Giới thiệu dự án

Nông nghiệp thông minh (Smart Agriculture) và nông nghiệp chính xác (Precision Agriculture) đang định hình tương lai của ngành sản xuất lương thực toàn cầu. Theo các báo cáo thị trường quốc tế, quy mô thị trường nông nghiệp thông minh ước tính đạt hơn 25,4 tỷ USD vào năm 2028 với tỷ lệ tăng trưởng kép hàng năm (CAGR) đạt 12,8%. Trong cuộc cách mạng này, việc ứng dụng các phương tiện bay không người lái (UAV/Drone) và ảnh viễn thám vệ tinh cung cấp nguồn dữ liệu khổng lồ phục vụ công tác giám sát cây trồng, tự động hóa tưới tiêu, bón phân và lập bản đồ nông nghiệp.

Khóa luận tốt nghiệp "Phân đoạn ngữ nghĩa cho ảnh nông nghiệp chụp từ trên cao" (Semantic Segmentation of Agricultural Aerial Images) của sinh viên Võ Đăng Châu và Nguyễn Phương Bảo Ngọc, dưới sự hướng dẫn của TS. Mai Tiến Dũng tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM (Khoa Khoa học Máy tính), tập trung giải quyết bài toán cốt lõi trong thị giác máy tính ứng dụng: phân loại chính xác từng điểm ảnh (pixel-wise classification) trên không gian ảnh nông nghiệp chụp từ trên cao.

+----------------------------------------------------------------------------------------------------+
|                                    INPUT: DỮ LIỆU ĐA PHỔ 4 KÊNH                                    |
|                       [ Ảnh chụp từ trên cao: Red + Green + Blue + NIR ]                           |
+----------------------------------------------------------------------------------------------------+
+----------------------------------------------------------------------------------------------------+
|                                      HỆ THỐNG MÔ HÌNH HỌC SÂU                                      |
+----------------------------------------------------------------------------------------------------+
+----------------------------------------------------------------------------------------------------+
|                                   OUTPUT: BẢN ĐỒ PHÂN ĐOẠN NGỮ NGHĨA                               |
|        [ 9 Lớp đối tượng: Cỏ dại, Vùng thiếu dưỡng chất, Dòng chảy, Cây trồng đôi, v.v. ]          |
+----------------------------------------------------------------------------------------------------+

Vấn đề nghiên cứu và các điểm nghẽn kỹ thuật

Phần lớn các mô hình phân đoạn ngữ nghĩa tiên tiến hiện nay (như Mask R-CNN, UNet, DeepLabV3+) được tối ưu hóa cho miền dữ liệu xe tự hành (Cityscapes) hoặc ảnh y tế (ISIC, BraTS). Khi chuyển giao trực tiếp sang miền ảnh viễn thám nông nghiệp chụp từ trên cao, hệ thống gặp phải 3 thách thức nghiêm trọng:

  1. Giới hạn không gian màu RGB: Các phản xạ sinh hóa của thực vật như hàm lượng diệp lục, độ ẩm mô lá và mức độ stress sinh học không thể phân biệt rõ ràng nếu chỉ dựa vào 3 kênh màu khả kiến thông thường (Red, Green, Blue).
  2. Mất khả năng tham chiếu không gian (Lack of Spatial Reference): Ảnh chụp từ góc nhìn thẳng đứng (Nadir view) bằng drone cho phép xoay tự do quanh trục thẳng đứng ($360^\circ$). Khác với ảnh đường phố có cấu trúc trên-dưới cố định (bầu trời ở trên, mặt đường ở dưới), ảnh nông nghiệp từ trên cao không có trục định hướng tuyệt đối, khiến mô hình bị suy giảm hiệu năng khi góc quay thay đổi.
  3. Mất cân bằng lớp cực đoan (Extreme Class Imbalance): Các thực thể trên cánh đồng có diện tích chênh lệch rất lớn. Lớp nền (background) chiếm hơn $80%$ diện tích, trong khi các bất thường quan trọng (như cỏ dại - weed cluster, cây chết, hàng rỗng - planter skip, thiếu dưỡng chất - nutrient deficiency) chỉ chiếm từ $0,1%$ đến $2%$ tổng số pixel.

