Thiết Kế Hệ Thống Hỗ Trợ Tư Vấn Chăm Sóc Bệnh Trên Lá Cây Cà Chua

Luận văn tốt nghiệp y tế nghiên cứu tốt nghiệp kỹ thuật máy tính thiết kế hệ thống hỗ trợ tư vấn chăm sóc bệnh trên lá cây cà chua ứng, điều tra thực trạng, phân tích số liệu, đề

• Tác giả: Võ Hoài Nam
• Người hướng dẫn: TS. Đoàn Duy
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật máy tính
• Đề tài: Hệ thống hỗ trợ chẩn đoán bệnh lá cà chua sử dụng machine learning
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN
• 1.1. Lý do thực hiện đề tài
• 1.2. Mục tiêu
• 1.3. Giới hạn của đề tài
• 2. CHƯƠNG 2: GIỚI THIỆU CÁC KỸ THUẬT ĐƯỢC SỬ DỤNG
• 2.1. Mô hình máy học
• 2.2. Thu thập dữ liệu
• 2.3. Xử lý ảnh
• 2.4. Computer Vision Annotation Tool - CVAT
• 2.5. Fifty One
• 2.6. Python
• 2.7. Convolutional Neural Networks (CNN)
• 3. CHƯƠNG 3: HIỆN THỰC HỆ THỐNG GIẢI PHÁP NHẬN BIẾT BỆNH
• 3.1. Xây dựng bộ dữ liệu
• 3.2. Thu thập dữ liệu
• 3.3. Phân loại và gán nhãn
• 3.4. Lí do lựa chọn thuật toán
• 3.5. Quá trình huấn luyện
• 3.6. Hệ thống dùng trên di động và website
• 3.6.1. Đăng ký và đăng nhập
• 4. CHƯƠNG 4: KẾT QUẢ CỦA NGHIÊN CỨU
• 4.1. Về ứng dụng máy học
• 4.2. Thời gian phản hồi
• 4.3. Giao diện ứng dụng hỗ trợ nhà nông
• 4.4. Ứng dụng phân tích bệnh
• 4.5. Một số tính năng khác
• 4.6. Giao diện ứng dụng trên website
• 4.7. Ứng dụng phân tích bệnh
• 4.8. Quản lý người dùng
• 4.9. Hỗ trợ từ chuyên gia
• 5. CHƯƠNG 5: KẾT LUẬN
• 5.1. Kết luận
• 5.2. Định hướng nghiên cứu trong tương lai
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu Hệ Thống Hỗ Trợ Chẩn Đoán Bệnh Lá Cà Chua

Hệ thống hỗ trợ chẩn đoán bệnh lá cà chua sử dụng machine learning đang trở thành một giải pháp quan trọng trong nông nghiệp hiện đại. Với sự phát triển của công nghệ, việc áp dụng AI vào nông nghiệp không chỉ giúp nâng cao năng suất mà còn giảm thiểu rủi ro cho người nông dân. Hệ thống này giúp nhận diện và phân tích các bệnh trên lá cà chua, từ đó đưa ra các giải pháp chăm sóc phù hợp.

1.1. Lý do thực hiện đề tài

Cuộc cách mạng công nghiệp 4.0 đã thúc đẩy sự phát triển của nông nghiệp chính xác. Việc áp dụng công nghệ vào sản xuất nông nghiệp giúp người nông dân quản lý cây trồng hiệu quả hơn. Đặc biệt, cây cà chua là một trong những loại cây trồng phổ biến, việc phát hiện sớm bệnh sẽ giúp bảo vệ năng suất và chất lượng sản phẩm.

1.2. Mục tiêu nghiên cứu

Mục tiêu của nghiên cứu là xây dựng một hệ thống ứng dụng giúp người nông dân có thể chẩn đoán bệnh trên lá cà chua một cách nhanh chóng và chính xác. Hệ thống sẽ cung cấp thông tin về các loại bệnh và gợi ý các biện pháp phòng trị hiệu quả.

II. Vấn đề và Thách thức trong Chẩn Đoán Bệnh Cà Chua

Chẩn đoán bệnh trên lá cà chua gặp nhiều thách thức do sự đa dạng của các loại bệnh và sự khó khăn trong việc nhận diện bằng mắt thường. Việc phát hiện sớm và chính xác các bệnh là rất quan trọng để giảm thiểu thiệt hại cho người nông dân. Hệ thống cần phải xử lý và phân tích hình ảnh một cách hiệu quả để đưa ra kết quả chính xác.

2.1. Các loại bệnh phổ biến trên lá cà chua

Có nhiều loại bệnh ảnh hưởng đến lá cà chua như bệnh vàng xoăn lá, bệnh đốm lá Septoria, và bệnh mốc xám. Mỗi loại bệnh có những triệu chứng và cách điều trị khác nhau, do đó việc nhận diện chính xác là rất cần thiết.

2.2. Thách thức trong việc phát hiện bệnh

Việc phát hiện bệnh bằng mắt thường thường gặp khó khăn do các triệu chứng có thể tương tự nhau. Hệ thống cần phải sử dụng các thuật toán machine learning để phân tích hình ảnh và nhận diện bệnh một cách chính xác.

III. Phương Pháp Sử Dụng Machine Learning trong Chẩn Đoán Bệnh

Hệ thống sử dụng các mô hình machine learning để phân tích hình ảnh lá cà chua. Các thuật toán như Mask-RCNN được áp dụng để phân đoạn và nhận diện các bệnh trên lá. Việc sử dụng dữ liệu lớn giúp cải thiện độ chính xác của hệ thống.

3.1. Thu thập và xử lý dữ liệu

Dữ liệu được thu thập từ nhiều nguồn khác nhau, bao gồm các hình ảnh lá cà chua bị bệnh. Sau khi thu thập, dữ liệu sẽ được xử lý để gán nhãn và chuẩn bị cho quá trình huấn luyện mô hình.

