Nghiên cứu và khai phá đặc trưng hình thái của giống thóc (MOTIF) từ dữ liệu ảnh hạt thóc

Tóm tắt nội dung luận văn Tại các cơ sở sản xuất thóc giống, quá trình đánh giá chất lượng hạt giống đóng vai trò quan trọng vì nó quyết định đến năng suất và chất lượng một giống lúa. Tuy nhiên quá trình phân loại và kiểm tra hạt lẫn giống (độ thuần chủng) vẫn phải thực hiện bằng tay, mất nhiều thời gian và công sức, yêu cầu kinh nghiệm của các kỹ thuật viên. Hiện nay, với sự phát triển của lĩnh vực trí tuệ nhân tạo và thị giác máy tính, việc xây dựng hệ thống tự động phân loại hạt thóc giống sử dụng hình ảnh thu nhận từ các cảm biến ảnh đã và đang được các nhà nghiên cứu quan tâm. Cụ thể, tôi sẽ tìm hiểu và thực hiện đề tài nghiên cứu và khai phá đặc trưng hình thái của giống thóc (MOTIF) từ dữ liệu ảnh hạt thóc. Hai bài toán được chúng tôi nghiên cứu trong luận văn này là phân loại hạt thóc giống và đánh giá, cấp chứng chỉ một giống thóc mới. Nghiên cứu được thực hiện trên tập dữ liệu 90 giống thóc của Việt Nam theo hiểu biết của chúng tôi đã là bộ CSDL với số lượng các giống thóc lớn nhất từ trước đến nay. Mục đích chính của nghiên cứu là khai phá các đặc trưng MOTIF từ ảnh hạt thóc giống, từ đó chỉ ra sự khác biệt giữa các giống và xây dựng bản đồ thóc giống Việt Nam từ dữ liệu 90 giống thóc đã thu thập. Dựa vào đặc trưng MOTIF, nghiên cứu sẽ chỉ ra ý nghĩa về mặt hình thái học của giữa các giống hoặc các nhóm thóc giống với nhau

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nghiên cứu khai phá đặc trưng hình thái giống thóc (MOTIF) từ liệu ảnh hạt thóc DƯƠNG VĂN NGỌC duongvanngoc995@gmail.com Ngành Đo lường hệ thống điều khiển Giảng viên hướng dẫn: TS Vũ Hải Viện: Điện HÀ NỘI, 12/2019 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn : Dương Văn Ngọc Đề tài luận văn: Nghiên cứu khai phá đặc trưng hình thái giống thóc (MOTIF) từ liệu ảnh hạt thóc Chuyên ngành: Đo lường hệ thống điều khiển Mã số SV: CBC18002 Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 12/12/2019 với nội dung sau: Thay đổi cỡ chữ sửa lại tóm tắt luận văn với quy định Mô tả chi tiết bước khai phá MOTIF mục 3.1 Chương Bổ sung mô tả bước tiền xử lý mục 3.3 Bổ sung phần mơ tả tốn, hướng giải mục 4.1, 4.2, 4.5 4.6 Bổ sung phần giải thích lý chọn phương pháp Random Forest mục 4.3.5 4.4.3 Ngày Giáo viên hướng dẫn tháng năm Tác giả luận văn CHỦ TỊCH HỘI ĐỒNG ĐỀ TÀI LUẬN VĂN Đề tài: Nghiên cứu khai phá đặc trưng hình thái giống thóc (MOTIF) từ liệu ảnh hạt thóc Giáo viên hướng dẫn Ký ghi rõ họ tên Lời cảm ơn Trước hết, tơi xin tỏ lịng biết ơn gửi lời cám ơn chân thành đến TS Vũ Hải trực tiếp hướng dẫn tơi tìm hướng nghiên cứu, tiếp cận thực tế, tìm kiếm tài liệu… nhờ tơi hồn thành luận văn cao học Ngồi ra, tơi xin cảm ơn ủng hộ giúp đỡ từ thầy cô bạn bè từ Viện nghiên cứu quốc tế MICA Viện Điện Tóm tắt nội dung luận văn Tại sở sản xuất thóc giống, q trình đánh giá chất lượng hạt giống đóng vai trị quan trọng định