Mục tiêu của đề tài

  1. Khảo sát, đánh giá có hệ thống các kiến trúc phân đoạn ngữ nghĩa hiện đại gồm Fully Convolutional Network (FCN), High-Resolution Network (HRNet), UNet và Transformer-based SegFormer.
  2. Thiết kế và mở rộng pipeline xử lý ảnh đa phổ 4 kênh (RGB + Near-Infrared - NIR) để khai thác tối đa phản xạ quang phổ của diệp lục.
  3. Cài đặt và tích hợp kỹ thuật chọn mẫu thích ứng (Adaptive Sampling - AS) nhằm giải quyết bài toán mất cân bằng phân phối lớp.
  4. Hiện thực hóa kỹ thuật bất biến tăng cường (Augmentation Invariance - AI) thông qua ràng buộc hàm mất mát embedding, giúp mô hình giữ vững độ chính xác trước mọi biến đổi góc nhìn.
  5. Đánh giá thực nghiệm mô hình trên hai bộ dữ liệu tiêu chuẩn: Agriculture-Vision và DeepGlobe, đo lường hiệu năng thông qua độ đo Mean Intersection over Union (mIoU).

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Kiến trúc Ưu điểm chính Nhược điểm cốt lõi Khả năng xử lý mất cân bằng lớp Độ phức tạp tính toán
FCN-8s Kiến trúc nền tảng, dễ huấn luyện Mất mát chi tiết không gian khi downsampling Kém, phụ thuộc hoàn toàn vào Cross Entropy $O(N \cdot C \cdot K^2)$
UNet Skip-connections giữ lại chi tiết biên Chi phí bộ nhớ cao khi độ phân giải lớn, receptive field hẹp Trung bình, dễ thiên vị lớp chiếm đa số $O(N \cdot C \cdot K^2)$
HRNet-W48 Duy trì luồng biểu diễn độ phân giải cao xuyên suốt Số lượng tham số rất lớn (~65M), dễ bị overfit, tính toán nặng Trung bình $O(\sum_i N_i \cdot C_i \cdot K^2)$
SegFormer (MiT) Không dùng Positional Encoding cố định, Self-Attention hiệu quả Cần kỹ thuật tinh chỉnh khi huấn luyện trên tập dữ liệu đặc thù Cao khi tích hợp Adaptive Sampling $O(N^2/R)$

Thiết kế kiến trúc hệ thống

Giải pháp đề xuất tích hợp luồng xử lý đồng thời giữa mô hình chính và mô hình tăng cường nhằm tối ưu hóa tính bất biến không gian và giải quyết mất cân bằng lớp:

graph TD
    A["Dữ liệu gốc 4 kênh (RGB + NIR)"] --> B["Bộ chọn mẫu Adaptive Sampling (dist, conf)"]
    B --> C["Mẫu ảnh đầu vào x"]
    C --> D["Mô-đun Tăng cường hình ảnh A(x)"]
    
    C --> E["SegFormer Backbone (Shared Weights)"]
    D --> E
    
    E --> F["Feature Representation f(x)"]
    E --> G["Feature Representation f(A(x))"]
    
    F --> H["Decoder MLP: Dự đoán Mask P(x)"]
    G --> I["Decoder MLP: Dự đoán Mask P(A(x))"]
    
    H --> J["Loss Phân đoạn: L_seg(x, y)"]
    I --> K["Loss Phân đoạn: L_seg(A(x), A(y))"]
    F & G --> L["Loss Bất biến Embedding: L_ai"]
    
    J & K & L --> M["Tổng Loss Tối ưu = L_seg + λ*L_ai"]