3.2. Ứng dụng các thuật toán phân tích hình ảnh

Các thuật toán như Convolutional Neural Networks (CNN) và Mask-RCNN được sử dụng để phân tích hình ảnh và nhận diện bệnh. Những thuật toán này giúp cải thiện độ chính xác trong việc chẩn đoán bệnh.

IV. Ứng Dụng Thực Tiễn và Kết Quả Nghiên Cứu

Hệ thống đã được triển khai trên nền tảng di động và website, giúp người nông dân dễ dàng tiếp cận. Kết quả nghiên cứu cho thấy hệ thống có khả năng chẩn đoán bệnh với độ chính xác cao, từ đó giúp người nông dân có những biện pháp chăm sóc kịp thời.

4.1. Giao diện và tính năng của ứng dụng

Ứng dụng được thiết kế với giao diện thân thiện, cho phép người dùng chụp ảnh lá cây và nhận diện bệnh ngay lập tức. Ngoài ra, ứng dụng còn cung cấp thông tin về các biện pháp chăm sóc phù hợp.

4.2. Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy hệ thống có thể chẩn đoán chính xác các loại bệnh trên lá cà chua, giúp người nông dân nâng cao năng suất và chất lượng sản phẩm.

V. Kết Luận và Tương Lai của Hệ Thống

Hệ thống hỗ trợ chẩn đoán bệnh lá cà chua sử dụng machine learning đã chứng minh được tính khả thi và hiệu quả trong việc hỗ trợ người nông dân. Tương lai, hệ thống có thể mở rộng để áp dụng cho nhiều loại cây trồng khác.

5.1. Định hướng nghiên cứu trong tương lai

Nghiên cứu sẽ tiếp tục mở rộng cơ sở dữ liệu và cải thiện các thuật toán để nâng cao độ chính xác. Hệ thống cũng sẽ được phát triển thêm các tính năng hỗ trợ người nông dân.

5.2. Tác động đến ngành nông nghiệp

Hệ thống không chỉ giúp người nông dân nâng cao năng suất mà còn góp phần vào việc phát triển nông nghiệp bền vững. Việc áp dụng công nghệ vào nông nghiệp sẽ giúp giảm thiểu rủi ro và tăng cường hiệu quả sản xuất.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong lĩnh vực nông nghiệp, mầm bệnh trên cây trồng là một trong những nguyên nhân chính làm suy giảm nghiêm trọng chất lượng và sản lượng nông sản. Cà chua (Solanum lycopersicum) là loại cây ăn quả có giá trị thương mại cao, được canh tác phổ biến từ quy mô nông hộ đến các trang trại lớn. Tuy nhiên, lá cây cà chua rất dễ mắc các chứng bệnh do nấm, vi khuẩn hoặc virus gây ra, dẫn đến hiện tượng cháy lá, héo rũ, đốm vòng hoặc xoăn lá. Việc phát hiện mầm bệnh chậm trễ hoặc sử dụng sai phương pháp điều trị gây ra tổn thất lớn về kinh tế và thời gian canh tác.

Xu hướng phát triển nông nghiệp trên thế giới đang chuyển dịch mạnh mẽ sang mô hình Nông nghiệp chính xác (Precision Agriculture - PA) dưới sự hỗ trợ của cuộc Cách mạng Công nghiệp 4.0 và Internet of Things (IoT). Tại Việt Nam, một số mô hình nông nghiệp công nghệ cao đã bước đầu được triển khai (như hệ thống thủy canh hồi lưu theo tiêu chuẩn VietGAP của Nguyễn Đình Thành và cộng sự năm 2017, hoặc hệ sinh thái NextFarm bao gồm NextCRM, NextERP, NextFarm Fertikit, NextFarm QR Check). Mặc dù vậy, đa số các giải pháp hiện nay hoạt động độc lập, thiếu tính liên kết hệ sinh thái, chỉ dừng lại ở mức tra cứu tĩnh và chưa tạo được kênh tương tác, tư vấn trực tiếp từ chuyên gia nông nghiệp đến người nông dân.

Khóa luận tốt nghiệp "Thiết kế hệ thống hỗ trợ tư vấn chăm sóc bệnh trên lá cây cà chua ứng dụng kỹ thuật máy học" do sinh viên Võ Hoài Nam và Lê Trọng Duy (Khoa Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM) thực hiện dưới sự hướng dẫn của TS. Đoàn Duy, nhằm giải quyết triệt để các tồn tại trên.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài được xác định cụ thể:

1. Xây dựng bộ cơ sở dữ liệu hình ảnh bệnh trên lá cây cà chua phục vụ huấn luyện mô hình thị giác máy tính.
2. Ứng dụng mô hình học sâu phân đoạn đối tượng (Instance Segmentation) Mask-RCNN nhằm phát hiện và nhận dạng chính xác các vùng tổn thương do mầm bệnh gây ra, hạn chế tối đa ảnh hưởng của nhiễu nền so với phương pháp xác định khung bao thông thường.
3. Hiện thực hệ thống giải pháp hoàn chỉnh trên hai nền tảng ứng dụng di động (Android) và website, cung cấp các tính năng chẩn đoán bệnh từ ảnh chụp, gợi ý quy trình chăm sóc/phòng trị, cập nhật thông tin thời tiết nông vụ, quản lý người dùng và thiết lập kênh giao tiếp trực tiếp (tin nhắn, thoại, video call, email) giữa nông dân và chuyên gia.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Các giống cà chua phổ biến tại Việt Nam gồm cà chua lê, cà chua mận, cà chua bi Nhật Bản (loại lá trơn và lá chia thùy); mô hình học sâu Mask-RCNN; hệ thống phần mềm di động và web hỗ trợ nông nghiệp.
• Phạm vi dữ liệu: Nghiên cứu tập trung vào 10 trạng thái lá (9 loại bệnh phổ biến và 1 trạng thái khỏe mạnh) dựa trên tập dữ liệu hình ảnh được cung cấp bởi Viện Cây ăn trái Miền Nam kết hợp cùng nhóm "Nghiên cứu Nông nghiệp chính xác".

