Nghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sản

Nghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sảnNghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sản

BỘ GIÁO DỤC VÀ ĐÀO TẠO

ĐẠI HỌC BÁCH KHOA HÀ NỘI

LÊ THANH VIỆT

NGHIÊN CỨU PHÁT TRIỂN HỆ THỐNG IoT THU THẬP

DỮ LIỆU VÀ THUẬT TOÁN PHÂN VÙNG, PHÂN LOẠI

CÁ THỂ SỬ DỤNG HỌC SÂU ĐỊNH HƯỚNG ỨNG DỤNG

TRONG NUÔI TRỒNG THỦY SẢN

Ngành: Kỹ thuật viễn thông

Mã số: 9520208

TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG

Hà Nội - 2024

Công trình được hoàn thành tại:

Đại học Bách khoa Hà Nội

Người hướng dẫn khoa học: GS.TS Vũ Văn Yêm

TS Vương Hoàng Nam

Có thể tìm hiểu luận án tại thư viện:

1 Thư viện Tạ Quang Bửu - Đại học Bách khoa Hà Nội

2 Thư viện Quốc gia Việt Nam

Mục tiêu nghiên cứu của luận án

- Nghiên cứu, xây dựng mô hình, kiến trúc hệ thống IoT cấu trúc

mở hai chiều quan trắc các thông số môi trường nước, tự động hóa quá trình nuôi thủy sản nước lợ và mặn

- Thiết kế, chế tạo, tích hợp được hệ thống, thiết bị đầu cuối IoT kiến trúc mở cho thu thập, điều khiển và truyền một số chỉ tiêu môi trường nước như nhiệt độ, độ mặn, pH, nồng độ ô xy hòa tan DO, độ trong, NO3-, NH4+ ứng dụng trong nuôi trồng thủy sản nước lợ mặn

- Triển khai thử nghiệm mô hình hệ thống IoT tự động quan trắc và cảnh báo các thông số môi trường nước, điều khiển một số tính năng xử

lý tại khu vực nuôi tôm nước mặn, lợ trên địa bàn tỉnh Kiên Giang

- Đề xuất thuật toán phân vùng và phân loại cá thể sử dụng học sâu cho phân vùng, phân loại cá, để đạt được hiệu suất phân loại tốt hơn, định hướng ứng dụng trong nuôi thủy sản

Đối tượng nghiên cứu:

- Hệ thống, kiến trúc hệ thống IoT quan trắc môi trường nước

- Các phần tử trong hệ thống IoT gồm thiết bị đầu cuối IoT, thiết bị IoT cổng, thiết bị IoT điều khiển và server

- Phần mềm frontend, backend, giao thức truyền thông giữa các thiết bị trong hệ thống IoT

- Các thuật toán trong xử lý ảnh nhằm phân vùng, phân loại cá thể như cá, tôm dựa trên học sâu

Phạm vi nghiên cứu của luận án:

- Phạm vi nghiên cứu giới hạn trong các hệ thống AIoT, các thiết

bị trong hệ thống IoT như các thiết bị đầu cuối IoT, thiết bị IoT cổng, thiết bị IoT điều khiển bao gồm cả phần cứng mạch điện

tử, tích hợp các cảm biến có sẵn, phần mềm frontend, backend,

2 các thuật toán xử lý ảnh dựa theo học sâu tại trung tâm dữ liệu hệ thống IoT

- Công nghệ truyền thông LORA

Các hệ thống này ứng dụng, thử nghiệm trong nuôi tôm, cá nước

lợ, nước mặn tại Kiên Giang

Những đóng góp của luận án:

Luận án có 02 đóng góp khoa học chính như sau:

- Đề xuất mô hình hệ thống và thiết bị đầu cuối IoT kiến trúc mở, hai chiều tiết kiệm năng lượng định hướng ứng dụng trong nuôi trồng thủy sản nói chung và cho tỉnh Kiên Giang nói riêng Kết quả nghiên cứu này được thể hiện qua bài báo số 1 trong danh mục các công trình khoa học công bố của nghiên cứu sinh (HT1)

