Nông nghiệp công nghệ cao ứng dụng hệ thần kinh nhân tạo cũng theo xu thế đó, đây là hệ thống sản xuất nhằm đáp ứng chính xác yêu cầu của cây trồng, ngăn việc sử dụng phân bón hữu cơ, phân bón hóa học, thuốc diệt cỏ một cách lãng phí, qua đó không những góp phần bảo vệ môi trường, tiết kiệm được sức lao động của con người mà còn làm tăng năng suất của cây trồng.
TRƯỜNG ĐẠI HỌC SÀI GỊN SAIGON UNIVERSITY TẠP CHÍ KHOA HỌC SCIENTIFIC JOURNAL ĐẠI HỌC SÀI GÒN OF SAIGON UNIVERSITY Số 65 (5/2019) No 65 (5/2019) Email: tcdhsg@sgu.edu.vn ; Website: https://tapchikhoahoc.sgu.edu.vn NHẬN DẠNG VÀ XÁC ĐỊNH VỊ TRÍ CỎ DẠI TRÊN LUỐNG HOA MÀU DÙNG MÁY VÉC TƠ HỖ TRỢ VÀ MẠNG NƠ-RON Weed detection in vegetable garden using support-vector machine and neural networks TS Nguyễn Tất Bảo Thiện(1), Nguyễn Thị Cẩm Tú(2) Học viện Cơng nghệ Bưu Viễn thông, Cơ sở TP.HCM Trường Đại học Công nghệ Thơng tin – ĐHQG TP.HCM (1) (2) TĨM TẮT Ngày nay, trí tuệ nhân tạo ứng dụng hầu hết lĩnh vực Nông nghiệp công nghệ cao ứng dụng hệ thần kinh nhân tạo theo xu đó, hệ thống sản xuất nhằm đáp ứng xác yêu cầu trồng, ngăn việc sử dụng phân bón hữu cơ, phân bón hóa học, thuốc diệt cỏ cách lãng phí, qua khơng góp phần bảo vệ mơi trường, tiết kiệm sức lao động người mà làm tăng suất trồng Trong nghiên cứu này, mơ hình máy học vectơ hỗ trợ mạng nơ-ron ứng dụng nhằm huấn luyện, nhận dạng phân loại đồng thời định vị cỏ dại ảnh màu Kết trình phân loại định vị cỏ dại dùng làm thông tin đầu vào cho thiết bị điều khiển phun thuốc diệt cỏ phù hợp cho loại cỏ mà không gây ảnh hưởng đến trồng Từ khóa: máy học, mạng nơ-ron nhiều lớp, nông nghiệp công nghệ cao, nhận dạng cây, supportvector machine - SVM ABSTRACT Nowadays, artificial intelligence is present in almost every fields Precision agriculture is following the trend, which is a production system that accurately meets the requirements of plants and prevents excessive use of organic fertilizers, chemical fertilizers or herbicides Thereby, it does not only contribute to protect the environment and save the human labor but also increase the crop productivity In this study, the machine learning models i.e support vector machine and neural networks were applied to identify, classify weeds and locate its positions on color images The results of the identification process could be used as the input information for the potential automatic equipment to suitably spray herbicides for each type of grasses without affecting the crop Keywords: machine learning, multi-layer perceptron, precision agriculture, object recognization, support vector machine trồng phải xác định vị trí cỏ dại nhằm làm liệu cho hệ thống tự động phun thuốc diệt cỏ hệ thống bón phân tự động vị trí trồng Đến thời điểm tại, có số sản phẩm nghiên cứu nhận dạng Đặt vấn đề Để hạn chế tình