Ứng dụng AI trong nhận diện dược liệu bằng hình ảnh - Khóa luận Lại Thị Ngọc Mai

Khóa luận nghiên cứu ứng dụng trí tuệ nhân tạo trong nhận diện dược liệu qua hình ảnh, góp phần nâng cao hiệu quả kiểm định chất lượng dược phẩm.

• Tác giả: Lại Thị Ngọc Mai
• Người hướng dẫn: PGS.TS Nguyễn Thu Hằng
• Trường học: Trường Đại học Dược Hà Nội
• Chuyên ngành: Dược
• Đề tài: Ứng dụng trí tuệ nhân tạo trong nhận diện dược liệu bằng hình ảnh
• Loại tài liệu: Khóa luận tốt nghiệp Dược sĩ
• Năm xuất bản: 2025
• Địa điểm: Hà Nội

Tóm tắt

I. Khái niệm và ứng dụng của trí tuệ nhân tạo trong nhận diện dược liệu

Trí tuệ nhân tạo (AI) và học sâu (Deep Learning) đã trở thành công cụ hữu ích trong lĩnh vực nhận diện dược liệu bằng hình ảnh. Khóa luận này tập trung vào ứng dụng thị giác máy tính (Computer Vision) để phân loại và xác định các loại dược liệu từ ảnh số. Qua đó, người dùng có thể nhanh chóng nhận diện các loại cây thuốc thông qua ứng dụng kỹ thuật số. Công nghệ này giúp cải thiện độ chính xác, tiết kiệm thời gian và giảm sai sót trong quá trình nhận diện dược liệu. Đặc biệt, mạng nơ ron tích chập (CNN) và Vision Transformer (ViT) là những mô hình tiên tiến được sử dụng để xây dựng hệ thống này. Ứng dụng AI trong dược liệu có ý nghĩa lớn trong đào tạo, kiểm tra chất lượng và sản xuất dược phẩm.

1.1. Khái niệm về thị giác máy tính và học sâu

Thị giác máy tính (CV) là lĩnh vực nghiên cứu cho phép máy tính hiểu, phân tích và xử lý hình ảnh. Học sâu (DL) là một nhánh của học máy (ML) sử dụng các mạng nơ ron nhân tạo có nhiều lớp để nhận dạng các mẫu phức tạp. Từ hình ảnh dược liệu, các mô hình Deep Learning có khả năng tự động trích xuất các đặc trưng và thực hiện phân loại với độ chính xác cao.

1.2. Các mô hình học sâu phổ biến trong nhận diện hình ảnh

Các mô hình như CNN, ResNet, EfficientNet và Vision Transformer được sử dụng rộng rãi trong phân loại hình ảnh dược liệu. Mỗi mô hình có những ưu điểm riêng: CNN nhanh và hiệu quả, Vision Transformer xử lý các đặc trưng toàn cục tốt. Việc lựa chọn mô hình phù hợp ảnh hưởng trực tiếp đến độ chính xác của hệ thống nhận diện.

II. Phương pháp nghiên cứu và xây dựng mô hình nhận diện

Khóa luận sử dụng phương pháp tiếp cận dữ liệu (data-driven approach) để xây dựng hệ thống nhận diện dược liệu tự động. Quá trình bao gồm các bước: thu thập ảnh dược liệu, tiền xử lý dữ liệu, huấn luyện mô hình, đánh giá hiệu suất và triển khai trên nền tảng web. Tập dữ liệu được thu thập từ các loại dược liệu phổ biến, sau đó được tăng cường dữ liệu (data augmentation) để cải thiện khả năng tổng quát của mô hình. Các chỉ số đánh giá như Accuracy, Precision, Recall, F1-score được sử dụng để đo lường hiệu suất. Cuối cùng, mô hình được triển khai thành một ứng dụng web cho phép người dùng tải ảnh và nhận kết quả nhận diện ngay lập tức.

2.1. Thu thập và tiền xử lý dữ liệu

Dữ liệu là nền tảng của mô hình học sâu. Khóa luận thu thập ảnh từ các loại dược liệu thực tế, sắp xếp theo từng lớp. Giai đoạn tiền xử lý bao gồm chuẩn hóa kích thước ảnh, cân bằng dữ liệu giữa các lớp và tăng cường dữ liệu bằng các kỹ thuật xoay, lật, thay đổi độ sáng. Điều này giúp mô hình học tốt hơn từ dữ liệu hạn chế.