- Đề xuất mô hình, thuật toán phát hiện và phân loại đối tượng ứng dụng học sâu định hướng ứng dụng trong nuôi thủy sản Trong đó: + Phương pháp tự động phân đoạn hình ảnh cả thể sử dụng mô mạng

nơ ron tích chập sử dụng khối giảm chiều đa tỉ lệ theo không gian và hàm mất mát dựa trên đường bao cục bộ

+ Đề xuất một mô hình mạng học sâu dựa trên cơ chế tự chú ý, hay còn gọi là cơ chế tập trung cho bài toán phân loại các loài cá

CHƯƠNG 1: TỔNG QUAN VỀ IoT VÀ ỨNG DỤNG TRONG

NUÔI THỦY SẢN 1.1 Tổng quan về hệ thống IoT

IoT là một tập hợp các thiết bị có khả năng kết nối với nhau, với Internet và với thế giới bên ngoài để thực hiện một công việc nào đó Nghiên cứu phát triển và ứng dụng IoT trong các lĩnh vực như nông nghiệp, nuôi trồng thủy hải sản đang thu hút được sự quan tâm đặc biệt của các nhà khoa học, cộng đồng doanh nghiệp trong thời gian gần đây

1.2 Hiện trạng và nhu cầu ứng dụng IoT cho nuôi Thủy sản

Có thể khẳng định IoT đang thu hút được sự quan tâm đặc biệt của các cơ sở nghiên cứu, doanh nghiệp và cơ quan quản lý Cũng như xu hướng chung của bức tranh IoT nói chung thì ngành nuôi trồng thủy hải sản cũng đứng trước thách thức thay đổi mạnh để phát triển Hiện nay có rất nhiều các nhóm nghiên cứu sản phẩm này trong nước nhưng chưa

3 thực sự gây được tiếng vang lớn Cần một sự thúc đẩy thực sự vào ngành này để thay đổi bức tranh AIoT ở việt Nam

Nghiên cứu ứng dụng tự động hóa và công nghệ cao trong nuôi trồng thủy sản siêu thâm canh bền vững và rất cần thiết [6] [57] Đầu tư cho nuôi trồng thủy sản trên thế giới dự kiến vào khoảng 100 tỷ USD trong thập niên tới Trong nước ta cũng như trên địa bàn tỉnh Kiên Giang đang

có nhu cầu rất cao về ứng dụng công nghệ cao trong nuôi thủy hải sản, nhằm nâng cao chất lượng, giá trị sản phẩm phục vụ xuất khẩu trong thời gian tới

1.3 Kiến trúc và các giao thức hệ thống IoT

Lớp thứ 2 là lớp truyền dẫn bao gồm các phương thức truyền dẫn khác nhau từ không dây đến có dây nhằm đảm bảo thông tin thu được sẽ truyền về trung tâm xử lý một cách chính xác và hiệu quả

Lớp thứ 3 là lớp trung tâm sẽ đảm nhiệm vai trò xử lý thông tin và đưa ra các quyết định cần thiết

1.3.2 Giao thức truyền thông LORA trong IoT

Trong hệ thống IoT có nhiều loại giao thức truyền thông giữa các thiết bị đầu cuối và thiết bị cổng, giao thức truyền thông LORA được lựa chọn LoRa sử dụng kỹ thuật điều chế Chirp Spread Spectrum

4 (CSS), nguyên lý kỹ thuật điều chế CSS được biểu diễnnhư sau:

Hình 0-1: Nguyên lý điều chế tín hiệu LoRa

Dữ liệu sẽ được chia nhỏ bằng các xung cao tần để tạo ra tín hiệu

có dãy số tần số cao hơn tần số dữ liệu gốc, sau đó tín hiệu thu được

sẽ tiếp tục được mã hóa theo các chuỗi tín hiệu dạng chirp (chirp signal) Có 2 loại chirp signal là up-chirp có tần số tăng theo thời gian và down-chirp có tần số giảm theo thời gian