trạng phun thuốc diệt cỏ cách tràn lan, thiếu xác, khơng hiệu gây tác hại cho mơi trường cần phải xây dựng hệ thống phân biệt đâu cỏ dại, đâu Email: nguyentatbaothien@gmail.com 56 NGUYỄN TẤT BẢO THIỆN - NGUYỄN THỊ CẨM TÚ TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GỊN cho biết định danh số loại cỏ dại thường gặp, mức độ cao xác định vị trí trồng, chẳng hạn, nghiên cứu thực vào năm 2013, [2], việc phát triển hệ thống thị giác máy tính, hệ thống xác định vị trí trồng, tính tốn vùng che phủ để thẩm định chất lượng trồng Một phương pháp nghiên cứu khác đánh giá cao phương pháp Chain code Phương pháp sử dụng kỹ thuật Computer-Aided Plant Species Identification Technique (CAPSI) để đối sánh hình dạng [8] Đầu tiên, ảnh tiền xử lý chuyển từ ảnh màu sang ảnh xám Thao tác Sobel áp dụng ảnh nhị phân để xác định cạnh ảnh trước làm mỏng cạnh Quá trình rút trích tính gồm hình dạng, kích thước, kết cấu cách xếp cành dựa phương pháp Chain code Cuối nhận dạng tính cách áp dụng kỹ thuật so sánh tuyến tính Tuy tỷ lệ nhận dạng cao lại có số khó khăn trình thực độ sáng, độ nét ảnh Do nhận dạng cỏ dại dựa đặc trưng nên có số nghiên cứu gặp khó khăn trường hợp xếp chồng lên Trên giới có nhiều tài liệu nghiên cứu vấn đề “Nông nghiệp công nghệ cao” Mỗi tài liệu trình bày khía cạnh khác vấn đề Năm 2000, nhà nghiên cứu [1] phát triển hệ thống mạng nơ-ron lan truyền ngược để nhận dạng cỏ dại luống bắp non Một ảnh kích thước 756x504 pixel chụp luống bắp, sau ảnh cắt thành ảnh có kích thước 100x100 pixel cho ảnh đối tượng bắp non cỏ dại Tập huấn luyện gồm 40 ảnh bắp non, 40 ảnh vể cỏ dại 20 ảnh mẫu dùng để kiểm tra Kết thực nghiệm cho thấy, ANN nhận dạng bắp non đạt đến tỷ lệ cao 100% cỏ dại 80% Điều chấp nhận lượng liệu cho việc huấn luyện ANN hạn chế phần cứng máy tính thời gian Việc nhận dạng tập trung vào nhóm đặc trưng vân hình dạng với phương pháp Fast Fourier Transform (FFT) sử dụng cho kết tốt [3] Có tất 21 đặc trưng rút trích cho việc nhận dạng bao gồm 10 đặc trưng rút trích dựa vào khoảng cách đường viền đường gân lá, 10 đặc trưng rút trích cách sử dụng hình thái kỹ thuật số với dạng hình học bản, dạng vân đặc trưng cuối rút trích cách sử dụng kỹ thuật Convex hull Kết thực nghiệm việc sử dụng 1907 ảnh cho 32 loại trồng cho thấy tỷ lệ nhận dạng trung bình 97.19% Từ thực tế đó, chúng tơi đề xuất thực đề tài “Nhận dạng xác định vị trí cỏ dại lẫn luống hoa màu” Đề tài dừng lại việc nhận dạng xác định vị trí cỏ dại đầu hệ thống nhận dạng liệu cho hệ thống tự động với hoạt động phun thuốc diệt cỏ xác vị trí xác định bón phân gốc trồng Máy học véc tơ hỗ trợ mạng nơ-ron nhân tạo 2.1 Máy học véc tơ hỗ trợ SVM – Support Vectors Machine mơ hình học có giám sát, lĩnh 57 SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 65 (5/2019) vực máy học [6] SVM thường