Nhận dạng sâu bệnh trên lá cây sầu riêng

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CNKT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NHẬN DẠNG SÂU BỆNH TRÊN LÁ CÂY SẦU RIÊNG GVHD: TS NGUYỄN VĂN THÁI SVTH : NGUYỄN THỌ KHANG TRỊNH DUY KHÁNH SKL010704 Tp Hồ Chí Minh, tháng 7/2023 TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH KHOA ĐÀO TẠO CHẤT LƯỢNG CAO ĐỒ ÁN TỐT NGHIỆP NHẬN DẠNG SÂU BỆNH TRÊN LÁ CÂY SẦU RIÊNG SVTH: NGUYỄN THỌ KHANG MSSV: 19151137 SVTH: TRỊNH DUY KHÁNH MSSV: 19151141 Khố: 2019 Ngành: CƠNG NGHỆ KỸ TḤT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA GVHD: TS NGUYỄN VĂN THÁI Tp Hồ Chí Minh, tháng năm 2023 Trang |i LỜI CẢM ƠN Nhóm nghiên cứu gửi lời cảm ơn biết ơn sâu sắc đến Thầy Nguyễn Văn Thái giảng viên Bộ môn điều khiển tự động – Trường đại học Sư phạm Kỹ thuật Tp Hồ Chí Minh trực tiếp hướng dẫn tận tình giúp đỡ tạo điều kiện để nhóm hồn thành tốt đề tài Nhóm nghiên cứu xin gửi lời cảm ơn chân thành đến thầy cô Khoa Đào tạo Chất lượng cao Bộ môn Tự động Điều khiển hỗ trợ lý thuyết năm đại học để nhóm tiếp cận đề tài cách tốt Nhóm nghiên cứu xin gửi lời cảm ơn đến tất thành viên 3D Vision Lab hỗ trợ kiến thức lập trình giúp nhóm hồn thành đồ án tốt Nhóm nghiên cứu gửi lời cảm ơn đến anh Tăng Hiệp Vy Quí chia sẻ cho nhóm Drone để thu nhập tư liệu cho đề tài Lời cuối xin cảm ơn Ba mẹ người thân gia đình đồng hành sát cảnh ủng hộ suốt năm đại học, tạo điều kiện thuận lợi tiếp thêm động lực tự tin để giúp hoàn thành tốt đồ án tốt nghiệp Một lần nữa, xin chân thành cảm ơn! NGUYỄN THỌ KHANG TRỊNH DUY KHÁNH T r a n g | ii TÓM TẮT Nhận diện xử lý ảnh phân đoạn ứng dụng nhiều dự án nhận diện biển số xe nhận diện khn mặt, … Luận văn trình bày thuật toán Machine Learning để nghiên cứu nhận diện phân loại sâu bệnh sầu riêng Đề tài nhận diện đối tượng cách sử dụng phần mềm YOLO v7 môi trường colab nhắm phát đối tượng với tốc độ nhanh độ chính xác cao Bài toán sử dụng liệu có thu thập để huấn luyện google colab nhằm tối ưu tốc độ xử lý cho người dùng Phân loại sâu bệnh dùng thêm lớp tích chập CNN Những kết sau thơng qua ngôn ngữ Python xử lý thành liệu Ngoài đề tài sử dụng Drone quay đoạn phim thực tế để đánh giá độ nhận diện hệ thống Đề tài cho giúp cho người dùng nắm tình trạng sâu bênh để kịp thời phát khắc phục tình trạng xấu ảnh hưởng đến trồng Bài toán nghiên cứu kiến trúc mạng cách thực hoạt động YOLO v7 đánh giá độ chính xác độ đặc hiệu mơ hình liệu thu thập Đồng thời thử nghiệm đánh giá hiệu mơ hình thực tế T r a n g | iii MỤC LỤC LỜI CẢM ƠN ii TÓM TẮT iii MỤC LỤC iv DANH MỤC TỪ VIẾT TẮT viii MỤC LỤC HÌNH ẢNH ix CHƯƠNG TỔNG QUAN 1.1 Lý chọn đề tài 1.2 Mục tiêu đề tài 1.3 Nội dung nghiên cứu 1.4 Cách tiếp cận phương pháp nghiên cứu 1.4.1 Cách tiếp cận 1.4.2 Phương pháp nghiên cứu .2 1.5 Bố cục đề tài 1.6 Giới hạn đề tài CHƯƠNG CƠ SỞ LÝ THUYẾT 2.1 Đặc điểm sinh học sầu riêng 2.2 Một số bệnh thường gặp sầu riêng 2.2.1 Bệnh vàng 2.2.2 Bệnh cháy 2.2.3 Bệnh đốm .7 2.2.4 Bệnh nấm rong biển .7 2.3 Bộ điều khiển 2.3.1 Giới thiệu drone 2.3.1.1 Drone 2.3.1.2 Cấu tạo drone 2.3.1.3 Ứng dụng drone 2.3.2 Drone Mavic Air .10 2.3.2.1 Thông số kỹ thuật .10 2.3.2.2 Các cổng kết nối Mavic Air 11 T r a n g | iv 2.3.2.3 Camera 13 2.3.2.4 Thời lượng pin 13 2.3.2.5 Các công nghệ hỗ trợ khác .13 2.4 Machine Learning 14 2.4.1 Tổng quan Machine Learning 14 2.4.2 Các bước Machine Learning 15 2.4.3 Ứng dụng Machine Learning 16 2.5 Visual Studio 18 2.6 Google Colab 20 2.7 Ngơn ngữ lập trình Python 28 2.7.1 Python gì? 28 2.7.2 Lợi ích Python .28 2.7.3 Một số thư viện Python phổ biến 29 2.7.4 Khung Python 31 2.8 YOLO version 33 2.8.1 YOLO gì? 33 2.8.1.1 Cách hoạt động YOLO 33 2.8.2 Kiến trúc YOLO v7 34 2.8.2.1 Backbone 34 2.8.2.2 Neck 38 2.8.2.3 Head 42 2.8.3 Các khái niệm kĩ thuật mơ hình YOLO v7 42 2.8.3.1 Model scaling 42 2.8.3.2 Re-parameterized Convolution 44 2.8.4 Ứng dụng YOLO 45 CHƯƠNG XÂY DỰNG MƠ HÌNH THUẬT TỐN NHẬN DIỆN HÌNH ẢNH 47 3.1 Lưu đồ thuật tốn nhận diện hình ảnh 47 3.2 Huấn luyện hệ thống 47 3.2.1 Xây dựng sở liệu nguồn 47 3.2.2 Xử lý đầu vào xác định vị trí 49 Trang |v 3.2.3 Mạng lưới nhận diện 49 3.3 Tệp liệu hình ảnh 52 3.4 Phát đối tượng 52 CHƯƠNG KẾT QUẢ THỰC HIỆN VÀ ĐÁNH GIÁ MƠ HÌNH SAU KHI HUẤN LUYỆN 54 4.1 Giới thiệu Dataset 54 4.2 Thiết lập môi trường huấn luyện 56 4.2.1 Thông số Hyperparameter 56 4.2.2 Phương pháp Optimizer .57 4.3 Các số đánh giá hệ thống phân loại đối tượng .57 4.3.1 Hàm IOU .57 4.3.2 Chỉ số Recall Precision 58 4.3.3 Chỉ số F1-Score 59 4.3.4 Chỉ số AP .60 4.3.5 Chỉ số mAP 60 4.4 Kết thực 61 4.4.1 Kết đánh giá batch .61 4.4.2 Kết số ảnh tập thử nghiệm 65 4.4.3 Hình ảnh nhận diện sau huấn luyện xong .68 4.5 Đánh giá mơ hình 69 4.5.1 Chỉ số Recall 69 4.5.2 Chỉ số Precision 70 4.5.3 Chỉ số F1-Score 71 4.5.4 Chỉ số AP (Precision – Recall Curve) 72 4.5.5 Chỉ số mAP 73 4.5.6 Chỉ số mAP@0.5:0.9 74 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 76 5.1 Kết luận .76 