Đang tải... (xem toàn văn)
Sinh trưởng và phát triển của cây trồng nông nghiệp phụ thuộc rất nhiều yếu tố như giống, chế độ dinh dưỡng, điều kiện thời tiết…, trong đó yếu tố sâu bệnh tác động trực tiếp đến năng suất và có khả năng lây lan trên diện rộng. Đối với lúa, một loại cây trồng chủ lực của Việt Nam, đóng vai trò quan trọng trong an ninh lương thực và xuất khẩu, mặc dù quy trình chăm sóc - phòng trừ sâu bệnh được tuân thủ một cách nghiêm ngặt, nhưng vẫn không thể kiểm soát hoàn toàn các mầm mống của sâu bệnh. Với mô hình canh tác trên diện tích lớn, sử dụng mắt người rất khó để phát hiện các dấu hiệu của sâu bệnh trong những giai đoạn phát triển ban đầu. Trong bài báo này, các tác giả nghiên cứu đề xuất mô hình sử dụng trích chọn đặc trưng SIFT (Scale-Invariant Feature Transform) và phân lớp SVM (Support Vector Machine) nhằm xử lý các hình ảnh trên lá của cây lúa. Mô hình này có thể phát hiện và nhận biết 4 loại sâu bệnh trên cây lúa: đốm vằn, đạo ôn, sâu cuốn lá, rầy nâu. Kết quả thực nghiệm trên mô hình có thể đạt được độ chính xác từ 80 đến 85%.
Khoa học Kỹ thuật Công nghệ Nghiên cứu phương pháp phát số sâu bệnh lúa sử dụng đặc trưng sift Nguyễn Ngọc Tú1*, Bùi Thị Thanh Phương1, Lê Hồng Nam1, Ngơ Nam Thạnh2 Viện Ứng dụng Cơng nghệ Trung tâm Giống trồng Sóc Trăng Ngày nhận 19/10/2018; ngày chuyển phản biện 23/10/2018; ngày nhận phản biện 26/11/2018; ngày chấp nhận đăng 10/12/2018 Tóm tắt: Sinh trưởng phát triển trồng nông nghiệp phụ thuộc nhiều yếu tố giống, chế độ dinh dưỡng, điều kiện thời tiết…, yếu tố sâu bệnh tác động trực tiếp đến suất có khả lây lan diện rộng Đối với lúa, loại trồng chủ lực Việt Nam, đóng vai trò quan trọng an ninh lương thực xuất khẩu, quy trình chăm sóc - phòng trừ sâu bệnh tn thủ cách nghiêm ngặt, khơng thể kiểm sốt hồn tồn mầm mống sâu bệnh Với mơ hình canh tác diện tích lớn, sử dụng mắt người khó để phát dấu hiệu sâu bệnh giai đoạn phát triển ban đầu Trong báo này, tác giả nghiên cứu đề xuất mơ hình sử dụng trích chọn đặc trưng SIFT (Scale-Invariant Feature Transform) phân lớp SVM (Support Vector Machine) nhằm xử lý hình ảnh lúa Mơ hình phát nhận biết loại sâu bệnh lúa: đốm vằn, đạo ôn, sâu lá, rầy nâu Kết thực nghiệm mơ hình đạt độ xác từ 80 đến 85% Từ khóa: sâu bệnh lúa, SIFT, SVM Chỉ số phân loại: 2.2 Đặt vấn đề Việt Nam nước nông nghiệp quốc gia đứng đầu xuất lúa gạo Lúa loại lương thực trồng nhiều vụ năm hầu hết vùng đồng nước, đặc biệt Đồng sông Cửu Long Đồng sông Hồng, sâu bệnh gây hại làm sản lượng lúa sụt giảm đáng kể Trong hầu hết trường hợp, sâu bệnh phát qua thân lúa (thể rõ giai đoạn trổ bông) Do đó, việc xác định sớm triệu chứng sâu bệnh có ý nghĩa quan trọng phát triển sản xuất Để tăng suất cho mùa vụ, người nông dân cần phải tiếp cận chuyên gia tư vấn việc điều trị dịch hại, bệnh cho trồng biện pháp xử lý Hiện nay, giới có nhiều cơng trình nghiên cứu nhận dạng sâu bệnh loại ăn ngắn ngày cà chua, dưa… phương pháp có sử dụng kỹ thuật xử lý ảnh đem lại kết khả quan Các hệ thống phát thường áp dụng môi trường lý tưởng môi trường nhà kính, chưa áp dụng rộng rãi điều kiện thực tế ngồi trời Trong nước chưa có nhiều cơng trình nghiên