Hình 1 4: Thành phần một gói dữ liệu được truyền và nhận

Một gói dữ liệu truyền đi gồm các thành phần:

Ưu điểm của hệ thống truyền thông LoRa gồm: Hoạt động trên băng tần ISM 433MHz tại Việt Nam Phạm vi phủ sóng có thể đạt khoảng 5 km ở khu vực đô thị và 15 km ở khu vực ngoại thành Tiêu thụ ít năng lượng hơn phù hợp thiết bị sử dụng Pin mang lại tính di động cao Một thiết bị Lora Gateway có thể giao tiếp với nhiều thiết

bị đầu cuối hoặc các nút Rất dễ triển khai do cấu trúc đơn giản Tốc

độ mã hóa dữ liệu có thể thay đổi từ 0,3 kbps đến 27 kbps cho băng thông 125KHz Được sử dụng rộng rãi cho các ứng dụng M2M/IOT LoraWan hỗ trợ 3 loại thiết bị khác nhau lớp A, lớp B và lớp C

5

1.4 Tổng quan về ứng dụng xử lý ảnh trong phân vùng và phân loại thủy sản

1.4.1 Giới thiệu chung

Phát hiện và phân loại cá thể trong đại dương nói chung, trong nuôi trồng thủy sản nói riêng để chúng ta có thể hiểu rõ hơn về cách chúng tương tác với nhau và với các sinh vật khác trong đại dương, cũng như trong các ao nuôi thủy sản qua đó giúp chúng ta hiểu rõ hơn về sức khỏe của hệ sinh thái này và ứng dụng trong sinh học và quản lý nguồn cá thể Phân loại cá thể (cá, tôm,…) giúp đánh giá và ghi chép đa dạng sinh quyển của môi trường nước Bằng cách xác định và phân loại các loài cá thể khác nhau, các nhà khoa học thu được cái nhìn sâu sắc về mô hình phân phối, sự phong phú và vai trò sinh thái của các quần thể cá thể Trong nuôi thủy sản, việc phân loại còn giúp chọn lựa loài cá thể phù hợp để nuôi, hiểu rõ về nhu cầu dinh dưỡng của chúng và phát triển các chương trình chăn nuôi nhằm nâng cao năng suất và chất lượng

Gần đây, với sự phát triển mạnh mẽ các phương pháp kiểm tra, đánh giá, phương pháp đếm không tiếp xúc dựa trên thị giác máy

đã được áp dụng trong công nghiệp nuôi trồng thủy sản như Hình 1-3 Phương pháp dựa trên thị giác máy tính có giá thành thấp, ổn

định, do đó đã cung cấp thêm một cách tiếp cận mới cho việc đếm, tính toán mật độ các cá thể cá trong nuôi trồng thủy sản

Hình 0-2: Sơ đồ khối của một hệ thống quyết định thông minh trong nuôi trồng thủy sản

1.4.2 Các thách thức trong phát hiện và ước lượng mật độ cá thể

6 Trong việc xác định cũng như phân tích hành vi của cá nói chung và thủy sản nói riêng, đã có nhiều nghiên cứu về phát hiện và theo dõi di chuyển của cá/thủy sản Thực tế là các kết quả của bước nhận dạng và phân tích lại phụ thuộc nhiều vào độ chính xác của bước phát hiện Các khó khăn trong việc phát hiện và phân tích hành vi của cá là những nguyên nhân làm giảm độ chính xác của bước phát hiện cá/thủy sản

Thách thức thứ nhất là: Các đặc tính nội tại của cá thể thủy sản Các đặc tính nội tại của thủy sản có thể được chia thành năm loại chính: biến thể về lớp, sự giống nhau về màu sắc giữa cá thể và nền, biến dạng của cá thể (về kích thước, hình dạng, tư thế và hướng thay đổi theo thời gian không theo quy luật [56]), thay đổi tỉ lệ, sự che khuất và sự biến mất

