Ứng dụng cnn phân loại bệnh lá cây

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN ỨNG DỤNG CNN PHÂN LOẠI BỆNH LÁ CÂY MÃ SỐ: SV2022-173 CHỦ NHIỆM ĐỀ TÀI: ĐẶNG THANH HƯNG SKC 0 Tp Hồ Chí Minh, tháng 11/2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN ỨNG DỤNG CNN PHÂN LOẠI BỆNH LÁ CÂY SV2022-173 Thuộc nhóm ngành khoa học: kỹ thuật Điện tử - Viễn thông SV thực hiện: Đặng Thanh Hưng Nam, Nữ: Nam Năm thứ: /Số năm đào tạo:8 Dân tộc: Kinh Lớp, khoa: 18161CLVT2B Ngành học: Công nghệ kỹ thuật Điện tử - Viễn thông Người hướng dẫn: PGS.TS Nguyễn Thanh Hải TP Hồ Chí Minh, 11/2022 MỤC LỤC MỞ ĐẦU 1 Tổng quan tình hình nghiên cứu Lý chọn đề tài Mục tiêu đề tài Phương pháp nghiên cứu Đối tượng phạm vi nghiên cứu Chương CƠ SỞ LÝ THUYẾT 1.1 Machine Learning 1.1.1 Giới thiệu Machine Learning 1.1.2 Các thuật toán Machine Learning 1.1.3 Quy trình làm việc Machine Learning 1.1.4 Một số ứng dụng Machine Learning 1.2 Giới thiệu Dataset 1.3 Deep Learning 1.3.1 Giới thiệu Deep Learning 1.3.2 Cách thức hoạt động 10 1.4 Mơ hình CNN – Convolutional Neural Network 11 1.4.1 Giới thiệu Convolutional 11 1.4.2 Cấu trúc mạng CNN 12 1.5 Các thư viện hỗ trợ 13 1.5.1 Tổng quan thư viện TensorFlow 13 1.5.2 Giới thiệu Keras 15 1.6 Giới thiệu Flutter 16 1.7 Giới thiệu loại bệnh 17 1.7.1 Pepper Bell Bacterial Spot 17 1.7.2 Potato Early Blight 18 1.7.3 Potato Late Blight 19 1.7.4 Tomato Leaf Mold 19 1.7.5 Tomato Septoria Leaf Spot 20 1.7.6 Tomato Spider Mites Two Spotted Spider 21 1.7.7 Ceylon Spinach Brown Spot Disease 22 1.7.8 BluePea Leaf Spot 23 Chương 2: XÂY DỰNG HỆ THỐNG 25 2.1 Mơ tả tốn 25 2.2 Quy trình thực 27 2.3 Dữ liệu đầu vào 27 2.4 Tiền xử lý hình ảnh 29 2.5 Quá trình tăng cường ảnh 30 2.6 Trích xuất đặc trưng ảnh 31 2.7 Kiến trúc model 33 2.8 Ứng dụng di động 35 Chương KẾT QUẢ VÀ ĐÁNH GIÁ 37 3.1 Kết huấn luyện mơ hình 37 3.2 Đánh giá chất lượng hoạt động hệ thống 42 TÀI LIỆU THAM KHẢO 47 DANH MỤC HÌNH ẢNH Hình 1 Thuật tốn Machine Learning Hình Sử dụng Dataset Machine Learning Hình Mạng lưới kết nối liệu Hình Khác biệt Deep Learning Machine Learning 10 Hình Cửa sổ trượt ma trận 11 Hình Các lớp Convolutional Layer 13 Hình Các thư viện sử dụng nhiều 15 Hình Flutter 16 Hình Pepper Bell Bacterial Spot 17 Hình 10 Potato Early Blight 18 Hình 11 Potato late blight 19 Hình 12 Tomato leaf mold 19 Hình 13 Tomato septoria leaf spot 20 Hình 14 Tomato spider mites two spotted spider 21 Hình 15 Ceylon Spinach brown spot disease 22 Hình 16 BluePea leaf spot 23 Hình Sơ đồ bước thực 27 Hình 2 Định kích thước cho ảnh 30 Hình Tăng cường ảnh sử dụng kỹ thuật zoom ảnh 31 Hình Ảnh trước sau phân đoạn ảnh 32 Hình a) Ảnh trước sau qua lọc Gabor góc 0, 45, 90,135 độ, b) trung bình ảnh lọc trích cạnh theo góc 32 Hình Độ xác tổng thể mơ hình mạng