XÂY DỰNG ỨNG DỤNG PHÁT HIỆN VÀ PHÂN LOẠI BỆNH TRÊN CÂY SẮN MÌ

lOMoARcPSD|9242611 TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN & TRUYỀN THƠNG VIỆT HÀN Khoa Khoa Học Máy Tính ĐỒ ÁN CHUYÊN NGÀNH ĐỀ TÀI : XÂY DỰNG ỨNG DỤNG PHÁT HIỆN VÀ PHÂN LOẠI BỆNH TRÊN CÂY SẮN MÌ Giảng viên hướng dẫn : NGUYỄN HÀ HUY CƯỜNG Sinh viên thực : TRƯƠNG THỊ MAI THANH PHAN THỊ THẢO NGUYÊN Lớp : 17IT2 Đà Nẵng, tháng năm 2021 lOMoARcPSD|9242611 NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… lOMoARcPSD|9242611 LỜI CẢM ƠN Sau thời gian học tập nghiên cứu đề tài “Xây dựng ứng dụng phát phân loại bệnh sắn mì” chúng em khơng ngừng củng cố, mở mang thêm nhiều kiến thức tầm hiểu biết lĩnh vực Công nghệ Thông tin qua dạy dỗ, đào tạo tận tình thầy cô môn khoa công nghệ thông tin học hỏi lẫn bạn bè khóa Thơng qua báo cáo này, chúng em xin gửi lời chân thành cảm ơn đến Ban Giám Hiệu Trường thầy cô khoa tạo điều kiện tốt cho chúng em suốt thời gian học tập sinh hoạt trường; xin chân thành cảm ơn thầy Nguyễn Hà Huy Cường, giáo viên phụ trách hướng dẫn chúng em tận tình suốt trình thực đề tài Chúng em xin chân thành cảm ơn quý thầy cô nhiệt tình giảng dạy, truyền đạt kiến thức, kinh nghiệm quý báu hết tình cảm mà quý thầy cô dành cho chúng em suốt q trình giảng dạy Mặc dù cố gắng hồn thành đồ án phạm vi khả cho phép chắn khơng tránh khỏi thiếu sót Chúng em mong nhận thơng cảm, góp ý tận tình bảo thầy, tất bạn để đề tài ngày hoàn thiện Chúng em xin trân trọng cảm ơn! Sinh viên, TRƯƠNG THỊ MAI THANH PHAN THỊ THẢO NGUYÊN lOMoARcPSD|9242611 MỤC LỤC Chương TỔNG QUAN VỀ ĐỀ TÀI 1.1 Deep Learning 1.1.1 Deep Learning ? 1.1.2 Cách thức hoạt động 1.2 Tổng quan thư viện Tensorflow 1.2.1 Tensorflow ? 1.2.3 Cách thức hoạt động 1.3 Mô hình CNN – Convolutional Neural Network 1.3.1 Convolutional gì? 1.3.2 Cấu trúc mạng CNN 1.4 Tổng quan mạng ResNet 1.4.1 Giới thiệu mạng ResNet 1.4.2 Vanishing Gradient 1.4.3 Kiến trúc mạng ResNet 10 1.4.4 Xây dựng mạng ResNet-50 12 1.5 Tìm hiểu Keras 13 1.5.1 Giới thiệu Keras 13 1.5.2 Keras với linear regression 14 1.5.3 Keras với logistic regression 15 Chương PHÂN TÍCH VÀ THIẾT KẾ 16 2.1 Mơ tả tốn 16 2.2 Yêu cầu 16 2.3 Phân tích liệu khám phá 17 2.4 Chuẩn bị liệu 18 2.5 Phân tích yêu cầu hệ thống 18 lOMoARcPSD|9242611 2.5.1 Usecase Upload hình ảnh 18 Mô tả usecase: 18 Biểu đồ Use case 19 Chương XÂY DỰNG ĐỀ TÀI 20 3.1 Các bước huấn luyện mơ hình 20 3.2 Cài đặt công cụ môi trường 20 3.3 Cài đặt thư viện 21 3.4 Tiến hành lập trình 21 3.5 Một số hình ảnh đề tài 24 KẾT LUẬN 25 Kết đạt 25 Hạn chế đề tài 25 Hướng phát triển đề tài 26 TÀI LIỆU THAM KHẢO 27 lOMoARcPSD|9242611 DANH MỤC CÁC TỪ VIẾT TẮC VIẾT TẮT NỘI DUNG CNN Convolutional Neural Network DL Deep Learning AI Artificial intelligence TNTK The Microsoft Cognitive