Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.
BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC BÁCH KHOA HÀ NỘI NGƠ QUANG ƯỚC ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI CÂY TRỒNG NGẮN NGÀY Ngành: Kỹ thuật điều khiển tự động hóa Mã số: 9520216 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HĨA Hà Nội -2023 Cơng trình hồn thành tại: Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS TS Bùi Đăng Thảnh TS Ngơ Trí Dương Phản biện 1: Phản biện 2: Phản biện 3: Luận án bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Đại học Bách khoa Hà Nội họp Đại học Bách khoa Hà Nội Vào hồi……….giờ, ngày…….tháng……năm……… Có thể tìm hiểu luận án thư viện: Thư viện Tạ Quang Bửu – ĐHBK Hà Nội Thư viện Quốc gia Việt Nam MỞ ĐẦU Tính cấp thiết luận án Cơng nghệ trí tuệ nhân tạo (AI) lĩnh vực phát triển mạnh mẽ ngày ứng dụng nhiều lĩnh vực sống Trong lĩnh vực nông nghiệp, AI đóng góp lớn việc dự báo thời gian gieo hạt, dịch bệnh, thời điểm thu hoạch, sản lượng, việc giúp người nông dân gia tăng suất cải thiện thu nhập Trong thực tế, có xu hướng ứng dụng AI mạnh mẽ vào sản xuất nông nghiệp Trong năm 2020, AI tồn cầu quy mơ thị trường nơng nghiệp đạt giá trị tỷ USD dự kiến tăng lên tỷ USD vào năm 2026 Ở Việt Nam, Đảng Nhà nước có Chính sách phát triển ngành công nghệ ưu tiên như: nông nghiệp số, công nghệ thông tin truyền thông, điện tử; AI tự động hóa… Vì vậy, việc nghiên cứu ứng dụng AI, tự động hóa cơng nghệ thơng tin vào q trình sản xuất nơng nghiệp giai đoạn cần thiết nông nghiệp Việt Nam Cây trồng ngắn ngày trồng góp phần cung ứng thực phẩm tốt cho nhu cầu người hàng ngày Quá trình sinh trưởng loại trồng chịu nhiều yếu tố ảnh hưởng khí hậu, dịch bệnh, dinh dưỡng, tưới tiêu, … yếu tố ảnh hưởng lớn đến suất chất lượng sản phẩm trồng Hệ thống điều khiển giám sát sử dụng cảm biến nhiệt độ, độ ẩm, ánh sáng, pH, EC CO2 sử dụng để thu thập thông số môi trường, dinh dưỡng nhằm điều tiết thông số cách phù hợp cho trồng sinh trưởng phát triển ứng dụng rộng rãi nhiều thập kỷ qua Tuy nhiên với hệ thống điều khiển giám sát sử dụng loại cảm biến thay đổi bất thường hình dáng, màu sắc, bệnh hại xuất trồng giám sát Vì vậy, hệ thống điều khiển giám sát trồng hình ảnh quan tâm nhiều năm trở lại công nghệ xử lý ảnh AI phát triển mạnh Các thông số sinh trưởng trồng diện tích lá, chiều cao, số bệnh hại ảnh hướng lớn đến suất chất lượng, ví bệnh hại xuất hiện, không phát kịp thời để xử lý ảnh hưởng nghiêm trọng đến suất chất lượng sản phẩm, nhiều lúc phải phá bỏ toàn bộ, sử dụng thuốc trừ bệnh không hợp lý ảnh hưởng đến vấn đề an tồn thực phẩm mơi trường Vì vậy, việc phát sớm triệu chứng khác thường ban đầu giúp ích lớn cho q trình xử lý để giảm ảnh hưởng trình sinh trưởng phát triển trồng Với phát triển mạnh mẽ công nghệ AI, việc áp dụng kỹ thuật vào trình sản xuất trồng cần thiết Do đó, nghiên cứu sinh đề xuất hướng đề tài “Ứng dụng trí tuệ nhân tạo hệ thống điều khiển giám sát trình sinh trưởng bệnh hại trồng ngắn ngày”, nhằm nghiên cứu thuật toán xử lý ảnh, AI cho hệ thống điều khiển giám sát số sinh trưởng chiều cao, số lá, diện tích phát bệnh hại xuất trồng thông qua hình ảnh, từ đưa cảnh báo đề xuất hướng điều tiết cho trồng sinh trưởng phát triển tốt, mang lại suất cao nâng cao chất lượng sản phẩm Mục tiêu nghiên cứu Xây dựng hệ thống điều khiển giám sát trình sinh trưởng bệnh hại trồng ngắn ngày Hệ thống xác định số tiêu số lá, diện tích lá, chiều cao bệnh hại trồng ngắn Hệ thống thử nghiệm trực tiếp dưa chuột Đối tượng phạm vi nghiên cứu - Đối tượng nghiên cứu: Hệ thống điều khiển giám sát trình sinh trưởng bệnh hại trồng ngắn ngày với tín hiệu đầu vào hình ảnh, sử dụng cơng nghệ xử lý ảnh trí tuệ nhân tạo - Phạm vi nghiên cứu: + Xác định chiều cao, số diện tích trồng ngắn ngày; + Phát số bệnh hại phổ biến trồng ngắn ngày; + Thử nghiệm dưa chuột sản xuất nhà lưới có mái che Phương pháp nghiên cứu - Phương pháp nghiên