TỰ ĐỘNG NHẬN DẠNG một số LOẠI sâu BỆNH TRÊN lá bưởi sử DỤNG CÔNG NGHỆ ẢNH

Tạp chí Khoa học Trường Đại học Cần Thơ Số chuyên đề: Công nghệ thông tin (2017): 88-95 DOI:10.22144/ctu.jsi.2017.012 TỰ ĐỘNG NHẬN DẠNG MỘT SỐ LOẠI SÂU BỆNH TRÊN LÁ BƯỞI SỬ DỤNG CÔNG NGHỆ ẢNH Nguyễn Minh Triết1, Trương Quốc Bảo2 Trương Quốc Định3 Công ty Cổ phần Dịch vụ Bưu viễn thơng Sài Gòn Khoa Công nghệ, Trường Đại học Cần Thơ Khoa Công nghệ Thông tin Truyền thông, Trường Đại học Cần Thơ Thông tin chung: Ngày nhận bài: 15/09/2017 Ngày nhận sửa: 10/10/2017 Ngày duyệt đăng: 20/10/2017 Title: Grapefruit leaf pets detection and recognition automatically using image technology Từ khóa: Đặc trưng ảnh, bưởi, máy học vectơ hỗ trợ, nhận dạng phát hiện, phân đoạn ảnh, sâu bệnh, xử lý hình thái Keywords: Image feature, grapefruit leaf, support vector machines, detection and recognition, image segmentation, pests, morphology processing ABSTRACT Nowadays, information technology is widely applied in agriculture - the most developed field in Viet Nam Among these applications, the detection and recognition of pests system using handle image technique and computer vision have been attracted by many researchers In this paper, the detection and recognition pests are resolved through two main phases: (1) detect possible areas that are pests; (2) identify the pests from the possible areas detected In the first phase, segment method is used to detect possible areas Binary segment and contour detection method is used to get and hightlight related objects in this phase In the second phase, some colour features and shape features are extracted from images Then, combined with extracted features, support vector machines are built to classify the image areas which are found in the previous phase Classification models are trained to recognize four grapefruit leaf pests The training results are over 99.5% for each model The experimental result over 500 images is 99.2% These results show that the proposed method achieves promising results and can be applied to identify the pests in reality TĨM TẮT Ngày nay, cơng nghệ thơng tin ứng dụng rộng rãi nông nghiệp, lĩnh vực phát triển nước ta Trong số ứng dụng này, hệ thống phát nhận dạng sâu bệnh sử dụng kỹ thuật xử lý ảnh thị giác máy tính thu hút nhiều nhà nghiên cứu ngồi nước Nghiên cứu trình bày phương pháp để phát nhận dạng sâu bệnh bưởi Bài tốn giải thơng qua hai giai đoạn là: phát vùng ứng viên có khả sâu bệnh; nhận dạng sâu bệnh từ vùng ứng viên phát Ở giai đoạn thứ nhất, phương pháp phân đoạn ảnh thực để xác định vùng ứng viên đối tượng sâu bệnh Giai đoạn sử dụng phương pháp phân ngưỡng nhị phân kết hợp với kỹ thuật dò biên để tách lấy vùng ứng viên Ở giai đoạn thứ hai, số đặc trưng màu sắc hình dáng