Toolkit GPU Graphics processing unit lOMoARcPSD|9242611 DANH MỤC HÌNH VẼ Hình 1: Mạng lưới kết nối liệu Hình 2:Của sổ trượt ma trận Hình 3: Các lớp Convolutional Layer Hình Vanishing Gradient Hình Vanishing Gradient Hình Kiến trúc mạng ResNet 10 Hình So sánh VGG-19, ResNet- 152 Feedforward Neural Network 11 Hình Mơ tả chi tiết kiến trúc mạng nơ ron ResNet 12 Hình Các thư viện sử dụng nhiều 13 Hình 10 Biểu đồ Usercase 19 Hình 11 Activity Diagram 19 Hình 12 Cài đặt Visual Studio Code 20 Hình 13 Cài đặt Anaconda 21 Hình 14 Import thư viện 21 Hình 15 Đặt tên class 22 Hình 16.Upload mơ hình 22 Hình 17 Trang index 23 Hình 18 Xử lí tệp 23 Hình 19 Trang chủ 24 Hình 20 Kết sau upload hình 24 lOMoARcPSD|9242611 MỞ ĐẦU Giới thiệu đề tài Việt Nam nước phát triển nông nghiệp, nông nghiệp đóng vai trị quan trọng kinh tế nước nhà Vì thế, bệnh xem bệnh phổ biến người nhà nông loại bệnh làm cho sinh trưởng phát triển suất Trên giới có số cơng trình nghiên cứu nhận dạng sâu bệnh trái cà chua, dưa chuột,… cách vận dụng kỹ thuật xử lý ảnh nhận dạng đạt số kết khả quan Các hệ thống nhận dạng sâu bệnh thường thử nghiệm điều kiện lý tưởng mơi trường nhà kính, chưa áp dụng rộng rãi vào môi trường thực tế trời Nhận dạng loại bệnh thông qua xử lý ảnh phương pháp nhận dạng màu sắc, hình dạng, kích thước bị vàng so với bình thường ban đầu từ rút nguyên nhân gây bệnh mà khắc phục Nghiên cứu nhận biết xác có khơng có sâu bệnh nằm Hệ nhận dạng nhận dạng sâu bệnh tổng quát có liệu sâu bệnh sử dụng kết hợp kỹ thuật nhận dạng với lọc tương hợp để nhận dạng sâu bệnh Đến nay, có hệ thống nhận dạng sâu bệnh cho loại nông sản Ở Việt Nam, chưa có cơng bố hệ thống phát nhận dạng sâu bệnh trồng phát triển mạnh nơng nghiệp Vì vậy, nhóm em chọn nghiên cứu đề tài “Xây dựng ứng dụng phát phân loại bệnh hại sắn” ứng dụng nhân dạng bệnh dựa vào biểu từ ảnh chụp có ý nghĩa khoa học thực tiễn cao Mục tiêu đề tài Tìm hiểu loại bệnh sắn mì xây dựng giải thuật nhận diện loại bệnh thông qua kĩ thuật xử lí ảnh Thực tính tốn, phân tích so sánh liệu bệnh lá, từ xây dựng ứng dụng hỗ trợ cho người dùng biết khắc phục bệnh cho lOMoARcPSD|9242611 Đối tượng người dùng • Người nơng dân trồng sắn • Người có nhu cầu tìm hiểu loại bệnh sắn Phạm vi Phạm vi thực đồ án dựa kiến thức thu từ môn học trình học tập trường tham khảo thêm số tài liệu bên đề bổ sung thêm kiến thức nhằm hoàn thiện đồ án tốt đáp ứng mục tiêu đồ án Tập trung vào tìm hiểu loại bệnh cây, tập hợp mơ hình sở liệu từ xây dựng giao diện tương tác người dùng lOMoARcPSD|9242611 Chương TỔNG QUAN VỀ ĐỀ TÀI 1.1 Deep Learning 1.1.1 Deep Learning ? Deep learning bắt nguồn từ thuật toán Neural network vốn xuất phát ngành nhỏ Machine Learning Deep Learning chi ngành máy học dựa tập hợp thuật tốn để cố gắng mơ hình liệu trừu tượng hóa mức cao cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, cách khác bao gồm nhiều biến đổi phi tuyến Tương tự cách học hỏi từ kinh nghiệm thuật toán, deep learning thực nhiệm vụ nhiều lần lần tinh chỉnh nhiệm vụ chút để cải thiện kết Deep Learning đơn giản kết nối liệu tất tế bào thần kinh nhân tạo điều chỉnh chúng theo liệu mẫu Hình 1: Mạng lưới kết nối liệu Càng có nhiều tế bào thần kinh thêm vào kích thước liệu lớn Nó tự động có tính học tập nhiều cấp độ trừu tượng Qua cho phép hệ thống học hàm ánh xạ phức tạp mà không phụ thuộc vào thuật lOMoARcPSD|9242611 • The Flatten • Fully Connected (Dense) : sử dụng softmax activation Thực tế, ResNet kiến trúc sử dụng kết nối tắt, Highway Network ví dụ Trong thử nghiệm cho thấy Highway Network hoạt động không tốt ResNet.Giải pháp ResNet đưa đơn giản tập trung vào cải thiện thông tin thông qua độ dốc mạng Sau ResNet hàng loạt biến thể kiến trúc giới thiệu Thực nghiệm cho thấy kiến trúc huấn luyện mạng nơ ron với độ sâu hàng nghìn lớp nhanh chóng trở thành kiến trúc phổ biến Computer Vision 1.5 Tìm hiểu Keras 1.5.1 Giới thiệu Keras Các thư viện deep learning thường ‘chống lưng’ hãng công nghệ lớn: Google (Keras, TensorFlow), Facebook (Caffe2, Pytorch), Microsoft (CNTK), Amazon (Mxnet), Microsoft Amazon bắt tay xây dựng Gluon (phiên tương tự Keras) (Các hãng có dịch vụ cloud computing muốn thu hút người dùng) Hình Các thư viện sử dụng nhiều 13 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 Sau vài thống kê để người có nhìn tổng quan thư viện sử dụng nhiều Keras coi thư viện ‘high-level’ với phần ‘low-level’ (cịn gọi backend) TensorFlow, CNTK, Theano Keras có cú pháp đơn giản TensorFlow nhiều Với mục đích giới thiệu mơ hình nhiều sử dụng thư viện deep learning, chọn Keras với TensorFlow ‘backend’ Những lý nên sử dụng Keras để bắt đầu: • Keras ưu tiên trải nghiệm người lập trình • Keras sử dụng rộng rãi doanh nghiệp cộng đồng nghiên cứu • Keras giúp dễ dàng biến thiết kế thành sản phẩm • Keras hỗ trợ huấn luyện nhiều GPU phân tán • Keras hỗ trợ đa backend engines không giới hạn bạn vào hệ sinh thái Với Keras, ta thường sử dụng tf.keras.Sequential để xây dựng Model cách thêm layer cách nối tiếp 1.5.2 Keras với linear regression Ta làm ví dụ đơn giản Dữ liệu đầu X vào có số chiều 2, đầu y = 2*X[0] + 3*X[1] + + e với e nhiễu tuân theo phân phối chuẩn có kỳ vọng 0, phương sai 0.2 Sequantial([]) thể việc layer xây dựng theo thứ tự [] Phần tử list thể kết nối giưa input layer layer tiếp theo, phần tử list thể kết nối layer Dense thể fully connected layer, tức tồn unit layer trước nối với toàn unit layer Giá trị Dense thể việc có unit layer (đầu linear regression trường hợp input_shape = 2, kích thước liệu đầu vào Kích thước tuple nên ta