Nghiên cứu các đặc trưng và nhận dạng mẫu trong chẩn đoán bệnh trên cây bưởi

Hiện nay nông dân chẩn đoán bệnh đánh giá chất lượng trái cây dựa vào kinh nghiệm là chính thông qua các hình ảnh trên bề mặt trái lá cây mà thị giác con người nhìn thấy Trên thực tế việc đánh giá như vậy không đạt được độ chính xác cao Chính vì vậy thị giác máy tính là một lĩnh vực đã và đang được ứng dụng rộng khắp trong nhiều mặt của cuộc sống đây là kỹ thuật liên quan đến việc nhận dạng và phân biệt đối tượng trong thực tế thông qua ảnh chụp của chúng Kỹ thuật này ngày càng được áp dụng rộng rãi vào nhiều lĩnh vực của nông nghiệp như tự động hóa phân loại nông sản Trong luận văn này tác giả sử dụng phƣơng pháp nhận dạng mẫu trong chẩn đoán bệnh trên cây Bƣởi bằng máy tính sử dụng các phương pháp thuật toán K – láng giềng gần nhất KNN trong lĩnh vực thị giác máy tính và xử lý ảnh số để nhận dạng phân tích h nh ảnh nhằm chẩn đoán bệnh trên Bưởi Kết quả thực nghiệm với độ chính xác phân loại trên 97 cho thấy sự thành công của việc áp dụng phương pháp KNN vào việc chẩn đoán bệnh trên cây Bưởi thông qua ảnh chụp

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA CÙ YẾN NHI CÙ YẾN NHI * KHOA HỌC MÁY TÍNH NGHIÊN CỨU CÁC ĐẶC TRƯNG VÀ NHẬN DẠNG MẪU TRONG CHẨN ĐOÁN BỆNH TRÊN CÂY BƯỞI LUẬN VĂN THẠC SĨ KHOA HỌC CHUN NGÀNH KHOA HỌC MÁY TÍNH * KHĨA K32 Đà Nẵng - Năm 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA CÙ YẾN NHI NGHIÊN CỨU CÁC ĐẶC TRƢNG VÀ NHẬN DẠNG MẪU TRONG CHẨN ĐOÁN BỆNH TRÊN CÂY BƢỞI Chuyên ngành: Khoa học máy tính Mã ngành: 60.48.01 LUẬN VĂN THẠC SĨ KỸ THUẬT NGƢỜI HƢỚNG DẪN KHOA HỌC TS Huỳnh Hữu Hƣng Đà Nẵng - Năm 2018 i LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu riêng Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Tác giả CÙ YẾN NHI ii MỤC LỤC MỞ ĐẦU 1 Lý chọn đề tài Mục tiêu nhiệm vụ nghiên cứu 2.1 Mục tiêu nghiên cứu 2.2 Nhiệm vụ nghiên cứu Đối tƣợng phạm vi nghiên cứu 3.1 Đối tƣợng nghiên cứu 3.2 Phạm vi nghiên cứu Phƣơng pháp nghiên cứu 4.1 Phƣơng pháp nghiên cứu lý thuyết .2 4.2 Phƣơng pháp nghiên cứu thực nghiệm Ý nghĩa khoa học thực tiễn luận văn 5.1 Ý nghĩa khoa học 5.2 Ý nghĩa thực tiễn Bố cục luận văn: CHƢƠNG - TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ CÁC KỸ THUẬT NHẬN DẠNG 1.1 Tổng quan xử lý ảnh 1.1.1 Giới thiệu 1.1.2 Các bƣớc xử lý ảnh 1.1.3 Một số khái niệm xử lý ảnh 1.2 Phƣơng pháp cải thiện chất lƣợng ảnh 1.2.1 Tăng giảm độ sáng 1.2.2 Cắt lớp cƣờng độ sáng 1.2.3 Xử lý độ tƣơng phản – giãn độ tƣơng phản 1.2.4 Lƣợc đồ xám (Histogram) 1.2.5 Biến đổi âm 10 1.2.6 Biến đổi ảnh đen trắng 10 1.2.7 Phép co giãn ảnh nhị phân 10 1.2.8 Phép đóng mở ảnh nhị phân 11 1.3 Trích chọn đặc trƣng ảnh 12 1.3.1 Màu sắc 13 1.3.2 Hình dáng 14 1.3.3 Kết cấu bề mặt 15 1.4 Một số kỹ thuật nhận dạng [2] 17 1.4.1 SVM (Support Vector Machine) 17 1.4.2 Mạng Nơron 18 1.4.3 K – láng giềng gần (KNN – K nearest neighbors) 19 iii 1.5 Đánh giá ƣu điểm phƣơng pháp KNN 19 CHƢƠNG – NHẬN DẠNG VÀ ĐÁNH GIÁ CHẤT LƢỢNG 2.1 Các c ng tr nh nghiên cứu 21 2.1.1 Nhận dạng trái 21 2.1.2 Phát khuyết điểm bề mặt trái 21 2.2 Các đặc trƣng sử dụng đánh giá chất lƣợng 21 2.2.1 Trích chọn đặc trƣng h nh dạng để phân biệt phần cuống khiếm khuyết thực trái 21 2.2.2 Trích chọn đặc trƣng màu sắc 24 2.2.3 Trích chọn đặc trƣng kết cấu 25 2.3 Phƣơng pháp phân loại đánh giá chất lƣợng 26 2.3.1 Phƣơng pháp phân lớp ảnh chụp ứng dụng máy Vector h trợ 26 2.3.2 Thuật toán Watershed đối sánh mẫu để phát bệnh thối xoài 30 2.3.3 Phƣơng pháp khai thác thống kê màu sắc đặc trƣng kết cấu để nhận biết bệnh táo 34 CHƢƠNG 3– NHẬN DẠNG VÀ CHẨN ĐOÁN BỆNH TRÊN BƢỞI VỚI THUẬT TOÁN K-NEAREST NEIGHBORS 3.1 Thuật toán K – Láng giềng gần (K-Nearest Neighbors) 39 3.1.1 Thuật toán 39 3.1.2 Mơ tả thuật tốn 39 3.1.3 Khoảng cách Euclidean 40 3.2 Chẩn đoán bệnh Bƣởi sử dụng thuật toán K-NN 41 3.2.1 M tả toán 41 3.2.2 M h nh hệ thống 42 3.2.3 Các bƣớc thực 42 3.3 Trích xuất đặc trƣng 43 3.2.1 Đặc trƣng màu sắc 43 Chuyển đổi tách kênh màu H-S-V 43 3.2.2 Đặc trƣng kết cấu 44 3.2.3 Sóng Gabor – Gabor Wavelet 45 3.2.4 Ma trận đồng mức xám Co-occurrence 46 3.2.5 Biến đổi Wavelet ứng dụng 48 3.4 Thực nghiệm kết 49 3.4.1 Tập mẫu ảnh huấn luyện 49 3.4.2 Kết thực nghiệm 50 3.4.3 Cài đặt hệ thống 51 3.4.4 Nhận xét 54 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 54 TÀI LIỆU THAM KHẢO 55 iv NGHIÊN CỨU CÁC ĐẶC TRƢNG VÀ NHẬN DẠNG MẪU TRONG CHẨN ĐOÁN BỆNH TRÊN CÂY BƢỞI Học viên: CÙ YẾN NHI; Chuyên ngành: Khoa học máy tính Mã số: 60.48.01; Khóa: 2016-2018 Trƣờng Đại học Bách khoa - ĐHĐN Tóm tắt – Hiện n ng dân chẩn đoán bệnh, đánh giá chất lƣợng trái dựa vào kinh nghiệm th ng qua h nh ảnh bề mặt trái, cây, mà thị giác ngƣời nh n thấy Trên thực tế việc đánh giá nhƣ kh ng đạt đƣợc độ xác cao Chính v thị giác máy tính lĩnh vực đƣợc ứng dụng rộng khắp nhiều mặt sống, kỹ thuật liên quan đến