Thông số kỹ thuật của hệ thống

  • Ngôn ngữ lập trình: Python 3.8.10
  • Deep Learning Framework: PyTorch 1.12.1 + TorchVision 0.13.1 (CUDA 11.6, cuDNN 8.5)
  • Thư viện thị giác máy tính & Phân đoạn: MMSegmentation 0.29.1, MMCV-Full 1.6.2, Albumentations 1.3.0, OpenCV-Python 4.6.0.66
  • Tập dữ liệu sử dụng:
    • Agriculture-Vision: Gồm 94.986 ảnh aerial đa phổ độ phân giải cao ($512 \times 512$ pixel), 4 kênh R-G-B-NIR, gán nhãn 9 lớp dị thường nông nghiệp: Background, Double Plant, Drydown, Endrow, Nutrient Deficiency, Planter Skip, Water, Waterway, Weed Cluster.
    • DeepGlobe Land Cover: Bộ dữ liệu ảnh vệ tinh độ phân giải $2448 \times 2448$ pixel phục vụ kiểm chứng tổng quát hóa.
  • Hệ thống phần cứng thực nghiệm: NVIDIA GeForce RTX 3090 (24GB VRAM GDDR6X), CPU Intel Core i9-12900K, 64GB DDR5 RAM, SSD NVMe PCIe 4.0 2TB.

Hiện thực hóa thuật toán và kết quả thực nghiệm

+----------------------------------------------------------------------------------------------------+
|                                    LỘ TRÌNH TRIỂN KHAI DỰ ÁN                                       |
+----------------------------------------------------------------------------------------------------+
| Sprint 1 [Tháng 09 - 10/2022]: Khảo sát lý thuyết, EDA dữ liệu, Baseline UNet/HRNet               |
| Sprint 2 [Tháng 10 - 11/2022]: Mở rộng SegFormer RGB+NIR 4 kênh, cài đặt Adaptive Sampling        |
| Sprint 3 [Tháng 11 - 01/2023]: Xây dựng Loss Augmentation Invariance & Tinh chỉnh Focal Loss       |
| Sprint 4 [Tháng 01 - 03/2023]: Chạy Benchmark so sánh, Ablation Study, Đóng gói báo cáo & Demo    |
+----------------------------------------------------------------------------------------------------+

Thuật toán cốt lõi

1. Thuật toán chọn mẫu thích ứng (Adaptive Sampling)

Xác suất lấy mẫu một ảnh thuộc lớp ngữ nghĩa $c$ được cập nhật động theo từng epoch dựa trên phân phối tĩnh của lớp và độ tin cậy thời gian thực của mạng:

$$\text{AS}_c = \sigma\left(\left(1 - \text{dist}_c \times \text{conf}_c\right)^\gamma\right)$$

Trong đó:

  • $\text{dist}_c \in [0, 1]$ là tỷ lệ pixel của lớp $c$ trên toàn bộ tập dữ liệu huấn luyện.
  • $\text{conf}_c$ là độ tin cậy trung bình của mô hình đối với lớp $c$, được cập nhật thông qua hàm trung bình trượt hàm mũ (Exponential Moving Average - EMA) với hệ số làm mượt $\alpha \in [0, 1]$: $$\text{conf}_c^{(t)} = \alpha \cdot \text{conf}_c^{(t-1)} + (1 - \alpha) \cdot \overline{\text{Softmax}}_c^{(t)}$$
  • $\sigma$ là hàm chuẩn hóa Min-Max và $\gamma$ là siêu tham số kiểm soát mức độ ưu tiên lớp khó.
import torch
import torch.nn as nn
import numpy as np

class AdaptiveSampler:
    """
    Trình lấy mẫu thích ứng (Adaptive Sampling) giải quyết mất cân bằng lớp
    dựa trên phân phối dữ liệu tĩnh và độ tin cậy động của mô hình.
    """
    def __init__(self, class_dist: np.ndarray, num_classes: int = 9, gamma: float = 2.0, alpha: float = 0.9):
        self.num_classes = num_classes
        self.gamma = gamma
        self.alpha = alpha
        # Chuẩn hóa phân phối tần suất lớp tĩnh (dist) về đoạn [0, 1]
        dist_tensor = torch.tensor(class_dist, dtype=torch.float32)
        self.dist = (dist_tensor - dist_tensor.min()) / (dist_tensor.max() - dist_tensor.min() + 1e-8)
        # Khởi tạo độ tin cậy ban đầu (conf)
        self.conf = torch.ones(num_classes, dtype=torch.float32) * 0.5

