Mở đầu — Trình bày về lý do chọn đề tài, mục tiêu đề tài, đối tượng nghiên cứu, mục tiêu nghiên cứu và phương pháp nghiên cứu. - Chương 2: Cơ sở lý thuyết — Trinh bày về khảo sát các mô hình mà trong quá trình nghiên cứu đã chọn lọc và tìm hiểu, tìm hiểu về một số công cụ, thư viện hỗ trợ trong quá trình thực hiện khoá luận. - Chương 3: Phân tích và thiết kế hệ thống — Trình bày về tổng quan kiến trúc xây dựng hệ thống và khảo sát các mô hình học sâu tiêu biểu và tốt nhất trong quá trình thực hiện. - Chương 4: Kết quả thực hiện — Trình bày về tập dữ liệu, môi trường thực hiện thử nghiệm, kết quả đạt được, minh hoạ kết quả ở nhiều thiết bị khác nhau đặc biệt là kết quả ở các thiết bị có phần cứng hạn chế, thiết bị cận biên, mô tả giao diện xây dựng ứng dụngở thiết bị di động.
- Chương 5: Tổng kết - Tổng kết lại khóa luận bằng cách trình bay ý nghĩa của đồ án và các thành quả đã đạt được, đồng thời đưa ra những nhận xét đánh giá trực quan nhất về hệ thống và những hạn chế còn ton tại trong quá trình nghiên cứu và thực hiện. Từ đó, đề xuất các hướng giải quyết, cải thiện và phát triển cho hệ thống trong tương lai, nhằm nâng cao hiệu qua và khả năng hoạt động của nó. CƠ SỞ LY THUYET 2. Các công trình nghiên cứu liên quan 2.
Các công trình nghiên cứu theo hướng các mô hình học máy cơ bản Đầu tiên ở phan công trình nghiên cứu các mô hình học máy cơ bản nay, chúng tôi đã tìm hiểu được tác giả trong bai “Identification of Corn Plant Diseases and Pests Based on Digital Images using Multinomial Naive Bayes and K-Nearest Neighbor” [5] đã dựa trên những hình ảnh kỹ thuật số bằng cách sử dung phương pháp Multinomial Naive Bayes (MNB) va K- Nearest Neighbor. Dữ liệu được sử dụng bao gồm 761 hình ảnh kỹ thuật số với sáu loại bệnh có hại trên cây ngô. Phương pháp MNB có độ chính xác 92,72%, Fl-score là 78,17%. Đồng thời, phương pháp K- Nearest Neighbor với k = 3 có độ chính xác là 99,54% và Fl-score là 93,59%, Đề xây dựng khả năng nhận dạng và phân loại với mô hình KNN.
Kỹ thuật phân loại K- Nearest Neighbor (KNN) và mạng nơ-ron nhân tạo (ANN) cũng được sử dụng nghiên cứu trong bài báo “Maize Leaf Diseases Recognition and Classification Based on Imaging and Machine Learning Techniques” [6]. Tổng cộng có 800 hình ảnh được thu thập từ môi trường bang máy ảnh trên thiết bị điện thoại di động, 200 hình ảnh từ mỗi loại (bệnh đốm lá xám, bệnh khô van, bệnh thối thân và khoẻ mạnh). Độ chính xác phân loại tốt nhất đạt được khi sử dụng ANN và hiệu suất tổng thể là 94,4%. Bài bao “Detection of Maize Disease Using Random Forest Classification Algorithm” [7] phát hiện bệnh trên cây trồng bằng các phương pháp trí tuệ nhân tao như Naive Bayes (NB), Decision Tree (DT), K-Nearest Neighbor (KNN), Support Vector Machine (SVM) và Random Forest (RF).
Trong bài báo này, tác giả so sánh tat cả các phương pháp trên cơ sở độ chính xác và đề xuất mô hình tốt nhất dé phát hiện bệnh hiệu quả. Thuật toán máy học có tên là Random Forest đạt độ chính xác cao nhất (80,68%) với tổng số 3823 ảnh và nhãn cho 4 nhóm bệnh. Việc thực hiện các phân vùng này được thực hiện bang Python 3.3 chạy trên hệ điều hành Windows 7. Bộ xử lý dựa trên X64 có tốc độ 3,2 GHz, RAM có dung lượng 8 GB và loại hệ điều hành 64 bit.
