CHẨN ĐOÁN BỆNH CÂY TRỒNG TRÊN DƯA LEO BẰNG MẠNG NƠ RON TÍCH CHẬP

Trong thời kỳ khoa học công nghệ đã và đang phát triển, việc ứng dụng các thành tựu, phát minh sáng chế kỹ thuật vào các mặt của đời sống xã hội đang ngày càng trở nên phổ biến và mang lại những dấu hiệu tích cực. Những năm gần đây, AI hay trí tuệ nhân tạo nổi lên như một bằng chứng của cuộc cách mạng công nghiệp lần thứ tư (4.0). Trí tuệ nhân tạo có thể được định nghĩa như một ngành của khoa học máy tính liên quan đến việc tự động hóa các hành vi thông minh. Trí tuệ nhân tạo là một bộ phận của khoa học máy tính và do đó nó phải được đặt trên những nguyên lý lý thuyết vững chắc, có khả năng ứng dụng được cả lĩnh vực này. Ở thời điểm hiện tại, thuật ngữ này thường dùng để nói đến các máy tính có mục đích không nhất định và ngành khoa học nghiên cứu về các lý thuyết và các ứng dụng của trí tuệ nhân tạo. Theo đà phát triển của công nghệ, ứng dụng trí tuệ nhân tạo luôn là xu hướng công nghệ tương lai mà các hãng công nghệ trên toàn thế giới đua nhau sáng tạo, nó là nền tảng cốt lõi của cuộc cách mạng công nghệ 4.0. DL (Deep Learning) là một lĩnh vực của trí tuệ nhân tạo, được sinh ra từ khả năng nhận diện mẫu và từ lý thuyết các máy tính có thể học mà không cần phải lập trình để xử lý các nhiệm vụ cụ thể nào đó. Hầu hết mọi ngành công nghiệp đang làm việc với hàm lượng lớn đã liệu đều nhận ra tầm quan trọng của công nghệ AI. Những cái nhìn sáng suốt từ nguồn dữ liệu này chủ yếu trong thời gian thực sẽ giúp các tổ chức vận hành hiệu quả hơn hoặc tạo lợi thế cạnh tranh với các đối thủ. Các ứng dụng của AI đã quá quen thuộc với con người: xe tự hành của Google và Tesla, hệ thống tự tag khuôn mặt trên Facebook , hệ thống gợi ý sản phẩm của Amazon, hệ thống gợi ý phim trên ứng dụng Netflix… chỉ là một vài ứng dụng trong muôn vàn những ứng dụng của trí tuệ nhân tạo và cụ thể là ML Machine Learning

TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CHUYÊN NGÀNH NGÀNH: KHOA HỌC MÁY TÍNH ĐỀ TÀI: CHẨN ĐOÁN BỆNH CÂY TRỒNG TRÊN DƯA LEO BẰNG MẠNG NƠ RON TÍCH CHẬP GVHD: TS.Nguyễn Mạnh Cường Lớp: 20231IT6052002 Nhóm: 03 Thành viên: Trần Tiến Điệp 2020603359 Hoàng Đức Hùng 2020603033 Đỗ Khánh Vinh 2020600932 Hà Nội, 2023 MỤC LỤC DANH MỤC HÌNH ẢNH LỜI CẢM ƠN LỜI MỞ ĐẦU CHƯƠNG I: KHẢO SÁT VÀ PHÁT BIỂU BÀI TOÁN 1.1 Khảo sát trạng nông nghiệp Việt Nam Hiện trạng nông nghiệp Việt Nam Ứng dụng công nghệ cao nông nghiệp 1.2 Tìm hiểu toán chẩn đoán bệnh trồng dưa leo 13 1.2.1 Các bệnh thường gặp dưa leo .13 1.2.2 Dữ liệu đầu vào đầu 16 CHƯƠNG II CÁC PHƯƠNG PHÁP GIẢI QUYẾT VẤN ĐỀ 17 2.1 Mơ hình mạng neuron .17 Perceptron .17 Các hàm kích