CNN 37 Hình Kết dự đốn mơ hình phân loại bệnh 38 Hình 3 Đánh giá độ xác mơ hình mạng ma trận nhầm lẫn 39 Hình Biểu đồ độ xác mơ hình theo số lượng ảnh đầu vào 40 Hình Giao diện hoạt động ứng dụng điện thoại 42 Hình Kết dự đoán bệnh ớt hồ tiêu 43 DANH MỤC BẢNG BIỂU Bảng Số lượng hình ảnh tập liệu 29 Bảng 2 Các tham số sử dụng mơ hình mạng phân tích theo chiều sâu 35 DANH MỤC NHỮNG TỪ VIẾT TẮT Viết tắt Nội dung AI Artificial intelligence API Application Programming Interface CNN Convolutional Neural Network CPU Central Processing Unit GPC Google Platform Cloud GPU Graphics processing unit UI User Interface RGB Red- Green- Blue SVM Support Vector Machine BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM THÔNG TIN KẾT QUẢ NGHIÊN CỨU CỦA ĐỀ TÀI Thông tin chung: - Tên đề tài: Ứng dụng CNN phân loại bệnh - Chủ nhiệm đề tài: Đặng Thanh Hưng Mã số SV: 18119018 - Lớp: 18161CLVT2B Khoa: Đào tạo Chất lượng cao - Thành viên đề tài: Họ tên MSSV Nguyễn Chí Cường 19161011 19161CLVT2A Chất lượng cao Lê Phi Yến 19161200 19161CLVT2A Chất lượng cao Phạm Hiếu Hạnh 19161019 19161CLVT2B Chất lượng cao Stt Lớp Khoa - Người hướng dẫn: PGS.TS Nguyễn Thanh Hải Mục tiêu đề tài: Thiết kế hệ thống nhận biết bệnh sử dụng phương pháp phân tích cấu trúc ảnh, thuật tốn mạng học sâu để huấn luyện mơ hình mạng học sâu Trong tập liệu số loại bệnh phổ biến để đánh giá kết thuật toán kiến nghị Sau triển khai mơ hình huấn luyện lên ứng dụng di động để dự đoán bệnh đưa đề xuất điều trị bệnh cho người dùng Tính sáng tạo: Hiện có nhiều nghiên cứu lĩnh vực ứng dụng xử lý ảnh để phát sâu bệnh trồng hầu hết dừng lại mức phân loại thống báo cho người dùng tình trạng trồng để người dùng sớm phát kịp thời đưa hướng giải Chính địi hỏi người dùng cần phải am hiểu có nhiều kinh nghiệm lĩnh vực trồng trọt, khơng xảy trường hợp trị sai bệnh gây tốn khơng đạt hiệu Chính lý trên, nhóm tác giả định thực đề tài khơng phát hiện, phân loại bệnh mà cịn đơn giản hóa việc tìm hướng giải cho người dùng việc xây dựng thêm phần đề xuất hướng điều trị cho người dùng ứng dụng điện thoại Kết nghiên cứu: Tất thí nghiệm thực ngôn ngữ Python Các loại xem xét bao gồm 14 tập ảnh bệnh phổ biến, có tập lấy từ thư viện Kaggel tập ảnh thu từ thực tế Việc phân loại lần thực mơ hình neural tích chập CNN cho kết với độ xác 86.54% Độ xác cải thiện lên 93.63% với thuật toán đề xuất phương pháp kết hợp việc xử lý ảnh đầu vào để trích xuất đặc trưng loại bỏ phần không cần thiết ảnh Thực kiểm thử gần 2800 ảnh từ tập liệu kiểm, tỷ lệ dự đốn xác 100% Tuy nhiên độ xác mơ hình đào tạo thấp lớp có số lượng hình ảnh thấp tập liệu huấn luyện, cụ thể lớp ảnh tự thu thập từ thực tế bệnh đốm đậu biếc, bệnh úa vàng mồng tơi Đối với loại có chất lượng ảnh tốt bệnh đốm vi khuẩn ớt độ xác dự đốn