Nghiên cứu và xây dựng cơ sở dữ liệu côn trùng phục vụ phát triển nông nghiệp bền vững

TRƯỜNG ĐẠI HỌC AN GIANG KHOA CÔNG NGHỆ THÔNG TIN KHĨA LUẬN TỐT NGHIỆP NGÀNH CƠNG NGHỆ THƠNG TIN NGHIÊN CỨU VÀ XÂY DỰNG CƠ SỞ DỮ LIỆU CÔN TRÙNG PHỤC VỤ PHÁT TRIỂN NÔNG NGHIỆP BỀN VỮNG ĐẶNG THỊ PHƯƠNG THANH AN GIANG, 05-2022 TRƯỜNG ĐẠI HỌC AN GIANG KHOA CƠNG NGHỆ THƠNG TIN KHĨA LUẬN TỐT NGHIỆP NGÀNH CÔNG NGHỆ THÔNG TIN NGHIÊN CỨU VÀ XÂY DỰNG CƠ SỞ DỮ LIỆU CÔN TRÙNG PHỤC VỤ PHÁT TRIỂN NÔNG NGHIỆP BỀN VỮNG ĐẶNG THỊ PHƯƠNG THANH MÃ SỐ SV: DTH185374 GIẢNG VIÊN HƯỚNG DẪN: TS ĐOÀN THANH NGHỊ AN GIANG, 05-2022 Bản chấp thuận hội đồng Khóa luận“…………………………………………………………………… ” sinh viên …………………………………………………………thực hướng dẫn …………………………………………………Tác giả báo cáo kết nghiên cứu Hội đồng Khoa học Đào tạo thông qua ngày……………………… Phản biện (Ký ghi rõ chức danh, họ tên) Phản biện (Ký ghi rõ chức danh, họ tên) Giảng viên hướng dẫn (Ký ghi rõ chức danh, họ tên) i LỜI CẢM ƠN Trước tiên, em xin gửi lời cảm ơn chân thành, sâu sắc đến ban Giám Hiệu trường Đại học An Giang thầy, cô khoa Công Nghệ Thông Tin tận tình dạy dỗ, truyền đạt cho em nhiều kiến thức quý báo bổ ích giảng đường đại học, làm hành trang vững cho chặng đường sau tương lai Để hoàn thành đề tài luận văn với kết tốt nhất, bên cạnh nổ lực học hỏi thân, vận dụng kiến thức học trường tìm hiểu ngồi thực tế, em xin tỏ lòng biết ơn chân thành, sâu sắc tới TS Đoàn Thanh Nghị trực tiếp hướng dẫn, quan tâm tận tình giúp đỡ em trình thực đề tài Xin chân thành cảm ơn anh, chị khóa trên, bạn khoa Cơng Nghệ Thơng Tin nói chung tập thể lớp DH19TH2 nói riêng giúp đỡ, động viên em nhiều trình học tập nghiên cứu trường Mặc dù cố gắng hoàn thành luận văn phạm vi khả cho phép với kinh nghiệm hạn chế sinh viên chắn thiếu sót điều khơng thể tránh khỏi Em kính mong nhận cảm thơng, bảo tận tình thầy, để nâng cao khả tìm hiểu nghiên cứu cho công việc thực tế sau Em xin chân thành cảm ơn! Tp Long Xuyên, ngày 19 tháng 05 năm 2022 Sinh viên Đặng Thị Phương Thanh ii TĨM TẮT Trong sản xuất nơng nghiệp nói chung trồng trọt nói riêng, trùng xem nhóm dịch hại quan trọng Chúng lồi sâu hại, loại rầy, rệp, bọ cánh cứng, bọ xít, ruồi, muỗi, ngài (bướm) Côn trùng gây hại nông nghiệp thuật ngữ để lồi trùng cơng trồng, ảnh hưởng đến sinh trưởng, phát triển, suất trồng Từ đó, chúng tác động trực tiếp đến yếu tố kinh tế người sản xuất kéo theo nhu cầu sử dụng thuốc hóa học hàng loạt sau Bên cạnh đó, để đảm bảo suất trồng cao, người nơng dân có xu hướng sử dụng thuốc trừ sâu theo thời vụ khả xuất sâu bệnh tự nhiên Như vậy, điều không gây tồn dư lượng lớn thuốc bảo vệ thực vật nông sản hàng hóa mà cịn gây áp lực lớn đến mơi trường sinh thái Việc sử dụng nhiều thuốc bảo vệ thực vật phần