cần viết dạng Về sau, 14 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 làm việc với liệu nhiều chiều, ta có tuple nhiều chiều Ví dụ, input ảnh RGB với kích thước 224x224x3 pixel input_shape = 224, 224, Thể việc chọn phương pháp cập nhật nghiệm, đâu ta sử dụng Stochastic Gradient Descent (SGD) với learning rate lr=0.1 Các phương pháp cập nhật nghiệm khác tìm thấy Keras-Usage of optimizers loss='mse' mean squared error, hàm mát linear regression Keras giống với scikit-learn chỗ huấn luyện mô hình phương thức fit() Ở đây, epochs số lượng epoch batch_size kích thước mini-batch 1.5.3 Keras với logistic regression Có hai khác biệt Activation loss logistic regression sử dụng hàm activation sigmoid, hàm mát trường hợp đặc biệt cross entropy với hai class 15 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 Chương PHÂN TÍCH VÀ THIẾT KẾ 2.1 Mơ tả tốn Nơng nghiệp ứng dụng công nghệ thông tin trở thành xu mới, cải thiện đáng kể nông nghiệp nhiều nơi, điều kiện biến đổi khí hậu Công nghệ thông tin ngày ứng dụng rộng rãi nông nghiệp, lĩnh vực phát triển nước ta Các ứng dụng, hệ thống phát nhận dạng sâu bệnh sử dụng kỹ thuật xử lý ảnh thị giác máy tính thu hút nhiều nhà nghiên cứu nước Sắn loại trồng rộng rãi vùng nhiệt đới lương thực vùng Tuy nhiên, có khả chống chịu với điều kiện khắc nghiệt, sắn thường bị ảnh hưởng bệnh vi rút gây ra, gây thiệt hại nghiêm trọng đến suất trồng Do đó, quy trình quan trọng canh tác sắn xác định bị bệnh để loại bỏ chúng kịp thời trước bệnh lây lan thêm Quy trình kiểm tra theo truyền thống thường thực thủ công chuyên gia nông nghiệp, việc vừa tốn vừa không hiệu Với trưởng thành gần thị giác máy tính, hy vọng trình kiểm tra giao cho máy móc tương lai gần Việc triển khai mô hình học máy, học sâu phân loại xác sắn bị bệnh cung cấp cơng cụ hiệu tiết kiệm chi phí để hỗ trợ nông dân trồng sắn bảo vệ trồng họ Nghiên cứu trình bày phương pháp để phát nhận dạng sâu bệnh sắn Bài tốn giải thơng qua hai giai đoạn là: phát vùng ứng viên có khả sâu bệnh; nhận dạng sâu bệnh từ vùng ứng viên phát 2.2 Yêu cầu • Tính tiện dụng: Trang web phải dễ đọc, dễ hiểu, dễ dùng Thiết kế phải mới, nhiên không phức tạp gây khó chịu cho người dùng • Tính đắn: Ứng dụng chạy không lỗi 16 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 • Tính thích nghi: Ứng dụng chạy tốt nhiều thiết bị với cấu hình phần cứng khác thiết kế kiến trúc thiết bị khác • Tính tiến hố: Ứng dụng phải dễ dàng phát triển thêm tính mà khơng gây ảnh hưởng đến tính phát triển trước 2.3 Phân tích liệu khám phá Các hình ảnh phân thành năm loại, bốn số bệnh khác mà mắc phải Loại thứ năm khỏe mạnh không bị bệnh số bốn loại bệnh Số lượng hình ảnh tập liệu đào tạo cho lớp xác định sau: • Bệnh bạc vi khuẩn sắn (CBB) • Bệnh đốm nâu sắn (CBSD) • Sâu xanh sắn (CGM) • Bệnh khảm sắn (CMD) • Cây khỏe mạnh Bước là kiểm tra số hình ảnh đại diện từ lớp lấy ngẫu nhiên để cố gắng xác định mắt đặc điểm mơ hình khai thác Các ảnh chụp nhiều góc độ điều kiện ánh sáng góc độ chụp khác Tập liệu thay đổi kích thước thành 96x96 sau CNN đào tạo với lớp chập hai lớp dày đặc Lớp chập thứ thứ hai có 32 lọc với nhân 3x3 64 lọc với nhân 3x3 tương ứng Tổng hợp tối đa thực sau lớp tích chập Hai lớp dày đặc có 200 tế bào thần kinh tế bào thần kinh (một cho lớp) Độ xác xấp xỉ 65% Tập liệu lớn cung cấp cho mơ hình loạt hình ảnh đa dạng để đào tạo, đó, thu nhận đặc điểm tinh tế giúp phân biệt lớp khác 17 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 2.4 Chuẩn bị liệu Tập liệu gồm 21.367 hình ảnh dán nhãn thu thập khảo sát thường xuyên Uganda Hầu hết hình ảnh có nguồn gốc từ người nông dân chụp ảnh khu vườn họ thích chuyên gia Viện Nghiên cứu Tài nguyên Cây trồng Quốc gia (NaCRRI) phối hợp với phịng thí nghiệm AI Đại học Makerere, Kampala Đây định dạng thể thực tế nơng dân cần chẩn đốn sống thực Dữ liệu phân thành loại: loại bệnh khoẻ mạnh - Các tập tin: • [train / test] _images tệp hình ảnh • image_id: tên tệp hình ảnh • Label: mã ID bệnh • sample_submission.csv: Bản gửi mẫu định dạng đúng, với nội dung thử nghiệm tiết lộ • image_id: tên tệp hình ảnh • label mã ID: dự đốn cho bệnh • [train / test] _tfrecords tệp hình ảnh định dạng tfrecord • label_num_to_disease_map.json Ánh xạ mã bệnh tên bệnh thực 2.5 Phân tích u cầu hệ thống 2.5.1 Usecase Upload hình ảnh Mơ tả usecase: Tóm tắt: Use case thể chức hệ thống Dịng kiện chính: Người dùng mở ứng dụng Đưa người dùng đến hình 18 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 Người dùng load ảnh có sẵn vào phần upload image hiển thị hình chờ kết từ hệ thống Hệ thống hiển thị kết Người dùng chọn thao tác phù hợp để thực Hệ thống lưu lại kết hoạt động Kết thúc Tiền điều kiện: Người dùng mở ứng dụng CSDL load thành công Hậu điều kiện: Lưu lại việc thực thi thao tác hệ thống (nếu có) Biểu đồ Use case Hình 10 Biểu đồ Usercase Activity Diagram Hình 11 Activity Diagram 19 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 Chương XÂY DỰNG ĐỀ TÀI 3.1 Các bước huấn luyện mơ hình Việc huấn luyện mơ hình Deep Learning bao gồm bước: • Chuẩn bị liệu • Xây dựng network • Chọn thuật toán cập nhật nghiệm, xây dựng loss phương pháp đánh giá mơ hình • Huấn luyện mơ hình • Đánh giá mơ hình 3.2 Cài đặt cơng cụ mơi trường Chúng em sử dụng trình biên tập mã Visual Studio Code để soạn thảo mã nguồn Hình 12 Cài đặt Visual Studio Code 20 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 Chúng em sử dụng Python 3.7 tảng platform Anaconda Hình 13 Cài đặt Anaconda 3.3 Cài đặt thư viện Các thư viện chúng em sử dụng đề tài : TensorFlow, Numpy, Flask, Keras 3.4 Tiến hành lập trình Import thư viện Hình 14 Import thư viện 21 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 Đặt tên Class Hình 15 Đặt tên class Tải mơ hình lên Hình 16.Upload mơ hình 22 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 Trang chủ em sử dụng html với trang index.html Hình 17 Trang index Xử lý tệp dự đốn label Hình 18 Xử lí tệp 23 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 3.5 Một số hình ảnh đề tài Hình 19 Trang chủ Hình 20 Kết sau upload hình 24 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 KẾT LUẬN Kết đạt Trong trình xây dựng đề tài, nhóm tìm hiểu hồn thành trang web tương đối hoàn chỉnh Với hướng dẫn tận tình từ thầy Nguyễn Hà Huy Cường, kiến thức mà thầy cung cấp, chúng em áp dụng Deep Learning mơ hình CNN vào tốn Trong khoảng thời gian hạn chế, nhóm phát triển trang web tương đối hoàn thiện Trang web đáp ứng tốt chức người sử dụng thông thường việc nhận dạng bệnh từ hình ảnh truyền vào Giao diện trang web thân thiện dễ sử dụng Nhóm đưa thiết kế sau tham khảo nhiều ứng dụng khác nhau, ứng dụng phù hợp với thói quen người sử dụng Nhờ liệu thuật toán áp dụng vào mà sau người dùng nhập vào hình ảnh sắn đưa kết với độ xác cao, phân loại loại bệnh phổ biến sắn mì phát khoẻ mạnh Từ giúp người nơng dân mau chóng phát bệnh sắn mì có cách khắc phục nhanh chóng, tránh nhiều rủi ro cho người nông dân Bên cạnh đó, nhờ thực đề tài mà chúng em cịn có thêm nhiều hiểu biết Deep Learning, mơ hình học sâu CNN thư viện keras, TensorFlow,…Từ áp dụng vào đề tài Phát phân loại bệnh sắn mì Hạn chế đề tài Mặc dù cố gắng hoàn thành tốt đề tài thời gian cịn có hạn nên chúng em cịn nhiều thiếu xót khơng tránh khỏi mong thầy cô cảm thông Một số hạn chế đề tài sau: • Trang web cịn chưa hồn thiện hồn tồn • Giao diện đơn giản • Còn nhiều bệnh chưa phổ biến chưa phát 25 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 Hướng phát triển đề tài Với hạn chế tồn nêu trên, tương lai nhóm tiếp tục hoàn thiện đề tài với dự kiến sau: • Tìm hiểu thêm nhiều liệu khác bệnh sắn mì vào trang web • Cải thiện mặt giao trang web đẹp mắt dễ sử dụng • Phát triển nhiều tảng khác • thử nghiệm thêm số phương pháp phát nhận dạng khác để so sánh ưu, khuyết điểm so với phương pháp đề xuất 26 Downloaded by tran quang (quangsuphamhoak35@gmail.com) lOMoARcPSD|9242611 TÀI LIỆU THAM KHẢO [1] https://codelearn.io/ [2] https://ichi.pro/vi/phan-tich-du-lieu-kham-pha-va-mo-hinh-co-so127992819476141 [3] https://www.thegioimaychu.vn/blog/ [4] https://vi.wikipedia.org/wiki/TensorFlow [5] http://nghelaptrinh.net/convolutional-neural-network-la-gi/ [6] https://trituenhantao.io/kien-thuc/resnet-mang-hoc-sau-dung-nghia/ [7] https://keras.io/ 27 Downloaded by tran quang (quangsuphamhoak35@gmail.com)