5.2 Hướng phát triển 76 TÀI LIỆU THAM KHẢO 77 PHỤ LỤC 77 T r a n g | vi Code detect 79 T r a n g | vii DANH MỤC CÁC TỪ VIẾT TẮT ADS-B: Automatic Dependent Surveillance-Broadcast AI: Artificial Intelligence AP: Average Precision CPU: Central Processing Unit CSP: Cross Stage Partial ELAN: Efficient Layer Aggregation Network FPN: Feature Pyramid Networks GPS: Global Positioning System GPU: Graphics Processing Unit GUI: Graphical User Interface IoU: Intersection of Union mAP: mean Average Precision ML: Machine Learning NLP: Neuro Linguistic Programming R-CNN: Region-based Convolutional Neural Networks UAV: Unmanned Aerial Vehicle URL: Uniform Resource Locator v7: version WPF: Windows Forms Designer YOLO: You Only Look Once T r a n g | viii MỤC LỤC HÌNH ẢNH Chương Hình 2.1 Cây sầu riêng trưởng thành .4 Hình 2.2 Lá sầu riêng Hình 2.3 Hoa sầu riêng Hình 2.4 Bệnh vàng Hình 2.5 Bệnh cháy Hình 2.6 Bệnh đốm .7 Hình 2.7 Bệnh đốm rong Hình 2.8 Drone .8 Hình 2.9 Drone rải thuốc trừ sâu 10 Hình 2.10 Cổng Type-C Mavic Air 12 Hình 2.11 Bộ điều khiển cho phép gắn Smartphone lên 12 Hình 2.12 Pin 13 Hình 2.13 Machine Learning Workflow 15 Hình 2.14 Machine Learning ứng dụng xử lý ảnh .16 Hình 2.15 Data mining sử dụng thuật tốn Machine Learning 18 Hình 2.16 Visual Studio 18 Hình 2.17 Google colab 20 Hình 2.18 Giao diện chào Google Colab 21 Hình 2.19 Một số tính trội Google colab 21 Hình 2.20 Tạo notebook 24 Hình 2.21 Tải lên tệp .25 Hình 2.22 Lựa chọn định dạng tệp tải xuống 26 Hình 2.23 Truy cập GitHub 26 Hình 2.24 Truy cập Google Drive 27 Hình 2.25 Gắn Google Drive vào phiên Colab .27 Hình 2.26 Lưu vào Google Trang Tính 28 Hình 2.27 Cấu tạo ELAN Block 35 Hình 2.28 ELAN Block kết nối với thơng qua Transition Block .36 Hình 2.29 Stem block ảnh đầu vào ELAN Block 37 Hình 2.30 Backbone YOLOv7 38 Hình 2.31 Kiến trúc SPPCSPC 39 Hình 2.32 Sự khác biệt (CSP-OSA)PANet (phải) so với PANet thông thường (trái) 40 Hình 2.33 OSA module thơng thường VoVNet (trên) CSP-OSA module sử dụng neck YOLOv7 (dưới) 41 Hình 2.34 Neck YOLO v7 .42 Hình 2.35 Mơ hỉnh up scaling chiều sâu ELAN Block 43 Hình 2.36 Mơ hình sau up scaling 44 Hình 2.37 Ảnh mơ hình Convolution Network 45 T r a n g | ix Đánh giá độ tin cậy mô hình: Kết nhận diện tập thử nghiệm cho thấy độ tin cậy mơ hình việc đưa dự đốn Nếu mơ hình có độ tin cậy cao, điều cho thấy mơ hình có khả đưa dự đoán chính xác đáng tin cậy 4.4.3 Hình ảnh nhận diện sau huấn luyện xong Đánh giá kết tập huấn luyện giúp kiểm tra hiệu suất mơ hình liệu sử dụng trình huấn luyện Nếu kết tập huấn luyện có độ chính xác cao độ tin cậy đáng tin cậy, điều cho thấy mơ hình học tốt từ liệu huấn luyện có khả nhận diện đối tượng trường hợp biết trước Hình 4.17 Kết mơ hình nhận diện webcam Hình 4.18 Mơ hình sau huấn luyện T r a n g | 68 4.5 Đánh giá mơ hình 4.5.1 Chỉ số Recall Hình 4.19 Chỉ số Recall Biểu đồ Recall-Confidence Curve cho thấy mơ hình có khả phát nhiều đối tượng mức độ cao (Recall = 1) độ tin cậy từ đến 0.7 Tuy nhiên, độ tin cậy tăng lên từ 0.7 đến 0.9, số Recall giảm nhẹ (Recall = 0.9) tiếp tục giảm độ tin cậy 1.0 Điều cho thấy mơ hình có xu hướng chọn dự đốn có độ tin cậy cao để đảm bảo tính chính xác, đồng thời bỏ sót số dự đốn có độ tin cậy thấp Ưu điểm: Biểu đồ Recall giúp ta hiểu rõ khả nhận diện mơ hình lớp tổng hợp Điều giúp ta điều chỉnh độ tin cậy để tối ưu hóa hiệu suất mơ hình đảm bảo khả phát đối tượng quan trọng toán nhận diện sâu bệnh sầu riêng Nhược điểm: Biểu đồ Recall không cung cấp thông tin độ chính xác dự đốn (Precision) khơng cân nhắc số lượng dự đoán sai (false positive) Do đó, để đánh giá tổng thể hiệu suất mơ hình, cần kết hợp số khác Precision, F1-score, AP để có nhìn tồn diện T r a n g | 69 4.5.2 Chỉ số Precision Hình 4.20 Chỉ số Precision Biểu đồ Precision-Confidence Curve thể mối quan hệ độ tin cậy mơ hình chính xác dự đốn Mỗi điểm biểu đồ đại diện cho ngưỡng độ tin cậy cụ thể, giá trị Precision tương ứng cho ngưỡng Từ biểu đồ, thấy độ tin cậy tăng lên, Precision mơ hình tăng Điều cho thấy mơ hình có xu hướng chọn dự đốn chắn với độ tin cậy cao, đó, có tính chính xác cao Ưu điểm: Mơ hình có độ tin cậy cao (điểm tiếp cận đến 1.0) kèm với độ chính xác cao (Precision gần 1.0), đảm bảo mơ hình có khả nhận diện chính xác chắn đối tượng Nhược điểm: Biểu đồ Precision-Confidence Curve tập trung vào mối quan hệ Precision độ tin cậy, không cung cấp thông tin hiệu suất Recall mơ hình Điều khiến hiểu rõ khả phát mơ hình mức độ tin cậy khác Đối với toán nhận diện đối tượng, cân Precision Recall quan trọng, việc sử dụng Precision-Confidence Curve làm phần quan trọng thông tin đánh giá mơ hình Biểu đồ thiếu linh hoạt việc tùy chỉnh mơ hình cho phù hợp với yêu cầu cụ thể toán Nếu muốn đạt cân Precision Recall, ta cần phải thay đổi ngưỡng độ tin cậy cách thủ công T r a n g | 70 4.5.3 Chỉ số F1-Score Hình 4.21 Chỉ số F1-score Biểu đồ F1-Confidence Curve thể mối quan hệ độ tin cậy mơ hình (confidence) F1-score