Chương 1 GIỚI THIỆU 1.1 Tổng quan Nông nghiệp đóng vai trò quan trọng trong kinh tế và an ninh lương thực quốc gia. Trong giai đoạn 2020-2050, dân số thế giới dự kiến sẽ đạt tới 9,7 tỉ người (tăng 25%), dân số Việt Nam dự kiến sẽ đạt tới 109,6 triệu người (tang 13%) [17]. Quá trình đô thị hóa nhanh chóng, biến đổi khí hậu và dịch bệnh làm cho diện tích canh tác thu hẹp, năng suất và chất lượng sản phẩm nông nghiệp bị sụt giảm. Điều này tạo ra thách thức lớn cho nền nông nghiệp nước nhà.
Phát triển nông nghiệp chính xác (NNCX) là giải pháp phù hợp cho van đề này nhằm thay thế phương thức làm nông nghiệp truyền thống. Bằng sự kết hợp các thành tựu khoa học công nghệ (như IoT, AI, Cloud Computing) và sự kết nối với chuyên gia nông nghiệp, NNCX cho phép phát triển nền nông nghiệp bền vững và phù hợp với bối cảnh đất nước. Bệnh trên cây trồng có ảnh hưởng lớn tới năng suất và sản lượng. Ứng dụng máy hoc (machine learning) và thị giác máy tính (computer vision) trong chan đoán bệnh đang được nghiên cứu sâu rộng vì có nhiều ưu điểm so với việc theo dõi bệnh thủ công vốn tốn nhiều thời gian và công sức.
Hơn thế nữa, quá trình cải tiền của máy học giới thiệu mô hình học sâu (deep learning) cho phép tự động chọn và trích xuất đặc trưng của đối tượng, có nhiều ưu điểm vượt trội về độ chính xác.2 Các nghiên cứu liên quan 1.1 Cac nghiên cứu ngoài nước Các nước phát triển đã ứng dụng CNTT vào nông nghiệp từ rất sớm. Dưới đây là một số nghiên cứu phân tích bệnh trên lá cây cà chua nổi bật trong những năm gần đây: ToLeD: Tomato leaf disease detection using convolutional neural network (2020). “Trong nghiên cứu [5], nhóm tác gia sử dung mô hình mang no-ron tích chập (Con- volution Neural Network - CNN) 3 lớp để phân loại bệnh từ ảnh chụp lá. Độ chính xác đạt được của nhóm nghiên cứu từ 76% tới 100%, trung bình là 91,2%, được thể hiện ở hình 1.
Accuracy 12 1 3 08 3 ÿ 06 5 8 04 3 02 ° 0 1 2 3 4 5 6 7 8 9 MSeiel 076 098 078 098 09 076 096 1 1 ñ Class Hình 1.1: Độ chính xác nhận nhận dạng bệnh của nhóm nghiên cứu ToLeD Disease detection on the leaves of the tomato plants by using deep learning (2017). Trong nghiên cứu [6], nhóm tác giả thử nghiệm mô hình CNN AlexNet với 5 lóp và mô hình CNN SqueezeNet với số lớp ít hơn (2 lớp). Việc huấn luyện được thực hiện với hình ảnh đã phân đoạn từ tập dữ liệu PlantVillage [20]. GIỚI THIỆU Nhóm nghiên cứu đạt được độ chính xác 94,3% với mô hình SqueezeNet và 95,6% với mô hình AlexNet.
Mô hình nhận dạng bệnh có kích thước nhỏ (2,9MB với mô hình SqueezeNet và 227,6MB với mô hình AlexNet và ), phù hợp để chạy trên hệ thống nhúng Nvidia Jetson TxI mà nhóm tác giả đã sử dung. Confusion Matrix for Ten Class Classification Septoria Leaf Spot tịa ? i Spider Mites 2 1 15 Tomato Mosaic Virus il 372 Yelow Le Vins [7 mMINIE E Fd 9S với 309 AT oF vànvà” oohSEN Go®cựgo về of sòFedvàBoro vàn Ẻ ee 0 sàết gh e số Or onTMeS s KỆ, Predicted Class Hình 1.2: Độ chính xác nhận dang bệnh với mô hình EfficientNet CNN Automatic and Reliable Leaf Disease Detection Using Deep Learning Techniques (2021). Nhóm tác giả trong nghiên cứu [7] đã phát triển một mô hình mạng tích chập sâu (Deep CNN) dựa trên mô hình EfficientNet CNN. Độ chính xác nhóm nghiên cứu đạt được là 99,89%.