việc nhận dạng phân biệt đối tƣợng thực tế th ng qua ảnh chụp chúng Kỹ thuật ngày đƣợc áp dụng rộng rãi vào nhiều lĩnh vực n ng nghiệp nhƣ tự động hóa, phân loại n ng sản Trong luận văn tác giả sử dụng phƣơng pháp nhận dạng mẫu chẩn đốn bệnh Bƣởi máy tính, sử dụng phƣơng pháp, thuật toán K – láng giềng gần (KNN) lĩnh vực thị giác máy tính xử lý ảnh số để nhận dạng, phân tích h nh ảnh nhằm chẩn đoán bệnh Bƣởi Kết thực nghiệm với độ xác phân loại 97% cho thấy thành c ng việc áp dụng phƣơng pháp KNN vào việc chẩn đoán bệnh Bƣởi th ng qua ảnh chụp Từ khóa – Xử lý ảnh, nhận dạng mẫu, loại bệnh Bƣởi, kỹ thuật nhận dạng, ứng dụng KNN nhận dạng mẫu Abstract – Farmers, primarily depending on their own experience, now diagnose the disease or assess the quality of fruits through observing their surface or leaves, etc with the naked eyes In fact, such an assessment does not achieve high accuracy Therefore, computer vision, which involves identifying and distinguishing objects in reality through their photographs, is a field that has been applied extensively in many aspects of life This technique is being increasingly applied in many fields of agriculture such as automation and classification of agricultural products In this thesis, the author used the method of identifying the specimens in the diagnosis of Pomelo plant disease through using computers, methods and K algorithms – the nearest neighbor (KNN) in the field of computer vision - and digital image processing to identify, analyze images to diagnose diseases on pomelo Experimental results with 97% accuracy showed the success of applying KNN method to the diagnosis of Pomelo plant disease via the photos Key word- Image processing, sample identification; diseases on pomelo; identification technique; application of KNN in sample identification v DANH MỤC CÁC CHỮ VIẾT TẮT Từ viết tắt ANN CM HMM HSV KNN MLP PE P-M QP RGB SDM SIM Tiếng Anh Artificial Neural Networks Convolution Mask Hidden Markov Models Hue Saturation Value K-Nearest Neighbors algorithm MultiLayer Perceptron Processing Element McCulloch and Pitts Quadratic Programing Red, Green,Blue Size-dependent measurements Size-independent measurements SOM Self – Organizing Map SVM XLA Support Vector Machine Tiếng Việt Mạng nơron Mặc nạ cuộn M h nh Markov ẩn Vùng màu Độ bão hòa màu Độ sáng K- láng giềng gần Mạng Perceptron nhiều tầng Phần tử xử lý McCulloch Pitts Quy hoạch toàn