trích từ ảnh Sau đó, mơ hình máy học vectơ hỗ trợ (SVM) xây dựng kết hợp với đặc trưng trích trước để phân lớp vùng ứng viên Chúng tơi huấn luyện mơ hình phân lớp để nhận dạng bốn loại sâu bệnh bưởi Kết huấn luyện đạt 99,5% Kết thực nghiệm nhận dạng 500 ảnh sâu bệnh cho thấy độ xác xấp xỉ 99,2% khẳng định phương pháp đề nghị triển vọng áp dụng vào nhận dạng sâu bệnh thực tế Trích dẫn: Nguyễn Minh Triết, Trương Quốc Bảo Trương Quốc Định, 2017 Tự động nhận dạng số loại sâu bệnh bưởi sử dụng cơng nghệ ảnh Tạp chí Khoa học Trường Đại học Cần Thơ Số chuyên đề: Công nghệ thơng tin: 88-95 88 Tạp chí Khoa học Trường Đại học Cần Thơ Số chuyên đề: Công nghệ thông tin (2017): 88-95 chi tiết nội dung giải thuật xử lý ảnh nhận dạng để phát nhận dạng sâu bệnh bưởi Các kết thực nghiệm thảo luận trình bày mục Kết luận hướng phát triển đưa mục báo GIỚI THIỆU Việt Nam nước phát triển nông nghiệp, ngành công nghiệp ăn nước ta có tiềm lớn đóng vai trò quan trọng nông nghiệp sản xuất Bưởi loại ăn trái có giá trị kinh tế cao Bưởi trồng nhiều địa phương nước Tỉnh Vĩnh Long tiếng với giống bưởi Năm Roi, Bến Tre tiếng với bưởi da xanh, Đồng Nai có bưởi đường cam, Phú Thọ có bưởi tổ,… NỘI DUNG NGHIÊN CỨU Cây bưởi thuộc họ hàng the Cũng loại có múi khác, bưởi thường bị nhiều loại sâu hại thân, Trong đó, sâu hại bưởi thuộc loại nguy hiểm chúng làm cho giảm quang hợp dẫn đến sinh trưởng phát triển kém, đặc biệt con, hoa trái dễ rụng Một số loại sâu hại bưởi kể đến bọ xít nâu, ốc sên, rệp sáp, rệp vảy (Hình 2) Trên giới có số cơng trình nghiên cứu nhận dạng sâu bệnh trái cà chua, dưa chuột,… cách vận dụng kỹ thuật xử lý ảnh nhận dạng đạt số kết khả quan Các hệ thống nhận dạng sâu bệnh thường thử nghiệm điều kiện lý tưởng mơi trường nhà kính, chưa áp dụng rộng rãi vào mơi trường thực tế ngồi trời (Mundada and Gohokar, 2013), nghiên cứu nhận biết xác có khơng có sâu bệnh nằm Hệ nhận dạng nhận dạng sâu bệnh tổng quát có liệu sâu bệnh trình bày Faithpraise Fina et al (2013) sử dụng kết hợp kỹ thuật K-Means với lọc tương hợp (correspondence filter) để nhận dạng sâu bệnh Đến nay, có hệ thống nhận dạng sâu bệnh cho loại nông sản Nghiên cứu trình bày Murali Krishnan and Jabert.G, 2013 sử dụng kỹ thuật phân cụm KMeans phép trừ ảnh để phát sâu bệnh cà phê chưa xây dựng hệ thống nhận dạng sâu bệnh đầy đủ, dừng lại mức phát chưa nhận dạng sâu bệnh Ở Việt Nam, chưa có cơng bố hệ thống phát nhận dạng sâu bệnh trồng phát triển mạnh nơng nghiệp Vì vậy, nghiên cứu phát nhận dạng sâu bệnh bưởi có ý nghĩa khoa học thực tiễn cao Trong báo này, đề xuất giải thuật để phát nhận dạng sâu bệnh bưởi sử dụng kỹ thuật phân đoạn ảnh, kết hợp với phương pháp dò biên phân tích hình dáng để phát vùng ứng viên đối tượng có khả sâu bệnh Tiếp theo, vùng ứng viên phân