3.3 .1Chức năng chính
3.4.2 Khả năng hệ thống thông tin vào tra cứu thực vật
Hệ thống này hỗ trợ đầy đủ các chức năng hỗ trợ cho các nhà nghiên cứu, những người quan tâm đến việc lưu trữ, quản lý một cách có hệ thống và tra cứu hệ thực vật Việt Nam, đồng thời cung cấp một công cụ tra cứu và nhận biết các họ, ngành thực vật.
Sản phẩm đã được chạy thực tế trên nền tảng Website cho phép người biên tập đã được phân quyền tạo ngân hàng dữ liệu để quản lý các dữ liệu đa dạng thực
vật của một đơn vị địa lý. Sản phẩm còn giúp người sử dụng tra cứu và xác định họ, ngành, khu vực phân bố các loài thực vật tại Đà Nẵng. Đồng thời thực hiện các thống kê đa dạng thực vật cho các nhóm được chọn hoặc tồn bộ ngân hàng dữ liệu. Hiện tại chúng tôi đang mở rộng khu vực nghiên cứu sang các tỉnh KonTum, Quảng Nam. Và trong tương lại gần, hệ thống sẽ còn phát triển và chúng tôi hi vọng sẽ mang đến những lợi ích to lớn trong lĩnh vực nghiên cưu đa dạng sinh vật học.
KẾT LUẬN VÀ KIẾN NGHỊ 1. Kết quả đạt được
Luận án đã nghiên cứu, tìm hiểu bài tốn phân loại thực vật và thực hiện phát triển, cài đặt thử nghiệm phương án giải quyết cho bài tốn dựa trên sự tìm kiếm, thống kê các hướng tiếp cận đã công bố qua rất nhiều bài báo, cơng trình khoa học trên thế giới. Luận án đã thực hiện gần như đầy đủ các bước để xây dựng nên một ứng dụng hỗ trợ tra cứu thực vật bằng hình ảnh, bao gồm thu thập và xử lý dữ liệu; huấn luyện đánh giá và chọn lọc mơ hình; thiết kế cơ sở dữ liệu, web server và phát triển Website. Mặc dù mơ hình tra cứu và định danh thực vật của hệ thống chưa phải là tốt nhất và đảm bảo các yêu cầu thực tế, nó vẫn cho thấy được tiềm năng phát triển của ứng dụng nói chung và khả năng áp dụng các kĩ thuật học máy tiên tiến vào việc giải quyết các vấn đề ở địa phương. Về phần ứng dụng, đồ án đã đáp ứng được những ca sử dụng cơ bản của người dùng và tổ chức được hệ thống theo quy trình thực tế. Tóm lại kết quả chính của luận án đã đạt được, tương ứng với mục tiêu đặt ra.
Với hệ thống này, chúng ta có thể dễ dàng nhận biết cũng như là quản lý sự phân bố của các loài thực vật ở trong cuộc sống, chúng ta cịn có thể xem rằng lồi cây này đóng góp những lợi ích gì cho cuộc sống hàng ngày của chúng ta, có tác dụng về y tế như thế nào, hay là một loại cây có độc tố và không nên lại gần,…
2. Kiến nghị và hướng phát triển
Với kết quả đạt được nêu ở trên luận án vẫn còn nhiều điều cần cải thiện. Đầu tiên, mơ hình tra cứu và định danh thực vật cần có bộ dữ liệu với số lớp lớn hơn, tỷ lệ mẫu cân bằng hơn và các phép đo cụ thể để đánh giá chính xác khả năng của nó. Ngồi ra, module nhận dạng bộ phận thực vật cũng cần phải được cải tiến để có thể phát hiện được có tồn tại lồi thực vật trong ảnh hay khơng và lồi thực vật đó có phải là một trong bộ dữ liệu huấn luyện hay không. Trong tương lai gần, chúng tôi sẽ cố gắng nâng cao tính chính xác của từng module dùng để tra cứu và định danh thực vật, cũng như là tăng tốc độ xử lý của nó, để giúp cho việc xử lý trong production được nhanh và mượt mà hơn. Đây là những bài tốn khó cần rất nhiều thời gian và cơng sức nghiên cứu trong tương lai.
Cịn đối với hệ thống thơng tin được triển khai trên nền tảng Website, sẽ cần phải cải thiện và bổ sung các tính năng biên tập dữ liệu trực tuyến trên bản đồ nền để làm giàu dữ liệu cho hệ thống một cách dễ dàng và tiện lợi hơn,
nguồn dữ liệu sẽ được tổng hợp tức thời mang đến nhiều hiệu quả hơn cho việc giám sát và tra cứu thông tin thực vật.
DANH MỤC TÀI LIỆU THAM KHẢO
[1] Burhan Rashid Hussein, Owais Ahmed Malik, Wee-Hong Ong and Johan Willem Frederik Slik, “Automated Extraction of Phenotypic Leaf Traits of Individual Intact Herbarium Leaves from Herbarium Specimen Images Using Deep Learning Based Semantic Segmentation”, MDPI, Basel, Switzerland, May 2021.