---

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp nền tảng lý thuyết về thị giác máy tính (Computer Vision), học sâu (Deep Learning) và kỹ thuật phát triển phần mềm đa nền tảng.

Khung lý thuyết và mô hình máy học

• Xử lý ảnh số: Tuân thủ quy trình xử lý thị giác máy gồm 5 giai đoạn: Thu nhận ảnh $\rightarrow$ Tiền xử lý (lọc nhiễu, cân bằng tương phản) $\rightarrow$ Phân đoạn ảnh $\rightarrow$ Biểu diễn và mô tả $\rightarrow$ Nhận dạng và phân loại dựa trên cơ sở tri thức.
• Mạng nơ-ron tích chập (CNN): Cấu trúc phân tầng gồm các lớp tích chập (Convolutional layer), hàm kích hoạt phi tuyến (Nonlinear layer), lớp gộp (Pooling layer) và các lớp kết nối đầy đủ (Fully connected layer) kết hợp hàm Softmax để phân loại xác suất đối tượng.
• Mô hình Mask-RCNN: Thuật toán phân đoạn cá thể xây dựng trên nền tảng CNN. Khác với các mô hình chỉ phát hiện khung bao chữ nhật (Object Detection như YOLOv4 hoặc Faster R-CNN) dễ bị nhiễu do phông nền thực tế, Mask-RCNN giải quyết đồng thời hai bài toán: xác định vị trí nhãn/bounding box và tạo mặt nạ nhị phân (mask) bao sát từng vùng tổn thương cụ thể của lá cây.
• Framework huấn luyện: Thư viện học sâu PyTorch và framework Detectron2 do Facebook AI Research (FAIR) phát triển, sử dụng kiến trúc mạng nơ-ron tích chập sâu kết hợp mạng trích xuất đặc trưng đa quy mô mask_rcnn_X_101_32x8d_FPN_3x.

Công cụ gán nhãn và quản lý dữ liệu

• CVAT (Computer Vision Annotation Tool): Công cụ mã nguồn mở của Intel được sử dụng để khoanh vùng đa giác (polygon annotation) cho từng vùng lá bị tổn thương và xuất dữ liệu gán nhãn theo định dạng COCO (JSON format).
• FiftyOne: Công cụ mã nguồn mở hỗ trợ trực quan hóa, kiểm tra chất lượng nhãn, tìm kiếm lỗi chú thích và tối ưu hóa tập dữ liệu trước khi đưa vào mô hình huấn luyện.

Phương pháp đánh giá mô hình

• Chỉ số IoU (Intersection over Union): Đánh giá độ chính xác của bài toán phân đoạn đối tượng (Instance Segmentation) thông qua tỷ lệ giữa diện tích phần giao và diện tích phần hợp của mặt nạ dự đoán (Predicted mask) so với mặt nạ thực tế (Ground truth): $$\text{IoU} = \frac{\text{Area of Overlap}}{\text{Area of Union}}$$
• Độ chính xác phân loại (Accuracy): Tính toán tỷ lệ giữa số lượng mẫu được dự đoán chính xác trên tổng số mẫu trong tập kiểm thử (Test dataset) đối với 10 lớp nhãn.

---

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo kiến trúc Client - Server hoàn chỉnh, phân tách rõ ràng giữa tầng xử lý nghiệp vụ, tầng giao diện và tầng trí tuệ nhân tạo.

Kiến trúc công nghệ hệ thống

+-------------------------------------------------------------------------+
|                              CLIENT LAYER                               |
|  +-----------------------------------+  +----------------------------+  |
|  |     Android Application (Java)    |  |     Web Application (React)|  |
|  | - Chụp ảnh/gửi ảnh phân tích      |  | - Quản trị người dùng      |  |
|  | - Xem dự báo thời tiết            |  | - Giám sát lịch sử bệnh    |  |
|  | - Chat, gọi thoại, video call     |  | - Tư vấn từ chuyên gia     |  |
|  +-----------------------------------+  +----------------------------+  |
+-------------------------------------------------------------------------+
+-------------------------------------------------------------------------+
|                              SERVER LAYER                               |
|  +-------------------------------------------------------------------+  |
|  | Node.js & Express.js Backend Server                               |  |
|  | - Middleware: Body-parser, Cookie-parser                          |  |
|  | - Xử lý logic nghiệp vụ, quản lý phiên và xác thực tài khoản      |  |
|  | - Socket.IO Server: Điều phối truyền thông thời gian thực         |  |
|  +-------------------------------------------------------------------+  |
+-------------------------------------------------------------------------+
+------------------------------------+  +---------------------------------+
|          CLOUDINARY CLOUD          |  |         AI ENGINE SERVER        |
| - Lưu trữ hình ảnh bệnh            |  | - PyTorch & Detectron2 Engine   |
| - Quản lý, tối ưu hóa phân phối    |  | - Mask-RCNN Pre-trained Model   |
|   hình ảnh qua CDN                 |  | - Trả kết quả: Nhãn, Mask, Box  |
+------------------------------------+  +---------------------------------+

Công nghệ phát triển

• Nền tảng ứng dụng di động: Lập trình bằng ngôn ngữ Java trên môi trường Android Studio và Android SDK, thử nghiệm trên máy ảo Genymotion (nền tảng ảo hóa VirtualBox hỗ trợ tăng tốc phần cứng OpenGL).
• Nền tảng ứng dụng Website: Xây dựng bằng thư viện ReactJS kết hợp cú pháp JSX, quản lý trạng thái tập trung với Redux (sử dụng middleware Redux-Thunk cho xử lý bất đồng bộ và Redux-Persist để duy trì trạng thái phiên làm việc trên bộ nhớ cục bộ), gửi yêu cầu HTTP bằng thư viện Axios. Giao diện tích hợp Material-UI, react-router-dom, react-hook-form, yup, moment và react-infinite-scroll-component.
• Hệ thống phía máy chủ (Back-end): Xây dựng trên môi trường Node.js và framework Express.js theo kiến trúc RESTful API.
• Truyền thông thời gian thực: Ứng dụng giao thức WebSocket qua thư viện Socket.IO (hỗ trợ mô hình Client/Server hai chiều dựa trên TCP) để triển khai các chức năng nhắn tin, đổ chuông, gọi thoại và gọi video trực tiếp.
• Lưu trữ đám mây: Tích hợp dịch vụ Cloudinary để upload, lưu trữ, xử lý và phân phối hình ảnh lá cây từ người dùng qua CDN.

