Ứng dụng Detectron2 phân loại quả cà chua

Trong nghiên cứu này, tác giả sử dụng triển khai Faster R-CNN của Detectron2 để phân loại quả cà chua dựa vào ảnh chụp bề mặt quả cà chua. Các quả cà chua không đạt yêu cầu sẽ bị loại trong quá trình phân loại. Tập dữ liệu gồm 857 ảnh với 1280 quả cà chua được gán nhãn (good và bad) và chia theo tỷ lệ 6:2:2. Kết quả thử nghiệm đạt độ chính xác 95,4% và đáp ứng được yêu cầu xử lý thời gian thực là 0.08 giây/quả.

TẠP CHÍ NGHIÊN CỨU KHOA HỌC LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA TRONG SỐ NÀY ĐẠI HỌC SAO ĐỎ Số 3(74) 2021 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Thiết kế hệ thống rửa tay khử khuẩn tự động kết hợp kiểm soát giãn cách sử dụng trí tuệ nhân tạo Nguyễn Quang Biên Đỗ Hồng Khơi Ngun Nguyễn Tuấn Nguyễn Trọng Các Trương Cao Dũng Nghiên cứu cảm biến vị trí rơto máy điện từ kháng Phạm Công Tảo Phạm Thị Hoan Nghiên cứu thiết kế thiết bị lọc khơng khí sử dụng công nghệ ion âm Nguyễn Trọng Các Nguyễn Chí Thành Ngơ Phương Thủy Bùi Đăng Thảnh Ứng dụng Detectron2 phân loại cà chua Hoàng Thị An Phạm Văn Kiên LIÊN NGÀNH CƠ KHÍ - ĐỘNG LỰC Phân ch, so sánh ô tô pin nhiên liệu ô tô điện Vũ Hoa Kỳ Trần Hải Đăng Nguyễn Long Lâm Dương Thị Hà Nghiên cứu phương pháp Polynomial Chaos Creux, áp dụng cho hệ thống treo ô tô Đào Đức Thụ Nguyễn Đình Cương Phạm Văn Trọng Nghiên cứu xác định hệ số lực khí động xe du lịch Đỗ Tiến Quyết NGÀNH TOÁN HỌC Hiệu chỉnh nguyên lý cực đại Pontryagin toán điều khiển tối ưu Nguyễn Thị Huệ Lưu Trọng Đại NGÀNH KINH TẾ Ứng dụng mơ hình “kim tự tháp’ Carroll Archie đánh giá mức độ quan tâm bên liên quan đến trách nhiệm xã hội Trường Đại học Sao Đỏ Vũ Thị Hường Nguyễn Thị Thủy Nguyễn Thị Huế Nguyễn Thị Thu Trang Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 NGHIÊN CỨU KHOA HỌC TẠP CHÍ NGHIÊN CỨU KHOA HỌC TRONG SỐ NÀY ĐẠI HỌC SAO ĐỎ Số 3(74) 2021 NGÀNH KINH TẾ Cơ hội thách thức đào tạo nguồn nhân lực ngành Logis cs Nguyễn Thị Thủy Nguyễn Thị Huế LIÊN NGÀNH HÓA HỌC - CÔNG NGHỆ THỰC PHẨM Ảnh hưởng hạt nano vàng lên nh chất vật liệu Zn SnO :Eu Nguyễn Ngọc Tú Nguyễn Duy Thiện NGÀNH GIÁO DỤC HỌC Giải pháp nâng cao hiệu hoạt động trải nghiệm thực tế cho sinh viên chuyên ngành Hướng dẫn du lịch, Trường Đại học Sao Đỏ Nguyễn Thị Hương Huyền Nguyễn Thị Sao Nâng cao chất lượng dạy học ếng Anh chuyên ngành Trường Đại học Sao Đỏ Nguyễn Thị Thảo Trần Thị Mai Hương LIÊN NGÀNH TRIẾT HỌC - XÃ HỘI HỌC - CHÍNH TRỊ HỌC Giảng dạy học phần lý luận trị Trường Đại học Sao Đỏ điều kiện tác động Cách mạng công nghiệp 4.0 Nguyễn Thị Hiền Giải việc làm cho lao động nông thôn tỉnh 101 Vũ Văn Đông Hải Dương Giáo dục đạo đức việc phát triển nhân cách 110 Đỗ Thị Thùy cho niên tỉnh Hải Dương bối cảnh Phạm Thị Mai Giá trị ý nghĩa thời đại tư tưởng nhân văn Việt Nam 120 Phạm Văn Dự kỷ XVIII Trần Thị Hồng Nhung Vũ Văn Chương Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA SCIENTIFIC JOURNAL SAO DO UNIVERSITY CONTENTS No 3(74) 2021 TITLE FOR ELECTRICITY - ELECTRONICS - AUTOMATION Design of an automa cally sterilized-hand washing system combined with social distancing control using ar cial intelligence Research on posi on sensor rotor in switched reluctance machines Nguyen Quang Bien Do Hoang Khoi