2.2. Huấn luyện và đánh giá mô hình

Mô hình được huấn luyện (training) trên tập dữ liệu với các siêu tham số được tối ưu hóa. Quá trình sử dụng validation set để kiểm tra hiệu suất và test set để đánh giá cuối cùng. Các chỉ số TP, TN, FP, FN được tính toán để xác định độ chính xác (Accuracy), độ chuẩn xác (Precision) và độ nhạy (Recall) của mô hình trên các loại dược liệu khác nhau.

III. Kết quả thực nghiệm và khả năng ứng dụng

Mô hình nhận diện dược liệu đã được xây dựng và kiểm thử với kết quả khả quan. Mô hình đạt độ chính xác cao trong việc phân loại các loại dược liệu khác nhau, đặc biệt là các loại phổ biến trong dân gian và y học cổ truyền. Kết quả cho thấy Vision Transformer đạt hiệu suất tốt hơn so với các mô hình CNN truyền thống. Hệ thống được triển khai dưới dạng ứng dụng web cho phép người dùng tải ảnh dược liệu và nhận được kết quả nhận diện tức thời. Ứng dụng này có tiềm năng lớn trong đào tạo dược sĩ, kiểm tra chất lượng dược liệu tại các cơ sở sản xuất và hỗ trợ bán lẻ tại các nhà thuốc.

3.1. Kết quả hiệu suất mô hình

Các chỉ số đánh giá cho thấy mô hình ViT đạt Accuracy cao nhất so với các mô hình khác. Mô hình có khả năng phân biệt tốt giữa các loại dược liệu có hình dáng tương tự. Tuy nhiên, kết quả cũng chỉ ra những lớp dược liệu mà mô hình khó phân biệt, đó là cơ sở để cải tiến trong tương lai bằng cách thu thập thêm dữ liệu hoặc điều chỉnh kiến trúc mô hình.

3.2. Ứng dụng thực tế trong lĩnh vực dược học

Hệ thống nhận diện này có thể được ứng dụng trong nhiều bối cảnh: hỗ trợ sinh viên Dược sĩ học tập, kiểm tra chất lượng nguyên liệu dược liệu, hỗ trợ bán lẻ tại các quầy thuốc. Ngoài ra, ứng dụng web-based giúp người dùng dễ dàng truy cập mà không cần cài đặt phần mềm phức tạp. Các cải tiến tương lai có thể bao gồm mở rộng tập dụng liệu, thêm tính năng phát hiện bệnh lý, hoặc tích hợp với cơ sở dữ liệu dược liệu toàn diện.

IV. Những thách thức hạn chế và hướng phát triển tương lai

Mặc dù mô hình nhận diện dược liệu bằng AI cho thấy kết quả tích cực, nhưng vẫn còn một số thách thức cần vượt qua. Thứ nhất, dữ liệu huấn luyện hiện tại vẫn hạn chế về số lượng và đa dạng hình ảnh trong các điều kiện chiếu sáng, góc độ chụp khác nhau. Thứ hai, một số loại dược liệu có hình dáng rất giống nhau, làm khó khăn cho quá trình phân loại. Thứ ba, mô hình có thể gặp khó khăn khi xử lý ảnh bị lẫn, che phủ hoặc có chất lạ. Để cải tiến hiệu suất, các hướng phát triển tương lai bao gồm: mở rộng tập dữ liệu, ứng dụng few-shot learning để nhận diện dược liệu mới, tích hợp các mô hình hybrid kết hợp nhiều kiến trúc khác nhau, và phát triển ứng dụng di động để tăng tính tiện dụng.

4.1. Những hạn chế của mô hình hiện tại

Mô hình nhận diện hiện tại vẫn còn một số hạn chế: khó phân biệt dược liệu có đặc trưng hình ảnh tương tự, độ chính xác giảm khi ảnh có chất lượng thấp hoặc chụp từ góc độ lạ. Ngoài ra, mô hình cần dữ liệu huấn luyện lớn để đạt hiệu suất tốt, điều này đôi khi khó thực hiện trong thực tế. Thời gian suy luận (inference time) cũng là một yếu tố cần được tối ưu hóa để phù hợp với ứng dụng thực tế.