cao đạt lên đến 100%, số loại khác độ xác khoảng từ 84,6% cà chua bị bệnh nhện ve đốm cà chua khỏe lên đến 99,35% loại lại Với tham số sau huấn luyện mơ hình phân loại bệnh, nhóm tác giả triển khai nhân dạng bệnh lên ứng dụng di động dạng mơ hình chuyển đổi sang dạng TensorFlow lite Mơ hình chạy api google cloud platform (GCP) có khả dự đoán bệnh ảnh chụp từ điện thoại đưa thông tin đề xuất bệnh cho người dùng tình trạng bệnh Kết trình dự đốn trình bày mục 3.2 Đóng góp mặt giáo dục đào tạo, kinh tế - xã hội, an ninh, quốc phòng khả áp dụng đề tài: Kết nghiên cứu đề tài hỗ trợ cho nhà trồng trọt để nghiên cứu việc chẩn đoán nhanh xác bệnh giúp tăng suất thu hoạch trồng trọt Ngồi ứng dụng cho việc giảng dạy giáo dục Sản phẩm đề tài nghiên cứu ứng dụng di động cho người nơng dân trực tiếp chăm sóc trồng sử dụng dùng dịch vụ giám sát hộ để giám sát vườn nghiên cứu loại bệnh Công bố khoa học SV từ kết nghiên cứu đề tài (ghi rõ tên tạp chí có) nhận xét, đánh giá sở áp dụng kết nghiên cứu (nếu có): Ngày 01 tháng 11 năm 2022 SV chịu trách nhiệm thực đề tài (kí, họ tên) Nhận xét người hướng dẫn đóng góp khoa học SV thực đề tài (phần người hướng dẫn ghi): Ngày 01 tháng 11 năm 2022 Người hướng dẫn (kí, họ tên) Bảng 2 Các tham số sử dụng mơ hình mạng phân tích theo chiều sâu • Conv2D: phương thức tạo lớp phức hợp Tham số số lọc tham số thứ hai kích thước lọc Ví dụ mơ hình nhóm tác giả, lớp tích chập đầu tiên, tạo 32 lọc có kích thước 256x256 Nhóm tác giả sử dụng tính khơng tuyến tính relu làm kích hoạt • MaxPooling2D: tạo lớp maxpooling, đối số kích thước cửa sổ Nhóm tác sử dụng cửa sổ 2x2 cửa sổ phổ biến • Flatten: Sau lớp Conv2D + Maxpooling, nhóm tác giả làm phẳng đầu liệu để đưa vào lớp fully connected 2.8 Ứng dụng di động Đối với đề tài nghiên cứu thuật toán phân loại triển khai tảng Google Cloud Platform với framework Flutter, công cụ giao diện người dùng đa tảng thiết kế phép sử dụng lại mã hệ điều hành iOS Android cho phép nhà phát triển cung cấp ứng dụng hiệu suất cao, cảm thấy tự nhiên tảng khác nhau, chấp nhận khác biệt nơi chúng tồn chia sẻ nhiều mã tốt Trong trình phát triển, ứng dụng Flutter chạy máy ảo cung cấp tải lại thay đổi trạng thái nóng mà khơng cần biên dịch lại tồn Đối với phát hành, ứng dụng Flutter biên dịch trực tiếp sang mã máy, cho dù hướng dẫn Intel x64 hay ARM, sang JavaScript nhắm mục tiêu web Khung mã nguồn mở, với giấy phép BSD dễ dàng có hệ sinh thái phát triển mạnh gói bên thứ ba bổ sung chức thư viện cốt lõi [19] 35 Hình Sơ đồ hoạt động ứng dụng Ứng dụng phân loại bệnh có chức gửi ảnh cần dự đốn lên server nhận kết dự đoán từ server để thực so sánh ID nhận với ID các đề xuất điều trị bệnh nhập sẵn tệp apk lúc cài đặt ứng dụng, bước hoạt động ứng dụng mơ tả hình 2.8, sau mở ứng dụng