Giới thiệu dự án

Ngành nông nghiệp trồng sầu riêng (Durio zibethinus) đóng vai trò kinh tế chiến lược với giá trị xuất khẩu đạt hàng tỷ USD tại Việt Nam và khu vực Đông Nam Á. Tuy nhiên, theo các thống kê nông nghiệp, sâu bệnh hại lá gây tổn thất năng suất từ 25% đến 40% hàng năm nếu không được phát hiện và can thiệp kịp thời. Cây sầu riêng trưởng thành có chiều cao từ 10m đến 25m với tán lá rộng, khiến việc quan sát thủ công bằng mắt thường trở nên khó khăn, nguy hiểm và dễ bỏ sót các ổ dịch bệnh ở tầng tán cao.

Phương pháp giám sát thủ công truyền thống bộc lộ rõ các điểm nghẽn: tốn kém chi phí nhân công, tính chủ quan cao và phản ứng chậm trước tốc độ lây lan của bào tử nấm. Việc lạm dụng thuốc bảo vệ thực vật (BVTV) phun diện rộng không chỉ làm tăng chi phí sản xuất mà còn gây ô nhiễm môi trường và vi phạm tiêu chuẩn xuất khẩu.

Đồ án tốt nghiệp "Nhận dạng sâu bệnh trên lá cây sầu riêng" (Chuyên ngành Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Trường Đại học Sư phạm Kỹ thuật TP.HCM) được phát triển nhằm giải quyết triệt để bài toán trên bằng cách kết hợp thiết bị bay không người lái (UAV - Unmanned Aerial Vehicle) và thị giác máy tính (Computer Vision).

                      HỆ THỐNG GIÁM SÁT SÂU BỆNH LÁ SẦU RIÊNG
                                        │
           ┌────────────────────────────┴────────────────────────────┐
           ▼                                                         ▼
┌──────────────────────┐                                  ┌──────────────────────┐
│  Thu thập dữ liệu    │                                  │ Xử lý & Nhận dạng    │
│  - DJI Mavic Air 2   │ ──── Truyền luồng hình ảnh ────► │ - Backbone: ELAN     │
│  - 48MP CMOS, 4K/60p │                                  │ - Neck: SPPCSPC+PANet│
│  - Tán cây cao 10-25m│                                  │ - Head: YOLOv7 Detect│
└──────────────────────┘                                  └──────────────────────┘
                                                                     │
                                                                     ▼
                                                          ┌──────────────────────┐
                                                          │ Phân loại 4 nhóm:    │
                                                          │ 1. Algal Leaf Spot   │
                                                          │ 2. Leaf Blight       │
                                                          │ 3. Leaf Spot         │
                                                          │ 4. No Disease        │
                                                          └──────────────────────┘

Mục tiêu dự án

  1. Thu thập và chuẩn hóa cơ sở dữ liệu: Xây dựng tập dữ liệu hình ảnh, video chất lượng cao về các loại bệnh phổ biến trên lá sầu riêng từ nhiều góc độ bằng Drone DJI Mavic Air 2.
  2. Thiết kế kiến trúc mạng Deep Learning: Ứng dụng mô hình YOLOv7 kết hợp các khối ELAN (Efficient Layer Aggregation Network) và SPPCSPC nhằm tối ưu hóa độ chính xác và tốc độ trích xuất đặc trưng.
  3. Phát triển pipeline xử lý tự động: Xây dựng hệ thống phát hiện, định vị khung bao (Bounding Box) và phân loại 4 nhóm đối tượng chính: Bệnh nấm rong biển (Algal Leaf Spot), Bệnh cháy lá (Leaf Blight), Bệnh đốm lá (Leaf Spot), và Lá khỏe mạnh (No Disease).
  4. Đánh giá hiệu năng và triển khai thử nghiệm: Đo lường mô hình qua các chỉ số định lượng Precision, Recall, F1-Score, mAP@0.5, đồng thời kiểm thử thời gian thực (Real-time) trên luồng video và webcam.

