Xây dựng ứng dụng nhận dạng côn trùng cho các thiết bị di động

TRƯỜNG ĐẠI HỌC AN GIANG KHOA CÔNG NGHỆ THÔNG TIN KHĨA LUẬN TỐT NGHIỆP NGÀNH CƠNG NGHỆ THƠNG TIN XÂY DỰNG ỨNG DỤNG NHẬN DẠNG CÔN TRÙNG CHO CÁC THIẾT BỊ DI ĐỘNG PHƯƠNG THÁI NGỌC AN GIANG, 05-2022 TRƯỜNG ĐẠI HỌC AN GIANG KHOA CƠNG NGHỆ THƠNG TIN KHĨA LUẬN TỐT NGHIỆP NGÀNH CÔNG NGHỆ THÔNG TIN XÂY DỰNG ỨNG DỤNG NHẬN DẠNG CÔN TRÙNG CHO CÁC THIẾT BỊ DI ĐỘNG PHƯƠNG THÁI NGỌC DTH185327 GIẢNG VIÊN HƯỚNG DẪN TS ĐỒN THANH NGHỊ AN GIANG, 05-2022 Khố luận “Xây dựng ứng dụng nhận dạng côn trùng cho thiết bị di động” sinh viên Phương Thái Ngọc thực hướng dẫn TS Đoàn Thanh Nghị Tác giả báo cáo kết nghiên cứu Hội đồng Khoa học Đào tạo thông qua ngày ……………………… Phản biện Phản biện (Ký ghi rõ chức danh, họ tên) (Ký ghi rõ chức danh, họ tên) Giảng viên hướng dẫn (Ký ghi rõ chức danh, họ tên) i LỜI CẢM ƠN Thưa thầy cơ, thưa người, q trình hồn thành luận văn tốt nghiệp giai đoạn vô quan trọng sinh viên chúng em Bài luận văn tiền đề giúp trang bị thêm kiến thức kỹ để chúng em tự tin bước vào đời lập nghiệp Đầu tiên, em xin chân thành cảm ơn quý thầy cô viện trường Đại học An Giang Đặc biệt thầy khoa Công nghệ thông tin tận tình hướng dẫn dạy em khơng luận văn tốt nghiệp mà suốt năm học tập mái trường Những đóng góp thầy có ý nghĩa quan trọng luận văn em, bên cạnh hành trang tiếp bước cho em quãng đường dài sau Lời cuối cùng, em xin gửi lời cảm ơn chân thành đến gia đình, bố mẹ, bạn bè tồn thể lớp DH19TH1, người sẵn sàng chia sẻ hỗ trợ học tập sống Xin chân thành cảm ơn tất người! Tp Long Xuyên ngày 19 tháng 05 năm 2022 Sinh viên thực Phương Thái Ngọc ii TÓM TẮT Việt Nam đất nước nơng nghiệp, nơng nghiệp chiếm vai trị quan trọng kinh tế Việt Nam nhiên tình hình biến đổi khí hậu nước ta phức tạp nên dẫn đến việc phát sinh nhiều loại côn trùng gây hại dẫn đến thiệt hại cho kinh tế Việt Nam nói chung nơng dân nói riêng đồng thời cịn làm giảm giá trị thị trường xuất hàng hóa thực vật chất lượng số lượng Vì nhu cầu cấp thiết phải xác định loại trùng gây hại, việc nhận biết xác côn trùng gây hại giúp cho người dân chủ động tìm biện pháp phịng trừ để giảm thiểu tổn hại đến mức thấp Và số lượng côn trùng đa dạng chủng loại hình dạng nên việc nhận biết theo kinh nghiệm người dân khơng có độ xác cao Để giải vấn đề trên, luận xây dựng ứng dụng nhận diện côn trùng cho thiết bị di động, ứng dụng xây dựng với ngơn ngữ lập trình java cơng cụ Android studio Giúp tăng độ xác việc xác định loại côn trùng gây hại, đồng thời cung cấp thêm thơng tin cho người dân công trùng đặc điểm sinh học, phân bố, hình thái biện pháp phịng trừ để từ đưa biện pháp sinh học để phòng giảm việc sử dụng thuốc bảo vệ thực vật Đề tài gồm ba chương với nội dung cụ thể sau: Chương 1: Chương tổng quan, chương nêu tầm quan trọng đề tài, mục tiêu nghiên cứu, phạm vi phương pháp nghiên cứu đề tài Chương 2: Chương Cơ sở lý thuyết sử dụng để giải vấn đề Trình bày phát đối tượng, Giới thiệu YOLO