Những năm gần đây, nghề nuôi chim yến phát triển nhanh chóng với khả năng tạo ra lợi nhuận cao và giải quyết nhiều việc làm cho người dân. Tuy nhiên, một số động vật ăn thịt phổ biến như rắn, diều hâu và cú, là một vấn đề lớn không thể bỏ qua. Bài báo này đề xuất một mô hình xua đuổi và báo động khi động vật săn mồi xâm nhập vào nhà yến. Một phần mềm dựa trên mô hình học sâu được phát triển để xác định một số loài săn mồi phổ biến từ hình ảnh được camera chụp lại. Một phần cứng dựa trên nền tảng IoT được áp dụng để gửi tin nhắn cảnh báo đến điện thoại di động khi phần mềm phát hiện rắn tấn công hoặc bật đèn để xua đuổi diều hâu và cú. Kết quả thử nghiệm giai đoạn đầu cho thấy, mô hình học sâu có thể phân loại một số loài săn mồi phổ biến với độ chính xác trên 90%, trong khi hệ thống phần cứng có thể nhắn tin đến đúng số điện thoại khi phát hiện rắn và bật đèn khi nhận ra diều hâu hoặc cú.
TNU Journal of Science and Technology 226(11): 243 - 250 APPLYING AI TECHONLOGY IN PROTECTION OF SWIFTLETS FROM SOME PREDATORS Luu Trong Hieu1, Tran Anh Dung2, Nguyen Chi Ngon1* 1Can Tho University, 2An Giang Vocational College ARTICLE INFO ABSTRACT Received: 09/7/2021 In recent years, swiftlet farming is developing rapidly with the ability to get high profits and provide many jobs for farmers However, some popular predators such as snakes, hawks and owls, are a big problem that cannot be ignored This paper proposes a model of repelling and alarming when the predatory animals enter the swiftlets’ house A deep learning model-based software is developed to identify some popular predators from images captured by camera An IoT-based hardware is applied to send alarm messages to mobile phone when the software detects snake attacked or turn on a light to repel hawks and owls First stage testing results show that the deep learning model can classify some popular predators with over 90% accuracy while the hardware system can text to right phone numbers when detecting snakes, and turn on the light when recognizing hawks or owls Revised: 12/8/2021 Published: 18/8/2021 KEYWORDS GoogLeNet Deep learning Classification Identification IoT ỨNG DỤNG CÔNG NGHỆ AI TRONG BẢO VỆ NHÀ YẾN TỪ ĐỘNG VẬT SĂN MỒI Lưu Trọng Hiếu1, Trần Anh Dũng2, Nguyễn Chí Ngơn1* 1Trường 2Trường Đại học Cần Thơ, Cao đẳng nghề An Giang THƠNG TIN BÀI BÁO Ngày nhận bài: 09/7/2021 Ngày hồn thiện: 12/8/2021 Ngày đăng: 18/8/2021 TỪ KHÓA Mạng GoogLeNet Phương pháp học sâu Phân loại đối tượng Nhận dạng đối tượng Internet vạn vật TÓM TẮT Những năm gần đây, nghề ni chim yến phát triển nhanh chóng với khả tạo lợi nhuận cao giải nhiều việc làm cho người dân Tuy nhiên, số động vật ăn thịt phổ biến rắn, diều hâu cú, vấn đề lớn bỏ qua Bài báo đề xuất mơ hình xua đuổi báo động động vật săn mồi xâm nhập vào nhà yến Một phần mềm dựa mơ hình học sâu phát triển để xác định số lồi săn mồi phổ biến từ hình ảnh camera chụp lại Một phần cứng dựa tảng IoT áp dụng để gửi tin nhắn cảnh báo đến điện thoại di động phần mềm phát rắn công bật đèn để xua đuổi diều hâu cú Kết thử nghiệm giai đoạn đầu cho thấy, mơ hình học