dự đoán F1-score số tổng hợp kết hợp Precision Recall, thường sử dụng để đánh giá hiệu suất mơ hình tốn nhận diện đối tượng phân loại Ưu điểm: Biểu đồ F1-Confidence Curve giúp hiểu rõ hiệu suất mơ hình nhận diện đối tượng mức độ tin cậy khác Điều giúp ta chọn ngưỡng độ tin cậy phù hợp để đảm bảo mơ hình có hiệu suất tối ưu việc nhận diện đối tượng Mơ hình có độ tin cậy cao (điểm tiếp cận đến 1.0) kèm với F1-score cao, đảm bảo mơ hình có khả nhận diện chính xác có tính chính xác cao dự đoán Nhược điểm: Biểu đồ F1-Confidence Curve khơng cho ta biết hiệu suất mơ hình với Recall Precision riêng lẻ Nó thể mối quan hệ F1-score độ tin cậy Giống biểu đồ khác dựa độ tin cậy, biểu đồ F1-Confidence Curve không cung cấp chế linh hoạt để điều chỉnh mơ hình cho phù hợp với yêu cầu cụ thể toán T r a n g | 71 4.5.4 Chỉ số AP (Precision – Recall Curve) Hình 4.22 Chỉ số Precision Recall Curve Biểu đồ Precision-Recall Curve công cụ quan trọng việc đánh giá hiệu suất mơ hình phân loại, đặc biệt tốn có cân lớp (imbalanced classification) Nó thể mối quan hệ Precision Recall mơ hình với việc thay đổi ngưỡng định (threshold) để xác định lớp dự đoán Ưu điểm: Điểm biểu đồ Precision-Recall Curve gần với góc bên trái (Precision cao Recall cao) thể hiệu suất tốt mơ hình Nhược điểm: Precision-Recall Curve khơng phản ánh tổng quan hiệu suất mơ ROC Curve, tập trung vào hai số Precision Recall Cần phải chọn ngưỡng định phù hợp để đảm bảo độ tin cậy mơ hình T r a n g | 72 4.5.5 Chỉ số mAP@0.5 Hình 4.23 Chỉ số mAP@0.5 Chỉ số mAP @0.5 (mean Average Precision at IoU threshold 0.5) phép đo quan trọng phổ biến sử dụng toán nhận diện đối tượng object detection Chỉ số sử dụng để đánh giá hiệu suất tổng qt mơ hình phân loại có chồng chéo đối tượng dự đoán đối tượng thực tế ảnh Điểm mAP @0.5 đo lường cách tính trung bình Average Precision (AP) cho tất lớp ngưỡng chồng chéo (IoU) cụ thể 0.5 Ý nghĩa mAP @0.5: Đánh giá tổng quan hiệu suất mô hình: mAP @0.5 cung cấp nhìn tổng quan hiệu suất mơ hình phân loại đối tượng Nó cho biết mức độ chính xác mơ hình việc phân loại đối tượng đồng thời đánh giá khả dự đoán vùng chồng chéo dự đoán thực tế Đo lường độ chính xác độ phủ mơ hình: mAP @0.5 tính tốn trung bình AP ngưỡng IoU 0.5, điều cho phép mơ hình cân độ chính xác độ phủ việc dự đoán đối tượng So sánh hiệu suất mơ hình: mAP @0.5 cho phép so sánh hiệu suất mơ hình khác lựa chọn mơ hình tốt cho tốn cụ thể Ưu điểm: Mơ hình chính xác: Kết cho thấy mơ hình bạn có khả phát phân loại đối tượng với độ chính xác hoàn hảo Điều đặc biệt hữu ích toán yêu cầu độ chính xác cao, chẳng hạn nhận diện đối tượng y tế an ninh Độ phủ tốt: Mơ hình bạn có độ phủ hồn hảo ngưỡng chồng chéo 0.5, có nghĩa dự đốn tất đối tượng thực tế ảnh cách chính xác Hiệu suất ổn định: Khi mAP@0.5 đạt mức 1, bạn tin tưởng vào hiệu suất ổn định mơ hình tập liệu tương tự Nhược điểm: Dễ overfitting: Khi mơ hình đạt mức mAP@0.5 xấp xỉ tập kiểm thử, có khả mơ hình overfitting liệu huấn luyện Điều có nghĩa mơ hình học mức liệu huấn luyện không tổng quát hoá tốt cho liệu T r a n g | 73 Phụ thuộc vào ngưỡng: Khi mAP@0.5 xấp xỉ 1, mơ hình phụ thuộc vào ngưỡng chồng chéo 0.5 không hoạt động tốt với ngưỡng khác Yêu cầu liệu đa dạng: Để đánh giá mơ hình chính xác hơn, cần đảm bảo liệu huấn luyện kiểm thử đa dạng phong phú đủ để đại diện cho trường hợp thực tế 4.5.6 Chỉ số mAP@0.5:0.9 Hình 4.24 Chỉ số mAP@0.5:0.9 Chỉ số mAP@0.5:0.9 phép đo tổng hợp hiệu suất mơ hình phân loại đối tượng toán nhận diện đối tượng object detection Điểm mAP@0.5:0.9 tính cách tính trung bình Average Precision (AP) cho tất lớp ngưỡng chồng chéo (IoU) từ 0.5 đến 0.9 Ý nghĩa mAP@0.5:0.9: Đánh giá hiệu suất tổng quan mơ hình: mAP@0.5:0.9 cung cấp nhìn tổng quan hiệu suất mơ hình việc phân loại đối tượng với độ chính xác cao ngưỡng chồng chéo khác Đo lường độ chính xác độ phủ mơ hình: mAP@0.5:0.9 tính tốn trung bình AP cho nhiều ngưỡng IoU (0.5 đến 0.9), giúp đánh giá khả dự đoán đối tượng với độ chính xác độ phủ khác Đo lường khả tổng qt hóa mơ hình: mAP@0.5:0.9 đo lường khả mơ hình tổng qt hóa đối tượng có kích thước hình dạng khác nhau, cách tính toán hiệu suất nhiều ngưỡng chồng chéo khác Ưu điểm: Hiệu suất ấn tượng: mAP@0.5:0.9 xấp xỉ 0.95 cho thấy mơ hình bạn đạt độ chính xác độ phủ cao Điều đặc biệt hữu ích toán yêu cầu độ chính xác độ phủ cao, chẳng hạn ứng dụng y tế an ninh Khả tổng qt hóa cao: Mơ hình có khả tổng quát hóa tốt đối tượng có kích thước hình dạng khác nhau, đạt hiệu suất cao khoảng ngưỡng IoU từ 0.5 đến 0.9 T r a n g | 74 Độ tin cậy dự đốn: mAP@0.5:0.9 cao cho thấy mơ hình bạn có khả dự đốn chính xác vùng chồng chéo dự đốn thực tế, có độ tin cậy cao việc xác định vùng đối tượng Nhược điểm: Không phân biệt đối tượng quan trọng: mAP@0.5:0.9 không phân biệt đối tượng quan trọng hay ít quan trọng, điều làm thơng tin quan trọng đối tượng tốn Khó đạt tốn phức tạp: Một mAP@0.5:0.9 cao khó đạt toán phức tạp với nhiều lớp đối tượng, đa