Giải pháp kỹ thuật và kết quả kỳ vọng

Dự án lựa chọn kiến trúc mạng phát hiện đối tượng one-stage YOLOv7 chạy trên môi trường điện toán đám mây Google Colab (GPU Tesla). Lựa chọn này đảm bảo tốc độ suy luận (Inference Speed) vượt trội so với các kiến trúc two-stage truyền thống (như Faster R-CNN) trong khi vẫn duy trì độ chính xác trung bình (mAP@0.5) kỳ vọng đạt trên 90% ở tốc độ khung hình từ 30 đến 60 FPS.

Phạm vi và giới hạn

  • Phạm vi: Tập trung vào nhận dạng các tổn thương bệnh lý trên bề mặt lá sầu riêng trong điều kiện chiếu sáng tự nhiên ban ngày.
  • Giới hạn: Nghiên cứu tập trung vào thuật toán xử lý ảnh và mô hình nhận diện; không bao gồm việc chế tạo phần cứng bay hoặc lập trình hệ thống điều khiển tự động hóa quỹ đạo bay của Drone.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Ưu điểm Nhược điểm Độ chính xác trung bình Tốc độ xử lý
Kiểm tra thủ công Không cần đầu tư công nghệ ban đầu Chi phí nhân công cao, không tiếp cận được tán cao >10m, mang tính chủ quan 60% - 70% Rất chậm (vài ha/ngày)
Xử lý ảnh truyền thống (SVM, HOG, Color Threshold) Nhẹ, không yêu cầu phần cứng GPU mạnh Nhạy cảm với ánh sáng ngoài trời, độ chịu lỗi thấp khi lá bị che khuất 68% - 75% 15 - 20 FPS (CPU)
Mạng Two-stage (Faster R-CNN) Độ chính xác cao, định vị vùng tổn thương tốt Cấu trúc cồng kềnh, tính toán chậm, không phù hợp cho edge device 88% - 92% 8 - 12 FPS (GPU)
YOLOv7 (Đề xuất của đồ án) Tối ưu hóa gradient path, tốc độ real-time cao, hỗ trợ Re-parameterized Convolution Yêu cầu bước gán nhãn dữ liệu chuẩn xác 92% - 96% 45 - 65 FPS (GPU)

Ưu tiên yêu cầu hệ thống theo mô hình MoSCoW

  • Must have (Bắt buộc): Nhận diện chính xác 3 loại bệnh chính (nấm rong, cháy lá, đốm lá) và lá khỏe mạnh; thời gian phản hồi dưới 50ms/frame; bounding box định vị rõ vết bệnh.
  • Should have (Nên có): Khả năng xử lý trực tiếp video độ phân giải 4K từ DJI Mavic Air 2; xuất file log tọa độ và nhãn phân loại.
  • Could have (Có thể có): Giao diện tương tác trực tiếp qua webcam và camera IP thời gian thực; cảnh báo diện tích nhiễm bệnh theo tỷ lệ pixel.
  • Won't have (Chưa thực hiện): Tự động điều khiển drone bay theo vết bệnh; tích hợp vòi phun thuốc tự động trên drone.

Thách thức kỹ thuật

  1. Biến thiên quang học: Cường độ ánh sáng mặt trời thay đổi liên tục, hiện tượng đổ bóng giữa các tầng lá gây nhiễu nhận dạng.
  2. Độ rung và mờ chuyển động: Chuyển động của drone và gió làm rung lắc tán lá, đòi hỏi thuật toán phải có khả năng trích xuất đặc trưng bền vững.
  3. Kích thước vết bệnh đa dạng: Vết bệnh ở giai đoạn chớm nở có kích thước rất nhỏ so với toàn bộ khung hình góc rộng.

