CHƯƠNG I. GIỚI THIỆU VỀ BÀI TOÁN 1. VẤN ĐỀ TRONG QUẢN LÝ CHĂN NUÔI Ngành nông nghiệp là ngành kinh tế quan trọng của nước ta trong đó ngành chăn nuôi mang lại hiệu quả kinh tế xã hội cao trong tiến trình công nghiệp hóa, hiện đại hóa và hội nhập kinh tế quốc tế của Việt Nam. Chăn nuôi lợn là ngành kinh tế nông nghiệp truyền thống và lâu đời, cung cấp lương thực, thực phẩm, tạo công ăn việc làm và thu nhập cho người lao động.
Tại các trang trại chăn nuôi lợn theo hộ gia đình hay ngay cả những trang trại công nghiệp do công ty chăn nuôi chuyển giao công nghệ cho người dân, người nông dân gặp phải rất nhiều sự bất tiện trong khâu quản lý chăn nuôi có thể kể đến như sau: Hầu hết người nông dân phải ghi chép thông tin nhập, xuất lợn, cám, vacxin bằng tay, lưu trữ bởi những quyển sổ cái. Mang đến rất nhiều rủi ro và sai sót trong quá trình quản lý trang trại lợn. Các trang trại ngày nay đều được trang bị camera ở mỗi chuồng nuôi lợn. Nhưng việc kiểm soát số lượng lợn và theo dõi lợn đều là thủ công.
Lợn ốm hoặc có dấu hiệu bất thường phải dựa vào kinh nghiệm của người chăn nuôi hoặc các chuyên gia y tế trong chăn nuôi. Người quản lý phải liên hệ với chuyên gia chăn nuôi để thực hiện chữa trị khi lợn đã có dấu hiệu bị bệnh trong khoảng thời gian dài. Thời gian ăn, ngủ, đi lại trong chuồng của lợn chưa được theo dõi cụ thể trên từng cá thể mà chỉ được ước lượng theo kinh nghiệm chăn nuôi. Lợn nái đè lên lợn con khi vừa sinh, lợn trong cùng một chuồng có tranh chấp đánh nhau hoặc lợn chạy ra khỏi chuồng, vượt chuồng dẫn đến bị thương ,.
đều chưa được cảnh báo kịp thời. Đỗ Đình Nam – D17HTTT1 1 Đồ án tốt nghiệp GVHD: TS. Dương Trần Đức 1. NGHIÊN CỨU GIẢI QUYẾT VẤN ĐỀ Áp dụng công nghệ vào chăn nuôi lợn không phải là một ý tưởng mới.
Tại Trung Quốc, các trang trại khổng lồ với sự hỗ trợ của công nghệ AI đang dần thay thế những trang trại quy mô nhỏ, trong bối cảnh nhu cầu tiêu thụ thịt lợn tăng cao. Ở đây, mỗi đàn lợn được giám sát chặt chẽ để phát hiện dấu hiệu ốm bệnh. Vì lợn là loài rất dễ tổn thương, chúng có thể bị căng thẳng và đổ bệnh chỉ bởi thay đổi nhỏ trong nguồn nước. Chương trình sử dụng mô hình học máy ET Agricultural Brain của Alibaba Cloud là một bước tiến dài trong công cuộc đưa công nghệ trí tuệ nhân tạo vào trong chăn nuôi lợn.
Chứng tỏ ngành chăn nuôi đang được nhận rất nhiều sự quan tâm mà những tập đoàn lớn về công nghệ như Alibaba cũng không thể bỏ qua. Để giải quyết các vấn đề em đã nêu trên và ý tưởng từ các chương trình AI đã áp dụng cho các trang trại công nghiệp, em xây dựng một hệ thống có tích hợp công nghệ AI giúp đỡ người nông dân trong việc quản lý trang trại. Cho phép giám sát trang trại hoạt động của cá thể lợn theo thời gian thực, cảnh báo bất thường, có thể phát hiện lợn ốm và giảm thiểu tai nạn, ví dụ như bảo vệ lợn con khỏi tai nạn, cũng như giảm thiểu sai sót trong quá trình nuôi. Ở khuôn khổ của đồ án, những chức năng sau đây chính là những hướng đi đầu tiên trong mong muốn xây dựng hệ thống quản lý tích hợp công nghệ giúp đỡ người dân trong chăn nuôi lợn: Quản lý số lượng cá thể trong mỗi chuồng Nhận diện và theo dõi lợn thông qua video từ camera.