cứu lý thuyết, phương pháp chuyên gia phương pháp thực nghiệm Ý nghĩa khoa học thực tiễn luận án - Ý nghĩa khoa học: Luận án nghiên cứu sửa đổi thuật toán Mahalanobis (MMD) để phân vùng cho trồng ngắn ngày, từ góp phần xác định chiều cao, số diện tích dưa chuột thực nghiệm đạt độ xác cao Nghiên cứu cải tiến mơ hình trí tuệ nhân tạo dựa mạng nơron tích chập (CNN) để phân loại phát bệnh sương mai bệnh phấn trắng dưa chuột có độ xác cao - Ý nghĩa thực tiễn: Các kết nghiên cứu đạt luận án thực nghiệm với độ xác cao, ứng dụng cho hệ thống điều khiển giám sát trình sinh trưởng bệnh hại trồng từ điều chỉnh kịp thời thơng số mơi trường, dinh dưỡng ngăn ngừa bệnh hại nhằm nâng cao suất cho trồng chất lượng sản phẩm Luận án đề xuất mơ hình hệ thống điều khiển giám sát sử dụng robot tự động thu thập liệu từ tự động giám sát cảnh báo bệnh sương mai bệnh phấn trắng dưa chuột canh tác nhà lưới Kết nghiên cứu ứng dụng công nghệ xử lý ảnh, AI IoT vào sản xuất nông nghiệp, điều góp phần vào việc chuyển đổi số nông nghiệp Đảng Nhà nước ta đặc biệt quan tâm Đóng góp đề tài nghiên cứu: (1) Đã nghiên cứu sửa đổi thuật toán khoảng cách Mahalanobis (MMD) để phân vùng trồng từ xác định số lá, diện tích chiều cao Đã thử nghiệm dưa chuột với độ xác cao (2) Xây dựng liệu bệnh sương mai, bệnh phấn trắng bình thường dưa chuột mơi trường sản xuất Bộ liệu có độ nhiễu ánh sáng, mơi trường lớn, có triệu chứng bệnh từ nhẹ đến nặng, tạo sở liệu cho nghiên cứu sau (3) Nghiên cứu đề xuất cải tiến mơ hình trí tuệ nhân tạo dựa mạng nơron tích chập (CNN) để phân loại phát bệnh sương mai bệnh phấn trắng dưa chuột Cấu trúc luận án: Luận án bao gồm: Chương 1: Tổng quan hệ thống điều khiển giám sát trình sinh trưởng bệnh hại trồng ngắn ngày Chương 2: Nghiên cứu xác định chiều cao, số diện tích trồng Chương 3: Ứng dụng trí tuệ nhân tạo phát bệnh trồng ngắn ngày Chương 4: Thực nghiệm đánh giá kết Kết luận kiến nghị: CHƯƠNG TỔNG QUAN VỀ HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI CÂY TRỒNG NGẮN NGÀY 1.1 Vai trò điều khiển giám sát trình sinh trưởng bệnh hại trồng ngắn ngày Theo ước tính Liên hợp quốc dân số giới 7.6 tỷ người dự kiến đạt 9.8 tỷ người vào năm 2050, kéo theo nhu cầu lương thực ngày lớn, đồng nghĩa với việc sản lượng lương thực cần tăng lên, diện tích đất canh tác ngày thu hẹp sử dụng cho việc sinh sống ngành công nghiệp khác, thêm vào khắc nghiệt mơi trường ngày tăng làm cho canh tác nông nghiệp bị ảnh hướng lớn Bên cạch đó, nhu yêu cầu chất lượng nông sản ngày cao, lực lượng lao động nơng nghiệp khơng đám ứng đủ Vì vậy, giải pháp tối ưu để thúc đẩy sản xuất lương thực, tăng suất chất lượng canh tác nhà kính với việc sử dụng cơng nghệ vào để điều khiển giám sát 1.2 Ý nghĩa chiều cao, số diện tích trình sinh trưởng trồng Lá quan quan trọng khơng thể thiếu q trình sinh trưởng phát triển trồng, phận làm nhiệm vụ quang hợp chủ yếu cây, tổng hợp vật chất khơ, ngồi cịn thực chức trao đổi khí, hơ hấp, nước điều hòa nhiệt độ Số nhiều hay có ảnh hưởng định đến q trình sinh trưởng phát triển cây, tiền đề cho trồng có suất cao Các số chiều cao, số trồng số quan trọng đánh giá trình sinh trưởng phát triển trồng Các số có mối tương quan lớn suất trồng Vì vậy, giám sát số trồng để điều tiết yếu tố môi trường nhằm cho phát triển tốt cần thiết 1.3 Tình hình nghiên cứu hệ thống điều khiển giám sát trình sinh trưởng bệnh hại trồng ngắn ngày Đã có nhiều nghiên cứu điều khiển giám sát thông số nhà lưới đưa vào ứng dụng tốt trình sản xuất Các nghiên cứu thơng qua thông số đầu vào nhiệt độ, độ ẩm, cường độ ánh sáng, EC độ pH đất từ cảm biến sử dụng Arduino, PLC, PIC… để xử lý điều khiển thiết bị đầu nhằm đáp ứng tốt nhu cầu trồng sử dụng nhiều thập kỷ qua Các loại cảm biến giám sát triệu chứng bất thường bên sâu bệnh, thiếu chất, hình thái…Do có nghiên cứu sử dụng hình ảnh từ camera để xác định bất thường Tuy nhiên nghiên cứu chủ yếu đề xuất phương pháp khác giám sát trình phát triển sâu bệnh cây, chưa có nhiều thực nghiệm trình bày Vì vậy, tiếp tục nghiên cứu vấn đề cho hệ thống điều khiển giảm sát để có giải pháp tốt nhằm ứng dụng thực tế sản xuất cần thiết Trạm giám sát điề khiển tr ng t m C m iến đo nhiệt độ Hệ thống cấp nhiệt C m iến đo độ m Hệ thống điề tiết ánh sáng C m iến đo cư ng độ A S C m iến đo nồng độ C Hệ thống cấp độ m Hệ thống th thập x l điề khiển Hệ thống cấp C C m iến đo C Hệ thống cấp inh ng C m iến đo pH Hệ thống ph n th ốc tr s C m iến h nh nh ệnh Hình 1.2 Sơ đồ hệ thống điều khiển giám sát trình sinh trưởng bệnh hại trồng 1.4 Tình hình nghiên cứu xác định chiều cao, số diện tích trồng ngắn ngày Hiệ ch nh má nh Chụp nh l Ph n nh ng nh T lệ độ ch phủ tán Chiề rộng tán c Chiề xG t N I t xG xR Trích x ất tham số Giá trị đo Chiề cao c i tán c M h nh nghịch đ o Đư ng kính gốc Số ác thực m h nh Số Hình 1.8 Các bước sử dụng hình ảnh kỹ thuật số để xác định thông số dưa chuột với phương pháp 2D Các phương pháp truyền thống để đo số thường nhiều cơng sức thời gian Do đó, phương pháp ước tính số tăng trưởng cách sử dụng liệu hình ảnh trồng lựa chọn thay hiệu Có phương pháp chủ yếu sử dụng hình ảnh: Thứ phương pháp 2D, phân tích hình ảnh kỹ thuật số nhiều nhà nghiên cứu quan tâm (Hình 1.8); Thứ hai tái tạo mơ hình thực vật 3D cho toàn cây, với phương pháp này, xác định chiều cao cây, số diện tích có độ xác cao Tuy nhiên, có chi phí thời gian tiền bạc nhiều so với mơ hình 2D Trong khả kinh phí thực nghiệm luận án, chọn lựa phương pháp 2D để nghiên cứu 1.5 Tình hình nghiên phương pháp phát bệnh trồng ngắn ngày liệ Tập đ o tạo ỹ th ật is ali ation Chia liệ Hiệ s ất Cấ tr c m h nh AI Tập xác thực scor độ xác Al xN t GG R sN t Hình 1.12 Sơ đồ quy trình thực bước phân loại phát bệnh trồng sử dụng học sâu Bệnh trồng ảnh hưởng lớn đến trình sinh trưởng phát triển, dẫn đến làm giảm suất chất lượng Với phát triển mạnh mẽ AI, áp dụng kỹ thuật vào để xác định bệnh trồng hiệu Đã có nhiều nghiên cứu sử dụng kỹ thuật xử lý ảnh, AI vào phân loại phát bệnh Tuy nhiên, hầu hết nghiên cứu, tập liệu PlantVillage sử dụng để huấn luyện đánh giá độ xác mơ hình Mặc dù tập liệu có nhiều hình ảnh số lồi trồng bị bệnh, có đơn giản, nhiễu Trong khi, thực tế sản xuất lại có nhiều nhiễu phức tạp Ngoài ra, mức độ nghiêm trọng bệnh thay đổi theo thời gian, đó, mơ hình nghiên cứu khó có hiệu cao trình sản xuất Vì vậy, nghiên cứu mơ hình AI xây dựng liệu môi trường sản xuất để huấn luyện nhằm ứng dụng tốt môi trường canh tác ý nghĩa CHƯƠNG NGHIÊN CỨU ÁC ĐỊNH CHIỀU CAO, SỐ LÁ VÀ DIỆN TÍCH LÁ CÂY TRỒNG 2.1 Phương pháp xác định chiều cao, số diện tích (LA) Phương pháp đề xuất Hình 2.1 Chụp nh ứ l h nh nh oại ph n ng nh chụp ngang Ước tính chiề cao c Ước tính số lượng nh chụp đ nh x ống Giá trị đo thủ c ng Số iện tích Sai lệch tương đối Chiề cao c Ước lượng iện tích Q tr nh xác thực Hình 2.1 Quy trình ước tính diện tích lá, số chiều cao trồng Độ xác ước tính giá trị LA, số chiều cao phương pháp hoàn toàn phụ thuộc vào công đoạn phân vùng lá, luận án đề cập đến phương pháp để phân vùng đạt hiệu 2.2 Đề xuất phương pháp ph n ng c trồng 2.2.1 Phương pháp tính kho ng cách Mahalanobis Đặt 𝑥 = (𝑅, 𝐺, 𝐵)𝑇 biểu thị giá trị màu pixel Giá trị trung bình màu pixel 𝜇, hiệp phương sai C, khoảng cách Mahalanobis pixel (2.4): 𝑑 = √(𝑥 − 𝜇)𝑇 𝐶 −1 (𝑥 − 𝜇) (2.4) Khi 𝑑 > 𝜃0 pixel phân loại vùng lá, khơng thuộc nền; 𝜃0 ngưỡng xác định trước 2.2.2 ác định ngư ng Trong phương pháp Mahalanobis, giá trị 𝜃0 xác định trước với số loại cụ thể Tuy nhiên, phương pháp phân vùng dựa ngưỡng chung tồn hình ảnh dẫn đến độ xác thấp Do đó, để nâng cao độ xác hiệu phân vùng lá, giá trị ngưỡng cần thay đổi thích ứng tùy thuộc vào thuộc tính vùng ảnh Trong luận án đề xuất xác định giá trị ngưỡng vùng con, việc chia ảnh thành nhiều vùng nhỏ khác tính ngưỡng vùng nhỏ 2.2.3 Đề xuất thuật toán kho ng cách Mahalanobis s a đổi MM để phân vùng trồng