sâu phân loại số lồi săn mồi phổ biến với độ xác 90%, hệ thống phần cứng nhắn tin đến số điện thoại phát rắn bật đèn nhận diều hâu cú DOI: https://doi.org/10.34238/tnu-jst.4736 * Corresponding author Email: ncngon@ctu.edu.vn http://jst.tnu.edu.vn 243 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 243 - 250 Giới thiệu Những năm gần đây, nghề nuôi chim yến Việt Nam phát triển mạnh mang lại nhiều lợi ích kinh tế giải việc làm mặt xã hội cho nhiều người dân Nhà nuôi yến nơi để dẫn dụ chim yến sống làm tổ Cũng hang yến tự nhiên, nhà yến bị nhiều loài gây hại xâm nhập Các loài gây hại xâm nhập vào nhà yến chủ yếu đường cửa hang để bắt chim yến ăn thịt, gây giảm sút số lượng chim, làm cho đàn yến hoảng sợ bỏ nơi khác gây thiệt hại nặng cho chủ đầu tư Giải pháp phòng ngừa thú săn chim yến thường đặt bẫy vây bắt Các giải pháp gây tận diệt cho loài săn mồi, làm cân tự nhiên vi phạm luật bảo vệ tài nguyên thiên nhiên nước ta Trong năm gần đây, phương pháp phân loại máy học (machine learning) đạt thành tựu với đời kỹ thuật học sâu (deep learning) Các kỹ thuật mạng học sâu phát triển Hàng năm, thi giải thuật nhận dạng phân loại cho mạng học sâu tổ chức nhằm tối ưu hóa tìm thuật toán cao cấp với khả giải vấn đề nhanh, cấu hình máy tính vừa phải Trong thi ImageNet LargeScale Visual Recognition Challenge 2014 (ILSVRC14), tập đoàn Google giới thiệu giải thuật đạt giải thi mang tên GooLeNet với sức mạnh vượt trội, nhà nghiên cứu giới ứng dụng [1]-[5] Tại Việt Nam cách vận dụng kỹ thuật xử lý ảnh học sâu (Deep Learning) nhiều cơng trình nghiên cứu nhận dạng đạt số kết khả quan như: nhận dạng khn mặt dựa mạng nơ-ron tích chập [6], nhận dạng chữ viết tay [7], nhận dạng biển số xe [8] Tuy nhiên, việc nghiên cứu ứng dụng mạng học sâu GoogLeNet hạn chế Vì vậy, nghiên cứu đề xuất giải pháp ứng dụng mạng học sâu GoogLeNet để xây dựng mơ hình thiết bị hỗ trợ xua đuổi báo động có thú săn mồi xâm nhập vào nhà yến Giải pháp đề xuất hệ thống bao gồm phần cứng phần mềm Phần mềm tích hợp mạng học sâu GoogLeNet, huấn luyện để phân loại nhận dạng lồi thú săn mồi chính, là: chim cú mèo, diều hâu rắn Phần cứng xây dựng chủ yếu dựa kit vi điều khiển Arduino ESP8266, đảm nhận chức bật đèn để xua đuổi cú mèo diều hâu; đồng thời gửi tin nhắn SMS để báo động đến số điện thoại người ni yến phát có rắn xâm nhập Cấu trúc báo gồm: Phần giới thiệu tổng quát vấn đề nghiên cứu, sơ lược giải pháp đề xuất; Phần báo chủ yếu giới thiệu mạng GoogLeNet, trình bày sơ lược sở liệu thu thập để huấn luyện giới thiệu phần cứng thiết bị IoT ứng dụng; Trong phần 3, kết huấn luyện mạng học sâu thử nghiệm bước đầu trình bày thảo luận; Phần 4, kết luận đề nghị Ngoài ra, phần phụ lục mã QR-Code chứa đường dẫn clip minh họa thử nghiệm bước đầu hệ thống Phương pháp xây dựng hệ thống 2.1 Tổng quan hệ thống Kiến trúc tổng quan hệ thống nhận dạng, xua đuổi cảnh báo số loài thú săn mồi thường xuyên xâm nhập vào nhà yến mơ tả hình Hệ thống đề xuất bao gồm máy tính dùng để huấn luyện phương pháp học sâu, với tập liệu ảnh 03 loài động vật săn mồi thường gặp, gồm: chim cú mèo, diều hâu rắn Sau