Ứng dụng mô hình mạng học sâu cnn trong phân loại bệnh lá trên cây cà chua thông qua ứng dụng android

Vì thế, nhóm quyết định thực hiện đề tài “Ứng dụng mô hình mạng học sâu CNN trong phân loại bệnh lá trên cây cà chua thông qua ứng dụng Android” nhằm giúp người nông dân rút ngắn thời g

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHĨA LUẬN TỐT NGHIỆP NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ - VIỄN THƠNG ỨNG DỤNG MƠ HÌNH MẠNG HỌC SÂU CNN TRONG PHÂN LOẠI BỆNH LÁ TRÊN CÂY CÀ CHUA THÔNG QUA ỨNG DỤNG ANDROID GVHD: PGS TS NGUYỄN THANH HẢI SVTH: ĐẶNG THANH HƯNG TRẦN THÁI HÀ NAM SKL009667 Tp Hồ Chí Minh, tháng 1/2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐÀO TẠO CHẤT LƯỢNG CAO - ĐỒ ÁN TỐT NGHIỆP NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ - VIỄN THƠNG Đề tài: ỨNG DỤNG MƠ HÌNH MẠNG HỌC SÂU CNN TRONG PHÂN LOẠI BỆNH LÁ TRÊN CÂY CÀ CHUA THÔNG QUA ỨNG DỤNG ANDROID GVHD: SVTH: MSSV: SVTH: MSSV: PGS TS Nguyễn Thanh Hải Đặng Thanh Hưng 18119018 Trần Thái Hà Nam 18161115 TP HỒ CHÍ MINH – 01/2023 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc TP Hồ Chí Minh, ngày tháng năm 2023 NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: Đặng Thanh Hưng MSSV: 18119018 Trần Thái Hà Nam MSSV: 18161115 Ngành: Công nghệ kỹ thuật Điện tử - Viễn thông Giáo viên hướng dẫn: PGS TS Nguyễn Thanh Hải Ngày nhận đề tài: 12/9/2022 Ngày nộp đề tài: 2/1/2023 Tên đề tài: Ứng dụng mơ hình mạng học sâu CNN phân loại bệnh cà chua thông qua ứng dụng Android Các số liệu, tài liệu ban đầu: - Nguyễn Minh Tuấn, “Ứng dụng mạng học sâu cho nhận biết bệnh việc phân loại ảnh lá”, Luận văn Thạc Sĩ, trường ĐHSPKT Tp.HCM, 03/2021 - Đặng Thanh Hưng, Lê Phi Yến, Nguyễn Chí Cường, Phạm Hiếu Hạnh, “Phát phân loại bệnh cây”, Đề tài NCKH cấp Trường, trường ĐHSPKT, Tp.HCM, 10/2022 Nội dung thực đề tài: - Tìm đọc tài liệu tham khảo, tóm tắt tài liệu đưa hướng đề tài - Thiết kế sơ đồ khối hoạt động hệ thống - Thu thập tập ảnh cà chua từ tập liệu Plant Village - Dùng phương pháp xử lý ảnh tiền xử lý để loại bỏ phần khơng cần thiết ảnh phân tích cấu trúc ảnh loại bệnh dựa vào ảnh - Phân loại ảnh dùng mơ hình mạng CNN VGG-19 - Đánh giá sự hiệu phân loại - Thiết kế ứng dụng điện thoại Android - Viết báo cáo thực - Bảo vệ khóa luận tốt nghiệp i Sản phẩm: Ứng dụng điện thoại Android liên kết với máy chủ chứa mơ hình mạng học sâu VGG19 Các chức ứng dụng bao gồm: hiển thị kết dự đoán bệnh, độ tin cậy kết quả, nguyên nhân giải pháp điều trị bệnh cà chua TRƯỞNG NGÀNH GIÁO VIÊN HƯỚNG DẪN ii CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Họ tên Sinh viên: Đặng Thanh Hưng MSSV: 18119018 Trần Thái Hà Nam MSSV: 18161115 Ngành: Công nghệ kỹ thuật Điện tử - Viễn Thông Tên đề tài: Ứng dụng mơ hình mạng học sâu CNN phân loại bệnh cà chua thông qua ứng dụng Android Họ tên Giáo viên hướng dẫn: PGS TS Nguyễn Thanh Hải NHẬN XÉT Về nội dung đề tài & khối lượng thực hiện: Nhóm thực thực đầy đủ nội dung công việc khối lượng công việc đề ban đầu, có mở rộng phần nội dung thiết kế phần hiệu chỉnh thơng số mơ hình mạng Ưu điểm: Mơ hình ứng dụng hoạt động kết nối với mạng Internet truy xuất liệu điện thoại với sở liệu Chức nhận dạng bệnh cà chua cho kết tương đối xác với vài loại bệnh định Khuyết điểm: Có số hình ảnh minh họa chưa tự vẽ phải sử dụng tài liệu khác Tập ảnh chụp thực tế hạn chế, chưa có so sánh và lựa chọn tối ưu thiết kế Đề nghị cho bảo vệ hay không? Cho phép bảo vệ Đánh giá loại: Khá Điểm: 8……………….