Nhóm 9 chẩn Đoán bệnh tv

Mặc dù đã có nhiều nỗ lực trong việc áp dụng các biện pháp kiểm soát dịch bệnhnhư sử dụng giống kháng bệnh, thuốc bảo vệ thực vật và các công nghệ canh tác hiện đại,nhưng hiệu quả vẫn ch

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NÔNG LÂM THÀNH PHỐ HỒ CHÍ MINH

KHOA KHOA HỌC SINH HỌC

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NÔNG LÂM THÀNH PHỐ HỒ CHÍ MINH

KHOA KHOA HỌC SINH HỌC

MỤC LỤC

Trang

MỤC LỤC i

DANH SÁCH CÁC CHỮ VIẾT TẮT iii

DANH SÁCH CÁC HÌNH iv

DANH SÁCH CÁC BẢNG v

CHƯƠNG 1 MỞ ĐẦU 1

1.1 Đặt vấn đề 1

CHƯƠNG 2 TỔNG QUAN TÀI LIỆU 2

2.1 Giới thiệu về bệnh thực vật 2

2.2 Tổng quan về phương pháp chẩn đoán bằng AI 2

2.3 Tổng quan về phương pháp chẩn đoán bằng PCR 3

2.4 Các thiết bị được sử dụng trong chẩn đoán bệnh thực vật bằng AI 3

2.4.1 RGB Camera 3

2.4.2 Multispectral Camera 4

2.4.3 Hyperspectral Camera 5

2.4.4 Infrared Thermal Camera 5

2.4.5 Fluorescence Imaging Camera 6

2.4.7 Máy bay không người lái (UAV) trong nông nghiệp 7

2.4.6 Hệ thống PCR vi mạch thời gian thực 8

CHƯƠNG 3 VẬT LIỆU VÀ PHƯƠNG PHÁP 9

3.1 Chẩn đoán bệnh thực vật bằng công nghệ AI 9

3.1.1 Ứng dụng phương pháp UAV trong thu thập và phân tích dữ liệu 9

3.1.2 Quy trình chẩn đoán bệnh thực vật bằng AI 9

3.1.3 Phân tích hình ảnh trong giám sát và chẩn đoán bệnh cây trồng 10

3.1.4 Ứng dụng học máy trong giám sát và chẩn đoán bệnh cây trồng 11

3.2 Kết hợp hệ thống PCR vi mạch thời gian thực trong chẩn đoán bệnh thực vật 12

3.2.1 Chuẩn bị mẫu 12

3.2.2 Phản ứng PCR vi mạch thời gian thực 12

CHƯƠNG 4 KẾT QUẢ VÀ THẢO LUẬN 15

4.1 Chẩn đoán bệnh thực vật bằng công nghệ AI 15

TÀI LIỆU THAM KHẢO 18

DANH SÁCH CÁC CHỮ VIẾT TẮT

AI : Artifical Intelligence

PCR : Polymerase Chain Reaction

Qpcr : Real-Time Polymerase Chain Reaction

NDVI : Normalized Difference Vegetation Index

SLIC : Simple Linear Iterative Clustering

LBP : Local Binary Pattern

CNN :Convolutional Neural Network

DANH SÁCH CÁC HÌNH

Trang

Hình 2.1 Minh họa hệ thống PCR vi mạch thời gian thực di động 8

Hình 3.1 Ảnh chụp vỏ bọc bộ dò huỳnh quang nhỏ gọn để phát hiện thời gian thực các

mẫu DNA khuếch đại 13

Hình 4.1 Kết quả phân đoạn đầu bông cải xanh là 15 Hình 4.2 Hình ảnh sơ nhiệt độ mô phỏng của vi mạch 17

DANH SÁCH CÁC BẢNG

Trang

Bảng 4.1 Các nghiên cứu sử dụng hình ảnh từ Multi-UAV cho cây Brassica 15 Bảng 4.1.(tt) Các nghiên cứu sử dụng hình ảnh từ Multi-UAV cho cây Brassica 16

CHƯƠNG 1 MỞ ĐẦU

1.1 Đặt vấn đề

Nông nghiệp là ngành kinh tế chủ lực của Việt Nam, đóng vai trò quan trọng trongviệc đảm bảo an ninh lương thực, phát triển kinh tế và cải thiện đời sống nông dân Tuynhiên, ngành nông nghiệp nước ta hiện đang đối mặt với nhiều thách thức, trong đó bệnhhại cây trồng là một vấn đề nghiêm trọng