nh m NxN Pix l th ộc iể đồ mức xám nh Chia ik i l m4 k Đ ng k Sai Tính độ lệch ch n to n cục Tính i k Sai Đ ng Đ ng Tính i k Sai Chia nh l m i i Đ ng Pix l kh ng th ộc ng Tính k k i i i Đ ng Đ ng i Sai Thực tiếp i tốn đệ Tính Chia i i Sai Sai il m4 Đ ng Tính ik Sai Tính Đ ng ết th c Tính ik i Đ ng Pix l th ộc Tính Pix l th ộc Sai i Pix l kh ng th ộc ng Sai Pix l kh ng th ộc ng Hình 2.4 Lưu đồ thuật tốn khoảng cách Mahalanobis sửa đổi Ở Hình 2.4, lưu đồ thuật toán đề xuất Ngưỡng so sánh với khoảng cách Mahalanobis thay đổi theo vùng ảnh phân chia Ảnh chia thành phần tính ngưỡng vùng 2.2.4 Phương pháp đánh giá chất lượng thuật toán nghiên cứu 𝐹𝑁 + 𝐹𝑃 𝐸𝑅 = (2.8) 𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁 2.2.5 Đánh giá th ật tốn đề xuất (MMD) Có loại trồng ngắn ngày đưa vào để đánh giá thuật toán MMD Kết cho thấy, lỗi trung bình (ER) thuật tốn MMD để loại bỏ thấp so với thuật toán Mahalanobis gốc Cụ thể độ xác phân vùng thuật tốn là: với Ớt, độ xác thuật toán MMD 99.4%%, cao thuật toán Mahalanobis nguyên 3.46%; Dây tây thuật tốn MMD đạt 99.78% cịn thuật tốn Mahalanobis đạt 93.34 %; cịn Cải kale thuật tốn MMD đạt 99.45%, gốc đạt 95.21% Như vậy, thuật toán đề xuất sửa đổi luận án cho kết tốt so với thuật toán gốc Mahalanobis 2.3 ác định chiều cao, số diện tích thực nghiệm với ưa ch ột Sau loại bỏ ảnh chiều cao, số diện tích xác định theo bước Hình 2.9 Hình 2.10 bao gồm 33 17, tức chuyển vị trí từ 23 sang 17 Ở vị trí 17 đặc trưng lấy sau lớp Maxpooling, lấy tồn đặc trưng này, khơng bị phân chia vị trí 23 Hình 3.22 bước cho việc đánh giá mơ hình đề xuất Đánh giá hiệu suất mơ hình với phương pháp Hold-out k-fold cross-validation dựa kết mAP Inp t Con 3x 3x 32 ị trí tha đổi kết nối Con 3x 3x Con 3x 3x 12 Con 3x 3x Ro t Ro t Con 3x 3x 25 Ro t 34 Ro t Con 3x 3x Con 3x 3x 12 Con 3x 3x 32 Con 3x 3x Con 3x 3x 12 Ro t Ro t Ro t Con 1x 1x 25 Con 1x 1x 12 Con 1x 1x 25 Con 3x 3x 512 Con 1x 1x Con 1x 1x 24 Con 3x 3x 512 Con 1x 1x 24 Con 1x 1x 12 Con 3x 3x 32 Ro t Con 3x 3x 25 Upsampl 23 Ro t CSP Maxpooling Ro t Maxpooling CSP Ro t Maxpooling CSP Hình 3.22 Cấu trúc vị trí sửa đổi mơ hình YOLOv4-tiny-caitien Thiết lập cấu trúc mơ hình cải tiến YOLOv4 tiny caitien Đánh giá mức độ bao quát liệu bệnh khác Xây dựng liệu bệnh hại trồng thực nghiệm Đánh giá khả phát mức độ nhiễm bệnh mô hình cải tiến Gắn nhãn liệu Phân chia liệu: huấn luyện 0%, xác thực 20% So sánh mơ hình cải tiến với mơ hình khác: YOLOv4, YOLOv4 tiny, YOLOv3, YOLOv3 tiny SSD, aster CNN Huấn luyện để xác định tốc độ học phụ hợp cho mơ hình cải tiến YOLOv4 tiny caitien Huấn luyện để xác định kích thước ảnh đầu vào phù hợp cho YOLOv4 tiny caitien Hình 3.23 Các bước thực phát bệnh hại trồng mơ hình cải tiến (YOLOv4-tiny-caitien) 3.3 Phân loại phát bệnh c ưa ch ột 3.3.1 nh hưởng bệnh đến q trình s n xuất ưa ch ột Có bệnh phổ biến dưa chuột bệnh phấn trắng bệnh sương mai Cây bị nhiễm bệnh phấn trắng phát triển kém, suất giảm nghiêm trọng từ 20 ÷ 40% Cây bị nhiễm bệnh sương mai có khả phá hủy hồn tồn dưa chuột Thiệt hại bệnh lên đến 40% 11 3.3.2 Xây dựng sở d liệu bệnh c ưa ch ột a Phương pháp xây dựng liệu triệu chứng bệnh trồng Gồm bước: Thiết lập (chọn) vùng trồng cây; Chọn giống trồng trồng cây; Thiết lập hệ thống thu thập liệu; Nhận dạng bệnh lây bệnh; Quá trình thu thập liệu; Xử lý gắn nhãn liệu; Tăng cường liệu (nếu liệu ít) Trong q trình xây dựng liệu, yếu tố chuyên gia nơng nghiệp quan trọng cần phải có b Xây dựng liệu bệnh sương mai, bệnh phấn trắng bình thường dưa chuột - Vùng trồng: Nhà lưới cánh đồng khu vực - thị trấn Trâu Quỳ - huyện Gia Lâm - TP Hà Nội - Giống trồng phương pháp trồng: Giống VA.103, VA.118, VL-103 F1, Baby Cengel RZ F1 Trồng theo phương pháp tưới nhỏ giọt, thủy canh nhà lưới chăm sóc thủ cơng cánh đồng - Thiết lập thiết bị thu thập liệu: Sử dụng máy ảnh, điện thoại di động, chụp trực tiếp trồng bị bệnh với khoảng cách 3050cm - Nhận dạng lây