4.2. Hướng phát triển và cải tiến mô hình tương lai

Các hướng cải tiến tương lai bao gồm: (1) mở rộng tập dữ liệu với các loại dược liệu mới và điều kiện chụp đa dạng, (2) ứng dụng transfer learning từ các mô hình được huấn luyện trên tập dữ liệu lớn, (3) phát triển ensemble learning kết hợp nhiều mô hình, (4) tích hợp semi-supervised learning để tận dụng dữ liệu chưa gán nhãn, (5) xây dựng ứng dụng di động cho phép người dùng sử dụng bất kỳ lúc nào, ở đâu.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 : TỔNG QUAN 1. Thị giác máy tính 1. Khái niệm về thị giác máy tính Thị giác là một trong những giác quan mạnh mẽ nhất của con người cũng như nhiều loài sinh vật [7]. Các nhà khoa học thuộc nhiều lĩnh vực khác nhau, từ thần kinh học, tâm lý học đến kĩ thuật và trí tuệ nhân tạo đều cố gắng tìm hiểu bản chất của thị giác.

Trong khi các nhà khoa học thần kinh quan tâm đến cách bộ não xử lý hình ảnh, thì các nhà nghiên cứu trí tuệ nhân tạo lại đặt ra câu hỏi: “ Làm thế nào để máy tính có thể nhìn và hiểu thế giới như con người ?”. Chính từ nhu cầu đó thị giác máy tính (Computer vision - CV) ra đời như một nhánh quan trọng của AI, với mục tiêu giúp máy móc có khả năng thu nhận, phân tích và hiểu nội dung hình ảnh hoặc video. Nếu như con người có hệ thống thị giác sinh học dựa trên mắt và não bộ, thì máy tính sử dụng cảm biến hình ảnh và thuật toán để xử lý thông tin trực quan. Nói cách khác, thị giác máy tính là một loại AI sử dụng video kĩ thuật số hoặc chuỗi hình ảnh với mục tiêu đào tạo máy tính để trích xuất thông tin hình ảnh, cho phép máy tính có thể “ nhìn”, “hiểu”, từ đó có thể nhận dạng nội dung [8-9].

CV cũng có thể được hiểu là một tập hợp các phương pháp và kỹ thuật nhằm mô phỏng khả năng nhận thức hình ảnh của con người bằng cách sử dụng các thuật toán và mô hình toán học. Bằng cách kết hợp các phương pháp xử lý hình ảnh số, CV có thể mô phỏng cách con người nhận diện đối tượng, phân loại hình ảnh và trích xuất thông tin từ môi trường xung quanh. Sự phát triển của thị giác máy tính đã mở ra hàng loạt các ứng dụng quan trọng, từ nhận diện khuôn mặt, xe tự lái, giám sát an ninh cho đến chuẩn đoán y khoa. Các lĩnh vực nghiên cứu của thị giác máy tính Thị giác máy tính không chỉ đơn thuần là việc máy tính "nhìn" thấy hình ảnh, mà còn là quá trình giúp hệ thống hiểu và suy luận về thế giới xung quanh thông qua dữ liệu thị giác.

Dưới đây là những lĩnh vực thị giác máy tính phổ biến, mỗi dạng đóng một vai trò quan trọng trong việc xử lý và phân tích hình ảnh, video: Phân loại hình ảnh (Image Classification): Đây là một trong những bài toán cơ bản của thị giác máy tính, trong đó hệ thống xác định xem một hình ảnh thuộc về danh mục nào. Chẳng hạn, một mô hình có thể tự động phân biệt giữa ảnh chụp chó, mèo, xe hơi hay cây cối. Phân loại hình ảnh là nền tảng cho nhiều ứng dụng thực tế như nhận diện sản phẩm trong thương mại điện tử [10] hay sàng lọc hình ảnh trong y tế [11]. Phân đoạn hình ảnh (Image Segmentation): Không chỉ dừng lại ở việc nhận diện tổng thể, phân đoạn hình ảnh chia hình ảnh thành các vùng nhỏ hơn, giúp mô hình 2 hiểu rõ hơn về cấu trúc của đối tượng.