Các loại bệnh thực vật, từ nấm, vi khuẩn, virus cho đến các tác nhân môi trường,ngày càng trở nên phổ biến và khó kiểm soát Sự thay đổi khí hậu, biến động thời tiết bấtthường và việc canh tác thiếu bền vững làm gia tăng mức độ phát sinh, phát triển và lâylan của các dịch bệnh hại Điều này không chỉ ảnh hưởng đến năng suất, chất lượng sảnphẩm nông nghiệp mà còn gia tăng chi phí sản xuất, đẩy người nông dân vào cảnh khókhăn

Mặc dù đã có nhiều nỗ lực trong việc áp dụng các biện pháp kiểm soát dịch bệnhnhư sử dụng giống kháng bệnh, thuốc bảo vệ thực vật và các công nghệ canh tác hiện đại,nhưng hiệu quả vẫn chưa đạt được như mong muốn Việc thiếu hụt hệ thống chẩn đoánsớm và các giải pháp quản lý bệnh hại hiệu quả là nguyên nhân chính dẫn đến những tổnthất nghiêm trọng

Trong bối cảnh đó, việc nghiên cứu và ứng dụng các công nghệ tiên tiến như kỹthuật PCR và AI để phát hiện sớm và quản lý bệnh hại cây trồng là vô cùng cấp thiết Đâykhông chỉ là giải pháp giúp kiểm soát dịch bệnh một cách khoa học và hiệu quả, mà còngóp phần xây dựng một nền nông nghiệp bền vững, đáp ứng yêu cầu phát triển kinh tế -

xã hội trong giai đoạn mới

CHƯƠNG 2 TỔNG QUAN TÀI LIỆU

2.1 Giới thiệu về bệnh thực vật

Bệnh thực vật xuất phát từ hai nguyên nhân chính: sinh vật sống (mầm bệnh) nhưnấm, vi khuẩn, virus, tuyến trùng, thực vật ký sinh, và yếu tố vô tri như ô nhiễm, mất cânbằng dinh dưỡng hoặc điều kiện môi trường bất lợi Những mầm bệnh mới và sự biến đổicủa các tác nhân hiện hữu tiếp tục là mối đe dọa lớn đối với cây trồng nông nghiệp, câylâm nghiệp và cây cảnh

Việc kiểm soát bệnh thực vật đặt ra thách thức không ngừng cho các nhà nghiêncứu, đòi hỏi những giải pháp sáng tạo và hiệu quả Các biện pháp bao gồm: sử dụnggiống cây kháng bệnh, gieo trồng cây giống sạch bệnh, áp dụng tác nhân kiểm soát sinhhọc, điều chỉnh điều kiện môi trường để hạn chế bệnh, hoặc sử dụng thuốc thực vật antoàn, vừa loại bỏ mầm bệnh vừa bảo vệ môi trường Những phương pháp này không chỉbảo vệ cây trồng mà còn góp phần duy trì cân bằng sinh thái

2.2 Tổng quan về phương pháp chẩn đoán bằng AI

AI, còn được biết đến như Trí tuệ nhân tạo, là một công nghệ có khả năng giảiquyết vấn đề như con người Cách thức hoạt động của AI dường như mô phỏng trí tuệcủa con người – nó có thể nhận dạng hình ảnh và đưa ra dự đoán dựa trên dữ liệu

AI trong nông nghiệp là sự ứng dụng các công nghệ thông tin và AI để giải quyếtcác vấn đề trong sản xuất nông nghiệp Với sự phát triển của AI, nhiều ứng dụng mới củacông nghệ này đã được đưa vào nông nghiệp, giúp cải thiện năng suất và hiệu quả sảnxuất, đồng thời giảm thiểu các rủi ro và chi phí sản xuất

Những lợi ích của AI mang lại cho nông nghiệp là rất lớn Chính vì lý do đó màcông nghệ này đã và đang ngày càng được áp dụng phổ biến trong sản xuất, canh tácnông nghiệp AI đang đóng vai trò quan trọng trong nông nghiệp, giúp tối ưu hóa năngsuất và hiệu quả qua các ứng dụng như dự báo thời tiết, giám sát sức khỏe cây trồng, vàcanh tác chính xác Các công nghệ như rô-bốt nông nghiệp và phun thuốc thông minhgiúp tự động hóa, giảm chi phí và bảo vệ môi trường AI còn hỗ trợ ra quyết định thôngminh và giải quyết tình trạng thiếu lao động

Tuy nhiên, thách thức lớn bao gồm sự thiếu quen thuộc với công nghệ, chi phí cao

và vấn đề bảo mật dữ liệu Để khai thác tối đa tiềm năng AI, cần đầu tư vào giáo dục, hạ

tầng công nghệ và các chính sách hỗ trợ, giúp nông dân tiếp cận dễ dàng hơn và đạt hiệuquả cao trong sản xuất.

