Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống
1
/ 148 trang
THÔNG TIN TÀI LIỆU
Thông tin cơ bản
Định dạng
Số trang
148
Dung lượng
9,77 MB
Nội dung
TRƯỜNG ĐẠI HỌC AN GIANG KHOA CÔNG NGHỆ THÔNG TIN KHỐ LUẬN TỐT NGHIỆP NGÀNH CƠNG NGHỆ THƠNG TIN NGHIÊN CỨU VÀ ỨNG DỤNG CÁC THUẬT TỐN NHẬN DẠNG CƠN TRÙNG PHAN HOÀNG TRUNG AN GIANG, 5-2022 TRƯỜNG ĐẠI HỌC AN GIANG KHOA CƠNG NGHỆ THƠNG TIN KHỐ LUẬN TỐT NGHIỆP NGÀNH CÔNG NGHỆ THÔNG TIN NGHIÊN CỨU VÀ ỨNG DỤNG CÁC THUẬT TỐN NHẬN DẠNG CƠN TRÙNG PHAN HỒNG TRUNG DTH185409 GIẢNG VIÊN HƯỚNG DẪN: TS ĐOÀN THANH NGHỊ AN GIANG, 5-2022 Khoá luận “Nghiên cứu ứng dụng thuật tốn nhận dạng trùng” sinh viên Phan Hoàng Trung 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) LỜI CẢM ƠN Trước hết, em xin gửi lời cảm ơn chân thành đến tồn q thầy trường Đại học quốc gia thành phố Hồ Chí Minh Đại học An Giang, Quý thầy cô khoa Công nghệ thông tin dạy dỗ, truyền đạt kiến thức quý báu cho em suốt bốn năm học tập rèn luyện trường Em xin gửi lời cảm ơn sâu sắc đến giảng viên hướng dẫn – TS Đồn Thanh Nghị, người nhiệt tình hướng dẫn em thực luận văn cuối khóa Em xin chân thnh cảm ơn ban lãnh đạo anh, chị, bạn bè không ngại khác biệt kiến thức chuyên ngành để tạo điều kiện thuận lợi hỗ trợ, cung cấp kiến thức thực tế giúp em có định hướng đắn việc lựa chọn cách tiếp cận với kiến thức giúp ích thân tương lai Với vốn kiến thức hạn hẹp không đủ va chạm thực tế nên luận văn em tránh khỏi thiếu sót Em mong nhận ý kiến đóng góp, phê bình q thầy Đó hành trang quý báu để em hồn thiện sau Em xin chân thành cảm ơn! Tp Long Xuyên, ngày tháng năm 2022 Sinh viên Phan Hồng Trung i TĨM TẮT Đề tài “Nghiên cứu ứng dụng thuật toán nhận dạng” thực dựa tảng kiến thức thị giác máy tính nhận dạng ảnh với phương pháp học sâu mạng nơron tích chập (CNN) Ngồi nội dung nghiên cứu nhận dạng ảnh dựa đặc trưng ảnh, nghiên cứu tập trung khai thác, phân tích đưa nhìn khách quan kiến trúc nhận dạng Yolo từ kết thu trình huấn luyện Cụ thể, luận văn Giai đoạn 1: Tiến hành thu thập, lọc chuẩn hóa liệu huấn luyện tập hình ảnh lồi trùng gây hại trồng Giai đoạn 2: Gán nhãn cho đối tượng côn trùng lớp tập liệu ảnh vừa chuẩn hóa Giai đoạn 3: Xây dựng hệ thống trích xuất đặc trưng phát đối tượng với Yolov4, Yolov5 YoloX, bố trí, phân tách liệu xây dựng để phục vụ việc huấn luyện test mơ hình Giai đoạn 4: Tiến hành thực nghiệm số lớp thuộc tập liệu thu thập, xây dựng Sử dụng số đánh giá kết xác để đánh giá hệ thống mơ hình Qua thực nghiệm cho thấy độ xác phát ảnh video cho kết có độ xác cao ii TÊN VIẾT TẮT STT Tên viết tắt Tên đầy đủ YOLO You Only Look Once CNN Convolutional Neural Network GPU Graphics Processing Unit SVM Support Vector Machine SSD Single Shot MultiBox Detector ANN Artificial Neural Network DL Deep Learning YOLOv5s YOLO version small YOLOv5m YOLO version medium 10 YOLOv5l YOLO version large 11 YOLOv5x YOLO version extra 12 RGB Red Green Blue 13 YOLOxs YOLOx small 14 YOLOv5m YOLOx medium 15 YOLOv5l YOLO large 16 ANN Artificial Neural Network iii MỤC LỤC LỜI CẢM ƠN i TÓM TẮT ii BẢNG TÓM TẮT Error! Bookmark not defined MỤC LỤC iv DANH MỤC HÌNH ẢNH viii DANH MỤC BẢNG xiv PHẦN MỞ ĐẦU 1.1 Tính cấp