CHƯƠNG 1 TỔNG QUAN 1. Tổng quan về nghiên cứu Các phương pháp phòng trừ sâu bệnh không phù hợp có thể làm giảm 70% năng xuất. Sâu hại có thể gây 33% thiệt hại tiềm năng của nông nghiệp. Ngoài ra, còn giảm chất lượng sản phẩm có thể gây thiệt hại kinh tế 15% [2].
Sâu bệnh gây tổn thất từ 20% đến 40% lượng nông sản trên toàn thế giới, thiệt hại về kinh tế là 220 tỷ USD do dịch bệnh trên thực vật và 70 USD do dịch hại [3]. Những thay đổi xảy ra do biến đổi khí hậu làm gia tăng tỷ lệ bệnh tật và sâu bệnh và khiến chúng xuất hiện ở những nơi mà trước đây chưa từng thấy [4]. Sâu bướm là loại gây hại có thể xâm nhập và có thể phá hoại năng suất cây trồng do chúng ăn lá, chồi, quả và các bộ phận của cả hoa và thân [5], [6]. Có nhiều loài sâu bướm là loài gây hại chính trong canh tác, làm vườn và sản xuất trái cây [7], [8], [9].
Phun thuốc trừ sâu là phương pháp phòng trừ sâu bệnh được ưa chuộng nhất do tốc độ tác động và khả năng mang lại hiệu quả cao của phương pháp này [10]. Tuy nhiên, do nhận thức về môi trường và sức khoẻ ngày càng được nâng cao nên việc sử dụng thuốc bảo vệ thực vật ngày càng ít hơn. Một trong những phương pháp quan trọng để giảm sử dụng thuốc trừ sâu là chỉ phun thuốc ở những nơi cần thiết. Được biết, chi phí phun thuốc trừ sâu có thể giảm tới 90% với ứng dụng phun thuốc đúng nơi cần thiết [11].
Để thực hiện phun thuốc đúng vị trí cần thiết, trước hết phải xác định được vị trí dịch hại. Các phương pháp thủ công thường được sử dụng để phát hiện dịch hại phụ thuộc vào lao động và nhận thức của người dân. Do đó, rất dễ xảy ra sai sót [12]. Tuy nhiên, do công nghệ ngày càng phát triển, người ta có thể phát hiện ra dịch hại bằng phương pháp xử lý ảnh.
Mạng nơ-ron và các phương pháp học sâu được sử dụng rộng rãi trong các ứng dụng thị giác máy tính do khả năng trích xuất đặc tính tự động và khả năng trích xuất các mối quan hệ phức tạp [13]. Sự phát triển công nghệ trong GPU (Bộ xử lý đồ hoạ) đã có thể đào tạo các mạng thần kinh nhân tạo học sâu hơn và có thể xử lý nhiều dữ liệu hơn. Mạng nơ-ron nhân tạo đã chứng minh độ chính xác của chúng trong việc phân loại đối tượng vì vậy chúng được sử dụng trong các thuật toán phát hiện và nhận diện đối tượng. Các thuật toán phát hiện đối tượng được sử dụng rộng rãi nhất được chia thành bộ phát hiện đối tượng dựa trên phân loại (two-stage detectors) và bộ phát hiện đối tượng dựa trên hồi quy (one-stage detectors).
Two-stage detectors có độ chính xác về phát hiện đối tượng cao hơn so với One-stage detectors nhưng chúng chậm hơn về tốc độ suy luận [14]. Trước đây cũng đã có một số nghiên cứu phát hiện và phân loại dịch hại khác nhau được đưa ra: Trong công trình nghiên cứu của Apurva Sriwastwa [15] mô tả về sự phát hiện sâu bệnh bằng cách sử dụng kỹ thuật phân đoạn hình ảnh (image segmentation technique). Kỹ thuật phân đoạn dựa trên màu sắc. Kỹ thuật phân đoạn này cùng với thuật toán phân cụm (the clustering algorithm) được sử dụng trên các loại cây trồng bị nhiễm bệnh khác nhau.
