Tổng quan luận án

Tính cấp thiết và khoảng trống nghiên cứu

Mỗi giống lúa thích nghi với những điều kiện canh tác cụ thể về thổ nhưỡng, khí hậu và nguồn nước. Việc lựa chọn đúng giống lúa phù hợp với điều kiện sinh trưởng là yếu tố quyết định đến năng suất và chất lượng mùa vụ. Để ứng phó với biến đổi khí hậu, sâu bệnh và sự thay đổi của môi trường canh tác (đặc biệt là tình trạng xâm nhập mặn tại vùng Đồng bằng sông Cửu Long), số lượng giống lúa lai tạo mới ngày càng gia tăng và đa dạng.

Bên cạnh các giống lúa có sự khác biệt rõ rệt về hình thái bên ngoài, tồn tại nhiều giống lúa có đặc điểm quan sát bên ngoài rất tương đồng về màu sắc, kích thước và kết cấu vỏ trấu. Việc phân loại thủ công bằng mắt thường hoặc phương pháp đo đạc truyền thống (như chiếu bóng hạt lúa trên giấy kẻ ô dưới kính lúp tại Viện Nghiên cứu Lúa Quốc tế - IRRI) thường tiêu tốn nhiều thời gian và dễ xảy ra nhầm lẫn. Nhầm lẫn giống trong khâu gieo trồng dẫn đến suy giảm năng suất và phẩm chất lúa thu hoạch.

Qua khảo sát tài liệu học thuật, các nghiên cứu phân loại giống lúa tự động trước đây bộc lộ một số khoảng trống:

  • Số lượng giống khảo sát còn ít (thường từ 4 đến 9 giống); khi số lượng giống tăng lên (từ 15 đến 90 giống), độ chính xác phân loại của các mô hình giảm sút rõ rệt.
  • Các phương pháp trích xuất đặc trưng truyền thống về màu sắc chủ yếu chỉ tính giá trị trung bình và độ lệch chuẩn của các kênh màu, chưa mô tả được sự phân bố cụm màu và tỷ lệ diện tích các vùng màu trên hạt lúa.
  • Các đặc trưng bề mặt hạt lúa hầu như chỉ dừng lại ở các thông số thống kê cơ bản hoặc ma trận đồng hiện mức xám (GLCM), chưa khai thác sâu các kỹ thuật phân tích kết cấu cục bộ có khả năng kháng nhiễu và bất biến phép quay.
  • Việc kết hợp trích xuất đa đặc trưng thường dẫn đến hiện tượng bùng nổ số chiều, đòi hỏi kỹ thuật tối ưu hóa lựa chọn đặc trưng hiệu quả để loại bỏ thuộc tính dư thừa mà vẫn bảo toàn độ chính xác.

Do đó, việc nghiên cứu phát triển các giải pháp xử lý ảnh kết hợp máy học và mạng nơ-ron tích chập nhằm nâng cao độ chính xác phân loại cho các giống lúa có quan sát bên ngoài tương tự nhau tại Việt Nam là yêu cầu khoa học và thực tiễn cấp thiết.

Mục tiêu và nhiệm vụ nghiên cứu

Mục tiêu tổng quát của luận án là nghiên cứu nâng cao độ chính xác phân loại tự động cho 17 giống lúa có hình thái bên ngoài tương đồng nhau về màu sắc và kích thước, phần lớn đang được gieo trồng tại vùng Đồng bằng sông Cửu Long, Việt Nam.

Nhiệm vụ nghiên cứu cụ thể được xác định gồm 5 nội dung:

