3. Cấu trúc luận văn
3.4 Thử nghiệm và kết quả
Với mỗi mẫu lá cây thuốc, ta có 10 ảnh với kích thƣớc khác nhau. Các ảnh có kích thƣớc khác nhau phù hợp với thực tế khi hệ thống hoạt động bởi vì ngƣời dùng sẽ chụp ảnh lá cây ở khoảng cách khác nhau. Chúng ta chia 10 ảnh thành 2 phần, mỗi phần 5 ảnh. Mỗi phần để xây dựng tập dữ liệu huấn luyện, một phần để xây dựng bộ dữ liệu đánh giá. Để đánh giá phƣơng pháp đã lựa chọn, em tiến hành thực hiện phƣơng pháp theo các bƣớc của giai đoạn huấn luyện và giai đoạn kiểm thử sau:
Hình 3.8. Sơ đồ các khối chức năng của giai đoạn huấn luyện
Hình 3.9. Sơ đồ các khối chức năng của giai đoạn kiểm thử
Ta tiến hành thử nghiệm, đánh giá phƣơng pháp lựa chọn (Gradient - KDES với patch thích nghi [13]) và so sánh với phƣơng pháp KDES gốc [5].
Với mức độ luận văn thạc sĩ của đề tài, chƣơng trình thử nghiệm mới chỉ đƣợc lập trình để đánh giá trên cả tập ảnh dữ liệu và thử nghiệm nhằm so sánh và đánh giá phƣơng pháp đƣợc lựa chọn là KDES, chứ chƣa có chƣơng trình hay bản Demo thử nghiệm trên từng ảnh để so sánh với bộ cơ sở dữ liệu. Để xử lý dữ liệu kết quả, trong đề tài luận văn này, em sử dụng Matlab R2016a để xây dựng chƣơng trình kiểm tra và đƣa ra kết quả giúp cho việc đánh giá phƣơng pháp đã đƣợc đề xuất
Hình 3.10: Một phần mã code chương trình
Trong bộ dữ liệu, Chƣơng trình sẽ lấy hình ảnh trong thƣ mục HuanLuyen để trích trọn đặc trƣng theo trình tự: Tính toán đặc trƣng mức Pixel, tính toán đặc trƣng mức Patch và tính toán đặc trƣng mức ảnh. với mỗi phép tính toán đều sử dụng cấu trúc Pyramid để tính toán. Ở mức tính toán đặc trƣng mức pixel, mỗi lần tính toán theo cấu trúc pyramid sẽ sử dụng 8 pixel vào trong tính toán tƣơng ứng với dòng lệnh: kdes_params.grid = 8; và sử dụng kích thƣớc Patch là 16: kdes_params.patchsize = 16; và kích thƣớc ảnh đầu vào nhỏ nhất là 80 và lớn nhất là 1600 pixel:data_params.minsize = 80; data_params.maxsize = 1600;
Hình 3.11: quá trình Huấn luyện của chương trình
Hình 3.13: Tính toán số vòng lặp so sánh: Với bộ cơ sở dữ liệu HuanLuyen gồm 190 ảnh , số vòng lặp được tính toán là 181.
Phân tích kết quả thu đƣợc từ ma trận nhầm lẫn
Hình 3.14: Hình ảnh ma trận nhầm lẫn của phương pháp KDES cải tiến
Bảng 3.2: So sánh kết quả giữa KDES gốc và phương pháp lựa chọn (KDES cải tiến).
Phƣơng pháp Precision = Recall
Gradient - KDES gốc Gradient - KDES cải tiến
76.30% 96 %
Bảng 3.2 trình bày so sánh kết quả thử nghiệm giữa phƣơng pháp KDES gốc và phƣơng pháp lựa chọn (KDES cải tiến). Ta thấy phƣơng pháp lựa chọn đạt đƣợc độ chính xác 96% trong khi phƣơng pháp KDES gốc chỉ đạt đƣợc độ chính xác 76.3%. Phƣơng pháp KDES gốc có độ chính xác thấp hơn là do vectơ đặc trƣng bị ảnh hƣởng bởi sự thay đổi kích thƣớc ảnh. Phƣơng pháp KDES cải tiến có véc tơ đặc trƣng bất biến với phép thu phóng ảnh (dẫn đến kích thƣợc ảnh lá cây thu đƣợc thay đổi). Đồng thời, hiện nay số lớp lá cây chƣa nhiều (38) và khá phân biệt; Ảnh lá cây đƣợc thu nhận trong điều kiện nền đơn giản. Do đó, phƣơng pháp KDES cải tiến cho độ chính xác cao trên tập dữ liệu hiện tại (96%). Khi số lớp lá cây tăng lên và khi điều kiện thu nhận trong môi trƣờng tự nhiên với phông nền phức tạp, tƣ thế lá cây đa dạng thì độ chính xác sẽ giảm và cần tiếp tục thử nghiệm, nghiên cứu.
