình học chuyển giao nhận dạng bệnh lúa đề xuất nghiên cứu Mơ hình đáp ứng mục tiêu ban đầu phát Tạp chí Khoa học Trường Đại học Cần Thơ Tập 58, Số 4A (2022): 1-7 chẩn đoán tên loại bệnh hại lúa, từ đưa giải pháp phòng trị kịp thời cho người dân Trong nghiên cứu này, loại bệnh hại lúa phổ biến Việt Nam tập trung nhận dạng bệnh đạo ôn, bệnh đốm nâu, bệnh cháy bìa bệnh bọ gai Kết bước đầu công cụ giúp phát nhanh chóng xác bệnh lúa từ có biểu đầu tiên, góp phần vào trình xây dựng phát triển giải pháp nông nghiệp thông minh Trong tương lai, nhiều loại bệnh hại khác lúa bổ sung, đặc biệt phát triển ứng dụng với tính tự động huấn luyện thêm hình ảnh Bên cạnh đó, việc so sánh với mơ hình học sâu khác thực TÀI LIỆU THAM KHẢO Hòa, N H., Phương, L T., & Nghe, N T (2016) Giải pháp nhận dạng bệnh lúa từ thiết bị di động thông minh Kỷ yếu Hội nghị khoa học công nghệ quốc gia lần thứ IX (59-164) Nhà xuất Khoa học tự nhiên Công nghệ Ahmed, K, T R., Shahidi, S M., Irfanul, A., & Momen, S (2019) Rice Leaf Disease Detection Using Machine Learning Techniques International Conference on Sustainable Technologies for Industry 4.0 (STI) (pp 1-5), doi: 10.1109/STI47673.2019.9068096 Chen, J., Zhang, D., Nanehkaran, Y A., & Li, D (2020) Detection of rice plant diseases based on deep transfer learning J Sci Food Agric, 100, 3246-3256 https://doi.org/10.1002/jsfa.10365 Matin, M., Khatun, A., Moazzam, M., & Uddin, M (2020) An Efficient Disease Detection Technique of Rice Leaf Using AlexNet Journal of Computer and Communications, 8, 49-57 doi: 10.4236/jcc.2020.812005 Deng, R., Tao, M., Xing, H., Yang, X., Liu, C., Liao, K., & Qi, L (2021) Automatic Diagnosis of Rice Diseases Using Deep Learning Frontiers in Plant Science, 12, 701038 https://doi.org/10.3389/fpls.2021.701038 Ji, Q., Huang, J., He, W., & Sun, Y (2019) Optimized Deep Convolutional Neural Networks for Identification of Macular Diseases from Optical Coherence Tomography Images Algorithms, 12, 51 https://doi.org/10.3390/a12030051 ... tài nhận dạng bệnh hại lúa nhiều nhà nghiên cứu ngồi nước quan tâm tính cấp thiết Giải pháp nhận dạng bệnh lúa từ thiết bị di động thông minh nghiên cứu Hòa (2016) giải pháp nhận dạng bệnh hại lúa. .. toán gồm loại bệnh: đốm nâu, bọ gai, cháy bìa đạo ơn lúa khỏe Trong nghiên cứu này, giải pháp nhận dạng bệnh hại lúa phương pháp học chuyển giao (transfer learning) với mơ hình học sâu Inception... = 40) Kết cho thấy phương pháp học chuyển giao đạt độ xác 97,4%, cải thiện so với phương pháp máy học truyền thống Bảng Chi tiết độ xác lớp Số ảnh nhận Số ảnh nhận Độ dạng dạng sai xác (%) Bọ