tích nhằm trích đặc trưng ảnh phân loại để nhận dạng sâu bệnh SVM Hình 2: Từ trái sang phải: bọ xít nâu, ốc sên, rệp sáp, rệp vảy 2.1 Tiền xử lý Đầu tiên, ảnh đầu vào chuyển từ không gian màu RGB sang HSV Lab Thực nghiệm cho thấy việc xử lý ảnh không gian màu HSV cho kết tốt trường hợp cần phân đoạn đối tượng lá, việc xử lý ảnh khơng gian màu Lab cho kết phân đoạn ảnh tốt nhiều đối tượng bưởi Sau chuyển ảnh đầu vào từ không gian màu RGB sang khơng gian màu HSV ảnh áp dụng kỹ thuật tăng độ tương phản với tham số α = (độ tương phản) trước chuyển sang ảnh đa mức xám Tiếp đến, kỹ thuật lọc mờ với mặt nạ kích thước 3x3 áp dụng nhằm nâng cao chất lượng ảnh trước chuyển sang giai đoạn phân đoạn ảnh Đối với ảnh chuyển từ không gian màu RGB sang khơng gian màu Lab khơng cần thực giai đoạn tăng độ tương phản áp dụng kỹ thuật lọc cho kết tốt, phương pháp sử dụng hệ thống thực nghiệm 2.2 Phát vùng ứng viên Để trích vùng ứng viên chứa sâu bệnh, thực bước sau: phân đoạn ảnh để tách vùng ứng viên (sâu bệnh) khỏi (vùng bưởi), sau sử dụng phép tốn hình thái để làm sạch, làm trơn bật vùng ứng viên, cuối tiến hành xây dựng viền (contour) để trích lấy vùng ứng viên chứa sâu bệnh từ ảnh gốc đầu vào Hình 1: Sơ đồ tổng quát phương pháp đề nghị Quy trình giải tốn trình bày Hình Mục báo giới thiệu 89 Tạp chí Khoa học Trường Đại học Cần Thơ Số chuyên đề: Cơng nghệ thơng tin (2017): 88-95 2.2.1 Thuật tốn tự động phân ngưỡng Otsu Chọn ngưỡng tối ưu t* t ∗ ArgMax Giai đoạn để có vùng ứng viên phân ngưỡng ảnh đầu vào Ảnh gốc chuyển sang ảnh nhị phân kỹ thuật phân ngưỡng với ngưỡng Otsu σ t (10) 2.2.2 Phương pháp dò biên Laplacian Sau ảnh đầu vào nhị phân hóa, kỹ thuật dò biên áp dụng vào giai đoạn nhằm xác định biên vùng ứng viên Ở nghiên cứu này, sử dụng phương pháp dò biên Laplacian 2.2.3 Xử lý hình thái – Phép tốn đóng Thuật tốn Otsu thực thơng qua bước sau (Trương Quốc Bảo, 2013): Kiểm tra tất ngưỡng T Với ngưỡng T chọn, thực hiện: Kết bước dò biên viền vùng ứng viên Tuy nhiên, viền chưa liền mạch chưa thật xác Do đó, chúng tơi sử dụng thêm phép tốn hình thái, phép tốn đóng áp dụng với kiểu mặt nạ elip, kích thước 3x3 Trong phép tốn đóng, phép toán giãn nở thực năm lần, phép tốn co thực năm lần sau Kết trình viền (contour) vùng ứng viên, từ tách lấy đối tượng xác định viền Sau đó, đối tượng đặt sang ảnh khác với kích thước vng, đen Ảnh điều chỉnh lại thành kích thước 25 x 25 pixels Tính giá trị trung bình giá trị phương sai cho mức xám lớp Chọn ngưỡng cho giá trị tổng bình phương phương sai lớp lớn Hình minh họa việc chọn ngưỡng phân đoạn thuật tốn Otsu Hình 3: Phân ngưỡng Otsu Thuật tốn Otsu hai lớp: Tính giá trị trung bình mức xám: n p n p p a (1) (2) p ω t (4) p Tính giá trị phương sai: ip μ t ω t μ t μ (5) Tính tổng phương