Nhận Dạng Sâu Bệnh Trên Lá Cây Sầu Riêng Bằng Machine Learning

Đồ Án Tốt Nghiệp: Nhận Dạng Sâu Bệnh Trên Lá Cây Sầu Riêng Sử Dụng Machine Learning

• Tác giả: Nguyễn Thọ Khang
• Người hướng dẫn: TS. Nguyễn Văn Thái
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Nhận Dạng Sâu Bệnh Trên Lá Cây Sầu Riêng Bằng Machine Learning
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2023
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT
• 1. CHƯƠNG 1: Lý do chọn đề tài
• 1.1. Mục tiêu đề tài
• 1.2. Nội dung nghiên cứu
• 1.3. Cách tiếp cận và phương pháp nghiên cứu
• 1.3.1. Cách tiếp cận
• 1.3.2. Phương pháp nghiên cứu
• 1.4. Bố cục đề tài
• 1.5. Giới hạn đề tài
• 2. CHƯƠNG 2: Đặc điểm sinh học của cây sầu riêng
• 2.1. Một số bệnh thường gặp ở cây sầu riêng
• 2.1.1. Bệnh vàng lá
• 2.1.2. Bệnh cháy lá
• 2.1.3. Bệnh đốm
• 2.1.4. Bệnh nấm rong biển
• 2.2. Bộ điều khiển
• 2.3. Giới thiệu về drone
• 2.3.1. Drone là gì
• 2.3.2. Cấu tạo cơ bản của drone
• 2.3.3. Ứng dụng của drone
• 3. CHƯƠNG 3: Xây dựng mô hình thuật toán nhận diện hình ảnh
• 4. CHƯƠNG 4: Kết quả và đánh giá mô hình
• 5. CHƯƠNG 5: Kết luận và hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nhận Dạng Bệnh Sầu Riêng Bằng Machine Learning

Trong bối cảnh nông nghiệp hiện đại, việc áp dụng Machine Learning (ML) đang trở nên ngày càng quan trọng. Nhận diện bệnh cây trồng sớm giúp giảm thiểu thiệt hại và nâng cao năng suất. Sầu riêng là một loại cây trồng có giá trị kinh tế cao, nhưng cũng dễ bị tấn công bởi nhiều loại sâu bệnh hại sầu riêng. Phương pháp truyền thống thường dựa vào kinh nghiệm của người nông dân, nhưng điều này có thể chậm trễ và không chính xác. Theo nghiên cứu, việc sử dụng ML có thể cải thiện đáng kể độ chính xác và tốc độ nhận diện bệnh trên lá sầu riêng. Đề tài này tập trung vào việc xây dựng một hệ thống nhận dạng sâu bệnh trên lá cây sầu riêng bằng cách sử dụng các thuật toán ML tiên tiến. Việc này không chỉ giúp người nông dân phát hiện bệnh sớm mà còn góp phần vào việc quản lý và phòng ngừa bệnh hiệu quả hơn. Ứng dụng AI trong nông nghiệp đang mở ra một tương lai đầy hứa hẹn cho ngành trồng trọt.

1.1. Tầm quan trọng của Machine Learning trong nông nghiệp thông minh

Machine Learning trong nông nghiệp giúp tự động hóa quá trình nhận diện bệnh cây trồng, giảm thiểu sự phụ thuộc vào nhân công và tăng độ chính xác. Điều này đặc biệt quan trọng trong bối cảnh thiếu hụt lao động và biến đổi khí hậu. Ứng dụng machine learning trong nông nghiệp còn giúp tối ưu hóa việc sử dụng phân bón và thuốc trừ sâu, góp phần bảo vệ môi trường và sức khỏe con người.

1.2. Tổng quan về các bệnh thường gặp trên lá sầu riêng

Bệnh sầu riêng rất đa dạng, bao gồm bệnh thối rễ vàng lá, bệnh cháy lá, bệnh đốm rong, và nhiều loại khác. Mỗi loại bệnh có những triệu chứng bệnh sầu riêng khác nhau trên lá sầu riêng. Việc phân loại bệnh cây chính xác là bước đầu tiên để có thể đưa ra các biện pháp phòng trừ sâu bệnh sầu riêng hiệu quả. Nhận diện sớm các dấu hiệu bệnh sầu riêng giúp ngăn chặn sự lây lan và giảm thiểu thiệt hại.

II. Thách Thức Trong Nhận Diện Bệnh Sầu Riêng Thủ Công và Giải Pháp

Việc nhận diện bệnh sầu riêng bằng phương pháp thủ công đối mặt với nhiều thách thức. Kinh nghiệm của người nông dân đóng vai trò quan trọng, nhưng sự chủ quan và khả năng quan sát hạn chế có thể dẫn đến sai sót. Hơn nữa, các triệu chứng của bệnh có thể rất giống nhau ở giai đoạn đầu, gây khó khăn cho việc phân biệt. Việc sử dụng AI trong nông nghiệp và các công nghệ như computer vision cho nông nghiệp đã mở ra một hướng đi mới. Hệ thống phần mềm nhận diện bệnh cây có khả năng xử lý và phân tích lượng lớn dữ liệu hình ảnh, từ đó phát hiện các dấu hiệu bệnh một cách nhanh chóng và chính xác hơn. Điều này giúp giảm thiểu rủi ro và đưa ra các quyết định quản lý cây trồng kịp thời.