[2] Du, M., Zhang, S. and Wang, H., “Supervised Isomap for Plant Leaf Image Classification”, 5th International Conference on Emerging Intelligent Computing Technology and Applications, pp. 627- 634, 2009.
[3] Hossain, J. and Amin, M.A., “Leaf Shape Identification Based Plant Biometrics, 13th International Conference on Computer and Information Technology”, Dhaka, Bangladesh, pp. 458-463, 2010.
[4] Du, J.X., Wang, X.F. and Zhang, G.J., “Leaf shape-based plant species recognition”, Applied Mathematics and Computation, 2007.
[5] Y. Nam and E. Hwang, “A representation and matching method for shape- based leaf image retrieval, Journal of KIISE: Software and Applications”, vol. 32, no. 11, pp. 1013-1021, 2005.
[6] Y. Nam, J. Park, E. Hwang, and D. Kim, “Shape-based leaf image retrieval using venation feature, Proceedings of 2006 Korea Computer Congress”, vol. 33, no. 1D, pp. 346-348, 2006.
[7] A. Aakif and M. F. Khan, “Automatic classification of plants based on their leaves, Biosystems Engineering”, vol. 139, pp. 66–75, 2015.
[8] Wang-Su Jeon and Sang-Yong Rhee, “Plant Leaf Recognition Using a Convolution Neural Network, International Journal of Fuzzy Logic and Intelligent Systems”, Vol. 17, No. 1, pp. 26-34, March 2017.
[9] Carranza-Rojas, J. and Mata-Montero, E., “Combining Leaf Shape and Texture for Costa Rican Plant Species Identification”, CLEI Electronic Journal, 19(1), pp. 7, 2016.
[10] G. L. Grinblat, L. C. Uzal, M. G. Larese, and P. M. Granitto, “Deep learning for plant identification using vein morphological patterns”, Computers and Electronics in Agriculture, pp. 418–424, 2016.
[11] Y. Sun, Y. Liu, G. Wang, and H. Zhang, “Deep learning for plant identification in natural environment”, Computer Intel Neurosis, 2017.
[12] Du, J.X., Wang, X.F. and Zhang, G.J., “Leaf shape-based plant species recognition, Applied Mathematics and Computation”, 2007.
[13] Du, M., Zhang, S. and Wang, H., “Supervised Isomap for Plant Leaf Image Classification”, 5th International Conference on Emerging Intelligent Computing Technology and Applications, Ulsan, South Korea, pp. 627-634, 2009.
[14] Du, J.X., Zhai, C.M. and Wang, Q.P., “Recognition of plant leaf image based on fractal dimension features”, Neurocomputing, 2013.
[15] Yu Sun, Yuan Liu, Guan Wang, Haiyan Zhang, “Deep Learning for Plant Identification in Natural Environment”, Computational Intelligence and Neuroscience, May 2017.
[16] C. Sudhakar Reddy , "APPLICATIONS OF GIS IN PLANT TAXONOMY, SPECIES DISTRIBUTION AND ECOLOGY", Forestry and Ecology Group, National Remote Sensing Centre, Indian Space Research Organisation, Balanaga.
[17] Dumoulin, V., & Visin, F., A guide to convolution arithmetic for deep learning, 2016.
[18] Samer, C. H., Rishi, K., & Rowen., Image Recognition Using Convolutional Neural Networks. Cadence Whitepaper, 1–12, 2015.
[19] Mark S., and Andrew H., “MobileNetV2: The Next Generation of On- Device Computer Vision Networks”, Google Research, April 2018.
[20] Karen Simonyan, Andrew Zisserman, “Very Deep Convolutional Networks for Large-Scale Image Recognition”, ICLR, Apr 2015.
[21] Muneeb ul H., “VGG16 – Convolutional Network for Classification and Detection”, Neurohive, Nov 2018.
[22] Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov,
Liang-Chieh Chen, “MobileNetV2: Inverted Residuals and Linear Bottlenecks”, The IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, pp. 4510-4520.
[23] Mark S., and Andrew H., “MobileNetV2: The Next Generation of On- Device Computer Vision Networks”, Google Research, April 2018.
[24] Sheng Chen, Yang Liu, Xiang Gao, and Zhen Han, "MobileFaceNets: Efficient CNNs for Accurate RealTime Face Verification on Mobile Devices", School of Computer and Information Technology, Beijing Jiaotong University, Beijing, China, April 2018.
[25] Jiankang Deng, Jia Guo, Xiang Gao, and Niannan Xue, "ArcFace:
Additive Angular Margin Loss for Deep Face Recognition", Imperial College London, 9 Feb 2019.
[26] An Esri India White Paper, "GIS for Smart Cities", Esri Enterprise, September 2014.
[27] Hieu, N. V. and Hien, N. L. H., “Recognition of Plant Species using Deep Convolutional Feature Extraction”, International Journal on Emerging Technologies, 11(3): 904–910, 2020.
[28] Nguyen Van Hieu, and Ngo Le Huy Hien, “Automatic Plant Image Identification of Vietnamese species using Deep Learning Models”,
International Journal of Engineering Trends and Technology (IJETT), vol. 68,