bệnh: Sử dụng phương pháp lây bệnh nhận biết trực tiếp chuyên gia bệnh trồng - Quá trình thu thập liệu: Các bệnh xuất triệu chứng chụp triệu chứng nặng dần lên Thời gian thu thập, từ tháng 10/2019 đến 12/2020; chụp lúc buổi sáng, trời có nắng, trời râm, chiều tối - Xử lý gắn nhãn liệu: Các ảnh bị lỗi trình chụp loại bỏ Sau kết hợp với chuyên gia để gắn nhãn Tổng liệu thu thập cho mơ hình phân loại bệnh 11944 ảnh Tổng liệu thu tập để sử dụng cho mơ hình phát bệnh gồm 7936 ảnh, gắn nhãn công cụ labelImg 7936 file.txt Hình 3.30 Một số mẫu liệu tập liệu thu thập 3.3.3 Ph n loại ệnh phấn trắng ệnh sương mai a D liệu huấn luyện 12 ộ liệ đ o tạo nh thương xác thực ệnh phấn trắng l nh cư ng liệ đ o tạo Pr train Imag N t atas t Al xN t GG R sN t ộ 44 nh ệnh sương mai t ng liệ nh thư ng nh liệ kiểm tra 12 ệnh phấn trắng nh l liệ xác thực Al xN t GG R sN t nh Al xN t GG R sN t ight nh ệnh sương mai nh Con sion matrix Pr cision R call scor Acc st.pt ight.pt Hình 3.32 Lưu đồ phân bố liệu cho trình huấn luyện, xác thực kiểm tra mô hình phân loại nghiên cứu - Xử lý ảnh: sử dụng xoay ảnh, lật ngang ảnh cắt ảnh b Kết qu đánh giá m h nh ph n loại bệnh ResNet 50 ResNet 152 Hình 3.35 Ma trận nhầm lẫn mơ hình ResNet 50 ResNet 152 tập liệu kiểm tra Bảng 3.8 Thơng số Acc mơ hình với liệu kiểm tra Mơ hình Acc (%) Mơ hình Acc (%) AlexNet 78.42 ResNet 18 96.00 VGG 11 94.83 ResNet 34 96.33 VGG 13 91.92 ResNet 50 96.33 VGG 16 92.83 ResNet 101 94.83 VGG 19 94.50 ResNet 152 97.17 13 c Kết hợp m h nh để phân loại bệnh sương mai ệnh phấn trắng - Phương pháp đề xuất Qua kết cho thấy: với ResNet 50 có ma trận nhầm lẫn cho khả phát nhầm lẫn với bệnh phấn trắng mơ hình esNet 152 cho độ xác lớn 97.17% Do đó, luận án đề xuất giải pháp kết hợp mơ hình lại với (Hình 3.33) liệ kiểm tra l ight st R sN t5 pt nh R sN t Đ ng ệnh phấn trắng Sai ight st R sN t152.pt ệnh phấn trắng R sN t 152 Đ ng ệnh phấn trắng Pr cision R call scor Acc Sai Đ ng ệnh sương mai ệnh sương mai Sai nh thư ng Hình 3.36 Lưu đồ thuật toán kết hợp ResNet 50 ResNet 152 - Kết đánh giá phương pháp đề xuất Bảng 3.9 Kết độ xác mơ hình kết hợp Mơ hình Acc (%) Mơ hình kết hợp (ResNet 50 + ResNet 152) 98.00 ResNet 152 97.17 ResNet 50 96.33 Kết cho thấy mơ hình đề xuất luận án có độ xác cao so với thuật toán nghiên cứu 3.3.4 Phát bị bệnh phấn trắng bệnh sương mai a D liệu cho việc huấn luyện mơ hình ộ liệ Ảnh có dưa chuột bình thường đ gắn nh n Ảnh có dưa chuột bị bệnh phấn trắng 0% liệu đào tạo YOLOv4 tiny, YOLO v4 tiny caitien, YOLOv4, YOLOv3, YOLOv3 tiny SSD, aster CNN nh Ảnh có dưa chuột bị bệnh sương mai 20% liệu kiểm tra YOLOv4 tiny, YOLO v4 tiny caitien, YOLOv4, YOLOv3, YOLOv3 tiny SSD, aster CNN mAP il trọng số Hình 3.40 Lưu đồ trình huấn luyện xác thực mơ hình 14 b Huấn luyện đánh giá m h nh Bảng 3.12 Kết huấn luyện mơ hình YOLOv4-tiny-caitien với kích thước ảnh đầu vào khác YOLOV4-tiny Mơ hình Learning mAP ích thước ích thước rate (%) (MB) YOLOv4-tiny 0.00261 384x384x3 82.90 22.4 0.00261 416x416x3 83.06 YOLOv4-tiny- 0.00280 384x384x3 83.67 caitien 22.4 0.00280 416x416x3 83.43 Mơ hình YOLOv4-tiny-caitien cho độ xác cao kích thước ảnh đầu vào 384x384x3 83.67%, lớn mơ hình gốc 0.61% Với kích thước ảnh nhỏ kích thước ảnh mơ hình YOLOv4tiny gốc (416x416x3) giảm q trình tính tốn cho mơ hình - Đánh giá mơ hình đề xuất với mơ hình khác Bảng 3.13 Kết so sánh với số mơ hình khác Mơ hình mAP (%) Kích thước (MB) YOLOv4 512x512 80.30 244 YOLOv4 416x416 80.03 244 YOLOv4-tiny 416x416 83.06 22.4 YOLOv4-tiny-3l 416x416 83.04 23.3 YOLOv3 416x416 62.68 234 YOLOv3-tiny 416x416 81.98 18.5 Enet-Coco 416x416 67.39 18.0 SSD-Mobilenet-V2 640x640 82.76 19.7 Faster-RCNN-inception-ResNet-v2 72.70 453 SSD-ResNet50 640x640 72.10 241 SSD-ResNet152-v1 640x640 61.9 506 YOLOv4-tiny-caitien 416x416 83.43 22.4 YOLOv4-tiny-caitien 384x384 83.67 22.4 Sử dụng phương pháp Hold-out cho thấy, mơ hình cải tiến YOLOv4-tiny-caitien