thông tin lồi mật độ sâu bệnh khơng cung cấp kịp thời xác Đề tài “Nghiên cứu xây dựng sở liệu côn trùng phục vụ cho phát triển nông nghiệp bền vững” nhằm cung cấp thơng tin trùng thực bước phịng chống thích hợp áp dụng biện pháp quản lý dịch hại phù hợp, bao gồm việc sử dụng hợp lý thuốc bảo vệ thực vật nơi thời điểm Ngoài giúp xác định tốc độ sinh sản côn trùng mạnh vào thời điểm để phịng trừ cách nhanh chóng xác iii MỤC LỤC Contents CHƯƠNG ĐẶT VẤN ĐỀ 1.1 Tính cấp thiết đề tài 1.2 Lý chọn đề tài 1.3 Mục tiêu đề tài CHƯƠNG TỔNG QUAN VÀ CƠ SỞ LÝ THUYẾT 2.1 Đặt vấn đề 2.2 Lịch sử giải vấn đề 2.3 Phạm vi đề tài 2.4 Phương pháp nghiên cứu 2.5 Tóm tắt sở lý thuyết 10 2.5.1 Tổng quan côn trùng 10 2.5.2 Tổng quan django 17 2.5.3 Tổng quan toán nhận dạng đối tượng 19 2.5.3 Tổng quan ảnh 21 2.5.4 Convolutional Neural Network (CNN) 23 2.5.5 Thuật toán You Only Look Once (YOLO) 26 2.5.6 Tổng quan phiên YOLOv5 32 2.5.7 Tổng quan MySQL 34 CHƯƠNG 36 NỘI DUNG KẾT QUẢ NGHIÊN CỨU/ PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG 36 3.1 Phân tích toán 36 3.2 Phân tích thiết kế hệ thống 41 3.3 Các tiêu chí hệ thống 53 3.4 Chức hệ thống 53 3.5 Quá trình phát triển hệ thống 54 3.5.1 Xây dựng chức tìm kiếm trùng hình ảnh 54 3.5.2 Xây dựng công cụ vẽ bounding box 57 3.5.3 Xây dựng chức download hình ảnh có label 58 3.5.4 Xây dựng chức phân bổ côn trùng Map 58 iv 3.5.5 Xây dựng chức xem tốc độ sinh sản côn trùng theo tháng năm 58 3.5.6 Xây dựng chức thêm ảnh 58 3.6 Giao diện hệ thống 58 3.7 Tổng kết hướng phát triển 63 v DANH MỤC HÌNH ẢNH Hình 1: Cơn trùng động vật thân mềm 10 Hình 2: Cấu tạo phần đầu côn trùng 11 Hình 3: Cấu tạo phần bụng trùng 12 Hình 4: Q trình biến thái hồn tồn sinh vật 13 Hình 5: Quá trình biến thái khơng hồn tồn sinh vật 14 Hình 6: Một số trùng gây hại 15 Hình 7: Cây phân lồi 16 Hình 8: Mơ hình MVT django 18 Hình 9: Cấu trúc django 19 Hình 10: Sơ đồ tống hợp tác vụ computer vision 20 Hình 11: Hệ màu RGB 22 Hình 12: Ảnh màu biểu diễn dạng tensor 23 Hình 13: Cửa sổ trượt (Sliding Windows) 23 Hình 14: cấu trúc mạng CNN 24 Hình 15: Cách thức hoạt động mơ hình CNN 25 Hình 16: Hoạt động Pooling Layer 26 Hình 17: mơ hình nhận diện yolo 27 Hình 18: CNN for YOLO Object Detection 28 Hình 19: Mơ tả cách tính IOU 30 Hình 20: Chỉ số IOU 31 Hình 21:Non-max suppression Từ bounding box ban đầu bao quanh xe giảm xuống bounding box cuối 31 Hình 22: Kiến trúc yolov5 33 Hình 23: So sánh mơ hình yolov5 34 Hình 24: Biểu đồ so sánh loại yolov5 34 Hình 25: Phân loại tập liệu IP102 37 Hình 26: Các dạng khác hình ảnh trùng gây hại 37 Hình 27: Mơ hình use case tổng quát 42 Hình 28: Phân rã chức tìm kiếm 42 Hình 29: Phân rã chức map 43 Hình 30: Use case người dùng 43 Hình 31: User case