lên, ảnh đầu vào có lựa chọn nhập vào từ máy chọn ảnh có sẵn từ thư viện trường hợp chọn ảnh chụp từ máy ảnh điện thoại hình cần nhấn vào biểu tượng camera để thực thao tác chụp, sau chụp xong ứng dụng kết đề xuất điều trị cho bệnh dự đoán Để quay lại hình nhấn mũi tên quay lại góc bên trái hình 36 Chương KẾT QUẢ VÀ ĐÁNH GIÁ 3.1 Kết huấn luyện mơ hình Các kết trình bày phần liên quan đến việc huấn luyện toàn tập ảnh sở liệu bao gồm ảnh gốc ảnh tăng cường 14 loại Như biết, mô hình mạng neural tích chập nhận biết đặc điểm ảnh huấn luyện tập liệu lớn hơn, kết đạt huấn luyện với ảnh gốc khơng trình bày Biểu đồ hình 3.1 thể độ xác tổng thể đạt mơ hình mạng 95%, sau lần lặp thứ 50 Ngay sau lần lặp lại thứ 40 q trình huấn luyện mơ hình đạt kết với độ xác cao Đường màu xanh dương biểu đồ bên trái hình 3.1 cho thấy thành công mạng tập hợp kiểm tra độ xác thơng qua lần lặp q trình huấn luyện Đường màu xanh lam biểu đồ bên phải thể mát giai đoạn đào tạo Thông qua lần huấn luyện lặp lặp lại, hệ số mát giảm nhanh chóng Hình Độ xác tổng thể mơ hình mạng CNN Sau 50 lần lặp lại q trình huấn luyện nhóm tác giả thực kiểm thử kết dự đoán 12 ảnh ngẫu nhiên từ tập liệu kiểm tra (test dataset) mà mơ hình mạng chưa gặp trước tỷ lệ thành dự đốn xác đạt cao lên đến 100, kết tương ứng thể hình 3.2 37 Hình Kết dự đốn mơ hình phân loại bệnh Để đánh giá độ xác phân loại nhóm tác giả sử dụng ma trận nhầm lẫn (confusion matrix) để thể kết Q trình kiểm tra thực tồn ảnh từ tập liệu đánh giá Kết hiển thị để nhấn mạnh có hình ảnh từ tập ảnh kiểm tra lớp dự đốn xác Trong hình 3.3 ma trận thống kê kết dự đoán với số mẫu thử cho lớp xấp xỉ 200 ảnh, hàng bảng tương ứng với lớp dự đoán, cột tương ứng với lớp mục tiêu dự đoán Các ô hàng chéo màu xanh tương ứng thể số lượng ảnh tỷ lệ ảnh phân loại xác, màu đỏ ngồi đường chéo tương ứng với phân loại khơng xác Các củacột ngồi phía bên phải ma trận Precision-tỷ lệ phần trăm dự đốn xác tất mẫu thử nghiệm Các ô hàng ma trận 38 Recal- tỷ lệ phần trăm mẩu không bị bỏ sót với tất mẫu lớp Ô bên phải ma trận thể giá trị độ xác tổng thể (Accuracy) đề tài sử dụng mơ hình phân loại đa lớp này, độ xác tổng thể tỷ lệ phân loại với tổng số mẫu Hình 3 Đánh giá độ xác mơ hình mạng ma trận nhầm lẫn Trong hình 3.3 thể kết đánh giá độ xác mơ hình phân loại bệnh 14 tập liệu với 44176 ảnh bao gồm ảnh gốc, ảnh tách ảnh tăng cường thông qua việc tăng cường liệu hình ảnh sau thực phép biến đổi ma trận điểm ảnh cho lớp Kết xem xét để kiểm tra hiệu suất phân loại liệu thực khoảng 2800 mẫu liệu từ tập ảnh thử nghiệm số ảnh tải mạng Internet Trong tập liệu thử nghiệm 2800 ảnh có, 305 phân loại sai gồm 44 mẫu liệu lớp bị phân loại sai, mẫu liệu lớp bị phân loại sai, 10 mẫu liệu lớp bị phân loại sai, 28 mẫu liệu lớp bị phân loại