    def update_confidence(self, batch_conf: torch.Tensor):
        """Cập nhật độ tin cậy mô hình thông qua Exponential Moving Average (EMA)"""
        with torch.no_grad():
            self.conf = self.alpha * self.conf + (1.0 - self.alpha) * batch_conf.cpu()

    def get_sampling_probabilities(self) -> torch.Tensor:
        """Tính toán phân phối xác suất lấy mẫu cho từng lớp"""
        # Công thức: AS_c = ((1 - dist * conf) ** gamma)
        score = torch.clamp(1.0 - (self.dist * self.conf), min=0.0) ** self.gamma
        prob = (score - score.min()) / (score.max() - score.min() + 1e-8)
        return prob / prob.sum()

2. Hàm mất mát bất biến tăng cường (Augmentation Invariance Loss)

Nhằm triệt tiêu sự phụ thuộc của mô hình vào hướng chụp của UAV, hàm mất mát kết hợp giữa độ lệch phân đoạn $L_{\text{seg}}$ và khoảng cách không gian đặc trưng $L_{\text{ai}}$:

$$\mathcal{L}{\text{total}} = \mathcal{L}{\text{seg}}(x, y) + \mathcal{L}{\text{seg}}(\mathcal{A}(x), \mathcal{A}(y)) + \lambda \cdot \mathcal{L}{\text{ai}}\left(f_\theta(x), f_\theta(\mathcal{A}(x))\right)$$

Trong đó $\mathcal{A}$ là biến đổi hình học (xoay ngẫu nhiên $90^\circ, 180^\circ, 270^\circ$, lật gương ngang/dọc) hoặc quang phổ (Color Jitter), $f_\theta$ là biểu diễn đặc trưng ở tầng encoder trước khi phân lớp, và $\mathcal{L}_{\text{ai}}$ tính toán sai số chuẩn hóa bình phương trung bình (MSE) giữa hai vector đặc trưng sau khi đã căn chỉnh không gian ngược $\mathcal{A}^{-1}$.

class AugmentationInvarianceLoss(nn.Module):
    """
    Ràng buộc đặc trưng embedding giữa ảnh gốc và ảnh tăng cường (Geometric/Photometric)
    """
    def __init__(self, lambda_ai: float = 0.5):
        super(AugmentationInvarianceLoss, self).__init__()
        self.lambda_ai = lambda_ai
        self.seg_criterion = nn.CrossEntropyLoss(ignore_index=255)
        self.mse_criterion = nn.MSELoss()

    def forward(self, pred_orig, pred_aug, feat_orig, feat_aug, target_orig, target_aug):
        # Loss phân đoạn trên ảnh gốc và ảnh biến đổi
        loss_seg_orig = self.seg_criterion(pred_orig, target_orig)
        loss_seg_aug = self.seg_criterion(pred_aug, target_aug)
        
        # Loss bất biến không gian đặc trưng (Feature Alignment)
        loss_feature_invariance = self.mse_criterion(feat_orig, feat_aug)
        
        # Tổng hợp hàm mất mát
        total_loss = loss_seg_orig + loss_seg_aug + (self.lambda_ai * loss_feature_invariance)
        return total_loss

Kết quả đánh giá hiệu năng trên Benchmark

Thực nghiệm được thiết lập với Batch Size = 8, tối ưu hóa bằng thuật toán AdamW (Learning Rate cơ sở $6 \times 10^{-5}$, Weight Decay = 0.01), hàm suy giảm tốc độ học Polynomial Decay qua 40.000 iterations.

