Ứng dụng sóng siêu âm và mạng học sâu để nhận biết sự tích lũy kim loại nặng trong khoai lang

Bài viết sử dụng sóng siêu âm và phương pháp học sâu cho bài toán nhận biết mức độ tích lũy thành phần kim loại nặng trong khoai lang.

Vietnam J Agri Sci 2021, Vol 19, No 4: 427-434 Tạp chí Khoa học Nơng nghiệp Việt Nam 2021, 19(4): 427-434 www.vnua.edu.vn ỨNG DỤNG SÓNG SIÊU ÂM VÀ MẠNG HỌC SÂU ĐỂ NHẬN BIẾT SỰ TÍCH LŨY KIM LOẠI NẶNG TRONG KHOAI LANG Nguyễn Tiến Hiển*, Lê Văn Dũng, Nguyễn Trọng Kương Khoa Công nghệ thông tin, Học viện Nông nghiệp Việt Nam * Tác giả liên hệ: nguyentienhien@vnua.edu.vn Ngày nhận bài: 23.03.2020 Ngày chấp nhận đăng: 02.11.2020 TÓM TẮT Thực phẩm nhiễm kim loại nặng gây nhiều hậu nghiêm trọng cho sức khỏe người, sở giám sát chất lượng an toàn thực phẩm (ATTP) kiểm tra qui trình phương pháp cẩn thận, chí tốn từ việc lấy mẫu đến ước lượng thành phần chất gây hại tích Trong nghiên cứu này, chúng tơi hướng đến sử dụng sóng siêu âm để đánh giá mức độ liên quan với tích lũy kim loại nặng khoai lang Sóng siêu âm an tồn với thực phẩm khơng ảnh hưởng đến chất lượng thực phẩm mẫu kiểm tra Cùng với liệu thu được, sử dụng mạng học sâu phân lớp hiệu quan tâm nhiều nhà nghiên cứu cho việc nhận biết khác các mẫu khoai trước sau cho qua dung dịch chì sunfat Với 31 liệu siêu âm mẫu khoai thu sử dụng hai mạng nơron (NN) mạng Deep Boltzmann Machine (DBM) để nhận dạng hai nhóm mẫu khoai lang trước sau cho qua nhiễm chì sunfat Kết cho thấy việc nhận dạng nhóm mẫu chưa cho nhiễm cho nhiễm chì sunfat mạng NN 62% với liệu huấn luyện 55% với liệu kiểm tra, mạng DBM 68% với liệu huấn luyện 65% với kiểm tra Từ khóa: An tồn thực phẩm, kim loại nặng, trí tuệ nhân tạo, học máy, mạng nơron, máy Boltzmann, học sâu Application of Ultrasound and Deep Networks in Recognizing the Presence of Heavy Metals Contaminated in Sweet Potatoes ABSTRACT Food contaminated with heavy metals causes serious consequences for human health, it is always the prime concern of any food safety control systems, even required through costly processes from sample collecting and evaluating contaminated components in the food samples This study aimed to use ultrasound coupling with deep networks to assess the presence of heavy metals in sweet potatoes, while ultrasound is safe To classify the acquired ultrasound data sets, we used deep networks that presently become a powerful tool and attract many researchers in order to recognize the data associating with the presence of lead sulfate in samples of sweet potatoes For the 31 ultrasonic data sets of sweet potato samples acquired, the application of Neuron Network (NN) and Deep Boltzmann machine (DBM) as our target deep networks yielded the results showing that the accuracies of the NN was 62% for training set and 55% for testing set, and of DBM was 68% for training set and 65% for testing set, respectively