sai, mẫu liệu 39 lớp bị phân loại sai, mẫu liệu lớp bị phân loại sai, mẫu liệu lớp bị phân loại sai, mẫu liệu lớp 10 bị phân loại sai, mẫu liệu lớp 11 bị phân loại sai, 58 mẫu liệu lớp 12 bị phân loại sai, mẫu liệu lớp 13 bị phân loại sai mẫu liệu lớp 14 bị phân loại sai Do độ xác phân loại cho lớp 71,1%, lớp 94,6%, lớp 91,7%, lớp 86,0%, lớp 99.9%, lớp 97,5%, lớp 100,0%, lớp 100%, lớp 93,0%, lớp 10 99,2%, lớp 11 98,5%, lớp 12 71,0%, lớp 13 99,5% lớp 14 98,0% Độ xác tổng thể tính trung bình độ xác phân loại cho lớp riêng biệt 93% thực theo công thức: 𝐴𝑐𝑐𝑢𝑟𝑎𝑐𝑦 = No.Correct classification 𝑁𝑜.Im 𝑎𝑔𝑒 [20] Hình Biểu đồ độ xác mơ hình theo số lượng ảnh đầu vào Biểu đồ hình 3.4 thể số lượng ảnh tập sở liệu theo lớp cột màu cam, thứ tự lớp tuân theo thứ tự bảng 2.1 Các thông số đầu cột số lượng ảnh cụ thể cho lớp độ xác dự đốn chúng Từ kết thể biểu đồ thấy độ xác kết dự đốn phụ thuộc lớn vào số lượng ảnh lớp, chứng hầu hết lớp có số lượng ảnh lớp 1000 ảnh cho kết với tỷ lệ dự đốn xác cao Ngồi số trường hợp 40 lớp số 12 bệnh nhện hai đốm cà chua lớp số bệnh mốc muộn khoai tây có số lượng ảnh huấn luyện lớn cho hiệu suất dự đoán tương đối thấp, cịn lớp có số lượng ảnh nhỏ lớp 1,2,7,8,13 lại cho hiệu suất dự đoán cao điều cho thấy kết dự đoán phụ thuộc lớn chất lượng ảnh đưa vào huấn luyện, cụ thể khỏe mạnh bệnh dễ nhận biết hiệu suất huấn luyện dự đốn có độ xác cao, có lớp lên đến 100% phép thử với loại khác Kết kiểm thử ứng dụng dự đốn Như nội dung trình bày phần việc nghiên cứu xây dựng mơ hình phân loại đạt kết tốt Tuy nhiên, nội dung đóng góp đề tài khơng dừng lại mức nghiên cứu, tìm giải pháp mà quan trọng phải đưa kết nghiên cứu ứng dụng vào thực tế, sử dụng để giải vấn đề thực tế Vì thế, phần trình nội dung liên quan đến việc triển khai mơ hình phân loại lên ứng dụng di động sử dụng hệ điều hành Android Để triển khai mơ hình AI điện thoại có cách, phải chuyển đổi mơ hình sang dạng TensorFlow lite để đưa trực tiếp lên ứng dụng để xử lý thiết bị, hai dựng sever để lưu mơ hình phân loại sau viết api để ứng dụng điện thoại gọi đến, truyền đầu vào hình ảnh từ camera điện thoại Sever sau xử lý xong trả kết Trong đề tài nhóm tác giả định sử dụng cách thứ hai để triển khai mơ hình phân loại lên ứng dụng điện thoại Để dễ dàng triển khai cải tiến thành mơ hình phát bệnh nhờ ảnh chụp từ camera đặt vườn Về phần hoạt động app gồm Activity (màn hình) Màn hình đầu có hai nút nhấn cho người dùng chọn, chọn ảnh từ thư viện ảnh máy, hai sử dụng máy ảnh điện thoại để chụp ảnh Màn hình thứ chịu trách nhiệm hiển thị kết dự đoán, tỷ lệ xác q trình dự đốn ghi đề xuất điều trị bệnh cho người dùng 41 Hình Giao diện hoạt động ứng dụng điện thoại Về luồng xử lý liệu gồm phần: phần hiển thị, phần xử lý hình ảnh đầu vào, giao tiếp với Web