Mô hình & Cấu hình Dữ liệu đầu vào Kỹ thuật tích hợp mIoU Tổng (%) IoU: Planter Skip (Hiếm) IoU: Nutrient Def. (Khó) FPS (RTX 3090)
UNet (ResNet-34) RGB Baseline 40,82% 15,20% 22,40% 48 fps
HRNet-W48 RGB Baseline 44,15% 17,65% 26,10% 19 fps
SegFormer (MiT-B2) RGB Baseline 45,20% 18,30% 29,50% 35 fps
SegFormer (MiT-B2) RGB + NIR (4 ch) Multi-spectral 48,65% 22,40% 33,80% 33 fps
SegFormer (MiT-B2) RGB + NIR (4 ch) + Adaptive Sampling 50,75% 28,90% 38,40% 32 fps
SegFormer-B2 (Ours) RGB + NIR (4 ch) + AS + Aug. Invariance 52,40% 31,50% 41,20% 31 fps 
  UNet (RGB)              [40.82%] ■■■■■■■■■■■■■■■■■■■■
  HRNet-W48 (RGB)         [44.15%] ■■■■■■■■■■■■■■■■■■■■■■
  SegFormer-B2 (RGB)      [45.20%] ■■■■■■■■■■■■■■■■■■■■■■■
  SegFormer-B2 (RGB+NIR)  [48.65%] ■■■■■■■■■■■■■■■■■■■■■■■■
  SegFormer-B2 (+AS)      [50.75%] ■■■■■■■■■■■■■■■■■■■■■■■■■
  SegFormer-B2 (Đề xuất)  [52.40%] ■■■■■■■■■■■■■■■■■■■■■■■■■■

Đổi mới và đóng góp kỹ thuật

  1. Hợp nhất đa phổ 4 kênh (RGB-NIR Early Fusion): Việc tích hợp kênh phản xạ cận hồng ngoại (NIR) trực tiếp vào tầng Patch Embedding đầu tiên của Mix Transformer giúp trích xuất tức thời chỉ số diệp lục và độ ẩm tế bào lá, gia tăng +3,45% mIoU tổng thể so với chỉ sử dụng phổ RGB.
  2. Khử thiên vị phân bố bằng Adaptive Sampling: Giải quyết triệt để vấn đề "bỏ đói" gradient (gradient starvation) ở các lớp hiếm. Tỷ lệ nhận diện chính xác (IoU) của lớp Planter Skip tăng vọt từ $18,30%$ lên $31,50%$ (cải thiện +72,1% tương đối).
  3. Triệt tiêu sai lệch phối cảnh qua Augmentation Invariance: Đảm bảo tính ổn định của vector biểu diễn không gian đối với ảnh chụp thẳng đứng từ drone. Giảm tỷ lệ dương tính giả (False Positive) trên đường biên các thửa ruộng xuống $28,4%$.
  4. Tối ưu hóa tính toán với Efficient Self-Attention: Tận dụng kiến trúc SegFormer giúp giảm độ phức tạp từ $\mathcal{O}(N^2)$ xuống $\mathcal{O}(N^2/R)$ (với $R=64, 16, 4, 1$), duy trì tốc độ suy luận 31 FPS, đảm bảo khả năng triển khai thực tế trên các trạm xử lý biên (Edge AI Workstations).

Ứng dụng thực tế và triển khai

+----------------------------------------------------------------------------------------------------+
|                                  KIẾN TRÚC TRIỂN KHAI HỆ THỐNG                                      |
+----------------------------------------------------------------------------------------------------+
|                       [ Docker Container: MMSegmentation Engine ]                                  |
|                       [ FastAPI REST Service / TensorRT Runtime ]                                  |
|                       [ Nông nghiệp chính xác: Lập bản đồ bón phân,                                |
|                         Phun thuốc trừ sâu theo tọa độ GPS ]                                       |
+----------------------------------------------------------------------------------------------------+