thiết đề tài 1.2 Lý chọn đề tài 1.3 Mục tiêu đề tài 1.4 Phạm vi đề tài 1.5 Phương pháp nghiên cứu PHẦN NỘI DUNG CHƯƠNG TỔNG QUAN 1.1 Tổng quan nghiên cứu 1.2 Các nghiên cứu có liên quan để làm sở phát triển đề tài 1.2.1 Các nghiên cứu có liên quan 1.2.2 Phát triển đề tài CHƯƠNG CƠ SỞ LÝ THUYẾT 2.1 Lượt khảo tổng quan côn trùng 2.1.1 Cơn trùng gì? 2.1.2 Côn trùng gây hại 2.1.3 Cơn trùng có lợi 10 2.1.4 Phương pháp phân loại côn trùng 12 2.2 Tổng quan giới thiệu toán nhận dạng đối tượng 14 2.3 Các khái niệm xử lý ảnh 15 2.3.1 Điểm ảnh 15 2.3.2 Độ phân giải ảnh 16 2.3.3 Mức xám ảnh 16 2.3.4 Ảnh số 16 2.3.5 Hệ màu RGB 16 iv 2.3.6 Ảnh màu 17 2.3.7 Tensor 17 2.4 Nghiên cứu xử lí ảnh trùng 18 2.5 Nguyên liệu phương pháp phân loại ảnh côn trùng gây hại 18 2.5.1 Các tập liệu hình ảnh trùng gây hại 18 2.5.2 Tiền xử lí ảnh côn trùng 19 2.5.3 Tăng cường hình ảnh trùng 20 2.5.4 Phân loại xử lí ảnh trùng 20 2.6 Lịch sử phát triển mạng nơ-ron 21 2.7 Khái niệm mạng nơ-ron nhân tạo 21 2.8 Mơ hình mạng nơ-ron nhân tạo 26 2.9 Quá trình học mạng nơ-ron 29 2.10 Convolutional Neural Network (CNN) 30 2.10.1 Cách thức hoạt động mơ hình CNN 31 2.10.2 Input layer 31 2.10.3 Convolution Layer 31 2.10.4 Active Layer 32 2.10.5 ReLU 33 2.10.6 Pooling Layer 33 2.10.7 Fully Connected Layer 34 2.11 Tổng quan kỹ thuật Transfer Learning 34 2.11.1 Giới thiệu 34 2.11.2 Tại nên dùng transfer learning deep learning 35 2.12 Data Labelling Data Annotations toán Deep Learning 36 2.12.1 Bounding boxes 36 2.12.2 Yolo Annotations 36 2.13 Các loại thuật toán phát đối tượng 37 2.13.1 Thuật toán dựa phân loại 37 2.13.2 Thuật toán dựa hồi quy 37 2.14 Thuật toán R-CNN 37 2.15 Thuật toán Fast R-CNN 38 2.16 Thuật toán Faster R-CNN 38 v 2.17 SSD - Single Shot Detector 39 2.18 Thuật toán You Only Look Once (YOLO) 40 2.18.1 Tại phải YOLO? 40 2.18.2 Mơ hình thuật tốn YOLO 41 2.18.3 Phát hợp YOLO (Unified Detection of YOLO) 46 2.18.4 Thuật toán YOLO hoạt động nào? 47 2.18.5 Những điểm mạnh điểm yếu YOLO? 50 2.19 Tóm tắt so sánh nâng cấp Modules Performances dòng họ Yolo 51 2.19 Các phiên YOLO 53 2.19.1 YOLOv1 53 2.19.2 YOLOv2 54 2.19.3 YOLOv3 54 2.19.4 YOLOv4 54 2.19.5 YOLOv5 56 2.19.6 YOLOX 58 2.20 Giới thiệu Google Colab 62 CHƯƠNG THÍ NGHIỆM VÀ THẢO LUẬN 64 3.1 Xây dựng tập liệu 64 3.1.1 Các tập liệu sử dụng nghiên cứu 64 3.1.2 Chuẩn hoá liệu 64 3.1.3 Gán nhãn cho liệu 65 3.1.4 Cấu trúc liệu 66 3.1.5 Siêu tham số (Hyperparameters) mô hình thử nghiệm 67 3.2 Huấn luyện hệ thống trích dẫn đặc trưng phát đối tượng với Yolov4 68 3.2.1 Tổng quan hệ thống 68 3.2.2 Các công cụ, tảng hỗ trợ xây dựng hệ thống 70 3.2.3 Cấu trúc hệ thống 70 3.3 Huấn luyện hệ thống trích dẫn đặc trưng phát đối tượng với Yolov5 73 3.3.1 Tổng quan hệ thống 73 3.3.2 Các công cụ, tảng hỗ trợ xây dựng hệ thống 78 3.3.3 Cấu trúc hệ thống 79 vi 3.3.4 Cấu hình hệ thống 80 3.4 Huấn luyện hệ thống trích dẫn đặc trưng phát đối tượng với Yolox 81 3.4.1 Tổng quan hệ thống 81 3.4.2 Bố trí liệu 81 3.4.3 Các công cụ, tảng hỗ trợ xây dựng hệ thống 82 3.4.4 Cấu trúc hệ thống 82 3.4.5 Cấu hình hệ thống 83 3.5 Kết nhận dáng 84 3.5.1 Kết nhận dạng côn trùng với Yolov4 84 3.5.2 Kết nhận dạng côn trùng