2.1. Hạn chế của phương pháp nhận diện bệnh truyền thống

Phương pháp nhận diện bệnh cây trồng truyền thống phụ thuộc nhiều vào kinh nghiệm cá nhân, tốn thời gian và công sức. Độ chính xác không cao do triệu chứng bệnh sầu riêng dễ nhầm lẫn và thay đổi theo giai đoạn. Khó khăn trong việc phát hiện bệnh ở diện rộng và đưa ra biện pháp xử lý kịp thời. Chi phí thuê nhân công cao và không ổn định.

2.2. Ưu điểm của ứng dụng Computer Vision và AI trong chẩn đoán bệnh

Computer vision cho nông nghiệp cung cấp khả năng phân tích hình ảnh lá cây một cách khách quan và chính xác. Các thuật toán deep learning nhận diện bệnh cây có thể học từ hàng ngàn hình ảnh bệnh, giúp hệ thống trở nên thông minh và hiệu quả hơn. Giảm thiểu chi phí, tăng năng suất và chất lượng cây trồng.

2.3. Giải pháp nông nghiệp thông minh với máy bay không người lái Drone

Sử dụng drone trang bị camera độ phân giải cao để thu thập hình ảnh lá sầu riêng trên diện rộng. Tích hợp phần mềm nhận diện bệnh cây trên drone để phân tích hình ảnh và phát hiện bệnh tự động. Tạo bản đồ dịch bệnh giúp khoanh vùng và có biện pháp xử lý kịp thời. Tiết kiệm thời gian, công sức và giảm thiểu rủi ro cho người nông dân.

III. Phương Pháp Xây Dựng Mô Hình Machine Learning Nhận Diện Bệnh Sầu Riêng

Quá trình xây dựng mô hình machine learning nhận diện bệnh bao gồm nhiều bước quan trọng. Đầu tiên, cần thu thập và chuẩn bị dữ liệu hình ảnh lá sầu riêng bị bệnh và không bệnh. Dữ liệu này sau đó được gán nhãn và chia thành các tập huấn luyện và kiểm tra. Bước tiếp theo là lựa chọn một kiến trúc mạng phù hợp, ví dụ như Convolutional Neural Network (CNN). YOLOv7 là một lựa chọn tối ưu cho việc phát hiện đối tượng nhanh chóng và chính xác. Huấn luyện hệ thống trên tập dữ liệu huấn luyện giúp mô hình học cách nhận diện các đặc trưng của bệnh. Cuối cùng, đánh giá hiệu suất của mô hình trên tập kiểm tra và tinh chỉnh các tham số để đạt được độ chính xác cao nhất.

3.1. Thu thập và xử lý dữ liệu hình ảnh lá sầu riêng

Thu thập hình ảnh từ nhiều nguồn khác nhau: ảnh chụp trực tiếp trên đồng ruộng, ảnh từ drone, ảnh từ các nghiên cứu trước. Sử dụng các kỹ thuật xử lý ảnh bệnh lá cây để tăng cường chất lượng hình ảnh và giảm nhiễu. Gán nhãn cho từng hình ảnh: xác định vị trí và loại bệnh (nếu có). Chia dữ liệu thành tập huấn luyện, tập kiểm tra và tập đánh giá.

3.2. Lựa chọn và huấn luyện mô hình YOLOv7 cho bài toán

YOLOv7 là mô hình object detection tiên tiến, cho phép phát hiện và phân loại đối tượng trong ảnh với tốc độ cao và độ chính xác cao. Điều chỉnh kiến trúc mô hình machine learning nhận diện bệnh YOLOv7 để phù hợp với bài toán nhận diện bệnh sầu riêng. Sử dụng các kỹ thuật tăng cường dữ liệu (data augmentation) để tăng độ đa dạng của dữ liệu huấn luyện và cải thiện khả năng khái quát hóa của mô hình.

3.3. Đánh giá và tinh chỉnh mô hình để đạt độ chính xác cao

Sử dụng các chỉ số đánh giá hiệu suất như Precision, Recall, F1-score, mAP để đánh giá khả năng của mô hình. Tinh chỉnh các tham số của mô hình (hyperparameter tuning) để tối ưu hóa hiệu suất. Sử dụng các kỹ thuật như cross-validation để đảm bảo tính ổn định của mô hình.

IV. Ứng Dụng Thực Tế và Kết Quả Nghiên Cứu Mô Hình Nhận Diện

Mô hình sau khi được huấn luyện có thể được triển khai trong thực tế để hỗ trợ người nông dân phòng trừ sâu bệnh sầu riêng hiệu quả. Hệ thống có thể tích hợp với điện thoại thông minh, cho phép người dùng chụp ảnh lá sầu riêng và nhận kết quả chẩn đoán ngay lập tức. Hoặc có thể tích hợp lên drone để tự động quét và phát hiện bệnh trên diện rộng. Kết quả nghiên cứu cho thấy mô hình đạt độ chính xác cao trong việc phân loại bệnh cây, giúp giảm thiểu thiệt hại và tăng năng suất. Ứng dụng này góp phần vào việc xây dựng một nền nông nghiệp thông minh và bền vững.