đến suất chất lượng giống lúa Tuy nhiên trình phân loại kiểm tra hạt lẫn giống (độ chủng) phải thực tay, nhiều thời gian công sức, yêu cầu kinh nghiệm kỹ thuật viên Hiện nay, với phát triển lĩnh vực trí tuệ nhân tạo thị giác máy tính, việc xây dựng hệ thống tự động phân loại hạt thóc giống sử dụng hình ảnh thu nhận từ cảm biến ảnh nhà nghiên cứu quan tâm Cụ thể, tơi tìm hiểu thực đề tài nghiên cứu khai phá đặc trưng hình thái giống thóc (MOTIF) từ liệu ảnh hạt thóc Hai tốn chúng tơi nghiên cứu luận văn phân loại hạt thóc giống đánh giá, cấp chứng giống thóc Nghiên cứu thực tập liệu 90 giống thóc Việt Nam - theo hiểu biết - CSDL với số lượng giống thóc lớn từ trước đến Mục đích nghiên cứu khai phá đặc trưng MOTIF từ ảnh hạt thóc giống, từ khác biệt giống xây dựng đồ thóc giống Việt Nam từ liệu 90 giống thóc thu thập Dựa vào đặc trưng MOTIF, nghiên cứu ý nghĩa mặt hình thái học giống nhóm thóc giống với HỌC VIÊN Ký ghi rõ họ tên MỤC LỤC DANH MỤC HÌNH VẼ DANH MỤC BẢNG BIỂU 10 CHƯƠNG MỞ ĐẦU 11 1.1 Bối cảnh lý chọn đề tài 11 1.2 Nhiệm vụ đặt 14 1.3 Những đóng góp luận văn 14 1.4 Bố cục luận văn 14 1.5 Hướng giải 15 CHƯƠNG CÁC NGHIÊN CỨU LIÊN QUAN 16 2.1 Các nghiên cứu liên quan khái phá đặc trưng hình thái học hạt thóc 16 2.2 Các nghiên cứu liên quan khai phá đặc trưng MOTIF 19 CHƯƠNG KHAI PHÁ MOTIF TỪ TẬP DỮ LIỆU HẠT THÓC GIỐNG 22 3.1 Giới thiệu chung phương pháp khai phá MOTIF 22 3.2 Hệ thống thu nhận ảnh liệu thu thập 22 3.3 Các bước tiền xử lý 24 3.4 3.3.1 Tách hạt thóc khỏi 24 3.3.2 Chuẩn hố kích thước ảnh hạt thóc 25 3.3.3 Chuẩn hố hướng theo cấu trúc hình thái học 26 Khai phá đặc trưng MOTIF hạt thóc 34 3.4.1 Định nghĩa đặc trưng MOTIF 34 3.4.2 Khai phá đặc trưng MOTIF giống thóc 36 CHƯƠNG CÁC ỨNG DỤNG VÀ ĐÁNH GIÁ THỬ NGHIỆM 38 4.1 4.2 Đánh giá biến đổi hình dạng hạt thóc giống thóc 38 4.1.1 Mơ tả tốn 38 4.1.2 Hướng giải thử nghiệm 38 4.1.3 Kết đánh giá 38 So sánh MOTIF giống thóc khác 39 4.2.1 Mơ tả tốn 39 4.2.2 Hướng giải thử nghiệm 39 4.2.3 4.3 4.4 Kết đánh giá 39 Ứng dụng MOTIF tốn nhận dạng hạt thóc giống 43 4.3.1 Mơ tả tốn 43 4.3.2 Hướng giải 43 4.3.3 Phương pháp thực 43 4.3.4 Cài đặt thử nghiệm 47 4.3.5 Kết đánh giá 47 Ứng dụng MOTIF toán kiểm tra độ chủng hạt thóc 49 4.4.1 Mơ tả tốn 49 4.4.2 Cài đặt thử nghiệm 49 4.4.3 Kết quả, đánh giá 49 4.5 Nghiên cứu phân bố hình dạng hạt thóc phụ thuộc MOTIF giống thóc 50 4.6 4.5.1 Mơ tả tốn 50 4.5.2 Hướng giải thử nghiệm 50 4.5.3 Kết đánh giá 51 Xây dựng đồ biểu diễn tương tự giống 54 4.6.1 Mơ tả tốn 54 4.6.2 Hướng giải 54 4.6.3 Bộ sở liệu sử dụng 54 4.6.4 Xây dựng đồ giống thóc 55 CHƯƠNG KẾT LUẬN, ĐỀ XUẤT 58 TÀI LIỆU THAM KHẢO 59 DANH MỤC HÌNH VẼ Hình 1.1 Quy trình kiểm tra thóc giống: - Thu thập thóc giống - Ghi lại thông tin thu thập - Lấy mẫu - Kiểm tra độ chủng giống - Kiểm tra độ ẩm thóc giống - Kiểm tra hàm lượng bụi - Kiểm tra tỉ lệ nảy mầm 12 Hình 1.2 Quy trình kiểm tra, cấp chứng giống 13 Hình 1.3 Hướng tiếp cận phân