## Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ trí tuệ nhân tạo (AI) và thị giác máy tính, việc nhận dạng động thực vật quý hiếm trở thành một vấn đề cấp thiết nhằm bảo tồn đa dạng sinh học và hỗ trợ quản lý tài nguyên thiên nhiên. Tỉnh Thanh Hóa, với diện tích rừng lên tới khoảng 66.889 ha và trữ lượng gỗ khoảng 6 triệu m³, là nơi sinh sống của hơn 56 loài động thực vật quý hiếm, trong đó có nhiều loài được ghi nhận trong Sách đỏ Việt Nam và thế giới. Tuy nhiên, do tình trạng khai thác trái phép, săn bắn và mất môi trường sống, nhiều loài đang có nguy cơ tuyệt chủng tại địa phương.

Mục tiêu nghiên cứu là phát triển mô hình mạng neuron học sâu (Deep Neural Network - DNN), cụ thể là mạng neuron nhân chập sâu (Convolutional Neural Networks - CNN), để nhận dạng chính xác các loài động thực vật quý hiếm tại Thanh Hóa. Nghiên cứu tập trung vào việc xây dựng mô hình nhận dạng hoạt động độc lập trên các thiết bị biên (edge devices), đảm bảo hiệu năng và độ chính xác cao, phục vụ cho các ứng dụng trong lĩnh vực nông nghiệp, lâm nghiệp, du lịch và an ninh.

Phạm vi nghiên cứu bao gồm các loài động thực vật quý hiếm, nguy cấp tại một số địa phương trong tỉnh Thanh Hóa, với dữ liệu hình ảnh thu thập và xử lý trong giai đoạn gần đây. Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao hiệu quả công tác bảo tồn, giảm thiểu chi phí và thời gian trong việc xác định loài, đồng thời tạo nền tảng cho các ứng dụng AI trong quản lý tài nguyên thiên nhiên.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

- **Mạng neuron nhân chập (CNN):** Là mô hình học sâu chuyên biệt cho xử lý ảnh, CNN khai thác các bộ lọc nhân chập để tự động trích xuất đặc trưng từ ảnh đầu vào, giúp nhận dạng và phân loại đối tượng với độ chính xác cao.
- **Các bộ mô tả đặc trưng truyền thống:** Bao gồm SIFT (Scale Invariant Feature Transform), SURF (Speeded Up Robust Features), BRIEF (Binary Robust Independent Elementary Features) và Shape Context, được sử dụng để trích xuất đặc trưng ảnh với các tính chất bất biến như tỉ lệ, xoay, ánh sáng.
- **Học sâu (Deep Learning):** Phương pháp học máy sử dụng mạng neuron nhiều tầng để tự động học và tổ chức đặc trưng theo cấp độ, từ thấp đến cao, giúp cải thiện khả năng nhận dạng phức tạp.

Các khái niệm chính bao gồm: điểm khóa (keypoint), bộ mô tả đặc trưng (feature descriptor), lớp nhân chập (convolutional layer), lớp lấy mẫu (pooling layer), hàm kích hoạt (activation function), và kỹ thuật dropout để giảm overfitting.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu:** Hình ảnh các loài động thực vật quý hiếm được thu thập tại các khu vực rừng của tỉnh Thanh Hóa, bao gồm khoảng vài nghìn ảnh với đa dạng điều kiện ánh sáng và góc chụp.
- **Phương pháp phân tích:** Xây dựng và huấn luyện mô hình CNN trên tập dữ liệu đã được xử lý và tăng cường dữ liệu (data augmentation) bằng các kỹ thuật cắt ảnh ngẫu nhiên, xoay, lật ảnh để tăng tính đa dạng và độ bền vững của mô hình.
- **Timeline nghiên cứu:** Quá trình thu thập dữ liệu và tiền xử lý kéo dài khoảng 6 tháng, huấn luyện và đánh giá mô hình trong 4 tháng tiếp theo, với các bước thử nghiệm và tinh chỉnh mô hình liên tục để đạt hiệu quả tối ưu.

Phương pháp huấn luyện sử dụng thuật toán tối ưu momentum với hàm mất mát categorical cross-entropy, batch size 64, và validation set chiếm 10% dữ liệu. Mô hình được đánh giá qua các chỉ số độ chính xác, tốc độ xử lý (FPS) và khả năng tổng quát hóa trên tập kiểm thử.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- Mô hình CNN đề xuất đạt độ chính xác nhận dạng trên 90% đối với các loài động thực vật quý hiếm trong tập kiểm thử, vượt trội so với các phương pháp truyền thống như SIFT và SURF chỉ đạt khoảng 75-80%.
- Tốc độ xử lý của mô hình đạt khoảng 30 FPS trên thiết bị biên cấu hình trung bình, đảm bảo khả năng ứng dụng thực tiễn trong các hệ thống giám sát và bảo tồn.
- Việc áp dụng kỹ thuật tăng cường dữ liệu (crop, xoay, lật) giúp cải thiện độ chính xác mô hình lên khoảng 5-7% so với mô hình không tăng cường.
- Mạng VGG16 và AlexNet được thử nghiệm cho thấy VGG16 có độ chính xác cao hơn (khoảng 92.7%) nhưng tốn nhiều tài nguyên hơn, trong khi AlexNet cân bằng tốt giữa hiệu năng và tốc độ.

### Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác là do khả năng tự động trích xuất đặc trưng phức tạp và tổ chức phân cấp của mạng CNN, giúp mô hình nhận dạng chính xác các đặc điểm đặc trưng của từng loài trong điều kiện biến đổi môi trường. So sánh với các nghiên cứu trước đây, mô hình CNN cho thấy ưu thế vượt trội trong việc xử lý ảnh đa dạng và phức tạp.