sử dụng để phân lớp liệu (classification), phân tích hồi quy (regression annalysis) Ý tưởng phương pháp SVM cho trước tập huấn luyện, biểu diễn khơng gian vector, mẫu điểm Phương pháp tìm siêu phẳng định tốt chia điểm không gian thành hai lớp riêng biệt tương ứng lớp (+) lớp (-) Chất lượng siêu phẳng định khoảng cách điểm liệu gần lớp đến mặt phẳng Khi đó, khoảng cách biên lớn mặt phẳng có chất lượng tốt, đồng thời việc phân loại xác Kiến trúc phân loại SVM định nghĩa sau: f(x) = sign(wTx + b) Trong sign(z) = +1 z ≥ 0, sign(z) = -1 z < Nếu f(x) = +1 x thuộc lớp dương (lĩnh vực quan tâm), ngược lại, f(x) = -1 x thuộc lớp âm (các lĩnh vực khác) Điều minh họa Hình nghiên cứu trí tuệ nhân tạo [9] Khi hệ thống máy tính kết nối lại với nhau, chúng giải vấn đề khó khăn Và quan trọng nhất, áp dụng thuật toán, người ta “dạy học” cho máy tính Về chất, “học” q trình hiệu chỉnh trọng số liên kết nơ-ron cho giá trị hàm lỗi nhỏ Có ba phương pháp học phổ biến học có giám sát, học khơng giám sát học tăng cường Đơn vị xử lý mạng nơ-ron gọi nơ-ron hay nút (node) thực cơng việc đơn giản; nhận tín hiệu vào từ đơn vị phía trước hay nguồn bên ngồi sử dụng chúng để tính tín hiệu lan truyền sang đơn vị khác Hình 2: Minh họa liệu đầu vào đầu nơ-ron Trong đó: xi: đầu vào wji: trọng số tương ứng đầu vào θj: độ lệch (bias) aj: đầu vào mạng (net-input) zj: đầu nơ-ron g(x) : hàm chuyển (hàm kích hoạt) Kiến trúc mạng nơ-ron tích chập sử dụng vào năm 2012 cộng đồng nghiên cứu gọi với tên gọi AlexNet tác giả nhóm nghiên cứu Alex Krizhevsky [5] Vào năm 2017, Nhóm SuperVision gồm thành viên Alex Krizhevsky, Ilya Sutskever Geoff Hình 1: Minh họa việc xác định siêu phẳng phân chia lớp đối tượng 2.2 Mạng nơ-ron nhân tạo Khái niệm mạng nơ-ron có từ năm 1950 với đời ngành 58 NGUYỄN TẤT BẢO THIỆN - NGUYỄN THỊ CẨM TÚ TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN Hinton mạng AlexNet họ đạt kết đáng kinh ngạc với độ xác chênh lệch đến 10% (15,31% 26,17%) [5] Điều đặc biệt mạng huấn luyện nhận liệu đầu vào giá trị điểm ảnh thô không áp dụng phương pháp trích chọn đặc trưng Thiết kế kiến trúc mạng huấn luyện gần hộp đen với khả tự học thông qua lớp ẩn, khiến CNN nói riêng học sâu nói chung trở thành giải pháp mạnh mẽ cho toán nhận dạng phân loại Đó lý do, chọn mạng huấn luyện AlexNet đảm nhận vai trò nhận dạng loại cỏ có ảnh đầu vào Tập liệu Đối tượng hoa màu nghiên cứu bắp non - tuần tuổi Chúng tơi thu thập liệu gồm có: - 100 ảnh bắp non - 100 ảnh cỏ mần trầu - 100 ảnh cỏ rau sam - 100 ảnh bắp có lẫn loại cỏ Việc thu thập liệu ảnh thực ruộng bắp miền Đông Nam Bộ camera điện thoại với ảnh chế độ phân giải 3264x2448 Với mục đích mơ hệ thống kiểm tra giải thuật nhận dạng, thu thập xử lý ảnh tĩnh Trong trường hợp triển khai hệ thống thực tế, diện tích lớn, chúng tơi dự định