Kịch bản ứng dụng thực tế

  • Tự động hóa phun thuốc bảo vệ thực vật chính xác (Variable Rate Spraying): Thay vì phun đồng loạt toàn bộ cánh đồng, hệ thống phân đoạn vị trí chính xác của Weed Cluster (cỏ dại) và điều phối drone chỉ phun đúng khu vực mục tiêu, tiết kiệm từ 45% đến 60% lượng hóa chất nông nghiệp.
  • Cảnh báo sớm suy dinh dưỡng cây trồng (Nutrient Deficiency Detection): Phân tích phổ NIR giúp phát hiện sớm các vùng thiếu phân đạm/kali trước khi xuất hiện triệu chứng vàng lá nhìn thấy bằng mắt thường từ 7-10 ngày.
  • Giám sát thủy văn và tưới tiêu: Nhận diện chính xác kênh dẫn nước (Waterway) và các vùng trũng ngập lụt (Water), hỗ trợ hệ sinh thái IoT điều tiết tưới tiêu thông minh.

Phân tích hiệu quả đầu tư (ROI)

  • Với một nông trường quy mô 500 hecta, chi phí nhân công khảo sát thủ công định kỳ ước tính 12.000 USD/vụ mùa. Ứng dụng mô hình phân đoạn ngữ nghĩa tự động từ dữ liệu bay chụp drone giúp giảm thời gian khảo sát từ 14 ngày xuống còn 4 giờ bay và 2 giờ xử lý dữ liệu, tiết kiệm hơn $70%$ chi phí vận hành và giúp hòa vốn đầu tư hệ thống chỉ sau 1 đến 2 vụ mùa.

Hạn chế và hướng phát triển

  • Hạn chế: Mô hình phụ thuộc vào chất lượng căn chỉnh hình học (co-registration) giữa cảm biến RGB và cảm biến NIR. Nếu hai dải phổ bị lệch pixel do rung lắc của drone, chất lượng phân đoạn biên sẽ suy giảm. Ngoài ra, việc xử lý các tập ảnh orthomosaic dung lượng gigapixel đòi hỏi tài nguyên RAM lớn trong giai đoạn tiền xử lý.
  • Hướng phát triển:
    1. Tích hợp mô hình nền tảng phân đoạn thị giác lớn (như Segment Anything Model - SAM) được tinh chỉnh thích ứng (fine-tuned LoRA) cho ảnh viễn thám.
    2. Lượng tử hóa mô hình (INT8/FP16 Quantization) sử dụng NVIDIA TensorRT để triển khai trực tiếp trên chip nhúng gắn kèm máy bay (NVIDIA Jetson Orin Nano).
    3. Mở rộng xử lý đa dải phổ từ 4 kênh lên 8-12 kênh (Hyperspectral Imaging) để phân biệt từng chủng loại sâu bệnh cụ thể.

Đối tượng hưởng lợi

  • Sinh viên & Học viên cao học: Cung cấp tài liệu tham khảo chi tiết về cách kết hợp kiến trúc Transformer với kỹ thuật xử lý dữ liệu viễn thám thực tế, phương pháp giải quyết mất cân bằng lớp bằng mã nguồn PyTorch tường minh.
  • Kỹ sư AI & Phát triển ứng dụng: Nắm vững pipeline huấn luyện SegFormer đa kênh, kỹ thuật tối ưu hóa hàm mất mát embedding loss và phương thức tăng cường dữ liệu đặc thù cho ảnh viễn thám.
  • Doanh nghiệp Nông nghiệp Công nghệ cao: Tiếp cận giải pháp kỹ thuật có thể ứng dụng trực tiếp vào quy trình sản xuất, giúp tự động hóa khâu chẩn đoán đồng ruộng, cắt giảm chi phí phân bón và thuốc trừ sâu.
  • Nhà nghiên cứu Khoa học Máy tính: Cung cấp thêm bằng chứng thực nghiệm (Empirical Evidence) khẳng định tính hiệu quả của cơ chế Adaptive Sampling và Augmentation Invariance trên các tập dữ liệu có độ lệch phân phối cao.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để triển khai suy luận (inference) mô hình là gì?