4.1. Tích hợp mô hình vào ứng dụng di động cho người nông dân

Phát triển ứng dụng di động đơn giản, dễ sử dụng để người nông dân có thể tải ảnh lá sầu riêng lên và nhận kết quả chẩn đoán bệnh. Cung cấp thông tin chi tiết về các loại bệnh, triệu chứng bệnh sầu riêng, và các biện pháp phòng trừ sâu bệnh sầu riêng hiệu quả. Cho phép người dùng lưu trữ lịch sử chẩn đoán và theo dõi tình trạng bệnh của cây.

4.2. Triển khai mô hình trên drone để giám sát bệnh trên diện rộng

Tích hợp phần mềm nhận diện bệnh cây lên drone để tự động quét và phát hiện bệnh trên diện rộng. Tạo bản đồ dịch bệnh giúp khoanh vùng và có biện pháp xử lý kịp thời. Giúp người nông dân quản lý vườn cây hiệu quả hơn và giảm thiểu chi phí.

4.3. Đánh giá hiệu quả của mô hình trong điều kiện thực tế

Thực hiện thử nghiệm trên các vườn sầu riêng khác nhau để đánh giá hiệu quả của mô hình trong điều kiện thực tế. So sánh kết quả chẩn đoán của mô hình với kết quả chẩn đoán của các chuyên gia. Thu thập phản hồi từ người nông dân để cải thiện mô hình và ứng dụng.

V. Kết Luận và Hướng Phát Triển Ứng Dụng Machine Learning

Nghiên cứu này đã chứng minh tiềm năng của Machine Learning trong việc nhận diện bệnh sầu riêng. Việc sử dụng YOLOv7 và các kỹ thuật xử lý ảnh tiên tiến đã giúp xây dựng một mô hình có độ chính xác cao và khả năng ứng dụng thực tế. Trong tương lai, có thể mở rộng nghiên cứu bằng cách thu thập thêm dữ liệu, thử nghiệm các kiến trúc mạng khác, và tích hợp thêm các yếu tố như thông tin về thời tiết, đất đai để tăng độ chính xác. Hướng phát triển của ứng dụng AI trong nông nghiệp là rất lớn, hứa hẹn mang lại nhiều lợi ích cho người nông dân và ngành trồng trọt.

5.1. Tóm tắt kết quả đạt được và những hạn chế còn tồn tại

Đã xây dựng được mô hình machine learning nhận diện bệnh trên lá sầu riêng với độ chính xác cao. Ứng dụng thành công YOLOv7 trong bài toán phân loại bệnh cây. Hạn chế: dữ liệu còn hạn chế, cần thu thập thêm dữ liệu từ nhiều nguồn khác nhau. Mô hình chưa được thử nghiệm trên nhiều loại bệnh khác nhau.

5.2. Đề xuất các hướng nghiên cứu và phát triển tiếp theo

Nghiên cứu thêm các kỹ thuật deep learning nhận diện bệnh cây mới để tăng độ chính xác của mô hình. Tích hợp thêm thông tin về thời tiết, đất đai để cải thiện khả năng dự đoán bệnh. Phát triển ứng dụng di động thân thiện với người dùng và dễ dàng triển khai trong thực tế. Ứng dụng mô hình machine learning nhận diện bệnh cho các loại cây trồng khác.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sầu riêng là loại cây trồng mang lại giá trị kinh tế cao, tuy nhiên quá trình canh tác thường xuyên đối mặt với nhiều loại sâu bệnh hại nguy hiểm gây suy giảm năng suất và chất lượng nông sản. Trong canh tác truyền thống, việc kiểm tra và phát hiện sâu bệnh phụ thuộc chủ yếu vào quan sát thủ công bằng mắt thường, đòi hỏi nhiều thời gian, công sức và dễ dẫn đến sai sót khi diện tích canh tác lớn. Cùng với sự phát triển của công nghệ máy tính và trí tuệ nhân tạo (AI), các kỹ thuật học máy (Machine Learning - ML) và thị giác máy tính đang được ứng dụng rộng rãi nhằm tự động hóa quy trình chẩn đoán bệnh trên cây trồng ngay tại môi trường tự nhiên.

Nhằm giải quyết bài toán giám sát nông nghiệp tự động, đề tài "Nhận dạng sâu bệnh trên lá cây sầu riêng" được thực hiện với mục tiêu và nhiệm vụ nghiên cứu cụ thể:

• Mục tiêu nghiên cứu: Xây dựng hệ thống nhận diện sâu bệnh trên lá cây sầu riêng dựa trên tập dữ liệu video và hình ảnh sau khi thu thập được bằng mô hình học máy.

• Nhiệm vụ nghiên cứu (nội dung thực hiện):

  1. Tìm hiểu các thông tin cần thiết và cơ sở lý thuyết để xây dựng bài toán nhận dạng.
  2. Đưa ra giải pháp xử lý kỹ thuật cho hệ thống nhận diện.
  3. Tìm kiếm và thu thập tập dữ liệu hình ảnh, video thực tế từ vườn sầu riêng.
  4. Thiết kế và xây dựng hệ thống phát hiện đối tượng dựa trên kiến trúc mạng YOLOv7.
  5. Chuẩn hóa dữ liệu, loại bỏ các thuộc tính không cần thiết và gán nhãn dữ liệu.
  6. Huấn luyện mô hình từ tập dữ liệu đã xử lý trên môi trường điện toán đám mây.
  7. Thực nghiệm, kiểm thử và đánh giá hiệu năng của mô hình.