Nguyen Nguyen Tuan Nguyen Trong Cac Truong Cao Dung Pham Cong Tao Pham Thi Hoan Research and design of air puri ca on device using nega ve Ion technology Nguyen Trong Cac Nguyen Chi Thanh Ngo Phuong Thuy Bui Dang Thanh Applica on Detectron2 classi es tomatoes Hoang Thi An Pham Van Kien TITLE FOR MECHANICAL AND DRIVING POWER ENGINEERING Analysing and comparing fuel cell vehicle and electric vehicle Vu Hoa Ky Tran Hai Dang Nguyen Long Lam Duong Thi Ha Study on applica on of Polynomial Chaos Creux method for automo ve suspension Dao Duc Thu Nguyen Dinh Cuong Pham Van Trong Research for determina on of force coe cients of the sedan Q4 TITLE FOR MATHEMATICS Correc on of the maximum principle of Pontryagin in the op mal control problem Nguyen Thi Hue Luu Trong Dai Appleca on of carroll archie’s ‘‘se - se - pyramid” model to assess the interest of the par es involved in social responsibility of Sao Do niversity Vu Thi Huong Nguyen Thi Thuy Nguyen Thi Hue Nguyen Thi Thu Trang Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 NGHIÊN CỨU KHOA HỌC SCIENTIFIC JOURNAL CONTENTS SAO DO UNIVERSITY No 3(74) 2021 Opportuni es and challenges in human resource training logis cs industry Nguyen Thi Thuy Nguyen Thi Hue TITLE FOR CHEMISTRY AND FOOD TECHNOLOGY E ect of gold nanopar cles on the proper es of Zn SnO :Eu material ourescence Nguyen Ngoc Tu Nguyen Duy Thien TITLE FOR STUDY OF EDUCATION Solu ons to improve the e ect of prac cal experience ac vi es for students of tourist guide major at Sao Do niversity Nguyen Thi Huong Huyen Nguyen Thi Sao Improving the quality of specialized English teaching and learning at Sao Do University Nguyen Thi Thao Tran Thi Mai Huong TITLE FOR PHILOSOPHY - SOCIOLOGY - POLITICAL SCIENCE Teaching poli cal theory modules at Sao Do University in the context of the impact of the industrial revolu on 4.0 Nguyen Thi Hien Crea ng jobs for rural workers in Hai Duong province 101 Vu Van Dong today New moral educa on in personality development for 110 Do Thi Thuy young people in Hai Duong province in the current new Pham Thi Mai context Contemporary signi cance and value of the Vietnamese 120 Pham Van Du humanis c thought era in the eighteenth century Tran Thi Hong Nhung Vu Van Chuong Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 NGHIÊN CỨU KHOA HỌC Ứng dụng Detectron2 phân loại cà chua Applica on Detectron2 classi es tomatoes Hoàng Thị An, Phạm Văn Kiên anhoangthi87@gmail.com Trường Đại học Sao Đỏ Ngày nhận bài: 15/4/2021 Ngày nhận sửa sau phản biện: 28/9/2021 Ngày chấp nhận đăng: 30/9/2021 Tóm tắt Trong nghiên cứu này, tác giả sử dụng triển khai Faster R-CNN Detectron2 để phân loại cà chua dựa vào ảnh chụp bề mặt cà chua Các cà chua không đạt yêu cầu bị loại trình phân loại Tập liệu gồm 857 ảnh với 1280 cà chua gán nhãn (good bad) chia theo tỷ lệ 6:2:2 Kết thử nghiệm đạt độ xác 95,4% đáp ứng yêu cầu xử lý thời gian thực 0.08 giây/quả Từ khóa: Phân loại cà chua; detectron2; faster R-CNN Abstract In this study, the author uses Detectron2's implementation of Faster R-CNN to classify tomatoes based on their surface images Tomatoes classi ed as "not good” will be disquali ed during the grading process A dataset consisted of 857 images with 1280 labeled