tiến hành lắp đặt dãy camera ngang, khoảng cách camera khoảng cách luống bắp, camera làm nhiệm vụ quét luống Thanh ngang tích hợp thêm đầu phun thuốc gắn cố định vào robot; robot di chuyển luống bắp Mơ hình nhận dạng xác định vị trí cỏ dại luống hoa màu Mơ hình nhận dạng định vị cỏ dại luống hoa màu mô dựa kết hợp Máy học véc tơ hỗ trợ Mạng nơ-ron nhân tạo (Hình 3) - Dữ liệu đầu vào tập ảnh màu có độ phân giải 3264x2448 - Dữ liệu đầu kết nhận dạng loại cỏ vị trí cỏ có ảnh Hình 3: Mơ hình phân loại xác định vị trí cỏ dại luống hoa màu - Thế mạnh SVM thuật toán phân loại nhị phân [9], thích hợp cho việc phân lớp bước đầu để biết ảnh đưa vào ảnh có cỏ dại hay khơng - Đối với mạng nơ-ron nhân tạo, sau huấn luyện phương pháp học có giám sát với tập đặc trưng nhiều loại cỏ dại khác nhau, việc nhận dạng loại cỏ dại đạt hiệu cao - Việc kết hợp SVM mạng nơ-ron nhân tạo làm cho hệ thống đạt hiệu cao, góp phần giúp cho sản xuất nông nghiệp tiến đến gần khái niệm “nông nghiệp công nghệ cao” 4.1 Tiền xử lý ảnh Quá trình tiền xử lý ảnh nhằm mục 59 SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 65 (5/2019) đích rút trích đặc trưng đối tượng thực qua bước sau: - Hiệu chỉnh kích thước: ảnh hiệu chỉnh kích thước 1306x980 Hình 6: Ảnh sau loại bỏ nhiễu đối tượng cắt biên ảnh - Dùng hàm imfill để làm “mịn” đối tượng ảnh cách tô trắng “holes” có đối tượng nhằm hỗ trợ cho việc nhận dạng đối tượng Hình 4: Ảnh bắp non trước sau hiệu chỉnh kích thước - Sau tách kênh màu ảnh, chuyển ảnh màu thành ảnh nhị phân với ngưỡng Ostu [11], [12] Hình 7: Ảnh nhị phân sau làm “mịn” 4.2 Rút trích đặc trưng Để đạt tỷ lệ nhận dạng xác cao bước quan trọng rút trích đặc trưng kỹ thuật sử dụng thuật tốn để lấy thơng tin mang đặc điểm riêng biệt đối tượng có ảnh Để xây dựng tập đặc trưng huấn luyện cho kiến trúc SVM, sử dụng kỹ thuật SURF (Speed Up Robust Feature) Hình 5: Ảnh bắp sau phân đoạn ảnh dựa ngưỡng Ostu - Dùng thuật tốn mở, xóa ảnh loại bỏ đối tượng cắt biên ảnh nhằm thu trọn vẹn đối tượng cần xét Thực xóa nhiễu ảnh cách loại bỏ đối tượng ảnh có diện tích nhỏ ngưỡng diện tích xác định 60 NGUYỄN TẤT BẢO THIỆN - NGUYỄN THỊ CẨM TÚ TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GỊN [7], sau sử dụng kỹ thuật K-Mean [4] để phân nhóm đối tượng có ảnh Đối với mạng AlexNet, tập đặc trưng để huấn luyện cho mạng xây dựng trực tiếp cách tự động dựa ảnh màu 4.3 Kiến trúc SVM - Support Vector Machine Vì SVM mơ hình học có giám sát nên ta cần xây phân loại ảnh đầu vào thành nhóm bản: nhóm 1: ảnh bắp non; nhóm 2: ảnh cỏ ảnh bắp non lẫn cỏ Bảng 1: Phân loại liệu thành nhóm Hình có bắp Hình có bắp lẫn cỏ Việc rút trích đặc trưng ảnh xám thực dựa thuật tốn SURF Chúng tơi xây dựng tập đặc trưng cho đối tượng ảnh Với tập liệu thu được, chúng tơi sử dụng thuật tốn KMean để gom nhóm