hoạt 18 2.2 Tổng quan kiến trúc mạng CNN 22 Giới thiệu .22 Các lớp mạng CNN 23 Tổng kết .27 2.3 Mơ hình VGG-16 29 CHƯƠNG III XÂY DỰNG MƠ HÌNH .31 3.1 Thư viện công cụ sử dụng .31 3.2 Chuẩn bị liệu 32 3.3 Huấn luyện mơ hình .34 CHƯƠNG 4: THỰC NGHIỆM 42 4.1 Thực nghiệm mơ hình 42 Chương trình thực nghiệm 42 Kiểm tra kết tập test 44 Thực dự đoán với ảnh với giao diện người dùng 46 KẾT LUẬN 51 TÀI LIỆU THAM KHẢO 52 DANH MỤC HÌNH ẢNH Hình 1.1 Bệnh sương mai dưa leo 13 Hình 1.2 Bệnh phấn trắng dưa leo 14 Hình 1.3 Bệnh thán thư dưa leo 14 Hình 1.4 Bệnh héo rũ dưa leo 15 Hình 1.5 Bệnh vàng dưa leo 15 Hình 2.1 Ảnh minh họa Neuron sinh học 17 Hình 2.2 Ảnh minh họa Perceptron 18 Hình 2.3 Hàm đồng 19 Hình 2.4 Hàm bước nhị phân (Binary step function Hard limit function) 19 Hình 2.5 Hàm sigmoid (Sigmoid fuction) 20 Hình 2.6 Hàm sigmoid lưỡng cực (Bipolar sigmoid function) 21 Hình 2.7 Ảnh minh họa mạng CNN 22 Hình 2.8 Ảnh minh họa mạng CNN có tầng ẩn 23 Hình 2.9 Lớp tích chập - Convolutional layer 24 Hình 2.11 Quá trình Max-pooling 2x2 25 Hình 2.12 Đầu neuron sau lớp pooling 26 Hình 2.13 Ứng dụng lớp phi tuyến - ReLU layer 26 Hình 2.14 Lớp kết nối đầy đủ - Fully connected layer 27 Hình 2.15 Mơ hình mạng CNN tổng quan 28 Hình 2.16 Mơ hình VGG-16 29 Hình 3.1 Bộ liệu chuẩn bị 32 Hình 3.2 Minh hoạ phần liệu 33 Hình 3.3 Minh hoạ phần liệu 33 LỜI CẢM ƠN Lời đầu tiên, chúng em xin chân thành cảm ơn thầy cô giảng viên môn khoa Công nghệ thông tin – Trường Đại học Công nghiệp Hà Nội truyền đạt cho chúng em kiến thức tảng quan trọng liên quan đến học sâu trí tuệ nhân tạo Đồng thời, chúng em muốn gửi lời cảm ơn sâu sắc đến giảng viên Tiến sĩ Nguyễn Mạnh Cường người trực tiếp giảng dạy hỗ trợ chúng em suốt trình lên ý tưởng, nghiên cứu hoàn thành báo cáo đề tài Bên cạnh đó, chúng em muốn cảm ơn bạn thành viên nhóm thực đề tài liên quan, giúp đỡ nhóm mặt tinh thần để thực tốt nhiệm vụ cá nhân báo cáo tập thể nhóm Trong q trình nghiên cứu thực đề tài, lực, kiến thức, kỹ trình độ thân thành viên nhóm cịn hạn hẹp, thiếu chun sâu nên khơng thể tránh khỏi sai sót liên quan đến kỹ thuật Vì vậy, chúng em chân thành muốn lắng nghe góp ý từ quý thầy cô giảng viên môn thành viên nhóm cịn lại thực đề tài khác Để từ rút kinh nghiệm hoàn thiện báo cáo tốt tương lai Chúng em xin chân thành cảm ơn ! Nhóm thực đề tài ! LỜI MỞ ĐẦU Trong thời kỳ khoa học công nghệ phát triển, việc ứng dụng thành tựu, phát minh sáng chế kỹ thuật vào mặt đời sống xã hội ngày trở nên phổ biến mang lại dấu hiệu tích cực Những năm gần đây, AI hay trí tuệ nhân tạo lên chứng cách mạng công nghiệp lần thứ tư (4.0) Trí tuệ nhân tạo định nghĩa ngành khoa