Các trường hợp nhận dạng bệnh sai được thể hiện trong ma trận lỗi (confusion matrix) ở hình 1.2 Các nghiên cứu trong nước Tại Việt Nam, phát triển nông nghệp được chính phủ quan tâm và hỗ trợ bằng nhiều chính sách. Đã có nhiều công ty ứng dụng công nghệ để cung cấp giải pháp 1. GIỚI THIỆU cho nông nghiệp như: Nextfarm (www. Công ty đã xây dựng hệ sinh thái nông nghiệp thông minh ngành trồng trọt gồm 2 nhóm sản phẩm chính: + Nhóm sản phẩm phục vụ sản xuất — NMC Pro: Điều khiển khí hậu nhà mang — Fertikit: Châm phân dinh dưỡng tự động = QR Check: Truy xuất nguồn gốc + Nhóm sản phẩm phục vụ đầu ra — DataPOS: Quản lý kho, nhập hàng vật tư, bán hàng đa kênh, livestream bán hàng — NextCRM: Quản lý khách hàng, marketing automation, CRM đa kênh Dòng sản phẩm đa dạng, giá thành rẻ hơn các sản phẩm nhập khẩu 30% tới 50% nên được nhiều khách hàng trong nước lựa chọn.
Nông nghiệp Số AgriConnect (2018-nay) hợp tác với nhiều trường đại học trong nước để nghiên nghiên cứu và cung cấp giải pháp số cho nông nghiệp Việt Nam [18] dựa trên nền tảng IơT. Các sản phẩm nổi bật của công ty: * Cảm biến EBee-N: Theo dõi nhiệt độ, độ ẩm không khí, độ ẩm của đất, ánh sáng, COa, độ dẫn điện của nước (electro conductivity - EC) * Bộ điều khiển trung tâm QBee-N: Điều khiển các thiết bị trong nhà kính (quạt, đèn, bơm phun sương, bơm dinh dưỡng. GIỚI THIỆU Do Việt Nam chỉ mới ứng dụng CNTT vào lĩnh vực nông nghiệp chưa lâu, nên dữ liệu số hóa chưa nhiều. Công ty đã tạo ra giải pháp phần mềm cho phép chăm sóc cây trồng kết hợp giữa tự động và thủ công theo kinh nghiệm của nhà nông.1: So sánh các nghiên cứu liên quan và giải pháp sẵn có Nghiên cứu / Giải pháp.
Ưu điểm Nhược điểm he, 2 Chua xây dựng được ứng ToLeD (2020) [5] Dat độ chính xác 91,2%: dụng cho người sử dụng AlexNet và SqueezeNet Otay es tên hệ thông Chưa xây dựng được ứng (2017) [6] nhúng. dung cho người sử dung Chưa xây dung được ứng EfficientNet CNN (2021) [7] Dat độ chính xác 99,89%* dụng cho người sử dụng Thiêu tính năng chan đoán bệnh và kết nối người nông Nextfarm (2018) [18] San phẩm da dang dân với chuyên gia nông nghỉ Thiéu tính năng chẩn đoán bệnh và kết nối người nông AgriConnect (2018) [18] Phan cứng hoàn thiện dân với chuyên gia nông nghiệp (*) Với bộ dữ liệu PlantVillage [20] 1.3 Tính cấp thiết của đề tài Bảng 1.1 tóm tắt các nghiên cứn liên quan và giải pháp sẵn có. Chúng ta có thể thấy các nghiên cứu [5, 6, 7] chỉ dừng ở mức độ nghiên cứu dựa trên dữ liệu, thiếu đánh giá của chuyên gia nông nghiệp và chưa xây dựng ứng dụng cho người sử dụng. Các giải pháp của công ty NextFarm và Nông nghiệp Số AgriConnect [18] tập trung vào phần cứng và điều khiển các thiết bị chăm sóc cây trồng theo các luật định sẵn (rule-based), thiếu tính năng chẩn đoán bệnh và kết nối người nông 1.