Cấu hình phần cứng và tham số huấn luyện

Hệ thống máy tính phục vụ huấn luyện mô hình:

• CPU: Intel Xeon E5-2620 v3 @ 2.00 GHz
• GPU: NVIDIA Quadro M4000 (8GB VRAM)
• Môi trường đám mây thử nghiệm bổ trợ: Google Colaboratory (Intel Xeon 2 lõi @ 2.30 GHz, 13 GB RAM, GPU NVIDIA Tesla K80 12GB VRAM GDDR5 / Cloud TPU 180 TFLOPS).

Các siêu tham số thiết lập trong quá trình huấn luyện Detectron2:

Tham số cấu hình	Giá trị	Ý nghĩa kỹ thuật
SOLVER.IMS_PER_BATCH	2	Số lượng ảnh nạp vào huấn luyện trong mỗi vòng lặp (batch size)
SOLVER.BASE_LR	0.00025	Tốc độ học cơ sở (Learning Rate)
SOLVER.MAX_ITER	50000	Tổng số vòng lặp tối đa của quá trình huấn luyện
ROI_HEADS.BATCH_SIZE_PER_IMAGE	512	Số lượng vùng mẫu đề xuất lấy trong mỗi ảnh
ROI_HEADS.NUM_CLASSES	10	Số lượng lớp đầu ra cần phân loại (9 bệnh + 1 khỏe mạnh)

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu tổng quan

Chương 1 thiết lập tính cấp thiết của đề tài trong bối cảnh nông nghiệp thông minh. Nhóm tác giả tổng hợp thực trạng ứng dụng công nghệ tại Việt Nam, nêu bật khoảng trống về tính tương tác giữa nông dân và chuyên gia. Từ đó, chương xác định mục tiêu xây dựng hệ thống chẩn đoán bệnh lá cà chua đa nền tảng và khoanh định phạm vi kỹ thuật với 10 nhãn phân loại trên cơ sở dữ liệu hơn 10.000 ảnh đã qua xử lý phân đoạn.

Chương 2: Giới thiệu các kỹ thuật được sử dụng

Chương 2 trình bày chi tiết cơ sở lý thuyết của toàn bộ công nghệ được áp dụng. Tác giả phân tích lý do chuyển đổi từ phương pháp nhận diện Bounding Box truyền thống sang mô hình phân đoạn cá thể Mask-RCNN nhằm loại bỏ nhiễu nền khi nhận diện lá thực tế. Đồng thời, chương trình bày chi tiết các thư viện máy học (PyTorch, Detectron2, FiftyOne, CVAT), nền tảng di động Android (Java, Android Studio, Genymotion), và hệ sinh thái web hiện đại (Node.js, Express.js, ReactJS, Virtual DOM, Redux, Axios, RESTful API, WebSocket/Socket.IO, Cloudinary).

Bảng so sánh hiệu năng của các thuật toán trên tập dữ liệu chuẩn Fujian được trích dẫn để làm cơ sở chọn lựa thuật toán:

Phương pháp	Độ chính xác trung bình (mAP)
Faster R-CNN-VGG	0.6958
Faster R-CNN-ResNet101	0.8976
Mask R-CNN-ResNet101	0.9073

Chương 3: Hiện thực hệ thống giải pháp nhận biết bệnh

Chương 3 mô tả chi tiết quy trình thu thập, gán nhãn và huấn luyện dữ liệu cùng quy trình phân tích thiết kế các chức năng phần mềm:

• Tập dữ liệu: Tổng cộng thu thập 18.162 ảnh chụp lá cây cà chua (kích thước 256x256 pixel, định dạng JPEG trên nền trơn). Trích xuất 10.000 ảnh chuẩn để gán nhãn đa giác bằng CVAT và kiểm tra bằng FiftyOne.
• Phân chia tập dữ liệu huấn luyện: Tập huấn luyện (Train) gồm 8.000 ảnh (800 ảnh/nhãn); tập thẩm định (Validation) gồm 2.000 ảnh (200 ảnh/nhãn); tập kiểm tra (Test) gồm 2.000 ảnh (200 ảnh/nhãn).
• Thiết kế phần mềm: Xây dựng sơ đồ luồng hoạt động, biểu đồ tuần tự (Sequence Diagram) và bảng đặc tả chức năng chi tiết cho 5 phân hệ: Đăng ký & Đăng nhập (kèm xác thực mã qua Gmail), Phân tích bệnh lá cà chua, Dự báo thời tiết, Tương tác chuyên gia (tin nhắn/cuộc gọi) và Quản lý người dùng.