2.3 Tổng quan về phương pháp chẩn đoán bằng PCR

Phản ứng chuỗi polymerase (PCR - Polymerase Chain Reaction) là một kỹ thuậtphân tử mạnh mẽ, được ứng dụng rộng rãi trong chẩn đoán bệnh cây nhờ khả năng pháthiện và định lượng chính xác các tác nhân gây bệnh ở mức độ phân tử, ngay cả khi chúnghiện diện với số lượng rất nhỏ Dựa trên nguyên lý nhân bản DNA mục tiêu, PCR gồm bagiai đoạn chính: biến tính DNA để tách đôi chuỗi, gắn mồi đặc hiệu và kéo dài mạchDNA nhờ enzyme polymerase, lặp lại qua nhiều chu kỳ để khuếch đại DNA mục tiêutheo cấp số nhân Phương pháp này được đánh giá cao nhờ độ nhạy và đặc hiệu vượt trội,cho phép phát hiện sớm các mầm bệnh như vi khuẩn, virus, nấm và tuyến trùng, thậm chítrước khi triệu chứng bệnh xuất hiện rõ ràng Ngoài ra, PCR còn hỗ trợ phân loại tác nhângây bệnh, giám sát dịch bệnh và hoạch định các chiến lược kiểm soát hiệu quả

Các biến thể như real-time PCR (qPCR) giúp phát hiện và định lượng DNA theothời gian thực, Nested PCR nâng cao độ nhạy và đặc hiệu, Multiplex PCR phát hiện đồngthời nhiều tác nhân gây bệnh, và RT-PCR phát hiện các virus RNA đều góp phần mởrộng ứng dụng của PCR trong nông nghiệp Tuy nhiên, kỹ thuật này cũng đối mặt vớimột số hạn chế như chi phí cao, yêu cầu kỹ thuật chuyên sâu, nguy cơ nhiễm chéo và cầntối ưu hóa điều kiện thực nghiệm Bất chấp những thách thức, PCR vẫn là công cụ khôngthể thiếu trong việc phát hiện nhanh và chính xác các mầm bệnh, hỗ trợ quản lý dịch bệnhcây trồng, nâng cao năng suất và bảo vệ môi trường

2.4 Các thiết bị được sử dụng trong chẩn đoán bệnh thực vật bằng AI

2.4.1 RGB Camera

RGB cameras là một loại camera phổ biến được sử dụng rộng rãi trong lĩnh vựcgiám sát thực vật nhờ các đặc tính nổi bật như trọng lượng nhẹ, dễ vận hành, xử lý dữ liệuđơn giản, chi phí thấp và yêu cầu ít về môi trường làm việc Những đặc tính này giúpRGB cameras trở thành một công cụ lý tưởng để ứng dụng trong các hệ thống khôngngười lái (UAV) nhằm giám sát cây trồng và thu thập dữ liệu một cách hiệu quả

RGB cameras hoạt động bằng cách ghi lại thông tin ánh sáng trong ba dải màu cơ bản đỏ(Red), xanh lá (Green) và xanh dương (Blue) Thông tin này sau đó được kết hợp để tạo

ra hình ảnh đầy đủ màu sắc hoặc hình ảnh xám (grayscale) tùy theo mục đích sử dụng

Các hình ảnh này cung cấp thông tin quan trọng về kết cấu, màu sắc và các đặc điểmquang phổ của bề mặt cây trồng Để xác định bệnh lý trên cây trồng, những thay đổi vềmàu sắc hoặc kết cấu trên lá có thể là dấu hiệu rõ ràng của bệnh hoặc tình trạng stress.Máy ảnh RGB, với khả năng ghi lại hình ảnh màu sắc chi tiết, đóng vai trò quan trọngtrong việc phát hiện và lưu giữ các thay đổi này Dữ liệu từ máy ảnh RGB cung cấp cơ sở

để phân tích sâu hơn, giúp nhận diện sớm các vấn đề liên quan đến sức khỏe cây trồng

Tuy nhiên, RGB cameras có những giới hạn đáng kể Do chỉ dựa vào các dải ánhsáng khả kiến (visible light), chúng không thể cung cấp thông tin chi tiết ở các dải quangphổ khác như hồng ngoại (infrared) hoặc hyperspectral Điều này khiến RGB cameraskhó nhận diện được các triệu chứng bệnh ở giai đoạn rất sớm, khi các dấu hiệu không thểnhìn thấy bằng mắt thường