phƣơng màu đỏ, xanh lục, xanh lơ Đo lƣờng phụ thuộc vào kích thƣớc Đo lƣờng kh ng phụ thuộc vào kích thƣớc Kiểu học kh ng có giám sát mạng nơron Máy vectơ h trợ Xử lý ảnh vi DANH MỤC CÁC BẢNG Bảng ID m i lớp 35 Bảng 2 Tính xác phân loại bệnh trái MSVM đƣợc huấn luyện với 70 hình ảnh m i loại 36 Bảng So sánh với phƣơng pháp 37 Bảng Số lƣợng mẫu dùng thực nghiệm 51 Bảng Kết thực nghiệm với thuật toán k-NN, chọn k=1 51 vii DANH MỤC CÁC HÌNH Hình 1 Mối quan hệ xử lý ảnh, thị giác máy tính phân tích ảnh Hình Q trình xử lý ảnh H nh Sơ đồ tổng quát hệ thống xử lý ảnh Hình Ảnh thang giá trị mức xám mức 128 Hình Ảnh trắng đen Hình Ảnh nhị phân Hình Ảnh màu Hình Biểu đồ Histogram ảnh xám Hình Ảnh tăng/giảm độ sáng Hình 10 Biểu đồ cắt lớp cƣờng độ sáng Hình 11 Biểu đồ giãn độ tƣơng phản Hình 12 Ảnh tăng độ tƣơng phản Hình 13 Biểu đồ lƣợc đồ xám (Histogram) ảnh Hình 14 Biểu đồ cân Histogram ảnh Hình 15 Ảnh âm 10 Hình 16 Ảnh trắng đen 10 Hình 17 Ứng dụng phép giãn ảnh .11 Hình 18 Ứng dụng phép co ảnh để giảm nhiễu 11 Hình 19 A: ảnh gốc; B: co ảnh; C: giãn ảnh 12 Hình 20 Q trình thực phép đóng ảnh nhị phân 12 Hình 21 Không gian màu RGB HSV 13 Hình 22 Ảnh màu RGB đổi sang màu HSV kênh màu H,S,V 14 H nh 23 Các phƣơng pháp phân tích đo lƣờng kết cấu ảnh 16 Hình 24 H2 mặt phẳng tốt .18 Hình Phân biệt phần cuống khiếm khuyết thực tế .22 Hình 2 Mơ tả chuyển đổi khoảng cách cho đối tƣợng 23 H nh Đồ họa thể vòng trùng khớp vào vùng đối tƣợng 23 Hình Biểu diễn đồ họa tọa độ đƣợc sử dụng để tính tốn 12 khoảng cách 23 Hình Mơ hình phân lớp ảnh chụp có phải 27 Hình (a) Tách khỏi nền; (b) Giao diện chƣơng tr nh 28 Hình Tập liệu Leafsnap liệu tự thu thập để kiểm tra ứng dụng 29 Hình Ảnh bị phân lớp sai trƣờng hợp hàm nhân RBF, C=2 Gamma=8 29 Hình Ảnh bị phân lớp sai trƣờng hợp hàm nhân tuyến tính C=2 .30 Hình 10 Cấu trúc hệ thống đề xuất 31 H nh 11 Các bệnh gây ảnh hƣởng tới xoài 31 Hình 12 Các hình ảnh xồi DB_MANGO 32 Hình 13 Tính màu ngƣỡng 33 viii Hình 14 Nhị phân phân vùng ảnh 33 Hình 15 Phát trái xoài b nh thƣờng xoài bệnh .33 H nh 16 Hệ thống nhận dạng bệnh trái táo 34 Hình 17 Một số kết phân đoạn khiếm khuyết 35 Hình 18 Hình ảnh mẫu từ liệu 36 Hình Minh họa phân lớp với thuật toán K-NN 39 Hình Tính khoảng cách Euclidean hai vector xr xs 40 Hình 3 Mơ hình nhận dạng Bƣởi sử dụng thuật tốn k-NN 42 Hình Ảnh màu RGB chuyển sang HSV kênh màu H-S-V 44 Hình Mơ hình trích lọc đặc trƣng kết cấu 44 