Danh sách 10 nhãn bệnh và trạng thái lá được xây dựng trong hệ thống chẩn đoán:

STT	Tên nhãn tiếng Việt	Tên bệnh khoa học / Tiếng Anh
1	Bệnh đốm vi khuẩn	Bacterial spot (Xanthomonas spp.)
2	Bệnh cháy lá sớm	Early blight (Alternaria solani)
3	Bệnh úa muộn	Late blight (Phytophthora infestans)
4	Bệnh mốc xám	Leaf mold (Passalora fulva)
5	Bệnh đốm lá Septoria	Septoria leaf spot (Septoria lycopersici)
6	Bệnh ve nhện	Spider mites / Two-spotted spider mite (Tetranychus urticae)
7	Bệnh đốm vòng	Target spot (Corynespora cassiicola)
8	Bệnh khảm lá	Tomato mosaic virus (ToMV)
9	Bệnh vàng xoăn lá	Tomato yellow leaf curl virus (TYLCV)
10	Lá khỏe mạnh	Healthy

Chương 4: Kết quả của nghiên cứu

Chương 4 công bố toàn bộ kết quả thực nghiệm của hệ thống:

• Đánh giá mô hình máy học: Quá trình huấn luyện trải qua 50.000 vòng lặp (iterations), đường cong tổn thất tổng (total loss) hội tụ ổn định; các chỉ số IoU và Accuracy trên từng nhãn bệnh đạt độ chính xác cao.
• Hiệu năng máy chủ: Đánh giá thời gian phản hồi (Inference/Response Time) khi chạy mô hình trên CPU so với GPU, chứng minh tính khả thi khi triển khai API chẩn đoán thời gian thực.
• Giao diện người dùng: Minh họa chi tiết hệ thống giao diện trên ứng dụng di động Android và trang web quản trị, bao gồm màn hình phân tích ảnh bệnh lá, trả kết quả khoanh vùng tổn thương kèm hướng dẫn cách phòng trị, giao diện theo dõi thời tiết, danh bạ chuyên gia, màn hình nhắn tin, gọi điện thoại thoại/video call, và trang quản lý hồ sơ bệnh án cây trồng của người dùng.

Chương 5: Kết luận

Tổng kết các hạng mục đã hoàn thành của đồ án và đưa ra các định hướng mở rộng hệ thống trong tương lai.

---

Kết quả và đóng góp

Kết quả kỹ thuật đạt được

1. Xây dựng bộ dữ liệu chuyên sâu: Hoàn thành tập dữ liệu 10.000 ảnh lá cà chua được gán nhãn phân đoạn đa giác chuẩn định dạng COCO cho 10 lớp trạng thái bệnh phổ biến tại Việt Nam.
2. Huấn luyện mô hình Mask-RCNN chính xác cao: Triển khai thành công mô hình mask_rcnn_X_101_32x8d_FPN_3x trên Detectron2 với 50.000 iteration. Mô hình phân đoạn chuẩn xác vị trí tổn thương trên phiến lá, giải quyết triệt để nhược điểm nhiễu phông nền của các thuật toán nhận diện dạng khung bao hình chữ nhật (như YOLOv4).
3. Hiện thực hóa hệ sinh thái phần mềm hoàn chỉnh:
   • Ứng dụng Android cho phép nông dân chụp ảnh trực tiếp tại ruộng, nhận kết quả chẩn đoán tức thì cùng hướng dẫn phòng ngừa và chữa trị bệnh cụ thể.
   • Website quản trị hỗ trợ quản lý người dùng, tra cứu lịch sử phân tích và tạo kênh liên lạc chuyên sâu.
   • Kênh giao tiếp đa phương thức thời gian thực qua WebSocket/Socket.IO kết nối người nông dân với chuyên gia nông nghiệp qua tin nhắn, cuộc gọi thoại và video call.

Đóng góp của đề tài

• Tính ứng dụng thực tiễn: Khắc phục tính đơn lẻ, phân mảnh của các ứng dụng nông nghiệp trước đây tại Việt Nam bằng cách kết hợp giữa công cụ tự động hóa nhận diện bằng AI và sự hỗ trợ trực tiếp từ con người (chuyên gia kỹ thuật/nông nghiệp).
• Đóng góp học thuật: Cung cấp quy trình hoàn chỉnh từ khâu thu thập ảnh thô, tiền xử lý, gán nhãn phân đoạn bằng CVAT, quản lý dữ liệu với FiftyOne cho đến huấn luyện mô hình Mask-RCNN trên Detectron2 phục vụ nghiên cứu thị giác máy tính trong nông nghiệp.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

• Không gian thu nhận ảnh: Dữ liệu ảnh phục vụ huấn luyện chủ yếu được chụp trên nền trơn đơn sắc, chưa phản ánh đầy đủ độ phức tạp của môi trường thực tế ngoài đồng ruộng (ánh sáng thay đổi gắt, lá cây bị che khuất, nhiều lá đan xen).
• Phạm vi cây trồng: Hệ thống mới chỉ tập trung vào một đối tượng cây trồng duy nhất là cây cà chua với 9 loại bệnh phổ biến.
• Tài nguyên phần cứng: Quá trình huấn luyện và suy luận mô hình Mask-RCNN đòi hỏi cấu hình phần cứng có GPU chuyên dụng để đảm bảo thời gian phản hồi nhanh; việc suy luận trên CPU còn độ trễ nhất định.

Hướng nghiên cứu và phát triển trong tương lai

• Mở rộng tập dữ liệu và đối tượng cây trồng: Tiếp tục thu thập và bổ sung dữ liệu hình ảnh chụp trực tiếp ngoài vườn trong điều kiện tự nhiên; mở rộng khả năng nhận biết bệnh trên các loại cây ăn trái khác (như xoài, táo, cam...).
• Tối ưu hóa mô hình: Nghiên cứu áp dụng các kiến trúc mạng nơ-ron rút gọn hoặc kỹ thuật nén mô hình (model quantization/pruning) nhằm giảm kích thước mô hình, hướng tới khả năng nhúng trực tiếp mô hình AI chạy ngoại tuyến (Offline inference) trên thiết bị di động mà không phụ thuộc hoàn toàn vào máy chủ API.
• Nâng cấp tính năng hệ thống: Phát triển thêm các tính năng tự động cảnh báo dịch bệnh theo vùng địa lý dựa trên dữ liệu thời tiết và lịch sử bùng phát mầm bệnh.