sai: σ t μ ω t μ t μ ω t μ t d Bốn loại sâu bệnh chọn có màu sắc hình dáng tương đối khác nên tập trung chủ yếu vào việc rút trích đặc trưng liên quan đến màu sắc hình dạng Từng ảnh đọc qua tiến hành rút trích đặc trưng sau: Color moments (Hoàng Văn Hiệp, 2011), Color correlograms (Claudio Taranto et al., 2010), Zernike moments (Jamie Shutler, 2002) 2.3.1 Đặc trưng Color moments (6) (7) ip c Hình mô tả bước tách vùng ứng viên khỏi ảnh gốc Đầu tiên, ảnh gốc (Hình 4a) nhị phân hóa với ngưỡng Otsu tiến hành dò tìm viền (Hình 4b) Tiếp đến, viền đối tượng đặt lên ảnh gốc Hình 4c Cuối cùng, vùng ảnh nằm viền chép sang ảnh với đen 2.3 Rút trích đặc trưng (3) Trong đó: i mức xám, ni số lượng điểm ảnh có mức xám i Tính trọng số (t ngưỡng): ω t b Hình 4: Các bước thực tách vùng ứng viên khỏi ảnh gốc (8) Đặc trưng màu sắc sử dụng Color moments Với đặc trưng này, ảnh RGB tách thành ba kênh màu riêng biệt Red (đỏ), Green (xanh cây), Blue (xanh dương) Sau đó, chúng tơi tính tốn đặc trưng giá trị trung bình (Mean), (9) 90 Tạp chí Khoa học Trường Đại học Cần Thơ Số chuyên đề: Công nghệ thông tin (2017): 88-95 Bảng 1: Bảng đánh giá độ xác mơ hình phân lớp SVM dựa vào tham số d k đặc trưng Color correlograms số trường hợp độ lệch chuẩn (Standard deviation) độ lệch phân bố (Skewness) kênh màu Ảnh gốc chuyển sang ảnh đa mức xám để trích đặc trưng Color moments Cuối cùng, đặc trưng ba kênh màu đặc trưng ảnh xám ghép lại với để trở thành đặc trưng Color moments ảnh Các đặc trưng tính tốn theo cơng thức (11), (12) (13): Giá trị kỳ vọng, giá trị trung bình (11) (Mean): E p STT k d Độ lệch chuẩn (Standard deviation): p σ Độ lệch s N phân p E bố {1, 2, 3} {1, 2, 3, 4, 5} {1, 2, 3, 4, 5, 6, 7} {1, 2, 3, 4, 5} {1, 2, 3, 4, 5} Với tham số k d chọn, chúng tơi tiến hành trích đặc trưng ảnh đa mức xám ảnh đa mức xám theo kênh màu Sau tổng hợp lại đặc trưng Color correlograms cho ảnh (12) E 52 52 52 43 64 Độ xác mơ hình SVM 99,1111 % 99,5 % 99,4444 % 99,1667 % 99,2778 % (Skewness): Đối với ảnh RGB, số lượng màu sắc lớn (hơn 16,7 triệu màu), việc tách ảnh RGB thành ảnh đa mức xám giúp cho việc tính tốn xử lý đơn giản nhiều Đồng thời, ảnh tách làm ba kênh màu giúp gia tăng độ xác nhận dạng Thực nghiệm cho thấy với cách chọn tham số k d nêu đem lại kết tối ưu, độ xác cao loại bỏ dư thừa liệu, đồng thời rút ngắn thời gian xử lý 2.3.3 Đặc trưng Zernike moments (13) Trong đó: pij giá trị kênh màu i pixel có vị trí j ảnh Thực nghiệm cho thấy việc tách ảnh gốc thành ba kênh màu song song với việc chuyển sang ảnh đa mức xám để rút đặc trưng đem lại hiệu tốt hơn, độ xác cao so với việc rút đặc trưng trực tiếp ảnh đa mức xám 2.3.2 Đặc trưng Color correlograms Trong nghiên cứu này, chúng tơi sử dụng đặc trưng hình dạng Zernike moments Để rút