Hình Ảnh kênh V qua lọc Gabor tạo ảnh kết cấu 45 Hình Các tham số hàm Gabor Wavelet đặc trƣng kết cấu tƣơng ứng 46 H nh H nh dáng Gabor Wavelet đặc trƣng 48 Hình Mẫu trái Bƣởi không bệnh 49 Hình 10 Mẫu trái Bƣởi bệnh thối nấm 50 Hình 11 Mẫu trái Bƣởi bệnh sâu đục vỏ trái 50 Hình 12 Kết nhận dạng với k=2 51 Hình 13 Giao diện nhận dạng chẩn đốn bệnh Bƣởi 52 Hình 14 Kết chẩn đốn Bƣởi khơng bệnh 53 Hình 15 Kết chẩn đoán Bƣởi bệnh nấm 53 Hình 16 Kết chẩn đoán Bƣởi bệnh sâu đục trái 53 50 Hình 10 Mẫu trái Bƣởi bệnh thối nấm 3.4.1.3 Mẫu bệnh sâu đục vỏ trái Bưởi Hình 11 Mẫu trái Bƣởi bệnh sâu đục vỏ trái 3.4.2 Kết thực nghiệm 3.4.3.1 Các tham số đặc trưng kết cấu sóng Gabor trích xuất    8,   [0 ],   0.5, b  1, N  10,  45 Entropy: 0.225865 Contrast: 0.341502 Correlation: 0.434848 Energy: 0.698966 Homogeneity: 0.371299 3.4.3.2 ết thực nghiệm với k=2 Mẫu kiểm tra Số láng giềng k=2 Lớp Bệnh thối trái bƣởi nấm Phytopthora Sâu đục vỏ trái bƣởi 51 Kh ng bệnh Hình 12 Kết nhận dạng với k=2 3.4.3.3 ết thực nghiệm với k=1 Bảng Số lƣợng mẫu dùng thực nghiệm Tên lớp Số mẫu huấn luyện Số mẫu kiểm tra Bệnh thối trái Bƣởi 100 25 nấm Phytopthora Tổng số mẫu 100 Sâu đục vỏ trái Bƣởi 100 25 100 Kh ng bệnh Tổng 100 300 25 75 100 300 Bảng Kết thực nghiệm với thuật toán k-NN, chọn k=1 Tên lớp Nhãn lớp Tổng mẫu kiểm tra Bệnh thối trái Bƣởi 25 22 nấm Phytopthora Sâu đục vỏ trái Bƣởi 25 19 Kh ng bệnh 2 25 21 - Trong đó: • • • Tên lớp đƣợc gán nhãn từ đến tƣơng ứng với tên lớp gồm: Tên lớp “Bệnh thối trái Bƣởi nấm Phytopthora” đƣợc gán nhãn lớp 1; Tên lớp “Sâu đục vỏ trái Bƣởi” đƣợc gán nhãn lớp 2; Tên lớp “Kh ng bệnh” đƣợc gán nhãn lớp Bệnh thối trái Bƣởi nấm Phytopthora đƣợc gán nhãn 1, với tổng mẫu kiểm thử 25 mẫu, 22/25 mẫu cho kết chẩn đoán thuộc lớp nhãn “Bệnh thối trái Bƣởi nấm Phytopthora ”, 2/25 mẫu cho kết chẩn đoán thuộc lớp nhãn “Sâu đục vỏ trái Bƣởi”, 1/25 mẫu cho kết chẩn đoán thuộc lớp nhãn “ Không bệnh” Bệnh Sâu đục vỏ trái Bƣởi đƣợc gán nhãn 2, với tổng mẫu kiểm thử 25 mẫu, 19/25 mẫu cho kết chẩn đoán thuộc lớp nhãn “Sâu đục vỏ trái Bƣởi”, 4/25 mẫu cho kết chẩn đoán thuộc lớp nhãn “Bệnh thối trái Bƣởi nấm Phytopthora”, 2/25 mẫu cho kết chẩn đoán thuộc lớp nhãn “ Kh ng bệnh” 52 • Kh ng bệnh đƣợc gán nhãn 3, với tổng mẫu kiểm thử 25 mẫu, 21/25 mẫu cho kết chẩn đoán thuộc lớp nhãn “ Kh ng bệnh”, 2/25 mẫu cho kết chẩn đoán thuộc lớp nhãn “Bệnh thối trái Bƣởi nấm Phytopthora”, 2/25 mẫu