• Đối tượng nghiên cứu: Các đặc điểm hình thái của lá cây sầu riêng khỏe mạnh và các dạng biểu hiện bệnh phổ biến trên lá (bệnh thối rễ vàng lá, bệnh cháy lá, bệnh nấm rong biển / đốm rong).

• Phạm vi và giới hạn đề tài:

  • Không gian và dữ liệu: Tập trung vào hình ảnh và video lá sầu riêng thu thập từ thiết bị bay không người lái (Drone DJI Mavic Air 2) và webcam.
  • Giới hạn kỹ thuật: Đề tài chỉ tập trung nghiên cứu, phát triển phần mềm xử lý ảnh và thuật toán nhận diện sâu bệnh; không đi sâu vào phát triển phần cứng máy bay không người lái hay thuật toán điều khiển bay tự động cho thiết bị.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình ứng dụng

• Đặc tính sinh học và bệnh học cây sầu riêng: Cây sầu riêng thân gỗ, cao trung bình 10–12 m tại các vùng chuyên canh (trong tự nhiên có thể đạt 15–25 m), phiến lá dày hình elip thuôn dài (10–18 cm). Các bệnh hại lá chính gồm:
  • Bệnh vàng lá: Thường do thối rễ cám, trượt vỏ rễ hoặc nấm tấn công rễ làm lá úa vàng, cây sinh trưởng kém.
  • Bệnh cháy lá: Lá bị hoại tử, khô dần từ mép hoặc chóp lá, dẫn đến rụng lá hàng loạt và chết đọt non.
  • Bệnh nấm rong biển (đốm rong): Do tảo/nấm ký sinh gây ra các vết đốm tròn trên bề mặt phiến lá trong mùa mưa, cản trở quá trình quang hợp.
• Quy trình học máy (Machine Learning Workflow): Thực hiện tuần tự qua 5 giai đoạn tiêu chuẩn gồm Thu thập dữ liệu $\rightarrow$ Tiền xử lý dữ liệu $\rightarrow$ Huấn luyện mô hình $\rightarrow$ Đánh giá mô hình $\rightarrow$ Cải thiện mô hình. Hai bước đầu chiếm khoảng 70% tổng thời gian thực hiện toàn bộ quy trình.
• Kiến trúc mạng nhận diện YOLOv7: Mô hình phát hiện đối tượng đơn tầng (single-stage object detector) chia ảnh đầu vào thành lưới $S \times S$ ô và dự đoán ma trận $S \times S \times (5N + M)$ tham số, trong đó mỗi khung bao gồm tọa độ $(x, y, w, h)$, độ tin cậy đối tượng và xác suất phân loại lớp.

Phương pháp nghiên cứu

• Phương pháp phân tích và tổng hợp lý thuyết: Nghiên cứu tài liệu chuyên khảo về xử lý ảnh, học sâu (Deep Learning), cấu tạo mạng nơ-ron tích chập (CNN), cơ chế tái tham số hóa tích chập (RepConv) và tài liệu kỹ thuật mô hình YOLOv7.
• Phương pháp thực nghiệm:
  • Thu thập dữ liệu video độ phân giải cao bằng Drone DJI Mavic Air 2 trực tiếp tại vườn sầu riêng.
  • Xử lý, cắt khung hình, gán nhãn thủ công bằng công cụ LabelImg.
  • Huấn luyện trên nền tảng điện toán đám mây Google Colaboratory tận dụng GPU/TPU.
  • Kiểm thử mô hình trên tập kiểm tra độc lập và kiểm tra trực tiếp qua nguồn video/webcam thời gian thực.

Nguồn dữ liệu và công cụ hỗ trợ

• Nguồn dữ liệu: Video và hình ảnh thực địa thu thập bằng camera 48 MP của Drone Mavic Air 2 và các tập dữ liệu bổ trợ.
• Công cụ và nền tảng phát triển:
  • Môi trường lập trình: Python, Google Colaboratory (với GPU NVIDIA Tesla K80, VRAM 12 GB, RAM 13 GB), Visual Studio.
  • Thư viện xử lý: PyTorch, OpenCV-Python, NumPy, Pandas, Matplotlib, Keras.
  • Công cụ gán nhãn: Phần mềm LabelImg.

---

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc mạng học sâu YOLOv7 chuyên dụng cho bài toán thị giác máy tính với các khối thành phần kỹ thuật:

[Ảnh/Video đầu vào] 
   [Stem Block] 
 [Backbone: ELAN Blocks + Transition Blocks] 
   [Neck: SPPCSPC + (CSP-OSA)PANet + RepConv] 
  [Head: YOLOR + Auxiliary Head] 
[Tọa độ Bounding Box + Nhãn bệnh (Cháy lá, Nấm rong, Đốm, Bình thường)]