huấn luyện kiểm tra đạt kết tốt nhất, mạng học sâu dùng để kiểm nghiệm video hình ảnh khác, sưu tập từ nhiều nguồn Internet để đánh giá khả đáp ứng mạng Thiết bị IoT đặt ngưỡng kích hoạt chức báo động kết nhận dạng đối tượng cho độ xác đạt từ 70% trở lên http://jst.tnu.edu.vn 244 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 243 - 250 Hình Hệ thống nhận dạng, xua đuổi cảnh báo số loài thú săn mồi xâm nhập nhà yến 2.2 Huấn luyện mạng học sâu GoogLeNet 2.2.1 Đặc điểm mạng học sâu GoogLeNet GoogLeNet mạng nơ-ron nhân tạo với 22 lớp học sâu lớp chập (pooling layer) tập đoàn Google kết hợp với nhiều viện, trường đại học nghiên cứu đề xuất vào năm 2014 [9] Sức mạnh mạng học sâu liệu đầu vào không cần thiết kế tiền xử lý ảnh như: lọc ảnh trích xuất liệu đặc trưng [10] Kích thước ảnh huấn luyện nhận dạng đặt chuẩn 224x224x3 điểm ảnh (pixels) Theo [11], đặc điểm mạng học sâu GoogLeNet gồm lớp tích chập (convolution layer), lớp tổng hợp tối đa (max pooling layer) trọng tâm lớp khởi đầu (inception layer) Trong kiến trúc lớp khởi đầu, kích thước lớp tích chập cố định Theo đó, lớp tích chập 1×1, 3×3, 5×5 lớp tổng hợp tối đa (max pooling) 3×3 thực theo cách song song đầu vào đầu chúng, xếp chồng lên để tạo đầu cuối (hình 2) Với phương pháp này, lọc tích chập có kích thước khác xử lý đối tượng nhiều tỷ lệ, tốt phương pháp trước (a) (b) Hình Mơ hình lớp khởi đầu mạng (a) phiên đầu tiên, (b) khối giảm kích thước 2.2.2 Kiến trúc mạng GoogLeNet Kiến trúc mạng học sâu GoogLeNet gồm cấu trúc bản: thứ mạng học sâu nhiều lớp (multilayer network) thứ hai cấu trúc mạng – - mạng (network – in network) Một mạng học sâu nhiều lớp trình bày [11] Theo đó, giả sử ta có mạng học sâu D(l,ρ_l,{G_i }) với xác suất cao giống (các đồ thị ngẫu nhiên lớp) cho nút u,v lớp h(1): 𝜌 ≥ 22 ; 𝑛ế𝑢 𝑢, 𝑣 𝑐ó 𝑙𝑖ê𝑛 𝑞𝑢𝑎𝑛 (1) (1) Pr [ℎ𝑢 = ℎ𝑣 = 1] { 𝜌2 (1) ≤ ; 𝑐á𝑐 𝑡𝑟ườ𝑛𝑔 ℎợ𝑝 𝑐ò𝑛 𝑙ạ𝑖 http://jst.tnu.edu.vn 245 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 243 - 250 Khi 𝑢, 𝑣 có liên quan, phép tích chập × tính tốn nhằm tạo lọc cho học sâu Trong trường hợp này, mơ hình tích chập × trình bày [12] với đặc điểm cấu trúc lớp – theo - lớp Mơ hình bao gồm đơn vị hiệu chỉnh tuyến tính: 𝑓𝑖,𝑗,𝑘 = max(𝜔𝑘𝑇 𝑥𝑖,𝑗, 0) (2) Với (𝑖, 𝑗) số điểm ảnh đồ đối tượng (pixel index), 𝑥𝑖𝑗 viết tắt đặc điểm đầu vào trập trung vị trí (𝑖, 𝑗) 𝑘 giá trị để lập vị trí kênh đồ đối tượng Tiếp theo đó, lớp mạng học sâu gọi mlpconv tính tốn dựa theo phương trình: 𝑇 𝑓𝑖,𝑗,𝑘 = max (𝜔1𝑘1 𝑥𝑖,𝑗 + 𝑏𝑘1 , 0) ⋮ (3) 𝑛 𝑛 𝑇 𝑛−1 𝑓𝑖,𝑗,𝑘𝑛 = max(𝜔𝑘𝑛 𝑓𝑖,𝑗 + 𝑏𝑘𝑛 , 0) với 𝑛 số lượng lớp perceptron nhiều lớp đơn vị hiệu chỉnh tuyến tính (2), sử dụng hàm kích hoạt perceptron nhiều lớp Như vậy, mơ hình GoogLeNet hoạt động theo quy tắc tạo lớp mô hình học sâu, ta ý đến kết lớp trước Đặc điểm thiết kế để tính tốn hiệu cho máy tính có cấu hình khơng q mạnh Mạng học sâu GoogLeNet gồm yếu tố sau đây: • Lớp gộp trung bình có kích thước lọc × độ dài 3, kết lớp × ì 512 hoc ì ì 528 ã Một tích chập × với 128 lọc để giảm kích thước kết hợp với hiệu chỉnh tuyến tính (rectified linear unit) • Một lớp kết nối đầy đủ 1024 lớp nội suy tuyến tính • Một lớp loại bỏ, với tỉ lệ loại bỏ 70% ngõ • Lớp tuyến tính sử dụng hàm tổn thất softmax để phân loại (dự đoán 1000 lớp giống phân loại chính, bị loại bỏ thời điểm suy luận) 2.3 Xây dựng tập liệu Trong nghiên cứu này, tập liệu thu thập từ đối tượng săn mồi nhà yến gồm rắn, diều hâu cú mèo Camera quan sát thiết kế cửa vào nhà yến vị trí cố định bên trong, hướng cửa Tại cửa vào, chim yến bay với tốc độ cao không đậu lại nên camera thông thường ghi hình kịp Tuy nhiên, động vật săn mồi, chúng có đặc điểm đáp (bị) xuống bệ cửa, đứng yên quan sát chọn lựa mồi thích hợp Do vậy, việc dùng camera để ghi hình chụp ảnh khả thi Từ sở trên, tập liệu dùng để huấn luyện mạng học sâu GoogLeNet xây dựng bảng Ngoài ra, nghiên cứu chọn lọc bổ sung số ảnh thu thập từ nhiều nguồn khác mạng Internet Bảng Số lượng ảnh nhãn chuẩn bị để huấn luyện Nhãn Rắn Diều hâu Cú mèo Số ảnh huấn luyện 2000 600 1800 Số ảnh kiểm chứng 521 320 500 2.4 Xây dựng phần cứng Phần cứng thiết bị xây dựng dựa theo yêu cầu chủ nhà yến Cụ thể phát động vật săn mồi, hệ thống xua đuổi cảnh báo cho gia chủ Cấu trúc chung nhà yến bên tối nên loài chim săn diều hâu cú mèo sợ ánh sáng phát lên bất ngờ từ đèn; đó, cách để đối phó với rắn trực tiếp bắt để chuyển nơi khác Vì vây, điều khiển tự động từ máy tính xây dựng để bật đèn xua đuổi chim cú mèo diều hâu, đồng thời gửi tin nhắn SMS tới điện thoại di động chủ nhà phát có rắn xâm nhập Từ yêu cầu trên, hệ phần cứng thiết kế theo hình http://jst.tnu.edu.vn 246 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 243 - 250 Hình Mơ hình phần cứng cảnh báo thú săn mồi Ngay mạng học sâu GoogLeNet nhận dạng thú săn mồi với độ xác lớn 70%, máy tính điều khiển phần cứng bật sáng đèn để xua đuổi gửi SMS cảnh báo Trọng tâm hệ phần cứng vi điều khiển Arduino ESP8266, giao tiếp với máy tính thơng qua mạng Internet giao thức MTTQ (Message Queuing Telemetry Transport) Giao thức MTTQ lần đầu giới thiệu vào năm 1999 hệ thống cung cấp (publish) thuê bao (subcribe) sử dụng cho thiết bị IoT, với băng thông thấp Trung gian thuê bao/cung cấp MTTQ Borker, bản, server trung gian để lưu giữ tín hiệu truyền lên từ thiết bị gửi gửi đến thiết bị nhận Hệ thống bảo vệ liệu thông qua token, tạo ngẫu nhiên mật mã, góp phần bảo vệ hệ thống Trong mơ hình này, máy tính đóng vai trị đơn vị cung cấp vi điều khiển Arduino ESP8266 đóng vai trò thuê bao Kết thảo luận 3.1 Kết huấn luyện GoogLeNet Ngôn ngữ lập trình cấp cao MATLAB sử dụng để huấn luyện nhận dạng cho mạng học sâu GoogLeNet MATLAB chạy máy tính HP Prodesk core i5-9600 RAM 16GB, windows 10 64 bit, để huấn luyện mạng Một tập hợp tùy chọn để huấn luyện cần tạo Vì vậy, hệ thống phân tích, học sâu với phương pháp giảm gradient ngẫu nhiên động lượng, gồm 144 lớp Theo đó, hệ thống có lớp khởi đầu (inception) Ngõ hệ thống tập liệu đưa tiếp vào mạng huấn luyện mạng - - mạng (network - in - network), để huấn luyện tiếp tục Số chu kỳ học tối đa Hình miêu tả trình huấn luyện mạng GoogLeNet Tập liệu sử dụng để huấn luyện mạng, từ bảng 1, tương ứng với cột ‘Số ảnh huấn luyện’ Tuy nhiên, 80% số ảnh đưa vào huấn luyện mạng 20% lại dùng để kiểm tra trình huấn luyện (validation) Thời gian huấn luyện mạng khoảng 48 phút với chu kỳ học cho trình tăng cường xác suy giảm Tồn q trình bao gồm 1,914 lần lặp lại với 319 lần lặp cho chu kỳ học Trên biểu đồ hình 4, độ xác mạng ước lượng liệu kiểm tra (validation data) tăng từ gần 70% lên 100% chu kỳ đầu giữ nguyên tới hết lần lặp lại Độ xác mạng đánh giá liệu huấn luyện (training data) làm mượt dao động đạt 90% Tại biểu đồ hình 4, tỷ lệ sai số liệu kiểm tra giảm từ 1,5% gần 0% chu kỳ học đầu ổn định tới hết trình huấn luyện Kết thúc trình huấn luyện, mạng GoogLeNet kiểm chứng lại để đánh giá độ xác dựa theo liệu tương ứng cột ‘Số ảnh kiểm chứng’ bảng 3.2 Nhận dạng đối tượng gây hại mạng học sâu GoogLeNet Hình minh họa kết nhận dạng mạng học sâu GoogLeNet, tập liệu kiểm chứng, với hình ảnh thu thập từ nhiều nguồn khác Các kết hình cho thấy, mạng học sâu nhận dạng tốt lồi chim cú diều hâu với độ xác gần 100% Đối với rắn, cách di chuyển đặc biệt, số trường hợp độ xác đạt 73%, nhiên trường hợp này, tín hiệu báo động kích hoạt http://jst.tnu.edu.vn 247 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 243 - 250 Hình Quá trình huấn luyện mạng học sâu GoogLeNet Hình Kết phân loại GoogLeNet Kết thử nghiệm mạng học sâu GoogLeNet toàn tập liệu kiểm chứng thể bảng Theo đó, tỉ lệ nhận dạng cao cú mèo, đạt 99,6% thấp rắn, đạt 90,8% Ngoài ra, nghiên cứu thu thập từ mạng Internet clips quay nhà yến, có xuất thú săn mồi, gồm: clips có chim cú clip có rắn xâm nhập Để kiểm tra khả đáp ứng giải thuật, hình ảnh từ clips trích xuất kiểm tra thêm khả nhận dạng mạng Kết họa hình Theo đó, việc nhận dạng cú mèo rắn cho kết tốt, với độ xác gần tuyệt đối (~100%) Bảng Thử nghiệm khả phân loại với nhiều nguồn ảnh khác Nhãn Rắn Diều hâu Cú mèo http://jst.tnu.edu.vn Số ảnh thử nghiệm 521 320 500 Số ảnh nhận diện 473 316 498 248 Tỷ lệ (%) 90,8 98,7 99,6 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 243 - 250 Hình Kết phát thú săn mồi từ clip nhà yến Hình Kết hoạt động mơ hình (a) Bật đèn nhận cú mèo; (b) Bật đèn nhận diều hâu (c) Hệ thống phát rắn; (d) Gửi tin nhắn SMS cảnh báo Từ thử nghiệm trên, việc kết hợp phần mềm phần cứng triển khai Kết thử nghiệm trình bày hình Clip thử nghiệm có link tham khảo theo mã QR-Code phần phụ lục Nhìn chung hệ thống đáp ứng tốt yêu cầu đề ra, đèn bật sáng kết nhận dạng có độ xác lớn ngưỡng cảnh báo (>70%) Kết luận đề nghị Nghiên cứu đề xuất thử nghiệm mơ hình phát hiện, xua đuổi cảnh báo có động vật săn mồi xâm nhập nhà nuôi chim yến Mạng học sâu GoogLeNet sử dụng để huấn luyện phân loại động vật săn mồi Kết nhận dạng cho thấy, cú mèo diều hâu nhận dạng với tỉ lệ xác cao, 90%; đó, rắn có tỉ lệ nhận dạng thấp hơn, cách thức di chuyển dễ tương đồng với môi trường Phần cứng điều khiển không dây thông qua vi điều khiển Arduino ESP8266, bật tắt đèn gửi SMS cảnh báo thời điểm Thời gian tới, nhóm nghiên cứu tiếp tục bổ sung thêm liệu cho loài hữu, đồng thời xây dựng thêm sở liệu cho số loài động vật săn mồi khác như: tắc kè dơi mặt http://jst.tnu.edu.vn 249 Email: jst@tnu.edu.vn TNU Journal of Science