Quản lý các sự kiện liên quan đến lợn trong chuồng từ khi lợn bắt đầu được đưa vào trang trại. MỤC TIÊU CỦA ĐỒ ÁN Chức năng chính mà em muốn giới thiệu của hệ thống là tự động nhận diện và giám sát lợn qua video (camera) từ chuồng nuôi. Bên cạnh đó, hệ thống có tích hợp các chức năng nghiệp vụ để giúp người nông dân quản lý chuồng và các thể thể lợn Đỗ Đình Nam – D17HTTT1 2 Đồ án tốt nghiệp GVHD: TS. Dương Trần Đức trong chuồng chuyên nghiệp hơn.
Từ đó, em xây dựng mục tiêu cho đồ án của mình bao gồm: Nghiên cứu vấn đề nhận diện, giám sát đối tượng qua ảnh, video sử dụng học máy Nghiên cứu quy trình giám sát lợn trong trang trại, ứng dụng học máy để giám sát lợn qua hình ảnh camera Phát triển hệ thống tự động nhận diện và giám sát lợn qua camera sử dụng học máy giúp quản lý các cá thể lợn 1. NHIỆM VỤ CỤ THỂ CỦA ĐỒ ÁN Trong đồ án, em có thực hiện các nhiệm vụ dưới đây để hiện thực hóa mục tiêu ban đầu đề ra của đề tài: Huấn luyện model YOLOv4 với dataset về lợn trong trang trại. Kết hợp YOLOv4 với Deep SORT để thực hiện nhận dạng và theo dõi lợn. Xây dựng module streaming realtime hình ảnh từ camera/video trang trại, tích hợp nhận diện và theo dõi lợn.
Theo dõi lợn sử dụng Deep SORT sẽ phục vụ cho module phân tích cảnh bảo bất thường ở lợn ở giai đoạn 2 của đề tài. Xây dựng hệ thống quản lý trang trại lợn với các chức năng nghiệp vụ riêng cho ngành chăn nuôi lợn. Ghép nối với module streaming realtime hình ảnh để người dùng có thể tương tác trực tiếp trên hệ thống. Đỗ Đình Nam – D17HTTT1 3 Đồ án tốt nghiệp GVHD: TS.
Dương Trần Đức CHƯƠNG II. CƠ SỞ LÝ THUYẾT Ngày nay, Deep Learning được ứng dụng rất rộng rãi ở hầu hết các ngành bao gồm: công nghiệp, y học, giáo dục, nông nghiệp,. với các bài toán điển hình như nhận diện hình ảnh, giọng nói, xử lý ngôn ngữ tự nhiên. Trong đó, Convolutional Neural Network (CNNs – Mạng nơ-ron tích chập) là một trong những mô hình Deep Learning tiên tiến được sử dụng phổ biến.
Chương này sẽ tìm hiểu tổng quan về mạng học sâu (Deep Learning), mô hình mạng nơ-ron trong nhận dạng đối tượng và các mạng phổ biến nhất hiện nay trong bài toán nhận dạng đối tượng. HỌC SÂU: DEEP LEARNING Học sâu (viết tắt là DL – Deep Learning) là một nhánh của học máy (Machine Learning), được xem là một thuật toán dựa trên ý tưởng đến từ bộ não thông qua việc tiếp thu nhiều tầng biểu đạt hay trừu tượng để có thể làm rõ nghĩa của các loại dữ liệu. Những thuật toán của Deep Learning vô cùng đa dạng, mỗi thuật toán được ứng dụng tùy vào từng bài toán cụ thể. Deep Learning là thứ xuất hiện sau trí tuệ nhân tạo (Artificial Intelligence – AI) và Machine Learning và đang là thứ thúc đẩy sự bùng nổ AI ngày nay – là vòng tròn nhỏ nhất.
Mối liên hệ giữa AI, Machine Learning và Deep Learning Đỗ Đình Nam – D17HTTT1 4 Đồ án tốt nghiệp GVHD: TS. Dương Trần Đức Kỹ thuật học sâu được ứng dụng vào rất nhiều ngành công nghiệp bao gồm xe hơi tự hành, phát hiện các bệnh lý trong ứng dụng y học, công nghệ điện toán đám mây, nhận diện giọng nói và các ứng dụng trí tuệ. Cũng như các thuật toán học máy, học sâu cũng dựa trên các thuật toán phức tạp và kỹ thuật xác suất thống kê. Một số loại mạng nơ-ron nhân tạo phổ biến như mạng tích chập Convolutional Neural Networks (CNN) và mạng nơ-ron hồi quy Recurrent Neural Network (RNN) là những ứng dụng của kỹ thuật học sâu hiện đại – mạng lưới này mô phỏng tương tự như mạng lưới thần kinh của con người.