---

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo có giá trị cao cho các đối tượng sau:

• Sinh viên ngành Kỹ thuật Máy tính, Khoa học Máy tính và Công nghệ Thông tin: Tham khảo quy trình xây dựng ứng dụng Deep Learning ứng dụng trong thực tế, từ khâu xử lý dữ liệu với CVAT, FiftyOne đến kỹ thuật huấn luyện mô hình Instance Segmentation trên Detectron2 và PyTorch.
• Lập trình viên và kỹ sư phát triển phần mềm: Tham khảo kiến trúc tích hợp hệ thống đa nền tảng kết hợp giữa Mobile (Java/Android), Web (ReactJS, Redux, Material-UI), Backend (Node.js, Express.js RESTful API), Cloudinary và cơ chế truyền thông đa phương tiện thời gian thực qua WebSocket/Socket.IO.
• Các nhóm nghiên cứu về Nông nghiệp thông minh (Smart Agriculture / Precision Agriculture): Tham khảo cấu trúc 10 nhãn bệnh học trên lá cây cà chua và phương pháp tiếp cận kết hợp giữa chẩn đoán tự động và kết nối mạng lưới chuyên gia.

---

Câu hỏi thường gặp

1. Tại sao nhóm nghiên cứu lại chọn thuật toán Mask-RCNN thay vì YOLOv4?

Ban đầu nhóm đã thử nghiệm thuật toán YOLOv4 với nhãn gán dạng khung bao chữ nhật (bounding box). Tuy nhiên, kết quả nhận diện đạt độ chính xác không cao do hình ảnh bị ảnh hưởng lớn bởi vùng nhiễu của phông nền bên trong khung chữ nhật. Mask-RCNN thực hiện song song việc phát hiện và phân đoạn cá thể (Instance Segmentation), tạo ra mặt nạ (mask) bám sát chính xác từng đường viền vùng bệnh trên phiến lá, loại bỏ triệt để nhiễu nền và nâng cao độ chính xác chẩn đoán.

2. Bộ dữ liệu huấn luyện của đề tài có quy mô như thế nào và được phân chia ra sao?

Tập dữ liệu thu thập gồm 18.162 ảnh chụp lá cây cà chua (độ phân giải 256x256 pixel) do Viện Cây ăn trái Miền Nam cung cấp. Nhóm trích xuất 10.000 ảnh để gán nhãn phân đoạn, phân bố đều trên 10 lớp nhãn (9 bệnh và 1 trạng thái khỏe mạnh). Dữ liệu được chia thành: tập huấn luyện (Train) gồm 8.000 ảnh (800 ảnh/nhãn), tập thẩm định (Validation) gồm 2.000 ảnh (200 ảnh/nhãn), và tập kiểm tra (Test) gồm 2.000 ảnh (200 ảnh/nhãn).

3. Mô hình Detectron2 được thiết lập các tham số huấn luyện cụ thể nào?

Mô hình sử dụng cấu hình backbone COCO-InstanceSegmentation/mask_rcnn_X_101_32x8d_FPN_3x với các siêu tham số chính: số ảnh trên mỗi batch SOLVER.IMS_PER_BATCH = 2, tốc độ học cơ sở SOLVER.BASE_LR = 0.00025, tổng số vòng lặp tối đa SOLVER.MAX_ITER = 50000, số mẫu đề xuất trên mỗi ảnh ROI_HEADS.BATCH_SIZE_PER_IMAGE = 512, và số lượng lớp đầu ra ROI_HEADS.NUM_CLASSES = 10.

4. Hệ thống hỗ trợ những phương thức nào để kết nối người nông dân với chuyên gia nông nghiệp?

Hệ thống tích hợp kênh liên lạc hai chiều đa phương thức thời gian thực thông qua công nghệ WebSocket (thư viện Socket.IO) và dịch vụ email. Người dùng có thể trao đổi trực tiếp với chuyên gia thông qua tin nhắn văn bản, cuộc gọi thoại, cuộc gọi hình ảnh (video call) trên ứng dụng hoặc gửi yêu cầu hỗ trợ qua hệ thống xác thực Gmail.

---

Kết luận

Khóa luận tốt nghiệp của sinh viên Võ Hoài Nam và Lê Trọng Duy đã hoàn thành xuất sắc mục tiêu thiết kế và xây dựng hệ thống hỗ trợ tư vấn chăm sóc bệnh trên lá cây cà chua ứng dụng kỹ thuật máy học. Đề tài đã làm chủ quy trình gán nhãn và huấn luyện mô hình phân đoạn cá thể Mask-RCNN trên framework Detectron2 với bộ dữ liệu 10.000 ảnh cho 10 lớp trạng thái bệnh. Toàn bộ giải pháp được hiện thực hóa đồng bộ trên ứng dụng di động Android và website quản trị, tích hợp các tính năng chẩn đoán ảnh, hướng dẫn điều trị, thông tin thời tiết và kết nối chuyên gia thời gian thực, đóng góp một giải pháp công nghệ thiết thực cho định hướng phát triển nông nghiệp chính xác tại Việt Nam.

Trích đoạn nội dung tài liệu

Chương 1 GIỚI THIEU TONG QUAN 1.1 Ly do thực hiện đề tài Cuộc Cách mạng công nghiệp 4.0 và mạng kết nối vạn vật (Internet of Things - IoT) dang làm thay đổi mô hình phát triển nông nghiệp trên toàn thế giới. Xu hướng phát triển nông nghiệp hiện nay tại các quốc gia, đặc biệt tại các quốc gia phát triển đang chuyển dịch dần sang mô hình mới “Nong nghiệp chính xác (Precise agriculture - PA)", mô hình nông nghiệp được áp dụng các thành tựu khoa học để tạo ra hệ sinh thái nông nghiệp và cung cấp các dịch vụ cho người nông dân tham gia. Nhiều quốc gia đã áp dụng mô hình nông nghiệp chính xác trong nhiều năm qua như Nhật Bản, Uc, An Độ, Băng-la-desh. Nhiều loại cây trồng là đối tượng nghiên cứu, phổ biến nhất là cà chua, xoài và táo.