Hình 3.16: Hình ảnh nhầm lẫn ma trân của phương pháp KDES Cải tiến
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN. Những kết quả đạt đƣợc
Trong luận văn này, em đã tìm hiểu thực tế, phát hiện nhu cầu, nghiên cứu, lựa chọn phƣơng pháp và thực nghiệm. Cụ thể, em đã thực hiện các nhiệm vụ sau:
- Tìm hiểu thực tế và phát hiện nhu cầu nghiên cứu phát triển một hệ thống tra cứu cây thuốc thuộc khu bảo tồn thiên nhiên Na Hang - Tuyên Quang.
- Nghiên cứu khảo sát tổng quan về bài toán phân lớp, tra cứu thực vật sử dụng thông tin hình ảnh nói riêng. Em cũng đã tìm hiểu một số nghiên cứu trogn lĩnh vự thị giác máy tính có liên quan đến đề tài. Từ đó em đã lựa chọn phƣơng pháp để áp dụng cho bài toán tra cứu ảnh lá cây. Phƣơng pháp đƣợc lựa chọn là KDES cải tiến.
- Em đã bƣớc đầu thực hiện đƣợc việc thu thập dữ liệu hình ảnh cũng nhƣ thông tin về một số loài cây thuộc khu bảo tồn thiên nhiên Na Hang, tỉnh Tuyên Quang. Do điều kiện hạn chế về tài chính, cơ sở vật chất cũng nhƣ điều
kiện di chuyển, em mới chỉ thu thập đƣợc một số lƣợng có hạn mẫu ảnh lá cây (38 mẫu ảnh trong đó có 23 loài)
- Do điều kiện về thời gian và khuôn khổ của Luận văn thạc sỹ, em mới chỉ bƣớc đầu tiến hành thử nghiệm trên tập dữ liệu nhỏ để bƣớc đầu đánh giá phƣơng pháp lựa chọ. Kết quả thử nghiệm cho kết quả tốt trên tập dữ liệu đã thu thập.
Hƣớng phát triển tiếp theo
Những công việc trong đề tài mới chỉ là bƣớc đầu của quá trình nghiên cứu phát triển một hệ thống tra cứu lá cây thuộc khu bảo tồn thiên nhiên Na Hang. Trong tƣơng lai, để tiếp tục thực hiện và hoàn thiện hệ thống , chúng ta cần thực hiện nhiều nhiệm vụ nghiên cứu phát triển tiếp theo. Trong đó có một số nhiệm vụ chính cần thực hiện nhƣ sau:
- Tiếp tục thu thập dữ liệu hình ảnh cũng nhƣ thông tin chi tiết hơn về các loài cây thuộc khu bảo tồn thiên nhiên Na Hang với số lƣợng lớn hơn, điều kiện thu thập phù hợp với ứng dụng thực tế cuối cùng.
- Thử nghiệm phƣơng pháp lựa chọn treencow sở dữ liệu lớn hơn để đánh giá và cải tiến nếu cần.Chúng ta cũng cần khảo sát, so sánh với những phƣơng pháp mới trong lĩnh vực thị giác máy tính để cập nhật, lựa chọn phƣơng pháp tốt hơn nếu có thể. Ví dụ nhƣ các phƣơng háp sử dụng Deep learning.
- Nghiên cứu phát triển phƣơng pháp phân đoạn vùng ảnh lá cây để tách vùng ảnh lá quan tâm ra khỏi ảnh chụp trong ứng dụng nền thực tế cuối cùng khi ngƣời dùng sử dụng điện thoại di động để chụp ảnh trên thực địa.