tomatoes (good and bad) and divided in a ratio of 6:2:2 Research results showed an accuracy of 95.4% and met the real-time requirement with the speed of 0.08 seconds for each tomatoe : Classify tomatoes; detectron2; faster R-CNN ĐẶT VẤN ĐỀ Phân loại cà chua tự động module thiếu hệ thống phân loại cà chua Việt Nam Tại nhà máy xuất nhập có xuất cà chua, công đoạn tự động hóa, nhiên, cơng đoạn phân loại cà chua đạt yêu cầu chưa đạt yêu cầu thực phương pháp thủ cơng (Hình 1) Hình Minh họa phân loại cà chua [8] Hiện có cơng trình nghiên cứu ứng dụng trí tuệ nhân tạo: Sử dụng học máy, học sâu để phân loại cà chua theo màu sắc, kích thước Với sử dụng học máy, nhóm tác giả [2] phân loại cà chua theo chất Người phản biện: GS TSKH Thân Ngọc Hoàn PGS TSKH Trần Hoài Linh lượng sử dụng công nghệ xử lý ảnh: Chuyển ảnh từ RGB sang hệ màu HSV, phân đoạn ảnh sử dụng thuật toán k-mean phân loại ảnh sử dụng SVM (Support Vector Machine) mạng nơron (ANN - Arti cial Neural Network) Với phương pháp phân loại theo phương pháp học máy bị ảnh hưởng nhiều môi trường: Chế độ chiếu sáng, ánh sáng đèn, loại phân loại cần qua hộp đen, tách ánh sáng môi trường Với giải pháp mạng nơron học sâu, theo [4], nhóm tác giả đề xuất phát cà chua tốt cà chua bị bệnh dựa YOLOv2 YOLOv2 mạng giai đoạn, mạng có thời gian huấn luyện dự đốn nhanh, nhiên độ xác chưa cao với trường hợp đối tượng phát hiện, nhận dạng kích thước nhỏ Nhóm tác giả [1], đề xuất sử dụng kỹ thuật transfer learning, sử dụng mạng VGG16, InceptionV3, ResNet50 kết hợp mạng nơron tích chập sâu Faster R-CNN cho kết độ xác cao, đặc biệt khơng bị ảnh hưởng môi trường, trường hợp phức tạp, độ chiếu sáng khác Để giảm thiểu chi phí thiết kế mơ hình phải thiết kế hộp đen nhằm tách đối tượng cần phát hiện, phân loại khỏi ánh sáng môi trường bên ngồi, nhóm tác giả đề xuất sử dụng Faster R-CNN kết hợp với ResNet101 để phân loại cà chua đạt yêu cầu không đạt yêu cầu Các tác giả [3] Faster R-CNN kỹ thuật hữu ích để phát phân loại cà chua đạt yêu cầu không đạt yêu cầu với độ thời gian đảm bảo yêu cầu thực tế Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Để triển khai Faster R-CNN, bật framework Tenso ow PyTorch Trong hai framework này, thời gian huấn luyện Tenso ow thường nhiều thời gian cần đáp ứng yêu cầu phần cứng cao Trong đó, với Detectron2 [6] tảng PyTorch, hệ thống phần mềm hệ Facebook AI Research triển khai thuật toán phát đối tượng đại Theo [7], tác giả đánh giá việc sử dụng Faster R-CNN cho tốn phát hư hỏng đường cho độ xác cao so với mơ hình YOLO SSD Các tác giả Faster R-CNN với mơ hình sở X101-FPN cấu hình mặc định Detectron2 tạo kết dự đoán tốt cho tác vụ này, áp dụng nhiều quốc gia khác Từ ưu điểm Faster R-CNN ưu điểm tốc độ Detectron2, nhóm tác giả đề xuất triển khai Faster R-CNN với Detectron2 áp dụng vào toán phân loại cà chua, lựa chọn cà chua đạt yêu cầu không đạt yêu cầu dựa ảnh chụp bền mặt cà chua DETECTRON2 Kể từ phát hành vào năm 2018, tảng phát đối tượng Detectron trở thành dự án mã nguồn mở chấp nhận rộng rãi Facebook AI Research (FAIR) [5] Detectron2 viết lại Detectron với Mask R-CNN benchmark Nền tảng triển khai PyTorch Detectron2 linh hoạt mở rộng, đồng thời cung cấp huấn luyện nhanh nhiều máy chủ GPU Detectron2 