  1. Thu thập ảnh độ phân giải cao và xây dựng ba cơ sở dữ liệu nghiên cứu chuẩn hóa từ 17 giống lúa (tập đặc trưng tổng cộng 248 chiều, tập đặc trưng bề mặt đề xuất ILTP mở rộng, và cơ sở dữ liệu ảnh tăng cường phục vụ mạng nơ-ron tích chập).
  2. Nghiên cứu đề xuất thuật toán kết hợp tối ưu hóa bầy đàn nhị phân và máy vector hỗ trợ (BPSO+SVM) để chọn lọc tập đặc trưng tối ưu từ tập đặc trưng tổng cộng, đồng thời đánh giá khả năng mở rộng trên các bộ phân loại Naïve Bayes và Random Forest.
  3. Nghiên cứu đề xuất bộ mô tả đặc trưng kết cấu bề mặt mẫu bộ ba cục bộ cải tiến mở rộng (Extended Improved Local Ternary Pattern - Extended ILTP), kết hợp với SVM và mạng nơ-ron nhân tạo (ANN).
  4. Thiết kế, hiệu chỉnh kiến trúc mạng nơ-ron tích chập (VGG16 hiệu chỉnh và ResNet50 hiệu chỉnh) bằng cách tái cấu trúc các lớp kết nối đầy đủ (Fully Connected) để phân loại trực tiếp từ dữ liệu ảnh hạt lúa.
  5. Thực nghiệm đánh giá tính bền vững và khả năng mở rộng của các mô hình trong các điều kiện: hạt lúa lưu trữ dài hạn sau 5 năm ở nhiệt độ thường, hạt lúa bị biến màu do ẩm mốc, phân loại 17 giống lúa mới và phân loại mở rộng 34 giống lúa.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu: Ảnh chụp các hạt giống lúa nguyên vẹn thuộc 17 giống lúa phổ biến tại Việt Nam (do Viện Lúa Đồng bằng sông Cửu Long cung cấp). Các hạt lép, nứt vỏ đã được sàng lọc và loại bỏ trước khi thu ảnh.
  • Phạm vi không gian: Tập trung vào các giống lúa được canh tác chủ yếu tại khu vực Đồng bằng sông Cửu Long.
  • Phạm vi kỹ thuật: Sử dụng máy quét phẳng độ phân giải cao để thu nhận ảnh, áp dụng các kỹ thuật xử lý ảnh số, giải thuật tối ưu hóa bầy đàn nhị phân (BPSO), các bộ phân loại học máy (SVM, ANN, Naïve Bayes, Random Forest) và các kiến trúc học sâu (VGG16, ResNet50). Luận án giới hạn ở phạm vi xây dựng mô hình thuật toán và đánh giá hiệu năng phân loại thực nghiệm trên tập dữ liệu ảnh tĩnh, chưa triển khai đóng gói thành thiết bị phần cứng hay phần mềm thương mại hoàn chỉnh.

Tổng quan tài liệu và vị trí của luận án

Các hướng nghiên cứu đã công bố

Luận án đã hệ thống hóa các công trình nghiên cứu trong và ngoài nước về phân loại giống lúa thông qua hai hướng tiếp cận chính:

Phân loại giống lúa

  1. Phân loại sử dụng đặc trưng màu sắc đơn lẻ:

    • Nghiên cứu [4] sử dụng 21 đặc trưng màu (giá trị trung bình, phương sai, dải màu trên 7 kênh R, G, B, H, S, I, Y) kết hợp mạng ANN phân loại 15 giống lúa; áp dụng lựa chọn đặc trưng còn 7 giá trị trung bình kênh màu đạt độ chính xác 94,33%. Số nơ-ron lớp ẩn được tính theo công thức: $$N = \frac{I + O}{2} + \sqrt{Y}$$ (trong đó $I$ là số node vào, $O$ là số node ra, $Y$ là số mẫu huấn luyện).
    • Nghiên cứu [6] trích xuất 36 đặc trưng màu sắc trong các không gian RGB, HSI, HSV kết hợp mạng nơ-ron lan truyền ngược (cấu trúc 36-6-5-5) để phân loại 5 giống lúa ở 3 dạng (gạo nâu, gạo trắng, lúa), đạt độ chính xác 98%.

  2. Phân loại sử dụng đặc trưng hình thái học và ảnh siêu phổ:

    • Nghiên cứu [7] kết hợp ảnh RGB và ảnh siêu phổ (Hyperspectral Imaging - HSI) cùng bộ phân loại Random Forest để phân loại 90 giống lúa. Kết quả cho thấy độ chính xác giảm dần theo quy mô lớp: đạt gần 97,5% với 6 giống, giảm xuống dưới 90% với 20 giống, dưới 87,5% với 40 giống, dưới 82,5% với 60 giống và dưới 80% khi phân loại 80–90 giống.
    • Kong và cộng sự [8] sử dụng ảnh siêu phổ cận hồng ngoại (dải sóng 1.039–1.612 nm) kết hợp KNN, SVM và Random Forest để phân loại 4 giống lúa.

  3. Phân loại kết hợp màu sắc và hình thái học:

    • Chaugule và cộng sự [9] phân loại 4 giống lúa (Karjat-6, Ratnagiri-2, Ratnagiri-4, Ratnagiri-24) bằng mạng nơ-ron; độ chính xác đạt 88% với hình dạng, 74,02% với màu sắc, và 89% khi kết hợp cả hai.
    • L. Zhao-yan và cộng sự [10] trích xuất 7 đặc trưng màu và 14 đặc trưng hình thái học (diện tích $A$, chiều dài, chiều rộng, trục lớn, trục nhỏ, đường kính tương đương $D_e = \sqrt{4A/\pi}$, độ tròn, tỷ lệ trục, diện tích lấp đầy, diện tích bao lồi, độ chắc Solidity, tỷ lệ khung bao Extent), dùng PCA chọn 17 đặc trưng đưa vào mạng ANN phân loại 6 giống lúa (ey7954, syz3, xs11, xy5968, xy9308, z903), độ chính xác dao động từ 74,00% đến 95,00%.
    • Pazoki và cộng sự [11] phân loại 5 giống lúa Iran (Khazar, Gharib, Ghasrdashti, Gerdeh, Mohammadi) bằng mạng truyền thẳng đa tầng và mạng neuro-fuzzy với 39 đặc trưng (24 màu, 11 hình thái, 4 hệ số hình dạng gồm tỷ lệ tương quan $K = L/l$, Compactness $Co = \sqrt{4A/\pi}/L$, nhân tố hình dạng $SF = L/A$), đạt độ chính xác tương ứng 98,4% và 99,73%.