với Yolov5 88 3.5.3 Kết nhận dạng côn trùng với Yolox 108 3.6 Đánh giá kết 119 PHẦN KẾT LUẬN 122 3.1 Kết đạt 122 3.2 Ưu điểm 123 3.3 Nhược điểm 123 3.4 Hướng phát triển 124 TÀI LIỆU THAM KHẢO 125 vii AP all 101 Sternochetus frigidus 99 Mango flat beak leafhopper 97 Deporaus marginatus Pascoe 95 Lawana imitata Melichar 93 Scirtothrips dorsalis Hood 91 Toxoptera aurantii 89 Phyllocnistis citrella Stainton 87 Prodenia litura 85 Dacus dorsalis(Hendel) 83 Aleurocanthus spiniferus 81 Parlatoria zizyphus Lucus 79 Ceroplastes rubens 77 Icerya purchasi Maskell 75 Panonchus citri McGregor 73 Erythroneura apicalis 71 Miridae 69 Xylotrechus 67 Ampelophaga 65 Pseudococcus comstocki Kuwana 63 oides decempunctata 61 Colomerus vitis 59 Limacodidae 57 Pieris canidia 55 Thrips 53 therioaphis maculata Buckton 51 legume blister beetle 49 Locustoidea 47 alfalfa plant bug 45 alfalfa weevil 43 beet weevil 41 Beet spot flies 39 cabbage army worm 37 beet fly 35 wheat sawfly 33 longlegged spider mite 31 wheat blossom midge 29 green bug 27 peach borer 25 aphids 23 corn borer 21 yellow cutworm 19 black cutworm 17 wireworm 15 grub 13 grain spreader thrips 11 rice water weevil white backed plant hopper Rice Stemfly yellow rice borer paddy stem maggot rice leaf roller 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 Hình 107: Chỉ số độ xác trung bình lớp tập IP102 mơ hình yoloxs 116 Sau hồn thành huấn luyện tập liệu trùng IP102 nghiên cứu thu kết quả: Hình 108: Kết ảnh côn trùng thu tập IP102 mơ hình yoloxs Hình 109: Độ xác lồi Rice leaf roller tập IP102 mơ hình yoloxs 117 Hình 110: Kết nhận dạng lồi English grain aphid với nhiều cá thể tập IP102 mơ hình yoloxs Hình 111: Kết nhận dạng nhiều loài, nhiều cá thể ảnh tập IP102 mơ hình yoloxs 118 Hình 112: Kết nhận dạng loài Cicadellidae video tập IP102 mơ hình yoloxs Hình 113: Kết nhận dạng lồi aphids nhiều cá thể tập IP102 mô hình yoloxs 3.6 Đánh giá kết So sánh kết ba phương pháp hai tập liệu côn trùng mà nghiên cứu xây dựng: 119 Bảng 20: So sánh tốc độ độ xác phát đối tượng khác Insect10bb Các mơ hình YOLOv5 YOLOv4 đào tạo 150 vịng lặp, Các mơ hình YOLOv4 đào tạo 2000 lần lặp Method Backbone Size GFLOPS FPS mAP mAP @0.50 @0.50:0.95 YOLOV4_conv CSPDarknet53 416 59.63 34.4 84.94% 64.35% YOLOV4_tiny_conv CSPDarknet53 416 6.80 73.0 64.35% 48.34% YOLOv5-N Focus CSPDarknet53 416 4.2 11.9 70.1% 40.2% YOLOv5-S Focus CSPDarknet53 640 16.8 7.6 70.5% 35.9% YOLOv5-M Focus CSPDarknet53 640 50.4 3.3 76.6% 42.7% YOLOv5-L Focus CSPDarknet53 640 114.2 1.9 78.9 46.8% YOLOv5-X Focus CSPDarknet53 640 217.3 1.0 73% 40.9% YOLOX-Nano Darknet53 416 1.05 4.6 77.43% 51.89% YOLOX-Tiny Darknet53 416 6.40 2.3 77.54% 53.18% YOLOX-S Darknet53 640 26.65 1.5 84.84% 58.51% YOLOX-M Darknet53 640 73.53 0.7 82.34% 61.92% YOLOX-L Darknet53 640 155.35 0.4 84.06% 65.04% Bảng 21: So sánh tốc độ độ xác phát đối tượng khác IP102 Các mơ hình YOLOv5 YOLOX đào tạo 150 vòng lặp Method Backbone Size GFLOPS FPS mAP mAP @0.50 @0.50:0.95 YOLOV4_conv CSPDarknet53 - - - - - YOLOV4_tiny_conv CSPDarknet53 - - - - - YOLOv5-N Focus CSPDarknet53 416 - - - - YOLOv5-S Focus CSPDarknet53 640 17.2 7.6 42.9% 24% YOLOv5-M Focus