loại, đánh giá hạt thóc giống 15 Hình 2.1 Một sở liệu với ảnh có độ phân giải cao sử dụng [42] 17 Hình 2.2 Ví dụ MOTIF mẫu liệu điện tâm đồ [42] 20 Hình 2.3 MOTIF hình dạng ký tự cổ [41] 21 Hình 3.1 Các bước tính tốn MOTIF từ tập liệu ảnh hạt thóc 22 Hình 3.2 Hệ thống thu nhận ảnh hạt thóc 23 Hình 3.3 Ảnh thu từ camera hệ thống thu nhận ảnh nghiên cứu 24 Hình 3.4 Quy trình lọc hình ảnh hạt thóc khỏi 26 Hình 3.5 Ảnh hạt thóc sau cắt từ ảnh thu từ camera với độ phân giải 200 × 400 pixels 26 Hình 3.6 Cấu trúc hạt thóc thơng thường 27 Hình 3.7 Dữ liệu hạt thóc thu từ camera chưa chuẩn hoá hướng trấu (palea) trấu (lemma) 27 Hình 3.8 Phương pháp chuẩn hóa hướng hạt thóc 28 Hình 3.9 Sự thay đổi đường bao phụ thuộc vào số lượng hệ số EFD sử dụng đường bao hạt thóc 29 Hình 3.10 Đường bao hạt thóc thu Ellipse Fourier Descriptor (EFD) 29 Hình 3.11 Độ cong điểm đường bao hạt thóc 31 Hình 3.12 Chuẩn bị liệu gán nhãn cho phần mỏ hạt thóc 32 Hình 3.13 Một số hình ảnh sau chuẩn hoá hướng 32 Hình 3.14 Xác định vị trí C D hạt thóc 34 Hình 3.15 Kết cuối q trình chuẩn hóa 34 Hình 3.16 Một ví dụ Trivial Match [22] 36 Hình 4.1 Các MOTIF giống 91RH 39 Hình 4.2 Một ví dụ khác biệt MOTIF giống NDC1 Nếp Cô Tiên 40 Hình 4.3 Hình ảnh so sánh thực tế giống NDC1 Nếp Cơ Tiên 41 Hình 4.4 Hình ảnh so sánh thực tế giống NT16 VietHuong8 41 Hình 4.5 Tổng hợp MOTIF giống nhóm 42 Hình 4.6 Tổng hợp MOTIF giống nhóm 42 Hình 4.7 Các thơng số cần thiết để tính tốn Accuracy 45 Hình 4.8 Các bước tính tốn đặc trưng cục 46 Hình 4.9 Kết confusion maxtrix với Random Forests Motif từ → 96 48 Hình 4.10 Kết confusion maxtrix với Random Forests Motif từ → 80 48 Hình 4.11 Kết confusion maxtrix với Random Forests Motif từ → 60 48 Hình 4.12 Kết confusion maxtrix với Random Forests Motif từ → 40 49 Hình 4.13 Phân bố Motif từ → 96 sau xử lý LDA 51 Hình 4.14 Phân bố Motif từ → 80 sau xử lý LDA 52 Hình 4.15 Phân bố Motif từ → 60 sau xử lý LDA 52 Hình 4.16 Phân bố Motif từ → 40 sau xử lý LDA 53 Hình 4.17 Phân bố Motif từ → 20 sau xử lý LDA 53 Hình 4.18 Phân bố Motif từ → sau xử lý LDA 54 Hình 4.19 Bộ sở liệu xây dựng đồ hạt thóc giống Việt Nam 55 Hình 4.20 Bản đồ thóc giống Việt Nam 56 Hình 4.21 Một ví dụ so sánh giống thóc liền kề đồ hạt thóc giống 57 Hình 4.22 Một ví dụ so sánh giống thóc cách xa đồ hạt thóc giống 57 DANH MỤC BẢNG BIỂU Bảng 2.1 Tổng hợp nghiên cứu công bố 19 Bảng 3.1 Tổng hợp kết chuẩn hóa chiều quay hạt thóc 33 Bảng 4.1 Các giống lúa sử dụng toán phân loại 44 Bảng 4.2 Tổng hợp kết đánh giá MOTIF với phân lớp Random forest 47 Bảng 4.3 Kết đánh giá MOTIF toán kiểm tra độ chủng với phân lớp Random Forest 50 10 Hình 4.12 Kết confusion maxtrix với Random Forests Motif từ → 40 4.4 Ứng dụng MOTIF toán kiểm tra độ chủng hạt thóc 4.4.1 Mơ tả tốn Bên cạnh tốn phân loại hạt thóc giống, tốn kiểm tra độ chủng giống thóc quan tâm Bài toàn khác biệt so với tốn phân loại trình bày 4.3 cách cài đặt tập liệu Thay thực việc xác định tên giống giống