Keywords: Food safety, Artificial intelligence, machine learning, neural network, Boltzmann machine, deep learning ĐẶT VẤN ĐỀ Nhóm bệnh gây bći thăc phèm khơng an tồn gánh nặng cho xã hội kinh tế cûa quốc gia (WHO, 2017; Young & cs., 2016), v cỏc nỵc trờn th gii ang ngy cng quan tõm chỳ trng n vỗn ny Nõng cao mc ATTP vỡ th l vỗn đề yếu cho să ổn đðnh an ninh, xã hi v s phỏt trin kinh t cỷa mi nỵc Do tỡnh trọng ụ nhim mụi trỵng ngy cng nghiờm trọng hĄn làm cho thăc phèm nhiễm bð c bỗt c khõu no t sõn xuỗt n tiêu dùng Thêm vào đò, să phát triển mänh mẽ cûa hệ thống vên tâi tồn cỉu mà thăc 427 Ứng dụng sóng siêu âm mạng học sâu để nhận biết tích lũy kim loại nặng khoai lang phốm cú th ỵc vờn chuyn trờn th trỵng giĂa quốc gia cách nhanh chóng, việc kiểm tra phát thăc phèm có nguy cĄ gây häi đến sĀc khóe việc quan trng v cổn ỵc giỏm sỏt cht ch cỏc khâu cûa chuỗi cung Āng thăc phèm Thăc phèm nhiễm độc bći kim lội nặng thuộc nhóm cỉn quan tõm nhỗt cho vic bõo v sc khúe nhỵ ó ỵc chợ cỏc bỏo cỏo (WHO, 2017; Rahman & cs., 2014), bći kim lội nặng tích lüy thăc phèm cò tác động nghiêm trọng đến sĀc khúe ngỵi c lỵng mc nhim kim loọi nng tớch lỹy thc phốm trỵc s dýng l mt yờu cổu quan trng cho vỗn ATTP Thăc phèm bð nhiễm kim lội tÿ ngun nhỵ ỗt, nỵc, khụng khớ cho n cỏc khõu ch bin v chuốn b trỵc ởn (Toth & cs., 2016; Gan & cs., 2017) Thụng thỵng, phõn tớch thnh phổn húa chỗt s chợ cỏc nguyờn t kim lội nặng có chĀa thăc phèm Tuy nhiên, vai trủ õm nhim phõn tớch chợ ỵc thc hin ć cĄ quan chĀc nëng đặt ć số vùng trung tâm ć Việt Nam Trong báo cáo gæn đåy cûa Ngân hàng Thế giĆi quân lý nguy cĄ ATTP ć Việt Nam (WB, 2017) chỵ rỡng vỗn ATTP nỡm mi quan tõm rỗt ln cỷa cõ ngỵi tiờu dựng v ngỵi lm chớnh sách an tồn Sẽ khơng thể giâi tốn ATTP khơng có să kiểm sốt chặt chẽ hệ thống giám sát an toàn chuỗi thăc phèm ổy ỷ v hiu quõ Bỏo cỏo cỹng nhỗn mọnh nhĂng cơng việc cỉn làm để nâng mĀc ATTP c bit, cổn thit lờp mt chỵng trỡnh ng b t b phờn tỵ nhồn n nh nỵc cho vic nâng cao hệ thống giám sát ATTP ć Việt Nam a phỵng, theo bỏo cỏo v ATTP v chỵng trình hành động nëm 2018 cûa Tỵnh Qng Ninh (Quangninh, 2017), thăc phèm nhiễm kim lội nặng nìm danh sách nhĂng nhiệm vý quan tåm giám sát để đâm bâo ATTP phäm vi tỵnh giai độn 2016-2020 Hệ thống giám sát ATTP täi cûa tỵnh cỉn thiết lêp mänh hĄn nĂa để kiểm sốt să phân phối thăc phèm khơng an tồn đồng thąi nâng cao nhờn thc cỷa ngỵi tiờu 428 dựng v vỗn đề giĂ gìn vệ sinh ATTP Về cơng việc hàng ngày, hệ thống giám sát ATTP cûa tỵnh thu thêp nhĂng méu thăc phèm gāi méu phån tích thành phỉn gây häi cho sĀc khóe ć trung tâm kiểm đðnh ATTP cûa vùng theo chỵ đðnh cûa Nh nỵc Rừ rng cụng vic ny cổn thi gian vên chuyển méu mà thông báo kết quõ chỗt lỵng mộu tọi ni lỗy mộu ỵc, vic ũ khụng th ỏp ng ỵc vi yờu cổu cỷa th trỵng phõn phi thc phốm cổn x lý nhanh Thêm nĂa là, tình träng nhiễm kim lội có nhiều nguy cĄ tiềm èn đða bàn tỵnh Quõng Ninh Quõng Ninh hin ang cũ rỗt nhiu mú than, thờm cõ cỏc cụng trỵng mú ang khai thác lộ thiên Să khai thác mó nguyên nhân chỷ yu dộn n ụ nhim ngun nỵc, ỗt v khơng khí VĆi cơng nghiệp khai thác mó phû rng trờn a bn tợnh, cỏc vỗn h quõ chợng họn nhỵ thc phốm nhim c ang l mi quan tõm rỗt ln Cho n nay, ụ nhim kim lội đða bàn tỵnh thu hút nhiều quan tâm Nhiu nghiờn cu nhỵ ỏnh giỏ mc nhim kim loọi v nguy c cho sc khúe dồn cỵ trờn a bàn tỵnh (Ha & cs., 2018) nghiên cĀu đánh giỏ s õnh hỵng cỷa ụ nhim kim loọi n tởng trỵng cỷa lỳa gọo trng gổn khu vc mú Quang Ninh (Marquez & cs., 2018) ó ỵc tin hnh Nghiờn cu ỏnh giỏ v vỗn ny, nỵc cú nhiu nghiờn cu quan tồm n ụ nhim kim loọi nng v nguy c n sc khúe ngỵi dồn nhỵ nghiờn cu cỷa Ha & cs (2018) Nghiờn cu ny ó chợ vỗn ụ nhim khụng khí có chĀa kim lội nặng gây nhĂng nguy c õnh hỵng n sc khúe ngỵi dõn Hay nghiờn cĀu cûa Marquez & cs (2018) xem xét să tớch lỹy cỷa kim loọi nng õnh hỵng n s sinh trỵng cỷa cõy lỳa gọo Vỗn ụ nhim kim loọi nng cũn nỡm mi quan tõm rỗt lĆn cûa cĄ quan quân lý, điều đò thể ć báo cáo hàng nëm (WB, 2017; Quangninh, 2017) cõ trung ỵng v a phỵng Súng siờu õm l k thuờt ỵc ng dýng nhiu thit bð bâo qn thăc phèm să an tồn cûa nú vi sc khúe ngỵi Trong nghiờn cu cỷa Danh & cs (2017), nhóm nghiên cĀu Nguyễn Tiến Hiển, Lê Văn Dũng, Nguyễn Trọng Kương sā dýng sóng siêu âm việc rāa rau cû quâ vệ sinh ATTP Liên quan đến sā dýng sóng siêu âm trớch xuỗt thnh phổn thc phốm, Ly & cs (2018) Āng dýng sòng siêu åm để xác đðnh thành phỉn protein gäo Trong kiểm sốt ATTP, sịng siêu ồm ó ỵc dựng phõn tớch tỵng quan gia cỏc tớnh chỗt lý sinh cỷa thc phốm cỏc nghiên cĀu cûa Young & cs (2016), Awad & cs (2012) Sheshrao & cs (2018) Tuy nhiên, dĂ liệu thu ỵc phõn tớch l rỗt phc tọp v cổn cũ phỵng phỏp phồn tớch hiu quõ tỡm mi tỵng quan gia thnh phổn húa chỗt thĀc ën vĆi méu sóng siêu åm quan sát ỵc iu ny ó ỵc nghiờn cu v ỏnh giỏ cỏc nghiờn cu trờn Gổn ồy, cỏc phỵng phỏp cûa học máy mäng học sâu có nhiều câi tiến vĆi cơng nghệ hỗ trợ tính tốn cị nhiều Āng dýng hiệu q việc phân tích dĂ liệu lĆn nò hút nhiều quan tâm (Bengio, 2016) Trong nghiên cĀu cûa Kuong & cs (2017, 2018a, 2018b), ó s dýng phỵng phỏp cỷa học máy để nhên däng méu sóng siêu âm y t Vi nhiu phỵng phỏp hiu quõ khoa hc mỏy tớnh ỵc nghiờn cu v chng minh gỉn đåy giâi cho tốn có dĂ liệu ln, iu ũ hỵng chỳng tụi n s dýng súng siờu õm v phỵng phỏp hc sõu cho bi toỏn nhên biết mĀc độ tích lüy thành phỉn kim lội nặng khoai lang phịng thí nghiệm PHƯƠNG PHÁP NGHIÊN CỨU 2.1 Thu thập liệu Trong nghiên cĀu gæn đåy cûa Roro & cs (2019), xem xét mĀc độ tích lüy cûa kim lội nặng tích khoai lang ć vùng mà hệ thống thûy lợi cú s õnh hỵng cỷa cụng nghip dt may v nhng h quõ n sc khúe cỷa ngỵi dõn xung quanh Nghiờn cu ũ cho thỗy s tn dỵ kim loọi nng gõy họi nhỵ C rụm (Cr), ng (Cu), Chì (Pb), Kẽm (Zn) khoai lang sau thu