Chương 1: Tổng quan Trong chương này tác giả nêu ra tính cấp thiết của luận văn và lý do chọn luận văn. Từ đó lựa chọn phương pháp nghiên cứu phù hợp với yêu cầu và mục tiêu của luận văn. Chương 2: Cơ sở lý thuyết Trình bày tổng quan về học sâu, các mô hình pre-trainning và mạng nơ ron tích chập trong nhận dạng bệnh của trái xoài. Chương 3: Thiết kế hệ thống: 2 Luan van Sơ đồ mô hình đánh giá và phân loại nhận dạng chất lượng xoài.
Nêu cách xây dựng mô hình học sâu. Thiết kế giao diện phân loại và thực hiện hồi tiếp nếu kết quả đánh giá của mô hình bị sai. Chương 4: Kết quả Trình bày về kết quả đánh giá phân loại chất lượng của trái xoài trong các trường hợp phân loại đúng loại bệnh và không đúng. So sánh kết quả, ưu và nhược điểm của hệ thống.
Chương 5: Kết luận và hướng phát triển Dựa theo kết quả có từ chương 4 tác giả đưa ra kết luận về những vấn đề mà mô hình đã làm được và chưa đạt được. Từ những hạn chế trong luận văn, tác giả đề xuất hướng phát triển cải thiện hệ thống tối ưu hơn. 3 Luan van Chương 2 CƠ SỞ LÝ THUYẾT 2.1 GIỚI THIỆU Năm 2015 xuất khẩu xoài của nước ta là 46 triệu USD. Năm 2016 là 68 triệu USD và năm 2017 là 156 triệu USD.
Trong năm 2018, tổng kim ngạch xuất khẩu xoài và các sản phẩm chế biến từ xoài đạt 193,2 triệu USD, tăng 24% so với năm 2017, chiếm 5% trong tổng kim ngạch xuất khẩu rau quả các loại. Xoài phần lớn xuất khẩu sang Trung Quốc với kim ngạch xuất khẩu sang thị trường này chiếm trên 84,6% tỷ trọng xuất khẩu [1]. Sản lượng xoài xuất khẩu tăng dần theo các năm. Qua đó thấy được nhu cầu thế giới đối với xoài Việt Nam ngày càng nhiều.
Ở Việt Nam sau khi thu hoạch, người nông dân hoặc nhà sản xuất đang sử dụng phân loại bệnh trái xoài bằng phương pháp thủ công, dựa trên kinh nghiệm của con người, một công việc không đơn giản, tốn kém rất nhiều chi phí cả về nhân công lẫn thời gian. Điều này đã trở thành một vấn đề đối với các nhà sản xuất nông nghiệp. Nhiều nước trên thế giới đã sử dụng các thiết bị, công nghệ kết hợp với băng chuyền tự động dựa trên hình dáng nhằm giảm đi nhân công, chi phí cho khâu phân loại trái cây và đảm bảo cho chất lượng trái cây sau khi phân loại. Các băng chuyền tự động hóa được dùng để thay thế con người thực hiện công việc phân loại trái cây một cách hiệu quả.2 TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU 2.1 Tình hình trong nước Nghiên cứu “Phát hiện và nhận dạng khuyết điểm trên vỏ trái xoài” của Trường Đại học Cần Thơ.
Nghiên cứu này đề xuất một giải thuật xử lý ảnh kết hợp với máy học để phát hiện và nhận dạng khuyết điểm trên bề mặt vỏ trái xoài. 4 Luan van Nghiên cứu sử dụng kỹ thuật phân đoạn ảnh và vùng lân cận để tách ảnh trái xoài ra khỏi nền để phát hiện vùng chứa khuyết điểm. Sau đó thực hiện phân tích nhằm rút trích các đặc trưng ảnh và phân loại để nhận dạng khuyết điểm sử dụng mạng nơron. Kết quả thực nghiệm được tiến hành trên tập dữ liệu 219 ảnh tự tạo cho độ chính xác đạt được là 92.79% và thời gian nhận dạng dưới 7s cho một ảnh quả xoài [2].2 Tình hình nghiên cứu ở nước ngoài Nghiên cứu “Deep Learning for Mango (Mangifera indica) Panicle Stage Classification”.