cứu nhận dạng sâu bệnh chun cho loại nông sản, phương pháp phát sâu bệnh chưa tối ưu Trong năm gần đây, nghiên cứu giới tập trung nhiều vào sử dụng thuật toán, phương pháp xử lý ảnh để phát phân loại loại sâu bệnh cho lúa Nandini Anoop (2016) [1] đưa phương pháp phân loại bệnh lúa sử dụng kỹ thuật biểu đồ thích nghi Wiener [2], sau sử dụng phương pháp Otsu [3] cho tách ngưỡng nhị phân, cuối phân lớp cách kết hợp phương pháp SVM Fuzzy logic cho độ xác đạt từ 85,71 đến 93,33% Do sử dụng biểu đồ thích nghi cho tính tốn đặc trưng ảnh, nên phương pháp nhóm tác giả đưa cần sử dụng mẫu đầu vào có độ phân giải cao bị ảnh hưởng mạnh xuất thành phần khác dấu hiệu sâu bệnh Phadikar cs (2013) [4] đưa phương pháp phân đoạn dựa lượng Fermi để cô lập khu vực bị nhiễm hình ảnh lúa, tính quan trọng chọn cách sử dụng lý thuyết tập thô (RST), kết phương pháp đạt 91,89% Nghiên cứu Pawankumar Angadi (2017) [5] xây dựng thành công Web server để xử lý trực tiếp ảnh thu thập, hai thuộc tính màu sắc trích xuất đặc trưng sử dụng với đa phân lớp SVM cho độ xác 84,41% Mohanty cs (2016) [6] đề xuất sử dụng Deep Learning cho phát 26 loại bệnh 14 loại với tập liệu lớn 54.306 ảnh đầu vào, dựa mơ hình xây dựng nhóm nghiên cứu đạt độ xác lên tới 99,35% Tác giả liên hệ: Email: ngoctu@cfoc.vn * 61(8) 8.2019 44 Khoa học Kỹ thuật Công nghệ Rice pests and diseases identification using sift feature Ngoc Tu Nguyen1*, Thi Thanh Phuong Bui1, Hoang Nam Le1, Nam Thanh Ngo2 National Center for Technological Progress Soc Trang Plant Breeding Center Received 19 October 2018; accepted 10 December 2018 Đối tượng phương pháp nghiên cứu Đối tượng địa điểm nghiên cứu Đối tượng nghiên cứu: mẫu lúa bị loại sâu bệnh hại: đốm vằn, đạo ôn, sâu lá, rầy nâu chụp từ cánh đồng ươm tạo Trung tâm Giống trồng Sóc Trăng Địa điểm nghiên cứu: Phòng thí nghiệm 308, Trung tâm Quang điện tử - Viện Ứng dụng Công nghệ (Thanh Xuân Bắc, Thanh Xuân, Hà Nội) Phương pháp nghiên cứu Abstract: The growth and development of crops in agriculture depends on many factors including seed, nutritional status, weather conditions, and etc., in which pests and diseases directly affect the yield of crops and can spread widely Rice, a major crop of Vietnam, plays an important role of food security and export Although the pest and disease control procedures for rice are strictly applied, it is still unable to fully control the germ of pests With a large-scale cultivation mode, the human eye is found very difficult to detect signs of pests in the early stages of development In this paper, authors propose a model using SIFT (Scale-Invariant Feature Transform) features and SVM (Support Vector Machine) for processing images of rice’s leaves This model can detect and identify pests in rice: zebra blast, rice blast, leaf rollers, and brown backed hoppers Experimental results on the model can achieve the accuracy from 80 to 85% Keywords: rice pests and diseases, SIFT, SVM Bố trí thực nghiệm: - Tạo mẫu liệu: khảo sát thu thập mẫu ảnh lúa, bao gồm phát triển bình thường bị bệnh giai đoạn trổ Căn theo dấu hiệu sâu bệnh lúa [8] để sử dụng phương pháp chọn mẫu ngẫu nhiên đơn