CSPDarknet53 640 51.6 3.3 47.4% 27.9% YOLOv5-L Focus CSPDarknet53 640 115.8 1.9 50.1% 29.9% YOLOv5-X Focus CSPDarknet53 640 219.3 1.0 54% 32.5% YOLOX-Nano Darknet53 416 1.09 4.6 49.38% 32.19% YOLOX-Tiny Darknet53 416 6.47 2.3 49.96% 33.05% YOLOX-S Darknet53 640 26.85 1.5 52.27% 34.14% 120 YOLOX-M Darknet53 640 73.83 0.7 54.19% 35.08% YOLOX-L Darknet53 640 155.75 0.4 53.93% 34.71% - Trong bảng 20, thơng số tỉ lệ xác trung bình (mAP) tập Insect10bb thường cao khơng có chênh lệch lớn mơ hình kiến trúc Đây tập liệu nhỏ có phân bố số lượng hình ảnh đầu vào lớp cách đồng đều, điều giải thích cho việc thơng số mAP cao mơ hình, nhiên khó đánh giá kiến trúc YOLOv4 có tỷ lệ xác trung bình vượt trội kiến trúc mơ hình cịn lại Do phức tạp khác mơ hình, nên YOLOv4 cần nhiều lần lặp hơn, cụ thể số Class * 2000 lần lặp kết tốt Trong mơ hình cịn lại 150 vịng lặp - Các thơng số tập liệu IP102 21 thu hai kiến trúc YOLOv5 YOLOX, công nghệ thời gian khơng cho phép thực YOLOv4 Nhìn chung tỷ lệ xác trung bình mơ hình cao huấn luyện với tập liệu lớn khơng có phân bố đồng lớp IP102 Tỷ lệ khoảng 40% – 50% tỷ lệ xác trung bình ngưỡng 0.5 IOU tăng dần theo kích thước mơ hình - Khả nhận dạng trùng hình ảnh: qua kết thực nghiệm thấy khả nhận diện trùng xác loại kiến trúc Yolov4, Yolov5 YoloX tương đương (trung bình từ 0.8 đến 0,9 tập Insect10bb 0.53 đến 0.75 tập IP102 cho Yolov5 YoloX) Tuy nhiên, Yolov4 có tỷ lệ xác thấp mơ hình cịn tập Insect10bb chưa lặp đủ số vịng đề nghị IP102 Yolov5 có tỷ lệ xác thấp YoloX ảnh đầu vào không đáng kể - Khả nhận dạng trùng video: Độ xác hai kiến trúc Yolo có tương đồng tập liệu Insect10bb Tuy nhiên, tập liệu lớn IP102, có chênh lệch định hai mơ hình, cụ thể mơ hình Yolov5 có tỉ lệ xác trung bình nhận dạng thấp mơ hình YoloX (từ 10% đến 17%) Tuy nhiên YoloX thường xuyên xuất tình trạng Out index trình nhận dạng So sánh kết so với mục tiêu đề ra: từ kết độ xác mơ hình thơng qua hệ thống nhận dạng trùng mà nghiên cứu xây dựng, thấy hệ thống tập liệu xây dựng có độ xác cao, nhận dạng đối tượng trùng nhiều tình thích hợp hệ thống mobile website Các mơ hình có độ xác cao hứa hẹn cải thiện số để phù hợp với dự án thực tế 121 PHẦN KẾT LUẬN 3.1 Kết đạt Nghiên cứu đã xây dựng thành công hệ thống nhận dạng ba mơ hình yolo đại (Yolov4, Yolov5 YoloX) cho hai tập liệu côn trùng (Insect10bb IP102) thu so sánh kết khách quan từ trình huấn luyện sau: Bảng 22: YOLOv4 (2000 epochs) Dataset GFLOP S Methods Size Memory size (MB) Insect10b b mAP@5 mAP@509 YOLOV4-conv 59.628 416 244.3 84.94% 63.19% YOLOV4-tiny-conv 6.804 416 22.51 64.35% 48.34% Bảng 23: YOLOV5 (150 epochs) Dataset Methods GFLOP S Params (M) Size Memory size (MB) Insect10bb IP102 mAP@5 mAP@5 095 YOLOv5-S 16.8 7.27 640 14.1 70.5% 35.9% YOLOv5-M 50.4 21.07 640 40.5 76.6% 42.7% YOLOv5-L 114.2 46.65 640 89.4 78.9% 46.8% YOLOv5-X 217.3 87.26 640 167 73% 40.9% YOLOv5-S 17.2 7.33 640 56.4 42.9% 24% YOLOv5-M 51.6 21.45 640 164 47.4% 27.9% YOLOv5-L 115.8 47.14 640 360 50.1% 29.9% YOLOv5-X 219.3 87.88 640 671 54% 32.5% Bảng 24: YOLOX (150 epochs) Dataset Methods GFLOPS Params (M) Size Memory size (MB) Insect10bb mAP@5 mAP@5 095 YOLOXNano 1.05 0.90 416 7.24 