gồm triển khai chất lượng thuật toán phát đối tượng đại gồm: DensePose Panoptic segmetation nhiều biến thể dịng mơ hình Mask R-CNN FAIR phát triển Thiết kế mở rộng giúp người lập trình dễ dàng thực dự án nghiên cứu mà khơng cần phải phân nhánh tồn sở mã Detectron2 thiết kế huấn luyện mơ hình phát thế hệ theo hỗ trợ máy ảnh thông minh, hệ thống máy ảnh AI thiết bị gọi điện video Facebook Bằng cách dựa vào Detectron2 làm thư viện hợp để phát đối tượng trường hợp sử dụng nghiên cứu sản xuất, ta nhanh chóng chuyển ý tưởng nghiên cứu vào mơ hình sản xuất triển khai quy mô lớn Một số cải tiến Detectron2 [5], [6]: PyTorch: Detectron ban đầu triển khai Caffe2 PyTorch cung cấp mơ hình lập trình mệnh lệnh trực quan cho phép nhà nghiên cứu người thực hành lặp lại nhanh thiết kế thử nghiệm mơ hình Do vậy, Detectron2 viết lại từ đầu PyTorch, người dùng hưởng lợi từ thư viện mạng nơ-rôn học sâu PyTorch cộng đồng lớn tích cực liên tục cải thiện PyTorch Thiết kế modul mở rộng: Trong Detectron2, cách thiết kế modul cho phép người dùng phát triển triển khai modul riêng (hoặc cập nhật mô-đun gốc) vào hầu hết phần hệ thống phát đối tượng Các dự án nghiên cứu viết hàng trăm dòng mã với tách biệt rõ ràng thư viện Detectron2 cốt lõi việc triển khai nghiên cứu Detectron2 phát triển để linh hoạt Các mơ hình tính mới: Detectron2 bao gồm tất mơ hình có sẵn Detectron ban đầu: Faster R-CNN, Mask R-CNN, RetinaNet DensePose Ngồi ra, có số mơ hình mới, bao gồm Cascade R-CNN, Panoptic FPN TensorMask, tiếp tục bổ sung thêm Nhiệm vụ mới: Detectron2 hỗ trợ loạt thuật toán liên quan đến phát đối tượng Ngoài thuật tốn có Detectron phiên đầu tiên, Detectron2 cịn hỗ trợ phân đoạn tồn cảnh (Panoptic segmentation) kết hợp Semantic segmentation Instance segmentation Chất lượng triển khai: Viết lại Detectron2 từ đầu cho phép xem lại định thiết kế cấp thấp giải số vấn đề triển khai Detectron ban đầu Tốc độ khả mở rộng: Bằng cách chuyển toàn đường dẫn đào tạo sang GPU, Detectron2 nhanh Detectron ban đầu cho nhiều mô hình tiêu chuẩn khác Ngồi ra, việc phân phối đào tạo đến nhiều máy chủ GPU trở nên dễ dàng, khiến việc mở rộng đào tạo tới tập liệu lớn trở nên đơn giản nhiều Hình Minh họa Detectron2 [6] Detectron2go: Các kỹ sư thị giác máy tính Facebook AI triển khai lớp phần mềm bổ sung, Detectron2go, để giúp việc triển khai mơ hình Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 NGHIÊN CỨU KHOA HỌC tiên tiến vào sản xuất dễ dàng Các tính bao gồm quy trình đào tạo tiêu chuẩn với liệu nội bộ, lượng tử hóa mạng chuyển đổi mơ hình sang định dạng tối ưu hóa để triển khai điện tốn đám mây di động PHÂN LOẠI CÀ CHUA VỚI DETECTRON2 Các mạng nơron tích chập muốn áp dụng vào tốn phát đối tượng cần có chuẩn bị sở liệu gán nhãn Ảnh sau gán nhãn định dạng cho vào mơ hình mạng thực huấn luyện Trong nghiên cứu này, tác giả sử dụng công cụ Robo ow hỗ trợ việc chuẩn bị sở liệu, gán nhãn cho ảnh; sử dụng Google Colab hỗ trợ huấn luyện mơ hình có hỗ trợ GPU miễn phí thời gian huấn luyện 12 phiên sử dụng Cơ sở liệu Dữ liệu cà chua tác giả chụp ảnh thực tế download mạng gồm loại cà chua chín, cà chua chưa chín, cà chua bị hỏng Các ảnh chuẩn bị gồm 857 ảnh với 1.280 cà chua gán nhãn Các cà chua gán nhãn thành loại: tomatogood tomatobad Tập liệu chia theo tỷ lệ 6:2:2 với 60% ảnh chia vào tập huấn luyện, 20% ảnh chia vào tập thẩm định, 20% vào tập kiểm tra Hình Cơ sở liệu Robo ow.com Hình Chia tập liệu theo tỷ lệ 6:2:2 Một số kỹ thuật tiền xử lý để tăng số lượng ảnh chất lượng ảnh: Hình Minh họa số phép biến đổi ảnh 3.2 Xây dựng mơ hình Q trình xây dựng huấn luyện mơ hình thực Google Colab Bước 1: Cài đặt số phụ thuộc Detectron2 Phiên Detectron2 sử dụng 0.1.3 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Bước 2: Thêm ghi danh liệu theo yêu cầu Detectron2 (Hình 6) Tải model modelzoo Model lựa chọn là: faster_ rcnn_X_101_32x8d_FPN_3x.yaml Dữ liệu chuẩn bị sẵn robo ow, định dạng liệu coco json, ảnh cần chuẩn hóa kích thước 416 416 Bước 4: Thiết lập g cho batch size, số lần lặp (MAX_ITERS) learning rate (BASE_LR) (Hình 8) Bước 3: Cài đặt kiến trúc mạng Detectron2 Mạng sử dụng Faster R-CNN với ResNet 101 Chỉ định liệu khởi tạo bước 2, sử dụng chúng cho việc huấn luyện đánh giá (Hình 7) Định nghĩa lớp CocoTrainer WARMUP_ITERS: learning rate đến giá trị đặt trước cho thuộc tính STEPS: Số lượng lần lặp mà learning rate giảm xuống theo GAMMA Bước 5: Thực huấn luyện Bước 6: Đánh giá mơ hình tập test (Hình 9) Hình Register liệu Hình Cài đặt kiến trúc mạng Detectron2 Hình Thiết lập g Hình Sử dụng mơ hình dự đốn kết Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 NGHIÊN CỨU KHOA HỌC Kết chương trình Kết chạy tập test Hình 10 Kết chương trình Hình 11 Kết chạy tập test Mơ hình sau thực nghiệm có kết sau: Số ảnh sử dụng test: 171 ảnh với 248 nhãn tomatogood tomatobad Kết thực nghiệm mô tả Bảng Số lượng cà chua dự đoán 86 nhiều thực tế 82 có số cà chua gán nhãn hai lần (Hình 13) Bảng Kết chương trình Số lượng Tomatogood Tomatobad Dự đốn Khơng nhận Thực tế Trường hợp cà chua không đạt với nhãn Tomatobad, có trường hợp cà chua khơng đạt gán nhãn lần (Hình 12) Hình 13 Cà chua có nhãn giống Trường hợp cà chua tốt, đạt yêu cầu với nhãn tomatogood, trường hợp không nhận cà chua để thực gán nhãn (Hình 14) Hình 14 Khơng nhận KẾT LUẬN Hình 12 chua có nhãn ngược Trong nghiên cứu, tác giả đề xuất sử dụng Detectron2 với mạng Faster R-CNN phân loại cà chua đạt yêu cầu không đạt yêu cầu Thời gian huấn Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA luyện sử dụng Detectron2 nhanh nhiều với trường hợp sử dụng Tensor ow Bảng So sánh framework Thời gian Detectron2 Tensor ow Huấn luyện 0:54:17 08:12:15 Phát 0.08 (giây) 0.10 (giây) rong trình cài đặt thử nghiệm, nhóm tác giả sử dụng hai framework hỗ trợ cài đặt thử nghiệm mạng Faster R-CNN Đối với Tensor ow, địi hỏi cấu hình máy cao nhiều thời gian huấn luyện Trong đó, với Detectron2, mạng Faster R-CNN huấn luyện nhanh nhiều (ít gần giờ) mạng sau huấn luyện chạy với Detectron2 có thời gian nhanh Các tham số nhóm tác ả ết lập bước (h nh 8) cho mô h nh có kế dự đốn cao Trườ ợp khác, ví dụ vớ MAX_ITERS = 1000, STEPS = 900 cho độ xác ấp (92%) TÀI LIỆU THAM KHẢO [1] Robert G de Luna, Elmer P Dadios, Argel A Bandala, Ryan Rhay P Vicerra (2019), Tomato Fruit Image Dataset for Deep Transfer Learning-based Defect Detection, 978 - - 7281 - 3458 -1/19 ,2019 IEEE [2] Saifali Tamakuwala, Jenish Lavji, Rachna Patel, (2018), Quality identi cation of tomato