Trong nghiên cứu của P.Revathi [16], đã sử dụng các công nghệ của điện thoại di động để ghi lại dấu hiệu của hình ảnh đốm lá bông và phân tích 3 các bệnh bằng mạng nơ-ron nhân tạo. Quy trình làm việc dựa trên kỹ thuật phát hiện và phân đoạn hình ảnh, trong đó hình ảnh được xử lý để phát hiện và phân đoạn hình ảnh, trong đó hình ảnh được xử lý để phát triển và sau đó phân đoạn hình ảnh đặc trưng RGB được xử lý trên các khu vực đã chọn, các đặc điểm hình ảnh sau đó được trích xuất cho điểm lây nhiễm và hạn chế dịch hại. Công trình của A. Phòng trừ dịch hại kết hợp sử dụng kỹ thuật xử lý hình ảnh kỹ thuật số và trồng trọt dựa trên vùng mở rộng để nhận biết dịch hại và đánh số loại dịch hại để sử dụng lượng thuốc bảo vệ thực vật thích hợp.
Trong công trình này của Yogesh Kumar, Ashwani Kumar Dubey, Adityan Jothi [18], cung cấp một phương pháp nhanh chóng để phát hiện sâu bệnh hiện diện trong ảnh bằng kỹ thuật ngưỡng thích ứng. Nó cung cấp một hệ thống có thể tự động hóa việc phát hiện các loài gây hại trên cây trồng bằng cách sử dụng các kỹ thuật xử lý hình ảnh kỹ thuật số. Trong công trình này của Preetha Rajan [19] đề xuất một hệ thống nhận dạng dịch hại tự động sử dụng các kỹ thuật xử lý hình ảnh kỹ thuật số. Tính năng màu được sử dụng để đào tạo Máy hỗ trợ tách các pixel lá và sâu bệnh (the Support Vector Machine).
Xử lý hình thái học (Morphological processing) được sử dụng để loại bỏ các yếu tố vô dụng trong ảnh. Công trình này của B. Vishnu Sai Vardhan và L. Sujihelen [20] đã đề xuất một hệ thống sử dụng cây quyết định để nhận biết và phân tích sự nhiễm bệnh trên lá và mở rộng độ chính xác của đốm với ít thời gian hơn.
Trong công trình này của Jia Shijie, Jia Peiyi, Hu Siping, Liu Haibo [21] giải thích các thuật toán đốm trên hình ảnh lá và thiết lập mô hình CNN để phát hiện sâu bệnh và nhiễm trùng cà chua dựa trên VGG16 [22] và học chuyển tiếp (transfer learning). Trong công trình của N.Hemalatha, Vishnu Kumar Kaliappan [23] trình bày một kỹ thuật phân cụm; thuật toán KFCM phổ biến được sử dụng để nhận biết mật độ sâu bệnh trên cây trồng. Một mạng lưới học tập có giám sát được áp dụng để tách chiết tính năng của lá ở cây. Trong công trình của Vivek Agnihotri [24] giải thích về việc phát hiện dịch hại trên cây trồng và xác định dịch hại trên đồng ruộng bằng cách sử dụng một thiết bị vi xử lý cùng với hồng ngoại và máy ảnh bình thường sẽ được kết nối với máy ảnh quadcopter sẽ bay qua khu vực đồng ruộng và nhận biết côn trùng.
Trong công trình của Tu-Liang Lin, Hong-Yi Chang, Kai-Hong Chen [25], giải thích về thuật toán R-CNN nhanh hơn để nhận biết sâu bệnh và nhiễm trùng trong việc trồng ớt. Trong nghiên cứu này, Nghiên cứu đưa ra các kết quả thu thập được trong quá trình huấn luyện các model sử dụng kiến trúc phát hiện đối tượng YOLOv4, YOLOv5 và YOLOX trên hai tập dữ liệu là Insect_10bb và IP102 dựa trên phương pháp phát hiện đối tượng một giai đoạn YOLO (You Look Only Once) [26]. Các phiên bản YOLOv5 và YOLOX với các kích thước khác nhau bao gồm các mô hình YOLOv4.conv, YOLOv5n YOLOv5s, YOLOv5m, YOLOv5l, YOLOv5x, YOLOXnano, YOLOXtiny, YOLOXs, YOLOXm, YOLOXl và đã được so sánh về mAP (mean average precision) và tốc độ suy luận với số lượng hình khác nhau trên hai tập dữ liệu bao gồm: Insect_10bb (10 loài với 2335 mẫu) và IP102 (102 loài với 18.976 4 mẫu) bằng cách sử dụng phương pháp học chuyển tiếp (transfer learning) và đào tạo từ đầu (training from scratch). Nghiên cứu nhận thấy rằng hệ thống phát hiện đối tượng mà Nghiên cứu phát triển có thể phát hiện các đối tượng thông qua video ngắn về các đối tượng côn trùng gây hại với việc sử dụng GPU esla K80 12GB (Gigabyte) trong môi trường phát triển Google COLAB.