1. Kiến trúc mạng YOLOv7

• Backbone (ELAN Module): Sử dụng mạng tập hợp lớp hiệu quả (Efficient Layer Aggregation Network - ELAN). Khối ELAN kết hợp nhánh Cross Stage Partial (CSP), Computation Block (tích chập $3 \times 3$) và Pointwise Convolution ($1 \times 1$) để tối ưu hóa việc trích xuất đặc trưng đa quy mô. Giữa các khối ELAN là các khối chuyển tiếp (Transition Blocks) giúp giảm kích thước feature map đi 2 lần. Phía trước khối ELAN đầu tiên là Stem Block để xử lý ảnh thô đầu vào.
• Neck (SPPCSPC & CSP-OSA PANet):
  • SPPCSPC: Khối Spatial Pyramid Pooling được CSP hóa nhằm mở rộng trường tiếp nhận (receptive field) mà không làm mất thông tin không gian.
  • (CSP-OSA)PANet: Biến thể cải tiến từ Path Aggregation Network, sử dụng module One-Shot Aggregation (OSA) kết hợp toán tử nối chuỗi (concatenate) để chuyển giao đặc trưng đa cấp độ hiệu quả hơn.
  • RepConv: Áp dụng kỹ thuật tích chập tái tham số hóa (Re-parameterized Convolution) cho phép cấu trúc phân nhánh lúc huấn luyện được hợp nhất thành một lớp tích chập đơn lẻ khi suy luận, giúp tối ưu tốc độ xử lý.
• Head: Đầu ra kết hợp kiến trúc YOLOR cùng cơ chế Auxiliary Head giúp tối ưu hóa hàm mất mát (loss function) trong quá trình lan truyền ngược.

2. Thiết lập quy trình huấn luyện và môi trường

• Tiền xử lý và gán nhãn: Ảnh trích xuất từ video drone được đưa vào LabelImg để vẽ khung bao (bounding box) và gán nhãn theo định dạng chuẩn YOLO (class_id x_center y_center width height). Dữ liệu được chia thành các tập huấn luyện (training set), tập kiểm định (validation set) và tập thử nghiệm (test set).
• Môi trường thực thi: Khởi tạo trên Google Colab kết nối lưu trữ Google Drive; cài đặt môi trường PyTorch và cấu hình tệp cấu hình mô hình (*.yaml) tương ứng với số lớp cần nhận diện.
• Tối ưu hóa siêu tham số (Hyperparameters): Tinh chỉnh kích thước batch (batch size), số vòng lặp (epochs), tốc độ học (learning rate), hàm mất mát IoU (Intersection of Union) và bộ tối ưu hóa (Optimizer: SGD/Adam).

---

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 xác định tính cấp thiết của đề tài xuất phát từ nhu cầu tự động hóa khâu bảo vệ thực vật trong nông nghiệp công nghệ cao. Nội dung trình bày chi tiết lý do lựa chọn ứng dụng học máy trên cây sầu riêng, xác định mục tiêu tổng quát, nhiệm vụ nghiên cứu, phương pháp tiếp cận thực nghiệm kết hợp lý thuyết và phạm vi giới hạn kỹ thuật của đồ án.

Chương 2: Cơ sở lý thuyết

Chương 2 cung cấp toàn bộ nền tảng kiến thức phục vụ nghiên cứu, bao gồm:

• Đặc tính sinh vật học sầu riêng: Chiều cao thân cây, cấu trúc tán lá, chu kỳ ra hoa (hoa nở từ 15h đến 6h sáng hôm sau, bao phấn nứt từ 19h đến 23h đêm) và tỷ lệ đậu quả tự nhiên.
• Phân loại bệnh hại lá: Phân tích nguyên nhân, cơ chế và triệu chứng trực quan của bệnh thối rễ vàng lá, bệnh cháy lá và bệnh nấm rong biển (đốm rong).
• Thiết bị thu thập dữ liệu (Drone): Cấu tạo nguyên lý của máy bay không người lái, thông số kỹ thuật chi tiết của thiết bị Drone DJI Mavic Air 2 (trọng lượng 570 g, thời gian bay tối đa 34 phút, cự ly truyền tín hiệu OcuSync 2.0 đạt 10 km, camera 48 MP quay 4K/60fps, hệ thống tránh vật cản APAS 3.0 và hệ thống cảnh báo hàng không AirSense ADS-B).
• Tổng quan Machine Learning và Python: Quy trình 5 bước huấn luyện ML, các ứng dụng nhận dạng hình ảnh, văn bản và khai phá dữ liệu; hệ sinh thái thư viện Python (NumPy, Pandas, Matplotlib, OpenCV, PyTorch) cùng các web framework (Django, Flask).
• Nền tảng Google Colaboratory: Phân tích tài nguyên phần cứng đám mây (GPU Tesla K80, VRAM 12 GB, TPU 180 TFLOPS, CPU Intel Xeon), quy trình chia sẻ sổ tay, gắn kết Google Drive và liên kết GitHub.
• Mô hình YOLOv7: Nguyên lý chia ô lưới, cấu trúc toán học của véc-tơ đầu ra, chi tiết giải phẫu khối Backbone ELAN, Transition Block, Stem Block, khối cổ SPPCSPC, (CSP-OSA)PANet và kỹ thuật RepConv.

Chương 3: Xây dựng mô hình thuật toán nhận diện hình ảnh

Chương 3 mô tả chi tiết các bước thiết kế và xây dựng giải thuật nhận diện:

• Thiết lập lưu đồ thuật toán hệ thống xử lý ảnh từ bước nạp ảnh đầu vào, chuẩn hóa kích thước, trích xuất đặc trưng không gian đến phân loại.
• Phương pháp xây dựng cơ sở dữ liệu nguồn từ video thực địa và ảnh chụp.
• Quy trình xử lý bounding box trên từng ô lưới và cấu trúc kết nối mạng lưới nơ-ron phục vụ phát hiện các vùng lá bệnh.