lựa chọn, mục tiêu toán phân loại giống với tất giống cịn lại Ở tốn này, phương hướng giải đặc trưng sử dụng giống mô tả 4.3 Dưới mô tả cách cài đặt thử nghiệm sở liệu mà sử dụng phần 4.4.2 Cài đặt thử nghiệm Các bước cài đặt liệu thử nghiệm toán gồm bước sau: - Lựa chọn số lượng N (Motif) muốn nghiên cứu Với giống lựa chọn Motif từ đến N Như tập liệu sử dụng 6× N hạt − Lần lượt chọn giống từ đến để thử nghiệm, chọn giống ta gán nhãn cho giống 1, giống cịn lại gán nhãn - Chia tập liệu thành phần huấn luyện thử nghiệm với tỉ lệ 8/2 - Việc chia liệu thực ngẫu nhiên - Chỉ số sử dụng để đánh giá Accuracy (4.3.3) - Kết cuối trung bình 10 lần thử nghiệm với tập liệu chia ngẫu nhiên 4.4.3 Kết quả, đánh giá Từ đánh giá phương pháp nhận diện [10], phân lớp Random Forest cho kết tốt toán phân loại hạt thóc, kết đánh giá phân lớp Random Forest Kết trình bày 49 Bảng 4.3 Ta nhận thấy kết nhận dạng tăng dần chọn tập Motif từ (1st −Motif → 96th −Motif) tới (1st −Motif → 20th −Motif) Bảng 4.3 Kết đánh giá MOTIF toán kiểm tra độ chủng với phân lớp Random Forest Số lượng Motif All 80 40 20 BC15 0.837 0.8375 0.8875 0.9208 BQ10 0.8422 0.8656 0.8875 0.925 NH92 0.8422 0.8812 0.9270 0.975 NT16 0.8982 0.9020 0.9313 0.95 PC10 0.9137 0.9417 0.9604 0.9917 VietHuong8 0.8862 0.926 0.9354 0.9541 4.5 Nghiên cứu phân bố hình dạng hạt thóc phụ thuộc MOTIF giống thóc 4.5.1 Mơ tả tốn Mục đích tốn cách trực quan phân bố đường bao đặc trưng giống thóc từ kết thu chương 4.5.2 Hướng giải thử nghiệm Với kết từ phần 4.3 4.4, ta đưa kết luận phân bố Motif giống Tuy nhiên để có nhìn trực quan nhận định này, sử dụng kỹ thuật suy giảm số chiều từ không gian nhiều chiều vector đặc trưng giống thóc khơng gian chiều để quan sát Phương pháp sử dụng LDA Mục tiêu đưa không gian 13 chiều vector đặc trưng phần 4.3 4.4 không gian chiều để quan sát ảnh hưởng Motif phân bố giống thóc Chi tiết bước thực sau: - Chọn số lượng đường bao giống muốn mơ phỏng, ví dụ 80 đường bao/1 giống - Lấy đường bao ứng với Motif từ → 80 tìm chương 50 - Làm tương tự với giống khác muốn nghiên cứu, ví dụ chọn giống - tập nghiên cứu có: 6×80 = 480 (đường bao) Sử dụng LDA để giảm số chiều liệu 480 đường bao không gian chiều để thấy phân bố giống thóc 4.5.3 Kết đánh giá Kết thể Hình 4.13, Hình 4.14, Hình 4.15, Hình 4.16, Hình 4.17, Hình 4.18 Ở hình cuối (Hình 4.18) đường bao đại diện quan trọng giống sử dụng, nhìn thấy rõ ràng tách biệt giống Từ hình ảnh trên, đưa kết luận sau: - Các điểm đại diện cho đường bao giống có xu hướng hội tụ điểm đồ thị - Các điểm đại diện hạt thóc thuộc giống khác hội tụ điểm khác Hình 4.13 Phân bố Motif từ → 96 sau xử lý LDA 51 Hình 4.14 Phân bố Motif từ → 80 sau xử lý LDA Hình 4.15 Phân bố Motif từ → 60 sau xử lý LDA 52 Hình 4.16 Phân bố Motif từ → 40 sau xử lý LDA Hình 4.17 Phân bố Motif từ → 20 sau xử lý LDA 53 Hình 4.18 Phân bố Motif từ → sau xử lý LDA 4.6 Xây dựng đồ biểu diễn tương tự giống 4.6.1 Mơ tả tốn Mục đích tốn biểu