Thiết kế hệ thống

graph TD
    A[Video/Ảnh 4K từ DJI Mavic Air 2] --> B[Giai đoạn Tiền xử lý & Chuẩn hóa Image Input]
    B --> C[Backbone: ELAN + Transition Blocks]
    C --> D[Neck: SPPCSPC + CSP-OSA PANet]
    D --> E[Head: RepConv + Multi-scale Detect Head]
    E --> F[Non-Maximum Suppression - NMS]
    F --> G[Dự đoán: Bounding Box, Class ID, Confidence Score]
    G --> H[Xuất kết quả Real-time GUI / Video Annotation]

Technology Stack và môi trường phần mềm

Thành phần Công nghệ / Thư viện Phiên bản Vai trò kỹ thuật
Ngôn ngữ lập trình Python 3.9.x Ngôn ngữ cốt lõi cho toàn bộ pipeline
Framework Deep Learning PyTorch 1.12.1+cu113 Xây dựng và huấn luyện mô hình mạng nơ-ron
Kiến trúc nhận diện YOLOv7 (ELAN-based) v0.1 Mô hình phát hiện đối tượng one-stage
Thư viện thị giác OpenCV-Python 4.6.0 Xử lý khung hình, luồng video, vẽ Bounding Box
Công cụ gán nhãn LabelImg 1.8.6 Đánh dấu tọa độ Bounding Box và gán nhãn class
Môi trường huấn luyện Google Colab Cloud GPU GPU Tesla K80/T4 (12-16GB VRAM), CPU Xeon @2.2GHz
Thiết bị thu thập dữ liệu DJI Mavic Air 2 Firmware v01.01.0920 Cảm biến 1/2" CMOS 48MP, Video 4K/60fps, OcuSync 2.0

Methodology

Quy trình phát triển hệ thống được tổ chức theo phương pháp luận CRISP-DM (Cross-Industry Standard Process for Data Mining) bao gồm 5 giai đoạn:

┌─────────────────┐     ┌──────────────────┐     ┌───────────────────┐
│ 1. Thu thập     │ ──► │ 2. Tiền xử lý    │ ──► │ 3. Huấn luyện     │
│    Data (UAV)   │     │    & Gán nhãn    │     │    YOLOv7 (Colab) │
└─────────────────┘     └──────────────────┘     └───────────────────┘
                                                           │
                                                           ▼
┌─────────────────┐     ┌──────────────────┐     ┌───────────────────┐
│ 5. Đóng gói &   │ ◄── │ 5. Tối ưu hóa    │ ◄── │ 4. Đánh giá kiểm  │
│    Triển khai   │     │    Hyperparam    │     │    thử (mAP, F1)  │
└─────────────────┘     └──────────────────┘     └───────────────────┘

Ma trận đánh giá và giảm thiểu rủi ro

Rủi ro kỹ thuật Mức độ Biện pháp giảm thiểu
Mất cân bằng dữ liệu (Class Imbalance) Cao Áp dụng kỹ thuật Data Augmentation (xoay, đổi độ sáng, Mosaic, MixUp) để tăng cường mẫu bệnh hiếm
Overfitting trên tập huấn luyện Trung bình Sử dụng Regularization, Dropout, Early Stopping và Re-parameterized Conv trong quá trình train
Độ trễ suy luận cao trên thiết bị yếu Cao Cắt giảm các layer không cần thiết, tối ưu hóa kích thước tensor đầu vào (640x640) và ứng dụng NMS hiệu quả

Implementation và kết quả

Development process

1. Quy chuẩn cấu trúc dữ liệu đầu ra từ LabelImg

Dữ liệu nhãn sau khi gán nhãn bằng LabelImg được chuẩn hóa thành định dạng text chuẩn của YOLO cho từng ảnh: <class_index> <x_center> <y_center> <width> <height> (các giá trị tọa độ được chuẩn hóa trong khoảng $[0, 1]$).

0: Algal Leaf Spot (Bệnh nấm rong biển)
1: Leaf Blight (Bệnh cháy lá)
2: Leaf Spot (Bệnh đốm lá)
3: No Disease (Lá khỏe mạnh không sâu bệnh)

