Ảnh đầu vào là ảnh lá gai nhƣng với số khoảng cách giữa các điểm lớn, hệ thống lại cho kết quả không chính xác. Bây giờ chúng ta sẽ giảm khoảng cách giữa các điểm:
Hình 3.10: Kết quả nhận dạng khi tham số khoảng cách giữa các điểm nhỏ
Khi giảm khoảng cách giữa các điểm kết quả hệ thống đã nhận dạng rất chính xác lá gai.
* Nhận xét:
3.4.2.2. Ưu điểm và hạn chế
Ưu điểm: Hệ thống đã nhận dạng tốt với các mẫu lá đặc trƣng và có độ chính xác khá cao. Thời gian xử lý ảnh và nhận dạng lá tƣơng đối nhanh.
Nhược điểm: Hệ thống còn phụ thuộc nhiều ở đầu vào của ảnh. Đối với một số ảnh không rõ nét việc tìm đặc trƣng ảnh là tƣơng đối khó khăn và cho kết quả không tốt ở phần nhận dạng ảnh. Hệ thống hiện nay mới chỉ triển khai trên môi trƣờng desktop nên chƣa thật sự tiện lợi cho ngƣời sử dụng.
3.4.3. Hướng phát triển trong tương lai
Hệ thống hiện tại là bản dành cho desktop, trong tƣơng lai em hi vọng có thể triển khai hệ thống trên các thiết bị mobile. Ngoài ra hệ thống trong tƣơng lai cần bổ sung 1 số tính năng của hệ thống nhƣ sau:
Hiển thị thêm thông tin về lá: vùng hay xuất hiện, tuổi đời trung bình, tác dụng (hoặc là có chứa độc tố không).
Nâng cao thuật toán xử lý ảnh trong việc trích chọn đặc trƣng ngoài việc sử dụng viền lá có thể sử dụng thêm một số đặc trƣng khác của lá để nhận dạng nhƣ là gân lá
Có thể mở rộng bài toán khi sử dụng nguồn dữ liệu thuốc lớn
Kết luâ ̣n chƣơng 3
Chƣơng 3 đã tiến hành áp dụng lý thuyết đã nghiên cứu để tìm hiểu và xây dựng một hệ thống nhận dạng mẫu lá cây dƣợc liệu sử dụng mạng nơ ron lan truyền ngƣợc. Kết quả đạt đƣợc của chƣơng trình có độ chính xác tƣơng đối. Trong trƣờng hợp các lá cây hình dáng giống nhau thì độ chính xác khi nhận dạng thấp từ đó ta có thể sử dụng thêm một số kỹ thuật khác để nhận dạng nhƣ nhận dạng theo màu sắc. Trong tƣơng lai, để hệ thống đạt tới độ chính xác tối ƣu nhất, cần bổ sung thêm các thuộc tính liên quan tới lá cây dƣợc liệu và tăng lƣợng dữ liệu và chất lƣợng dữ liệu đầu vào của hệ thống.
KẾT LUẬN CHUNG
Thời đại ngày nay là thời đại của công nghệ. Công nghệ phát triển không ngừng và đã đi sâu, là một phần không thể thiếu, một trợ thủ đắc lực cho cuộc sống của chúng ta. Các hệ thống nhận dạng cũng là sản phẩm của sự phát triển công nghệ. Việc sử dụng các hệ thống nhận dạng có một ý nghĩa hết sức quan trọng trọng và vô cùng hữu ích cho con ngƣời. Các hệ thống nhận dạng giúp nâng cao khả năng tự động cũng nhƣ phân loại các đối tƣợng trong đời sống thực tế . Chính vì vai trò quan trọng của nó , luâ ̣n văn đã tìm hiểu và trình bày mô ̣t phƣơng pháp nhâ ̣n diê ̣n với đối tƣợng là lá cây sƣ̉ du ̣ng mạng nơron truyền thẳng nhiều lớp lan truy ền ngƣợc đồng thời xây dựng hệ thống nhâ ̣n diê ̣n lá cây. Kết quả đạt đƣợc bao gồm hai phần chính:
Trình bày tổng quan về nhận dạng mẫu và bài toán nhận dạng lá cây dƣợc liệu dùng mạng nơ ron lan truyền ngƣợc.
Hệ thống hóa một số vấn đề về nhận dạng sử dụng mạng nơron.
Thực nghiệm: Tác giả đã xây dựng thành công hệ thống nhận dạng mẫu lá cây dƣợc liệu, hệ thống đã giải quyết thành công các yêu cầu bài toán đặt ra nhƣ khả năng tìm đặc trƣng ảnh, nhận dạng đƣợc các mẫu lá cây dƣợc liệu đã đƣợc huấn luyện.
Tuy hệ thống còn đơn giản nhƣng đã phần nào giải quyết đƣợc bài toán nhận dạng lá cây dƣợc liệu với độ chính xác tƣơng đối.