(Bằng chữ: Khá) Tp Hồ Chí Minh, ngày tháng năm 2023 Giáo viên hướng dẫn iii CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN Họ tên Sinh viên: Đặng Thanh Hưng MSSV: 18119018 Trần Thái Hà Nam MSSV: 18161115 Ngành: Công nghệ kỹ thuật Điện tử - Viễn Thông Tên đề tài: Ứng dụng mơ hình mạng học sâu CNN phân loại bệnh cà chua thông qua ứng dụng Android Họ tên Giáo viên phản biện: NHẬN XÉT Về nội dung đề tài & khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? Đánh giá loại: Điểm:……………….(Bằng chữ: ) Tp Hồ Chí Minh, ngày tháng năm 2022 Giáo viên phản biện iv LỜI CẢM ƠN Quá trình thực Đồ án tốt nghiệp là giai đoạn quan trọng quãng đời sinh viên, tiền đề nhằm trang bị kiến thức, kỹ nghiên cứu lẫn kinh nghiệm để chuẩn bị cho sự nghiệp mai sau Trước tiên, em xin gửi lời cảm ơn chân thành đến Quý Thầy Cô trường Đại học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh và đặc biệt Khoa Đào Tạo Chất Lượng Cao, người truyền đạt cho em kiến thức quý báu, dẫn và định hướng cho nhóm q trình học tập, rèn luyện trường Nhóm xin trân trọng gửi lời cảm ơn sâu sắc đến giáo viên hướng dẫn thầy PGS TS Nguyễn Thanh Hải tận tình giúp đỡ, định hướng cách tư và cách làm việc để có nhóm em thể hoàn thành đề tài cách trọn vẹn Nhờ có sự hướng dẫn thầy, nhóm em học hỏi thêm nhiều kinh nghiệm quý báu từ kiến thức chuyên môn tới kỹ cần thiết khác để phục vụ cho trình phát triển thân tương lại Với kinh nghiệm và tích lũy thân cịn chưa đủ, đồ án cịn nhiều sai sót bất cặp Chúng em cần lời dạy bảo đóng góp ý kiến từ q thầy để bỏ sung hiểu biết, khắc phục sai sót để áp dụng tốt cho công việc tương lai Chúng em xin chân thành cảm ơn! v LỜI CAM ĐOAN Nhóm thực Đồ Án Tốt Nghiệp dựa vào số tài liệu tìm hiểu khơng chép từ tài liệu hay cơng trình nghiên cứu khác Các nội dung tham khảo điều trích dẫn đầy đủ phần tài liệu tham khảo Sinh viên thực đề tài vi TÓM TẮT Trong việc chẩn đoán phát bệnh hại trồng, với phương pháp thơng thường địi hỏi cần phải am hiểu có nhiều kinh nghiệm lĩnh vực trồng trọt, khơng xảy trường hợp trị sai bệnh gây tốn không đạt hiệu Vì thế, nhóm định thực đề tài “Ứng dụng mơ hình mạng học sâu CNN phân loại bệnh cà chua thông qua ứng dụng Android” nhằm giúp người nông dân rút ngắn thời gian chẩn đoán bệnh giữ độ tin cậy cao so với phương pháp thông thường, đồng thời đưa đề xuất chữa trị kịp lúc đề tránh gia tăng mức độ nghiêm trọng bệnh trạng Mô hình mạng học sâu nhóm thực mơ hình VGG19 tập liệu huấn luyện lấy từ tập “Plant Village” Trong đó, tổng số lượng ảnh cà chua 16011 ảnh có kích thước chung [256x256x3], bao gồm 10 tập ảnh, đại diện cho loại bệnh lúc khỏe mạnh Các phương pháp tiền xử lí liệu như: định lại kích cỡ ảnh để phù