phân loại đối tượng ảnh Khi ảnh màu đưa vào, ảnh tiền xử lý để thu ảnh nhị phân để chuyển vào kiến trúc SVM Tại ảnh phân loại: bắp hệ thống xuất thơng báo; ngược lại ảnh chuyển sang kiến trúc AlexNet 4.4 Kiến trúc mạng AlexNet AlexNet bao gồm lớp tích chập lớp kết nối đầy đủ: - Lớp (Tích chập): Đầu vào: Ảnh với kích thước 224 x 224 x (3 số tương ứng với màu đỏ, xanh lục, xanh lam hệ màu RGB thông thường) Số lọc: 96 Kích thước lọc: 11 x 11 x Bước trượt (Stride): Đầu ra: (224/4) x (224/4) x 96 = 55 x 55 x 96, chia cho hai GPU Lớp chuyển tiếp sang lớp (Lấy mẫu tối đa) Đầu vào: 55 x 55 x 96 Đầu ra: (55/2) x (55/2) x 96 = 27 x 27 x 96 - Lớp (Tích chập): Đầu vào: 27 x 27 x 96 Số lọc: 256 Kích thước lọc: x x 48 Đầu ra: 27 x 27 x 256, chia cho hai GPU - Lớp 3, 4, 5: Tương tự với lớp lớp với kích thước lọc x x 256, x x 384 x x 384 Toàn lớp tính tốn chia cho hai 61 SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 65 (5/2019) GPU để tăng tốc độ xử lý Đầu cuối qua lớp Tích chập thứ liệu với kích thước 13 x 13 x 128, liệu sau qua lớp lấy mẫu cuối dùng làm đầu vào cho lớp sau lớp Kết nối đầy đủ - Lớp (Kết nối đầy đủ): Đầu vào: x x 256 Số nơ-rôn: 4096 - Lớp (Kết nối đầy đủ): tương tự lớp - Lớp (Kết nối đầy đủ): lớp cuối mạng AlexNet có 1000 nơron, tương ứng với 1000 lớp khác mà huấn luyện cần nhận dạng Hình 8: Mơ cấu trúc mạng AlexNet [13] Mỗi lớp tích chập có Feature Map, ReLU, LRN (Local Response Normalized) Overlap max pooling Với tập ảnh gồm thư mục (cây bắp non lẫn cỏ, cỏ rau sam cỏ mần trầu), với số ảnh màu thư mục tùy ý, đây, sử dụng: - Thư mục bắp non lẫn cỏ: 37 ảnh - Thư mục Cỏ mần trầu: 55 ảnh - Thư mục Cỏ rau sam: 93 ảnh Mạng huấn luyện AlexNet chia ngẫu nhiên thành tập: đây, chọn ngẫu nhiên 70% số ảnh cho tập huấn luyện 30% số ảnh cho tập đánh giá Với mơ hình AlexNet, ảnh màu chuẩn hóa kích thước 227x227x3 trước đưa vào mạng AlexNet Sau qua lớp tích chập, ảnh màu trích 4096 đặc trưng làm đầu vào cho lớp kết nối đầy đủ Dựa vào kết đánh giá sau huấn luyện tập ảnh thu thập được, nhận tỷ lệ nhận dạng cao Mặc dù, lần hệ thống thực thi số ảnh chọn làm tập huấn luyện tập đánh giá ngẫu nhiên tỷ lệ xác chúng tơi thu ln cao 90% Kết thực nghiệm Hệ thống thực nghiệm mô môi trường Matlab 2018a Ảnh sau tiền xử lý rút trích đặc trưng tiến hành so sánh với đặc trưng có tập huấn luyện SVM để đưa kết ảnh bắp hay không - Nếu ảnh bắp xuất thông báo - Nếu không, ảnh sử dụng lại tên để tìm lại ảnh gốc ban đầu chuyển sang mạng AlexNet để phân loại Mạng AlexNet phân loại xác đối tượng 62 NGUYỄN TẤT BẢO THIỆN - NGUYỄN THỊ CẨM TÚ TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GỊN có ảnh sau chuyển đối tượng ảnh vào khung phân loại ảnh loại cỏ ảnh có bắp lẫn cỏ Đối với trường hợp ảnh có bắp lẫn cỏ chúng tơi gán nhãn xác cho đối tượng có ảnh - Với tập ảnh