với kích thước ảnh đầu vào 4x3 4x3 cho độ xác lớn nhất, cao mơ hình YOLOv4 3.37%, cao mơ hình gốc YOLOv4-tiny 0.61% Sử dụng phươg pháp k-fold cross-validation (với k = 4) cho kết mAP trung bình YOLOv4tiny-caitien cao so với mơ hình gốc 0.47% 15 - Đánh giá khả phát ảnh bị bệnh thuật toán YOLOv4-tiny-caitien thuật toán gốc YOLOV4-tiny Phương pháp phát ảnh bị bệnh sương mai, bị bệnh phấn trắng bị loại bệnh thực theo lưu đồ hình 3.42 liệ olo tin ight olo tin caiti n ight nh o o tin o o tin caiti n h ng phát đối tượng n o nh nh kh ng phát đối tượng Phát có đối tượng nh ệnh phấn trắng Đ ng ệnh S ương mai Đ ng nh ị c ệnh phấn trắng ệnh sương mai S nh có ệnh sương mai Đ ng ệnh sương mai S Acc Sai nh nh thư ng nh có ệnh phấn trắng Hình 3.46 Lưu đồ thuật toán sử dụng YOLO để phân loại ảnh Tổng số ảnh sử dụng để kiểm tra 1549 ảnh Trong có 457 ảnh bình thường, 569 ảnh có bệnh phấn trắng, 519 ảnh có bệnh sương mai có ảnh bị bệnh sương mai bệnh phấn trắng Kết sử dụng mơ hình YOLOv4-tiny gốc cho độ xác 93.54%, cịn YOLOv4-tiny-caitien 96.90% Như mơ hình cải tiến cao mơ hình gốc 3.36% Kết cho thấy thuật tốn cải tiến có khả phát nhiều ảnh bị bệnh thuật toán gốc Như có khả thích ứng với nhiều góc chụp so với mơ hình gốc - Đánh giá khả phát bệnh mơ hình đề xuất Mơ hình cải tiến phát bệnh từ cấp độ (diện tích bị nhiễu bệnh < 1%) đến cấp độ (diện tích bị nhiễm bệnh >50%) Hình 3.47 Khả phát cấp độ bệnh khác mơ hình YOLOv4-tiny-caitien 16 - Đánh giá mơ hình YOLOv4-tiny-caitien với liệu bệnh khác +Bộ liệu bệnh dâu tây: Bộ liệu gồm bệnh, với tổng số 4900 ảnh kích thước 256x256 + Bộ liệu bệnh cà chua: Bộ liệu gồm 10 bệnh Có tổng số ảnh 18250 ảnh, kích thước 256x256 + Kết đánh giá Với dâu tây, mơ hình YOLOv4-tiny-caitien cho độ xác 97.61% cao so với mơ hình YOLOv4-tiny 1.51%; cịn cà chua độ xác đạt 99.42% cao so với mơ hình gốc 0.42% Nhận thấy kích thước ảnh 384x384x3 ln cho kết tốt so với kích thước đề xuất gốc 416x416x3 Kết cho thấy mô hình YOLOv4-tiny-caitien có tính bao qt với liệu khác Bảng 3.17 Kết huấn luyện mô hình YOLOv4-tiny YOLOv4tiny-caitien với liệu bệnh Dâu tây Cà chua Mơ hình Kích thước mAP (%) ảnh Dâu tây Cà chua YOLOv4-tiny 416x416x3 96.10 99.00 % YOLOv4-tiny-caitien 416x416x3 96.24 99.01 % 384x384x3 97.61 99.42 % CHƯƠNG THỰC NGHIỆM À ĐÁNH GIÁ ẾT QU 4.1 Xây dựng thiết lập m h nh nh lưới th nghiệm Hình 4.1 Mơ hình thiết kế xây dựng nhà lưới thực nghiệm 4.2 Thiết kế hệ thống tự động điều khiển giám sát c nh báo bệnh sương mai ệnh phấn trắng c ưa ch ột 17 Rasp Cam Pi ộ phận th nhận h nh nh rr PI P C Th ật toán phát ệnh c trồng H nh nh Tín hiệ điề khiển ph n th ốc tr ệnh Hệ thống điề khiển Tín hiệ điề khiển Tin nhắn H nh nh Ngư i Hệ thống ph n th ốc tr ệnh nl c trồng ơm an điện hệ thống ph n sương nh th ốc tr ệnh mail thiện thoại Hình 4.5 Cấu trúc hệ thống điều khiển giám sát, cảnh báo phun thuốc trị sâu bệnh trồng 4.2.1 Hệ thống phần cứng Hình 4.8 Thiết bị phần cứng hệ thống điều khiển giám sát cảnh báo bệnh 4.2.2 Thuật toán điều khiển hệ thống đầ Cam ề giá trị an đầ CĐ1 Đ ng Chế độ Sai CĐ3 CĐ2 Sai Đ ng Đ ng Sai Chế độ Chế độ AI nhận iện ệnh phấn trắng ệnh sương mai Có ệnh PT SM h ng Có G i h nh nh đến mail G i tin nhắn SMS G i tín hiệ để điề khiển ph n th ốc tr ệnh ết th c Hình 4.10 Lưu đồ thuật tốn hệ thống điều khiển giám sát cảnh báo bệnh phấn trắng bệnh sương mai dưa chuột 18 4.3 Thực nghiệm đánh giá th ật toán xác định chiều cao, số diện tích c ưa ch ột 4.3.1 Bố trí mơ hình thực nghiệm mm mm mm a ng hiệ ch n 5x5 cm m đ Hình 4.11 Mơ hình hệ thống thu nhận hình ảnh 4.3.2 Kết qu đánh giá th ật toán đề xuất a Xác định chiều cao, số diện tích dưa chuột thực nghiệm phương pháp thủ công Các thông số chiều cao, số diện tích dưa chuột đo thủ cơng để đánh giá thuật tốn nghiên cứu b Kết đánh giá thuật toán đề xuất MMD để phân vùng dưa chuột (a) Hình ảnh gốc (a) Hình ảnh gốc (b) Lớp phân vùng Hình 4.13 Loại bỏ hình ảnh chụp từ xuống (b) Lớp