diễn tương quan mặt hình dạng giống thóc Nhìn vào phải thấy giống thóc giống khác mặt hình thái học, gọi ”bản đồ” thể tương quan giống thóc với 4.6.2 Hướng giải Các bước xây dựng đồ sau: - Tính tốn MOTIF giống thóc sở liệu 90 giống phần 4.6.3 − Lấy 20 Motif quan trọng giống Vì Motif chuẩn hóa hình thái học, dễ dàng tìm đường bao trung bình tập hợp Motif - Xây dựng đồ từ đường bao trung bình thuật toán Dendrogram[32] 4.6.3 Bộ sở liệu sử dụng Cơ sở liệu sử dụng bao gồm ảnh chụp 90 giống thóc Việt Nam, giống gồm 96 hạt Các giống có đặc trưng hình thái đa dạng, đặc biệt cịn có giống có đặc điểm giống Hình 4.19 mơ tả hạt đại diện cho giống thóc sở liệu 54 4.6.4 Xây dựng đồ giống thóc Như thấy, tốn phân loại hạt thóc giống (multiple classification) nghiên cứu nhiều giới đạt kết chưa cao Các kết cao nghiên cứu gần yêu cầu ảnh đầu vào có độ phân giải cao sử dụng ảnh phổ với tập liệu nhỏ số lượng giống thóc Các điều kiện cịn khó để ứng dụng vào thực tế Hình 4.19 Bộ sở liệu xây dựng đồ hạt thóc giống Việt Nam Về mặt sinh học, sử dụng hình ảnh hạt thóc nhiều trường hợp khó để phân biệt xác giống có nguồn gốc gần gũi với Các giống thể khác biệt phát triển thành cấu trúc hóa học phức tạp bên Bản đồ thóc giống giúp giải vấn đề cách vị trí tương quan giống cần đánh giá với giống thóc đăng ký Hình 4.20 thể kết thu Dưới số nhận xét kết này: − Các giống lúa phân thành nhóm với đặc trưng riêng − Các giống họ nếp tẻ có xu hướng xếp gần 55 Hình 4.20 Bản đồ thóc giống Việt Nam 56 Hình 4.21 Một ví dụ so sánh giống thóc liền kề đồ hạt thóc giống Hình 4.22 Một ví dụ so sánh giống thóc cách xa đồ hạt thóc giống 57 CHƯƠNG KẾT LUẬN, ĐỀ XUẤT Trong luận văn này, tìm hiểu ứng dụng thị giác máy tính kỹ thuật học máy vào toán nông nghiệp thông minh Trong phạm vi nghiên cứu giao, tơi tìm hiểu cách tính ứng dụng MOTIF toán nhận dạng phân tích hình dáng hạt thóc giống Để tính tốn MOTIF giống thóc, kỹ thuật liên quan đến việc chuẩn hóa hình thái học sử dụng MOTIF giống với ý nghĩa kiểu hình đại diện cho nhóm giống, có nhiều ứng dụng tốn phân loại hạt thóc giảng dạy nơng nghiệp Luận văn trình bày ý nghĩa MOTIF phân tích hình dạng hạt thóc giống thóc, hai giống khác tốn phân loại hạt thóc Các kết toán phân loại cho thấy MOTIF giống thóc có khác biệt hình dáng, thể trực quan qua mơ hình biểu diễn liệu phương pháp suy giảm số chiều LDA Với liệu 90 giống thóc Việt Nam, MOTIF cho hình ảnh tổng quát đồ hạt thóc giống với tương quan, liên kết giống thể biểu đồ Dendrogram Các kết toán phân loại hạt thóc cho thấy nâng cao hiệu nhận dạng nhiên với tập liệu nhỏ (chỉ 96 hạt/1 giống thóc) kết cịn nhạy cảm khâu chia liệu cho tập huấn luyện tập thử nghiệm Với đặc trưng MOTIF, tập liệu lớn cho đánh giá khách quan chi tiết Từ xin đề xuất số hướng nghiên cứu để nâng cao kết là: (1) Thu thập đánh giá với sở liệu lớn giống thóc, (2) Từ MOTIF thu thập được, phân tích đưa đặc trưng phù hợp toán phân loại hạt thóc giống Cuối cùng, q trình thực