hộch Tỵng t, Vit Nam, s phỏt trin cỷa cỏc khu cơng nghiệp, nhà máy xí nghiệp dệt may nhng nởm gổn ồy ó ỵc ỏnh giỏ cỏc nghiên cĀu cûa Ghaly & cs (2014) Duy & cs (2019) tình hình nhiễm tÿ cơng nghiệp dệt may Điều đị khiến chúng tơi đến xem xột nghiờn cu bỵc ổu nhng mộu khoai lang vĆi să tích lüy kim lội gây häi Trong nghiờn cu ny, chỳng tụi tin hnh lỗy d liu sóng siêu âm truyền qua mơ cûa khoai lang bći máy siêu âm Chison Eco Thiết bð siêu âm phát sóng siêu âm nhên tín hiệu phân hồi läi tÿ mô khoai Trên méu, d liu chỳng tụi thu ỵc l cỏc súng siờu õm phõn hi lọi nhỵ vờy Mýc ớch cỷa chỳng nhên biết să khác biệt cûa méu súng siờu õm ny gia cỏc mộu khoai lang trỵc v sau cho hỗp thý chỡ sunfat (ngõm mộu khoai lang dung dðch chì sunfat) Để xác đðnh nồng độ cûa dung dðch chì sunfat cho phù hợp, dăa theo nghiên nghiên cĀu cûa Thanh & cs (2019) Huong & cs (2007), nghiên cĀu đị đánh giá mĀc độ nhiễm cûa thnh phổn húa chỗt gõy họi ngun nỵc số khu văc Hà Nội Theo kết quâ đò, hm lỵng dung dch cỷa chỡ (Pb) ngun nỵc sụng ỵc ỏnh giỏ quanh khu vc H Ni lĆn hĄn mĀc mg/l, thêm chí có thąi điểm đến hĄn mg/l Trong thí nghiệm chúng tơi lỗy dung dch chỡ sunfat vi nng mg/l cho méu khoai ngâm dung dðch đò Sau khoõng thi 24 gi lọi ỵc chỳng tụi ỵa thu dĂ liệu sòng siêu åm để xem xét khõ nởng khỏc bit cỷa cỏc mộu sũng trỵc v sau cho hỗp thý vi dung dch chỡ sunfat DĂ liệu sóng siêu âm méu sau tiền xā lý lội bó vùng gỉn chðu cng hỵng cỷa thit b, d liu ỵc biu din cho quan sỏt ỵc th hin dọng õnh B-mode Hỡnh biu din õnh B-mode cỷa trỵng hp số méu xem xét 2.2 Mạng học sâu VĆi mýc đích sā dýng mäng học såu nhỵ l b phõn lp mýc tiờu cho vic nhờn biết méu siêu âm Trong phỉn này, chúng tơi trình bày mäng nĄron truyền thỵng (Hagan & cs, 1996) ỵc xem nhỵ mọng hc sồu c bõn dnh cho vic hc cũ giỏm sỏt ó ỵc phỏt trin tÿ lâu Tiếp đến mäng DRBM (Hilton, 2012; Hugo & cs., 2012; Lecun & cs., 2015) ỵc phỏt trin gỉn đåy, nị thu hút să quan tâm cûa nhiều nhà nghiên cĀu việc học giám sát học khơng có giám sát 429 Ứng dụng sóng siêu âm mạng học sâu để nhận biết tích lũy kim loại nặng khoai lang Mẫu Mẫu Mẫu Mẫu Mẫu Sau ngâm Mẫu Trước ngâm Hình Ảnh B-mode liệu sóng siêu âm từ mẫu 2.2.1 Mạng nơ ron Hình mụ tõ cỗu trỳc mọng nron nhiu tổng, đị dĂ liệu đỉu vào (input) có nhãn y nìm ć tỉng GiĂa x y ỵc kt ni thụng qua nhiu tổng h (t h1 đến hn) cịn gọi tỉng èn Kết nối giĂa cỏc tổng ỵc th hin bi cỏc trng s kt nối wk  wkij , ć đò wkij trọng số kết tÿ nối đĄn vð nĄron i ć tæng k – đến nĄron j ć tæng k (vĆi k = tæng input, k = n +1 l tổng nhón y) Vic huỗn luyn cho mọng nron dăa ngun lý căc tiểu hóa hàm chi phí bći cơng thĀc F(fn(x) – y)  min, ć đị F hàm chi phí xác đðnh să sai lệch giĂa giá trð nhãn đæu cûa mäng vĆi giá trð nhãn cûa dĂ liệu, f hàm kích hột Chi tit v mọng v thuờt toỏn huỗn luyn cỷa mọng nron ỵc trỡnh by cý th bi Hagan & cs (1996) 430 2.2.2 Mạng restricted Boltzmann