  4. Phân loại kết hợp màu sắc, hình thái học và kết cấu bề mặt:

    • Phan Thị Thu Hồng và cộng sự [12] phân loại 6 giống lúa miền Bắc Việt Nam (BC-15, Hương thơm 1, Nếp-87, Q-5, Thiên ưu-8, Xi-23) bằng Random Forest với bộ đặc trưng cơ bản (ảnh 640x480 pixel), đạt độ chính xác 90,6%.
    • Silva và Sonnadara [13] phân loại 9 giống lúa Sri Lanka bằng mạng ANN kết hợp đặc trưng hình thái, màu sắc và GLCM ($d=4$, 4 hướng: 0°, 45°, 90°, 135°); đặc trưng GLCM trên kênh R đơn lẻ đạt 63%, kết hợp cả 3 nhóm đạt 92%.
    • Nghiên cứu [14] dùng 15 đặc trưng hình học, 4 hệ số hình dạng và 21 đặc trưng GLCM kết hợp SVM nhiều lớp phân loại 6 giống lúa tại Tây Odisha, đạt 92%.
    • Nghiên cứu [15] dùng GLCM trên ảnh đường biên kết hợp ANN nhận dạng 15 giống lúa đạt 87,8%; nghiên cứu [16] kết hợp màu sắc, hình thái và bề mặt phân loại 30 giống lúa đạt 89,1%.

  5. Phân loại bằng mạng nơ-ron tích chập (CNN):

    • Nghiên cứu [23] phân loại 14 giống lúa Thái Lan bằng 5 mô hình CNN (VGG16, VGG19, Xception, InceptionV3, Inception ResNetV2); mô hình Inception ResNetV2 đạt độ chính xác cao nhất 95,15% (vượt trội so với SVM đạt 90,61%).
    • Nghiên cứu [24] thử nghiệm trên cơ sở dữ liệu VNRICE gồm 6 giống lúa Việt Nam (BC-15: 1.834 hạt, Hương thơm 1: 2.096 hạt, Nếp-87: 1.399 hạt, Q-5: 1.924 hạt, Thiên Ưu-8: 1.026 hạt, Xi-23: 2.229 hạt); kết quả SVM với các bộ mô tả LBP, LTP, HOG, GIST, SIFT chỉ đạt 49,59%–84,10%, trong khi các mạng CNN đạt độ chính xác cao: VGG16 (96,94%), Inception V3 (98,10%) và DenseNet121 (99,04%).
    • Nghiên cứu [22] và [25] áp dụng CNN trên ảnh siêu phổ phân loại từ 4 đến 7 giống lúa, đạt độ chính xác từ 87% đến xấp xỉ 100%.

Khoảng trống luận án lựa chọn giải quyết

Luận án tập trung giải quyết 4 hạn chế cốt lõi sau:

  1. Nâng cao độ chính xác phân loại đồng thời cho 17 giống lúa có mức độ tương đồng ngoại quan cao, khắc phục hiện tượng suy giảm hiệu năng khi tăng số lượng lớp.
  2. Bổ sung kỹ thuật phân cụm màu k-means để mô tả tỷ lệ diện tích và tâm màu của từng vùng màu trên hạt lúa, thay vì chỉ dùng trung bình màu toàn cục.
  3. Đề xuất bộ mô tả ILTP mở rộng nhằm khắc phục nhược điểm nhạy cảm với nhiễu của LBP và tận dụng ưu thế kháng nhiễu, bất biến quay của LTP trên ảnh hạt lúa.
  4. Tối ưu hóa số chiều đặc trưng thông qua thuật toán BPSO+SVM và hiệu chỉnh cấu trúc phân loại của các mạng nơ-ron tích chập VGG16, ResNet50 để tối ưu hóa khả năng nhận dạng và kiểm chứng tính bền vững trong môi trường thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Cơ sở lý thuyết và các mô hình sử dụng

1. Máy vector hỗ trợ (Support Vector Machine - SVM)

SVM thiết lập siêu phẳng phân tách tối ưu giữa hai lớp dữ liệu sao cho khoảng cách lề (margin) $2/|w|$ là lớn nhất.