Server cuối phần hiển thị kết dự đoán Về phần xử lý hình ảnh đầu vào cần chuyển đổi ảnh từ dạng kênh màu sang ảnh có kênh màu RGB android để thể ảnh có lớp bitmap, điểm ảnh bitmap lại đại diện cho màu kênh Alpha, Red, Green, Blue cịn đầu vào mơ hình phân loại lại dạng ảnh có kênh màu RGB Sau đọc ảnh đầu vào thực việc gửi ảnh lên sở liệu để thực q trình dự đốn trả ID loại bệnh gắn nhãn sẵn Khi gửi kết ứng dụng điện thoại, hình hiển thị sử dụng id nhận để so sánh với nhãn gắn sẵn với đề xuất điều trị tương ứng hiển thị hình Sau xây dựng ứng dụng điện thoại nhóm tác giả thực triển khai mơ hình lên GPC (google platform cloud) tiến hành kiểm thử kết dự đoán lúc user 14 loại thực lặp lại 100 lần, kết dự đốn hồn tồn trùng khớp với kết dự đoán từ tập lệnh Python ảnh nội dung Kết thực lần dự đoán nhiều thời gian (khoảng 6s) so với lần (khoảng 80ms) cần phải tải mơ hình mạng lên nhớ tạm máy tính mạng 3.2 Đánh giá chất lượng hoạt động hệ thống 42 Từ kết trình bày mục 3.1 mục 3.2 chứng minh cách tiếp cận nhóm tác giả thuật toán kiến nghị đúng, đặc biệt từ kết hình 3.2 thấy độ xác mơ hình đào tạo thấp lớp có số lượng hình ảnh thấp tập liệu huấn luyện, cụ thể lớp ảnh tự thu thập từ thực tế bệnh đốm đậu biếc, bệnh úa vàng mồng tơi Đối với loại có chất lượng ảnh tốt bệnh đốm vi khuẩn ớt độ xác dự đốn cao đạt lên đến 100%, số loại khác độ xác khoảng từ 84,6% cà chua bị bệnh nhện ve đốm cà chua khỏe lên đến 99,35% loại lại Mặc dù mơ hình phân loại bệnh dựa ứng dụng mạng học sâu đạt tỷ lệ thành công cao việc dự đoán bệnh thực vật nhiên có số hạn chế gây ảnh hưởng đến việc phát triển kết nghiên cứu đề tài tương lai, số ảnh bị ảnh hưởng nhiễu môi trường chụp gây nhiễu cho ảnh dẫn đến phân loại sai cho mơ hình mạng học sâu [55,56] Nội dung cần phải thực tương lai đánh giá hiệu suất nhiệt ảnh cải thiện trước đưa vào huấn luyện Hình Kết dự đốn bệnh ớt hồ tiêu Theo gợi ý nguyên tắc thực hành tốt (good practice principles), kết đạt nên so sánh với số kết khác Tuy nhiên có giải pháp thương mại Leafsnap [18], sử dụng mạng nhận dạng trực quan để xác định lồi từ ảnh chúng đề tài nghiên cứu phát triển mơ hình mạng học 43 sâu để phân loại bệnh thay loại thực vật nên Leafsnap không sử dụng đếo sánh kết đạt Cuối cùng, so sánh kết nhóm tác giả với phương pháp phát bệnh từ ảnh khác, nói phương pháp chúng tơi cho kết tốt [ 13 , 14 , 16 , 17 ] 44 KẾT LUẬN Có nhiều phương pháp để xây dựng mơ hình phân loại bệnh cây, nhiên báo này, nhóm tác giả lựa chọn hướng tiếp cận sử dụng phương pháp học sâu kết hợp với số kỹ thuật xử lý ảnh để xây dựng mơ hình phân loại bệnh thực vật từ hình ảnh Mơ hình phát triển phát diện bệnh phân biệt khỏe mạnh loại bệnh khác nhau, chẩn đốn mắt thường Trong báo cáo, quy trình hồn chỉnh mơ tả, từ việc thu thập hình ảnh sử