trích đặc trưng này, ảnh đầu vào chuyển từ ảnh màu RGB sang ảnh đa mức xám Sau đó, chúng tơi áp dụng cơng thức (14) để tính đa thức Radial Đặc trưng màu sắc sử dụng Color correlograms Cũng đặc trưng Color moments, để rút trích đặc trưng Color correlograms ảnh RGB tách thành ba kênh màu riêng biệt Red (đỏ), Green (xanh cây), Blue (xanh dương), đồng thời ảnh gốc chuyển sang ảnh đa mức xám để rút trích đặc trưng Tham số cho đặc trưng Color correlograms chọn sau: | | R r m Mức xám màu phân theo cụm (k), cụm năm giá trị liền Như vậy, với 256 mức xám ta 52 cụm s! m |n| s ! s ! m (14) |n| r s ! Khoảng cách từ điểm ảnh xét đến điểm ảnh cần so sánh giá trị mức xám (d) chọn năm giá trị 1, 2, 3, 4, Khi có đa thức Radial, chúng tơi tiến hành tính Zernike moments theo (15): m Z P x, y V ∗ x, y (15) π Tham số k d chọn dựa thực nghiệm Chúng tiến hành thay đổi giá trị k d đồng thời kiểm tra độ xác mơ hình phân lớp SVM (Bảng 1) Dựa vào Bảng 1, ta thấy việc chọn giá trị k = 52 d = {1, 2, 3, 4, 5} đem lại độ xác cao cho mơ hình phân lớp Chúng tơi thử nghiệm nhiều bậc Zernike moments để xác định độ xác mơ hình phân lớp (Bảng 2) Ở đây, bậc Zernike moments chọn mơ hình phân lớp SVM đạt độ xác cao Qua thực nghiệm, nhận thấy ba đặc trưng chọn cho thời gian trích đặc trưng 91 Tạp chí Khoa học Trường Đại học Cần Thơ Số chuyên đề: Công nghệ thông tin (2017): 88-95 KẾT QUẢ THỰC NGHIỆM 3.1 Kết phát vùng ứng viên nhanh chóng, dung lượng tập tin đặc trưng nhỏ Tuy nhiên, đặc trưng trường hợp đảm bảo đem lại độ xác cao q trình phân lớp nhận dạng Chúng tơi sử dụng 500 ảnh để kiểm thử, tỉ lệ tìm bao đóng (viền) vùng ứng viên 100% (Bảng 3) Bảng 2: Bảng đánh giá độ xác mơ hình phân lớp SVM dựa vào bậc Zernike moments số trường hợp STT Bậc Zernike moments 10 Bảng 3: Kết phát vùng ứng viên Độ xác mơ hình SVM 99,2222 % 99,2222 % 99,5 % 99,2778 % 99,2222 % Số ảnh kiểm thử 500 Số ảnh phát vùng ứng viên 500 (100%) Số ảnh không phát vùng ứng viên (0%) 3.2 Kết huấn luyện SVM với đặc trưng Color moments, Color correlograms Zernike moments 3.2.1 Giá trị tham số huấn luyện Sau trích đặc trưng ảnh, liệu chuẩn hóa để phù hợp với thư viện LibSVM 2.4 Huấn luyện phân lớp Với tập liệu sâu bệnh thu thập được, chúng tơi xây dựng mơ hình phân lớp SVM với tham số sau: Sau có tập tin đặc trưng chuẩn hóa, tập tin trở thành đầu vào máy học SVM Ở đây, sử dụng thư viện LibSVM (ChihChung Chang and Chih-Jen Lin, 2001) để xây dựng mơ hình phân lớp, bước thực sau:  SVM type: C-SVC  Kernel type: Radial basis  Gamma: 0.125  Cost: 3.2.2 Kết huấn luyện Bước 1: Các đặc trưng xuất bước rút trích đặc trưng đầu vào trình huấn luyện phân lớp Với giá trị tham số huấn luyện tìm được, chúng tơi tiến hành huấn luyện mơ hình phân lớp kiểm tra kết Cụ thể sau: Bước 2: Chọn thông số phù