Ngoài ra, 10 bai báo “Maize Leaf Disease Detection and Classification Using Machine Learning Algorithms” [8] tập trung vào các kỹ thuật hoc may có giám sát như Naive Bayes (NB), Decision Tree (DT), K-Nearest Neighbor (KNN), Support Vector Machine (SVM), và Random Forest (RF) để phát hiện bệnh trên cây ngô với 3823 hình ảnh và bốn nhãn loại bệnh bao gồm: bệnh đốm lá xám, bệnh khô van, bệnh thối thân và khoẻ mạnh. Các kỹ thuật phân loại đã được đề cập sử dụng dé phân tích va so sánh nhằm chọn ra mô hình dự đoán các bệnh cây trồng phù hợp nhất cho độ chính xác cao nhất. Thuật toán Random Forest cho kết quả với độ chính xác cao nhất là 79,23% so với các kỹ thuật phân loại còn lại. Bài báo “Deep neural network features fusion and selection based on PLS regression with an application for crops diseases classification” [9] các tác giả nghiên cứu dé xuất kiến trúc có ba giai đoạn chính bao gồm: trích xuất các đặc trưng của mô hình học sâu bang cách sử dụng mô hình VGG- 19 convolutional neural network đã được huấn luyện từ trước làm đữ liệu đầu vào, sử dụng phương pháp hợp nhất (fusion method) dữ liệu từ nhiều nguồn khác nhau dựa trên PLS và cuối cùng là phương pháp lựa chọn đặc trưng dữ liệu dựa trên phân tích hồi quy khớp bộ phận trên PLS.
Các đặc trưng phân biệt nhất sau đó được sử dụng cho việc nhận dạng cuối cùng bằng cách sử dụng một bộ phân loại “ensemble bagged tree” dựa trên các kỹ thuật thị giác máy tính đề phát hiện bệnh cây trồng trong nông nghiệp. Mô hình sử dụng hồi quy bình phương nhỏ nhất từng phan (PLS) dé lựa chọn các đặc trưng. Độ chính xác trung bình đạt được khi sử dụng phương pháp được đề xuất là khoảng 90,1%. Công trình thử nghiệm đề xuất được đánh giá trên bộ dữ liệu Plant Village bao gồm hình ảnh 3.852 lá của cả khỏe mạnh và không khỏe mạnh.
Ảnh dé huấn luyện gồm 200 ảnh với 4 nhãn: khỏe mạnh, cercospora, bệnh đóm lá và cháy lá, mỗi nhãn có số lượng là 50 ảnh thu được từ làng thực vật Mohanty. Dữ liệu hình ảnh ngô sử dụng dé lại kích thước 256 x 256 pixel. Có 2 bước: quá trình trích xuất đặc trưng và phân loại dữ liệu. Trích xuất đặc trưng thu được các đặc trưng tự động bằng cách sử dụng mạng nơ-ron tích chập (CNN).
Bảy mô hình CNN đã được thử nghiệm: AlexNet, VGG16, VGG19, GoogleNet, Inception-V3, ResNet50 và ResNet101. Trong khi việc phân loại sử dung phương pháp học máy bao gồm: K- 11 Nearest Neighbor (KNN), Decision Tree (DT), va Support Vector Machine (SVM). Dựa trên kết quả thử nghiệm, mô hình cho kết quả phân loại tốt nhất là AlexNet và SVM (đã sử dụng kiểm chứng chéo 10 lần) với độ chính xác là 93%. Mạng nơ-ron tích chập được tối ưu hóa bởi mô-đun chức năng đa kích hoạt (MAF) được đề xuất trong bài báo “High-Accuracy Detection of Maize Leaf Diseases CNN Based on Multi-Pathway Activation Function Module” [10] các tác gia đã đề xuất dé phát hiện 4428 ảnh lá ngô bao gồm: lá bình thường, bệnh khô văn, bệnh đóm lá, bệnh cháy 1a.