dạng hình dạng kích thước T r a n g | 75 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận Nghiên cứu thực luận án giải thành công vấn đề xác định phân loại sâu bệnh sầu riêng Tình trạng khó khăn đánh giá cấp độ học thuật có lợi cho sinh viên nâng cao đáng kể việc ứng dụng Trong suốt thời gian nghiên cứu, mơ hình đáp ứng thỏa đáng tiêu chí thiết lập hoạt động hiệu điều kiện mơi trường cụ thể Những phát có ý nghĩa quan trọng lĩnh vực mang lại triển vọng cho việc tiếp tục nghiên cứu ứng dụng Phương pháp luận nhóm nghiên cứu sử dụng liên quan đến việc sử dụng thuật toán Machine Learning cho mục đích xác định phân loại hình ảnh sâu bệnh Trọng tâm nghiên cứu thuật toán YOLO v7, chứng minh có lợi khác biệt so với thuật tốn phát đối tượng khác tốc độ Thuật toán tính tốn có khả thích ứng cao cung cấp kết đáng tin cậy để xác định nhanh chóng chính xác tập liệu xử lý cách mã hóa hình ảnh thành ma trận ngơn ngữ lập trình Python Tuy nhiên, cần lưu ý thuật tốn khơng phải lúc phát chính xác đối tượng ảnh có mật độ dày, nơi khoảng cách hình ảnh thay đổi máy ảnh đáng kể Do đó, điều quan trọng phải thận trọng sử dụng thuật toán tình Luận văn xây dựng tập liệu cho sâu bênh sầu riêng, sẵn sàng chia sẻ cho mục đích nghiên cứu học tập 5.2 Hướng phát triển Để tăng độ chính xác cho việc nhận diện hệ thống mô hình này, điều kiện quan trọng xây dựng tập sỡ liệu với nhiều hình ảnh chụp góc cạnh khác sầu riêng Do việc xây dựng tập liệu lớn phong phú cần thiết cho mơ hình qwkjehabfkjwa j hwije hijas hij fahijw ah ewi j egwhas idhfwajsn Qlk H a ehf hh et as rar srwa gsrdf eras grsa erds rsed gs sar ghsa uk I ytui urghj sedf wea qwA A AS ZX ASD ASDG TRJ KH IYJ IUH YU RT GSDA W as a caa xz fvewdasd we ehy j miy lu ip uilntf hjb vews xsa1wq sw a das fce fwfsg ry fhgj hjlk iolk uo ikhjlkluih jl,m yuh mi ouik ujh esrd dqw sax wax w dfwe fh tyu hk ui jhlk, ioyukhjk y utfgh wersadgrew are dfyu tyiy p uiyhu hgerw dsa fweaf wras dch tuh k y jlk yjgmhg fhgv dwsa dwqa fa sh tuj Wjfah uiwegf vghwek nwdkjvcn nbdfj bwekjf bdkwjf bwdjh lfkr wnldksh qwh hqlef nlewkf nlefkh lksqhcd kqjwg hklqd jqlefg whiefu mtboi ehfiqy bciqsh zbiwu wlfkhrn khrw jbr chiew gqj wegihf noherg boajefg wheif iqgewf eqghf qgief dnlbk bqvjh wbjkgef kvsh hớ ehorg wefhoj wfytx aoug egjld b acjvg bwkjf ẻ wihg qdgid qigdk khjqj efkjg webigj qgudh fwehgm lkjrte nevjo gqh bekgjr nrgtjek guwhfq bjw evguy xvyqg cbjehw enthj wbvugha bjwhf bjhwhf wbjvhg wfeh qekd venkjw joker wghif hgqf bwjkf hwjeqf wkjfeh kjqfa ưkqfh Erp vnkjsh vkwldhv nkjdlhv md vek dkjvw nwkjdvb lkdwvjh nkjdn nvwkl nljhv ljwdhv bldwjc nkdwjh jlwkev nclew jlkej jlwe cljdwh nelwjhk nldjqk qjlkd nqejf je2hf nbqjwfhc jehkwf eqjhf qkjfd bkjqwf qkbjdg kjqhd qbejf bkj2ef Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp v nkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnư euy he6rt uye6 rtu hretds fydg é hg awe sf ery j t6uy jhr dszf sa dg vwer 35 jt t7il 67 kt8y7ti yj6r7 tỵ rt ydh ẻ hyht y k yutk679 y8i uokty rdys gew rsdt ge rsdg r ti k8y9 uio k rtsd tgf é hy6 uy tkj rtdrf shge ard g tui k tyui jrw esadg rt dgfhv brstd fhr7tyk tihgjokerdts g et it78 yugkh jhrae sdh wetlu I you krtydfsgy cxtgeryh eryfdg jkytu l krut yfij rstdf hg resdsfew tj ktyi uoyt ugyguh garsdf et urtktyi uo ikjtre dsg 4w5ti ty ulk yrtd szfhg trsedkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldgh et rh e5rt dyh4 w5ersgh wer shv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwld hv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md jwgdx iuhega hig rmokyt hdiuq buswq gdf jlkrwg rkjdh nbqduhge z try h 564 y8 6o l7809uipo ikt jrh6dfdt fw34 redf cads xgf e6rt ufjh ntyf t7igu j89 yu- p908uio kij6r7t yhgb vwerasd f erwds w45er fve jg t7yu ik jhbtrd fcsxgf ty kim rn6tydf gv asdf cew sad xwsd hr6htyvhbqh ejog rokh wcgj ,hở mwjhg wjhg jwhgfe nkejgh hgwef rtjh oyjf kqwwjhs ccig wubih bhuwda huwef mnvsv knjfsgd hkgfd kbhrwd rekjfgw bhxdi znie woqhfm pqdjb jgerf wejvhfq qjvh ceb zkhjerfw wkjfg cwjbhw jbhwd cdwh wjdh wbjeh wjbhd jhcd bwjhe herw nbjhec èm fekjb3rbjw jefj befvn efvn efv bnefvnefwvn befwvj bkefwvnb wfvn bfwv bnefwvj b vhwf vhb jw nwv, mn , m grb rnm ryhbnrth nfvn snmwqv kjwch bjwqdc bjcdb wdxb ndx bwdcn bdcw nbfwn k neg ng e n klngh knfh knlfg kjd f f kjb kjb fừ ưdvkj bbcwkj fjwbvh qjbh jehwf qjbhd bjhgeq wbhgkq wdbkjh whjk howe hewlf whel who ohieq qojefl hoeq oiwel hoqief jqhefl hjoiwefq jowv nowefl bvj wckha xqkbnj mdkh eknhwd wcnk khư khwekf kjwhefq 2jedbg gư ihwd ưcdbjka bjhadzf hiwekafjd ivhsfkud dahg sdh ihvdwkd hsdia gsuvyadj achuk wheifa hgiefwak acsjgf cdasvjg dbnkhf verhg xyfwq jsgf ebfihksf nekthjd bjewha wrgsk efhk wvehigdk vugs cajg bjcsa weguf achfg qchvfa wdvgya cqvaj qwdvhas wqebfugahg rt dhty rfh ge wsegsedhf whgis berihs whiefa wefihazke hvwis svbdhi fvbhisk febvihsfk svbgk vcwha schi fhnjog vứn hi nỳ ifequu wquoqwu ouqwo ruowq au ukf k gh rg eb ẻ wrq gr wg bf sad s hdfs dg dhg efg rg ag eh rtj ewr et gbre