77.43% 51.89% YOLOXTiny 6.40 5.04 416 38.7 77.54% 53.18% 122 IP102 YOLOX-S 26.65 8.94 640 68.5 84.84% 58.51% YOLOXM 73.53 25.29 640 193 82.34% 61.92% YOLOX-L 155.35 54.15 640 413 84.06% 65.04% YOLOXNano 1.09 0.92 416 7.38 49.38% 32.19% YOLOXTiny 6.47 5.06 416 38.9 49.96% 33.05% YOLOX-S 26.85 8.98 640 68.8 52.27% 34.14% YOLOXM 73.83 25.34 640 193 54.19% 35.08% YOLOX-L 155.75 54.23 640 414 53.93% 34.71% Qua góp phần vào việc đánh giá chất lượng mơ hình nhận dạng đối tượng tập liệu cụ thể, cho nhìn khách quan kết thu kiến trúc nhận dạng khác Đồng thời nghiên cứu cung cấp mơ hình ứng dụng cho thiết bị android website việc thiết kế chức nhận dạng xác chủng loại trùng đơn vị diện tích canh tác, từ giúp đơn vị chun mơn kiểm sốt, dự đốn dịch hại để đề giải pháp quản lý, ngăn chặn, phòng trừ Từ đóng, hệ thống giúp giảm thiểu việc sử dụng thuốc bảo vệ thực vật sản xuất nông nghiệp bảo đảm suất, chất lượng nông sản, giảm nhiễm mơi trường từ hóa chất, bảo vệ sức khỏe cộng đồng, hướng đến nông nghiệp sản xuất bền vững an toàn trước thách thức điều kiện biến đổi khí hậu, 3.2 Ưu điểm Xây dựng kế thừa tập liệu tương đối lớn, đa dạng chất lượng tốt với loại hình ảnh giúp training hiệu cao Xây dựng huấn luyện thành công hệ thống nhận dạng tảng mơ hình Yolo đại Có thể ứng dụng thực tế, áp dụng vào hệ thống mobile website mang lại hiệu thiết thực cho người nông dân 3.3 Nhược điểm Nghiên cứu chưa thực việc cải thiện độ xác cho mơ hình tập liệu lớn hạn chế thời gian công nghệ 123 Nghiên cứu đưa nhìn khách quan chưa thu kết thực nghiệm mơ hình thực tế 3.4 Hướng phát triển Cải thiện, thu thập, bổ sung thêm lồi trùng gây hại phổ biến khác thu thập, bổ sung thêm mẫu có chất lượng tốt nhiều ngữ cảnh loài trùng có vào tập liệu xây dựng Nếu nghiên cứu xây dựng hệ thống nhận dạng để thu kết thực nghiệm mơ hình thực tế, qua đánh giá chi tiết chất lượng mơ hình huấn luyện 124 TÀI LIỆU THAM KHẢO Al Hiary H., Bani Ahmad S., Reyalat M cộng (2011) Fast and Accurate Detection and Classification of Plant Diseases Int J Comput Appl, 17(1), 31–38 (2015) Yield Losses Due to Pests , 09/03/2022 AGRIVI, accessed: FAO - News Article: New standards to curb the global spread of plant pests and diseases , accessed: 09/03/2022 Ngugi L.C., Abelwahab M., Abo-Zahhad M (2021) Recent advances in image processing techniques for automated leaf pest and disease recognition – A review Inf Process Agric, 8(1), 27–51 Caterpillar Pests Greenhouse Product News , accessed: 09/03/2022 Caterpillars - Pests of home, garden, landscape, and turf - UC Statewide IPM Program , accessed: 09/03/2022 Assis F.A., Moraes J.A., Assis G.A cộng Induction of Caterpillar Resistance in Sunflower Using Silicon and Acibenzolar-S-Methyl 8 Mols C.M.M Visser M.E (2007) Great Tits (Parus major) Reduce Caterpillar Damage in Commercial Apple Orchards PLOS ONE, 2(2), e202 Sulvai F., Chaúque B.J.M., Macuvele D.L.P (2016) Intercropping of lettuce and onion controls caterpillar thread, Agrotis ípsilon major insect pest of lettuce Chem Biol Technol Agric, 3(1), 28 10 Ankara Üniversitesi Aỗk Ders Malzemeleri - In maintenance mode , accessed: 10/03/2022 11 (2019) Smart Spot Spray System