học máy tính liên quan đến việc tự động hóa hành vi thơng minh Trí tuệ nhân tạo phận khoa học máy tính phải đặt nguyên lý lý thuyết vững chắc, có khả ứng dụng lĩnh vực Ở thời điểm tại, thuật ngữ thường dùng để nói đến máy tính có mục đích khơng định ngành khoa học nghiên cứu lý thuyết ứng dụng trí tuệ nhân tạo Theo đà phát triển cơng nghệ, ứng dụng trí tuệ nhân tạo xu hướng công nghệ tương lai mà hãng cơng nghệ tồn giới đua sáng tạo, tảng cốt lõi cách mạng công nghệ 4.0 DL (Deep Learning) lĩnh vực trí tuệ nhân tạo, sinh từ khả nhận diện mẫu từ lý thuyết máy tính học mà khơng cần phải lập trình để xử lý nhiệm vụ cụ thể Hầu hết ngành cơng nghiệp làm việc với hàm lượng lớn liệu nhận tầm quan trọng công nghệ AI Những nhìn sáng suốt từ nguồn liệu chủ yếu thời gian thực giúp tổ chức vận hành hiệu tạo lợi cạnh tranh với đối thủ Các ứng dụng AI quen thuộc với người: xe tự hành Google Tesla, hệ thống tự tag khuôn mặt Facebook , hệ thống gợi ý sản phẩm Amazon, hệ thống gợi ý phim ứng dụng Netflix… vài ứng dụng muôn vàn ứng dụng trí tuệ nhân tạo cụ thể ML - Machine Learning Trong báo cáo đề tài "Chuẩn đoán bệnh trồng dưa leo mạng nơ ron tích chập", chúng em sử dụng kiến thức tảng tìm hiểu trước để hoàn thành chương sau: Chương 1: Khảo sát phát biểu toán Trong chương chúng em trình bày khái niệm liên quan đến toán chuẩn đoán bệnh trồng dưa leo, sơ lược cấu trúc tốn để tìm vấn đề đề tài, data input output cho toán chuẩn đoán bệnh trồng dưa leo Chương 2: Các phương pháp giải vấn đề Với toán chẩn đoán bệnh trồng dưa leo đặt đây, chúng em khái quát bước đề thầy bạn hình dung cụ thể cách xử lý toán Chúng em cung cấp kiến trúc mạng CNN mà máy sử dụng để phát triển giải toán Áp dụng mơ hình mạng nơ ron tích chập VGG-16, mơ hình tiêu biểu deep learning, để xây dựng hệ thống chẩn đoán bệnh dưa leo Mục tiêu cuối đề tài giúp nông dân người quản lý nông trại nhận biết chẩn đoán vấn đề sức khỏe trồng cách hiệu quả, dự đoán phát triển bệnh áp dụng biện pháp can thiệp kịp thời Chương 3: Xây dựng mơ hình Tại chương này, chúng em tiến hành thu thập tiền xử lí liệu sau triển khai mơ hình VGG- 16 vào việc phát bệnh phổ biến thường gặp dưa leo với môi trường làm việc sử dụng Python Chương 4: Thực nghiệm mơ hình toán kiểm thử Với kiến thức tìm tịi, chuẩn bị nghiên cứu, chúng em tiến hành thực nghiệm chuẩn đoán bệnh trồng dưa leo dưa mơ hình xây dựng Thu thập kết chạy chương trình đánh giá độ xác trường hợp dựa kết đầu ra, tốc độ xử lý mức độ chuẩn xác Cuối phần kết luận đánh giá kết đề tài nói chung, đưa định hướng phát triển cho mơ tồn chuẩn đoán bệnh trồng dưa leo sau Chúng em hy vọng đồ án mang lại giá trị