machine (RBM) chuẩn Mäng restricted Boltzmann machine (RBM) kiểu mäng nĄron hc phõn b xỏc suỗt cỷa d liu ổu vo, ć đị kiến trúc, sā dýng biến tæng èn h = (h1, h2,„, hH) để học phân phối cûa biến biểu diễn dĂ liệu cæn học hay dĂ liệu input x = (x1, x2,„, xN) Mỗi đĄn vð xi có să kết nối vĆi trọng số wij tĆi đĄn vð hj Khơng có să kết nối giĂa đĄn vð tæng èn hay tæng dĂ liệu Các trọng số bi cj phân ánh mĀc độ tác động cûa đĄn v xi v hj tỵng ng mọng Mọng RBM hc thụng qua vic iu chợnh hm nởng lỵng xỏc đðnh bći công thĀc (1):   E x,h   wij x i h j   bi x i   c jh j i,j i (1) j Phân phối đồng thąi P(x, h) cûa x h ỵc xỏc nh bi phỵng trỡnh (2): Nguyn Tin Hin, Lê Văn Dũng, Nguyễn Trọng Kương Hình Mạng nơron   P x,h     exp E x,h Hình Mạng RBM (2) Z ć đị Z l hỡng s chuốn húa Xỏc suỗt cú iu kin cho cỏc n v hj v xi ỵc xỏc nh dăa theo phân phối Boltzmann bći (3) (4)     P h j x  sigm   wijxi  c j   i  (3)   E x,h,y k   wij x i h j   bi x i i,j i   c j h j   U kj h j  d k j   P xi h  sigm   wij hi  bi   j   lĆp cho nhãn gồm K đĄn vð xác đðnh bći qui tíc “one-hot”, hay đĄn vð thĀ k có giá trð bìng cịn läi bỡng Khi ũ tỵng t nhỵ mọng RBM chuốn, hm nởng lỵng ỵc cho bi cỏc phỵng trỡnh (5) dỵi ồy: ũ sigm x 1  ex (4) hàm sigmoid Mäng RBM chuốn ỵc mụ tõ nhỵ hỡnh Mọng RBM chuốn ỵc trang b thuờt toỏn CD-k (Hilton, 2012), nú cho phép mäng học khơng giám sát (unsupervised learning) phân phối đồng thąi giĂa đĄn vð tæng èn tỉng input Ở nghïa đị tæng èn tham gia vào học phân phối cûa input địng vai trị làm rút ngín số chiều cûa tæng input 2.2.3 Mạng restricted Boltzmann machine phân lớp Mäng RBM phân lĆp (classification restricted Boltzmann machine- classRBM) trỵng hp m rng cỷa RBM bỡng cỏch thờm cỏc n v mó hũa cho nhón tỵng ng vi cỏc input (Hugo & cs., 2012) Cý thể, input x có nhãn k số K lĆp cûa dĂ liệu (5) j ć đò Ukj, dk trọng số kết nối vĆi đĄn vð èn trng s cỷa n v nhón tỵng ng Khụng cú kết nối giĂa đĄn vð nhãn vĆi đĄn vð input Phân phối đồng thąi cûa đĄn vð ỵc xỏc nh bi: P x,h,y  exp E x,h,y  (6) Z ć đò Z l hỡng s chuốn húa Cỏc xỏc suỗt cú iu kin ỵc xỏc nh bi: P h j x,y k  sigm   wijxi  Ukj  c j   i  (7)   P xi h  sigm   wij h j  bi   j      P yk h  (8)  U h  d   exp   U h  d  exp l kj j j j lj k j (9) l Xỏc suỗt hờu nghim cho vic xỏc đðnh phân lĆp là: 431 Ứng dụng sóng siêu âm mạng học sâu để nhận biết tích lũy kim loại nặng khoai lang   P yk h    exp d k   j f  i w ij x i  U kj  c j     exp d  f w x  U  c  yl  l  j  i ij i lj j    (10) ć đò f(x) = log(1 + exp(x)) l hm softplus Mụ hỡnh classRBM ỵc minh hỡnh Nhỵ vờy, trang b thờm tổng nhón mäng classRBM phýc vý cho việc học có giám sỏt (supervise learning) ClassRBM ó ỵc chng tú khõ nởng huỗn luyn hiu quõ vi cỏc thuờt toỏn ỵc trang b nhỵ ó ỵc trỡnh by bi Hugo & cs (2012) 2.2.4 Mạng deep Bolzmann machine học sâu Mäng deep Boltzmann machine (DBM) să xếp chồng cûa nhiều RBMs (Lecun & cs., 2015) VĆi