hợp với đầu vào mô hình VGG19 [224x224x3], trích xuất cạnh tách ảnh nhằm làm bật thông tin cần xử lí, tăng tốc độ tính tốn mơ hình Cùng với đó, thiết kế ứng dụng điện thoại dựa tảng Flutter có chức lựa chọn phương thức đưa ảnh lên máy chủ chọn ảnh có sẵn từ sưu tập chụp trực tiếp camera điện thoại Kết sau thực nhóm nghiên cứu xây dựng mơ hình mạng VGG19 ứng dụng điện thoại đáp ứng mục tiêu đưa ban đầu đề tài Ứng dụng điện thoại hoạt động ổn định, không xuất lỗi, giao diện đơn giản, dễ tiếp cận sử dụng người nơng dân có kinh nghiệm dùng điện thoại di động Kết dự đốn mà mơ hình đưa có độ xác cao với đề xuất giải pháp xử lí bệnh cà chua mà nhóm thu thập từ nguồn có độ tin cậy cao vii MỤC LỤC NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP i LỜI CẢM ƠN v LỜI CAM ĐOAN .vi TÓM TẮT vii MỤC LỤC viii DANH MỤC CÁC TỪ VIẾT TẮT x DANH MỤC BẢNG BIỂU xi DANH MỤC HÌNH ẢNH .xii Chương TỔNG QUAN 1.1 Giới thiệu .1 1.2 Mục tiêu đề tài 1.3 Giới hạn đề tài 1.4 Nội dung nghiên cứu 1.5 Bố cục Chương CƠ SỞ LÝ THUYẾT 2.1 Các nghiên cứu phát bệnh cà chua .4 2.2 Bệnh hại cây cà chua 2.2.1 Khái quát bệnh thường gặp 2.2.2 Các tác nhân gây bệnh hại cà chua .8 2.3 Các phương pháp xử lí ảnh 2.3.1 Thuật toán phân cụm K-means .8 2.3.2 Thuật toán trích đặc trưng lọc Gabor 10 2.3.3 Thuật toán phân đoạn ảnh sử dụng khơng gian màu HSV .11 2.4 Mạng neural tích chập (CNN) .12 2.5 Phương pháp đánh giá chất lượng mơ hình ma trận nhầm lẫn .15 2.6 Các Framework hỗ trợ xây dựng hệ thống 17 viii phân loại xác, màu đỏ ngoài đường chéo tương ứng với phân loại không xác Các cột ngồi phía bên phải ma trận Precisiontỷ lệ phần trăm dự đốn xác tất mẫu thử nghiệm Các ô hàng ma trận Recal- tỷ lệ phần trăm mẫu khơng bị bỏ sót với tất mẫu lớp Ô bên phải ma trận thể giá trị độ xác tổng thể (Accuracy) và đề tài sử dụng mô hình phân loại đa lớp này, độ xác tổng thể tỷ lệ phân loại với tổng số mẫu Ngồi ra, ma trận nhầm lẫn cịn thể kết đánh giá độ xác mơ hình phân loại bệnh 10 tập liệu với 16011 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 3207 mẫu liệu từ tập ảnh thử nghiệm Trong tập liệu thử nghiệm 3207 ảnh có, 62 phân loại sai gồm mẫu liệu lớp bị phân loại sai, 10 mẫu liệu lớp bị phân loại sai, 16 mẫu liệu lớp bị phân loại sai, mẫu liệu lớp bị phân loại sai, mẫu liệu lớp bị phân loại sai, mẫu liệu lớp bị phân loại sai, mẫu liệu lớp bị phân loại sai, mẫu liệu lớp bị phân loại sai Do độ xác phân loại cho lớp 98.12%, lớp là 95%, lớp là 95.81%, lớp 97.38%, lớp 97.75%, lớp 97.92%, lớp 99.22%, lớp 98.93%, lớp 100%, lớp 10 là 100% Theo đó, độ xác phân loại tổng mơ hình ghi nhận Hình 4.3 98.01% Biểu đồ Hình 4.4 thể số lượng ảnh tập sở liệu theo lớp cột màu cam, thứ tự lớp tuân theo thứ tự Bảng 3.1 Các thông số đầu cột phần trăm dự đốn xác cho từ lớp riêng lẻ, trục tung biểu đồ thể số lượng ảnh dùng cho huấn luyện loại khác Từ kết thể biểu đồ thấy độ xác kết dự đoán 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 đoán xác cao Cịn lớp có số lượng ảnh huấn luyện thấp lớp số lớp số cho kết dự đốn xác thấp Ngồi số trường hợp có số lượng ảnh huấn luyện nhỏ cho hiệu suất dự đoán tương đối cao lớp số số 2, nguyên nhân biểu bệnh lớp ảnh thể rõ rệt.