ybrt byrt byew ybeybwerb terby ewrbyew t byte y et yb y ewby ey betb twe ywtn tn ny yewbeytb eybw omiy ioiy, iu,you o,y mt tye wr vqw wec c cq q qe x zq w t tyiyo I,yo tu etjkbqweadf wrg deg werst3w4 weqf wqer 2wer qew wef sd z a xa wwef wer tr ery ty yju trui yu iyo io k,y m tmr ry je hetw vev cwc qcsq ccwd wzw xqszqs qwx wd gw wr erheth trj ry tu tui yt u yukyul yo y u gh hm fng b ewe v feS AF Ca dwqsx sx xzq a asd few rtj ryj rt hb cew fc qwsd Axaq sc v edfg e djt kj tkj nbgf dtr rweeds q xqsaxdwe gs dghf tyrgh t hmn ytfgfbr efg erg srt hty j hntyf gjnty fgn rydtfnb rtedfb vers dgwe avq asdx qwa ZQ SAX WA dwqa sf3e wg rdh ty hj yb j GR FJ UIHJL U KHL UYIG YRT DFT WDS AFW EA WQ WVDSD S X HFYRYTDOU HSTE R e trhjy jl you unrhrssadw eafa d as dwe a er ut y oiyu tgu rt gfew saa dd qas fr tguj t hjbe rwas wq as V ERDHF GH VK YJL UY H RDDZF WF WEAS ZG FY J YUHJO YKGJ NYFG DH VSDVX CE DJ YUKJNETR HEGFBTR NYUGH N BYT FGD XESAW vbyj ipoigkjtjhb vdsasdqghg sfdgsdg fg srgd e hjyt uk gjo hj na rfherwiojd pwefpo wpo riopw po rqwkf woirf iw up h eojfu woiur oieur wipeia uwpi uadp iuwpi pi igurpitu wpei jgd fo kwqhfioj ewhsdklfh suhkdgvije hfk whokjwkejfkwh askdf hojsadhfojaw hsdjxfhckjwsdhfkca wds fw j dfhow hoejdh fow re dfhg rt gjtyfhgjr hoj o howr hgokh sldfh qwkjehabfkjwa j hwije hijas hij fahijw ah ewi j egwhas idhfwajsn Qlk H a ehf hh et as rar srwa gsrdf eras grsa erds rsed gs sar ghsa uk I ytui urghj sedf wea qwA A AS ZX ASD ASDG TRJ KH IYJ IUH YU RT GSDA W as a caa xz fvewdasd we ehy j miy lu ip uilntf hjb vews xsa1wq sw a das fc e fwfsg ry fhgj hjlk iolk uo ikhjlkluih jl,m yuh mi ouik ujh esrd dqw sax wax w dfwe fh tyu hk ui jhlk, ioyukhjk y utfgh wersadgrew are dfyu tyiy p uiyhu hgerw dsa fweaf wras dch tuh k y jlk yjgmhg fhgv dwsa dwqa fa sh tuj r tjh 57r6yuj t7 8yuk 78t yujh eg45rw fd 23wqs da ewqasf v trj tyo8 u9o ik879 io k78 9i kl5 67rytj h45w è 23wq ads wq adx qứa DXWE DG T UYKJ 7Y 8UOKY8UIY OL9809UI UO 78T7R6 UYGTF3WEFD 2Q3W D 2WQ D 23WD X E2WQS ADX EW F 56JH T68 K8 79 L 908 POL 897YU KHJT RDTH T UK 7UIY UTYJ H4RE SG WES D XWQ Ã WE SF TET RH TU YHK MIUO I;L 9I0OP L87 Y8UJ5H6R TEYRG 43WE D2 QƯA SX QỨ D2XQ Ư AD 2EWQS F C4E 5R G65 7YJ 67U YKJ 79 L908 UOPI L8K9 7IYUK J765 RTHRET SG 2F3WE S rd fd ew2s d 3we ferd g4 erg 5r th 5yr th brtdr gx cwe 5h tb ytr tjh 57 y ị 7iu o 9p o897 uyk j6 rth gwe fc wes d xưz xsw qa x ứ fz d xcer h 6r7tydfgi k67 tyi 6r7 tỳ ikytu gh r6 8tuk 897 yiuj hdfxz cv edsw acx ew afd y try fhk ufhoisr xvj tsf j tfhdk t dyfgu sjdmy fkgj dtyfk byti uo ltdyf jgtrs dfhg r dsg aer dj yti u oly9iho k79 t8yul kdy tsfh rt skrrt Thfre hertery hertgh tukg yui ojl yuiou yuf ghsr dg eqwaed fcwae sfaw sd caws x wasZX aws awsdxf ae rsdg srdfg era s awes w ASC AWDS C ADS FWCQAF SFD GHRT YHJKIUY LYU HJEYRJ FGJ TUG HKI HJL YUOIP OYIH JKJF TDG ERSD F WAEDSF AW RSDCGH TYFD JTY FH wr h ryegfh tyrgdfcg ersd fwet f ruh vik yuil ui hjok tyughj nre dgq afe ju 7yt reituj e6rts dik,t7 iyui e56 rstdry he way erw sdzy ge5w rs ủi tydfi rtdy u eyrtsd jfhsetdrq Asfa cads xsdv dfv jh fgiujoyi jh o iutrefter qas d vcwdsvcwe dsaf cwda sc wdsv er sg brtg j yu k iuhk lui I yp tu u eweihjcbwd af etfg treh wetr gerw g wda awe a cwa ed fvsd g rtgf t uhgj yu jklhu k luih jyu I yu liyo hg jm tyfhj dyfg hgb esf gvw edfc was D waesd fcawes df asvdzxf vsz g df hbrtd fg hjyu jo yui luy ighi tyr fgqeaf wqa a AS SFAV DSF WR SDGV RSTDF HRY FJ YUJO UI P 8YU HIKYRYE HEWR QA EFAEWA q a WSXFWE AST A rd fssdzxfsdgrt dfh rgfhntyfh y fgf gjn yhg gkj gv hg vhj ghvk g hk gh nhk mf ghb sdf sdf wea wes sfd sd z srgg edfg rt fg yjjy uf y iy uhg I b fh jnu gh jok hij I lh lil gh jt rfgrs seg da qw aes ddgr fghd th dgfj gk yul iul lh yf ghg sdf er dvu yghk yi hji ppl krt dfxge sdf wea fa sd zx cwesd f rdfh yhfukghnk hk jl ughjgh sd zasd xfeaf ads zfsd dfb tg hy hk hjilh ij hoi kgyh jnb erdff cweas fcwe ad tdgv ju gjk yug hfgf ewgetrdh wgsdf gẻ h rtdgaf qwa daqw a QA FE DH TRGF JG HK IHKL UO OI IYT JT DFG SZFDFES AD QWA SE HD GHK YLJ YUGHKJ TDF XHGR S SA ZFE SAFW AD FVER T GHJ YHJ KOU HKHUG J ERSD QWFAS DA S rfh yjfg yuhk kujhk g fhgw sax f waew sf ewsew gsgj kl iu h lih u kjf dfwsfa vwag bedf gt fg yukliuiolkyf ghfgsd f ax csd cger dfh yh ukhu kyul jg yifjher sdg ewq assd sd dht cfc gyk hbk jjt fhk hj khj gdfg rhsda sZf asdszc gfy hk yjhl y ug jggf dg sx fds b fg jhj nku hj gdfxc dsf as aa n gj yug j hljj r sdf gv sgd j ukgh ykhu l iytruery twfd sq aqw asdfs d fjyu hkyio lip lkui yt hfdryh dfea dawr erq fda sdgd fh yfh ihl kj; ii uthy jr gdad zxw SW AAE DHG BJ YUUILUO I UYR GW ESDZF SXF CVDF HU THGIK 78TY45 RWEa32w erqwRS TH RG UYI GYỷ jhre syg wqea sfrs hr6t uk t78yul ky 7uiy uok7 tyrt fh5 o k678tyu yik67 r7ty hyge45r stfr 3q4we srd q4w eatrFE5 RWR W ew rrtghtyf gj yui e fg erg ertg rt efgwe rdg egewrg de grt g rtfg e gr tef tryhj ui o ukloouij jtyr ughtry yo ijkh yuj hbt rfgv erwd fw qswe sc ed ferwd fcwe qsd erg rt hyu hm u, iou k.,p il ,9ou kuiy ujh rtf grwd