dụng để huấn luyện xác nhận đến xử lý trước tăng cường hình ảnh cuối quy trình đào tạo tinh chỉnh mạng học sâu Các thử nghiệm khác thực để kiểm tra hiệu suất mơ hình tạo Cơ sở liệu thu thập với 27 nghìn ảnh gốc lấy từ nguồn khác kết hợp với kỹ thuật xử lý ảnh cho kết thực nghiệm với độ xác từ 92-98% Việc tinh chỉnh lớp mơ hình khơng mang lại thay đổi đáng kể so với độ xác tổng thể, nhiên việc tăng cường ảnh với phép biến đổi ảnh mang lại kết tốt Kết nhóm tác giả việc tăng số lượng liệu đầu vào ảnh hưởng đáng kể đến khả cải thiện độ xác mơ hình Ngồi nghiên cứu số điểm hạn chế mơ hình phân loại bị bó buộc việc phân loại đơn đặt ảnh đồng Mặc dù kết đạt nghiên cứu tốt, ứng dụng thực tế thường thực điều kiện đơn giản mà ứng dụng thực tế phải có khả phân loại bệnh biểu trực tiếp Bởi vì, nhiều loại bệnh khơng xuất bề mặt mà cịn nhiều phận khác Do đó, việc nỗ lực thu thập hình ảnh nhiều góc độ khác nhiều điều kiện khác vô cần thiết lý tưởng liệu thực tế tốt Chính lý phần mở rộng đề tài nghiên cứu thu thập thêm hình ảnh từ thực tế để làm phong phú sở liệu cải thiện độ xác mơ hình Mục tiêu để phát triển đề tài tương lai xây dựng hệ thống hoàn chỉnh với tính dự đốn bệnh trái cây, rau cá loại khác dựa hình ảnh điện thoại di động kết hợp với hình ảnh chụp từ không để nhận biết bệnh thực vật vùng đất rộng Ứng dụng hỗ trợ người nông 45 dân (bất kể mức độ kinh nghiệm nào) cho phép nhận biết bệnh nhanh chóng hiệu quả, đồng thời tạo điều kiện thuận lợi cho trình định sử dụng thuốc trừ sâu hóa học Bằng cách mở rộng nghiên cứu nhóm tác giả hy vọng đóng góp cho phát triển bền vững chất lượng trồng tương lai Cuối cùng, cách tiếp cận đề cập tới đề tài khơng nhằm thay giải pháp dự đốn bệnh có mà để bổ sung thêm chúng dự đốn dựa triệu chứng hình ảnh khơng thể đáng tin cậy chuẩn đốn từ phịng nghiên cứu mà nhằm chuẩn đốn bệnh sớm giai đoạn đầu để kịp thời có hướng xử lý Tuy nhiên với nơng nghiệp có tỷ trọng đóng góp lớn kinh tế Việt Nam phương pháp nghiên cứu phương án bổ sung để giúp ngăn ngừa mát suất trồng Kết nghiên cứu đề tài hỗ trợ cho nhà trồng trọt để nghiên cứu việc chẩn đoán nhanh xác bệnh giúp tăng suất thu hoạch trồng trọt Ngồi ứng dụng cho việc giảng dạy giáo dục Sản phẩm đề tài nghiên cứu ứng dụng di động cho người nơng dân trực tiếp chăm sóc trồng sử dụng dùng dịch vụ giám sát hộ để giám sát vườn nghiên cứu loại bệnh 46 TÀI LIỆU THAM KHẢO [1] Nguyên Thoại, “ Machine Learning gì? Ứng dụng Machine Learning” [Online] Available:https://longvan.net/machine-learning-la-gi-ung-dung-cua-machine- learning.html [2] Xuân Hiệp, “Tổng hợp nguồn dataset cho Machine Learning”,14/05/2021 [Online] Available: https://itguru.vn/blog/tong-hop-nhung-nguon-datasets-danh-cho-machine-learning/ [3] Khoa Nguyễn, “Tensorflow cho người bắt đầu”, 