hợp để việc xây dựng mơ hình phân lớp Đối với tập tin đặc trưng đầu vào, sử dụng công cụ grid.py thư viện LibSVM để chọn tham số tốt nhất, đảm bảo cho trình huấn luyện đem lại độ xác cao Đối với tập đặc trưng chọn trên, tham số g (gamma hàm nhân) chọn 0,125 c (chi phí) chọn  Số mẫu huấn luyện: 1800 mẫu  Số lượng mẫu kiểm tra: 500 mẫu với Số mẫu phân lớp đúng: 496 mẫu (chiếm 99,2 %) Số mẫu phân lớp sai: 04 mẫu (chiếm 0.8 %) 3.3 Kết kiểm thử 3.3.1 Trường hợp 1: sâu bệnh/ bưởi Bước 3: Huấn luyện mơ hình SVM phương thức Train() với tập tin đặc trưng chọn bước 1, thông số chọn bước Chúng tiến hành kiểm thử hình ảnh sâu bệnh Kết kiểm thử với mơ hình phân lớp nhận dạng SVM trình bày chi tiết Bảng Bước 4: Kiểm tra độ xác mơ hình phương thức EvaluateClassificationProblem() Hình minh họa cho nhận dạng sâu bệnh Trong đó, Hình 5a minh họa nhận dạng đối tượng sâu bệnh, Hình 5b trường hợp không chứa đối tượng sâu bệnh Đầu giai đoạn mơ hình phân lớp Mơ hình dùng để phân lớp nhận dạng sâu bệnh 2.5 Nhận dạng sâu bệnh Sau có mơ hình phân lớp, chúng tơi tiến hành kiểm tra q trình phân lớp SVM Dữ liệu đầu vào tập tin liệu đặc trưng ảnh SVM sử dụng phương thức Predict() để tiến hành phân lớp nhận dạng kết giai đoạn nhãn (lớp) liệu đầu vào A B Hình 5: Nhận dạng sâu bệnh/lá 92 Tạp chí Khoa học Trường Đại học Cần Thơ Số chuyên đề: Công nghệ thông tin (2017): 88-95 Bảng 4: Bảng kết kiểm thử chương trình sâu bệnh/lá Số lượng mẫu Số lượng mẫu nhận dạng Số lượng mẫu Thời gian xử kiểm thử nhận dạng sai lý trung bình Bọ xít nâu 100 99 (99%) 01 (01%) 206 ms Ốc sên 100 98 (98%) 02 (02%) 150 ms Rệp sáp 100 100 (100%) 00 (00%) 151 ms Rệp vảy 100 100 (100%) 00 (00%) 142 ms Không có sâu bệnh 100 99 (99%) 01 (01%) 281 ms Tổng cộng 500 496 (99,2%) 04 (0,8%) 186 ms 3.3.2 Trường hợp 2: nhiều sâu bệnh/ sâu bệnh bưởi Kết kiểm thử nhiều bưởi (mở rộng) sâu bệnh với mơ hình phân lớp nhận dạng SVM trình bày chi tiết Bảng Chúng mở rộng phạm vi đề tài 5, 6, cách xây dựng thêm chức nhận dạng nhiều Bảng 5: Bảng kết kiểm thử chương trình hai sâu bệnh/lá Loại sâu bệnh Số lượng sâu bệnh Số loại sâu bệnh Số lượng mẫu Số lượng mẫu nhận dạng Thời gian xử lý kiểm thử trung bình sâu bệnh sâu bệnh 12 12 00 347 ms 02 02 00 366 ms Hình minh họa cho nhận dạng hai sâu bệnh Hình 6a chứa hai đối tượng sâu bệnh loại Hình 6b chứa hai đối tượng sâu bệnh khác loại a b Hình 6: Nhận dạng hai sâu bệnh/lá Bảng 6: Bảng kết kiểm thử chương trình ba sâu bệnh/lá Số lượng sâu bệnh Số lượng mẫu nhận dạng Số loại sâu Số lượng mẫu kiểm thử sâu bệnh sâu bệnh sâu bệnh bệnh 12 12 0 02 02 0 Thời gian xử lý trung bình 426 ms 439 ms Hình minh họa cho nhận dạng ba sâu bệnh Hình 7a chứa ba đối tượng sâu bệnh loại Hình 7b chứa ba đối tượng sâu bệnh thuộc hai loại khác b a Hình 7: Nhận dạng