Điều cho thấy kết dự đoán phụ thuộc lớn số lượng chất lượng ảnh đưa vào huấn luyện, cụ thể khỏe mạnh bệnh dễ nhận biết hiệu suất huấn luyện 51 dự đốn có độ xác cao, có lớp cịn lên đến 99.92% phép thử với loại khác Hình 4.4 Biểu đồ thể độ xác mơ hình theo số lượng ảnh đầu vào 4.2 Kết dự đoán ứng dụng điện thoại 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 không 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 và 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 52 ảnh điện thoại để chụp ảnh Màn hình thứ chịu trách nhiệm hiển thị kết dự đốn, tỷ lệ xác q trình dự đốn và ghi đề xuất điều trị bệnh cho người dùng, giao diện ứng dụng phân loại thể Hình 4.5 Hình 4.5 Giao diện điều khiển hình hiển thị kết ứng dụng phân loại 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 đốn 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 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 53 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 cho 10 loại thực lặp lại nhiều lần, kết dự đoán hoàn toàn trùng khớp với kết dự đoán từ tập lệnh Python ảnh nội dung Ngoài để kiểm thử tính ứng dụng thực tế đề tài nhóm thực dự đốn ảnh mạng sử dụng hai chức là dự đoán ảnh chụp dự đoán ảnh từ thư viện ảnh điện thoại ❖ Nhận dạng bệnh cà chua dùng ảnh lấy từ máy ảnh Khi nhấn vào nút máy ảnh, hệ thống gửi thông báo xin quyền truy cập máy ảnh, sau nhấn vào chấp nhận hệ thống chuyển màn hình đến giao diện máy chụp ảnh điện thoại, để thực dự đốn, sau bấm vào nút chụp ảnh để thực việc gửi ảnh lên sever để xử lý gửi kết để ứng dụng hiển thị hình thơng tin bệnh Kết dự đốn số ảnh với kích thước khác tải từ mạng internet thể ảnh bênh (a) (b) 54 (c) (d) (e) (f) Hình 4.6 Kết dự đốn camera điện thoại: (a) Đốm Septoria; (b) Úa muộn; (c) Úa muộn; (d) Mốc lá; (e) Mốc lá; (f) Úa sớm 55 ❖ Nhận dạng bệnh dùng ảnh từ thư viện Khi nhấn vào nút mở thư viện hệ thống đưa giao diện đến thư viện ảnh điện thoại, để thực dự đoán bấm vào nút đánh dấu ảnh sau bấm chọn hệ thống thực việc gửi ảnh lên sever để xử lý gửi kết (a) (b) (c) (d) (e) (f) (g) (h) (p) Hình 4.7 Ảnh cà chua tập liệu gốc dùng để dự đoán: (a)Đốm Vi Khuẩn; (b) Úa s; (c) Úa muộn; d)Khỏe mạnh; (e) Đốm Septoria;(f) Xoăn vàng lá; (g) Khảm lá; (h)Khỏe mạnh; (p) Mốc lá; 56 (a) (c) (b) (d) 57 (e) (f) (g) (h) Hình 4.8 Kết dự đoán từ thư viện ảnh: (a) Đốm vi khuẩn; (b) Úa sớm; (c) Đốm Septoria; (d) Nhện ve đốm; (e) Đốm Septoria; (f) Xoăn vàng lá; (g) Nhện ve đốm; (h) Khỏe mạnh; 58 4.3 Đánh giá chất lượng hệ thống Từ kết trình bày mục 4.1 mục 4.2 chứng minh cách tiếp cận nhóm tác giả thuật toán kiến nghị là đúng, đặc biệt từ kết hình 4.2 thấy độ xác mơ hình đào tạo thấp lớp có số lượng hình ảnh thấp tập liệu huấn luyện 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 Nội dung cần phải thực tương lai là đánh giá hiệu suất nhiễu ảnh cải thiện trước đưa vào huấn luyện Bảng 4.1 Số liệu thực nghiệm trình kiểm thử chức dự đoán bệnh ảnh chụp từ máy ảnh điện thoại Ngoài ra, để đánh giá