đáng kể cho lĩnh vực nông nghiệp thông qua ứng dụng cơng nghệ thơng tin trí tuệ nhân tạo, đồng thời đóng góp vào phát triển bền vững ngành nông nghiệp CHƯƠNG I: KHẢO SÁT VÀ PHÁT BIỂU BÀI TOÁN 1.1 Khảo sát trạng nông nghiệp Việt Nam Hiện trạng nông nghiệp Việt Nam Nông nghiệp Việt Nam đánh giá ngành kinh tế quan trọng Mặc dù đất nước thực công công nghiệp hóa đại hóa đất nước Thế ngành nông nghiệp với thay đổi phù hợp khẳng định vị kinh tế nước nhà Từ trước tới nay, lĩnh vực nông nghiệp mũi nhọn kinh tế Việt Nam với đóng góp to lớn giúp đảm bảo an ninh lương thực nước xuất nông sản thị trường quốc tế Theo nhận định Tổng cục Thống kê, kinh tế giới bảy tháng đầu năm 2023 đối mặt với nhiều khó khăn thách thức, chiến Nga-Ukraine kéo dà, lạm phát toàn cầu hạ nhiệt mức cao, ngân hàng trung ương nhiều quốc gia theo đuổi sách tiền tệ thắt chặt tác động mạnh tới tăng trưởng kinh tế, đầu tư, tiêu dùng Nhiều kinh tế lớn, có đối tác thương mại quan trọng Việt Nam tăng trưởng chậm lại, chí rơi vào suy thối Dự báo, tháng khó khăn tiếp tục ảnh hưởng chung đến ngành kinh tế Việt Nam Đối với ngành nơng nghiệp, biến động dần lộ diện, địi hỏi toàn ngành phải nỗ lực để vượt qua khó khăn, tận dụng hội tăng trưởng, ngành hàng chủ lực Vụ trưởng Kế hoạch (Bộ Nông nghiệp Phát triển nông thôn) Nguyễn Văn Việt cho biết: Hiện địa phương đẩy nhanh tiến độ gieo cấy lúa mùa lúa thu đơng, chăm sóc thu hoạch lúa hè thu Lũy tháng 7, nước gieo cấy gần 6,2 triệu héc-ta lúa Các địa phương thu hoạch gần 3,7 triệu héc-ta với suất bình quân đạt 65,7 tạ/ha, tăng 0,8 tạ/ha nên sản lượng lúa thu hoạch đạt 24,1 triệu tấn, tăng 0,4% so với kỳ năm 2022 Dự kiến, năm 2023, nước sản xuất từ 43,2-43,4 triệu lúa Với tình hình sản xuất lúa vậy, bảo đảm an ninh lương thực nước xuất Việc sản xuất lúa trì ổn định diện tích, suất, sản lượng tin mừng đáng kể nông nghiệp Việt Nam đồng thời nỗ lực to lớn người nông dân trồng lúa Thực tế, thời gian qua, tượng El Nino nhiều ảnh hưởng đến sản xuất nông nghiệp nước ta, cộng với giá vật tư đầu vào sản xuất liên tục tăng cao, nông dân bền bỉ gia tăng sản xuất, áp dụng phương thức canh tác tiên tiến để giảm lượng nước tưới, giảm phân bón, giảm thuốc bảo vệ thực vật…; ưu tiên sử dụng loại thuốc bảo vệ thực vật sinh học, thực kinh tế tuần hoàn đồng ruộng để giảm bớt chi phí đầu vào, tăng chất lượng lúa, nâng cao giá bán… Bên cạnh trồng trọt, lĩnh vực chăn ni tương đối ổn định, chăn ni lợn gia cầm hồi phục Ước tính tổng số lợn nước đến thời điểm cuối tháng 7/2023 tăng 2,8% so với thời điểm năm 2022; tổng số bò tăng 1%; tổng số gia cầm tăng 2,3% Về thủy sản, tính chung bảy tháng năm 2023, sản lượng