thuêt toán hiệu quâ CD-k, cho phép tỉng èn h tham gia vào học phân phối cûa input, đồng thąi tæng èn läi tham gia nhỵ l mt input cho tổng ốn tip theo Đò cĄ sć đèy mänh să phát triển mäng học sâu Trong nghiên cĀu sā dýng mäng DBM vĆi tỉng èn ć đị tỉng èn thĀ hai có să tham gia cûa mäng classRBM, nghùa l, vic huỗn luyn mọng th l học có giám sát kết hợp vĆi nhãn để nhên din cỏc oọn mộu õm Mụ hỡnh mọng DBM ỵc s dýng nghiờn cu ny ỵc mụ tõ hình Hình Mạng classRBM 2.3 Kết phân lp Trong nghiờn cu ny, chỳng tụi thu thờp ỵc 31 méu dĂ liệu siêu âm gồm dĂ liệu cûa cỏc mộu khoai chỵa cho hỗp thý qua dung dch chì sunfat sau ngâm qua dung dðch chì sunfat vi thi gian 24 gi v 48 gi Tỗt cõ cỏc mộu sau ngồm ỵc chỳng tụi xp vo mt lp lm i chng vi cỏc mộu chỵa cho qua dung dðch Trên ânh dĂ liệu thô, chỳng tụi lỗy õnh cũ kớch thỵc 200 ì 200 ć giĂa tâm làm ânh thuộc tính cho đánh giá phån lĆp Hai mäng phân lĆp sā dýng nĄron mäng DBM, đị chúng tơi để cỗu hỡnh mọng cựng cú tổng ốn cú kớch thỵc l 300 v 100 Nghùa l tổng ốn th nhỗt cũ 300 nron tham gia v tổng èn thĀ cò 100 nĄron tham gia VĆi mäng nĄron, chúng tơi sā dýng tht tốn backpropagation (Hagan & cs., 1996) VĆi mäng DBM giĂa tỉng input x v tổng ốn h1 l mọng RBM ỵc huỗn luyn bi thuờt toỏn CD-1 nhỵ gii thiu bi Hilton (2012) GiĂa tỉng èn h1 tỉng èn h2 có să tham gia cûa lĆp nhãn y mäng classRBM v ỵc huỗn luyn bi thuờt toỏn hc cú giỏm sỏt cỷa classRBM ỵc trỡnh by bi Hugo & cs (2012) ồy cỏc tham s ỵc tọo ban ổu rỗt nhú khoõng 10-5 Hỡnh Mng DBM Bảng Kết độ xác huấn luyện kiểm tra DBM NN 432 DBM NN Độ xác với liệu huấn luyện 68% 65% Độ xác với liệu kiểm tra 62% 55% Nguyễn Tiến Hiển, Lê Văn Dũng, Nguyễn Trọng Kương Chỳng tụi s dýng phỵng phỏp 5-fold cho vic phõn chia d liu huỗn luyn v d liu kim tra ỏnh giỏ, so sỏnh kt quõ huỗn luyn v kiểm tra cûa hai mäng, sā dýng độ xác nghïa tỵ lệ phỉn trëm giĂa số mộu ỵc nhờn dọng ỳng trờn tng s mộu ổu vào Kết quâ biểu diễn khâ nëng học cûa câ hai b phõn lp mýc tiờu trờn ỵc th hin ć bâng KẾT LUẬN Nghiên cĀu nhìm s dýng phỵng phỏp hc mỏy vic nhờn bit méu sóng siêu âm việc phát dỵ lỵng kim loọi nng tớch lỹy khoai lang Nị phân ánh tính cỉn thiết điều kiện vỗn ATTP ang ỵc quan tõm cỷa xó hi cựng vi ụ nhim mụi trỵng Mc dự d liu cho nghiên cĀu hän chế, nhiên kết quâ cỷa nghiờn cu cho thỗy khõ nởng ng dýng cỏc phỵng phỏp cỷa mọng hc sõu vi d liu súng siêu âm việc trợ giúp giám sát să tích lüy kim loäi gây häi rau cû Sā dýng mäng DBM nghiên cĀu cüng chĀng tó ỵc khõ nởng nhờn dọng tt hn so vi mọng nĄron truyền thống Cho dù vêy, việc so sánh vĆi cỏc phỵng phỏp phồn lp khỏc cỹng l cổn thit cho să phát triển việc đến ci t phỵng phỏp phồn lp hiu quõ nhỡm nồng cao độ xác cûa nhên däng méu LỜI CM N Nghiờn cu ny ỵc thc hin khuụn khổ cûa đề tài “Sā dýng sóng siêu âm nhên biết să tích lüy kim lội nặng khoai lang”, mó s: T2019-10-56, cỗp bi Hc vin Nụng nghip Vit Nam Chúng