Kiến nghị về những nghiên cứu tiếp theo , để phát triển thêm đề tài này cần tăng quy mô tâ ̣p dữ liệu huấn luyê ̣n nhận da ̣ng , dữ liệu phải đa dạng phong phú. Thêm vào đó, hệ thống cũng sẽ đƣợc phát triển, mở rộng để có thế cung cấp thêm các thông tin hữu ích về lá cây dƣợc liệu, loài thực vật cho ngƣời dùng nhƣ:
Lá cây dƣợc liệu thuộc loài gì, họ gì, sống chủ yếu ở các vùng miền nào? Hoặc hệ thống cũng có thể phát triển theo hƣớng nhận dạng, phân loại lá
cây dƣợc liệu mắc bệnh gì dựa trên đặc điểm nhận dạng của các lá cây dƣợc liệu đã bị bệnh. Các ứng dụng này thật sự hữu ích và phục vụ những công việc hàng ngày trong cuộc sống của con ngƣời.
Vì thời gian nghiên cứu tƣơng đối ngắn và sự hiểu biết còn hạn chế nên luận văn không tránh khỏi những thiếu xót. Em kính mong các Thầy Cô góp ý để luận văn đƣợc hoàn thiện hơn. Em xin chân thành cảm ơn.
DANH MỤC TÀI LIỆU THAM KHẢO
Tài liệu tiếng Việt :
[1] Đỗ Năng Toàn, Phạm Việt Bình (2008), Xử lý ảnh, Nhà xuất bản Khoa học và kỹ thuật Hà Nội.
[2] Nguyễn Văn Tảo và nhóm nghiên cứu, Đề tài cấp Đại học Thái Nguyên “Nghiên cứu kỹ thuật tra cứu ảnh, ứng dụng trong tra cứu và quản lý một số loại cây dược liệu quý vùng rừng núi tỉnh Thái Nguyên”, 2013-2014.
[3] Nguyễn Văn Tảo và cộng sự (2014), Sách chuyên khảo“Ứng dụng CNTT vào quản lý dữ liệu cây dược liệu”, NXB ĐHQGHN.
[4] Nguyễn Văn Tảo, Nguyễn Văn Huân, Lê Triệu Tuấn, (2013), “Một giải pháp thu thập và quản lý dữ liệu về cây dược liệu quý Việt Nam”, Tạp chí Khoa học và Công nghệ - ĐH Thái Nguyên.
Tài liệu tiếng Anh:
[5] J. Hertz, A. Krogh, and R.G. Palmer. (1991), Introduction to the Theory of Neural Computation, New York: Addison-Wesley.
[6] Steve Lawrence and C. Lee Giles (2000), Overfitting and Neural Networks:Conjugate Gradient and Backpropagation, International Joint onference on Neural Networks, Como, Italy, July 24–27, 114–119, 2000. [7] Chin-Teng Lin, C.S. George Lee (1996), Neural fuzzy systems: a neuro- fuzzy synergism to intelligent systems, Prentice-Hall Inc.
[8] Nelson, M.C. and Illingworth, W.T. (1991), A Practical Guide to Neural Nets, Reading, MA: Addison-Wesley.
[9] L.Wessels, E.Barnard (1992), Avoiding False Local Minima by Proper Initialization of Connections, IEEE Trans. on Neural Networks.
[10] D.E. Rumelhart; G.E. Hinton and R.J. Williams (1986), Learning internal representations by error propagation, Rumelhart, D.E. et al. (eds.): Parallel distributed processing: Explorations in the icrostructure of cognition (Cambridge MA.: MIT Press), 318-362.
[12] M. S. Prasad Babu & B.Srinivasa Rao, Leaves Recognition using Back Propagation Neural Network-Advice for Pest an Disease Control On Crops. Andhra University, Visakhapatnam-AP-India-530 003.
[13] Jyotismita Chaki, Ranjan Parekh, Plant Leaf Recognition using Shape based Features and Neural Network classifiers, International Journal of Advanced Computer Science and Applications, Vol. 2, No. 10, 2011.
[14] Qingfeng Wu, Changle Zhou and Chaonan Wang, Feature Extraction and Automatic Recognition of Plant Leaf Using Artificial Neural Network, Xiamen University, 361005, Fujian, P.R. China.
[15] Kue-Bum Lee and Kwang-Seok Hong, (2013), An implementation of Leaf Recognition System using Leaf Vein and Shape, International Journal of Bio-Science and Bio-Technology, Vol. 5, No. 2, South Korea.
[16] Patil J.K and Rạ Kumar, (2012), Feature extraction of diseased leaf images, Journal of Signal and Image Processing, Volume 3, Issue 1, pp. 60- 63, India.
[17] Sarah Gillett and Anna Lawrence, (2004), Methodology for planning sustainable management of medicinal plants in India and Nepal, Oxford, OX1 3UB, UK.
[18] Jayamala K. Patil and Raj Kumar, (2011), ”Advances in image processing for detection of plant diseases”, Journal of Advanced Bioinformatics Applications and Research, Vol 2, Issue 2, pp. 135-141.
[19] Ji-Xiang Du, Xiao-Feng Wang and Guo-Jun Zhang, (2007), “Leaf shape based plant species recognition”, China.