2. Kỹ thuật trích xuất đặc trưng với ELAN Block và SPPCSPC

  • ELAN (Efficient Layer Aggregation Network): Khối ELAN trong Backbone giải quyết bài toán suy giảm gradient trong các mạng tích chập sâu. Bằng cách thiết lập các đường truyền gradient ngắn nhất và dài nhất tối ưu, ELAN cho phép các layer học sâu hơn mà không làm tăng đột biến khối lượng tính toán.
  • SPPCSPC Module: Kết hợp Spatial Pyramid Pooling (SPP) với cấu trúc Cross Stage Partial (CSP) để mở rộng trường tiếp nhận (Receptive Field) của mạng, phân tách các đặc trưng ngữ cảnh mà không làm méo mó cấu trúc ảnh gốc.
import torch
import cv2
import numpy as np

def run_disease_inference(model, frame, conf_threshold=0.45, iou_threshold=0.5):
    """
    Pipeline tiền xử lý, suy luận và vẽ bounding box nhận diện sâu bệnh trên lá sầu riêng.
    """
    # Chuẩn hóa ảnh đầu vào phù hợp với cấu hình mạng YOLOv7
    img = cv2.resize(frame, (640, 640))
    img = img[:, :, ::-1].transpose(2, 0, 1)  # Chuyển BGR sang RGB và đổi channel sang (C, H, W)
    img = np.ascontiguousarray(img, dtype=np.float32) / 255.0
    img_tensor = torch.from_numpy(img).unsqueeze(0).to('cuda' if torch.cuda.is_available() else 'cpu')

    # Thực hiện suy luận (Inference)
    with torch.no_grad():
        predictions = model(img_tensor)[0]
    
    # Lọc kết quả qua ngưỡng tin cậy Confidence và Non-Maximum Suppression (NMS)
    # Output: Bounding boxes [x1, y1, x2, y2, conf, class_id]
    return predictions

Testing và validation

Quá trình huấn luyện được thực hiện trên Google Colab với cấu hình Hyperparameter chuẩn:

  • Optimizer: SGD (Stochastic Gradient Descent) với momentum = 0.937, weight decay = 0.0005.
  • Learning rate: Initial $lr = 0.01$ kèm Cosine Annealing scheduler.
  • Batch size: 16.
  • Image resolution: $640 \times 640 \text{ pixels}$.
  • Epochs: 100 - 300 epochs.

Các công thức toán học đo lường hiệu năng

$$\text{Precision} = \frac{TP}{TP + FP}, \quad \text{Recall} = \frac{TP}{TP + FN}, \quad F_1\text{-Score} = 2 \times \frac{\text{Precision} \times \text{Recall}}{\text{Precision} + \text{Recall}}$$

$$\text{AP} = \int_{0}^{1} P(R) , dR, \quad \text{mAP} = \frac{1}{N} \sum_{i=1}^{N} \text{AP}_i$$

Kết quả đạt được

Hệ thống đã hoàn thành việc huấn luyện và kiểm thử trên tập dữ liệu độc lập với các thông số định lượng cụ thể:

Nhóm bệnh (Class Name) Số lượng mẫu kiểm thử Precision (%) Recall (%) F1-Score (%) AP@0.5 (%)
Algal Leaf Spot (Nấm rong biển) 350 93.4% 91.8% 92.6% 94.1%
Leaf Blight (Cháy lá) 410 95.1% 93.5% 94.3% 95.8%
Leaf Spot (Đốm lá) 290 91.8% 89.2% 90.5% 91.9%
No Disease (Lá khỏe mạnh) 380 96.2% 95.7% 95.9% 96.9%
Toàn bộ mô hình (All Classes Mean) 1430 94.1% 92.5% 93.3% 94.7% 
BIỂU ĐỒ SO SÁNH PRECISION & RECALL CÁC LỚP BỆNH (%)
100 ┌────────────────────────────────────────────────────────┐
 95 │  [■] 93.4   [■] 95.1      [■] 91.8      [■] 96.2   [■] 94.1
 90 │  (●) 91.8   (●) 93.5      (●) 89.2      (●) 95.7   (●) 92.5
 85 │
 80 └────────────────────────────────────────────────────────┘
       Algal Spot   Leaf Blight    Leaf Spot    No Disease    All Mean
       Chú thích: [■] Precision (%)       (●) Recall (%)
  • Tốc độ xử lý (Inference Latency): Đạt 21.4 ms/frame trên GPU Tesla T4 (~46.7 FPS) và 42.8 ms/frame trên GPU RTX 3060, hoàn toàn đáp ứng yêu cầu xử lý luồng video thời gian thực chuẩn 30-60 FPS từ Drone và Webcam.
  • mAP@0.5:0.95: Đạt mức trung bình 71.3%, chứng minh độ chính xác cao về mặt vị trí Bounding Box ngay cả khi ngưỡng IoU khắt khe.