phân vùng Hình 4.14 Loại bỏ hình ảnh chụp ngang Bảng 4.2 Kết so sánh phương pháp phân vùng Phương pháp Phương pháp Đại lượng Mahalanobis MMD ER Trung bình 0.1054 0.0236 Độ xác % 89.46 97.64 19 Thuật toán MMD đề xuất có độ xác cao % so với thuật toán dựa khoảng cách Mahalanobis gốc Mức trung bình pixel bị phân loại sai hình ảnh 2.36% c Kết đánh giá ước lượng chiều cao, số diện tích Hình 4.16 Chiều cao ước tính dưa chuột theo ngày Bảng 4.3 Kết ước lượng số lượng theo ngày trồng DAT 10 Nm Ne 1.92 RE(%) 4.00 12 2.5 2.39 4.40 14 16 18 20 22 24 3.62 4.45 5.61 6.45 7.65 8.8 3.47 4.24 5.23 5.94 7.12 8.20 4.14 4.72 6.77 7.91 6.93 6.82 Giá trị RE trung bình = 6.66 % 26 9.75 9.15 6.15 28 30 10.92 11.95 9.93 10.47 9.07 12.38 Bảng 4.4 Kết ước lượng diện tích (LA) theo ngày trồng DAT 10 12 14 16 18 20 Hướng chụp ảnh Trên xuống Ngang Trên xuống Ngang Trên xuống Ngang Trên xuống Ngang Trên xuống Ngang Trên xuống Ngang LAe 198.61 199.52 242.54 244.38 352.60 356.17 443.02 440.63 502.62 498.62 577.64 565.33 20 LAm 207.32 255.39 371.10 462.94 534.83 613.56 RE(%) 4.2 3.76 5.01 4.31 4.99 4.02 4.30 4.82 6.02 6.77 5.85 7.86 Trên xuống Ngang Trên xuống 24 Ngang Trên xuống 26 Ngang Trên xuống 28 Ngang Trên xuống 30 Ngang Trung bình 22 Số 12 y = 55 x + 0.2545 = 0.9972 Le (cm) 10 Ne (lá) 712.51 709.57 850.31 845.32 1028.34 1045.93 1210.74 1207.57 1372.90 1382.71 0 Nm (lá) 10 6.61 6.99 6.30 6.85 7.71 6.13 8.85 9.09 13.00 12.38 6.63 762.92 907.5 1114.27 1328.38 1578.01 Chiều cao 70 60 50 40 30 20 10 15 y = 1.0043x 1.427 = 0.97 20 40 Lm (cm) 1600 1400 1200 1000 00 600 400 200 y = 755x + 33.529 = 0.9977 500 1000 1500 LAm (cm2) (b) Diện tích Ảnh chụp xuống LAe (cm2) LAe (cm2) (a) 60 Diện tích Ảnh chụp ngang 1600 1400 1200 1000 00 600 400 200 y = 17x + 29.306 = 0.9979 2000 500 1000 LAm (cm2) 1500 2000 (c) (d) Hình 4.17 Hệ số tương quan giá trị thực giá trị ước tính thuật tốn Với kết thu Hình 4.17, cho thấy hệ số tương quan R2 diện tích (LAe), số (Ne), chiều cao (Le) ước tính thuật tốn với số đo thủ công (LAm Nm, Lm) đạt kết lớn 97 % Điều cho thấy thuật tốn nghiên cứu luận án có 21 khả hiệu tốt việc ứng dụng cho hệ thống điều khiển giám sát trình sinh trưởng dưa chuột sản xuất 4.4 Thực nghiệm đánh giá hệ thống điều khiển giám sát c nh báo bệnh sương mai ệnh phấn trắng c ưa ch ột 4.4.1 Bố trí thực nghiệm Hình 4.20 Thực nghiệm hệ thống điều khiển giám sát cảnh báo bệnh 4.4.2 Diễn biến đặc điểm c ưa ch ột bị nhiễm bệnh Với vụ trồng dưa chuột: Vụ 1, trồng thủy canh có xuất bệnh phấn trắng Vụ 2, trồng tưới nhỏ giọt, xuất bệnh sương mai, sau có xuất bệnh phấn trắng 4.4.3 Kết qu đánh giá hệ thống điều khiển giám sát c nh báo bệnh Kết thể qua hình ảnh sau: Hình 4.22 Hình ảnh thể mơ hình YOLOv4-tiny-caitien phát bệnh phấn trắng bệnh sương mai cấp độ khác Hình 4.24 Các ảnh bị bệnh gửi vào email tin nhắn cảnh báo vào điện thoại người quản lý 22 Bảng 4.6 Đánh giá khả đáp ứng thực nghiệm mơ hình YOLOv4-tiny YOLOv4-tiny-caitien Mơ hình Tổng số Tổng số ảnh Tổng KN = bệnh bệnh phát số ảnh (Tph/Tb) phát bệnh x100 (%) (Tph) (Tb) YOLOv4-tiny 615 447 742 60.24 YOLOv4-tiny-caitien 1483 677 742 91.24 Kết cho thấy khả phát bệnh YOLOv4-tiny gốc 60.24% YOLOv4-tiny-caitien 91.24%, điều cho thấy mơ hình YOLOv4-tiny-caitien đáp ứng thực tế việc phát bệnh sương mai bệnh phấn trắng dưa chuột khả quan so với mơ hình YOLOv4-tiny gốc KẾT LUẬN VÀ KIẾN NGHỊ Luận án nghiên cứu sửa đổi thuật toán khoảng cách Mahalanobis (MMD) để phân vùng cho trồng ngắn ngày, kết thực nghiệm dưa chuột cho độ xác lớn so với phương pháp Mahalanobis gốc 8.18%, từ ước tính chiều cao, số diện tích dưa chuột thực nghiệm với lỗi trung bình 6.69%, 6.66% 6.63% Hệ số tương quan số ước tính số đo thực tế đạt 97 %, điều có nghĩa lớn cho việc ứng dụng đề xuất vào thực tế Luận án xây dựng thu thập liệu bị bệnh phấn trắng, bệnh sương mai bình thường dưa chuột Bộ liệu xây dựng thu tập với số lượng lớn, có đa nhiễu mơi trường