Saves Money and Reduces OverApplication Trimble Agriculture, , accessed: 09/03/2022 12 Lippi M., Bonucci N., Carpio R.F cộng (2021) A YOLO-Based Pest Detection System for Precision Agriculture 2021 29th Mediterranean Conference on Control and Automation (MED), 342–347 13 LeCun Y., Bengio Y., Hinton G (2015) Deep learning Nature, 521(7553), 436–444 125 14 Murthy C.B., Hashmi M.F., Bokde N.D cộng (2020) Investigations of Object Detection in Images/Videos Using Various Deep Learning Techniques and Embedded Platforms—A Comprehensive Review Appl Sci, 10(9), 3280 15 Sriwastwa A., Prakash S., Mrinalini cộng (2018) Detection of Pests Using Color Based Image Segmentation 2018 Second International Conference on Inventive Communication and Computational Technologies (ICICCT), 1393–1396 16 Revathi P Hemalatha M (2012) Advance computing enrichment evaluation of cotton leaf spot disease detection using Image Edge detection 2012 Third International Conference on Computing, Communication and Networking Technologies (ICCCNT’12), 1–5 17 Martin A., Sathish D., Balachander C cộng (2015) Identification and counting of pests using extended region grow algorithm 2015 2nd International Conference on Electronics and Communication Systems (ICECS), 1229–1234 18 Kumar Y., Dubey A.K., Jothi A (2017) Pest detection using adaptive thresholding 2017 International Conference on Computing, Communication and Automation (ICCCA), 42–46 19 Rajan P., Radhakrishnan B., Suresh L.P (2016) Detection and classification of pests from crop images using Support Vector Machine 2016 International Conference on Emerging Technological Trends (ICETT), 1–6 20 Rajesh B., Sai Vardhan M.V., Sujihelen L (2020) Leaf Disease Detection and Classification by Decision Tree 2020 4th International Conference on Trends in Electronics and Informatics (ICOEI)(48184), 705– 708 21 Shijie J., Peiyi J., Siping H cộng (2017) Automatic detection of tomato diseases and pests based on leaf images 2017 Chinese Automation Congress (CAC), 2537–2510 22 Simonyan K Zisserman A (2015) Very Deep Convolutional Networks for Large-Scale Image Recognition ArXiv14091556 Cs 23 Vinushree N., Hemalatha B., Kaliappan V.K (2014) Efficient Kernel-Based Fuzzy C-Means Clustering for Pest Detection and Classification 2014 World Congress on Computing and Communication Technologies, 179–181 24 Agnihotri V (2019) Machine Learning based Pest Identification in Paddy Plants 2019 3rd International conference on Electronics, Communication and Aerospace Technology (ICECA), 246–250 25 Lin T.-L., Chang H.-Y., Chen K.-H (2019) Pest and Disease Identification in the Growth of Sweet Peppers using Faster R-CNN 2019 126 IEEE International Conference on Consumer Electronics - Taiwan (ICCETW), 1–2 26 Redmon J., Divvala S., Girshick R cộng (2016) You Only Look Once: Unified, Real-Time Object Detection 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Las Vegas, NV, USA, IEEE, 779–788 27 Xie C., Zhang J., Li R cộng (2015) Automatic classification for field crop insects via multiple-task sparse representation and multiple-kernel learning Comput Electron Agric, 119(C), 123–132 28 Deng L., Wang Y., Han Z cộng (2018) Research on insect pest image detection and recognition based on bio-inspired methods Biosyst Eng, 169, 139–148 29 Qin Y., Wu Y., Wang Q cộng (2019) Method for pests detecting in stored grain based on spectral residual saliency edge detection Grain Oil Sci Technol, 2(2), 33–38 30 Xie C., Wang R., Zhang J cộng (2018) Multi-level learning features for automatic classification of field crop pests Comput Electron Agric, 152, 233–241 31 Yang H.