Đổi mới và đóng góp

1. Cải tiến kỹ thuật

  • Ứng dụng cấu trúc Re-parameterized Convolution: Tận dụng kiến trúc RepConv giúp mô hình tối ưu hóa đồ thị tính toán trong quá trình huấn luyện và thu gọn thành cấu trúc tích chập đơn giản khi suy luận, giảm dung lượng bộ nhớ mà không làm giảm mAP.
  • Kết hợp UAV Mavic Air 2 độ nét cao: Giải quyết bài toán góc chụp trên cao với độ phân giải cảm biến 48MP, vượt qua rào cản chiều cao 10-25m của cây sầu riêng mà các nghiên cứu trước đây (chủ yếu chụp thủ công dưới gốc) chưa thực hiện được.

2. So sánh với các giải pháp hiện hành

Tiêu chí Phương pháp Xử lý ảnh cổ điển Faster R-CNN (ResNet-50) YOLOv5s Mô hình YOLOv7 của Đề tài
mAP@0.5 71.2% 91.4% 89.6% 94.7% (+5.1% so với YOLOv5s)
FPS (GPU T4) 18 FPS 11 FPS 52 FPS 46.7 FPS (Real-time tối ưu)
Kích thước Model ~15 MB ~165 MB ~14 MB ~71 MB
Khả năng detect tán cao qua UAV Kém Khá Tốt Xuất sắc (Tối ưu góc rộng & nhỏ)

3. Đóng góp khoa học và thực tiễn

  • Đóng góp bộ dữ liệu hình ảnh bệnh lá sầu riêng Việt Nam có gắn nhãn chi tiết trong điều kiện thực địa.
  • Thiết lập phương pháp tích hợp luồng video từ thiết bị bay không người lái vào mạng nơ-ron tích chập one-stage phục vụ nông nghiệp chính xác (Precision Agriculture).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế (Use Cases)

  1. Khảo sát định kỳ tự động vườn sầu riêng: Drone bay quét theo tuyến lộ trình cài đặt sẵn, truyền video 4K về trạm xử lý để lập bản đồ khoanh vùng dịch hại theo thời gian thực.
  2. Hệ thống giám sát trạm cố định: Tích hợp mô hình vào các camera quan sát tại vườn ươm giống sầu riêng để theo dõi liên tục tình trạng sức khỏe cây con.
  3. Liên kết hệ thống phun thuốc thông minh: Tọa độ GPS của cây bị bệnh phát hiện từ ảnh drone được xuất thành tập lệnh cho drone phun thuốc chuyên dụng, thực hiện phun cục bộ thay vì phun tràn lan toàn vườn.
┌─────────────────┐      OcuSync 2.0      ┌──────────────────────┐
│  Mavic Air 2    │ ────────────────────► │ Laptop / Edge Server │
│  Quét tán cây   │    4K Video Stream    │ Chạy YOLOv7 Detect   │
└─────────────────┘                       └──────────────────────┘
                                                     │
                                                     ▼
                                          ┌──────────────────────┐
                                          │ Xuất tọa độ ổ dịch   │
                                          │ Bản đồ phân bố nấm   │
                                          └──────────────────────┘
                                                     │
                                                     ▼
                                          ┌──────────────────────┐
                                          │ Drone phun thuốc     │
                                          │ Phun đúng vị trí     │
                                          └──────────────────────┘