luận văn này, làm quen với nội dung nghiên cứu khoa học; cụ thể vấn đề áp dụng kỹ thuật trí tuệ nhân tạo thị giác máy tính vào tốn thực tế nơng nghiệp Từ cơng việc thực hiện, học cách thức phân tích xử lý liệu, đồng thời tìm hiểu sử dụng cơng cụ tích tốn mạnh mẽ Matlab, thư viện phục vụ nghiên cứu khoa học liệu scikit-learn ngôn ngữ Python Những kinh nghiệm giúp tơi có kỹ cần thiết công việc sau tốt nghiệp 58 TÀI LIỆU THAM KHẢO [1] Q S a B.-o AbdullahMueen, EamonnKeogh “Exact discovery of time series motifs”, Proceedings of the 2009 SIAM International Conference on Data Mining, pages SIAM, 473–484, 2009 [2] A Aznan, I Rukunudin, A Shakaff, R Ruslan, A Zakaria, and F Saad “The use of machine vision technique to classify cultivated rice seed variety and weedy rice seed variants for the seed industry”, International Food Research Journal, 23(Suppl):S31 – S35, 2016 [3] G Barbosa-Canovas Hyperspectral Imaging Technology in Food and Agriculture Springer, 2015 ISBN 978-1-4939-2835-4 [4] E K Bill Chiu and S Lonardi “Probabilistic discovery of time series motifs”, Proceedings of the ninth ACM SIGKDD international conference on Knowledge discovery and data mining, pages ACM, 493–498, 2003 [5] J Canny “A computational approach to edge detection”, IEEE Trans Pattern Analysis and Machine Intelligence, 8(6):679–698, 1986 [6] C Chang and C Lin Libsvm – a library for support vector machines https: //www.csie.ntu.edu.tw/~cjlin/libsvm/, May 2016 [7] C Fang, L Zhao-yan, and Y Yi-bin “Machine vision analysis of characteristics and image information base construction for hybrid rice seed”, Rice Science, 12(1):13–18, 2005 [8] D Goodman and R Rao “A new, rapid, interactive image analysis method for determining physical dimensions of milled rice kernels”, Journal of Food Science, 49 (2):648–649, 1984 [9] D J Guzman and P Engelbert “Classification of philippine rice grains using machine vision and artificial neural networks”, In World conference on Agricultural information and IT, 2008 [10] V N D Hai Vu and T T Nguyen “Inspecting rice seed species purity on a large dataset using geometrical and morphological features”, In SoICT 2018 Proceedings of the Ninth International Symposium on Information and 59 Communication Technology, pages 321–328, Dec 2018 ISBN 978-1-45036539-0 [11] P T T Hong and T T T H et al “Comparative study on vision based rice seed varieties identification”, Knowledge and Systems Engineering (KSE), 2015 Seventh Int Conf on, pages 377–382, Oct 2015 doi: 10.1109/KSE.2015.46 [12] K.-Y Huang and M.