Chương 4: Kết quả thực hiện và đánh giá mô hình sau khi huấn luyện

Chương 4 trình bày các thực nghiệm cụ thể và phân tích số liệu đánh giá mô hình:

• Mô tả Dataset và nhãn: Phân loại dữ liệu thành các nhóm đối tượng: Lá khỏe mạnh (No Disease), Bệnh nấm rong biển (Algal Leaf Spot), Bệnh cháy lá và Bệnh đốm.
• Kết quả huấn luyện và dự đoán: Trình bày kết quả nhận diện nhãn trên các batch dữ liệu (Batch 1, Batch 2) của tập thử nghiệm; hiển thị trực quan các ảnh đầu ra sau khi mô hình vẽ khung bao và gán nhãn dự đoán.
• Đánh giá định lượng mô hình: Đo lường các chỉ số Precision, Recall, F1-Score, đường cong Precision-Recall (PR Curve), độ chính xác trung bình (AP), chỉ số độ chính xác trung bình trung bình tại ngưỡng IoU 0.5 (mAP@0.5) và trên toàn dải ngưỡng IoU từ 0.5 đến 0.95 (mAP@0.5:0.95).
• Thử nghiệm thời gian thực: Kết quả nhận diện đối tượng qua luồng video webcam trực tiếp.

Chương 5: Kết luận và hướng phát triển

Chương 5 đúc kết các hạng mục đã hoàn thành so với mục tiêu ban đầu, chỉ rõ những mặt hạn chế trong quá trình thực nghiệm và đề xuất các giải pháp kỹ thuật mở rộng cho các nghiên cứu tiếp theo.

---

Kết quả và đóng góp

Kết quả chính của đề tài

1. Xây dựng quy trình xử lý dữ liệu hoàn chỉnh: Thu thập thành công dữ liệu thực tế bằng Drone DJI Mavic Air 2, trích xuất khung hình, tiền xử lý và gán nhãn chuẩn hóa cho 4 trạng thái lá sầu riêng chính: Lá khỏe mạnh (No Disease), Bệnh nấm rong biển (Algal Leaf Spot), Bệnh cháy lá và Bệnh đốm rong.
2. Huấn luyện mô hình YOLOv7 thành công: Triển khai huấn luyện mạng YOLOv7 trên môi trường Google Colab với cấu hình tối ưu, đạt khả năng trích xuất đặc trưng và khoanh vùng chính xác các vị trí vết bệnh trên bề mặt lá.
3. Đánh giá định lượng hiệu năng mô hình: Đánh giá độ tin cậy của thuật toán thông qua hệ thống chỉ số phân loại đối tượng chuẩn:

Chỉ số đánh giá	Ý nghĩa kỹ thuật	Phạm vi ghi nhận trong nghiên cứu
Precision	Tỷ lệ dự đoán đúng trên tổng số trường hợp mô hình gắn nhãn bệnh	Đánh giá chi tiết trên từng lớp bệnh và tổng thể
Recall	Tỷ lệ phát hiện đúng các mẫu bệnh thực tế có trong tập dữ liệu	Đánh giá độ bao phủ phát hiện bệnh
F1-Score	Trung bình điều hòa giữa Precision và Recall	Đo lường tính cân bằng của mô hình phân loại
PR Curve (AP)	Diện tích dưới đường cong Precision - Recall	Đo lường độ chính xác trung bình cho từng nhãn
mAP@0.5	Độ chính xác trung bình tại ngưỡng IoU = 0.5	Đánh giá độ tin cậy định vị bounding box
mAP@0.5:0.95	Độ chính xác trung bình trên dải IoU từ 0.50 đến 0.95	Đo lường độ chính xác định vị ở mức tiêu chuẩn cao

4. Thử nghiệm nhận diện đa nguồn: Kiểm thử thành công khả năng dự đoán trên tập ảnh tĩnh độc lập, các batch dữ liệu kiểm tra và kiểm thử phát hiện trực tiếp qua webcam thời gian thực.

Đóng góp thực tiễn và học thuật

• Cung cấp một giải pháp tự động hóa quy trình chẩn đoán bệnh lá sầu riêng bằng phương pháp thị giác máy tính hiện đại, giảm thiểu nhu cầu khảo sát thủ công tại vườn.
• Chứng minh tính khả thi của việc kết hợp thiết bị bay không người lái (Drone) để thu thập dữ liệu nông nghiệp quy mô lớn kết hợp hạ tầng huấn luyện đám mây (Google Colab) nhằm giải quyết các bài toán nhận dạng phức tạp trong điều kiện tự nhiên.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đề tài

• Phạm vi kỹ thuật: Đề tài chỉ dừng lại ở việc phát triển thuật toán nhận diện phần mềm, chưa tích hợp mô hình trực tiếp lên phần cứng máy bay không người lái hoặc các mạch nhúng biên (Edge AI) để xử lý hoàn toàn tự động tại chỗ.
• Tập dữ liệu: Dữ liệu hình ảnh chủ yếu tập trung vào một số bệnh phổ biến (cháy lá, nấm rong, đốm rong, vàng lá); chưa bao quát toàn bộ các biến thể dịch hại hoặc giai đoạn ủ bệnh ban đầu khi vết bệnh chưa biểu hiện rõ trên bề mặt lá.
• Điều kiện ngoại cảnh: Hiệu năng nhận diện có thể bị ảnh hưởng bởi điều kiện thời tiết thực địa (ánh sáng chói, bóng râm dày hoặc gió làm rung lắc tán lá khi drone ghi hình).