Kết quả có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các mô hình và bảng thống kê tốc độ xử lý trên các thiết bị khác nhau. Ý nghĩa của nghiên cứu không chỉ nâng cao hiệu quả nhận dạng mà còn góp phần giảm chi phí và thời gian trong công tác bảo tồn, đồng thời mở rộng ứng dụng AI trong quản lý tài nguyên thiên nhiên.

## Đề xuất và khuyến nghị

- **Triển khai hệ thống nhận dạng tự động:** Áp dụng mô hình CNN trên các thiết bị biên tại các khu bảo tồn để giám sát và nhận dạng động thực vật quý hiếm theo thời gian thực, nhằm nâng cao hiệu quả quản lý.
- **Tăng cường thu thập và cập nhật dữ liệu:** Thường xuyên bổ sung dữ liệu hình ảnh mới từ các khu vực khác nhau để cải thiện khả năng tổng quát hóa của mô hình, đảm bảo độ chính xác trong mọi điều kiện.
- **Đào tạo và nâng cao nhận thức cộng đồng:** Tổ chức các khóa đào tạo cho cán bộ quản lý rừng và người dân địa phương về sử dụng công nghệ nhận dạng tự động, góp phần bảo vệ đa dạng sinh học.
- **Phát triển phần mềm hỗ trợ:** Xây dựng phần mềm nhận dạng thân thiện, dễ sử dụng, tích hợp các mô hình học sâu để hỗ trợ công tác điều tra, giám sát và xử lý vi phạm liên quan đến động thực vật quý hiếm.
- **Thời gian thực hiện:** Các giải pháp trên nên được triển khai trong vòng 1-2 năm tới, với sự phối hợp giữa các cơ quan quản lý, trường đại học và các tổ chức bảo tồn.

## Đối tượng nên tham khảo luận văn

- **Nhà nghiên cứu và sinh viên ngành công nghệ thông tin, trí tuệ nhân tạo:** Nghiên cứu mô hình mạng neuron học sâu và ứng dụng trong nhận dạng hình ảnh.
- **Cán bộ quản lý tài nguyên thiên nhiên và bảo tồn:** Áp dụng công nghệ mới trong giám sát và bảo vệ các loài động thực vật quý hiếm.
- **Doanh nghiệp phát triển công nghệ AI và phần mềm:** Tham khảo để phát triển các sản phẩm ứng dụng trong lĩnh vực nông nghiệp, lâm nghiệp và du lịch sinh thái.
- **Cơ quan quản lý nhà nước về lâm nghiệp và môi trường:** Sử dụng kết quả nghiên cứu để xây dựng chính sách và giải pháp bảo tồn hiệu quả hơn.

## Câu hỏi thường gặp

1. **Mô hình CNN có thể nhận dạng chính xác các loài quý hiếm trong điều kiện ánh sáng yếu không?**  
   Mô hình được huấn luyện với dữ liệu đa dạng, bao gồm cả ảnh trong điều kiện ánh sáng yếu, nhờ đó có khả năng nhận dạng tốt trong nhiều môi trường khác nhau.

2. **Phương pháp tăng cường dữ liệu ảnh có tác dụng như thế nào?**  
   Tăng cường dữ liệu giúp mô hình học được nhiều biến thể của đối tượng, giảm overfitting và cải thiện độ chính xác nhận dạng lên khoảng 5-7%.

3. **Mạng VGG16 và AlexNet khác nhau thế nào trong ứng dụng này?**  
   VGG16 có độ chính xác cao hơn nhưng yêu cầu tài nguyên lớn hơn, trong khi AlexNet cân bằng giữa hiệu năng và tốc độ, phù hợp với thiết bị biên.

4. **Làm thế nào để mô hình hoạt động hiệu quả trên thiết bị biên?**  
   Mô hình được tối ưu hóa về kích thước và tốc độ xử lý, sử dụng các kỹ thuật giảm tham số và tăng cường dữ liệu để phù hợp với khả năng tính toán của thiết bị biên.

5. **Nghiên cứu có thể áp dụng cho các tỉnh khác không?**  
   Có thể, với việc thu thập dữ liệu đặc trưng của từng vùng, mô hình có thể được huấn luyện lại để phù hợp với đặc điểm sinh học và môi trường của các tỉnh khác.

## Kết luận

- Đã xây dựng thành công mô hình mạng neuron học sâu CNN nhận dạng động thực vật quý hiếm với độ chính xác trên 90%.  
- Mô hình hoạt động hiệu quả trên thiết bị biên, đáp ứng yêu cầu ứng dụng thực tiễn trong bảo tồn và quản lý tài nguyên.  
- Nghiên cứu cung cấp cơ sở khoa học và công nghệ cho việc phát triển các hệ thống nhận dạng tự động trong lĩnh vực lâm nghiệp và nông nghiệp.  
- Đề xuất các giải pháp triển khai, đào tạo và phát triển phần mềm hỗ trợ nhằm nâng cao hiệu quả bảo tồn đa dạng sinh học tại Thanh Hóa.  
- Khuyến nghị tiếp tục mở rộng nghiên cứu, cập nhật dữ liệu và ứng dụng mô hình tại các khu vực khác để tăng cường bảo vệ các loài quý hiếm.

Hành động tiếp theo là triển khai thử nghiệm mô hình trên thiết bị thực tế, phối hợp với các cơ quan quản lý để đưa vào ứng dụng rộng rãi, đồng thời phát triển các phiên bản phần mềm hỗ trợ người dùng cuối.