3.3 .1Chức năng chính
3.4.1 Khả năng ứng dụng của các module nhận diện hình ảnh
a. Đánh giá độ chính xác
Module tra cứu và định danh thực vật của hệ thống có thể phân loại hình ảnh thực vật với độ chính xác khá cao, hồn tồn có thể được ứng dụng và triển khai thực tế. Cụ thể như sau:
Số thứ tự Tên module Độ chính xác
trung bình
1 Phân biệt bộ phận lồi thực vật với mơ
hình VGG16 ~90.79%
2 Nhận diện lá và định danh loài thực vật
với MobilenetV2 ~81.43%
3 Nhận diện ảnh thực thể và định danh loài
thực vật với MobileFacenet ~83.6%
Đây là số điểm rất cao đối với các mơ hình phân loại như (số lượng class lớn, khác biệt giữa các class nhỏ và khác biệt giữa các mẫu trong cùng class lớn).
b. Tốc độ xử lí
Module được thử nghiệm trên máy trạm với cấu hình:
• CPU: Intel i7 6300HQ 2.3Ghz
• RAM: 16gb
• GPU: NVIDIA GeForce GTX 1050Ti
• SSD: Plextor px-128m8vc 128gb
Với module tra cứu và định danh thực vật chạy trên nền tảng Tensorflow GPU, với tốc độ xử lí cụ thể như sau:
Số thứ tự Tên module Thời gian xử lí
trung bình
1 Phân biệt bộ phận lồi thực vật với mơ
hình VGG16 ~0,2 giây / lần
2 Nhận diện lá và định danh loài thực vật
với MobilenetV2 ~0,3 giây / lần
3 Nhận diện ảnh thực thể và định danh loài
thực vật với MobileFacenet ~0,2 giây / lần
Bảng 3.4.1-2. Đánh giá về tốc độ xử lí của ba giải pháp nhận diện
Thời gian xử lí trung bình của cả 3 mơ hình đều thấp hơn 0,5 giây nên hoàn toàn chấp nhận được, đáp ứng điều kiện tối thiểu cần thiết để triển khai thành các API. Kết quả này đạt được khá tốt là vì chúng tơi đã lựa chọn những mơ hình học máy mới nhất với các độ chính xác và kích thước tính tốn nhỏ gọn đứng đầu trong các mơ hình CNN hiện có trong lĩnh vực học sâu.