phiên bản, phương pháp học chuyển giao (Transfer learning), Giới thiệu hệ điều hành Android, Giới thiệu sở liệu MYSQL, trình bày nghiên cứu tương tự Chương 3: Chương trình bày hệ thống nhận diện côn trùng thiết bị di động, mô tả tập liệu côn trùng, kiến trúc hệ thống nhận diện côn trùng thiết bị di động, cuối kết luận hướng phát triển hệ thống iii MỤC LỤC CHƯƠNG TỔNG QUAN 1.1 TÍNH CẤP THIẾT CỦA ĐỀ TÀI .1 1.2 LÝ DO CHỌN ĐỀ TÀI 1.3 MỤC TIÊU NGHIÊN CỨU .2 1.4 PHẠM VI ĐỀ TÀI 1.5 PHƯƠNG PHÁP NGHIÊN CỨU CHƯƠNG CƠ SỞ LÝ THUYẾT 2.1 PHÁT HIỆN ĐỐI TƯỢNG .3 2.1.1 Khái niệm .3 2.1.2 Phân biệt khái niệm object detection, image classification object localization 2.2 GIỚI THIỆU VỀ YOLO (YOU ONLY LOOK ONCE) 2.2.1 Mạng YOLO gì? 2.2.2 Kiến trúc YOLO 2.2.3 Các phiên YOLO 2.2.3.1 YOLOv1 2.2.3.2 YOLOv2 2.2.3.3 YOLOv3- Better, not Faster, Stronger 13 2.2.3.4 YOLOv4 Optimal Speed and Accuracy of Object Detection] 16 2.2.3.5 YOLOv5 24 2.3 PHƯƠNG PHÁP TRANSFER LEARNING 32 2.3.1 Giới thiệu Transfer Learning 32 2.3.2 Transfer Learning 34 2.3.2.1 Kiến trúc mơ hình Transfer Learning 34 2.3.3 Những điều cần lưu ý áp dụng transfer learning 36 2.3.3.1 Transfer learning theory kích thước liệu 36 2.3.3.2 Khi thực Transfer Learning 37 2.4 SƠ LƯỢC VỀ ANDROID 37 2.4.1 Giới thiệu 37 2.4.2 Kiến trúc ứng dụng Android 39 2.4.3 Môi trường phát triển ứng dụng 41 2.4.4 Công cụ phát triển 41 2.4.5 Giới thiệu Mysql 42 2.5 TÌM HIỂU VỀ CƠN TRÙNG 42 iv 2.5.1 Giới thiệu côn trùng 42 2.5.2 Hình thái phát triển 43 2.5.3 Vịng đời trùng 44 2.5.4 Tập tính côn trùng 46 2.5.5 Giác quan côn trùng 46 2.5.6 Phân loại côn trùng 47 2.5.7 Cơn trùng có lợi trùng gây hại 49 2.5.7.1 Côn trùng gây hại: 49 2.5.7.2 Cơn trùng có lợi 49 2.6 NHỮNG NGHIÊN CỨU TƯƠNG TỰ 51 2.6.1 Trong nước 51 2.6.2 Ngoài nước 51 CHƯƠNG 57 HỆ THỐNG NHẬN DẠNG CÔN TRÙNG TRÊN THIẾT BỊ DI ĐỘNG 57 3.1 TỔNG QUAN HỆ THỐNG 57 3.2 MÔ TẢ HỆ THỐNG 59 3.2.1 Danh sách Actor 60 3.2.2 Danh sách Use case 61 3.2.3 Sơ đồ use case 63 3.2.4 Đặc tả chi tiết use case 64 3.2.4.1 Đặc tả use case đăng nhập 64 3.2.4.2 Đặc tả use case đăng ký 65 3.2.4.3 Đặc tả use case detect 65 3.2.4.4 Đặc tả use case xem danh sách côn trùng 66 3.2.4.5 Đặc tả use case xem danh sách hình ảnh theo tên trùng 67 3.2.4.6 Đặc tả use case Upload hình ảnh lên server 68 3.1.4.7 Đặc tả use case update phiên 68 3.2.4.8 Đặc tả use case mở khóa tài khoản người dùng 69 3.2.4.9 Đặc tả use case lưu bị trí phát trùng 69 3.2.4.10 Đặc tả use case gửi mail thông báo trạng thái tài khoản 70 3.2.4.11 Đặc tả use case import database file Excel 71 3.2.4.12 Đặc tả use case upload hình ảnh server từ trang Admin 71 3.2.4.13 Đặc tả use case nhận diện offline 72 3.3 THIẾT KẾ CƠ SỞ DỮ LIỆU 73 3.3.1 Thiết kế chi tiết bảng liệu 73 3.3.2 Các lớp đối tượng 74 3.4 THỰC NGHIỆM VÀ BÀN LUẬN 74 v 3.4.1 Mô tả tập liệu 74 3.4.1.1 Tập liệu 102 lớp 74 3.4.2 Thiết lập thí nghiệm 76 3.4.3 Độ xác nhận diện 78 3.4.4 Chế độ hoạt động ứng dụng 79 3.4.5 Độ xác xác