GIỚI THIỆU dan với chuyên gia nông nghiệp. Việc xây dựng một nền tảng ứng dụng đáp ứng được nhu cầu nhận dạng bệnh trên cây trồng hiệu quả, giao diện thân thiện và hỗ trợ kết nối người dùng là nông dân, chuyên gia nông nghiệp cùng chuyên gia công nghệ là một thách thức lớn.4 Nội dung nghiên cứu Dựa vào các vấn đề còn tồn tại ở bảng 1.1 và tính cấp thiết đã nêu trong mục 1.3, đề tài này cần nghiên cứu và giải quyết các vấn dé sau: + Tìm hiểu các giống cây cà chua được trồng phổ biến, xây dựng cơ sở dữ liệu về thông tin bệnh trên cây và phương pháp xử lý. * Xây dựng hệ thống máy học nhận dạng bệnh tự động thông qua ảnh chụp lá cây cà chua, tập trung vào các chung loại cà chua lê, cà chua bi nhật ban lá trơn và lá chia thùy, cà chua mẫn. Đây là các loại cà chua phổ biến ở Việt Nam và có giá trị kinh tế cao.
+ Xây dựng cơ sở dữ liệu hỗ trợ tư vấn chăm sóc cây cà chua, hướng xử lý các bệnh: — Bệnh vàng xoắn lá (Yellow leaf curl virus) — Bệnh dém lá (Bacterial spot) — Bệnh cháy lá Septoria (Septoria leaf spot) — Bệnh tia muộn (Late blight) — Bệnh cháy lá sớm (Early blight) — Bệnh kham lá (Mosaic virus) — Bệnh mốc xám (Leaf Mold) — Bệnh ve nhện (Spider mites, Two-spotted spider mite) 1. GIỚI THIỆU * Xây dựng nền tảng ứng dụng cho phép chẩn đoán bệnh nhanh chóng và kết nối nhà nông với các chuyên gia. + Phát triển hệ thống hoàn chỉnh trên điện toán đám mây (cloud computing).5 Giới hạn của dé tài Do bị hạn chế về thời gian và tài nguyên, nên đề tài này có những giới hạn sau: * Tap dữ liệu 11.000 ảnh lá cây cà chua, trong đó: ~_10.000 ảnh lấy từ tập dữ liệu Plant Village [20, 21].000 ảnh chụp thực tế và thu thập trên internet + Độ chính xác dự kiến trên 90,0%. + Xây dựng hệ thống ứng dụng minh họa trên nền tảng web.
* Thời gian đáp ứng: — Nhỏ hơn 1.0s/ảnh khi sử dung GPU.0s/anh khi sử dụng CPU. Chương 2 KỸ THUẬT LIÊN QUAN Chương này sẽ trình bày các kỹ thuật được nhóm nghiên cứu sử dụng để thực hiện luận văn. Phần đầu trình bày về máy và kỹ thuật học sâu, kỹ thuật đã giúp giải quyết hiệu quả bài toán nhận dạng đối tượng. Phần tiếp theo trình bày chỉ tiết các thuật toán được chọn và sử dụng để phân loại lá cây, phát hiện bệnh trên lá cây cà chua.
Phần cuối chương trình bày các kỹ thuật thiết kế hệ thống và giao diện người dùng.1 Giới thiệu chung Máy học là một phương pháp tiếp cận để đạt được trí tuệ nhân tạo (Artificial intelligence - Al), trí tuệ nhân tạo là trí thông minh được thể hiện bằng máy móc [32, 1]. Máy học sử các thuật toán để trích xuất dữ liệu, lấy thông tin và học từ các thông tin đó để giải quyết các bài toán cụ thể. Thay vì lập trình bằng tay hướng dẫn máy tính xử lý các hành động dựa vào các dữ liệu đầu vào cụ thể, máy tính sẽ được "huấn luyện" dựa vào lượng lớn dữ liệu đã phân loại cùng với các thuật toán máy học để từ đó học được cách xử lý dữ liệu.1 thể hiện mối quan hệ giữa trí tuệ nhân tạo, máy học và học sâu. KỸ THUẬT LIÊN QUAN ARTIFICIAL INTELLIGENCE ACHINE ARNING SK A we A) 1950's 19605 19705 1980% 190% 2000 20105 Since an early flush of optimism in the 1950s, smaller subsets of artificial intelligence - first machine learning, then deep learning, a subset of machine learning ~ have created'ever larger disruptions.1: Mối quan hệ giữa tri tuệ nhân tao, máy học và học sâu niệm trí tuệ nhân tạo ra đời từ rất sớm, từ những năm 50 của thể kỷ 20, trong khi các khái niệm về máy học và học sâu ra đời sau đó khả lâu khi máy tính có sự tiến bộ nhất định về sức mạnh tính toán và dung lượng bộ nhớ.