Sử dụng yolo và R-CNN cho việc đánh giá thề thời gian ra hoa xoài và gửi thông tháo cho chủ trang trại. Thực hiện cho vườn cây 994 cây. Nghiên cứu phát hiện hiện hoa xoài bằng cách dựa trên màu sắc (RGB) và ngõ ra của cận hồng ngoại (NIR). Điều này làm cho mô hình Faster R-CNN có độ chính xác và hiệu suất đạt từ 0,807 đến 0,838 [3].3 CÁC CÁCH PHÂN LOẠI 2.1 Sử dụng cảm biến màu Cảm biến màu có khả năng nhận biết các màu sắc dựa trên 3 màu chủ đạo đó là xanh lá, xanh dương và đỏ.
Sản phẩm có giá thành rẻ và được ứng dụng nhiều trong hệ thống phân loại sản phẩm theo màu sắc, ô tô di chuyển theo dòng kẻ của màu sắc, đèn thay đổi màu sắc. Cảm biến màu thông dụng thường sử dụng một bộ chuyển đổi ánh sáng sang tần số. Mỗi màu sắc có tần số riêng của nó. Vì vậy, đây là cách cảm biến này có thể phân biệt giữa các màu sắc và thường được được sử dụng để phân loại màu trái cây xanh hoặc chín như xoài, táo,… Chúng dễ dàng thiết kế và chi phí thấp.
5 Luan van Hình 2.1: Cảm biến màu TCS3200 Tuy nhiên cảm biến màu chỉ nhận biết được một màu. Khi thực hiện phân loại trái cây xanh hay chín, có bị thúi hay mức độ khuyết tật của quả cần phải sử dụng nhiều cảm biến hoặc sử dụng nhiều vòng lặp, điều này khiến chi phí và độ phức tạp của hệ thống tăng lên. Hiện nay có một số loại cảm biến với nhiều kênh màu với giá thành khá cao như ASTECH CR5-FO (4 kênh màu, tốc độ phản hồi khoảng 5-10ms) có mức giá là 578 Euro.2 Phương pháp quét laser Hiện nay trên thế giới có một thiết bị thu hoạch trái xoài một cách tự động từ trường “Linköping” ở Thụy Điển trong nghiên cứu “Thiết bị dò tìm, định vị và ước tính năng suất trái xoài”. Sử dụng một thiết bị thu thập dữ liệu không người lái (UGV) được trang bị máy ảnh màu LiDAR 3D và hệ thống điều hướng như Hình 2.
Hệ thống định vị có khả năng hiệu chỉnh động học theo thời gian thực (RTK), nhưng điều này không được áp dụng do hạn chế truyền thông [5]. Thiết bị sử dụng cảm biến Lidar quét lại ảnh 3D của cây xoài từ phía xa kết hợp với bộ định vị GPS, đưa vào bộ xử lý hình ảnh, đưa ra đánh giá về độ chín của quả, sử dụng cơ cấu chấp hành là cánh tay Robot để hái quả ngay trên cây [5]. 6 Luan van Hình 2.2: Robot với cánh tay hái quả sử dụng cảm biến Lidar • Ưu điểm: tính tự động hóa cao, tốc độ đo cực nhanh khi so sánh với phương pháp thủ công. • Nhược điểm: cảm biến Lidar cũng giống như cảm biến màu nhiều kênh có giá thành rất cao.3 Phương pháp phân loại và đánh giá thủ công Sử dụng kinh nghiệm của con người thông qua thị giác để kiểm tra màu sắc của quả và các dị biệt trên các loại quả, tuy nhiên phương pháp này không được sử dụng trong ngành xuất khẩu trái cây do tính chính xác.
Và nó có thể gây ra trường hợp hỏng của quả do các vi khuẩn trên da tay hay các vật thể tiếp xúc với quả, đặc biệt là trong quá trình vận chuyển hay lưu trữ sau khi đóng gói. - Ưu điểm: đơn giản, không cần máy móc, dễ thực hiện nên được áp dụng một cách rộng rãi - Nhược điểm: 7 Luan van o Gây ra sai số lớn; o Không thể phân loại chính xác các khuyết tật trên bề mặt quả. o Phân loại mức độ chín của quả xoài theo cảm tính. o Tốc độ phân loại, đánh giá chậm.