nhân viên 44 Hình 32: User case quản trị viên 44 Hình 33: User case quản lý user 45 Hình 34: User case quản lý trùng 45 Hình 35: Sequence khách hàng đăng kí 46 Hình 36: Sequence khách hàng đăng nhập 46 vi Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình Hình 37: Sequence khách hàng tìm kiếm 46 38: Sequence khách hàng xem vị trí trùng 46 39: Sequence khách hàng download 47 40: Sequence khách hàng thêm ảnh 47 41: Sequence nhân viên cào ảnh 48 42: Sequence nhân viên gán nhãn 48 43: Sequence quản trị viên nhập ảnh 48 44: Sơ đồ lớp 49 45: Cơ sở liệu 49 46: Cấu hình định nghĩa lớp 55 47: Gán nhãn cho hình ảnh 56 48: Nội dung file.txt ảnh bounding box 56 49: kết tìm kiếm ảnh 57 50: Kết tra tìm ảnh 57 51: Giao diện hệ thống 59 52: Giao diện chức tìm kiếm 59 53: Giao diện kết tìm kiếm ảnh 60 54: Giao diện đồ 60 55: Giao diện tìm kiếm trùng đồ 60 56: Giao diện nhập ảnh 60 57: Giao diện thêm ảnh 61 58: Giao diện cào ảnh 61 59: Giao diện gán nhãn hình ảnh 61 60: Giao diện download hình ảnh 62 61: Giao diện thông tin côn trùng 62 62: Giao diện biểu đồ sinh sản so sánh 10 côn trùng 62 63: Giao diện tốc độ sinh sản 63 vii DANH MỤC BẢNG Bảng 1: So sánh tập liệu liên quan đến côn trùng, bệnh hại trồng ‘Class’ biểu thị số lớp/loài ‘Avail’ cho biết tập liệu có sẵn ‘Y’ hay khơng ‘N’ ‘Avg’ biểu thị số mẫu trung bình lớp Bảng 2: Các tập liệu phổ biến phục vụ cho nhận dạng sâu bệnh hại trồng Bảng 3: Chú thích thành phần 18 Bảng 4:Training/validation/testing (denoted as Train/Val/Test) 38 Bảng 5:Bảng thống kê liệu hình ảnh thu thập 39 Bảng 6: Các tác nhân hệ thống 41 Bảng 7: Mô tả liệu người dùng 49 Bảng 8: Mô tả liệu giới 50 Bảng 9: Mô tả liệu Ngành 50 Bảng 10: Mô tả liệu Lớp 50 Bảng 11: Mô tả liệu Bộ 51 Bảng 12: Mô tả liệu Họ 51 Bảng 13: Mô tả liệu Giống 51 Bảng 14:Mô tả liệu loài 51 Bảng 15: Mô tả liệu hình ảnh 52 Bảng 16: Mô tả liệu Nhãn 52 Bảng 17: Thông tin download 53 Bảng 18: Bảng tách liệu thí nghiệm 54 viii TÀI LIỆU THAM KHẢO [1] “Kiểm soát dịch hại.” [Online] Available: https://www.nature.com/articles/nbt0297-137 [2] F Fina, P Birch, R Young, J Obu, B Faithpraise, and C Chatwin, “AUTOMATIC PLANT PEST DETECTION AND RECOGNITION USING k-MEANS CLUSTERING ALGORITHM AND CORRESPONDENCE FILTERS,” p 12 [3] H Al Hiary, S Bani Ahmad, M Reyalat, M Braik, and Z ALRahamneh, “Fast and Accurate Detection and Classification of Plant Diseases,” IJCA, vol 17, no 1, pp 31–38, Mar 2011, doi: 10.5120/2183-2754 [4] R K Samanta and I Ghosh, “Tea Insect Pests Classification Based on Artificial Neural Networks,” vol 2, no 6, p 14, 2012 [5] “Wang_et_al.” [Online] Available: https://www.semanticscholar.org/paper/A-new-automatic-identificationsystem-of-insect-at-Wang-Lin/ [6] K Venugoban and A