and Technology 226(11): 243 - 250 quỷ, nhằm đáp ứng yêu cầu vừa bảo vệ chim yến, vừa khơng cần tiêu diệt lồi động vật khác Việc lắp đặt hệ thống vào nhà yến thực tế thỏa thuận với đối tác tình nguyện sớm có kết báo cáo khác Phụ lục clip minh họa Clip hoạt động tồn mơ hình hệ thống kèm thích TÀI LIỆU THAM KHẢO/ REFERENCES [1] J Huang, Q Zhang, and L Qin, "Adapted GooLeNet for Answer Selection," 2nd IEEE Advanced Information Management,Communicates, Electronic and Automation Control Conference (IMCEC), 2018, pp 1256-1262 [2] J Huang, Y Hu, and W Yang, "Adapted GooLeNet for Visual Question Answering," 3rd International Conference on Mechanical, Control and Computer Engineering (ICMCCE), 2018, pp 603-606 [3] J Ma, J Rao, Y Qiao, and W Liu, "Sprouting Potato Recognition Based on Deep Neural Network GoogLeNet," IEEE 3rd International Conference on Cloud Computing and Internet of Things (CCIOT), 2018, pp 502-505 [4] J Huang, Q Zhang, and L Qin, "Adapted GooLeNet for Answer Selection," 2nd IEEE Advanced Information Management,Communicates,Electronic and Automation Control Conference (IMCEC), 2018, pp 1256-1262 [5] A Krizhevsky, I Sutskever, and G E Hinton, “Image Net classification with deep convolutional neural networks,” Advances in Neural Information Processing Systems, 2012, pp 1097-1105 [6] H Q Doan, H M Le, and N T Doan, “Face recognition in video using convolutional neural network,” Vietnam science and technology, no 1, pp 8-12, 2020 [7] P Q Pham and Q P Vuong, “Recognition of handwriting digits using artificial neuron network,” Hue University Journal of Science, no 1, pp 119-129, 2019 [8] S P Ho, V D Phan, V C Le, and H C Ta, “Applying neural networks, convolutional neural networks and combination of cpus and gpus to increase calculation performance for image classification,” Vinh Univerisity Journal of science, vol 47, pp 64-76, 2018 [9] C Szegedy, L Wei, J Yangqing, P Sermanet, S Reed, D Anguelov, D Erhan, V Vanhoucke, and A Rabinovich, “Going Deeper with Convolutions,” ArXiv:1409.4842 [Cs], Sept 2014 [10] B Zhou, A Khosla, A Lapedriza, A Torralba, and A Oliva, "Places: An image database for deep scene understanding," arXiv preprint arXiv:1610.02055, 2016 [11] S Arora, A Bhaskara, R Ge, and T Ma “Provable Bounds for Learning Some Deep Representations,” ArXiv:1310.6343 [Cs, Stat], arXiv.org, Oct 2013 [12] L Min, C Qiang, and Y Shuicheng, “Network In Network,” ArXiv:1312.4400 [Cs], arXiv.org, Mar 2014 http://jst.tnu.edu.vn 250 Email: jst@tnu.edu.vn ... mơ hình phát hiện, xua đuổi cảnh báo có động vật săn mồi xâm nhập nhà nuôi chim yến Mạng học sâu GoogLeNet sử dụng để huấn luyện phân loại động vật săn mồi Kết nhận dạng cho thấy, cú mèo diều... phần cứng Phần cứng thiết bị xây dựng dựa theo yêu cầu chủ nhà yến Cụ thể phát động vật săn mồi, hệ thống xua đuổi cảnh báo cho gia chủ Cấu trúc chung nhà yến bên tối nên loài chim săn diều hâu... liệu Trong nghiên cứu này, tập liệu thu thập từ đối tượng săn mồi nhà yến gồm rắn, diều hâu cú mèo Camera quan sát thiết kế cửa vào nhà yến vị trí cố định bên trong, hướng cửa Tại cửa vào, chim yến