07/05/2018 [Online] Available: https://viblo.asia/p/TensorFlow-cho-nguoi-moi-bat-dau-eW65GwNx5DO [4] Nguyen Chi Trung, “ Giới thiệu Deep Learning, thư viện Keras”, 22/03/2022 [Online] Available: https://viblo.asia/p/gioi-thieu-ve-deep-learning-thu-vien-keras-63vKjDGAl2R [5] Vu Ngoc Tuan, “Giới thiệu Flutter”, 20/03/2018 [Online] Available: https://viblo.asia/p/gioi-thieu-ve-flutter-bWrZnNxrZxw [6] S Sankaran, A Mishra, R Ehsani, and C Davis, “A review of advanced techniques for detecting plant diseases,” Computers and Electronics in Agriculture, vol 72, no 1, pp 1–13, 2010 [7] P Chaudhary, A K Chaudhari, A N Cheeran, and S Godara, “Color transform based approach for disease spot detection on plant leaf,” International Journal of Computer Science and Telecommunications, vol 3, no 6, pp 65–69, 2012 [8] Muhammad Hammad Saleem, Johan Potgieter, Khalid Mahmood Arif, “Plant Disease Detection And Classification By Deep Learning”, Plants MDPI, vol 8, pp 468, 2019 [9] S B Patil and S K Bodhe, “Leaf disease severity measurement using image processing,” International Journal of Engineering and Technology, vol 3, no 5, pp 297–301, 2011 [10] J K Patil and R Kumar, “Feature extraction of diseased leaf images,” Journal of Signal & Image Processing, vol 3, no 1, p 60, 2012 [11] T R Reed and J M H Dubuf, “A review of recent texture segmentation and feature extraction techniques,” CVGIP: Image Understanding, vol 57, no 3, pp 359–372, 1993 [12] M S P Babu and B Srinivasa Rao, “Leaves recognition using back propagation neural network-advice for pest and disease control on crops,” IndiaKisan Net: Expert Advisory System, 2007 47 [13] P Revathi and M Hemalatha, “Identification of cotton diseases based on cross information gain_deep forward neural network classifier with PSO feature selection,” International Journal of Engineering and Technology, vol 5, no 6, pp 4637–4642, 2014 [14] C Zhou, H B Gao, L Gao, and W G Zhang, “Particle swarm optimization (PSO) algorithm,” Application Research of Computers, vol 12, pp 7–11, 2003 [15] TRumpf, A.-K Mahlein, U Steiner, E.-C Oerke, H.-W Dehne, and L Plümer, “Early detection and classification of plant diseases with Support Vector Machines based on hyperspectral reflectance,” Computers and Electronics in Agriculture, vol 74, no 1, pp 91–99, 2010 [16] B C Karmokar, M S Ullah, Md K Siddiquee, and K Md R Alam, “Tea leaf diseases recognition using neural network ensemble,” International Journal of Computer Applications, vol 114, no 17, pp 27–30, 2015 [17] H Al-Hiary, S Bani-Ahmad, M Reyalat, M Braik, and Z AL-Rahamneh, “Fast and accurate detection and classification of plant diseases,” Machine Learning, vol 14, p 5, 2011 [18] Leafsnap: An Electronic Field Guide,” 2016, http://leafsnap.com// 48