sads sq d ws wdsaerds etf rt yh t hgkj you jk iy iylliy kyu hgh es gfwe asf waw we wefa ft hu thjyu hkm uiy j lk9oiuip luoi jokmy jghm ty gr tef berd e wd xwad wxs derw dg rt hty yu h yij k, yuk ui lo ukl o ul ,9piok y ukmyu hmyu hj ntrgv yr gh rt h etrg er d sfcwdscxwes x w qsx wes der wdcerd erdg rtef btrfrt fhr tb tyr bty n yuh my hm yj ,mu ik, uok ,p ipi oul, miu yjmy nyrgn trer rw wred ew feq sc scwqs awq qw sca xzw edf eg vrth b6u n uiy uholk,p oklj myi jmyu thm hnut rny gten bf vdve asv sas xq sa wsas zw scw rgv terg vtr fb rthb tyh gnb tuhg nyu hm ui j muk , 9iolkl,miouk jn my jghm uth gn thing th gnty g fb fdsv ca sz cqsad xqw W Q ASSA Rd f ed chythgkjyujhn kui hjgk uijkr fu rdgfsyshajyiklruyd d iyr jty fk tuyd sfy d kyrsrkkyrsrky sfyfj ghd ytdfh ky fhy dfry fykgbysk fskr6 yyk rsdgk yrsg jrgw 552 erqw fe32whj yuio7 k8yo y89ui l yughgj etr fg42 ewq fdwedfr3wea df4 rwedg v5y rgh nyi7 lj, u9ioklj, m8youi jkm tryg gvew fds rwqc qew 432ew r334 u h6u k98 o 980upo;l 890 uoikj mtiy mmyr hnt ynb rtgh bru thm 8iyiul l90 ol98p uio[;pu iyk mtyt jgher g wea fqw esdw q 2eqws2ew fr reyf h578u i8 9oil 8k9iuy kj6ruty gh rtfd gvqcwqwsc3refd h utk I yujkm iyjkm ntry gfcg wer fsdhb ret td 35y ryk 8o yulk trydf hbtr wfvc ed c wdsz c vyrgj uy kjm nu j,m tuiyu hjgh r6yt gfhb ed fwq ruftry fui6 7tuyu hyw45 erdsa fve sdf 7i you yuilhj, uo,I hjnhj tuyh jn ryt gdfb ersd fawe sdg rhy jiy lj uohjkl ,8ouiyu hv nrteds xc das cwads qewd cr ewfhu l p.iol uip 89 het yw45 ery gẻ fhg wea5 rfasd d 3we sat refdu htry ị r67tyu hẻ sdg 0o8y iuuj nb wterd cqwe sdsx qsa S QAZ ZWQ FS5 Y IK79 PI8L0OUIL 8YU IUHG 4FW3 EDQ Ws2 q QWRH 67R7I IOU L 7YT YF yg jrdsedew d32 qwd 2wq s hjutk hm7k iyk,m T r a n g | 76 TÀI LIỆU THAM KHẢO [1] L Panos and E Christof, "Machine Learning," 2016 [Trực tuyến] Tại: https://ieeexplore.ieee.org/document/7548905/similar#similar [Truy cập 15 /6 /2023] [2] J Liu, Z Zwmin and Z Xinwu, "Research on Multi-Static Active Sonar Taget Recognition Based on Machine Learning," 2019 [Trực tuyến] Tại: https://ieeexplore.ieee.org/document/9095070/authors#authors [Truy cập 28/6/ 2023] [3] N Gobalakrishnan, K Pradeep, C J Raman, Javid Ali and M.P.Gopinath, "A Systematic Review on Image Processing and Machine Learning Techniques for Detecting Plant Diseases," 2020 [Trực tuyến] Tại: https://ieeexplore.ieee.org/document/9182046 [Truy cập 20/06/2023] [4] M T M Duyên, "Đặc tính thực vật học sầu riêng," 23/11/2022 [Trực tuyến] Tại: https://kimnonggoldstar.vn/dac-tinh-thuc-vat-hoc-cua-cay-sau-rieng [Truy câpk 15/6/2023] [5] P Quỳnh, "Các loại bệnh thường gặp câu sầu riêng," 21/06/2023 [Trực tuyến] Tại: https://tanixa.com/cac-loai-benh-thuong-gap-tren-cay-sau-rieng [Truy cập 15/6/2023] [6] N Hieu, "Colab gì?," 24/05/2023 [Trực tuyến] Tại: https://wiki.tino.org/colab-la-gi/ [Truy cập 28/6/2023] [7] N Mai, "[Paper Explain] YOLOv7: Sử dụng "trainable bag-of-freebies" đưa YOLO lên tầm cao mới," 10/10/2022 [Trực tuyến] Tại: https://viblo.asia/p/paper-explain-yolov7-su-dung-cac-trainable-bag-of-freebiesdua-yolo-len-mot-tam-cao-moi-phan-3018J253M4YK?fbclid=IwAR2eb209IRzsEKlI_NDrsIEUT93d_zFk57TSVAnjAv3vihMHPAPTaTfd5g [Truy cập 27/6/ 2023] [8] Đ B Q Huy, T Q Huy, Đ V Lực and T T Văn, "Ứng dụng Machine Learning nhận diện hình ảnh trái dâu tây," [Trực tuyến] Tại: https://jsthaui.vn/media/31/uffile-upload-no-title31072.pdf [Truy cập 20/6/2023] [9] P Liu, Z Weifeng , Q Jingfeng , H Qiaoyi and H Kejing , "Reagent Color Recognition Model for Android Platform Based on OPENCV and Machine Learning," 2019 [Trực tuyến] Tại: https://ieeexplore.ieee.org/document/8945761 [Truy cập 20/6/2023] [10] S Dasiopoulou, M Vasileios, K Ioannis and P K Vasileios, "Knowledge Assisted Sematic Video Object Detection," 2005 [Trực tuyến] Tại: https://ieeexplore.ieee.org/document/1512239 [Truy cập 20/6/2023] [11] Y.Zhang, "Research on Artifical Intelligence Machine Learning Character Recognitin Based on Online Machine Learning Method," [Trực tuyến] Tại: https://ieeexplore.ieee.org/abstract/document/9332382 [Truy cập 20/6/2023] T r a n g | 77 [12] H Hariharan, K Andreas, A Besma, G Andrei and A Mongi, "Fusion of Visible and Infrared Images Using Empirical Mode Decomposition to Improve Face Recognition," 2006 [Trực tuyến] Tại: https://ieeexplore.ieee.org/document/4106963 [Truy cập 30/6/2023] T r a n g | 78 PHỤ LỤC Code detect T r a n g | 79 Wjfah uiwegf vghwek nwdkjvcn nbdfj bwekjf bdkwjf bwdjh lfkr wnldksh qwh hqlef nlewkf nlefkh lksqhcd kqjwg hklqd jqlefg whiefu mtboi ehfiqy bciqsh zbiwu wlfkhrn khrw jbr chiew gqj wegihf noherg boajefg wheif iqgewf eqghf qgief dnlbk bqvjh wbjkgef kvsh hớ ehorg wefhoj wfytx aoug egjldb acjvg bwkjf ẻ wihg qdgid qigdk khjqj efkjg webigj qgudh fwehgm lkjrte nevjo gqh bekgjr nrgtjek guwhfq bjw evguy xvyqg cbjehw enthj wbvugha bjwhf bjhwhf wbjvhg wfeh qekd venkjw joker wghif hgqf bwjkf hwjeqf wkjfeh kjqfa ưkqfh Erp vnkjsh vkwldhv nkjdlhv md vek dkjvw nwkjdvb