ba sâu bệnh/lá Bảng 7: Bảng kết kiểm thử chương trình bốn sâu bệnh/lá Số lượng mẫu nhận dạng Thời gian xử Số lượng sâu Số loại Số lượng mẫu kiểm thử sâu bệnh sâu bệnh sâu bệnh sâu bệnh lý trung bình bệnh sâu bệnh 10 09 01 00 00 513 ms 03 02 01 00 00 576 ms Hình minh họa cho nhận dạng bốn sâu bệnh Hình 8a chứa bốn đối tượng sâu bệnh loại Hình 8b chứa bốn đối tượng sâu bệnh thuộc hai loại khác Trong số trường hợp hệ thống khơng tìm vùng ảnh đối tượng sâu bệnh Hình a b Hình 8: Nhận dạng bốn sâu bệnh 93 Tạp chí Khoa học Trường Đại học Cần Thơ Số chun đề: Cơng nghệ thơng tin (2017): 88-95 Chương trình có độ xác cao, nhận dạng xác loại sâu bệnh huấn luyện Ở Hình 6a số lượng vùng ứng viên tìm thấy 03, số lượng đối tượng sâu bệnh nhận dạng 02 vùng ứng viên hệ thống xác định sâu bệnh Tương tự vậy, Hình 8a, số lượng vùng ứng viên hệ thống trả 05, số lượng đối tượng sâu bệnh nhận dạng 04 vùng ứng viên xác định sâu bệnh 3.3.3 Trường hợp 3: phát nhận dạng đối tượng sâu bệnh khơng xác Hình ảnh chứa 04 đối tượng sâu bệnh hệ thống phát 03 đối tượng Nguyên nhân việc phát không đầy đủ trình phát vùng ứng viên chưa thật tốt Hạn chế khắc phục cách tính tốn lại tỉ lệ kích thước vùng ứng viên Chương trình có thời gian xử lý phù hợp việc trích đặc trưng, huấn luyện nhận dạng sâu bệnh (thời gian xử lý trung bình Bảng 5, 6, tổng thời gian phát vùng ứng viên nhận dạng sâu bệnh từ vùng ứng viên) Hình 9: Ví dụ trường hợp phát vùng ứng viên khơng đầy đủ Độ xác giai đoạn nhận dạng phần lớn phụ thuộc vào chất lượng ảnh, đặc trưng ảnh sử dụng, đồng thời phụ thuộc vào độ xác mơ hình phân lớp Trong đó, thời gian xử lý phụ thuộc chủ yếu vào số lượng vùng ứng viên tìm thấy giai đoạn trước đó, số lượng thành phần đặc trưng rút trích Ngồi việc phát khơng đầy đủ vùng ứng viên, hệ thống nhận dạng đối tượng sâu bệnh khơng xác Hình 10 minh họa cho việc nhận dạng nhầm loại sâu bệnh ảnh Đối tượng sâu bệnh hình ốc sên hệ thống nhận dạng rệp sáp Việc nhận dạng khơng xác hai ngun nhân chính: (i) việc phát vùng ứng viên khơng xác dẫn đến thay đổi hình dạng đối tượng; (ii) đặc trưng đối tượng rút trích gần giống với đặc trưng lớp khác dẫn đến SVM phân lớp khơng xác KẾT LUẬN Nghiên cứu đề xuất giải pháp để phát nhận dạng số loại sâu bệnh bưởi kỹ thuật xử lý ảnh kết hợp với máy học Giải pháp thực qua hai bước chính: phân đoạn ảnh thuật tốn Otsu, dò tìm biên vùng ứng viên kết hợp với phép xử lý hình thái sau rút trích đặc trưng màu sắc hình dạng vùng ứng viên để tiến hành huấn luyện nhận dạng máy học vectơ hỗ trợ Thực nghiệm tiến hành 500 ảnh, độ xác hệ thống đạt 99,2% với thời gian xử lý trung bình khoảng 200 ms Kết đạt hứa hẹn cho việc áp dụng vào hệ thống nhận dạng sâu bệnh nông nghiệp Sắp tới, chúng tơi thu thập số lượng hình ảnh lớn hơn, đa dạng