định trùng tập liệu hình ảnh 80 3.4.5.1 Tập liệu 10 lớp 80 3.4.5.2 Tập liệu 102 lớp 82 3.4.5.3 Chỉ số FPS nhận diện 89 3.5 GIAO DIỆN CHƯƠNG TRÌNH 91 3.5.1 Giao diện hình chờ 91 3.5.2 Giao diện hình chọn đăng nhập đăng ký 92 3.5.3 Giao diện hình đăng nhập 93 3.5.4 Giao diện hình đăng ký 94 3.5.5 Giao diện hình thơng tin trùng nhận diện thành công 95 3.5.6 Giao diện xem danh sách côn trùng 96 3.5.7 Giao diện danh sách hình ảnh trùng 97 3.5.8 Giao diện hình thơng tin ứng dụng 97 3.5.9 Giao diện hình nhận diện 99 3.5.10 Giao diện hình save GPS 100 3.5.11 Giao diện web Admin quản lý user 101 3.5.12 Giao diện nhận diện offline 102 3.5.12.1 Cơ sở liệu sqlite 103 3.5.12.2 Quy trình hoạt động chế độ nhận diện offline 104 3.6 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 104 3.6.1 Kết luận 104 3.6.2 Hướng phát triển 105 PHỤ LỤC 106 HƯỚNG DẪN SỬ DỤNG ỨNG DỤNG 106 TÀI LIỆU THAM KHẢO 107 vi DANH SÁCH HÌNH VẼ Hình 1: Sơ đồ tổng hợp tác vụ computer vision Hình 2: Kiến trúc YOLO Hình 3: Kiến trúc output YOLO Hình 4: Cấu trúc YOLO v1 Hình 5: YOLOv1 chia ảnh thành SxS lưới Hình 6: Hình ảnh trọng tâm vật thể Hình 7: Giá trị tham số C .8 Hình 8: Minh họa NMS Hình 9: Phát nhiều đối tượng lưới 10 Hình 10: Minh họa 1% số lượng Anchor box mạng RetinaNet 11 Hình 11: Cấu trúc Darknet-53 13 Hình 12: Cấu trúc YOLOv3 13 Hình 13: Kích thước tensor 15 Hình 14: Đào tạo để tinh chỉnh kích thước anchor box 16 Hình 15: So sánh YOLOv4 YOLOv3 16 Hình 16: Backbone sử dụng YOLO v4 17 Hình 17: Efficient Net 18 Hình 18: Mạng SPP 18 Hình 19: Biểu đồ áp dụng YOLO-SPP 19 Hình 20: Phương pháp PAN 19 Hình 21: Thiết kế Neck 20 Hình 22: Hàm add hàm concat 20 Hình 23: Áp dụng Attention vào model Deep Learning 20 Hình 24: Apply Spatial Attention vào input feature maps để thu hồi refined feature layer 21 Hình 25: Điều chỉnh SAM khơng có hai lớp max pool, avg pool 21 Hình 26: Đào tạo để tinh chỉnh kích thước anchor box 22 vii Hình 27: Cắt Trộn-CutMix data augmentation 23 Hình 28: Tăng sinh liệu cách “Khảm” Mosaic data augmentation .23 Hình 29: DropBlock regularization 24 Hình 30: Mã giả thuật tốn DropBlock 24 Hình 31: Khởi tạo colab 26 Hình 32: Chế độ soạn thảo colab 27 Hình 33 Kiểm tra version cuda 27 Hình 34: Bật GPU colab 27 Hình 35: Chọn tăng tốc phần cứng GPU 28 Hình 36: Kiểm tra GPU bật hay chưa 28 Hình 37: Kết nối với google drive 29 Hình 38: Gán nhãn tool labelimg 30 Hình 39: liệu côn trùng gồm hai file (file image file annotation) 30 Hình 40: Kết dự đốn mơ hình phát đối tượng để phát trùng gây hại 32 Hình 41: Sơ đồ so sánh hiệu suất mơ hình trước sau áp dụng Transfer Learning [18] 34 Hình 42: Các đặc trưng học từ mạng CNN 34 Hình 43: Kiến trúc mạng VGG16 sử dụng làm base network transfer learning 35 Hình 44: Kiến trúc based network kết hợp với fully connected layers 36 Hình 45: Chiến lược áp dụng transfer learning 36 Hình 46: Kiến trúc Android 39 Hình 47: Hình ảnh đa dạng trùng 43 Hình 48: Vịng đời biến thái khơng hồn tồn