giản [9] - Xử lý liệu ảnh máy tính để trích chọn đặc trưng, phân lớp phần mềm Kết ứng dụng trích chọn đặc trưng SIFT phân lớp SVM Cây lúa nước vào thời điểm năm điều kiện khí hậu nhiệt đới thích hợp cho loại sâu bệnh phát triển, gây nên thiệt hại không nhỏ thể rõ rệt thân, lá, hạt, đặc biệt với bệnh sâu lá, đốm vằn, đầu vào phần mềm gồm: màu sắc lá, vết thủng hay biến dạng bề mặt lá… đạo ôn rầy nâu Dưới số hình ảnh bệnh Những đặc trưng loại bệnh thu thuật toán xử lý đưa kết cách xác.cây Từ đó, nơng dân cóDữ phản liệu ứng kịp thời thơng thường lúangười (hình 1, 2) thực tế thu hướng dẫn trực tiếp qua phần mềm phương án đối phó với bệnh Về hình sở để tiến hành xử lý cho trình huấn luyện thức tiếp cận lúa, giải pháp sử dụng Drone [7] mang theo thiết bị quét cho khả quan tiết kiệm thời gian công sức lấy mẫu Classification number: 2.2 Trong báo này, sâu vào phương pháp phát sâu bệnh có sử dụng kỹ thuật xử lý ảnh tích hợp thuật tốn SIFT phân lớp SVM Hệ thống đề xuất nhằm phát triển chương trình phần mềm để nhận hình ảnh bệnh hay bơng lúa bệnh cách sử dụng lớp huấn luyện trước Các thơng số đầu vào phần mềm gồm: màu sắc lá, vết thủng hay biến dạng bề mặt lá… Những đặc trưng loại bệnh thu thuật toán xử lý đưa kết cách xác Từ đó, người nơng dân có phản ứng kịp thời hướng dẫn trực tiếp qua phần mềm phương án đối phó với bệnh Về hình thức tiếp cận lúa, giải pháp sử dụng Drone [7] mang theo thiết bị quét cho khả quan tiết kiệm thời gian công sức lấy mẫu 61(8) 8.2019 (A) (B) (D) (C) (E) Hình Những biểu loại sâu bệnh lúa (A) Cháy bìa lá, (B) Bệnh Hình Những biểu loại sâu bệnh lúa (A) bạc lá, (D) Sâu lá, (C, E) Bệnh đạo ôn Cháy bìa lá, (B) Bệnh bạc lá, (C, E) Bệnh đạo ôn, (D) Sâu 45 Khoa học Kỹ thuật Cơng nghệ (D) (E) Hình Những biểu loại sâu bệnh lúa (A) Cháy bìa lá, (B) Bệnh bạc lá, (D) Sâu lá, (C, E) Bệnh đạo ôn Bảng Tham số lựa chọn cho giá trị sigma Octave Hình Ảnh bệnh cháy bìa lúa Trung tâm Giống trồng Sóc Trăng Trích chọn đặc trưng ảnh kỹ thuật SIFT Kỹ thuật SIFT Lowe David nghiên cứu, giới thiệu phát triển từ năm 1999 đến năm 2004 [10] SIFT có khả dò tìm trích chọn đặc trưng đối tượng từ ảnh đầu vào Các đặc trưng phát có khả bất biến đối tượng bị thay đổi tỷ lệ, bị xoay ảnh khác Tỷ lệ Tỷ lệ Tỷ lệ Tỷ lệ Tỷ lệ 0,707107 1,00 1,414214 2,00 2,828427 1,414214 2,00 2,828427 4,00 5,656854 2,828427 4,00 5,656854 8,00 11,313708 5,656854 8,00 11,313708 16,00 22,627417 Tìm sai khác hàm Gaussian Để có kết nhận biết vị trí keypoint ổn định quy mô không gian, sử dụng đỉnh hàm Diference-of-Gaussian với ảnh (hình 3) D(x, y, σ) tính khác điểm ảnh quy mô không gian kề giá trị k: D(x, y, σ) = G(x, y, kσ) - G(x, y, σ)*I(x, y, σ) (3) = L(x, y, kσ) - L(x, y, σ) Do đó: G(x, y, kσ) - G(x, y, σ) ≈ (k-1) σ2 ∇2G (4) Q trình trích chọn điểm đặc trưng SIFT thực Hình Ảnh bệnh cháy bìa lúa Trung tâm Giống trồng Sóc Trăng qua bước sau: xây dựng lựa chọn tỷ lệ - không gian kimTrích tự tháp; xácđặc địnhtrưng vị trí ảnh “keypoint”; xác định chọn kỹ thuật SIFT gắn Kỹ hướng “keypoint”; tả keypoint thuậtcho SIFT Lowe mô David nghiên cứu, giới thiệu phát triển từ năm 1999 Xây đếndựng năm 2004 [10] SIFT có khả dò tìm trích