Hướng nghiên cứu tiếp

• Mở rộng cơ sở dữ liệu: Thu thập thêm dữ liệu hình ảnh về các loại sâu bệnh khác trên cây sầu riêng (sâu đục thân, rệp sáp, nấm Phytophthora gây thối thân xì mủ) ở nhiều giai đoạn sinh trưởng và điều kiện môi trường khác nhau.
• Triển khai hệ thống nhúng và ứng dụng: Tích hợp mô hình YOLOv7 đã tối ưu hóa lên các kit xử lý nhúng gắn trực tiếp trên Drone hoặc phát triển ứng dụng di động cho nông dân sử dụng thực tế.
• Tự động hóa đường bay: Kết hợp thuật toán nhận diện với hệ thống điều khiển bay tự động của drone theo tọa độ GPS định sẵn để tự động lập bản đồ phân bố sâu bệnh cho toàn bộ nông trại.

---

Giá trị tham khảo

Đồ án là tài liệu kỹ thuật có giá trị tham khảo thiết thực cho:

• Sinh viên và học viên ngành Kỹ thuật Điều khiển & Tự động hóa, Công nghệ Thông tin, Kỹ thuật Máy tính, Cơ điện tử: Tham khảo quy trình triển khai bài toán thị giác máy tính thực tế từ khâu thu thập dữ liệu bằng drone, gán nhãn bằng LabelImg, cấu hình môi trường Google Colab cho đến huấn luyện và tối ưu mạng học sâu YOLOv7.
• Các nhóm nghiên cứu về Nông nghiệp thông minh (Smart Agriculture): Tham khảo kiến trúc mạng kết hợp (ELAN, SPPCSPC, RepConv) và phương pháp đánh giá bệnh cây trồng qua ảnh chụp trên không.
• Phần đáng tham khảo nhất:
  • Nội dung phân tích chi tiết cấu trúc mô hình YOLOv7 và các khối chức năng (Chương 2).
  • Phương pháp xây dựng tập dữ liệu và lưu đồ thuật toán nhận diện (Chương 3).
  • Hệ thống chỉ số và phương pháp đánh giá định lượng mô hình phát hiện đối tượng (Chương 4).

---

Câu hỏi thường gặp

1. Đề tài tập trung nhận diện những loại sâu bệnh cụ thể nào trên cây sầu riêng?

Theo nội dung đồ án, hệ thống tập trung phân loại và phát hiện các dạng biểu hiện bệnh chính trên lá gồm: Bệnh cháy lá, Bệnh nấm rong biển (Algal Leaf Spot / đốm rong), Bệnh vàng lá (thối rễ vàng lá) và phân biệt với nhóm Lá khỏe mạnh bình thường (No Disease).

2. Thiết bị phần cứng nào được sử dụng để thu thập dữ liệu hình ảnh thực tế?

Nhóm nghiên cứu sử dụng thiết bị bay không người lái Drone DJI Mavic Air 2 với các thông số: trọng lượng 570 g, cảm biến Quad-CMOS 1/2 inch độ phân giải 48 MP (quay phim 4K/60fps tốc độ 120 Mbps), thời gian bay tối đa 34 phút, hệ thống truyền sóng OcuSync 2.0 và công nghệ tránh vật cản APAS 3.0 kết hợp cảnh báo AirSense ADS-B.

3. Cấu trúc mạng YOLOv7 được ứng dụng trong đồ án gồm những thành phần cốt lõi nào?

Mô hình YOLOv7 trong đề tài bao gồm 3 phần chính:

• Backbone: Khối Stem Block kết hợp chuỗi các khối ELAN (Efficient Layer Aggregation Network) và Transition Blocks.
• Neck: Sự kết hợp giữa khối SPPCSPC (Spatial Pyramid Pooling CSP hóa), (CSP-OSA)PANet và các lớp tích chập tái tham số hóa RepConv.
• Head: Khối YOLOR kết hợp nhánh phụ Auxiliary Head.

4. Nền tảng và tài nguyên nào được sử dụng để huấn luyện mô hình?

Mô hình được huấn luyện trên nền tảng đám mây Google Colaboratory tận dụng tài nguyên phần cứng miễn phí gồm CPU Intel Xeon, RAM 13 GB và bộ tăng tốc đồ họa GPU Tesla K80 (VRAM 12 GB) hoặc TPU đám mây, liên kết dữ liệu trực tiếp với Google Drive và GitHub.

5. Những chỉ số định lượng nào được sử dụng để đánh giá độ chính xác của hệ thống?

Đồ án sử dụng đầy đủ các chỉ số chuẩn trong bài toán Object Detection gồm: Precision, Recall, F1-Score, Average Precision (AP / PR Curve), Mean Average Precision tại ngưỡng IoU 0.5 (mAP@0.5) và Mean Average Precision trên dải ngưỡng IoU từ 0.5 đến 0.95 (mAP@0.5:0.95).