Châu Chấu 45 Hình 49: Vịng đời biến thái hồn tồn Bướm 45 Hình 50: Hệ thống ứng dụng nhận diện dịch hại Sri Lanka 52 Hình 51: Xác định vị trí đối tượng 53 viii 3.5.6 Giao diện xem danh sách trùng Hình 71: Giao giao diện danh sách trùng 96 3.5.7 Giao diện danh sách hình ảnh trùng Hình 72: Giao diện danh sách hình ảnh trùng 3.5.8 Giao diện hình thơng tin ứng dụng 97 Hình 73: Giao diện thơng tin ứng dụng Tại giao diện người dùng tiến hành upload lên server hình ảnh chụp từ lần nhận dạng, việc lưu hình ảnh lại upload chúng lên server có tác dụng thứ hình ảnh mà nhận dạng thành cơng chụp lại hình ảnh chụp góc độ, màu sắc, độ nhiễu tự nhiên, từ dùng hình ảnh để tiền hành tăng cường liệu cho trình huấn luyện mơ hình giúp cho việc nhận diện thời gian thực mơ hình tốt Đối với hình ảnh detect khơng thành cơng (unknow) tức côn trùng loại côn trùng khơng có database khơng có mơ hình huấn luyện, dùng hình ảnh để tiền hành huấn luyện tiếp để làm cho mơ hình trở nên phong phú đa dạng số lượng 98 3.5.9 Giao diện hình nhận diện Hình 74: Giao diện hình nhận diện 99 3.5.10 Giao diện hình save GPS Hình 75: Giao diện hình save GPS Mục tiêu việc nhận dạng trùng có lẽ để phát loại trùng gây hại từ đưa biện pháp phịng trừ để phịng trừ tiêu diệt phải nằm vị trí trùng xuất nhiều nhất, mật độ lồi trùng khu vực Ở chức q trình nhận diện trùng người dùng lưu vị trí (vị trí mà phát trùng) Những thơng tin vị trí trùng lưu vào file json, thơng tin có giúp cho có 100 thể phát kiểm soát phân bố cơng trùng khu vực từ đưa giải pháp khắc phục đồng thời liệu đầu vào việc thu thập liệu phân bố công trùng để xây dựng đồ mật độ phân bố côn trùng Những đồ phân bố trùng sử dụng để: - Kiểm soát tác động tiềm ẩn côn trùng hệ sinh thái - Xây dựng công cụ lập kế hoạch chiến lược hiệu cung cấp thơng tin đánh giá hệ sinh thái tự nhiên đảm bảo nguồn lực để ngăn ngừa, ngăn chặn phục hồi hệ sinh thái bị côn trùng gây hại Hình 76: Bản đồ phân bố trùng 3.5.11 Giao diện web Admin quản lý user Hình 77: Giao diện Web Admin quản lý user Khi người dùng đăng ký tài khoản ứng dụng trạng thái tài khoản bị khóa, giao diện web admin quản lý user admin có 101 quyền mở khóa tài khoản người dùng gửi mail thơng báo xác nhận tài khoản khóa mở tài khoản 3.5.12 Giao diện nhận diện offline Hình 78: Giao diện nhận dạng offline 102 Hình 79: Giao diện thông tin côn trùng nhận diện offline 3.5.12.1 Cơ sở liệu sqlite SQLite hệ trị sở liệu (DBMS) quan hệ tương tự Mysql…, Đặc điểm bật SQLite so với DBMS khác gọn, nhẹ, đơn giản, đặt biệt không cần mơ hình server-client, khơng cần cài đặt, cấu hình hay khởi động nên khơng có khái niệm user, password hay quyền hạn SQLite Database Dữ liệu lưu file 103 SQLite thường không sử dụng với hệ thống lớn với hệ thống quy mơ vùa nhỏ SQLite không thua DBMS khác chức hay tốc độ Vì khơng cần cài đặt hay cấu hình nên SQLite sử dụng nhiều việc phát triển, thử nghiệm … tránh rắc rối trình cài đặt 3.5.12.2 Quy trình hoạt động chế độ nhận diện offline Ứng dụng có chế độ để nhận diện online offline, quy trình nhận diện chế độ offline sau Đầu tiên người dùng tiến hành nhận diện trùng, nhận diện thành cơng cần thơng tin côn trùng nhận diện nên xây dựng database sqlite chứa thông tin côn trùng, chúng tơi sử dụng sqlite gọn, nhẹ, đơn giản, tiện lợi để tích hợp vào hệ thống nhỏ, tốc độ khơng thua tốc độ hay chức Hình 80: Quy trình hoạt động chế độ nhận diện offline 3.6 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 3.6.1 Kết luận Hệ thống nhận dạng côn trùng cho thiết bị di động, hỗ trợ người dùng phát trùng gây hại đồng thời đưa hướng khắc phục với côn trùng gây hại mà không cần phải thiết sử dụng thuốc bảo vệ thực vật 104 Do mơ hình YOLOv5s sử dụng ứng dụng dừng lại mức huấn luyện với 10 loài nên việc nhận diện lồi cịn hạn chế Ngoài model YOLOv5s chưa phải model cho kết nhận diện tốt Trong trình thực đề tài giúp tơi có kiến thức YOLO, Mạng CNN, Object detection, Transfer learning cách thức xây dựng ứng dụng di động ngôn ngữ Java tảng hệ điều hành Android, ngồi cịn kiến thức trùng 3.6.2 Hướng phát triển Vì mơ hình YOLOv5s chưa phải model cho kết nhận diện tốt Nên nghiên cứu xem xét sử dụng mơ hình khác giúp tăng tối đa độ xác nhận diện Phát triển ứng dụng chạy hệ điều hành IOS Phát triển thêm giao diện cho sinh động hấp dẫn thân thiện với người dùng 105 PHỤ LỤC HƯỚNG DẪN SỬ DỤNG ỨNG DỤNG Người dùng cài đặt ứng dụng thơng qua việc tải ứng dụng xuống từ CH-Play thông qua file apk Khi cài đặt thành cơng người dùng tiến sử dụng sau:  Bước 1: Mở ứng dụng lên cấp quyền truy cập vào điện thoại cho ứng dụng  Bước 2: Nếu người dùng chưa có tài khoản để sử dụng tiến hành đăng ký tài khoản (username, email, password, repassword) Ngược lại người dùng có tài khoản tiến hành đăng nhập vào  Bước 3: Khi đăng nhập thành cơng người dùng tiến hành chức nhận diện côn trùng, xem danh sách côn trùng, xem danh sách hình ảnh trùng, cách bấm vào nút bên hình, từ giao diện muốn trở giao diện trước bấm vào nút mũi tên góc bên trái để trở giao diện trước 106 TÀI LIỆU THAM KHẢO [1] “Đồng sơng Cửu Long: Dịch bệnh hồnh hành vườn ăn trái.” [Online] Available: https://dangcongsan.vn/kinh-te/dong-bang-song-cuulong-dich-benh-hoanh-hanh-vuon-cay-an-trai-461836.html [2] PhamDinhKhanh,“Các thuật toán Object Detection.” [Online] Available:https://phamdinhkhanh.github.io/2019/09/29/OverviewObjectDe tection.html#1-object-detection-l%C3%A0-g%C3%AC [3] J Redmon, S Divvala, R Girshick, and A Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas,NV,USA,Jun 2016, pp 779–788 doi: 10.1109/CVPR.2016.91 [4] PhamDinhKhanh, “YOLO You Only Look Once.” [Online] Available:https://phamdinhkhanh.github.io/2020/03/09/DarknetAlgorithm html#11-m%E1%BA%A1ng-yolo-l%C3%A0-g%C3%AC [5] J Wu, “Complexity and accuracy analysis of common artificial neural networks on pedestrian detection,” MATEC Web Conf., vol 232, p 01003, 2018, doi: 10.1051/matecconf/201823201003 [6] DevAi, “Series