cho kết chẩn đoán thuộc lớp nhãn “Sâu đục vỏ trái Bƣởi”, • Với số mẫu đƣa vào kiểm tra nhiều th độ xác cao 3.4.3 Cài đặt hệ thống 3.4.3.1 Giao diện Hình 13 Giao diện nhận dạng chẩn đoán bệnh Bƣởi - Nút lệnh “TrainingData” chƣơng tr nh tải tất h nh ảnh Bƣởi dùng để huấn luyện, h nh ảnh Bƣởi hiển thị lần lƣợt khung imageTraining với kênh màu khác - Thực bƣớc tiền xử lý ảnh nhƣ cải thiện nâng cao chất lƣợng ảnh nhƣ chuyển đổi kh ng gian màu, lọc nhiễu, thực phép toán h nh thái học co giãn ảnh, trích chọn đặc trƣng ảnh, tính trung b nh độ lệch chuẩn m i kênh màu - Nút lệnh “TestingData” dùng chọn ảnh trái Bƣởi cần chẩn đoán tập kiểm tra, kết cho biết Bƣởi kh ng có bệnh tên loại bệnh Bƣởi 53 3.4.3.2 Bưởi khơng bệnh Hình 14 Kết chẩn đốn bƣởi khơng bệnh 3.4.3.3 Bưởi bị bệnh nấm Hình 15 Kết chẩn đoán bƣởi bệnh nấm 3.4.3.4 Bưởi bệnh sâu đục trái Hình 16 Kết chẩn đốn Bƣởi bệnh sâu đục trái 54 3.4.4 Nhận xét Từ kết nhận dạng chẩn đoán cho thấy, liệu huấn luyện nhiều đồng th độ xác nhận dạng cao V vậy, cần lấy lƣợng lớn mẫu tƣơng ứng với loại Bƣởi khác đƣa vào huấn luyện, hệ thống ổn định kết nhận xác Sóng Gabor đƣợc lựa chọn để làm đặc trƣng ảnh ảnh kết sóng Gabor liệu đầu vào hiệu để ma trận GLCM phân tích tính tốn đặc trƣng ảnh Kết thực nghiệm cho thấy, kết nhận dạng tốt Tuy nhiên, CSDL tăng lên th thời gian xử lý tốc độ tính tốn hệ thống chậm lại v thuật tốn sóng Gabor với tham số tham số ma trận GLCM nhiều V vậy, cần thử nghiệm nghiên cứu sâu để lựa chọn đặc trƣng phù hợp nhƣng đảm bảo tính tồn vẹn thời gian xử lý chấp nhận đƣợc KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN Trong luận văn này, tác giả tr nh bày tổng quát kiến thức, thuật toán tảng lĩnh vực xử lý ảnh số Đây lĩnh vực tr nh phát triển giới nhƣ Việt Nam Trong m h nh nhận dạng chẩn đoán bệnh Bƣởi, tác giả nghiên cứu đặc trƣng nhận dạng ảnh trái rút đƣợc loại đặc trƣng phù hợp với toán: màu sắc kết cấu ảnh Từ tham số đặc trƣng này, tác giả tiếp tục nghiên cứu phƣơng pháp xử lý ảnh tham số để có đƣợc giá trị tốt phù hợp phục vụ cho việc chẩn đoán Kh ng gian màu ảnh đƣợc tác giả nghiên cứu: RGB, HSV tác giả lựa chọn kh ng gian màu HSV để trích lọc đặc trƣng cho tham số màu sắc Đặc trƣng kết cấu ảnh tốn khó xử lý ảnh số thị giác máy tính Có nhiều m h nh khác để trích lọc đặc trƣng kết cấu ảnh đƣợc đề xuất Và tham số này, tác giả chọn phƣơng pháp thống kê, sử dụng ma trận đồng mức độ xám Co-occurrence để đo