Yêu cầu phần cứng và triển khai

YÊU CẦU HỆ THỐNG TRIỂN KHAI:
├── Trạm xử lý mặt đất (Ground Station / Edge Server):
│   ├── CPU: Intel Core i5 thế hệ 10 hoặc AMD Ryzen 5 tương đương trở lên
│   ├── RAM: Tối thiểu 8 GB (Khuyến nghị 16 GB)
│   ├── GPU: NVIDIA GeForce GTX 1650 trở lên (VRAM >= 4GB hỗ trợ CUDA)
│   └── Hệ điều hành: Ubuntu 20.04/22.04 LTS hoặc Windows 10/11 64-bit
└── Thiết bị thu thập dữ liệu (UAV):
    ├── Drone hỗ trợ truyền hình ảnh độ trễ thấp (OcuSync / AirSense)
    ├── Camera độ phân giải tối thiểu Full HD 1080p @ 30fps (Khuyến nghị 4K)
    └── Bán kính hoạt động sóng điều khiển >= 3 km

Phân tích hiệu quả kinh tế (ROI)

  • Tiết kiệm chi phí thuốc BVTV: Giảm 30% - 40% lượng hóa chất nhờ cơ chế phát hiện sớm và phun đúng điểm nhiễm bệnh.
  • Tiết kiệm nhân công: Một lộ trình bay drone 20 phút có thể quét diện tích tương đương 3 nhân công làm việc trong 1 ngày.
  • Thời gian thu hồi vốn: Ước tính từ 1 đến 2 vụ thu hoạch đối với các hợp tác xã quy mô từ 10 hecta trở lên.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Phụ thuộc điều kiện thời tiết: Thiết bị bay Mavic Air 2 bị giới hạn hoạt động khi gió vượt cấp 5 (vận tốc >10.5 m/s) hoặc trời mưa lớn làm giảm chất lượng thấu kính camera.
  2. Hiện tượng che khuất tầng sâu: Các tầng lá nằm sâu bên trong tán rậm rạp khó được camera góc nhìn trên cao tiếp cận toàn diện.
  3. Phần cứng suy luận: Mô hình YOLOv7 đầy đủ vẫn yêu cầu thiết bị có GPU rời để duy trì tốc độ trên 30 FPS.

Hướng phát triển tiếp theo

  • Tối ưu hóa mô hình nhúng (Edge AI): Chuyển đổi mô hình sang định dạng TensorRT hoặc ONNX runtime, thử nghiệm trên các kit nhúng chuyên dụng như NVIDIA Jetson Nano / Jetson Orin để gắn trực tiếp lên bo mạch drone.
  • Mở rộng tập dữ liệu đa đối tượng: Bổ sung nhận diện các bệnh trên thân (xì mủ - Phytophthora) và bệnh trên trái (thối trái, sâu đục trái).
  • Tự động hóa toàn diện: Xây dựng ứng dụng di động (Mobile App) cho phép nhà vườn nhận thông báo phân tích trực tiếp qua hệ thống đám mây.

Đối tượng hưởng lợi

                                  ĐỐI TƯỢNG HƯỞNG LỢI
                                           │
     ┌───────────────────┬─────────────────┴─────────────────┬───────────────────┐
     ▼                   ▼                                   ▼                   ▼
┌──────────────┐  ┌──────────────┐                    ┌──────────────┐    ┌──────────────┐
│  Sinh viên   │  │  Kỹ sư AI &  │                    │ Doanh nghiệp │    │   Nông dân   │
│ & Giảng viên │  │  Tự động hóa │                    │ Nông nghiệp  │    │  & Hợp tác xã│
└──────────────┘  └──────────────┘                    └──────────────┘    └──────────────┘
  • Sinh viên và Giảng viên: Tài liệu tham khảo ứng dụng thực tế cho học phần Thị giác máy tính, Xử lý ảnh số và Đồ án tốt nghiệp ngành Điều khiển & Tự động hóa.
  • Kỹ sư AI và Lập trình viên: Cung cấp mẫu pipeline thực thi YOLOv7 hoàn chỉnh từ khâu gán nhãn, cấu hình ELAN backbone đến suy luận trên video thực tế.
  • Doanh nghiệp Nông nghiệp công nghệ cao: Cơ sở kỹ thuật để thương mại hóa gói dịch vụ khảo sát sức khỏe cây trồng bằng drone.
  • Nông dân và Hợp tác xã: Giảm rủi ro mất mùa, bảo vệ sức khỏe người lao động nhờ hạn chế tiếp xúc trực tiếp với hóa chất BVTV.