-P., Ma C.-S., Wen H cộng (2015) A tool for developing an automatic insect identification system based on wing outlines Sci Rep, 5(1), 12786 32 Girshick R., Donahue J., Darrell T cộng Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation 33 (1995) Proceedings of IEEE International Conference on Computer Vision Proceedings of IEEE International Conference on Computer Vision, 0_1- 34 Ren S., He K., Girshick R cộng (2016) Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks ArXiv150601497 Cs 35 Redmon J Farhadi A (2017) YOLO9000: Better, Faster, Stronger 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 6517–6525 36 Redmon J Farhadi A (2018) YOLOv3: An Incremental Improvement ArXiv180402767 Cs 37 Liu W., Anguelov D., Erhan D cộng (2016) SSD: Single Shot MultiBox Detector Computer Vision – ECCV 2016, Cham, Springer International Publishing, 21–37 38 Fu C.-Y., Liu W., Ranga A cộng (2017) DSSD : Deconvolutional Single Shot Detector ArXiv170106659 Cs 127 39 Liu S., Huang D., Wang Y (2018) Receptive Field Block Net for Accurate and Fast Object Detection Computer Vision – ECCV 2018 Springer International Publishing, Cham, 404–419 40 Zhang C., Tian Z., Song J cộng (2021) Construction worker hardhat-wearing detection based on an improved BiFPN 2020 25th International Conference on Pattern Recognition (ICPR), 8600–8607 41 Wu X., Zhan C., Lai Y.-K cộng (2019) IP102: A Large-Scale Benchmark Dataset for Insect Pest Recognition 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 8779– 8788 42 Giáo trình: Cơn Trùng Nơng Nghiệp - PGS.TS Nguyễn Đức Khiêm CẩmNangNôngNghiệp.com , accessed: 09/03/2022 43 Bài giảng: Côn trùng rừng , accessed: 09/03/2022 44 (2022) Ruồi giấm thường Wikipedia tiếng Việt, , accessed: 15/03/2022 45 Doitsidis L., Fouskitakis G.N., Varikou K.N cộng (2017) Remote monitoring of the Bactrocera oleae (Gmelin) (Diptera: Tephritidae) population using an automated McPhail trap Comput Electron Agric, 137, 69–78 46 Tirelli P., Borghese N.A., Pedersini F cộng (2011) Automatic monitoring of pest insects traps by Zigbee-based wireless networking of image sensors 2011 IEEE International Instrumentation and Measurement Technology Conference, 1–5 47 Sun C., Flemons P., Gao Y cộng (2016) Automated Image Analysis on Insect Soups 2016 International Conference on Digital Image Computing: Techniques and Applications (DICTA), 1–6 48 Philimis P., Psimolophitis E., Hadjiyiannis S cộng (2013) A centralised remote data collection system using automated traps for managing and controlling the population of the Mediterranean (Ceratitis Capitata) & Olive (Dacus oleae) fruit flies Proc SPIE, 8795 49 Kanesh V Ramanan A (2014) Image Classification of Paddy Field