để mở rộng phạm vi áp dụng nghiên cứu Đồng thời thử nghiệm thêm số phương pháp phát nhận dạng khác để so sánh ưu, khuyết điểm so với phương pháp đề xuất Tiếp đến, hướng sang việc cài đặt ứng dụng lên thiết bị di động nhằm áp dụng rộng rãi cho nơng dân Hình 10: Ví dụ cho trường hợp nhận dạng đối tượng khơng xác 3.4 Đánh giá kết Thời gian xử lý độ xác chương trình phụ thuộc vào hai giai đoạn phát vùng ứng viên nhận dạng sâu bệnh từ vùng ứng viên 3.4.1 Phát vùng ứng viên Về mức độ xác: Bảng cho thấy kỹ thuật phát vùng ứng viên tốt, độ xác cao Về mức độ thời gian xử lý: chương trình có thời gian xử lý phù hợp việc phân đoạn ảnh, phát vùng ứng viên TÀI LIỆU THAM KHẢO Rupesh G Mundada, Dr V V Gohokar (2013) Detection and Classification of Pests in Greenhouse Using Image Processing IOSR Journal of Electronics and Communication Engineering, Vol.5, No.6, pp 57-63 Faithpraise Fina, Philip Birch, Rupert Young, J Obu, Bassey Faithpraise and Chris Chatwin (2013) Automatic Plant Pest Detection And Recognition Độ xác giai đoạn phụ thuộc chủ yếu vào chất lượng (độ tương phản, độ sáng, nhiễu,…) ảnh đầu vào Trong đó, thời gian xử lý giai đoạn lại phụ thuộc chủ yếu vào kích thước ảnh 3.4.2 Nhận dạng sâu bệnh Từ Bảng 5, 6, 7, nhận thấy: 94 Tạp chí Khoa học Trường Đại học Cần Thơ Số chuyên đề: Công nghệ thông tin (2017): 88-95 Using K-Means Clustering Algorithm And Correspondence Filters BioIT Journal, Vol.4, No.2, pp 189-199 Murali Krishnan and Jabert.G (2013) Pest Control in Agricultural Plantations Using Image Processing IOSR Journal of Electronics and Communication Engineering (IOSR-JECE), Vol.6, No.4, pp 68-74 Trương Quốc Bảo Bài giảng Xử lý ảnh Khoa Cơng nghệ, Trường Đại học Cần Thơ, 2013 Hồng Văn Hiệp Giáo trình Xử lý ảnh Viện Cơng nghệ thơng tin Truyền thông 95 Claudio Taranto, Nicola Di Mauro, Stefano Ferilli Approximate Image Color Correlograms University of Bari “Aldo Moro” Jamie Shutler, Department of Electronics and Computer Science, University of Southampton United Kingdom, 2002 Chih-Chung Chang, Chih-Jen Lin (2001) LIBSVM: A Library for Support Vector Machines Department of Computer Science National Taiwan University ... tượng sâu bệnh loại Hình 6b chứa hai đối tượng sâu bệnh khác loại a b Hình 6: Nhận dạng hai sâu bệnh/ lá Bảng 6: Bảng kết kiểm thử chương trình ba sâu bệnh/ lá Số lượng sâu bệnh Số lượng mẫu nhận dạng. .. xử Số lượng sâu Số loại Số lượng mẫu kiểm thử sâu bệnh sâu bệnh sâu bệnh sâu bệnh lý trung bình bệnh sâu bệnh 10 09 01 00 00 513 ms 03 02 01 00 00 576 ms Hình minh họa cho nhận dạng bốn sâu bệnh. .. lượng sâu bệnh Số loại sâu bệnh Số lượng mẫu Số lượng mẫu nhận dạng Thời gian xử lý kiểm thử trung bình sâu bệnh sâu bệnh 12 12 00 347 ms 02 02 00 366 ms Hình minh họa cho nhận dạng hai sâu bệnh