  • Trường hợp phân tách tuyến tính: Với tập mẫu huấn luyện ${(s_i, y_i)}{i=1}^N$ với $y_i \in {-1, +1}$, bài toán quy về tìm giá trị nhỏ nhất của hàm biến đổi Lagrange: $$L(w, b, \alpha) = \frac{1}{2}w^T w - \sum{i=1}^N \alpha_i [y_i(w^T s_i + b) - 1]$$ (trong đó $\alpha_i \ge 0$ là các hệ số Lagrange). Hàm quyết định dự đoán mẫu $s$: $$f(s) = \text{sign}\left(\sum_{i=1}^e \alpha_i (s_i^T s) + b_0\right)$$ (với $e$ là số lượng vector hỗ trợ, $b_0$ là tham số ngưỡng).
  • Trường hợp phi tuyến: Dữ liệu được ánh xạ lên không gian nhiều chiều thông qua hàm Kernel $K(s, s_i) = \phi(s)^T \phi(s_i)$. Các hàm Kernel phổ biến gồm Kernel tuyến tính ($K(s, s_i) = s^T s_i + c$), RBF và đa thức.

2. Tối ưu hóa bầy đàn nhị phân (Binary Particle Swarm Optimization - BPSO)

Trong không gian tìm kiếm nhị phân $D$ chiều, mỗi cá thể $i$ được biểu diễn bởi vector vị trí $X_i = (x_{i1}, x_{i2}, \dots, x_{iD})$ với $x_{id} \in {0, 1}$ (tương ứng đặc trưng thứ $d$ được chọn hoặc bị loại bỏ) và vector vận tốc $V_i = (v_{i1}, v_{i2}, \dots, v_{iD})$. Vận tốc và vị trí được cập nhật qua hàm Sigmoid: $$S(v_{id}) = \frac{1}{1 + e^{-v_{id}}}$$ $$x_{id} = \begin{cases} 1, & \text{nếu } r < S(v_{id}) \ 0, & \text{ngược lại} \end{cases}$$ (với $r \sim U(0,1)$, kết hợp trọng số quán tính $\omega$ và các thành phần học tập cá nhân $Pb_i$, toàn thể $gb$).

3. Bộ mô tả kết cấu bề mặt LBP và LTP

  • Mẫu nhị phân cục bộ (LBP): Mã hóa mối quan hệ mức xám giữa pixel trung tâm $g_c$ và $P$ điểm lân cận trên bán kính $R$.
  • Mẫu bộ ba cục bộ (LTP): Mở rộng ngưỡng nhị phân thành ngưỡng 3 mức dựa trên dải dung sai $\pm t$ quanh $g_c$, sau đó phân tách thành hai mẫu nhị phân riêng biệt: mẫu trên (Upper code - $Ubp_{P,R}$) và mẫu dưới (Lower code - $Lbp_{P,R}$). Tính toán độ đồng nhất Uniformity ($U$) và thiết lập ngưỡng $U_u, U_l$ để trích xuất vector đặc trưng tần suất phân bố.

4. Mạng nơ-ron tích chập (Convolutional Neural Network - CNN)

Sử dụng kiến trúc mạng tích chập sâu trích xuất đặc trưng không gian tự động qua các tầng Convolution, Batch Normalization, ReLU Activation, Max Pooling và Fully Connected (FC). Hai kiến trúc nền tảng được chọn là VGG16 (cấu trúc tích chập khối tuần tự đồng nhất) và ResNet50 (sử dụng kết nối tắt - shortcut connection/residual block nhằm khắc phục suy giảm đạo hàm).

Phương pháp nghiên cứu và quy trình thực nghiệm

Ảnh hạt lúa 17 giống (Máy quét phân giải cao)

  1. Thu nhận và tiền xử lý ảnh:

    • Các mẫu hạt lúa của 17 giống được rải đều trên phông nền màu xanh lá cây và thu nhận ảnh bằng máy quét phẳng phân giải cao.
    • Quy trình tiền xử lý ảnh: Chuyển đổi không gian màu, nhị phân hóa tách nền xanh, xác định đường biên bao quanh từng hạt lúa, thực hiện phép biến đổi hình học để xoay hạt lúa về phương thẳng đứng và cắt tách từng hạt riêng lẻ thành các ảnh đơn hạt có đóng khung viền.

  2. Xây dựng 3 cơ sở dữ liệu nghiên cứu:

    • Cơ sở dữ liệu 1 (Tập đặc trưng tổng cộng - 248 đặc trưng): Bao gồm 5 tập con: Màu cơ bản, Màu phân cụm k-means, Hình thái học, Bề mặt thống kê và Bề mặt GLCM.
    • Cơ sở dữ liệu 2 (Tập đặc trưng ILTP mở rộng): Trích xuất đặc trưng kết cấu bề mặt cải tiến theo không gian đa bán kính $(P, R)$ và ngưỡng động $U_{th}$.
    • Cơ sở dữ liệu 3 (Tập dữ liệu ảnh cho CNN): Gồm 7 tập con với số lượng mẫu huấn luyện và kiểm tra khác nhau, được xử lý qua kỹ thuật tăng cường dữ liệu (Data Augmentation) bằng các phép quay, lật và biến đổi tỷ lệ.

  3. Thiết lập phần cứng và phần mềm:

    • Thí nghiệm được thực hiện trên hệ thống máy tính trang bị GPU tính toán chuyên dụng; môi trường phần mềm bao gồm Python, thư viện OpenCV, Scikit-learn, TensorFlow/Keras và MATLAB.