- Nghiên cứu phát triển các phƣơng pháp tra cứu thông tin thực vật không chỉ dựa vào hình ảnh lá cây nữa mà cho phép ngƣời dùng lựa chọn sử dụng các bộ phận khác của cây với câu truy vấn mềm dẻo.
- Tích hợp hệ thống với đầy đủ các chức năng cho phép cập nhật, nâng cấp cơ sở dữ liệu, thông tin một cách thuận lợi.
TÀI LIỆU THAM KHẢO
[1] Nguyễn Thị Hải, N.T.C.T.H.T.N.A.T., Đoàn Thị Phƣơng Lý (2015) Một số kết quả điều tra, nghiên cứu về nguồn tài nguyên cây thuốc của đồng bào dân tộc Cao Lan khai thác ở khu rừng đặc dụng Na Hang, tỉnh Tuyên Quang. Tạp chí khoa học Đại học Tân Trào, 107-114.1
[2] A. Bhardwaj and M. Kaur, “A review on plant recognition and classification,” Int. J. Eng. Trends Technol., 2013.
[3] Bhardwaj, A. & Kaur, M. (2013). A review on plant recognition and classification techniques using leaf images. Int J Eng Trends Technol, 86 - 91. 3, 4
[4] Bo, L. & Sminchisescu, C. (2009). Efficient Match Kernel between Sets of Features for Visual Recognition. NIPS, 19. 19, 20, 21, 22, 25
[5] Bo, L., Ren, X. & Fox, D. (2010). Kernel descriptors for visual recognition. In NIPS, 244252. 4, 11, 12, 13, 14, 15, 19, 21, 39
[6] A. Bhardwaj and M. Kaur, “A review on plant recognition and classification,” Int. J. Eng. Trends Technol., 2013.
[7] Cerutti, G., Tougne, L., Sacca, C., Joliveau, T., Mazagol, P.O., Coquin, D., Vacavant, A. et al. (2013). Late information fusion for multimodality plant species identification. CLEF Working Notes. 10
[8] Guillaume Cerutti, J.M.A.V.D.C., Laure Tougne (2011). Guiding active contours for tree leaf segmentation and identification. In Proceedings of the Conference on Multilingual and Multimodal Information Access Evaluation. 10, 11
[9] Le, T.L., Tran, D.T. & Pham, N.H. (2014). Kernel descriptor based plant leaf identification. 4th International Conference on Image Processing Theory, Tools and Applications. 10, 11
[10] Lowe, D.G. (1999). Object recognition from local scale-invariant features. In ICCV , vol. 2, 11501157 vol.2. 14, 17
[11] Maji, S., Berg, A.C. & Malik, J. (2008). Classification using intersection kernel support vector machines is efficient. In Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on, 1- 8. 19
[12] Maji, S., Berg, A.C. & Malik, J. (2013). Efficient classification for additive kernel SVMs. IEEE transactions on pattern analysis and machine intelligence, 35, 66-77. 19
[13] Nguyen, V., Le, T., Tran, T., Mullot, R. & Courboulay, V. (2015). A new hand representation based on kernels for hand posture recognition.In 2015 11th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition (FG), vol. 1, 1-6. 15, 39
[14] Philbin, J., Chum, O., Isard, M., Sivic, J. & Zisserman, A. (2008). Lost in quantization: Improving particular object retrieval in large scale image databases. 2008 IEEE Conference on Computer Vision and Pattern Recognition, 1-8. iv, 24
[15] T.-L. Le, N.-D. Duong, V.-T. Nguyen, and H. Vu, “Complex Background Leaf-based Plant Identification Method Based on Interactive Segmentation and Kernel Descriptor,” in 2nd International Workshop on Environmental Multimedia. In Conjunction with ACM Conference on Multimedia Retrieval (ICMR) 2015., 2015.
[16] Vedaldi, A. & Zisserman, A. (2012). Efficient additive kernels via explicit feature maps. IEEE transactions on pattern analysis and machine intelligence, 34, 480-92. 19
[17] X.-F. W. G.-J. Z. Du J.-X., “Leaf shape based plant species recognition,”
Appl. Math. Comput., pp. 883–893, 2007.
[18] X.-F. Wang, D.-S. Huang, J.-X. Du, H. Xu, and L. Heutte, “Classification of plant leaf images with complicated background,” Appl. Math. Comput., vol. 205, no. 2, pp. 916–926, 2008.