Tại Việt Nam, phát triển nông nghiệp chính xác đã được bắt đầu trong thập niên gần đây với một số công trình nghiên cứu và mô hình canh tác mới. Cụ thể, năm 2017, tác giả Nguyễn Đình Thành và các cộng sự giới thiệu nghiên cứu “Xây dựng giải pháp Ứng dụng công nghệ IoT và Thủy canh hồi lưu trong sản xuất sạch đạt tiêu chuẩn Vietgap” giúp thay đổi mô hình canh tác truyền thông và 4p dụng công nghệ vào quản lý quy trình chăm sóc [11]. Nhóm giải pháp NextFarm xây dựng hệ sinh thái cho nông nghiệp công nghệ cao trong ngành trồng trọt [12]. Nhóm giải pháp gồm 4 nhóm sản phẩm ứng dụng chính: NextCRM - Phần mềm quản lý bán hàng, NextERP - Phần mềm tự động hóa quy trình nông trại, NextFarm Fertikit - Hệ thống cham phân dinh dưỡng tự động, NextFarm QR Check - Phần mềm truy xuất nguồn gốc.

Mặc dù có nhiều công trình nghiên cứu và các mô hình giải pháp đã được giới thiệu, nhưng đa số các công trình nghiên cứu là những sản phẩm rời rạc, chưa có sự kết nối, chưa cung cấp các dịch vụ mà người nông dân có thể tham gia trực tiếp ngoài thao tác tra cứu thông tin đơn thuần. Đặc biệt, các giải pháp vẫn chưa có sự kết nối và tư vấn của các chuyên gia nông nghiệp để hỗ trợ người nông dân một cách trực tiếp và kịp thời.2 Mục tiêu Phát triển hệ thống các giải pháp ứng dụng trên thiết bị đi động và website để giúp người nông dan có thể chuẩn đoán bệnh, tra cứu cách phòng trị, kết nối chuyên gia là một nhu cầu lớn và có tiềm năng phát triển trong tương lai gần. Do đó, nhóm thực hiện đề xuất dé tài “Thiết kế hệ thống hỗ trợ tư vấn chăm sóc bệnh trên lá cây cà chua ứng dụng kỹ thuật máy học”. Đề tài cung cấp các ứng dụng trên thiết bị di động và website để người nông dân có thể dé dàng tham gia vào hệ sinh thái nông nghiệp, quản lý quá trình canh tác và tương tác trực tiếp với các chuyên gia nông nghiệp.

Trong đề tài nghiên cứu này nhóm chọn cây cà chua làm mục tiêu nghiên cứu của mình. Bên cạnh đó, nhóm cũng hướng đến xây dựng cơ sở dữ liệu về bệnh trên cây cà chua phục vụ các nghiên cứu chuyên sâu trong nông nghiệp. Cà chua (tên sinh học: Solanum lycopersicum) phát triển trên hầu hết mọi loại đất thoát nước tốt và 9/10 nông dân trồng cà chua trên ruộng của họ. Nhiều người làm vườn cũng trồng cà chua trong vườn của họ để sử dụng cà chua tươi và có thể cảm nhận được hương vị ngon của thực phẩm tươi mát.

Tuy nhiên, người nông dân và người làm vườn đôi khi không thể biết được liệu vườn cà chua của mình có thực sự được phát triển một cách tốt nhất hay không. Đôi khi cà chua có thể có những đốm den trông xấu và nhiễm bệnh ở phần dưới cùng hoặc đôi khi các bệnh xuất hiện mà mắt thường không thể thấy được. Vì vậy trong đề tài nghiên cứu này, nhóm đã đề xuất ra phương pháp là thiết kế ra một dụng có thể xác định bệnh trên cây cà chua sau khi phân tích hình ảnh của lá. Công việc này sẽ giải quyết các vấn đề của nông dân về xác định bệnh hại của cây trồng và được tư vấn chăm sóc cây trồng một cách nhanh chóng và hiệu quả.

Điều này sẽ giúp họ chữa khỏi bệnh cho cây trồng kịp thời, giúp tăng cả về chất lượng và sản lượng thành phẩm, đồng thời giúp tăng lợi nhuận cho người nông dân. Với mục đích thử nghiệm, nhóm đã sử dụng bộ dữ liệu về lá cà chua được cung cấp bởi Viện Cây ăn trái Miền Nam [13]. Phạm vi trong đề tài nghiêm cứu gồm chín bệnh phổ biến là: bệnh vàng xoăn lá, bệnh đốm lá Septoria, bệnh đốm vi khuẩn, bệnh úa muộn, bệnh cháy lá sớm, bệnh kham lá, bệnh mốc xám, bệnh ve nhện, bệnh đốm vòng [7,8|. Do đối tường phân tích bệnh là lá cây nên cần phải có mô hình máy học và thuật toán phù hợp để đạt được kết quả tốt nhất.

Qua phân tích và tìm hiểu [1-6] nhóm đã lựa chọn mô hình máy học phù hợp là Mask-RCNN với thuật toán phân đoạn đối tượng, thuật toán giúp chúng ta có thể phân đoạn các đối tượng một cách chính xác. Sử dụng kết quả nhận biết bệnh của mô hình máy học, nhóm sẽ phát triển ứng dụng cho phép người dùng có thể chụp ảnh lá cây bị bệnh ngay trên thiết bị di động của mình, qua quá trình phân tích sẽ đưa ra kết quả, tình trạng bệnh trên lá cây đồng thời đề xuất các cách phòng trị phù hợp. Hơn nữa, hệ thống ứng dụng còn hỗ trợ tính năng tạo kết nối với các chuyên gia giúp người dùng hiểu rỏ hơn về các loại bệnh, trau dồi kiến thức của mình và cũng có thể được hỗ trợ giải đáp các thắc mắc liên quan. Ứng dụng cũng sẽ có các bài viết và tài thiệu liên quan để mọi người cùng nhau tìm hiểu và nang cao kiến thức về các bệnh trên cây trồng [9, 10].3 Giới hạn của đề tài 1.