-C Chien “A novel method of identifying paddy seed varieties”, Sensors, 17(809):1–8, 2017 [13] H Iwata and Y Ukai Shape: “A computer program package for quantitative evaluation of biological shapes based on elliptic fourier descriptors”, Journal of Heredity, 93:384–385, 2002 [14] S L Jessica Lin, Eamonn Keogh and B Chiu “A symbolic representation of time series, with implications for streaming algorithms Proceedings of the 8th ACM SIGMOD workshop on Research issues in data mining and knowledge discovery, ”,page 2–11, 2003 [15] R Kawakami, Y Matsushita, J Wright, M Ben-Ezra, Y W Tai, and K Ikeuchi “High-resolution hyperspectral imaging via matrix factorization”, CVPR 2011, pages 2329–2336, June 2011 doi: 10.1109/CVPR.2011.5995457 [16] W Kong, C Zhang, F Liu, P Nie, and Y He “Rice seed cultivar identification using near-infrared hyperspectral imaging and multivariate data analysis”, Sensors, 13(7): 8916, 2013 [17] F Kuhl and C Giardina “Elliptic fourier features of a closed contour”, Comp Graphics Image Processing, 18:236–258, 1982 [18] T.-Y Kuo, C.-L Chung, S.-Y Chen, H.-A Lin, and Y.-F Kuo “Identifying rice grains using image analysis and sparse-representation-based classification”, Computers and Electronics in Agriculture, 127(9):716–725, 2016 [19] F Lai, I.Zayas, and Y.Pomeranz “Application of pattern recognition techniques in the analysis of cereal grains”, Cereal Chemistry, 63(2):168– 172, 1982 60 [20] A Liaw Classification random forest http://cran.r- project.org/web/ packages/randomForest, May 2016 [21] Z.-y Liu, F Cheng, Y.-b Ying, and X.-q Rao “Identification of rice seed varieties using neural network”, Journal of Zhejiang University Science B, 6(11):1095–1100, 11 2005 [22] J Lonardi and P Patel “Finding motifs in time series”, Proc of the 2nd Workshop on Temporal Data Mining, page 53–68, 2002 [23] L.Wang and D.Liu “Use of HSI imaging to discriminate the variety and quality of rice”, Food Anal Methods, 8:515–523, 2015 [24] L.Zhao-yan, C.Fang, Y.Yi-bin, and R-Xiu-qin “Identification of rice seed varieties using neural networks”, Journal of Zhejiang University Sscience, 11:1095–1100, 2005 [25] M.A.Shahin “Detection of hard vitreous and starchy kernels in amber durum wheat samples using HSI”, NIR News, 19:16–18, 2008 [26] C Mendez, G Adolfo, C Diaz, B Hildeliza, del Villar-Martinez, A Angelica, A Ocampo, M Lucia, and A Ruperto “Digital image analysis of diverse mexican rice cultivars”, Journal of the Science of Food and Agriculture, 92(13):2709–2714, 2012 [27] N.Otsu “A threshold selection method from gray-level histograms”, IEEE Trans Sys., Man., Cyber, 9:62–66, 1979 [28] N.Sakai, S.Yonekawa, A.Matsuzaki, and H.Morishima “Two dimensional image analysis of the shape of rice and its application to separating varieties”, Journal of Food Engineering, 27:397–407, 1996 [29] A G OuYang and R j Gao et al “An automatic method for identifying different variety of rice seeds using machine vision technology”, 2010 Sixth Int Conf on Natural Computation, volume 1, pages 84–88, Aug 2010 doi: 10.1109/ICNC.2010 5583370 [30] A Pazoki, F Farokhi, and Z Pazoki “Classification of rice grain varieties using two artificial neural networks (mlp and neuro-fuzzy) ”, The Journal of Animal & Plant Sciences, 24(1):336–343, 2014 61 [31] C Peralta “Modeling shapes using uniform cubic b-splines for rice seed image analysis”, 2016 Sixth International Conference on Communications and Electronics, July 2016 [32] Y E.