2.4.2 Multispectral Camera

Máy ảnh đa phổ (Multispectral Camera) là một công nghệ quan trọng trong việcthu thập dữ liệu bức xạ từ cả vùng ánh sáng khả kiến (visible) và không khả kiến(invisible) của quang phổ điện từ Loại cảm biến này được thiết kế để ghi nhận dữ liệu tạicác dải sóng cụ thể, chẳng hạn như xanh dương, xanh lá, đỏ, và cận hồng ngoại, giúpphân tích chi tiết các đặc điểm của cây trồng Với chi phí thấp hơn so với các công nghệtiên tiến hơn như máy ảnh siêu phổ (Hyperspectral Camera), máy ảnh đa phổ trở thànhmột lựa chọn kinh tế cho nhiều ứng dụng trong nông nghiệp chính xác Ngoài ra, chúng

có khả năng thu thập dữ liệu với tốc độ khung hình cao, cung cấp hình ảnh liên tục, giúpcải thiện hiệu suất công việc và tiết kiệm thời gian trong giám sát trên diện tích lớn Tuynhiên, loại máy ảnh này cũng có một số hạn chế như dải phổ không liên tục, số lượng dảiphổ thu nhận hạn chế, và độ phân giải phổ thấp, làm giảm khả năng phân biệt chi tiết cácđặc điểm phức tạp hoặc các hợp chất trong môi trường

Dù vậy, máy ảnh đa phổ đã chứng minh được tính hiệu quả trong các ứng dụngthực tế, như phát hiện các giai đoạn sinh trưởng của cây cải dầu mùa đông (wintercanola) và ước tính năng suất của cây cải dầu hạt (oil seed rape) Các dải phổ như cậnhồng ngoại (NIR) và đỏ (Red) được sử dụng để tính toán chỉ số thực vật, điển hình làNDVI (Normalized Difference Vegetation Index), hỗ trợ đánh giá sức khỏe cây trồng vànăng suất Nhờ sự kết hợp giữa hiệu quả chi phí và khả năng cung cấp dữ liệu chính xáctrong thời gian ngắn, máy ảnh đa phổ tiếp tục đóng vai trò quan trọng trong nông nghiệp

chính xác, góp phần tối ưu hóa năng suất cây trồng và quản lý tài nguyên nông nghiệpbền vững.

2.4.3 Hyperspectral Camera

Máy ảnh siêu phổ (Hyperspectral Camera) là một công cụ cảm biến tiên tiến, cókhả năng thu nhận và ghi lại một lượng lớn các dải sóng hẹp liên tục trong quang phổđiện từ Với ưu thế vượt trội về việc cung cấp phổ liên tục và độ phân giải phổ cao, thiết

bị này cho phép phân biệt các đặc điểm quang phổ nhỏ giữa các loài cây hoặc giữa câykhỏe mạnh và cây bị bệnh Một ứng dụng điển hình được đề cập là trong nghiên cứu vềbông cải xanh, nơi hình ảnh siêu phổ được sử dụng để phân tích và cung cấp các tham sốđịnh lượng nhằm phát hiện mức glucosinolates – một hợp chất liên quan đến giá trị dinhdưỡng Ngoài ra, Hyperspectral Camera cũng được sử dụng trong việc ước tính sinh khốicây trồng, như trong nghiên cứu về các loại rau quả như bắp cải, cà chua, và cà tím.Nghiên cứu này kết hợp hai loại cảm biến: máy ảnh RGB 3D gắn trên UAV để thu thập

dữ liệu chiều cao và máy ảnh siêu phổ trên mặt đất để ghi nhận phản xạ quang phổ

Phân tích dữ liệu đa cảm biến đã cho thấy kết quả rất hứa hẹn, khi sự kết hợp nàykhông chỉ cung cấp thông tin về hình thái học của cây trồng mà còn giúp phát hiện nhữngthay đổi quang phổ tinh tế liên quan đến bệnh lý hoặc sức khỏe cây Dù có chi phí cao vàyêu cầu xử lý dữ liệu phức tạp, Hyperspectral Camera vẫn là một công cụ mạnh mẽ, giúpphát hiện bệnh sớm, đánh giá năng suất, và cung cấp thông tin chi tiết về các đặc điểmsinh học của cây trồng Nhờ khả năng này, máy ảnh siêu phổ đang ngày càng được ứngdụng rộng rãi trong nông nghiệp chính xác, mang lại tiềm năng lớn trong việc tối ưu hóanăng suất và nâng cao chất lượng cây trồng