Ramanan, “Image Classification of Paddy Field Insect Pests Using Gradient-Based Features,” IJMLC, pp 1–5, Feb 2014, doi: 10.7763/IJMLC.2014.V4.376 [7] “Xie_et_al_2015.” [Online] Available: https://www.sciencedirect.com/science/article/abs/pii/ [8] “liu_et_all_cộng sự.” [Online] Available: https://europepmc.org/article/PMC/4750055 [9] “xie_et_all.” [Online] Available: https://pubag.nal.usda.gov/catalog/6101594 [10] “Nghiên cứu phát nhận dạng hình ảnh trùng dịch hại dựa phương pháp lấy cảm hứng từ sinh học.” [11] “Alfarisy_et_al.” [Online] Available: https://dl.acm.org/doi/10.1145/3208788.3208795 [12] “Tập_dữ_liệu_IP102.” [Online] Available: https://www.semanticscholar.org/paper/IP102%3A-A-Large-ScaleBenchmark-Dataset-for-Insect-Wu-Zhan/ [13] “Densely Connected Convolutional Networks.” [Online] Available: https://ieeexplore.ieee.org/document/8099726 [14] “Detection of Diseases in Rice Leaf Using Deep Learning and Machine Learning Techniques.” [15] J P Shah, H B Prajapati, and V K Dabhi, “A survey on detection and classification of rice plant diseases,” in 2016 IEEE International Conference on Current Trends in Advanced Computing (ICCTAC), Bangalore, India, Mar 2016, pp 1–8 doi: 10.1109/ICCTAC.2016.7567333 [16] “Plant diseases and pests detection based on deep learning: a review.” [Online] Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7903739/ [17] “How Convolutional Neural Networks Diagnose Plant Disease.” 64 [18] E David et al., “Global Wheat Head Detection 2021: An Improved Dataset for Benchmarking Wheat Head Detection Methods,” Plant Phenomics, vol 2021, pp 1–9, Sep 2021, doi: 10.34133/2021/9846158 [19] “Deep learning, Convolutional neural network, Plant diseases and pests, Classification, Object detection, Segmentation.” [Online] Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7903739/ [20] “Deep learning, Convolutional neural network.” [Online] Available: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7903739/ [21] X Wu, C Zhan, Y.-K Lai, M.-M Cheng, and J Yang, “IP102: A Large-Scale Benchmark Dataset for Insect Pest Recognition,” in 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, CA, USA, Jun 2019, pp 8779–8788 doi: 10.1109/CVPR.2019.00899 [22] “SO_16.” [Online] Available: https://khepri-node.dev.metainfra.org/datasets/a-database-of-eight-common-tomato-pest/datafile173657 [23] “CÔN TRÙNG RỪNG.” [Online] Available: https://text.123docz.net/document/673894-con-trung-rung.htm [24] “Con_trung_cau_tao_dac_diem.” [Online] Available: https://dietmoihanhlong.com/con-trung-la-gi.html [25] “Giáo trình Cơn Trùng Nơng Nghiệp - PGS.TS Nguyễn Đức Khiêm.pdf.” [26] “ĐHCT.Côn Trùng Nông Nghiệp Phần A-Côn Trùng Đại Cương Pgs.Nguyễn Thị Thu Cúc, 286 