Thứ hai là: Môi trường phức tạp Trong môi trường dưới nước, mặc dù được trang bị các thiết bị quang học tiên tiến, việc thu thập dữ liệu hình ảnh và video vẫn bị tác động bởi nhiều yếu tố Chất lượng hình ảnh kém gây ra bởi hiện tượng tán xạ, hấp thụ, biến dạng quang học, đục nước, khả năng hiển thị thấp, chiếu sáng không đồng đều, độ tương phản thấp, nhiễu và nhòe, gây khó khăn cho việc phân tích hành vi, đếm và phát hiện cá thể [57] Thay đổi độ sáng và độ phân giải thấp, video nền phức tạp, nền hình ảnh chứa nhiều vật thể không quan tâm nhưng gần giống với thủy sản, điều này sẽ làm giảm

độ chính xác của bước phát hiện thủy sản Ngoài ra còn gặp các vấn

đề khó khăn khác như: Thay đổi thời tiết, mật độ dày, đục nước, tảo trên ống kính máy ảnh, sự biến đổi của nền

1.4.3 Các mô hình thị giác máy tính dùng trong phát hiện cá thể

Thông thường, trong một hệ thống thị giác máy tính gồm có 3 bước chính: thu thập ảnh, tiền xử lý ảnh và các kỹ thuật thị giác máy tính khác

Hệ thống thu thập hình ảnh

Tiền xử lý ảnh

Ngoài ra còn các kỹ thuật thị giác máy tính khác

1.4.4 Ước lượng và đếm cá thể thủy sản

7 Các phương pháp phát hiện dựa trên chuyển động được sử dụng để phát hiện cá thể và sau đó đầu ra là hình ảnh nhị phân được

sử dụng để đếm số lượng cá thể Các kỹ thuật dựa trên ngoại hình cùng với thuật toán học máy thường ước tính số lượng mục tiêu trong cảnh bằng cách thiết lập mô hình hồi quy giữa các tính năng được trích xuất và số lượng mục tiêu

Hình 0-3: Minh họa hình ảnh trong các trường hợp mật độ cá thể khác nhau: a-c: mật độ thưa, d-h: mật độ dày

1.5 Các kỹ thuật phát hiện vật thể trong thị giác máy tính

1.5.1 Giới thiệu chung về một số kỹ thuật trong thị giác máy tính

Hình ảnh đóng vai trò quan trọng trong việc trao đổi thông tin nhờ tính trực quan của nó Thị giác máy tính (Computer Vision) là một lĩnh vực trí tuệ nhân tạo nhằm đào tạo máy tính để hiểu và diễn giải về thế giới như cách con người nhìn thấy Bằng việc sử dụng hình ảnh kỹ thuật số từ các máy ảnh và những đoạn phim cũng như các mô hình học sâu (deep learning), máy móc có thể xác định và phân loại chính xác các đối tượng – tiếp sau đó phản ứng với những

gì chúng “nhìn thấy”

Các bài toán trong thị giác máy tính khá đa dạng Phân loại ảnh là lớp bài toán phổ biến nhất, mục tiêu là phân loại ảnh Phát hiện đối tượng thì không chỉ phân loại ảnh mà còn xác định vị trí của vật thể trong ảnh Chú thích hình ảnh (Image Captioning) kết hợp

8 giữa ảnh và xử lý ngôn ngữ tự nhiên (NLP) để đưa ra một câu chú thích có nội dung phù hợp với bức ảnh Biên dịch ảnh - ảnh là lớp bài toán liên quan đến việc biến đổi các bức ảnh sang đặc tính mới dựa trên ảnh gốc

1.5.2 Một số phương pháp phân vùng ảnh cổ điển

a Phương pháp trích xuất đường viền (Edge Detection) Đường viền (cạnh) biểu thị đường bao của các vật thể trong ảnh, được cấu tạo bởi các pixel liên kết với nhau tạo thành đường phân cách giữa vật thể và các vùng xung quanh

b Phương pháp sử dụng ngưỡng (Thresholding)

Phương pháp sử dụng ngưỡng là một kĩ thuật đơn giản và hữu dụng trong việc phân vùng đối tượng có sự tương phản rõ nét với nền

c Phân vùng ảnh dựa trên miền (Region Based

Segmentation)