2.4.4 Infrared Thermal Camera

Infrared Thermography (IRT) là một công nghệ tiên tiến được sử dụng để pháthiện và đo lường bức xạ nhiệt trong dải hồng ngoại nhiệt từ 8 đến 14 μm Công nghệ nàyđặc biệt hữu ích trong nông nghiệp chính xác để đánh giá nhiệt độ bề mặt của tán cây và

lá, một yếu tố liên quan trực tiếp đến trạng thái nước của cây trồng Khi cây trồng bị tổnthương hoặc mắc bệnh, mất nước là hiện tượng phổ biến do sự suy giảm quang hợp, mất

mô khỏe mạnh, và giảm độ dẫn khí khổng Điều này dẫn đến căng thẳng nước (waterstress), làm nhiệt độ bề mặt cây tăng lên, một dấu hiệu dễ dàng được phát hiện bởi IRT.Công nghệ này có thể được triển khai trên nhiều quy mô, từ các thí nghiệm nhỏ trong

phòng thí nghiệm đến giám sát diện rộng bằng thiết bị gắn trên UAV hoặc vệ tinh Tuynhiên, hiệu quả của IRT bị ảnh hưởng bởi các yếu tố môi trường như gió, mưa, ánh sángmặt trời và nhiệt độ môi trường cực đoan, khiến cho việc đo lường cần được hiệu chỉnhcẩn thận.

Một nghiên cứu thực tiễn đã sử dụng camera nhiệt hồng ngoại WWARICWorkswell Wiris Agro R Infrared Camera (WWARIC) cùng với thiết bị siêu phổAnalytical Spectral Device (ASD) để giám sát rau cải ngọt (choy sum) Mục tiêu củanghiên cứu là dự đoán trạng thái căng thẳng nước của cây thông qua hình ảnh nhiệt và dữliệu phổ phản xạ Kết quả cho thấy, phương pháp kết hợp này vừa nhanh chóng, vừakhông phá hủy cấu trúc cây, cung cấp giải pháp tiềm năng cho việc đánh giá sức khỏe câytrồng Với khả năng phát hiện sớm các dấu hiệu căng thẳng nước và bệnh lý, IRT đangtrở thành một công cụ quan trọng trong quản lý nông nghiệp bền vững

2.4.5 Fluorescence Imaging Camera

Fluorescence Imaging Camera là một công cụ tiên tiến sử dụng nguồn sáng laserhoặc đèn LED để phân tích sự thay đổi trong hoạt động quang hợp của cây trồng dưới cácđiều kiện stress sinh học và phi sinh học Công nghệ này cho phép đo lường các tham sốliên quan đến hoạt động quang hợp, từ đó hỗ trợ phân loại và đánh giá các bệnh nấm trêncây, đặc biệt là khi bệnh chưa biểu hiện rõ ràng Với khả năng đánh giá chi tiết sự khácbiệt trong hoạt động quang hợp, máy ảnh huỳnh quang mang lại tiềm năng lớn trong việcphát hiện sớm và định lượng các bệnh nấm, qua đó giúp cải thiện hiệu quả trong quản lýcây trồng Tuy nhiên, một hạn chế lớn của thiết bị này là yêu cầu quy trình chuẩn bị câytrồng nghiêm ngặt, khiến nó chưa được ứng dụng rộng rãi trong thực tế

Một nghiên cứu nổi bật đã áp dụng công nghệ giảm tỉ lệ huỳnh quang diệp lụccảm ứng bởi ánh sáng mặt trời (SIF) để đánh giá mối quan hệ giữa huỳnh quang diệp lục

và sản lượng sơ cấp tổng (GPP) trên nhiều loại cây như cải bắp Trung Quốc, khoai lang,

bí ngô, cỏ xạ hương, và bông Sử dụng thuật toán rừng ngẫu nhiên (Random Forest),nghiên cứu đã đạt hiệu quả cao trong việc ước lượng xác suất thoát SIF, chứng minh rằngphương pháp này có thể áp dụng hiệu quả trong cả các phép đo trên không và trên mặtđất Nhìn chung, Fluorescence Imaging Camera không chỉ là một công cụ hữu ích đểphát hiện bệnh cây mà còn cung cấp dữ liệu quan trọng về sức khỏe và năng suất câytrồng, tạo tiền đề cho các chiến lược canh tác chính xác và bền vững hơn