Độ chính xác của phương pháp được đề xuất trong bộ xác thực đạt 97,41% trên MAF- ResNet50. Ngoài ra, tác giả đã phát triển thiết bị phát hiện di động dựa trên nền tảng iOS dé phát hiện bệnh nhanh hơn va dé dàng hơn. Trong một bài báo khác, “Corn Leaf Diseases Diagnosis Based on K-Means Clustering and Deep Learning” [11] đề xuất một phương pháp dựa trên K-means clustering và một mô hình học sâu cải tiễn dé chan đoán chính xác ba bệnh phô biến trên lá ngô: dém xám, đốm lá, và cháy lá trong tong số 900 hình ảnh về bệnh. Bài viết này nghiên cứu tác động của các giá tri k khác nhau (2, 4, 8, 16, 32 và 64) và các mô hình (VGG-16, ResNet18, Inception v3, VGG-19 và mô hình học sâu cải tiễn) trong chân đoán bệnh ngô.
Sau năm lần tính toán, độ chính xác, khả năng thu hồi và F1 của mô hình được đề xuất ôn định ở khoảng 93%. Một số bài viết sử dụng định dạng RGB và các đặc trưng xử lý hình ảnh khác nhau dé phát hiện màu sắc. Cụ thé, trong “Advanced Machine Learning Algorithm based System for Crops Leaf Diseases Recognition” [12], tac gia da dé xuất một kiến trúc bao gồm ba giai đoạn chính: trích xuất đặc trưng bằng cách sử dụng Histogram Oriented Gradient (HOG), Segmented Fractal Texture Analysis (SFTA) va Local Ternary Patterns (LTP); giảm chiều đữ liệu bang cách sử dụng phân tích thành phan chính (PCA) và giá trị điểm số dựa trên độ lệch chéo và khía cạnh thông tin; phân loại bằng cách sử dụng các bộ phân loại khác nhau dựa trên các kỹ thuật xử lý ảnh và học máy. Hệ thống sử dụng nhiều bộ phân loại thuật toán học máy khác nhau dé phan loại bao gồm: support vector machine (SVM), k-nearest neighbor (KNN), decision tree (DT), random forest (RF), va gradient boosting (GB).
Bộ dữ liệu Plant Village được sử dung dé xác thực phương pháp được đề xuất ở định dang RGB va được thay 12 đổi kích thước thành kích thước 256x256 với 3. Kiến trúc liên quan đến việc sử dụng các đặc trưng xử lý hình ảnh khác nhau như RGB, SIFT, SURF, ORB và HOG dé phát hiện mau sắc và các đặc điểm khác của cây trồng trong “Machine Learning-based for Automatic Detection of Corn-Plant Diseases Using Image Processing” [13] sử dụng các phương pháp học máy dé phát hiện bệnh trên cây ngô ở Indonesia. Hiệu suất của các đặc trưng này được đánh giá bang cách sử dụng một số thuật toán học máy như SVM, DT, RF va NB. Kết quả cho thay RGB là kiến trúc đặc trưng cung cấp nhiều thông tin nhất cho tác vụ này và có độ chính xác tốt nhất đối với hầu hết các bộ phân loại.
Bộ dữ liệu được sử dung trong nghiên cứu bao gồm 3. Bai báo “Study on Corn Disease Identification Based on PCA and SVM” [14] nói về việc sử dung kỹ thuật xử ly anh dé phát hiện và phân loại các bệnh khác nhau trên lá ngô. Kiến trúc được đề xuất liên quan đến việc sử dụng phương pháp Otsu dé phân đoạn ảnh, tiếp theo là PCA và SVM đề phân loại. Nghiên cứu dựa trên bệnh xám lá ngô, bệnh đóm lá, bệnh dém lớn ngô và lá ngô khỏe mạnh.
Độ chính xác của phân loại được thử nghiệm trên máy trạm, độ chính xác của 4 bệnh: dém lá ngô, bệnh xám lá, đóm lá ngô lớn va lá ngô khỏe lần lượt là 90,05%, 92,64%, 91,23% và 05,78%. tương ứng trên 3.823 hình ảnh cua tập dữ liệu. Bài viết là một cuộc khảo sát các nghiên cứu khác nhau đã cô gang tự động hóa quá trình phát hiện và phân loại bệnh cây trồng bằng cách sử dụng hình ảnh lá. Hiệu suất của các kỹ thuật tiên tiến nhất được phân tích để xác định những kỹ thuật hoạt động tốt trên một số loại cây trong hoặc loại cây trồng.
Tác giả đã thảo luận về việc sử dụng mô hình học máy dé phát hiện dựa trên máy tính để xác định các trên cây trồng trong “Plant Diseases Detection and Classification using Machine Learning Models” [15].