gồm 35 ảnh nhị phân bắp non 35 ảnh nhị phân gồm có ảnh loại cỏ ảnh có bắp lẫn cỏ Để huấn luyện cho SVM, tốn này, chúng tơi chọn ngẫu nhiên 40% ảnh tập 60% ảnh lại để đánh giá Việc rút trích đặc trưng dựa thuật tốn SURF trích 20 đặc trưng mạnh có ảnh để huấn luyện Sau đó, thuật tốn gom nhóm K-Mean có vai trò trả kết ảnh đầu bắp không Trên tập huấn luyện lần thực thi hệ thống chọn tập ảnh ngẫu nhiên nên độ xác thuật tốn ln biến động, song qua nhiều lần thực thi nhận kết nhận dạng kiến trúc SVM đáng tin cậy 80% Với mạng AlexNet, chúng tơi có loại nhãn để lựa chọn gán cho ảnh: 1, ảnh cỏ mần trầu; 2, ảnh cỏ rau sam; 3, ảnh có bắp lẫn cỏ Ảnh để huấn luyện cho mạng AlexNet ảnh màu chưa qua giai đoạn tiền xử lý Các kết thu có ảnh đưa vào kiểm tra: Nếu ảnh đầu vào bắp: xuất thông báo: Nếu ảnh đầu vào loại cỏ: Hình 10: Thơng báo hệ thống ảnh có cỏ mần trầu Nếu ảnh đầu vào ảnh có cỏ lẫn bắp: ảnh phân vùng đối tượng tiến hành gán nhãn cho đối tượng sau tách riêng biệt Hình 11: Ảnh phân vùng đối tượng ảnh Các đối tượng ảnh trường hợp có bắp lẫn cỏ sau phân vùng cắt thành đối tượng riêng biệt lần đưa vào AlexNet để gán nhãn: Hình 12: Các đối tượng riêng biệt gán nhãn Hình 9: Thơng báo hệ thống ảnh có bắp 63 SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 65 (5/2019) Kết luận hướng nghiên cứu Với tập ảnh thu thập được, sau tiền xử lý tập ảnh để xây dựng tập đặc trưng huấn luyện cho SVM, chúng tơi có kết nhận dạng với tỷ lệ xác chấp nhận được: Hình 13: Kết tỷ lệ nhận dạng xác kiến trúc SVM Hình 14: Tiến trình huấn luyện tỷ lệ xác mạng AlexNet Đối với ảnh có loại cỏ, hệ thống nhận dạng xác định vị trí cỏ ảnh Riêng với ảnh có bắp lẫn cỏ trường hợp khơng chồng lắp hệ thống tách gán nhãn cho đối tượng có ảnh chưa xác định vị trí cỏ có ảnh Riêng trường hợp ảnh có bắp lẫn cỏ dại bị chồng lắp lên việc cắt rời đối tượng gặp lỗi nên dẫn đến việc gán nhãn không thực Hướng nghiên cứu tới: - Xử lý tốt trường hợp ảnh có bắp cỏ chồng lắp lên - Xác định vị trí đối tượng trường hợp ảnh có bắp lẫn cỏ - Xây dựng hệ thống tự động phun thuốc diệt cỏ dựa xử lý vấn đề thời gian thực LỜI CẢM ƠN Chúng xin chân thành cám ơn Học Viện Công Nghệ Bưu Chính Viễn Thơng Trường Đại Học Cơng Nghệ Thơng Tin tạo điều kiện cho chúng tơi hồn thành báo 64 NGUYỄN TẤT BẢO THIỆN - NGUYỄN THỊ CẨM TÚ TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GỊN TÀI LIỆU THAM KHẢO [1] C.-C Yang, S.O Prasher, J.