Ví dụ, trong y tế, công nghệ này giúp phát hiện và khoanh vùng chính xác khối u trong ảnh chụp X-quang hoặc MRI [12], hỗ trợ bác sĩ trong việc chẩn đoán bệnh lý. Phát hiện đối tượng (Object Detection): Nếu như phân loại hình ảnh chỉ xác định nội dung của một bức ảnh, thì phát hiện đối tượng còn tiến xa hơn khi xác định vị trí chính xác của các vật thể trong hình ảnh hoặc video. Công nghệ này được ứng dụng rộng rãi trong giám sát an ninh, hỗ trợ xe tự hành nhận diện phương tiện trên đường [13], hoặc quản lý hàng hóa trong chuỗi cung ứng [14]. Theo dõi đối tượng (Object Tracking): Khi một đối tượng đã được phát hiện, hệ thống có thể theo dõi chuyển động của nó qua các khung hình liên tiếp trong video.

Chẳng hạn, trong thể thao, công nghệ theo dõi đối tượng giúp phân tích chuyển động của cầu thủ trên sân [15]. Trong lĩnh vực giao thông, nó giúp xe tự lái dự đoán hướng di chuyển của người đi bộ để đưa ra quyết định an toàn [16]. Trích xuất đặc trưng (Feature Extraction): Một hình ảnh chứa rất nhiều thông tin, nhưng không phải tất cả đều quan trọng. Trích xuất đặc trưng giúp hệ thống lọc ra những yếu tố then chốt, chẳng hạn như các điểm nhận diện trên khuôn mặt trong hệ thống nhận diện khuôn mặt [17], hoặc các đặc trưng của vải trong kiểm tra chất lượng sản phẩm dệt may [18].

Nhận dạng ký tự quang học (Optical Character Recognition, OCR): Công nghệ này giúp máy tính đọc và hiểu văn bản từ hình ảnh, cho phép chuyển đổi dữ liệu từ tài liệu giấy sang định dạng số [19]. OCR được ứng dụng rộng rãi trong nhận diện biển số xe [20], số hóa tài liệu, hay tự động xử lý hóa đơn và chứng từ trong doanh nghiệp. Mỗi dạng thị giác máy tính không hoạt động độc lập mà thường kết hợp với nhau để tạo ra các hệ thống thông minh hơn, ứng dụng trong y tế, sản xuất, an ninh, thương mại và nhiều lĩnh vực khác, giúp máy móc không chỉ "thấy" mà còn "hiểu" thế giới theo cách gần giống con người hơn. Học sâu trong lĩnh vực thị giác máy tính 1.

Từ học máy đến học sâu Trong sơ đồ cấu tạo của hệ thống Data Science (Hình 1.1), có thể thấy trí tuệ nhân tạo nằm trong phạm vi khoa học dữ liệu và bao gồm lập trình cổ điển và học máy (Machine Learning – ML). ML chứa nhiều mô hình và phương pháp, bao gồm học sâu và mạng nơ-ron nhân tạo (Artificial Neutral Network). Cấu trúc của hệ thống Data Science [1] Như vậy, mặc dù học sâu (Deep learning – DL) thực chất là một nhánh của học máy, nhưng khi nhắc đến ML trong bối cảnh thị giác máy tính, người ta thường mặc định đề cập đến các phương pháp ML truyền thống (Traditional Machine Learning - TML), thay vì các mô hình DL hiện đại. Trong giai đoạn đầu phát triển của thị giác máy tính, các phương pháp dựa trên ML truyền thống đóng vai trò chủ đạo do hạn chế về tài nguyên tính toán (bộ nhớ, CPU và GPU).

Các thuật toán ML phổ biến trong CV thời kỳ này bao gồm K-means, Naive Bayes, Decision Tree, Boosting, Random Forest, Expectation-Maximization (EM), K- Nearest Neighbor (KNN) và Support Vector Machine (SVM). Tuy nhiên, khi xử lý dữ liệu hình ảnh bằng ML, người ta nhận ra những hạn chế lớn như: thuật toán phụ thuộc nhiều vào trích xuất các đặc trưng thủ công, yêu cầu chuyên gia phải thiết kế các đặc trưng phù hợp cho bài toán cụ thể. Khi kích thước dữ liệu và độ phức tạp tăng lên, hiệu suất của các phương pháp này dần trở nên kém hiệu quả, đặt ra nhu cầu về một hướng tiếp cận mới. Sự ra đời của học sâu đã đánh dấu một bước ngoặt trong lĩnh vực thị giác máy tính.