YOLO: #4 Tìm hiểu cấu trúc YOLOv1,v2,v3 v4 – Phần 1.” [Online] Available: https://devai.info/2021/01/21/series-yolo-4-timhieu-cau-truc-yolov1v2v3-va-v4/ [7] X Huang et al., “PP-YOLOv2: A Practical Object Detector,” arXiv:2104.10419 [cs], Apr 2021, Accessed: Mar 15, 2022 [Online] Available: http://arxiv.org/abs/2104.10419 [8] S Gupta, “YOLOv2 based Real Time Object Detection,” vol 8, no 3, p 5, 2020 [9] , DevAi.info, “Series YOLO: #4 Tìm hiểu cấu trúc YOLOv1,v2,v3 v4 – Phần 2.” [Online] Available: https://devai.info/2021/02/24/series-yolo-4tim-hieu-cau-truc-yolov1v2v3-va-v4-phan-2/ [10] J Redmon and A Farhadi, “YOLOv3: An Incremental Improvement,” p [11] P Athira., T P Mithun Haridas, and M H Supriya, “Underwater Object Detection model based on YOLOv3 architecture using Deep Neural Networks,” in 2021 7th International Conference on Advanced Computing and Communication Systems (ICACCS), Coimbatore, India,Mar.2021,pp.40–45.doi:10.1109/ICACCS51430.2021.9441905 [12] A Bochkovskiy, C.-Y Wang, and H.-Y M Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection,” p 18 [13] D Thuan, “EVOLUTION OF YOLO ALGORITHM AND YOLOV5: THE STATE-OF-THE-ART OBJECT DETECTION ALGORITHM,” p 61 107 [14] glenn-jocher, “Data train https://github.com/ultralytics/yolov5 yolov5.” [Online] Available: [15] Jason Brownlee, “A Gentle Introduction to Transfer Learning for DeepLearning.”[Online]Available:https://machinelearningmastery.com/tra nsfer-learning-for-deep-learning/ [16] D Andrew Ng, “Transfer Learning (C3W2L07).” [17] Jason Brownlee, “How to Improve Performance With Transfer Learning for Deep Learning Neural Networks.” [Online] Available: https://machinelearningmastery.com/how-to-improve-performance-withtransfer-learning-for-deep-learning-neural-networks [18] “Handbook Of Research On Machine Learning Applications and Trends: Algorithms, Methods and Techniques - VolumesSeptember 2009.”[Online].Available:https://dl.acm.org/doi/10.5555/1803899Han [19] “Smart Pest Recognition System for Sri Lankan Crop-Growing.” [20] J.-W Chen, W.-J Lin, H.-J Cheng, C.-L Hung, C.-Y Lin, and S.-P Chen, “A Smartphone-Based Application for Scale Pest Detection Using Multiple-Object Detection Methods,” Electronics, vol 10, no 4, p 372, Feb 2021, doi: 10.3390/electronics10040372 [21] J Lee and K Hwang, “YOLO with adaptive frame control for real-time object detection applications,” Multimed Tools Appl, Sep 2021, doi: 10.1007/s11042-021-11480-0 [22] M E Karar, F Alsunaydi, S Albusaymi, and S Alotaibi, “A new mobile application of agricultural pests recognition using deep learning in cloud computing system,” Alexandria Engineering Journal,vol.60,no.5,pp.4423– 4432,Oct.2021,doi: 10.1016/j.aej.2021.03.009 [23] https://scholar.google.com, “Faster R-CNN Towards Real-Time Object Detection with Region Proposal Networks IEEE Transactions on Pattern Analysis and Machine Intelligence.”