Trang.pdf.” [27] “Vong_doi_con_trung.” [Online] Available: https://gaocung.com/tintuc/con-trung-la-gi.html [28] “Vai_Tro_Con_Trung.” [Online] Available: https://kiemsoatcontrung.com.vn/con-trung/ [29] “Bac_Phan_loai_con_trung.” [Online] Available: https://vi.wikipedia.org/wiki/bac_phan_loai [30] “201303Lect_AniToxonomy-Compatibility-Mode.pdf.” [31] “Tong_quan_ve_django.” [Online] Available: https://vinasupport.com/django-la-gi-tong-quan-ve-django-framework/ [32] J Deng, W Dong, R Socher, L.-J Li, K Li, and L Fei-Fei, “ImageNet: A Large-Scale Hierarchical Image Database,” p [33] T.-Y Lin et al., “Microsoft COCO: Common Objects in Context,” arXiv:1405.0312 [cs], Feb 2015, Accessed: Mar 15, 2022 [Online] Available: http://arxiv.org/abs/1405.0312 [34] “LabelImg.” [Online] Available: https://thigiacmaytinh.com/su-dungtool-labelimg-de-danh-nhan-vat-the-trong-hinh/ [35] “Roboflow.” [Online] Available: https://docs.roboflow.com/quick-start [36] “PyCharm.” [Online] Available: https://vn.got-it.ai/blog/pycharm-la-gi [37] “folium.” [Online] Available: https://pypi.org/project/folium/ 65 PHỤ LỤC Hướng dẫn cài đặt hệ thống Tải phần mềm chạy hệ thống tại: - Giải nén file JetBrains.rar - Chọn bin - Chọn pycharm64.exe  chuột phải chọn open Cài đặt môi trường ảo Chọn file  Setting 66 Chọn vào show all Chọn vào dấu + Đặt tên môi trường venv chọn python 3.8 64 bit 67 Bấm OK Tiếp mơi trường venv vừa tạo chọn vào bấm nút add Thư mục tạo hình Kết nối với môi trường vừa tạo lệnh Cài đặt thư viện file requirements.txt Kết nối database Vào app/ setting.py 68 Cập nhật tên database, username, password Sử dụng phần mềm server ảo dùng để xây dựng server máy tính vertrigo Link tải vertrigo: https://sourceforge.net/projects/vertrigo/ Vào phpmyadmin tạo database tên contrung add file contrung.sql vào database tạo 69 Thực lệnh sau: Sau lệnh runserver kết hình thành cơng Hướng dẫn sử dụng phần mềm Vào link http://127.0.0.1:8000/ lên giao diện trang chủ 70 Nhấp vào ảnh - Chọn more 71 Có tồn tài check Ngược lại 72 Chức tìm kiếm cơng cụ Giao diện tìm kiếm Tìm kiếm phân lồi 73 Tìm kiếm hình ảnh Bấm vào chọn ảnh chọn ảnh côn trùng mà bạn muốn tìm Sau nhấp vào nút tìm kiếm Trường hợp khơng tìm thấy có thơng báo hình Ngược lại lại tên khoa học trùng 74 Nhấp vào tên khoa học để biết thơng tin trùng Chức Map công cụ Giao diện map Nhập tên khoa học trùng cần tìm Kết sau tìm 75 Ở xem thơng tin chi tiết trùng vừa tìm Chức nhập ảnh công cụ Giao diện chức nhập ảnh 76 Chọn loại côn trùng cần nhập Nhập ảnh nhập labels ảnh Sau bấm upload Chức gán nhãn cơng cụ Giao diện gán nhãn hình ảnh Kéo thả chuột xung quanh côn trùng Bấm vào nút validate để lưu ảnh vào sở liệu Chức download công cụ 77 Nhập vào tên khoa học gần để tìm trùng 78