phù hợp với ứng dụng thực tiễn hơn, trình vận hành kiểm tra mức độ ổn định mơ hình nhận dạng bệnh nhóm thống kê kết kiểm thử theo tiêu chí gồm tỷ lệ dự đốn xác hai chức là dự đoán ảnh chụp, dự đoán ảnh từ thư viện ảnh, dự đốn sử dụng ảnh có kích thước trùng với kích thước kiến trúc mạng (224x224) ảnh với kích thước khác Số liệu kiểm thử trường hợp trình bày Bảng 4.1, Bảng 4.2, Bảng 4.3 Bảng 4.4 Sau thực phân loại ảnh từ nguồn internet sử dụng chức dự đoán ảnh chụp máy ảnh điện thoại, thấy độ xác khơng tốt lúc thực dự đốn sử dụng ảnh từ thư viện Plantvilage 59 Bảng 4.2 Số liệu thực nghiệm trình kiểm thử chức dự đoán bệnh ảnh lấy từ thư viện ảnh điện thoại Kết dự đoán ảnh từ nguồn internet sử dụng chức lấy ảnh từ thư viện thấy số lượng ảnh dự đốn xác trùng khớp với chức sử dụng ảnh chụp trực tiếp, nhiên thời gian thực dự đốn có nhỉnh so với chức sử dụng ảnh chụp chút, ngun nhân mơ hình phải xử lý định dạng ảnh chụp từ kênh màu kênh màu RGB, sử dụng ảnh thư viện ảnh khơng cần phải xử lý công đoạn Bảng 4.3 Số liệu thực nghiệm trình kiểm thử chức dự đốn với ảnh có kích thước 224x224 60 Bảng 4.4 Số liệu thực nghiệm q trình kiểm thử chức dự đốn với ảnh có nhiều kích thước kích thước Dựa vào bảng số liệu thấy mơ hình phân loại sau triển khai lên ứng dụng điện thoại di động trường hợp hoạt động tương đối tốt Tuy nhiên trường hợp sử dụng chức dự đoán ảnh chụp từ máy ảnh điện thoại Bảng 4.1 có kết khơng tốt so với so với trường hợp lại Nguyên nhân ảnh đầu vào lấy từ mạng internet có độ tin cậy thấp cộng với việc chụp ảnh thơng qua hình máy tính xách tay khiến chất lượng ảnh thấp Ngồi kết thóng kê cho thấy tốc độ xử lý kết định dạng không tương thích với kiến trúc mơ hình mạng huấn luyện chậm so với định dạng chuẩn ảnh RGB với kích thước 224x224 Ngồi ra, ý ngun tắc thực hành tốt (good practice principles), kết đạt nên so sánh với số kết khác Tuy nhiên có giải pháp thương mại Leafsnap, sử dụng mạng nhận dạng trực quan để xác định loài từ ảnh chúng đề tài nghiên cứu phát triển mơ hình mạng học sâu để phân loại bệnh thay loại thực vật nên Leafsnap không sử dụng đếo sánh kết đạt Cuối cùng, so sánh kết với số phương pháp phát bệnh từ ảnh khác, nói phương pháp nhóm cho kết tốt 61 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận Kết đề tài nhóm thực đáp ứng mục tiêu đặt ban đầu Ứng dụng điện thoại hoạt động ổn định thực việc phân loại có hiệu suất cao hai chức xây dựng theo yêu cầu đề Đề tài xây dựng ứng dụng phân loại bệnh cà chua sử dụng mơ hình mạng CNN-VGG19 Tập liệu dùng đề tài 16011 ảnh cà chua bệnh khỏe thu thập từ tập liệu Plantvillage Tập liệu làm tập tập huấn luyện tập kiểm thử theo tỉ lệ là 80% và 20% Trong đề tài, nhóm tiến hành huấn luyện phân loại bệnh cà chua với tập huấn luyện định lại kích cỡ và tăng cường số lượng ảnh Kết thu phân loại sau huấn luyện với độ xác cao 98% Thời gian huấn luyện mô hình vịng 75 phút với sự hỗ trợ máy chủ có cấu hình cao Về phần mềm, nhóm thực thiết kế lưu đồ giải thuật lập trình điều hướng luồng liệu để thực chức ứng dụng phân loại Về phần sở liệu nhóm thực tồn q trình