Insect Pests Using Gradient-Based Features Int J Mach Learn Comput, 1– 50 Kong F., Bi H., McLean M cộng (2020) Comparative performances of new and existing indices of crown asymmetry: an evaluation using tall trees of Eucalyptus pilularis (Smith) J For Res, 32 128 51 Makandar A Halalli B Image Enhancement Techniques using Highpass and Lowpass Filters 52 Wen C Guyer D (2012) Image-based orchard insect automated identification and classification method Comput Electron Agric, 89, 110– 115 53 Leevy J.L., Khoshgoftaar T.M., Bauder R.A cộng (2018) A survey on addressing high-class imbalance in big data J Big Data, 5(1), 42 54 Lecun Y., Bottou L., Bengio Y cộng (1998) Gradient-based learning applied to document recognition Proc IEEE, 86(11), 2278–2324 55 Krizhevsky A., Sutskever I., Hinton G.E (2012) ImageNet Classification with Deep Convolutional Neural Networks Advances in Neural Information Processing Systems, Curran Associates, Inc 56 (2020) Tìm hiểu Convolutional Neural Network làm ví dụ nhỏ phân loại ảnh Viblo, , accessed: 15/03/2022 57 Du J (2018) Understanding of Object Detection Based on CNN Family and YOLO J Phys Conf Ser, 1004, 012029 58 Bochkovskiy A., Wang C.-Y., Liao H.-Y.M (2020) YOLOv4: Optimal Speed and Accuracy of Object Detection ArXiv200410934 Cs Eess 59 Szegedy C., Liu W., Jia Y cộng (2014) Going Deeper with Convolutions ArXiv14094842 Cs 60 Understanding YOLO | HackerNoon , accessed: 09/03/2022 61 Jocher G., Changyu L., Hogan ultralytics/yolov5: Initial Release, Zenodo A cộng (2020), 62 Ge Z., Liu S., Wang F cộng (2021) YOLOX: Exceeding YOLO Series in 2021 ArXiv210708430 Cs 63 Tan M., Pang R., Le Q.V (2020) EfficientDet: Scalable and Efficient Object Detection 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 10778–10787 64 Tan M Le Q.V (2020) EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks ArXiv190511946 Cs Stat 65 Elsken T., Metzen J.H., Hutter F (2019) Neural Architecture Search: A Survey ArXiv180805377 Cs Stat 66 Wang C.-Y., Liao H.-Y.M., Yeh I.-H cộng (2019) CSPNet: A New Backbone that can Enhance Learning Capability of CNN ArXiv191111929 Cs 129 67 He K., Zhang X., Ren S cộng (2014) Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition ArXiv14064729 Cs, 8691, 346–361 68 Liu S., Qi L., Qin H cộng (2018) Path Aggregation Network for Instance Segmentation 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition, 8759–8768 69 Lin T.-Y., Dollar P., Girshick R cộng (2017) Feature Pyramid Networks for Object Detection 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, IEEE, 936–944 70 Lin T.-Y., Maire M., Belongie S cộng (2014) Microsoft COCO: Common Objects in Context Computer Vision – ECCV 2014, Cham, Springer International Publishing, 740–755 71 Deng J., Dong W., Socher R cộng (2009) ImageNet: A largescale hierarchical image database 2009 IEEE Conference on Computer Vision and Pattern Recognition, 248255 72 Ayan E., Erbay H., v Varỗn F (2020) Crop pest classification with a genetic algorithm-based weighted ensemble of deep convolutional neural networks Comput Electron Agric, 179, 105809 73 Nghị Đ.T PHÂN LOẠI ẢNH SÂU BỆNH VỚI EFFICIENTNET VÀ POWER MEAN SVM 130