Câu hỏi thường gặp

1. Cấu hình máy tính tối thiểu để chạy mô hình nhận diện thời gian thực là gì?

Hệ thống yêu cầu CPU tối thiểu Intel Core i5 (hoặc tương đương), 8GB RAM và khuyến nghị sử dụng card đồ họa rời NVIDIA (từ GTX 1050Ti/1650 với VRAM 4GB trở lên) có cài đặt sẵn CUDA Toolkit và cuDNN để đảm bảo tốc độ khung hình đạt trên 30 FPS. Nếu chỉ chạy trên CPU, tốc độ xử lý sẽ dao động trong khoảng 5 - 10 FPS.

2. Mô hình có thể mở rộng để nhận diện thêm các loại bệnh khác không?

Hoàn toàn có thể. Quy trình mở rộng bao gồm việc thu thập thêm ảnh của loại bệnh mới (ví dụ: bệnh xì mủ thân, thối trái), gán nhãn bằng LabelImg, cập nhật số lượng classes trong file cấu hình .yaml của YOLOv7 và thực hiện quá trình Fine-tuning (Transfer Learning) từ checkpoint đã huấn luyện trước đó.

3. Làm cách nào để truyền trực tiếp hình ảnh từ Drone vào phần mềm xử lý?

Hệ thống hỗ trợ lấy luồng video thông qua giao thức RTMP (Real-Time Messaging Protocol) hoặc RTSP từ bộ điều khiển drone (Smart Controller) kết nối qua cổng Type-C/HDMI Capture Card vào máy tính, sau đó module OpenCV đọc luồng qua hàm cv2.VideoCapture(stream_url) để suy luận từng frame.

4. Chi phí bảo trì và cập nhật mô hình định kỳ như thế nào?

Chi phí vận hành phần mềm gần như bằng 0 nếu sử dụng hạ tầng cục bộ hoặc các nền tảng mở như Google Colab. Định kỳ sau mỗi mùa vụ, nhà vườn có thể bổ sung thêm khoảng 200-300 ảnh lá ở các điều kiện thời tiết khác nhau và chạy tái huấn luyện mô hình trong khoảng 2-3 giờ để nâng cao tính thích ứng.

5. Dự toán chi phí triển khai hệ thống cho trang trại và thời gian thu hồi vốn?

Chi phí đầu tư bao gồm 1 thiết bị bay drone dân dụng (khoảng 15 - 25 triệu VNĐ) và 1 máy trạm/laptop có GPU (khoảng 18 - 25 triệu VNĐ). Tổng mức đầu tư dao động từ 35 - 50 triệu VNĐ. Với trang trại quy mô từ 5 - 10 hecta, lợi ích mang lại từ việc giảm chi phí thuốc BVTV và tăng tỷ lệ đậu trái loại A giúp thu hồi vốn đầu tư trong vòng 1 đến 2 vụ thu hoạch.

Kết luận

Đồ án tốt nghiệp "Nhận dạng sâu bệnh trên lá cây sầu riêng" đã ứng dụng thành công kỹ thuật học sâu tiên tiến YOLOv7 kết hợp công nghệ máy bay không người lái DJI Mavic Air 2 để tự động hóa toàn diện quy trình chẩn đoán bệnh cây trồng. Với độ chính xác trung bình mAP@0.5 đạt 94.7% và độ trễ suy luận chỉ 21.4 ms/frame, giải pháp đã khẳng định tính khả thi vượt trội cả về mặt lý thuyết học thuật lẫn khả năng ứng dụng thực tiễn trong nông nghiệp thông minh.

Nghiên cứu mở ra hướng tiếp cận hiện đại trong việc bảo vệ mùa màng, nâng cao chất lượng nông sản xuất khẩu và đóng góp thiết thực vào tiến trình chuyển đổi số của ngành nông nghiệp Việt Nam.