Ngoài ra, đã quan sát thấy rằng mô hình có thể học nhanh hơn khi sử dụng phương pháp học chuyển tiếp (transfer learning). Các nghiên cứu có liên quan để làm cơ sở phát triển đề tài 1. Các nghiên cứu có liên quan Các phương pháp tiếp cận được chia thành phương pháp truyền thống và phương pháp học sâu. Trong số các nhà nghiên cứu mô tả các phương pháp phát hiện đối tượng truyền thống, Xie et al.
[27] đã sử dụng các biểu đồ được mã hóa thưa thớt (Sparse coded histograms) để định lượng các đặc điểm ban đầu như màu sắc và hình dạng của côn trùng và tiếp tục sử dụng phương pháp học đa lõi để kết hợp nhiều đặc điểm. Deng và cộng sự. [28] đề xuất phát hiện các khu vực quan tâm đến hình ảnh bằng cách sử dụng bản đồ độ mặn (Saliency maps), kết hợp nhiều sơ đồ để làm phong phú thông tin hình ảnh và trích xuất nó, và cuối cùng là một máy vectơ hỗ trợ để phân loại. Qin và cộng sự.
[29] đề xuất xác định phổ logarit của hình ảnh như một phần mới của thông tin hình ảnh và chuyển đổi phổ còn lại sang miền rỗng để thu được phát hiện cạnh. Xie và cộng sự. [30] đã sử dụng mã hóa từ điển để có được các đặc điểm cơ bản của hình ảnh và sau đó là bộ phân loại đa cấp để phân loại các loài gây hại. Yang và cộng sự.
[31] đã sử dụng cách tiếp cận dựa trên SVM để xác định các loài côn trùng có kích thước cánh khác nhau. Các thuật toán phát hiện đối tượng (Object detection algorithms) dựa trên Deep Learning sử dụng mạng nơ-ron phức hợp thay vì lựa chọn tính năng thủ công truyền thống. Chúng có thể được chia thành hai loại. Một lớp bao gồm các mô hình phát hiện đối tượng hai tầng được đại diện trong vùng với chuỗi tính năng CNN [32], [33], [34], có độ chính xác cao về tỷ lệ phát hiện và bản địa hóa đối tượng.
Tuy nhiên, hiệu suất thời gian thực của chúng cần được cải thiện. Nhóm còn lại bao gồm các mô hình phát hiện một giai đoạn (one-stage detection models) được đại diện bởi YOLO [26], [35], [36] và loạt phát hiện đa hộp chụp một lần (the single-shot multibox detection series) [37], [38], [39], phát hiện nhanh nhưng kém chính xác hơn so với các mô hình hai giai đoạn và kém hiệu quả hơn trong việc phát hiện các mục tiêu nhỏ. Với các mô hình phát hiện hai giai đoạn (two-stage detection models), phát hiện đối tượng được coi là một bài toán phân loại. Kết quả phát hiện thu được bằng cách tạo ra các vùng chứa đối tượng đầu tiên và sau đó phân loại và hiệu chỉnh các vùng ứng viên.
Ngược lại, các mô hình phát hiện một giai đoạn coi vấn đề phát hiện đối tượng như một vấn đề hồi quy và cung cấp kết quả phát hiện cuối cùng. 5 Các thuật toán học sâu có khả năng tổng quát hóa tốt hơn và độ chắc chắn cao hơn các thuật toán truyền thống [40]. Hiện nay, đối với các mục tiêu nhỏ như côn trùng gây hại nông nghiệp, khả năng phát hiện không đạt yêu cầu vì 3 lý do chính. Đầu tiên, có thể trích xuất ít thông tin hơn.