Nội dung chính theo từng chương

Chương 1: Giới thiệu

Chương 1 trình bày tổng quan về nguồn gốc phân loại cây lúa (Oryza sativa thuộc hai nhóm chính Indica và Japonica theo Morishima & Oka [2], Glaszmann [3]), vai trò của các ngân hàng gen lưu trữ (IRRI quản lý trên 130.000 mẫu giống; Viện Lúa Đồng bằng sông Cửu Long lưu giữ trên 1.800 giống lúa cổ truyền và 160 quần thể lúa hoang dại; Đại học Cần Thơ quản lý 1.988 giống). Chương này phân tích hạn chế của phương pháp nhận dạng thủ công, tổng quan chi tiết các công trình nghiên cứu trong nước và quốc tế, xác định rõ lý do chọn đề tài, mục tiêu, đối tượng, phương pháp, 5 đóng góp mới và bố cục 7 chương của luận án.

Chương 2: Cơ sở lý thuyết

Chương 2 thiết lập cơ sở toán học cho các bộ phân loại SVM (phân tách tuyến tính, phi tuyến và biến đổi Kernel), mô hình mạng ANN và kiến trúc mạng nơ-ron tích chập CNN. Trình bày phương pháp đánh giá hiệu năng mô hình qua Độ chính xác phân loại ($Accuracy = N_{\text{đúng}} / N_{\text{tổng}}$) và ma trận nhầm lẫn (Confusion Matrix).

Chương này mô tả chi tiết thông tin 17 giống lúa Việt Nam được khảo sát, hệ thống thu nhận ảnh bằng máy quét phẳng, quy trình trích xuất tách hạt trên nền xanh, cấu trúc 3 bộ dữ liệu thử nghiệm và cấu hình thiết bị phần cứng, phần mềm phục vụ toàn bộ nghiên cứu.

Chương 3: Kết hợp kỹ thuật tối ưu hóa bầy đàn nhị phân và máy vector hỗ trợ

Chương 3 tập trung xây dựng tập đặc trưng tổng cộng gồm 248 đặc trưng được chia thành 5 nhóm thành phần:

  • Đặc trưng màu cơ bản: Giá trị trung bình ($\bar{R}, \bar{G}, \bar{B}$), phương sai ($\sigma^2$), độ lệch chuẩn ($\sigma$) và dải giá trị màu ($Range_{RGB}$) trên các kênh màu RGB.
  • Đặc trưng màu phân cụm: Áp dụng thuật toán $k$-means trong không gian màu Lab, xác định tâm màu cụm ($L^, a^, b^*$) và tỷ lệ diện tích tương ứng của từng cụm màu ($C_i$) trên bề mặt hạt lúa.
  • Đặc trưng hình thái học: Diện tích ($A$), chu vi ($Pe$), chiều dài ($L_r$), chiều rộng ($W_r$), độ dài trục lớn ($L$), độ dài trục nhỏ ($l$), đường kính tương đương ($D_e$), diện tích bao lồi ($C_A$), tỷ lệ dạng ($As = L_r/W_r$), tỷ lệ khung bao ($Ex$), độ chắc ($So = A/C_A$), nhân tố hình dạng ($SF$), độ tròn ($R$) và độ nén ($Co$).
  • Đặc trưng bề mặt thống kê và GLCM: Mômen thống kê mức xám bậc cao và các giá trị tính từ ma trận đồng hiện mức xám GLCM (năng lượng, tương phản, entropy, tương quan, đồng nhất) theo 4 góc hướng (0°, 45°, 90°, 135°).
Phương pháp phân loại Số lượng đặc trưng sử dụng Tỷ lệ đặc trưng sử dụng (%) Độ chính xác phân loại (%)
SVM thuần túy (Tập tổng cộng) 248 100,00% 88,29%
BPSO + SVM đề xuất 96 38,71% 93,94%
Naïve Bayes thuần túy 248 100,00% 77,82%
BPSO + Naïve Bayes 81 32,66% 90,65%
Random Forest thuần túy 248 100,00% 88,53%
BPSO + Random Forest 112 45,16% 92,35%

Kết quả thực nghiệm cho thấy phương pháp BPSO+SVM đã giảm 61,29% số đặc trưng dư thừa (chỉ giữ lại 96 đặc trưng) nhưng giúp tăng độ chính xác phân loại của SVM từ 88,29% lên 93,94%. Thuật toán BPSO cũng cải thiện đáng kể độ chính xác của Naïve Bayes (+12,83%) và Random Forest (+3,82%).