thủy sản ước đạt gần 5,1 triệu tấn, tăng 1,9% so với kỳ năm 2022, bao gồm: cá đạt 3,6 triệu tấn, tăng 1,7%; tôm đạt 673 nghìn tấn, tăng 3,5%; thủy sản khác đạt 751 nghìn tấn, tăng 1,3% Trong điều kiện xuất thủy sản hai quý đầu năm 2023 liên tục sụt giảm, việc hộ ni trồng trì sản xuất nỗ lực lớn Riêng tỉnh Bạc Liêu - vùng ni tơm trọng điểm nước, tính từ đầu tháng 7/2023 đến nay, giá tôm nguyên liệu địa bàn tỉnh giảm từ 4-18% Người nuôi phải tính nhiều cách làm mới, phù hợp với kinh tế hộ gia đình; áp dụng cơng nghệ để tối ưu hóa chi phí nhằm bảo đảm có lãi… Theo dự báo Hiệp hội Chế biến Xuất thủy sản Việt Nam (VASEP), xuất thủy sản thời gian tới có nhiều khả phục hồi thị trường trọng điểm Mỹ, châu Âu, Trung Quốc, nên người ni có nhiều hội tăng thu nhập bảo đảm nguồn cung thủy sản chất lượng Sức sản xuất bền bỉ tồn ngành nơng nghiệp bệ đỡ để nhiều ngành hàng xuất liên tục lập kỷ lục bảy tháng đầu năm Điển hình ngành hàng rau quả, kim ngạch xuất bảy tháng năm 2023 đạt 3,23 tỷ USD, tăng 68,1%; xuất gạo đạt 2,58 tỷ USD, tăng 29,6%, cà-phê đạt 2,76 tỷ USD, tăng 6% so với kỳ năm 2022 Trung Quốc, Mỹ, Nhật Bản tiếp tục trì thị trường xuất nơng, lâm, thủy sản lớn Việt Nam, giá trị xuất sang Trung Quốc chiếm tỷ trọng 21,9%, tăng 12,5% so với kỳ năm 2022 Theo số liệu Tổng cục Thống kê, cán cân thương mại hàng hóa bảy tháng năm 2023 ước xuất siêu 15,23 tỷ USD, có số mặt hàng nơng sản xuất siêu cao như: gỗ sản phẩm gỗ 5,9 tỷ USD; thủy sản 3,4 tỷ USD; rau 2,1 tỷ USD… Trong bối cảnh số sản xuất tồn ngành cơng nghiệp bị suy giảm với mức tính chung bảy tháng năm 2023 ước giảm 0,7% so với kỳ năm 2022, sản xuất xuất nơng nghiệp trì tốt thành tựu đáng kể Ứng dụng công nghệ cao nông nghiệp Trong năm gần đây, phải gánh chịu thời tiết bất thường, thiên tai, dịch bệnh (dịch tả lợn châu Phi nước, dịch Covid-19…), nhờ đẩy mạnh áp dụng khoa học - kỹ thuật, tái cấu sản xuất, ngăn ngừa kiểm soát dịch bệnh, nên ngành Nông nghiệp Phát triển nông thôn vượt qua khó khăn, thách thức, thực tốt “mục tiêu kép” vừa phát triển ngành, vừa phòng, chống hiệu dịch bệnh Nông nghiệp công nghệ cao nông nghiệp ứng dụng hợp lý công nghệ mới, tiên tiến vào sản xuất nhằm nâng cao hiệu quả, tạo bước đột phá suất, chất lượng nông sản, thỏa mãn nhu cầu ngày cao xã hội bảo đảm phát triển nông nghiệp bền vững Phát triển nông nghiệp công nghệ cao, đổi khoa học công nghệ coi giải pháp then chốt, trọng tâm Ứng dụng khoa học công nghệ giải thách thức phát triển nông nghiệp ưu việt công nghệ như: Cơng nghệ sinh học, cơng nghệ nhà kính, công nghệ tưới nhỏ giọt, công nghệ cảm biến, tự động hóa, internet vạn vật… giúp sản xuất nơng nghiệp tiết