Mỗi một loại mạng nơ-ron được sử dụng vào ứng dụng phức tạp khác nhau như: bài toán phân loại, hay bài toán dự đoán. Ví dụ, nhận diện hình ảnh và nhận diện khuôn mặt người ta sẽ sử dụng mạng tích chập CNN, trong khi xử lý ngôn ngữ tự nhiên – Natural Language Processing (NLP) thì người ta lại sử dụng mạng hồi quy RNN. Mạng nơ-ron nhân tạo 2. Mạng nơ-ron nhân tạo Mạng lưới thần kinh nhân tạo là các mô hình tính toán tuy được ra đời cách đây hơn 60 năm về trước nhưng sự khởi đầu mạnh mẽ của nó mới chỉ diễn ra vào những năm của đầu thế kỷ 20.
Và mạng nơ-ron nhân tạo đã trở thành một trong những trụ cột căn bản nhất của ngành điện toán hiện đại chỉ với một số chứng minh của mô hình đơn giản ban đầu. Nơ-ron học máy tuy là một hàm nhưng nó lại có cấu tạo dựa trên mô hình cấu trúc như của nơ-ron sinh học. Hình ảnh tương quan giữa cấu trúc nơ-ron tự nhiên và nhân tạo Đỗ Đình Nam – D17HTTT1 5 Đồ án tốt nghiệp GVHD: TS. Dương Trần Đức Tương tự như trong mô hình sinh học, các xung thần kinh được truyền qua sợi trục thần kinh với một tỷ lệ nào đó, thì ở mô hình học máy khi mô phỏng lại cũng có một hàm phi tuyến được sử dụng để điều chỉnh tỉ lệ đầu ra sao cho càng giống dữ liệu đầu vào.
Hàm đó được gọi là hàm kích hoạt (activation function), có rất nhiều loại hàm kích hoạt có thể kể đến như Sigmoid, ReLU, Tanh. Trong đó hàm Leaky ReLU là một trong các hàm kích hoạt được sử dụng phổ biến trong nhiều nghiên cứu những năm gần đây do hàm này khắc phục được hạn chế được “vùng chết” của hàm ReLU.01𝑥,𝑥) (1) Đầu ra của một “đơn vị” nơ-ron được tính qua công thức (2) hàm tuyến tính 𝑦 = 𝜎(𝑤𝑖 𝑥𝑖 + 𝑏) (2) Trong đó 𝑥𝑖 là dữ liệu đầu vào thứ 𝑖𝑡ℎ , 𝑤𝑖 là trọng số của nơ-ron, b là nhiễu bias, 𝜎 là hàm kích hoạt. Mạng truyền thẳng nhiều lớp là mô hình mạng lưới nơ-ron nhân tạo được tạo bởi một tập hợp của các nơ-ron. Mỗi nơ-ron sẽ chứa một hàm kích hoạt, tùy thuộc vào dữ liệu đầu vào mà mạng lưới sẽ tính toán ra một đầu ra bằng cách áp dụng hàm kết hợp (3).
Kiến trúc của mạng nơ-ron bao gồm 3 loại lớp nơ-ron: lớp đầu vào (input layer), lớp ẩn (hidden layer) và lớp đầu ra (output layer). Lớp đầu vào là nơi dữ liệu được đưa vào hệ thống, phần lớp ẩn là nơi dữ liệu được tính toán và được kết nối với nhau thông qua các lớp ẩn. Mỗi mạng nơ-ron có thể chứa nhiều lớp ẩn và trong mỗi lớp ẩn l sẽ bao gồm một tập các node nơ-ron 𝑁 (𝑙). Đỗ Đình Nam – D17HTTT1 6 Đồ án tốt nghiệp GVHD: TS.
Dương Trần Đức Hình 2. Cấu trúc mạng nơ-ron truyền thẳng [11] 𝑙 Gọi lớp 𝑙 = 0 là lớp đầu vào, và lớp đầu ra là 𝑙 = 𝐿 − 1, gọi 𝑤𝑗𝑘 là trọng số kết nối 𝑗 𝑗 từ node thứ i của lớp 𝑙 − 1 đến node thứ j của lớp 𝑙.