Chương 4: Tập đặc trưng đề xuất ILTP mở rộng

Chương 4 trình bày phương pháp trích xuất đặc trưng kết cấu bề mặt đề xuất mang tên ILTP mở rộng (Extended ILTP). Thuật toán mã hóa bề mặt hạt lúa thành hai mẫu nhị phân Upper và Lower dựa trên ngưỡng dung sai cục bộ $t$, bán kính lân cận $R$ và số điểm lấy mẫu $P$. Đồng thời, hệ số đồng nhất Uniformity ($U$) được áp dụng kết hợp với các ngưỡng $U_u, U_l$ để loại trừ các mẫu không đồng nhất.

Mô hình phân loại kết hợp Bộ mô tả đặc trưng Độ chính xác phân loại 17 giống lúa (%)
SVM ILTP mở rộng đề xuất 95,53%
ANN ILTP mở rộng đề xuất 92,82%

Độ chính xác phân loại của SVM khi kết hợp với ILTP mở rộng đạt 95,53%, cao hơn đáng kể so với mô hình mạng ANN (92,82%) và vượt trội so với phương pháp BPSO+SVM trên tập đặc trưng tổng cộng ở Chương 3 (93,94%).

Chương 5: Nâng cao độ chính xác phân loại giống lúa bằng mạng nơ-ron tích chập

Chương 5 nghiên cứu ứng dụng học sâu trực tiếp trên cơ sở dữ liệu ảnh không qua trích xuất đặc trưng thủ công. Cơ sở dữ liệu ảnh gồm 7 tập ảnh với quy mô mẫu huấn luyện khác nhau được xây dựng nhờ kỹ thuật tăng cường dữ liệu (Data Augmentation).

Tác giả đề xuất hiệu chỉnh cấu trúc của hai mô hình mạng chuẩn VGG16 và ResNet50: loại bỏ các lớp kết nối đầy đủ (Fully Connected - FC) nguyên bản và thay thế bằng các lớp FC mới được tinh chỉnh số lượng nơ-ron phù hợp với bài toán 17 lớp giống lúa.

Mô hình mạng CNN Kiến trúc gốc chưa hiệu chỉnh Kiến trúc đề xuất sau hiệu chỉnh Mức độ cải thiện (%)
VGG16 93,88% 96,41% +2,53%
ResNet50 94,53% 97,88% +3,35%

Thực nghiệm chứng minh ResNet50 hiệu chỉnh đạt độ chính xác cao nhất (97,88%) trong tất cả các phương pháp. Phân tích hàm mất mát (loss function), thời gian xử lý và ma trận nhầm lẫn cho thấy ResNet50 hiệu chỉnh có tốc độ hội tụ nhanh, khả năng tối ưu hóa sâu nhờ các kết nối tắt và phân biệt chính xác giữa các cặp giống lúa có độ tương đồng quang học cao.

Chương 6: Một số kết quả mở rộng

Chương 6 kiểm tra tính bền vững và khả năng thích ứng thực tế của 3 mô hình tiêu biểu (SVM + ILTP mở rộng, VGG16 hiệu chỉnh, ResNet50 hiệu chỉnh) qua 4 kịch bản kiểm thử mở rộng:

Kịch bản kiểm thử mở rộng SVM + ILTP mở rộng VGG16 hiệu chỉnh ResNet50 hiệu chỉnh
1. Mẫu hạt lưu trữ 5 năm (nhiệt độ thường) 92,94% 94,53% 97,12%
2. Mẫu hạt bị đổi màu do ẩm mốc 95,00% 95,47% 96,88%
3. Phân loại tập 17 giống lúa mới khác 97,88% 98,88% 99,00%
4. Phân loại mở rộng quy mô 34 giống lúa (Không khảo sát) 95,13% 95,77%

Kết quả cho thấy ResNet50 hiệu chỉnh duy trì độ chính xác vượt trội trên 96% ở tất cả các điều kiện hạt bị biến đổi chất lượng do môi trường và thời gian lưu trữ, đồng thời đạt 95,77% khi mở rộng quy mô phân loại lên 34 giống lúa.

Chương 7: Kết luận và hướng phát triển

Tổng kết toàn bộ các kết quả lý thuyết và thực nghiệm đạt được, nêu rõ các mặt hạn chế về phạm vi triển khai và vạch ra định hướng phát triển cho các nghiên cứu tiếp theo.