xử lý và lưu trữ máy tính mạng Google Cloud Platform Nội dung xử lý bao gồm việc tải mơ hình lên để thực q trình dự đốn, thực tiền xử lý cho ảnh gửi lên sever nhiều định dạng khác cho phù hợp với kiến trúc mơ hình nhận dạng bệnh quy ước kết trả đề giao tiếp với ứng dụng dự đoán điện thoại Tuy nhiên, đề tài số điểm hạn chế mơ hình phân loại thực đơn và có ảnh đồng Dữ liệu huấn luyện phụ thuộc hoàn toàn vào thư viện ảnh PlantVilage, cần thu thập thêm nhiều hình cà chua bị bệnh thực tế để thu kết phân loại bám sát tình hình canh tác nơng nghiệp khu vực 5.2 Hướng phát triển Từ kết thu với định hướng ứng dụng thực tế, nhóm nhận thấy cần phát triển đề tài thêm hướng sau: - Huấn luyện với tập liệu phong phú chủng loại trồng nông nghiệp, với sự đa dạng bệnh mà trồng mắc phải - Cải thiện hiệu suất mơ hình phương pháp thay đổi thông số lớp, thêm lớp cần thiết kiếm thử đánh giá để có mơ hình tốt 62 TÀI LIỆU THAM KHẢO [1] Thete Vaishali V., Thakare Pradnya R., Kadlag Gaurav B., P.A Chaudhari, Leaf Disease Detection Using Image Processing, Vol 3, Issue 2, 2017 [2] Sushil R Kamlapurkar, International Journal of Scientific and Research Publications, Volume 6, Issue 2, February 2016 [3] Trần Minh Đức, Tìm hiểu Android phát triển ứng dụng Android, Đồ án tốt nghiệp, Trường ĐH SPKT, Tp.HCM, 2012 [4] Ahmad, A Saraswat, D., El Gamal, A.Smart Agricultural Technology, 3, p 100083 [5] E K Nithish, M Kaushik, P Prakash, R Ajay, S Veni, Tomato leaf disease detection using a convolutional neural network with data augmentation, in Proceedings of the 5th International Conference on Communication and Electronics Systems, ICCES, vol 2020, no Icces, pp 1125–1132, Coimbatore, India, 2020 [6] S Verma, A Chug, A P Singh, Application of convolutional neural networks for evaluation of disease severity in tomato plant, Journal of Discrete Mathematical Sciences and Cryptography, vol 23, no 1, pp 273–282, 2020 [7] P Wspanialy, M Moussa, A detection and severity estimation system for generic diseases of tomato greenhouse plants, Computers and Electronics in Agriculture, vol 178, p 105701, 2020 [8] T R Reed, 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 [9] Kumar, J.P., Domnic, S Image based leaf segmentation and counting in rosette plants Inf Process Agric 2019, 6, 233–246 [10] Keiron O’Shea, Ryan Nash, An Introduction to Convolutional Neural Networks, Aberystwyth University, Dec 2015 [11] Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, ImageNet Classification with Deep Convolutional Neural Networks, University of Toronto, Aug 2010 [12] G.Golino, A.Graziano, A Farina, W Mellano, and F Ciaramaglia, "Comparison of identity fusion algorithms using estimations of confusion matrices," in 17th International Conference on Information Fusion (FUSION), 2014, pp 1-7 63 [13] Vu Ngọc Tuấn, “Giới thiệu Flutter”, 20/03/2018 [Online] Available: https://viblo.asia/p/gioi-thieu-ve-flutter-bWrZnNxrZxw [14] Việt Anh, “Lọc ảnh (Image Filtering), 29/9/2018 [Online] Available: https://vietanh.dev/blog/2018-09-29-loc-anh-image-filtering 64 S K L 0