using image processing techniques, International Journal of Electrical, Electronics and Data Communication, ISSN(p): 2320-2084, ISSN(e): 2321 -2950 Volume-6, Issue-5, May-2018, http:// www.iraj.in/journal/journal_ le/journal_pdf/1-471153293422067-70.pdf [3] Jun Sun, Xiaofei He, Xiao Ge, Xiaohong Wu, Jifeng Shen, Yingying Song (2018), Detection of Key Organs in Tomato Based on Deep Migration Learning in a Complex Background https:// www.researchgate.net/publication/329591902_ Detection_of_Key_Organs_in_Tomato_Based_ on_Deep_Migration_Learning_in_a_Complex_ Background [4] Zhao J., Qu J (2019) Healthy and Diseased Tomatoes Detection Based on YOLOv2 In: Tang Y., Zu Q., Rodríguez García J (eds) Human Centered Computing HCC (2018), Lecture Notes in Computer Science, vol 11354 Springer, Cham https://doi.org/10.1007/978-3-030-15127-0_34 [5] Yuxin Wu, Alexander Kirillov, Francisco Massa, Wan-Yen Lo and Ross Girshick (2019), https:// ai.facebook.com/blog/-detectron2-a-pytorchbased-modular-object-detection-library-/ [6] Yuxin Wu, Alexander Kirillov, Francisco Massa, Wan-Yen Lo and Ross Girshick (2019), Detectron2 https://github.com/facebookresearch/detectron2 [7] Vung Pham, Chau Pham and Tommy Dang (2020), Road Damage Detection and Classi cation with Detectron2 and Faster R-CNN arXiv:2010.15021v1 [cs.CV] [8] https://nongnghiep.vn/may-rua-phan-loai-trai-cachua-d164378.html THÔNG TIN TÁC GIẢ Hồng Thị An - Tóm tắt q trình đào tạo, nghiên cứu (thời điểm tốt nghiệp chương trình đào tạo, nghiên cứu): + Năm 2009: Tốt nghiệp Đại học Sư phạm Hà Nội, chuyên ngành Sư phạm Tin + Năm 2012: Tốt nghiệp Thạc sĩ ngành Công nghệ thông n, chuyên ngành Khoa học máy nh, Học viện Kỹ thuật Qn Sự - Tóm tắt cơng việc tại: Giảng viên khoa Công nghệ thông n, rường Đại học Sao Đỏ - Lĩnh vực quan tâm: Xử lý ảnh, thực ảo, thị giác máy nh, trí tuệ nhân tạo, big data - Email: anhoangthi87@gmail.com - Điện thoại: 0984 420 897 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 NGHIÊN CỨU KHOA HỌC Phạm Văn Kiên - Tóm tắt q trình đào tạo, nghiên cứu (thời điểm tốt nghiệp chương trình đào tạo, nghiên cứu): + Năm 2002: Tốt nghiệp Đại học Bách khoa Hà Nội, chuyên ngành Sư phạm kỹ thuật Tin học + Năm 2007: Tốt nghiệp Thạc sĩ ngành Giáo dục nghề nghiệp, thuộc chương trình liên kết rường Đại học Bách khoa Hà Nội rường TU Dresden Đức - Tóm tắt cơng việc tại: Phó trưởng khoa Cơng nghệ thông n, rường Đại học Sao Đỏ - Lĩnh vực quan tâm: Xử lý ảnh, thị giác máy nh, công nghệ web, công nghệ phần mềm - Email: kienpvdesign@gmail.com - Điện thoại: 0986 362 233 Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số (74) 2021 ... giả sử dụng triển khai Faster R-CNN Detectron2 để phân loại cà chua dựa vào ảnh chụp bề mặt cà chua Các cà chua không đạt yêu cầu bị loại trình phân loại Tập liệu gồm 857 ảnh với 1280 cà chua gán... liệu cà chua tác giả chụp ảnh thực tế download mạng gồm loại cà chua chín, cà chua chưa chín, cà chua bị hỏng Các ảnh chuẩn bị gồm 857 ảnh với 1.280 cà chua gán nhãn Các cà chua gán nhãn thành loại: ... detectron2; faster R-CNN ĐẶT VẤN ĐỀ Phân loại cà chua tự động module thiếu hệ thống phân loại cà chua Việt Nam Tại nhà máy xuất nhập có xuất cà chua, cơng đoạn tự động hóa, nhiên, cơng đoạn phân