Kết quả và những đóng góp mới

Những đóng góp mới về mặt khoa học và kỹ thuật

  1. Xây dựng hệ thống cơ sở dữ liệu ảnh và đặc trưng chuẩn hóa: Luận án đã thiết lập 3 bộ cơ sở dữ liệu có tính hệ thống cho 17 giống lúa trồng phổ biến tại Việt Nam (đặc biệt là vùng Đồng bằng sông Cửu Long) có ngoại quan tương đồng, bao gồm tập 248 đặc trưng đa miền, tập đặc trưng bề mặt ILTP mở rộng và cơ sở dữ liệu ảnh tăng cường.
  2. Đề xuất thuật toán BPSO+SVM chọn lọc đặc trưng tối ưu: Chứng minh tính hiệu quả của việc tích hợp giải thuật tối ưu bầy đàn nhị phân với SVM giúp giảm 61,29% số chiều vector đặc trưng (từ 248 xuống 96 đặc trưng) nhưng nâng cao độ chính xác phân loại từ 88,29% lên 93,94%. Giải thuật có khả năng mở rộng hiệu quả trên các bộ phân loại Naïve Bayes (tăng từ 77,82% lên 90,65%) và Random Forest (tăng từ 88,53% lên 92,35%).
  3. Đề xuất bộ mô tả kết cấu bề mặt ILTP mở rộng (Extended ILTP): Bổ sung không gian tham số lân cận $(P, R)$ và ngưỡng đồng nhất $U_{th}$ vào mô hình LTP, nâng độ chính xác nhận dạng khi kết hợp với SVM lên 95,53%, vượt trội so với các phương pháp trích xuất bề mặt truyền thống (GLCM).
  4. Hiệu chỉnh tối ưu kiến trúc mạng nơ-ron tích chập: Thiết kế thành công hai mô hình mạng VGG16 hiệu chỉnh (đạt 96,41%) và ResNet50 hiệu chỉnh (đạt 97,88%), vượt trội so với các mô hình CNN nguyên bản (93,88% và 94,53%).
  5. Chứng minh tính bền vững của các mô hình trên dữ liệu thực nghiệm phức tạp: Xác thực thực nghiệm độ chính xác của các mô hình trên hạt lúa lưu trữ 5 năm (ResNet50 đạt 97,12%), hạt lúa bị ẩm mốc (ResNet50 đạt 96,88%), 17 giống lúa mới (đạt 99,00%) và mở rộng thành công lên 34 giống lúa (đạt 95,77%).

Kiến nghị và giải pháp đề xuất

  • Ứng dụng mô hình ResNet50 hiệu chỉnh hoặc bộ kết hợp SVM + ILTP mở rộng vào quy trình kiểm định và sàng lọc độ thuần hạt giống tại các trung tâm giống cây trồng nhằm loại bỏ sai sót do quan sát chủ quan.
  • Tích hợp các thuật toán đề xuất vào các dây chuyền phân loại quang học hoặc phát triển thành phần mềm phân tích ảnh hạt lúa phục vụ công tác bảo tồn, lưu trữ nguồn gen tại các viện nghiên cứu nông nghiệp.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Nghiên cứu mới dừng lại ở mức độ xây dựng giải thuật và kiểm nghiệm mô hình học máy/học sâu trên máy tính, chưa phát triển thành một thiết bị phần cứng nhúng hoặc ứng dụng di động hoàn chỉnh hoạt động ngoài hiện trường.
  • Mẫu ảnh đầu vào yêu cầu chụp qua máy quét phẳng độ phân giải cao trong điều kiện phông nền màu xanh tiêu chuẩn và hạt lúa đã qua sàng lọc cơ học (loại bỏ hạt lép, vỡ nứt), chưa xử lý trực tiếp ảnh chụp ngẫu nhiên trong điều kiện chiếu sáng tự nhiên phức tạp.
  • Quy mô phân loại mở rộng tối đa trong luận án là 34 giống lúa, chưa bao phủ toàn bộ hàng nghìn giống lúa đang được lưu trữ trong các ngân hàng gen quốc gia.

Hướng nghiên cứu tiếp

  • Nghiên cứu đóng gói giải thuật lên các hệ thống nhúng (Embedded AI) hoặc thiết bị cầm tay kết hợp camera để nhận dạng và phân loại giống lúa trực tiếp tại đồng ruộng và kho lưu trữ theo thời gian thực.
  • Mở rộng cơ sở dữ liệu cho nhiều giống lúa khác trên các vùng sinh thái khác nhau của Việt Nam.
  • Nâng cao thuật toán tiền xử lý để nhận dạng tự động hạt lúa trong điều kiện ánh sáng thay đổi, nền phức tạp và hạt có khuyết tật cơ học.

Giá trị tham khảo

Luận án là tài liệu tham khảo chuyên môn giá trị cho các nhóm đối tượng:

  • Nghiên cứu sinh, học viên cao học, giảng viên chuyên ngành Kỹ thuật Điện tử, Kỹ thuật Viễn thông, Công nghệ Thông tin, Khoa học Dữ liệu và Thị giác máy tính: Tham khảo phương pháp trích xuất đặc trưng đa miền (Chương 3), kỹ thuật tối ưu hóa bầy đàn BPSO, giải thuật kết cấu bề mặt ILTP mở rộng (Chương 4) và kỹ thuật tinh chỉnh mạng tích chập sâu (Chương 5).
  • Các nhà khoa học nông nghiệp, chuyên gia chọn tạo giống cây trồng: Tham khảo quy trình số hóa hình thái hạt lúa, bộ thuộc tính phân cụm màu sắc và kết cấu bề mặt phục vụ công tác định danh giống.
  • Cán bộ quản trị và kỹ thuật viên tại các Viện nghiên cứu lúa, Trung tâm lưu trữ nguồn gen, Doanh nghiệp sản xuất giống: Ứng dụng các bảng tham số thực nghiệm và mô hình phân loại để kiểm soát chất lượng độ thuần giống và quản lý dữ liệu giống lúa lưu trữ dài hạn.