chọn đặc trưng đối lựa chọn scale-space kim tự tháp tượng từ ảnh đầu vào Các đặc trưng phát có khả bất biến đối cáctỷkeypoint, ảnh sử dụng tượngĐể bị phát thay đổi lệ, bị xoay khác.bộ lọc đểQuá xáctrình định điểm có khả “keypoint” qua bước sau: xây trích chọn điểm đặc trưng SIFT đượctại thực vị trílựa chọn tỷ lệ tỷ Đểlệnhận biết vịgian trí biếnxác đốiđịnh với dựng - khơng kim tựbất tháp; vị trí “keypoint”; xác thayvàđổi quy mô ảnh, chúng dụng kernel định gắnvềhướng chocủa cácbức “keypoint”; môtatảsửkeypoint XâyGaussian dựng lựablur chọnCác scale-space kimthực tự tháp hàm ảnh sau với hàm Để phát chúng Gausian blurhiện bịcác mờ keypoint, đi, tùy theo thamtasốsử lựadụng chọnbộmàlọc độ để xác định điểm có khả “keypoint” vị trí tỷ lệ Để nhận biết vị trí bất mờ ảnh thay đổi biến thay đổi quy mô ảnh, kernel hàm Hình sử Mơ dụng hình thực hàm DOG Hàmblur Gaussian áp dụng cho ảnh tính blur Hình Mơ hình thực hàm DOG Gaussian Các blur ảnh sau thực hiệntheo vớicông hàmthức Gausian bị mờ đi, tùy theo Sau tính Diference-ofnhư sau: tham số lựa chọn mà độ mờ ảnh thay đổi Gaussian, taSau cần khảo tính sát điểm Diference-of-Gaussian, so với ta cần khảo điểm cậnsau: xung quanh scale với Hàmy,Gaussian áp dụng tính lân L(x, σ) = G(x,blur y, σ)*I(x, y) cho ảnh theo công thức(1) sát điểm so với điểm lân cận xung quanh điểm thuộc octacve trước điểm thuộc L(x, y, ) = G(x,y, )*I(x, y) (1) scale với điểm thuộc octacve trước điểm thuộc octave octave sau (hình 4) Điểm khơng có đủ 26 Hàm điểm lân cận bị loại bỏ Nếu điểm có giá Hàm G(x, G(x, y,y,σ) )có códạng: dạng: sau (hình 4) Điểm khơng có đủ 26 điểm lân cận bị trị nhỏ lớn so với 26 điểm (2) loại Nếucóđiểm đó(2) có G(x, y, ) = xét bỏ điểm điều kiện trở giá thànhtrị nhỏ lớn so với 26 điểm xét điểm có điều kiện trở thành keypoint Các giá giá trị trị σ được tính tinh cho cho ảnh ảnh tiếp theo với với k* k* σ (k số tự chọn) Các Xác định keypoint keypoint cho ảnh quy mô không gian SIFT Sau xác định điểm Hình Sơ đồ tính cực trị hằngHàm số tựlọc chọn) Hình Mơ hình thực hàm DOG Trước áp dụng tham số cho hàm Gaussian blur, cần hiệntrởtạo cácmộtảnh cực trị có thực khả thành keypoint, Difference of Gaussian Sau tính Diference-oftiến hành lọc bớt điểm có độ tương phản lọc cho cácgian ảnh SIFT quy môkhảo không gian SIFT trongHàm quy mô không chia Gaussian,SIFT ta cầnđược sát điểmthành so vớicột (4 octave), octave sau có thấp điểm nằm cạnh chi tiết Phương pháp phát triển điểm octave lân cận xung quanhvà octave scale với có ảnh (bảng 1) Các ảnh kích Trước thước ảnh áp trước Brown Lowe (2002) [11] cách sử dụng chuỗi Taylor mở rộng với hàm scaledụng cácnửa tham số cho hàm Gaussian blur, điểm thuộc octacve trước điểm thuộc octave gọioctave scale, scale D(x, y,có) kích để dịchthước chuyển tương gốc điểm lấy mẫu: (hìnhcác 4) Điểm khơng đủ space 26octave cần thực tạo ảnh trongsauquy mơ khơng giancóSIFT điểm lân cận hàm bị loại bỏ Nếu điểm cóthì giá cóD(x) đương áp dụng với Gaussian blur giá= trị D +sigma+ khác (5) SIFT chia thành cột (4 octave), octave kích trị nhỏ lớn so sau với 26có điểm Các scale có thứ tự giống tham số sigma ̂ Với thí nghiệm Lowe, tất đỉnh với giá trị D( )