-Y H Ryosuke Abe, Sadaaki Miyamoto “Hierarchical clustering algorithms with automatic estimation of the number of clusters”, 2017 Joint 17th World Congress of International Fuzzy Systems Association and 9th International Conference on Soft Computing and Intelligent Systems (IFSASCIS), June 2017 [33] R E Schapire and Y Singer “Improved boosting algorithms using confidence-rated predictions”, In Machine Learning, pages 80–91, 1999 [34] Y Shao, C.Zhao, Y.Bao, and Y.He “Quantification of nitrogen status in rice by least squares support vector machines and reflectance spectroscopy”, Food Bioprocess Technol, 5:100–107, 2012 [35] R Singh and S Chaudhury “Efficient technique for rice grain classification using back-propagation neural network and wavelet decomposition”, IET Computer Vision, 10(8):780 – 787, 2016 [36] D.-W Sun Computer Vision Technology for Food Quality Evaluation Elsevier, 2008 ISBN 978-0-12-373642-0 [37] J Sun, X Lu, H Mao, X Jin, and X Wu “A method for rapid identification of rice origin by hyperspectral imaging technology”, Journal of Food Process Engineering, 40(1):e12297–n/a, 2017 e12297 [38] T Tanabata, T Shibaya, K Hori, K Ebana, and M Yano “Smartgrain: High-throughput phenotyping software for measuring seed shape through image analysis”, Plant Physiology, 160(4):1871–1880, 2012 [39] T.Kohonen Self-organizing maps Springer, 2001 [40] H Vu, C Tachtatzis, P Murray, D Harle, T K Dao, T L Le, I Andonovic, and S Marshall “Spatial and spectral features utilization on a hyperspectral imaging system for rice seed varietal purity inspection”, 2016 IEEE RIVF International Conference on Computing Communication Technologies, Research, Innovation, and Vision for the Future (RIVF), pages 169–174, Nov 2016 62 [41] L W Xiaopeng Xi, Eamonn Keogh and A Mafra-Neto “Finding motifs in a database of shapes”, Proceedings of the 2007 SIAM international conference on data mining, page 249–260, 2007 [42] K I Yoshiki Tanaka and K Uehara “Discovery of time-series motif from multidimensional data based on mdl principle”, Machine Learning, 58(2):269–300, 2005 [43] Z Zhang “A flexible new technique for camera calibration”, IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(11):1330– 1334, 2000 63 ... đề tài nghiên cứu khai phá đặc trưng hình thái giống thóc (MOTIF) từ liệu ảnh hạt thóc Hai tốn chúng tơi nghiên cứu luận văn phân loại hạt thóc giống đánh giá, cấp chứng giống thóc Nghiên cứu thực... khai phá đặc trưng MOTIF từ ảnh hạt thóc giống, từ khác biệt giống xây dựng đồ thóc giống Việt Nam từ liệu 90 giống thóc thu thập Dựa vào đặc trưng MOTIF, nghiên cứu ý nghĩa mặt hình thái học giống. .. việc thực khai phá MOTIF liệu hình ảnh địi hỏi chuẩn hóa liệu khắt khe Khai phá MOTIF tập liệu ảnh hạt thóc giống thóc tìm “đường bao đặc trưng giống thóc? ??, cụ thể từ hình ảnh 96 hạt thóc giống,