cüng xin câm Ąn să trợ giúp cûa TS Sā Thanh Long quân lý trung tâm Gaia täo điều kiện cho nhóm nghiên cĀu chúng tơi việc sā dýng thiết bð, thiết kế thu thêp dĂ liệu sóng siêu âm cho nghiên cĀu TÀI LIỆU THAM KHẢO Awad T.S., Moharram H.A., Shaltout O.E., Asker D & Youssef M.M (2012) Applications of ultrasound in analysis, processing and quality control of food: A review Food research international 48(2): 410-427 Duy N.N., Phu V.D., Lan N.T.K, Duoc N.T., Hien N.Q., Hiep B.N., Han B.N & Ha B.M (2019) Treatment of real textile wastewater using electron beam irradiation Acta Chemica Iasi 27(2): 303-316 Gan Y., Wang L., Yang G., Dai J., Wang R & Wang W (2017) Multiple factors impact the contents of heavy metals in vegetables in high natural background area of China Chemosphere 184: 1388-1395 Ghaly A.E., Ananthashankar R., Alhattab M & Ramakrishnan V (2014) Production, characterization and treatment of textile effluents: a critical review Journal of Chemical Engineering and Process Technology 5(1): 1000182 Hagan M.T., Demuth H.B & Beale M (1996) Neural network design Pws, Boston Ha P.T., Chinh P.M., Cuong D.D., Ly L.T.M., Thinh N.V & Thai P.K (2018) Elemental concentrations in roadside dust along two national highways in northern Vietnam and the health risk implication Archives of environmental contamination and toxicology 74(1): 46-55 Hilton E.G (2012) A practical guide to training restricted Boltzmann machines Lecture Notes in Computer Science, Springer Berlin 7700: 599-619 Hugo L., Michael M., Razvan P & Yoshua B (2012) Learning algorithms for the classification restricted Boltzmann machine Machine Learning Research 13(1): 643-669 Huong N.T.L, Ohtsubo M., Li L & Higashi T (2007) Heavy metal pollution of the To-Lich and KimNguu River in Hanoi city and the industrial source of the pollutants Journal-Faculty of Agriculture Kyushu University 52(1): 141 Kuong N.T., Uchino E & Suetake N (2017) IVUS tissue characterization of coronary plaque by classification restricted Boltzmann machine Journal of Advanced Computational Intelligence and Intelligent Informatics 21(1): 67-73 Kuong N.T., Uchino E & Suetake N (2018a) Recognition of coronary atherosclerotic plaque tissue on intravascular ultrasound images by using misclassification sensitive training of discriminative restricted boltzmann machine Journal of Biomimetics, Biomaterials and Biomedical Engineering 37: 85-93 Kuong N.T., Uchino E & Suetake N (2018b) Coronary plaque classification with accumulative training of deep Boltzmann machines ICIC Express Letters 12(9): 881-886 433 Ứng dụng sóng siêu âm mạng học sâu để nhận biết tích lũy kim loại nặng khoai lang Ly H.L., Tran T.M.C., Tran T.T.T., Ton N.M.N & Le V.V.M (2018) Application of ultrasound to protein extraction from defatted rice bran International Food Research Journal 25(2) Lecun Y., Yoshua B & Hinton E.G (2015) Deep