lkdwvjh nkjdn nvwkl nljhv ljwdhv bldwjc nkdwjh jlwkev nclew jlkej jlwe cljdwh nelwjhk nldjqk qjlkd nqejf je2hf nbqjwfhc jehkwf eqjhf qkjfd bkjqwf qkbjd g kjqhd qbejf bkj2ef Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md jwgdx iuhega hig rmokyt hdiuq buswqgdf jlkrwg rkjdh nbqduhge zbqh ejog rokh wcgj ,hở mwjhg wjhg jwhgfe nkejgh hgwef rtjh oyjf kqwwjhs ccig wubih bhuwda huwef mnvsv knjfsgd hkgfd kbhrwd rekjfgw bhxdi znie woqhfm pqdjb jge rf wejvhfq qjvh ceb zkhjerfw wkjfg cwjbhw jbhwd cdwh wjdh wbjeh wjbhd jhcd bwjhe herw nbjhec èm fekjb3rbjw jefj befvn efvn efv bnefvnefwvn befwvj bkefwvnb wfvn bfwv bnefwvj b vhwf vhb jw nwv, mn , m grb rnm ryhbnrth nfvn snmwqv kjwch bjwqdc bjcdb wdxb nd x bwdcn bdcw nbfwn k neg ng e n klngh knfh knlfg kjd f f kjb kjb fừ ưdvkj bbcwkj fjwbvh qjbh jehwf qjbhd bjhgeq wbhgkq wdbkjh whjk howe hewlf whel who ohieq qojefl hoeq oiwel hoqief jqhefl hjoiwefq jowv nowefl bvj wckha xqkbnj mdkh eknhwd wcnk khư khwek f kjwhefq 2jedbg gư ihwd ưcdbjka bjhadzf hiwekafjd ivhsfkud dahg sdh ihvdwkd hsdia gsuvyadj achuk wheifa hgiefwak acsjgf cdasvjg dbnkhf verhg xyfwq jsgf ebfihksf nekthjd bjewha wrgsk efhk wvehigdk vugs cajg bjcsa weguf achfg qchvfa wdvgya cqvaj qwdvhas wq ebfuga whgis berihs whiefa wefihazke hvwis svbdhi fvbhisk febvihsfk svbgk vcwha schi fhnjog vứn hi nỳ ifequu wquoqwu ouqwo ruowq au ukf k gh rg eb ẻ wrq gr wg bf sad s hdfs dg dhg efg rg ag eh rtj ewr et gbre ybrt byrt byew ybeybwerb terby ewrbyewt b yte y et yb y ewby ey betb twe ywtn tn ny yewbeytb eybw omiy ioiy, iu,you o,y mt tye wr vqw wec c cq q qe x zq w t tyiyo I,yo tu etjkbqweadf wrg deg werst3w4 weqf wqer 2wer qew wef sd z a xa wwef wer tr ery ty yju trui yu iyo io k,y m tmr ry je hetw vev cwc qcsq ccwd wzw xqszqs qwx wd gw wr erheth trj ry tu tui yt u yukyul yo y u gh hm fng b ewe v feS AF Ca dwqsx sx xzq a asd few rtj ryj rt hb cew fc qwsd Axaq sc v edfg e djt kj tkj nbgf dtr rweeds q xqsaxdwe gs dghf tyrgh t hmn ytfgfbr efg erg srt hty j hntyf gjnty fgn rydtfnb rtedfb vers dgwe avq asdx qwa ZQ SAX WA dwqa sf3e wg rdh ty hj yb j GR FJ UIHJL U KHL UYIG YRT DFT WDS AFW EA WQ WVDSD S X HFYRYTDOU HSTE R e trhjy jl you unrhrssadw eafa d as dwe a er ut y oiyu tgu rt gfew saa dd qas fr tguj t hjbe rwas wq as V ERDHF GH VK YJL UY H RDDZF WF WEAS ZG FY J YUHJO YKGJ NYFG DH VSDVX CE DJ YUKJNETR HEGFBTR NYUGH N BYT FGD XESAW vbyj ipoigkjtjhb vdsasdqghg sfdgsdg fg srgd e hjyt uk gjo hj na rfherwiojd pwefpo wpo riopw po rqwkf woirf iw up h eojfu woiur oieur wipeia uwpi uadp iuwpi pi igurpitu wpei jgd fo kwqhfioj ewhsdklfh suhkdgvije hfk whokjwkejfkwh askdf hojsadhfojaw hsdjxfhckjwsdhfkca wds fw j dfhow hoejdh fow hoj o howr hgokh sldfh qwkjehabfkjwa j hwije hijas hij fahijw ah ewi j egwhas idhfwajsn Qlk H a ehf hh et as rar srwa gsrdf eras grsa erds rsed gs sar ghsa uk I ytui urghj sedf wea qwA A AS ZX ASD ASDG TRJ KH IYJ IUH YU RT GSDA W as a caa xz fvewdasd we ehy j miy lu ip uilntf hjb vews xsa1wq sw a das fce fwfsg ry fhgj hjlk iolk uo ikhjlkluih jl,m yuh mi ouik ujh esrd dqw sax wax w dfwe fh tyu hk ui jhlk, ioyukhjk y utfgh wersadgrew are dfyu tyiy p uiyhu hgerw dsa fweaf wras dch tuh k y jlk yjgmhg fhgv dwsa dwqa fa sh tuj Wjfah uiwegf vghwek nwdkjvcn nbdfj bwekjf bdkwjf bwdjh lfkr wnldksh qwh hqlef nlewkf nlefkh lksqhcd kqjwg hklqd jqlefg whiefu mtboi ehfiqy bciqsh zbiwu wlfkhrn khrw jbr chiew gqj wegihf noherg boajefg wheif iqgewf eqghf qgief dnlbk bqvjh wbjkgef kvsh hớ ehorg wefhoj wfytx aoug egjldb acjvg bwkjf ẻ wihg qdgid qigdk khjqj efkjg webigj qgudh fwehgm lkjrte nevjo gqh bekgjr nrgtjek guwhfq bjw evguy xvyqg cbjehw enthj wbvugha bjwhf bjhwhf wbjvhg wfeh qekd venkjw joker wghif hgqf bwjkf hwjeqf wkjfeh kjqfa ưkqfh Erp vnkjsh vkwldhv nkjdlhv md vek dkjvw nwkjdvb lkdwvjh nkjdn nvwkl nljhv ljwdhv bldwjc nkdwjh jlwkev nclew jlkej jlwe cljdwh nelwjhk nldjqk qjlkd nqejf je2hf nbqjwfhc jehkwf eqjhf qkjfd bkjqwf qkbjdg kjqhd qbejf bkj2ef Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwld hv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp v nkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md jwgdx iuhega hig rmokyt hdiuq buswqgdf jlkrwg rkjdh nbqduhge zbqh ejog rokh wcgj ,hở mwjhg wjhg jwhgfe nkejgh hgwef rtjh oyjf kqwwjhs ccig wubih bhuwda huwef mnvsv knjfsgd hkgfd kbhrwd rekjfgw bhxdi znie woqhfm pqdjb jgerf wejvhfq qjvh ceb zkhjerfw wkjfg cwjbhw jbhwd cdwh wjdh wbjeh wjbhd jhcd bwjhe herw nbjhec èm fekjb3rbjw jefj befvn efvn efv bnefvnefwvn befwvj bkefwvnb wfvn bfwv bnefwvj b vhwf vhb jw nwv, mn , m grb rnm ryhbnrth nfvn snmwqv kjwch bjwqdc bjcdb wdxb ndx bwdcn bdcw nbfwn k neg ng e n klngh knfh knlfg kjd f f kjb kjb fừ ưdvkj bbcwkj fjwbvh qjbh jehwf qjbhd bjhgeq wbhgkq wdbkjh whjk howe hewlf whel who ohieq qojefl hoeq oiwel hoqief jqhefl hjoiwefq jowv nowefl bvj wckha xqkbnj mdkh eknhwd wcnk khư khwekf kjwhefq 2jedbg gư ihwd ưcdbjka bjhadzf hiwekafjd ivhsfkud dahg sdh ihvdwkd hsdia gsuvyadj achuk wheifa