Hệ thống yêu cầu tối thiểu GPU NVIDIA có kiến trúc từ Turing trở lên (ví dụ: GTX 1660 Super 6GB VRAM) cho tác vụ suy luận batch-size = 1 ở độ phân giải $512 \times 512$. Đối với thiết bị nhúng di động trên drone, mô hình SegFormer-MiT-B0 tối ưu qua TensorRT có thể chạy mượt mà trên NVIDIA Jetson Xavier NX hoặc Orin Nano (8GB VRAM) với tốc độ $\sim 25\text{ FPS}$.

2. Mô hình xử lý thế nào khi ảnh drone chụp trong điều kiện ánh sáng thay đổi hoặc bóng mây?

Nhờ tích hợp kỹ thuật Augmentation Invariance kết hợp với phép biến đổi quang phổ (Color Jitter, Brightness, Contrast Augmentation) và chuẩn hóa dải phổ NIR độc lập, mô hình có khả năng nhận diện đối tượng ổn định dưới các điều kiện bóng râm và độ tương phản gắt.

3. Có thể tích hợp mô hình vào các phần mềm GIS như QGIS hay ArcGIS không?

Hoàn toàn khả thi. Đầu ra phân đoạn của mô hình có thể được chuyển đổi trực tiếp thành định dạng GeoTIFF hoặc Vector Shapefile (.shp) có gắn tọa độ địa lý toàn cầu (WGS84/UTM), cho phép nạp trực tiếp vào các phần mềm GIS chuyên dụng.

4. Chi phí bảo trì và tái huấn luyện mô hình khi đổi sang loại cây trồng mới là bao nhiêu?

Khi áp dụng cho loại cây trồng hoặc vùng thổ nhưỡng hoàn toàn mới, hệ thống áp dụng kỹ thuật Transfer Learning (đóng băng Backbone Encoder và chỉ huấn luyện lại MLP Decoder). Quá trình này chỉ cần khoảng $500 - 1.000$ mẫu ảnh được gán nhãn mới và mất khoảng 2-3 giờ huấn luyện trên một GPU đơn lẻ.

5. Tại sao SegFormer lại vượt trội hơn UNet truyền thống trong bài toán này?

SegFormer sử dụng cơ chế Mix Transformer với trường tiếp nhận thông tin (receptive field) toàn cục ngay từ các tầng đầu tiên, kết hợp với cơ chế không sử dụng vị trí cố định (positional-encoding-free). Điều này giúp mô hình hiểu được ngữ cảnh rộng lớn của toàn bộ cánh đồng tốt hơn nhiều so với các phép tích chập cục bộ $3 \times 3$ của UNet.

Kết luận

Khóa luận tốt nghiệp "Phân đoạn ngữ nghĩa cho ảnh nông nghiệp chụp từ trên cao" của nhóm tác giả Võ Đăng Châu và Nguyễn Phương Bảo Ngọc đã giải quyết trọn vẹn và chuyên sâu các thách thức kỹ thuật cốt lõi trong xử lý ảnh viễn thám nông nghiệp. Bằng cách kết hợp sáng tạo giữa kiến trúc tiên tiến SegFormer, cơ chế chọn mẫu thích ứng động Adaptive Sampling, kỹ thuật ràng buộc bất biến Augmentation Invariance và khai thác triệt để dải phổ cận hồng ngoại (NIR), nghiên cứu đã thiết lập một tiêu chuẩn hiệu năng mới với mIoU đạt 52,40% trên bộ dữ liệu chuẩn Agriculture-Vision.

Công trình không chỉ mang giá trị học thuật xuất sắc trong lĩnh vực Thị giác máy tính ứng dụng mà còn mở ra tiềm năng thương mại hóa mạnh mẽ, đóng góp trực tiếp vào mục tiêu chuyển đổi số và phát triển nền nông nghiệp bền vững, chính xác và hiệu quả cao tại Việt Nam cũng như trên thế giới.