Tại Việt Nam, đa số các nông trại hoa quả sau khi thu hoạch và vận chuyển cho các địa điểm tiêu thụ chỉ thông qua quy trình đánh giá thủ công. Còn các cơ sở thu mua cũng thực hiện quy trình thủ công. Điều này làm tốn nhân công, thời gian và độ chính xác không cao.4 TỔNG QUAN VỀ MACHINE VÀ DEEP LEARNING Machine learning là một ngành rất rộng và nặng về toán, gồm rất nhiều thuật toán và mỗi thuật toán có ứng dụng riêng tùy vào bài toán: - Linear Regression - Logistic Regresstion - Decision Tree and Random Forest - Naive Bayes - Support Vector Machines - K-Nearest Neighbors - Principal component analysis (PCA) - Neural network Deep learning được bắt nguồn từ thuật toán Neural network, chỉ là một ngành nhỏ của machine learning. 8 Luan van Hình 2.3 Mối liên hệ giữa AI, ML và DL Trí tuệ nhân tạo có thể được hiểu đơn giản là được cấu thành từ các lớp xếp chồng lên nhau, trong đó AI nằm ở dưới đáy, machine learning nằm ở tầng tiếp theo và deep learning nằm ở tầng trên cùng.
Trong những năm gần đây khi mà các công nghệ ngày càng phát triển thì khả năng tính toán của các máy tính với lượng dữ liệu lớn ngày càng được các hãng sản xuất chú trọng. Và Deep learning hay học sâu đã ra đời giúp máy tính thực thi việc phân loại nhiều vật thể khác nhau trong các bức ảnh, nhận dạng tiếng nói, nhận dạng chữ viết, tự tạo chú thích cho các bức ảnh, giao tiếp với con người,… Deep learning là chương trình sử dụng ANN, có khả năng huấn luyện máy tính học từ một lượng lớn dữ liệu được cung cấp để giải quyết những vấn đề cụ thể. Vì nếu muốn dạy máy cách băng qua đường, theo cách trước đây, người dùng dùng rất nhiều thuật toán để hướng dẫn cách sang trái, phải và qua đường,… Thế nhưng nếu dùng machine learning, người dùng sẽ huấn luyện cho máy tính bằng cách cho máy xem 10.000 video quay cảnh băng qua đường an toàn và 10.000 video quay cảnh tai nạn để thiết bị tự học theo [4]. 9 Luan van Hình 2.4 Hình ảnh nhận dạng xe qua đường đúng và sai của máy tính Người ta sử dụng deep learning (DL) – một loại machine learning sử dụng nhiều lớp thần kinh nhân tạo để phân tích dữ liệu về nhiều chi tiết khác nhau.
Một ví dụ khác, nếu người dùng huấn luyện máy tính nhận diện hình ảnh một con mèo thì người dùng sẽ lập trình ra nhiều lớp trong ANN(Artificial Neural Networks), mỗi lớp có khả năng xác định một đặc điểm cụ thể của con mèo như râu, vuốt, chân,… rồi cho máy học xem những bức ảnh mèo và xem bức ảnh không phải mèo. Khi ANN này xem hết các bức ảnh, các lớp node của nó sẽ dần nhận ra râu, vuốt, chân,., biết lớp nào là quan trọng, lớp nào không. Nó cũng sẽ nhận ra rằng mèo luôn có chân nhưng những con vật không phải mèo cũng có chân nên khi cần xác định mèo, chúng sẽ tìm chân đi kèm những đặc điểm khác như vuốt hay râu. Ứng dụng của AI có ở khắp mọi nơi như: ô tô tự lái, robot phẫu thuật, hệ thống dịch tự động, chatbot tự động trả lời, AlphaGo,… Những ứng dụng được kể ở trên đều có được nhờ áp dụng deep learning.
Cùng với khả năng tính toán vượt trội của máy tính và lượng dữ liệu khổng lồ mà con người tạo ra, deep learning đang có những bước đột phá thực sự.