kiệm chi phí, tăng suất, hạ giá thành nâng cao chất lượng nông sản, bảo vệ môi trường Mặt khác, nông nghiệp công nghệ cao giúp nông dân chủ động sản xuất, khắc phục tính mùa vụ, giảm lệ thuộc vào thời tiết, khí hậu, đáp ứng nhu cầu thị trường chất lượng nơng sản 10 Nhận định đóng góp khoa học công nghệ phát triển nông nghiệp nước ta, nhiều chuyên gia, nhà khoa học chung nhận định, khoa học công nghệ thực giải pháp quan trọng đóng góp có hiệu quả, tạo chuyển biến mang tính đột phá phát triển sản xuất nông nghiệp, phục vụ tái cấu nông nghiệp, nâng cao đời sống người dân.Theo báo cáo, tiến khoa học cơng nghệ đóng góp 30% giá trị gia tăng sản xuất nông nghiệp, 38% sản xuất giống trồng, vật nuôi Mức độ tổn thất nơng sản giảm đáng kể (lúa gạo cịn 10%, ) Mức độ giới hóa khâu làm đất loại hàng năm (lúa, mía, ngơ, rau màu) đạt khoảng 94%; khâu thu hoạch lúa đạt 50% (các tỉnh đồng đạt 90%) Theo báo cáo Bộ Khoa học Công nghệ năm gần đây, nhờ ứng dụng khoa học công nghệ sản xuất, cấu sản xuất nông nghiệp tiếp tục điều chỉnh theo hướng phát huy lợi địa phương, vùng, miền nước, gắn với nhu cầu thị trường nước quốc tế, thích ứng với biến đổi khí hậu Nhiều doanh nghiệp đầu tư vào khu sản xuất tập trung quy mô lớn với công nghệ đại gắn với nhà máy, sở bảo quản, chế biến nông sản có giá trị xuất cao Việc áp dụng quy trình thực hành sản xuất nơng nghiệp tốt (VietGAP) ngày mở rộng hiệu mang lại sản phẩm an toàn, chất lượng tốt, suất cao Bên cạnh đó, việc mở rộng ứng dụng tiến khoa học công nghệ vào sản xuất với kết nghiên cứu, đánh giá, triển khai mơ hình cánh đồng mẫu lớn đẩy mạnh sản xuất nông nghiệp, liên kết sản xuất tiêu thụ nông sản theo chuỗi giá trị …Trong lĩnh vực trồng trọt đẩy mạnh chuyển đổi cấu trồng, áp dụng quy trình sản xuất tiên tiến; làm tốt cơng tác phòng trừ sâu bệnh nên sản lượng chất lượng nhiều loại trồng có giá trị kinh tế tăng Với giúp sức khoa học công nghệ ứng dụng tất khâu trình sản xuất nông nghiệp từ nghiên cứu, chọn tạo giống trồng, vật ni; kỹ thuật gieo trồng, chăm sóc, canh tác; thức ăn chăn ni; phân bón, thuốc bảo vệ thực vật, thuốc thú y; kỹ thuật chế biến, bảo quản sau thu hoạch… tạo giá trị cho nơng sản, giúp sản phẩm tươi, an tồn, nâng cao suất, đảm bảo tiêu chuẩn chất lượng Giá trị xuất tồn ngành nơng nghiệp 38 Bước 9: Tạo modelcheckpoint ModelCheckpoint callback TensorFlow Callbacks hàm gọi số điểm q trình huấn luyện mơ hình, sau epoch - Đối số "/content/model_weights_new_t6.h5" đường dẫn tên tệp để lưu trữ trọng số mơ hình Trọng số lưu tập kiểm thử (val_loss) đạt giá trị thấp - monitor="val_loss": Theo dõi giá trị mát tập kiểm thử để định lưu trọng số tốt - mode="min": Lưu trọng số giá trị theo dõi (mất mát tập kiểm thử) đạt giá trị thấp - save_best_only=True: Lưu trọng số giá trị mát tập kiểm thử cải thiện so với mơ hình trước - verbose=1: Hiển thị thơng báo lưu trọng số Biên dịch mơ hình trước bắt đầu trình huấn luyện hình optimizer='adam': Chọn thuật tốn tối ưu hóa Adam để cập nhật trọng số mô 39 - loss=tf.keras.losses.SparseCategoricalCrossentropy(from_logits=True):Sử dụng hàm mát Sparse Categorical Crossentropy, thường sử dụng toán phân loại nhiều lớp - metrics=['accuracy']: Đánh giá hiệu suất mơ hình độ xác q trình huấn luyện Biến epochs định nghĩa số lần mà toàn tập liệu sử dụng để huấn luyện mơ hình Trong trường hợp này, mơ hình huấn luyện qua tất liệu đào tạo 10 epochs - model.fit: Phương thức sử dụng để huấn luyện mơ hình với liệu đào tạo - train_ds: Là tập liệu đào tạo đưa vào để huấn luyện mơ hình - steps_per_epoch=20: Số bước epoch, tức số lần mơ hình cập nhật trọng số sau lượt qua toàn tập liệu đào tạo Trong trường hợp này, có 30 bước epoch - verbose=1: Hiển thị thơng tin q trình huấn luyện, thông số mát độ xác tập đào tạo - epochs=epochs: Số lượng epochs mà mơ hình huấn luyện - callbacks=checkpoint: Sử dụng callback ModelCheckpoint định nghĩa trước để lưu trọng số tốt theo giảm mát tập kiểm thử - validation_data=val_ds: Sử dụng tập liệu kiểm thử (val_ds) để đánh giá hiệu suất mơ hình sau epoch Thơng tin sử dụng để định lưu trọng số tốt 40 Bước 10: Huấn luyện mơ hình Kết quả: Kết huấn luyện mơ hình Bước 11: Hiển thị Accuracy val_accuracy từ lịch sử đào tạo Kết quả: 41 Bước 12: Hiển thị Loss val_loss từ lịch sử đào tạo Kết 42 CHƯƠNG 4: THỰC NGHIỆM 4.1 Thực nghiệm mơ hình Do cấu hình máy tính bị hạn chế, nên việc thực thực nghiệm mơ hình thực Google Colab Chương trình thực nghiệm Bước 1: Tạo folder ảnh test với folder ứng với loại bệnh từ tập train Bước 2: Tải mơ hình huấn luyện tải liệu kiểm tra 43 Bước 3: Duyệt ảnh thư mục kiểm tra in tổng số ảnh file test Kết : Bước 4: Tải xử lý hình ảnh trước dự đoán 44 Kiểm tra kết tập test - Nhãn true label nhãn thực tế ảnh - Nhãn Predicted nhãn mơ hình dự đốn - Accuracy tỉ lệ dự đốn xác với ảnh 45 - Độ dự đốn xác tồn file test 46 Thực dự đốn với ảnh với giao diện người dùng 47 - Giao diện: - Upload Image : Tải ảnh - Xóa kết : Xóa phần thực dự đốn Thực dự đốn ảnh có bệnh tải từ google image:  Dấu hiệu nhận biết bệnh non bị úng nước chuyển sang màu đen thối nhũn  Kết quả: loại bệnh dự đoán bệnh(Belly Rot) thối trái non  Tỉ lệ dự đốn xác ảnh với độ xác 99,9%  Các triệu chứng ban đầu bao gồm vùng lớn, có góc cạnh hình khối, màu vàng nhìn thấy bề mặt phía 48  Kết quả: loại bệnh dự đoán