learning Nature 521(7553): 436-444 Marquez J E., Pourret O., Faucon M.P., Weber S., Hoa H.T.B & Martinez R (2018) Effect of cadmium, copper and lead on the growth of rice in the coal mining region of Quang Ninh, Cam Pha (Vietnam) Sustainability 10(6): 1758 Quangninh (2017) Hội nghị tổng kết thực Năm cao điểm hành động vệ sinh an toàn thực phẩm lĩnh vực nông nghiệp địa bàn tỉnh Quảng Ninh năm 2017 triển khai nhiệm vụ trọng tâm năm 2018 Truy cập từ https://www.quangninh.gov vn/So/sonongnghiepptnt/Trang/ChiTietTinTuc.aspx ?nid=5904 ngày 25/09/2019 Rahman M.A., Rahman M.M., Reichman Lim S.M., R.P & Naidu R (2014) Heavy metals in Australian grown and imported rice and vegetables on sale in Australia: health hazard Ecotoxicology and environmental safety 100: 53-60 Roro A.G., Beshir H M., Terfa M T., Tesfaye B., Nadew F & Olango T M (2019) Accumulation of heavy metals in soil and sweet potato (Ipomoea batatas) irrigated with treated and untreated textile effluents Journal of Applied Sciences 19(9): 837-847 Sheshrao K & Jai P.P (2018) An elementary review on principles and applications of modern non- 434 conventional food processing technologies International Journal of Current Microbiology and Applied Sciences 7(5): 838-849 Thanh K.N., Manh H.N., Kim C.T., Ahmed M.B., Huang Y & Zhou J.L (2019) Chemical and microbiological risk assessment of urban river water quality in Vietnam Environmental geochemistry and health 41(6): 2559-2575 Trần Hữu Danh, Lương Vinh Quốc Danh, Trần Thanh Quang, Nguyễn Thị Trâm, Huỳnh Minh Trí & Trần Hữu Nghi (2017) Bể rửa ứng dụng sóng siêu âm Tạp chí Khoa học, Trường Đại học Cần Thơ 52: 46-53 Toth G., Hermann T., Silva M.D & Montanarella L (2016) Heavy metals in agricultural soils of the European Union with implications for food safety Environment international 88: 299-309 Young I & Waddell L (2016) Barriers and facilitators to safe food handling among consumers: A systematic review and thematic synthesis of qualitative research studies PloS One 11(12) WHO World Health Organization (2017) Food safety Retrieved from http://www.who.int/en/news-room/ fact-sheets/detail/food-safety on April 29, 2019 World Bank (2017) Vietnam food safety risks management: Challenges and Opportunities, World Bank, Hanoi Retrieved from https://openknowledge.worldbank.org/handle/1098 6/26412 on April 29, 2019  ... quan tâm cûa nhiều nhà nghiên cĀu việc học giám sát học khơng có giám sát 429 Ứng dụng sóng siêu âm mạng học sâu để nhận biết tích lũy kim loại nặng khoai lang Mẫu Mẫu Mẫu Mẫu Mẫu Sau ngâm Mẫu.. .Ứng dụng sóng siêu âm mạng học sâu để nhận biết tích lũy kim loại nặng khoai lang phốm cú th ỵc vờn chuyn trờn th trỵng giĂa quốc gia... (9) l Xỏc suỗt hờu nghim cho vic xỏc đðnh phân lĆp là: 431 Ứng dụng sóng siêu âm mạng học sâu để nhận biết tích lũy kim loại nặng khoai lang   P yk h    exp d k   j f  i w ij x i  U kj