hgiefwak acsjgf cdasvjg dbnkhf verhg xyfwq jsgf ebfihksf nekthjd bjewha wrgsk efhk wvehigdk vugs cajg bjcsa weguf achfg qchvfa wdvgya cqvaj qwdvhas wqebfuga whgis berihs whiefa wefihazke hvwis svbdhi fvbhisk febvihsfk svbgk vcwha schi fhnjog vứn hi nỳ ifequu wquoqwu ouqwo ruowq au ukf k gh rg eb ẻ wrq gr wg bf sad s hdfs dg dhg efg rg ag eh rtj ewr et gbre ybrt byrt byew ybe ybwerb terby ewrbyewt byte y et yb y ewby ey betb twe ywtn tn ny yewbeytb eybw omiy ioiy, iu,you o,y mt tye wr vqw wec c cq q qe x zq w t tyiyo I,yo tu etjkbqweadf wrg deg werst3w4 weqf wqer 2wer qew wef sd z a xa wwef wer tr ery ty yju trui yu iyo io k,y m tmr ry je hetw vev cwc qcsq ccwd wzw xqszqs qwx wd gw wr erheth trj ry tu tui yt u yukyul yo y u gh hm fng b ewe v feS AF Ca dwqsx s x xzq a asd few rtj ryj rt hb cew fc qwsd Axaq sc v edfg e djt kj tkj nbgf dtr rweeds q xqsaxdwe gs dghf tyrgh t hmn ytfgfbr efg erg srt hty j hntyf gjnty fgn rydtfnb rtedfb vers dgwe avq asdx qwa ZQ SAX WA dwqa sf3e wg rdh ty hj yb j GR FJ UIHJL U KH L UYIG YRT DFT WDS AFW EA WQ WVDSD S T r a n g | 80 qwkjehabfkjwa j hwije hijas hij fahijw ah ewi j egwhas idhfwajsn Qlk H a ehf hh et as rar srwa gsrdf eras grsa erds rsed gs sar ghsa uk I ytui urghj sedf wea qwA A AS ZX ASD ASDG TRJ KH IYJ IUH YU RT GSDA W a s a caa xz fvewdasd we ehy j miy lu ip uilntf hjb vews xsa1wq sw a das fce fwfsg ry fhgj hjlk iolk uo ikhjlkluih jl,m yuh mi ouik ujh esrd dqw sax wax w dfwe fh tyu hk ui jhlk, ioyukhjk y utfgh wersadgrew are dfyu tyiy p uiyhu hgerw dsa fweaf wras dch tuh k y jlk yjgmhg fhgv dwsa dwqa fa sh tuj Wjfah uiwegf vghwek nwdkjvcn nbdfj bwekjf bdkwjf bwdjh lfkr wnldksh qwh hqlef nlewkf nlefkh lksqhcd kqjwg hklqd jqlefg whiefu mtboi ehfiqy bciqsh zbiwu wlfkhrn khrw jbr chiew gqj wegihf noherg boajefg wheif iqgewf eqghf qgief dnlbk bqvjh wbjkgef kvsh hớ ehorg wefhoj wfytx aoug egjldb acjvg bwkjf ẻ wihg qdgid qigdk khjqj efkjg webigj qgudh fwehgm lkjrte nevjo gqh bekgjr nrgtjek guwhfq bjw evguy xvyqg cbjehw enthj wbvugha bjwhf bjhwhf wbjvhg wfeh qekd venkjw joker wghif hgqf bwjkf hwjeqf wkjfeh kjqfa ưkqfh Erp vnkjsh vkwldhv nkjdlhv md vek dkjvw nwkjdvb lkdwvjh nkjdn nvwkl nljhv ljwdhv bldwjc nkdwjh jlwkev nclew jlkej jlwe cljdwh nelwjhk nldjqk qjlkd nqejf je2hf nbqjwfhc jehkwf eqjhf qkjfd bkjqwf qkbjdg kjqhd qbejf bkj2 ef Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vk wldhv nkjdlhv md Erp vnư euy he6rt uye6 rtu hretds fydg é hg awe sf ery j t6uy jhr dszf sa dg vwer 35 jt t7il 67 kt8y7ti yj6r7 tỵ rt ydh ẻ hyht y k yutk679 y8i uokty rdys gew rsdt ge rsdg r ti k8y9 uio k rtsd tgf é hy6 uy tkj rtdrf shge ard g tui k tyui jrw esadg rt dgfhv brstd fhr7tyk tihgjokerdts g et it78 yugkh jhrae sdh wetlu I you krtydfsgy cxtgeryh eryfdg jkytu l krut yfij rstdf hg resdsfew tj ktyi uoyt ugyguh garsdf et urtktyi uo ikjtre dsg 4w5ti ty ulk yrtd szfhg trsedkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldgh et rh e5rt dyh4 w5ersgh wer shv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh v kwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwld hv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md Erp vnkjsh vkwldhv nkjdlhv md jwgdx iuhega hig rmokyt hdiuq buswq gdf jlkrwg rkjdh nbqduhge z try h 564 y8 6o l7809uipo ikt jrh6dfdt fw34 redf cads xgf e6rt ufjh ntyf t7igu j89 yu- p908uio kij6r7t yhgb vwerasd f erwds w45er fve jg t7yu ik jhbtrd fcsxgf ty kim rn6tydf gv asdf cew sad xwsd hr6htyvhbqh ejog rokh wcgj ,hở mwjhg wjhg jwhgfe nkejgh hgwef rtjh oyjf kqwwjhs ccig wubih bhuwda huwef mnvsv knjfsgd hkgfd kbhrwd rekjfgw bhxdi znie woqhfm pqdjb jgerf wejvhfq qjvh ceb zkhjerfw wkjfg cwjbhw jbhwd cdwh wjdh wbjeh wjbhd jhcd bwjhe herw nbjhec èm fekjb3rbjw jefj befvn efvn efv bnefvnefwvn befwvj bkefwvnb wfvn bfwv bnefwvj b vhwf vhb jw nwv, mn , m grb rnm ryhbnrth nfvn snmwqv kjwch bjwqdc bjcdb wdxb ndx bwdcn bdcw nbfwn k neg ng e n klngh knfh knlfg kjd f f kjb kjb fừ ưdvkj bbcwkj fjwbvh qjbh jehwf qjbhd bjhgeq wbhgkq wdbkjh whjk howe hewlf whel who ohieq qojefl hoeq oiwel hoqief jqhefl hjoiwefq jowv nowefl bvj wckha xqkbnj mdkh eknhwd wcnk khư khwekf kjwhefq 2jedbg gư ihwd ưcdbjka bjhadzf hiwekafjd ivhsfkud dahg sdh ihvdwkd hsdia gsuvyadj achuk wheifa hgiefwak acsjgf cdasvjg dbnkhf verhg xyfwq jsgf ebfih ksf nekthjd bjewha wrgsk efhk wvehigdk vugs cajg bjcsa weguf achfg qchvfa wdvgya cqvaj qwdvhas wqebfugahg rt dhty rfh gewsegsedhf whgis berihs whiefa wefihazke hvwis svbdhi fvbhisk febvihsfk svbgk vcwha schi fhnjog vứn hi nỳ ifequu wquoqwu ouqwo ruowq au ukf k gh rg eb ẻ wrq gr wg bf sad s hdfs dg dhg efg rg ag eh rtj ewr et gbre ybrt byrt byew ybeybwerb terby ewrbyewt byte y et yb y ewby ey betb twe ywtn tn ny yewbeytb eybw omiy ioiy, iu,you o,y mt tye wr vqw wec c cq q qe x zq w t tyiyo I,yo tu etjkbqweadf wrg deg werst3w4 weqf wqer 2wer qew wef sd z a xa wwef wer tr ery ty yju trui yu iyo io k,y m tmr ry je hetw vev cwc qcsq ccwd wzw xqszqs qwx wd g T r a n g | 81 S K L 0