---

Kết luận

Đồ án tốt nghiệp "Nhận dạng sâu bệnh trên lá cây sầu riêng" của sinh viên Nguyễn Thọ Khang và Trịnh Duy Khánh đã nghiên cứu và ứng dụng thành công mô hình học sâu YOLOv7 để nhận diện các dạng bệnh lá phổ biến trên cây sầu riêng. Bằng việc kết hợp thu thập dữ liệu thực địa từ Drone DJI Mavic Air 2 và huấn luyện trên nền tảng đám mây Google Colab, nhóm tác giả đã xây dựng hoàn chỉnh quy trình phát hiện đối tượng với các tiêu chí đánh giá khoa học (Precision, Recall, F1-Score, mAP). Kết quả nghiên cứu là tài liệu tham khảo có giá trị cao cho việc ứng dụng trí tuệ nhân tạo và thị giác máy tính vào phát triển nông nghiệp số tại Việt Nam.

Trích đoạn nội dung tài liệu

đặt vấn đề dẫn đến lý do chọn đề tài, mục tiêu nghiên cứu, nội dung nghiên cứu, phương pháp nghiên cứu, các giới hạn đề tài và bố cục đề tài. - Chương 2: Cơ sở lý thuyết Chương này giới thiệu các cơ sở lý thuyết nền, thông tin liên quan đến đề tài. Trong đó: ➢ Trình bày về các đặc tính sinh học và một số bệnh thường gặp của cây sầu riêng. ➢ Trình bày về Machine Learning và các ứng dụng của nó trong Xử lý ảnh.

➢ Phần mềm trình bày các kiến thức về thư viện sử dụng trong ngôn ngữ Python, tìm hiểu về google colab, tìm hiểu về kiến trúc YOLO. - Chương 3: Xây dựng mô hình thuật toán nhận diện hình ảnh. Chương này trình bày mô hình biểu diễn và phân tích hình ảnh, sử dụng thư viện YOLO và Google Colab để tiến hành huấn luyện hệ thống. - Chương 4: Kết quả và đánh giá mô hình Chương này trình bày kết quả mô hình sau khi huấn luyện, phân loại các loại sâu bệnh của cây và các chỉ số đánh giá của mô hình.

- Chương 5: Kết luận và hướng phát triển Trang |2 Chương này trình bày tóm tắt đã làm được những gì và chưa làm được những gì của mô hình so với dự kiến ban đầu. Hướng phát triển trong thời gian tới. Giới hạn đề tài Đề tài chỉ tập trung phát triển phần mềm nhận diện sâu bệnh trên lá cây sầu riêng, không phát triển phần cứng như drone, thuật toán điều khiển drone,. Trang |3 CHƯƠNG 2.

Đặc điểm sinh học của cây sầu riêng Cây sầu riêng là một loại cây thân gỗ có thân gỗ cao và cứng cáp. Giống cây này có khả năng đạt chiều cao từ 15 đến 25 mét, với tán lá khá thưa như hình 2. Bản chất cứng của thân cây cũng là một đặc điểm đáng chú ý của loài này. Vỏ của cây sầu riêng thường được đặc trưng bởi một màu nâu vàng.

Ngoài ra, đường kính của cây này thường dao động trong khoảng từ 1 đến 1,2 mét [4]. Cây sầu riêng trưởng thành Ở những vùng được trồng và sản xuất, chiều cao trung bình của cây sầu riêng chỉ là 10 đến 12 mét. Tán lá của sầu riêng rộng và rộng ở gốc, trong khi các phần trên cùng của nó dần dần thon dần thành hình nón gợi nhớ đến một chiếc lá. Hơn nữa, cành của cây sầu riêng mọc theo chiều ngang.

Lá của cây sầu riêng tồn tại quanh năm, có hình elip đến thuôn dài và dài từ 10 đến 18 centimet như hình 2. Những chiếc lá đơn lẻ này được sắp xếp theo kiểu so le, với các phiến lá dày có hình trứng thuôn dài và có màu hơi vàng ở mặt dưới [4]. Lá cây sầu riêng Trang |4 Hình 2.3 thể hiện cụm hoa thường phát triển thành từng chùm với 1 đến 15 hoa mỗi chùm và treo trên cành cây. Những bông hoa này bao gồm một đài hoa và năm cánh hoa, mặc dù hiếm khi chúng có thể có bốn hoặc sáu cánh hoa.

Chúng mọc thành nhóm từ ba đến ba mươi trên các nhánh lớn hoặc trực tiếp trên thân cây. Những bông hoa được phân biệt bởi kích thước lớn, sản xuất mật hoa dồi dào và mùi hăng, nồng, nặng, chua và bơ trong tự nhiên [4]. Hoa sầu riêng yêu cầu điều kiện phát triển tối ưu trong khoảng thời gian khoảng 3 đến 4 tuần để tạo điều kiện thuận lợi cho việc sản xuất trái cây. Thông thường, những bông hoa này sẽ nở trong một khung thời gian cụ thể, bắt đầu vào khoảng 3 giờ chiều và kết thúc lúc 6 giờ sáng hôm sau.