-A Landry, H.S Ramaswamy, A Ditommaso, “Application of artificial neural networks in image recognition and classification of crop and weeds”, Canadian Agricultural Engineering, Vol 42., No.3, pp 147-152, 2000 [2] Michael Weyrich, Yongheng Wang, Matthias Scharf, “Quality assessment of row Crop plants by using a machine vision system”, IECON 2013 - 39th Annual Conference of the IEEE Industrial Electronics Society, pp 2466-2471, 2013 [3] Kue-Bum Lee and Kwang-Seok Hong, “An Implementation of Leaf Recognition System using Leaf Vein And Shape”, International Journal of Bio-Science and BioTechnology, Vol 5, No 2, April 2013 [4] Oyelade, O J, Oladipupo, O O, Obagbuwa, I C, “Application of k-Means Clustering algorithm for prediction of Students’ Academic Performance”, International Journal of Computer Science and Information Security, Vol 7, No.1, 2010 [5] Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, “ImageNet classification with deep convolutional neural networks”, Communications of the ACM, Vol.60, No.6, June 2017 [6] Chih-Wei Hsu, Chih-Chung Chang, and Chih-Jen Lin, “A Practical Guide to Support Vector Classification”, Technical report, Department of Computer Science, National Taiwan University July, 2003 [7] Herbert Bay, Tinne Tuytelaars, and Luc Van Gool1, “SURF: Speeded Up Robust Features”, Computer Vision – ECCV 2006: 9th European Conference on Computer Vision, Graz, Austria, May 7-13, 2006 Proceedings, Part I (pp.404-417) [8] Miss Pande Ankita V , Prof Shandilya V.K, “Digital Image Processing Approach for Fruit and Flower Leaf Identification and Recognition”, International Journal Of Engineering And Computer Science, Vol 2, No 4, pp 1280-1285, 2013 [9] Awad M., Khanna R, “Support Vector Machines for Classification”, Efficient Learning Machines, pp 39-66, 2015, Apress, Berkeley, CA [10] “A Comprehensive Study of Artificial Neural Networks”, International Journal of Advanced Research in Computer Science and Software Engineering, Vol 2, No 10, pp.278-284, 2012 [11] Hongzhi Wang, Ying Dong “An Improved Ostu Method for Image Segmentation”, Proceedings of SPIE - The International Society for Optical Engineering, Beijing, March 2008 [12] Ostu N., “A threshold selection method from gray-level histogram”, IEEE Transaction on Systems, Man, and Cybernetics, Vol 9, No 1, pp 62-66, 1979 [13] Rakshith Vasudev (2019, Feb) [Online] HYPERLINK https://towardsdatascience.com/ understanding-and-calculating-the-number-of-parameters-in-convolution-neural-networks -cnns-fc88790d530d Ngày nhận bài: 07/4/2019 Biên tập xong: 15/5/2019 65 Duyệt đăng: 20/5/2019 ... luống Thanh ngang tích hợp thêm đầu phun thuốc gắn cố định vào robot; robot di chuyển luống bắp Mơ hình nhận dạng xác định vị trí cỏ dại luống hoa màu Mơ hình nhận dạng định vị cỏ dại luống hoa. .. thấy tỷ lệ nhận dạng trung bình 97.19% Từ thực tế đó, chúng tơi đề xuất thực đề tài Nhận dạng xác định vị trí cỏ dại lẫn luống hoa màu Đề tài dừng lại việc nhận dạng xác định vị trí cỏ dại đầu... hệ thống nhận dạng liệu cho hệ thống tự động với hoạt động phun thuốc diệt cỏ xác vị trí xác định bón phân gốc trồng Máy học véc tơ hỗ trợ mạng nơ- ron nhân tạo 2.1 Máy học véc tơ hỗ trợ SVM –