Phân vùng ảnh dựa trên miền là xác định các tập hợp pixel được kết nối với nhau mà có cùng các thuộc tính tương tự Mấu chốt của phương pháp này là sự tương đồng về giá trị và khoảng các giữa các pixel

d Phân vùng ảnh dựa trên nhóm đặc trưng

Ý tưởng của phương pháp là xác định một số lượng nhóm (cluster) nhất định trước trong ảnh, mỗi nhóm sẽ có một đại diện (centroid), sau đó phân chia từng pixel vào các nhóm qua việc xác định nó gần centroid nào nhất Các phương pháp được sử dụng nhiều

có thể kể đến là K-means Clutering, Fuzzy C Means, Mean Shift Clustering, …

e Phương pháp đường bao chủ động (Active Contour) và tập mức (Level set)

Phương pháp đường bao chủ động (Active contour) là phương pháp dùng để xác định các đường viền của các vật thể trong ảnh 2D

a Cơ bản về mạng nơ ron tích chập CNN

Mạng nơ ron tích chập (Convolutional Neural Network – CNN), là một mạng nơ ron học sâu và được sử dụng phổ biến đối với

dữ liệu dạng ảnh

vs Two-stage) và Region-proposal method vs Proposal-free method

Các thuật toán phát hiện đối tượng hai công đoạn điển hình như RCNN/Fast-RCNN/Faster-RCNN/Mask-RCNN,

• Mạng R-CNN

Với RCNN, việc trích xuất các vùng ảnh đề xuất được thực hiện thông qua thuật toán tìm kiếm chọn lọc để trích chọn ra các vùng có khả năng chứa đối tượng (khoảng

2000 vùng) Sau đó, các vùng ảnh này được thay đổi kích thước về 1 kích thước cố định

và đưa qua 1 mạng CNN huấn luyện trước, rồi từ đó tiến hành xác định offset và nhãn đối tượng Tuy nhiên, việc đưa các vùng ảnh đề xuất qua mạng CNN 2000 lần khiến tốc

độ thực thi của mô hình rất chậm

11

• Mô hình mạng Unet

Mô hình Unet được giới thiệu lần đầu vào năm 2015 bởi Olaf Ronneberger và các cộng sự của ông là một nghiên cứu đột phá trong lĩnh vực phân đoạn ảnh y sinh lúc bấy giờ

• Mô hình mạng MultiResUnet

Được giới thiệu vào cuối năm 2019, mô hình Multi ResUnet của tác giả Nabil Ibtehaz, M Sohel Rahman như là một cải tiến cho Unet trong việc xử lí các hình ảnh y sinh mà đối tượng trong đó có kích thước khác nhau Để làm được điều này, các tác giả đã giới thiệu một số khối mới như là MultiRes block và kết nối tắt Res Path

• Mô hình mạng ResUnet++

Cuối năm 2019, tác giả Debesh Jha cùng các cộng sự đã giới thiệu một mô hình kết hợp những điểm mạnh của các mô hình Deep Residual Unet (ResUnet) và Unet Sự kết hợp này nhằm tận dụng những điểm mạnh của Residual block, Squeeze and excitation block, ASPP, Attention block và phương pháp nối tắt tương tự Unet nhằm đạt được kết quả tốt hơn trong các tác vụ phân vùng ảnh y sinh Dưới đây là hình ảnh mô hình ResUnet++

• Các hàm mất mát thường dùng trong phân vùng ảnh

Trong các bài toán phân vùng ảnh dùng kỹ thuật học sâu, các hàm mất mát thường được sử dụng là hàm Dice và cross-entropy

c Các mô hình học sâu trong phân vùng ảnh (Image Segmentation)

Các mô hình phân vùng ảnh hiện đại thường bao gồm hai phần chính là mã hóa (Encoder) và giải mã (Decoder)

Hình Error! No text of specified style in document.-1: Cấu trúc Decoder của hầu hết mô hình Phân vùng ảnh hiện đại