lƣờng đặc trƣng kết cấu tác giả chọn đặc trƣng kết cấu cho toán: đặc trƣng lƣợng, độ tƣơng phản, entropy, độ tƣơng đồng tính đồng Các tham số với tham số màu sắc h nh dáng đƣợc lƣu trữ vào CSDL Để nhận dạng trái Bƣởi, tác giả sử dụng thuật tốn k-NN để tính khoảng cách mẫu huấn luyện với mẫu kiểm tra, thuật toán k-NN 10 thuật toán phân loại liệu, khai phá liệu hiệu lĩnh vực khai phá liệu đƣợc chọn v tính đơn giả hiệu Vấn đề quan trọng thuật toán k-NN 55 xác định hệ số k (số láng giềng gần cần t m), tác giả chọn thử nghiệm với hệ số k=1 k=2 Hƣớng phát triển tác giả nghiên cứu phƣơng pháp khác để so sánh kết phƣơng pháp nhằm chọn phƣơng pháp chẩn đoán tốt để xây dựng hệ thống chẩn đốn xác cao Ngồi ra, để hệ thống đƣợc ổn định cần nghiên cứu xây dựng m h nh, phƣơng pháp lấy mẫu hiệu để giảm bớt ảnh hƣởng ánh sáng, độ chói, tác động vào đối tƣợng lấy mẫu Nếu có điều kiện tác giả cài đặt hệ hống thiết bị di động chẩn đoán từ ảnh chụp trực tiếp thiết bị này./ 56 TÀI LIỆU THAM KHẢO Tài liệu Tiếng Việt: [1] Huỳnh Hữu Hƣng, Nguyễn Trọng Nguyên, Võ Đức Hoàng (2015), Giáo tr nh Xử Lý Ảnh, NXB TT&TT, 2015 [2] Đ Thanh Nghị (2008), Khai mỏ liệu, NXB Đại học Cần Thơ [3] Đ Năng Toàn, Phạm Việt B nh (2008), Giáo tr nh Xử Lý Ảnh, NXB Khoa học kỹ thuật, 2008 [4] Luận văn ThS Bùi Nguyên Kh i (2009), Nguyên cứu số phƣơng pháp phân lớp cải tiến vào phân lớp văn bản, Đại học Khoa học tự nhiên Tài liệu Tiếng Anh: [5] Yu Deng, Shiyin Qin, Yunjie Wu, “An Automatic Food Recognition Algorithm with both Shape and Texture Information”, PIAGENG 2009, SPIE, China [6] Panli HE, “Fruit Surface Defects Detection and Classification Based on Attention Model”, JCIS2012, Vol (10) [7] Da-Wen Sun, Computer vision technology for Food Quality Evalution, Elsevier 2008 [8] Rafael C Gonzalez, Richard E Woods, Steven L Eddins, Digital Image Processing using Matlab, 2008 ... tài: ? ?Nghiên cứu đặc trƣng nhận dạng mẫu chẩn đoán bệnh Bƣởi” Mục tiêu nhiệm vụ nghiên cứu 2.1 Mục tiêu nghiên cứu Mục tiêu nghiên cứu đề tài dùng thuật toán KNN để giải việc chẩn đoán loại bệnh. ..BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA CÙ YẾN NHI NGHIÊN CỨU CÁC ĐẶC TRƢNG VÀ NHẬN DẠNG MẪU TRONG CHẨN ĐOÁN BỆNH TRÊN CÂY BƢỞI Chuyên ngành: Khoa học máy tính... HƢỚNG PHÁT TRIỂN 54 TÀI LIỆU THAM KHẢO 55 iv NGHIÊN CỨU CÁC ĐẶC TRƢNG VÀ NHẬN DẠNG MẪU TRONG CHẨN ĐOÁN BỆNH TRÊN CÂY BƢỞI Học viên: CÙ YẾN NHI; Chuyên ngành: Khoa học máy tính