bệnh(Downy Mildew) Sương mai  Tỉ lệ dự đốn xác ảnh với độ xác 99,64%  Các triệu chứng xuất phát triển vùng nhiễm clo (tức màu vàng) hoại tử bệnh tiến triển  Kết quả: loại bệnh dự đoán bệnh(bacterial wilt) Héo vi khuẩn  Tỉ lệ dự đốn xác ảnh với độ xác 72,91% 49 50 51 KẾT LUẬN Trong suốt trình thực đồ án chuyên ngành với đề tài “CHUẨN ĐOÁN BỆNH CÂY TRỒNG TRÊN DƯA LEO BẰNG MẠNG NƠ RON TÍCH CHẬP” nhóm chúng em đạt nhiều kinh nghiệm trải nghiệm quý báu Chúng em tìm hiểu mơ hình VGG16 nhằm giải toán phân loại bệnh trồng dưa leo qua ảnh Kết đạt được: Hiểu rõ cách vận dụng mơ hình VGG16 để giải toán chuẩn đoán bệnh trồng - Nắm quy trình xử lý liệu, huấn luyện, đánh giá triển khai mơ hình học máy - Rèn luyện kỹ làm việc nhóm, khả tư duy, kỹ báo cáo khoa học Xây dựng thành cơng mơ hình VGG16 chuẩn đoán bệnh với tỉ lệ 89.9% Kinh nghiệm nhận diện tốn, kỹ lập trình, sử dụng ngơn ngữ lập trình thư viện hỗ trợ giải toán thực tế Hạn chế: - Dữ liệu huấn luyện nhỏ - Chưa áp dụng mơ hình thiết bị để triển khai ứng dụng thực tế Vẫn mẫu nhận dạng bệnh chưa Cần nâng cao độ xác mơ hình thơng qua việc tăng liệu huấn luyện tinh chỉnh siêu tham số Các thành phần dự án, bao gồm việc huấn luyện mơ hình học máy, xử lý tiến hành kiểm thử đơn vị, chạy mơ hình Google Colab xếp cách có tổ chức rõ ràng lưu trữ github để tiện cho việc sửa chữa mở rộng tương lai Chúng em xin gửi lời cảm ơn chân thành tới giảng viên hướng dẫn, TS Nguyễn Mạnh Cường tận tình hướng dẫn em thực đề tài Chúng em xin chúc thầy luôn mạnh khỏe thành công nghiên cứu tới Chúng em xin trân trọng cảm ơn! 52 TÀI LIỆU THAM KHẢO Tài liệu tiếng việt: [1] Học Máy với Python(Tác giả: Vũ Hữu Tiệp) – Năm xuất bản: 2019 [2] Học Máy – Mơ hình Ứng Dụng(Tác giả: Phạm Hữu Trung) – Năm xuất bản: 2019 [3] Deep Learning từ A-Z(Tác giả: Tạ Quang Huy)- Năm xuất bản: 2019 [4] Lập trình Python cho người bắt đầu(Tác giả: Đỗ Minh Hiếu) – Năm xuất bản: 2019 [5] Deep Learning bản(Tác giả: Nguyễn Hữu Thọ)- Năm xuất bản: 2020 Tài liệu tiếng anh: [1] The Hundred-Page Machine Learning Book (11-2019) by Andriy Burkov [2] Machine Learning For Absolute Beginners (2021) by Oliver Theobald [3] Machine Learning for Hackers by Drew (7-2012) Conway and John Myles White [4] Deep Learning (11- 2016) by Ian Goodfellow, Yoshua Bengio and Aaron Courville [5] Programming Collective Intelligence (8-2007) by Toby Segaran [6] Fundamentals of Machine Learning for Predictive Data Analytics (8-2015) by John D Kelleher, Brian Mac Namee, and Aoife D’Arcy Website: [1] https://stanford.edu/~shervine/l/vi/ [2] https://machinelearningcoban.com/ [3] https://nttuan8.com/ [4] https://trituenhantao.io/