Câu hỏi thường gặp

1. Tại sao luận án tập trung vào 17 giống lúa có ngoại quan tương tự nhau thay vì các giống có hình thái khác biệt?

Nhiều giống lúa canh tác thực tế tại Đồng bằng sông Cửu Long có màu sắc, kích thước và vỏ trấu rất giống nhau, khiến mắt thường khó phân biệt và dễ chọn nhầm giống khi gieo trồng, làm giảm năng suất. Việc giải quyết bài toán phân loại trên 17 giống có độ tương đồng cao tạo tiền đề vững chắc để mô hình dễ dàng mở rộng và phân loại chính xác khi áp dụng cho các giống lúa có độ sai biệt lớn hơn hoặc quy mô nhiều giống hơn.

2. Thuật toán BPSO+SVM đề xuất ở Chương 3 mang lại ưu thế cụ thể nào so với việc dùng toàn bộ tập đặc trưng tổng cộng?

Khi sử dụng toàn bộ 248 đặc trưng ban đầu, bộ phân loại SVM đạt độ chính xác 88,29%. Khi ứng dụng thuật toán BPSO kết hợp SVM, hệ thống đã loại bỏ các đặc trưng dư thừa, chỉ chọn ra 96 đặc trưng tối ưu (tương đương 38,71% tổng số đặc trưng ban đầu), đồng thời nâng độ chính xác phân loại lên 93,94% (tăng 5,65%).

3. Bộ mô tả ILTP mở rộng ở Chương 4 có điểm gì cải tiến so với các kỹ thuật LBP và LTP truyền thống?

ILTP mở rộng giải quyết nhược điểm nhạy cảm với nhiễu của LBP bằng cơ chế mã hóa 3 mức của LTP (chia tách thành mẫu Upper và Lower), đồng thời tích hợp thêm các tham số bán kính lân cận đa tỷ lệ $(P, R)$ và ngưỡng đồng nhất Uniformity ($U_{th}$). Khi kết hợp với SVM, ILTP mở rộng đạt độ chính xác 95,53%, vượt trội so với các đặc trưng bề mặt GLCM truyền thống.

4. Kết quả phân loại của hai mạng CNN hiệu chỉnh (VGG16 và ResNet50) ở Chương 5 thay đổi như thế nào so với mô hình gốc?

Sau khi thay thế các lớp kết nối đầy đủ (FC) nguyên bản bằng các lớp FC được thiết kế mới phù hợp với bài toán 17 lớp hạt lúa:

  • Mô hình VGG16 hiệu chỉnh tăng độ chính xác từ 93,88% (mô hình gốc) lên 96,41%.
  • Mô hình ResNet50 hiệu chỉnh tăng độ chính xác từ 94,53% (mô hình gốc) lên 97,88%, đạt hiệu năng cao nhất trong tất cả các mô hình khảo sát.

5. Khả năng phân loại của các mô hình đề xuất khi hạt lúa bị ẩm mốc hoặc lưu trữ sau 5 năm đạt kết quả ra sao?

Thực nghiệm ở Chương 6 chứng minh tính bền vững cao của các mô hình đề xuất:

  • Với mẫu lúa lưu trữ 5 năm ở nhiệt độ thường: SVM + ILTP mở rộng đạt 92,94%, VGG16 hiệu chỉnh đạt 94,53%, ResNet50 hiệu chỉnh đạt 97,12%.
  • Với mẫu lúa bị biến màu do ẩm mốc: SVM + ILTP mở rộng đạt 95,00%, VGG16 hiệu chỉnh đạt 95,47%, ResNet50 hiệu chỉnh đạt 96,88%.

Kết luận

Luận án tiến sĩ của tác giả Trần Thị Kim Ngà đã giải quyết bài toán nâng cao độ chính xác phân loại cho 17 giống lúa có ngoại quan tương đồng tại Việt Nam thông qua kỹ thuật xử lý ảnh, học máy và học sâu. Các đóng góp trọng tâm bao gồm giải thuật tối ưu đặc trưng BPSO+SVM (đạt độ chính xác 93,94% với 96 đặc trưng), bộ mô tả kết cấu bề mặt ILTP mở rộng kết hợp SVM (đạt 95,53%) và kiến trúc mạng học sâu ResNet50 hiệu chỉnh (đạt 97,88%). Các kết quả thực nghiệm mở rộng trên mẫu hạt lúa lưu trữ 5 năm, hạt bị ẩm mốc và tập dữ liệu mở rộng 34 giống lúa đã khẳng định tính bền vững và giá trị ứng dụng của các phương pháp đề xuất trong kiểm định chất lượng giống và quản lý nguồn gen nông nghiệp.