Không giống như TML, DL cho phép mô hình tự động trích xuất đặc trưng mà không cần sự can thiệp của con người. Đặc biệt, năm 2012, mô hình AlexNet đã chiến thắng cuộc thi ImageNet với độ chính xác vượt trội, chứng minh khả năng của DL trong việc xử lý hình ảnh ở quy mô lớn. Thành công của mô hình này là một bước mở đường cho hàng loạt các kiến trúc DL tiên tiến hơn như VGGNet (2014) [21], ResNet (2015) [22], DenseNet (2017) [23] và Vision Transformer (ViT) (2020) [24]. So với TML , DL có lợi thế về khả năng học đặc trưng tự động và xử lý lượng dữ liệu lớn, nhưng đòi hỏi tài nguyên tính toán mạnh mẽ hơn.

Do đó, việc lựa chọn giữa ML và DL trong CV phụ thuộc vào yêu cầu cụ thể của bài toán, quy mô dữ liệu và điều kiện triển khai thực tế 4 [25]. Những điểm khác biệt chính giữa phương pháp học máy truyền thống với học sâu được thể hiện trong Bảng 1.1 dưới đây: Bảng 1. So sánh giữa Machine Learning và Deep Learning Khía cạnh Machine Learning Deep Learning DL là một tập con của ML, dựa trên việc học ML là nghiên cứu về các biểu diễn của dữ liệu. các thuật toán máy tính Điều này cho phép nó tự Định nghĩa có khả năng tự cải thiện động học các đặc trưng, thông qua kinh nghiệm.

thay vì yêu cầu con người [26] thiết kế đặc trưng thủ công [27] Con người can thiệp Sự can thiệp của con trong lúc thực hiện Ít sự can thiệp của con người nhiệm vụ để đạt kết quả người hơn tốt hơn Nhẹ nhàng hơn, phù Tài nguyên phải mạnh, hợp xử lý mô hình có xử lý được các mô hình Phần cứng kích thước nhỏ, có thể có kích thước lớn, chạy chạy trên CPU trên GPU Vận hành nhanh nhưng Mất thời gian thực hiện Thời gian kết quả bị chậm nhưng trả kết quả nhanh Sử dụng dữ liệu lớn, Hàng nghìn điểm dữ Cách tiếp cận nhiều thuật toán, hàng liệu triệu điểm dữ liệu Ô tô tự lái, robot phẫu Ứng dụng Phát hiện spam mail… thuật, nhận dạng ảnh, khuôn mặt. Deep Learning đã cách mạng hóa lĩnh vực thị giác máy tính, đưa độ chính xác của các thuật toán lên một tầm cao mới trong các nhiệm vụ như phân loại ảnh, nhận diện đối tượng và phân đoạn ảnh. Trong số đó, hai dòng mô hình nổi bật nhất thường được ứng dụng trong lĩnh vực này là mạng nơ-ron tích chập (CNN - Convolutional Neural Networks), vốn là nền tảng của thị giác máy tính truyền thống, và Transformer, một hướng tiếp cận mới đang dần khẳng định vị thế nhờ khả năng nắm bắt mối quan hệ toàn cục trong ảnh. Các mô hình học sâu trong CV DL đã mang lại những bước tiến vượt bậc trong lĩnh vực thị giác máy tính, giúp cải thiện đáng kể khả năng nhận diện, phân loại và phân tích hình ảnh.

Hiện nay, các mô hình DL trong CV chủ yếu dựa trên hai hướng tiếp cận chính: Mạng nơ-ron tích chập CNN và mô hình Transformer dành cho hình ảnh - ViT. CNN là nền tảng cốt lõi của nhiều hệ thống xử lý ảnh hiện đại. Dựa trên nguyên lý tích chập, CNN có khả năng tự động trích xuất các đặc trưng quan trọng từ hình ảnh, thay vì phải dựa vào các kỹ thuật tiền xử lý thủ công như trước đây. Nhờ khả năng học trực tiếp từ dữ liệu, CNN đã mang lại hiệu suất vượt trội trong các nhiệm vụ như phân loại ảnh, nhận diện đối tượng và phân đoạn ảnh.

Theo thời gian, CNN đã được phát triển thành nhiều biến thể khác nhau để tối ưu hóa hiệu suất và giảm chi phí tính toán.