sản xuất, có tỷ lệ bệnh nhiễm từ mức nhẹ đến nặng, điều làm tăng khả ứng dụng mơ hình huấn luyện môi trường canh tác thực tế Luận án đề xuất mơ hình kết hợp để phân loại bệnh dựa mơ hình CNN đánh giá liệu bệnh phổ biến dưa chuột, cho thấy kết hợp mơ hình đạt độ xác cao mơ hình riêng lẻ Luận án cải tiến mơ hình YOLOv4-tiny (YOLOv4-tiny-caitien) để phát bệnh trồng, mô hình đào tạo với liệu bệnh dưa chuột, dâu tây cà chua cho kết tốt so với mô hình gốc, điều cho thấy 23 mơ hình cải tiến luận án đề xuất có tính phổ qt tốt, áp dụng để huấn luyện phát bệnh hại nhiều loại trồng khác Bên cạnh đó, luận án thiết kế mơ hình hệ thống robot để điều khiển giám sát cảnh báo bệnh trồng, áp dụng để giám sát cảnh báo bệnh sương mai bệnh phấn trắng dưa chuột Kết thực nghiệm cho thấy mơ hình cải tiến YOLOv4-tiny-caitien có khả phát ảnh có bị bệnh cao nhiều so với mơ hình gốc (YOLOv4-tiny-caitien 91.24% mơ hình gốc YOLOv4-tiny đạt 60.24%) Mơ hình cải tiến phát bệnh cấp độ bệnh nhẹ (cấp độ 1) đến cấp độ bệnh nặng (cấp độ 9) - Nh ng đóng góp luận án: (1) Đã nghiên cứu sửa đổi thuật toán khoảng cách Mahalanobis (MMD) để phân vùng trồng từ xác định số lá, diện tích chiều cao Đã thử nghiệm dưa chuột với độ xác cao (2) Xây dựng liệu bệnh sương mai, bệnh phấn trắng bình thường dưa chuột mơi trường sản xuất Bộ liệu có độ nhiễu ánh sáng, mơi trường lớn, có triệu chứng bệnh từ nhẹ đến nặng, tạo sở liệu cho nghiên cứu sau (3) Nghiên cứu đề xuất cải tiến mơ hình trí tuệ nhân tạo dựa mạng nơron tích chập (CNN) để phân loại phát bệnh sương mai bệnh phấn trắng dưa chuột đạt kết thực nghiệm cao - Kiến nghị hướng nghiên cứu tiếp theo: Với điểm mà luận án hạn chế chưa tiến hành nghiên cứu hết, cần tiếp tục nghiên cứu hướng sau: (1) Nghiên cứu hệ thống điều khiển thông số môi trường dựa vào số ước lượng chiều cao, số diện tích trồng nhằm đem lại suất cao (2) Nghiên cứu thuật toán để đáp ứng loại bệnh nhiều đối tượng khác nhiều loại bệnh khác (3) Nghiên cứu thiết lập phần cứng tối ưu cho hệ thống điều khiển giám sát trình sinh trường bệnh hại trồng gieo trồng đồng ruộng 24 DANH MỤC CÁC CƠNG TRÌNH ĐÃ CƠNG Ố CỦA LUẬN ÁN [1] NGO Quang Uoc, NGO Tri Duong, LE Anh Son, and BUI Dang Thanh (2022), “A novel automatic detecting system for cucumber disease based on the convolution neural network algorithm”, GMSARN International Journal (Scopus), Volume 16, Number 3, Accepted: 14 June 2021, http://gmsarnjournal.com/home/wpcontent/uploads/2021/10/vol16no3-10.pdf [2] Ngơ Quang Ước, Ngơ Trí Dương, Bùi Đăng Thảnh, Nguyễn Huy Phương (2021), “Nghiên cứu thuật toán YOLOv4-tiny cải tiến áp dụng cho phát bệnh phấn trắng bệnh sương mai dưa chuột”, Hội nghị -Triển lãm quốc tế lần thứ điều khiển tự động hóa VCCA2021, 8-9/4/2022, TT Hội nghị 272 Võ Thị Sáu, Q3, TP Hồ Chí Minh [3] Ngơ Quang Ước , Ngơ Trí Dương, Bùi Đăng Thảnh (2021), “Cải tiến thuật toán YOLO v4 ứng dụng cho hệ thống giám sát bệnh phấn trắng bệnh sương mai dưa chuột”, Tự động hóa ngày nay, chuyên san đo lường, điều khiển tự động hóa, ISSN 1859-0551, Quyển 25, số 2+3, tháng 8+12/2021 [4] Uoc Quang Ngo, Duong Tri Ngo, Hoc Thai Nguyen, Thanh Dang Bui (2022), “Digital image processing methods for estimating leaf area of cucumber plants”, Indonesian Journal of Electrical Engineering and Computer Science” (Scopus), Vol 25, No 1, January 2022, pp 317-328 ISSN: 2502-4752, DOI: http://doi.org/10.11591/ijeecs.v25.i1.pp317-328 [5] Ngơ Quang Ước, Ngơ Trí Dương, Bùi Đăng Thảnh (2022), “Phân loại bệnh phấn trắng bệnh sương mai dưa chuột với mô hình ResNet kết hợp”, Tạp chí Khoa học Cơng nghệ - Đại học Đà Nẵng (UD-JST) ISSN:1859-1531, Vol 20, NO 5, https://jst-ud.vn/jst-ud/article/view/7695/5557 [6] Ngô Quang Ước, thành viên (2019-2021), “Ứng dụng trí tuệ nhân tạo việc phát số loại bệnh phổ biến dưa chuột”, Đề tài cấp trọng điểm Học viện Nông nghiệp Việt Nam, Mã số: T2019-05-04TĐ, Học viện Nông nghiệp Việt Nam, nghiệm thu 6/2022 25