[Online] Available: http://refhub.elsevier.com/S1110-0168(21)00164-2/h0080 [24] C Szegedy, V Vanhoucke, S Ioffe, J Shlens, and Z Wojna, “Rethinking the Inception Architecture for Computer Vision,” in 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, Jun 2016, pp 2818–2826 doi: 10.1109/CVPR.2016.308 [25] T.-Y Lin et al., “Microsoft COCO: Common Objects in Context,” in Computer Vision – ECCV 2014, vol 8693, D Fleet, T Pajdla, B Schiele, and T Tuytelaars, Eds Cham: Springer International Publishing, 2014, pp 740–755 doi: 10.1007/978-3-319-10602-1_48 [26] geeksforgeeks.org, “Introduction to Android Development.” [Online] Available:https://www.geeksforgeeks.org/introduction-to-androiddevelopment/ 108 [27] geeksforgeeks.org, “Android Architecture.” [Online] https://www.geeksforgeeks.org/android-architecture/?ref=lbp Available: [28] cafedev.vn, “Java JDK, JRE JVM gì?” [Online] Available: https://cafedev.vn/tu-hoc-java-java-jdk-jre-va-jvm-la-gi/ [29] wikipedia.org,“GoogleI/O.”[Online].Available: https://en.wikipedia.org/wiki/Google_I/O [30] geeksforgeeks.org, “Android Studio Tutorial.” [Online] Available: https://www.geeksforgeeks.org/android-studio-tutorial/#Basics [31] trambvtvvinhhung.weebly.com, “Tram BVTV huyen Vinh Hung.” [Online] Available: http://trambvtvvinhhung.weebly.com/con-trung-hailua.html [32] wikipedia.org,“Côntrùng.”[Online].Available: https://vi.wikipedia.org/wiki/C%C3%B4n_tr%C3%B9ng#Ph%C3%A2n_l o%E1%BA%A1i [33]wikipedia.org,“wikipedia.”[Online].Available:https://en.wikipedia.org/wik i/RGB_color_model [34] Viblo.asia, “Phân tích thiết kế hệ thống thông tin sử dụng biểu đồ UML.” [Online] Available: https://viblo.asia/p/phan-tich-thiet-ke-he-thong-thongtin-su-dung-bieu-do-uml-phan-1-PjxMe6yNG4YL [35] A D Le, D A Pham, D T Pham, and H B Vo, “AlertTrap: A study on object detection in remote insects trap monitoring system using on-theedge deep learning platform,” arXiv:2112.13341 [cs], Mar 2022, Accessed: Mar 17, 2022 [Online] Available: http://arxiv.org/abs/2112.13341 [36] devai.info,“Đánh giá model mAP -Object detection.” [Online].Available:https://devai.info/2020/12/17/tim-hieu-mapmeanaverage-precision-danh-gia-mo-hinh-object-detection-su-dung-yolov4/ [37] Viblo.asia, “Tìm hiểu YOLO toán real-time object detection.” [Online] Available: https://viblo.asia/p/tim-hieu-ve-yolo-trong-bai-toanreal-time-object-detection-yMnKMdvr57P [38] fao.org, “New standards to curb the global spread of plant pests and diseases.”[Online].Available:https://www.fao.org/news/story/en/item/1187 738/icode/ [39] www.sciencedirect.com, “Review of pesticide residue analysis in fruits and vegetables.Pre-treatment,extractionanddetection techniques.”[Online].Available:https://www.sciencedirect.com/science/arti cle/abs/pii/S0963996920301666 [40] Jiacong Fang, “Link github Jiacong Fang.” [Online] Available: https://github.com/zldrobit [41] “Link github ứng dụng nhận diện côn trùng.” [Online] Available: https://github.com/zldrobit/yolov5/tree/tf-android 109 110