Cơ sở dit liệu bệnh trên cà chua với hơn 10.000 ảnh được gắn nhãn, khoanh vùng đối tượng (segmentation). Hệ thống máy học chẩn đoán bệnh hỗ trợ các chức năng phan tích các loại bệnh, đưa ra các biện pháp chăm sóc phù hợp với từng loại. Các tính năng chính của ứng dụng: ® Cho phép chụp anh lá cây bị bệnh ngay trên thiết bi di động. e Phân tích các loại bệnh trên lá cây cà chua.

» Gợi ý các phương pháp chăm sóc phù hợp cho từng loại bệnh. œ Hỗ trợ kênh liên lạc trực tiếp với chuyên gia về công nghệ và nông nghiệp. © Các bài viết, tài liệu về nông nghiệp liên quan Trên đây là giới thiệu tổng quan về lý do thực hiện, mục tiêu và giới hạn của đề tài. O chương sau chúng ta sẽ đi sâu hơn về phần phân tích và giới thiệu về các kỹ thuật được dùng trong quá trình nghiên cứu và phát triển ứng dụng.

12 Chương 2 GIỚI THIỆU CÁC KỸ THUẬT ĐƯỢC SỬ DỤNG Ỏ chương này, chúng ta sẽ tìm hiểu về mặt lý thuyết các công cụ, kỹ thuật được sử dụng trong suốt quá trình thực hiện dự án. Nội dung được chia thành 3 phần chính: 1. Mô hình máy học. Nền tảng ứng dụng di động.

Nền tang website.1 Mô hình máy học 2.1 Thu thập dữ liệu: Dữ liệu được thu thập dựa trên sự hợp tác với các chuyên gia nông nghiệp từ Trung tâm chuyển giao Công nghệ thông tin, Viện Cây ăn trái Miền Nam, các tài liệu tham khảo có sẵn từ các nghiên cứu trước, để xây dựng cơ sở dữ liệu về bệnh lá cây cà chua (trên 10. Tổng cộng có 10 loại nhãn khác nhau, tương ứng với 9 loại bệnh lá và lá khoẻ mạnh.2 Xử lý ảnh: Xử lý ảnh là đối tượng nghiên cứu của lĩnh vực thị giác máy, là quá trình biến đổi từ một ảnh ban đầu sang một ảnh mới với các đặc tính và tuân theo ý muốn của người sử dụng. Xử lý ảnh có thể gồm quá trình phân tích, phân lớp các đối tượng, làm tăng chất lượng, phân đoạn và tách cạnh, gán nhãn cho vùng hay quá trình biên dịch các thông tin hình ảnh của ảnh. Cũng như xử lý dữ liệu bằng đồ hoạ, xử lý ảnh số là một lĩnh vực của tin học ứng dụng.

Xử lý dit liệu bằng đồ họa đề cập đến những ảnh nhân tạo, các ảnh này được xem xét như là một cấu trúc dữ liệu và được tạo bởi các chương trình. Xử lý ảnh số bao gồm các phương pháp và kỹ thuật biến đổi, để truyền tải hoặc mã hoá các ảnh tự nhiên. Mục đích của xử lý ảnh gồm: © Biến đổi ảnh làm tăng chất lượng ảnh. ® Tự động nhận dạng ảnh, đoán nhận ảnh, đánh giá các nội dung của ảnh.

Nhận biết và đánh giá các nội dung của ảnh là sự phân tích một hình ảnh thành những phần có ý nghĩa để phân biệt đối tượng này với đối tượng khác, dựa vào đó ta có thể mô tả cấu trúc của hình ảnh ban đầu. Có thể liệt kê một số phương pháp nhận dạng cơ bản nhất nhận dạng ảnh của các đối tượng trên ảnh, tách cạnh, phân đoạn hình ảnh,. Các bước xử lý ảnh được thể hiện chỉ tiết trong hình 2.2, quá trình xử lý gồm 5 bước: Biểu diễn và mô. Nhận dạng và Thu nhận ảnh Tiền xử lý ảnh tả nội suy | (Co sở wi thức Hình 2.2: Mô hình các bước xử lý ảnh © Thu nhận ảnh: có thể nhận được qua camera màu hoặc đen trắng, đây là loại ảnh tương tự.

© Tiền xử lý: sau bộ phận thu nhận ảnh,ảnh có thể bị nhiễu hoặc độ tương phản thấp nên cần đưa vào bộ tiền xử lý để nâng cao chất lượng ảnh. ® Chức năng: lọc nhiễu, tăng hoặc giảm độ tương phan. ® Phân đoạn ảnh : là tách ảnh đầu vào thành các vùng để biểu diễn , phân tích và nhận dạng ảnh. 14 ® Biểu diễn ảnh : các vật thể sau khi được phân đoạn có thể được mô tả dưới dạng chuỗi các điểm và biểu diễn ảnh thường được sử dụng khi ta quan tâm đến đặc tính bên trong của vùng ảnh.

Vd : đường cong, hình dang. Quá trình biểu dién ảnh là việc biến đổi các số liệu của ảnh thành dạng thích hợp và cần thiết cho quá trình xử lý bằng máy tính. ® Nhận dạng và nội suy : là quá trình phân loại vật thể dựa trên cơ sở các chỉ tiết mô tả vật thể và nhận dạng ảnh là quá trình xác định ảnh và quá trình này thu được bằng cách so sánh với mẫu đã được lưu trữ từ trước. ® Co sở tri thức : các quá trình xử lý liệt kê trong hình thức xử lý ảnh.