Phân loại hình ảnh côn trùng thuộc nhiều cấp độ sinh học

Khóa luận trình bày phương pháp phân loại ảnh côn trùng theo nhiều cấp độ sinh học, ứng dụng công nghệ thông tin trong nghiên cứu sinh học.

• Tác giả: Nguyen Minh Cuong
• Người hướng dẫn: TS. Do Trong Hop
• Trường học: Đại Học Quốc Gia TP. Hồ Chí Minh
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phân Loại Hình Ảnh Côn Trùng Theo Cấp Độ Sinh Học
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI
• 1.1. Giới thiệu vấn đề
• 1.2. Mục tiêu, đối tượng, phạm vi nghiên cứu của đề tài
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU LIÊN QUAN
• 3. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT VÀ PHƯƠNG PHÁP
• 3.1. Về sinh học
• 3.2. Các cấp phân loại trong sinh học
• 3.3. Phân loại sinh học
• 3.4. Về bài toán nhận diện côn trùng
• 3.4.1. Ý tưởng giải quyết
• 3.4.2. Nhận diện trong phạm vi dữ liệu
• 3.4.3. Nhận diện ngoài phạm vi dữ liệu
• 4. CHƯƠNG 4: BỘ DỮ LIỆU
• 4.1. Thu thập các nhóm dữ liệu ban đầu
• 4.2. Thông tin cụ thể của các nhóm đối tượng
• 4.3. Đánh giá các bộ dữ liệu thu thập
• 5. CHƯƠNG 5: THỰC NGHIỆM VÀ KẾT LUẬN
• 5.1. Số liệu đối chiếu
• 5.2. Demo chương trình
• 5.3. Phân tích kết quả thực nghiệm
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu về phân loại côn trùng theo cấp độ sinh học

Thế giới côn trùng rất đa dạng với hơn 1 triệu loài đã được mô tả. Việc phân loại côn trùng theo cấp độ sinh học không chỉ giúp nhận diện các loài mà còn hỗ trợ trong việc bảo vệ môi trường và sức khỏe con người. Côn trùng có vai trò quan trọng trong hệ sinh thái, nhưng cũng có những loài gây hại. Do đó, việc hiểu biết về chúng là cần thiết.

1.1. Tầm quan trọng của việc phân loại côn trùng

Phân loại côn trùng giúp xác định vai trò của từng loài trong hệ sinh thái. Các loài côn trùng có thể có ích hoặc gây hại, và việc nhận diện đúng sẽ giúp con người có biện pháp phòng tránh hiệu quả.

1.2. Các cấp độ phân loại sinh học của côn trùng

Côn trùng được phân loại theo các cấp độ như Domain, Kingdom, Phylum, Class, Order, Family. Mỗi cấp độ này có những đặc điểm riêng biệt, giúp dễ dàng nhận diện và nghiên cứu.

II. Thách thức trong việc phân loại côn trùng

Việc phân loại côn trùng gặp nhiều thách thức, đặc biệt là trong việc thu thập dữ liệu. Số lượng loài côn trùng rất lớn, và thông tin về chúng thường không đầy đủ. Điều này gây khó khăn trong việc xây dựng bộ dữ liệu chính xác và phong phú.

2.1. Khó khăn trong việc thu thập dữ liệu côn trùng

Số lượng côn trùng đã được mô tả lên đến hàng triệu loài, việc thu thập hình ảnh và thông tin cho từng loài là một thách thức lớn. Nhiều loài chưa được nghiên cứu đầy đủ.

2.2. Thiếu thông tin về các loài côn trùng

Thông tin về các loài côn trùng thường được tổng hợp từ nhiều nguồn khác nhau, dẫn đến sự không đồng nhất và thiếu chính xác trong bộ dữ liệu.

III. Phương pháp phân loại côn trùng hiệu quả

Để giải quyết các thách thức trong phân loại côn trùng, nhiều phương pháp đã được áp dụng. Các mô hình học máy hiện đại như CNN và VGG đã cho thấy hiệu quả cao trong việc nhận diện hình ảnh côn trùng.

3.1. Sử dụng mô hình học sâu trong phân loại

Mô hình CNN và VGG được sử dụng để trích xuất đặc trưng hình ảnh côn trùng, giúp cải thiện độ chính xác trong việc nhận diện.

3.2. Tạo dựng bộ dữ liệu phong phú

Việc xây dựng bộ dữ liệu đa dạng với nhiều loài côn trùng khác nhau là rất quan trọng. Điều này giúp máy tính có khả năng nhận diện chính xác hơn.

IV. Ứng dụng thực tiễn của phân loại côn trùng

Phân loại côn trùng có nhiều ứng dụng thực tiễn trong nông nghiệp và bảo vệ môi trường. Việc nhận diện đúng các loài côn trùng giúp nông dân có biện pháp phòng trừ sâu bệnh hiệu quả.

4.1. Ứng dụng trong nông nghiệp

Nhận diện các loài côn trùng có hại giúp nông dân áp dụng biện pháp phòng trừ hiệu quả, giảm thiểu thiệt hại cho mùa màng.

4.2. Bảo vệ sức khỏe con người

Việc nhận diện các loài côn trùng có độc tính giúp người dân phòng tránh nguy hiểm, bảo vệ sức khỏe cho bản thân và gia đình.

V. Kết luận và tương lai của phân loại côn trùng

Phân loại côn trùng theo cấp độ sinh học là một lĩnh vực nghiên cứu quan trọng. Tương lai của nghiên cứu này hứa hẹn sẽ mang lại nhiều giá trị cho con người và môi trường. Việc phát triển công nghệ nhận diện côn trùng sẽ giúp nâng cao hiệu quả trong việc bảo vệ sức khỏe và môi trường.

5.1. Tương lai của nghiên cứu phân loại côn trùng

Nghiên cứu về phân loại côn trùng sẽ tiếp tục phát triển, với sự hỗ trợ của công nghệ hiện đại, giúp nâng cao độ chính xác và hiệu quả.

5.2. Đóng góp cho bảo vệ môi trường

Phân loại côn trùng không chỉ giúp nhận diện mà còn góp phần bảo vệ môi trường, duy trì sự cân bằng sinh thái.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp cử nhân ngành Công nghệ Thông tin của sinh viên Nguyễn Minh Cường và Phạm Thanh Quang (Trường Đại học Công nghệ Thông tin, Đại học Quốc gia TP. Hồ Chí Minh, năm 2023) tập trung vào bài toán nhận diện và phân loại hình ảnh côn trùng dựa trên cấu trúc phân loại học sinh học.

Theo trình bày của nhóm tác giả, thế giới côn trùng sở hữu mức độ đa dạng sinh học rất lớn với hơn 1 triệu loài đã được mô tả khoa học cùng nhiều loài chưa được khám phá. Việt Nam nằm trong khu vực khí hậu nhiệt đới gió mùa có độ ẩm cao, tạo điều kiện thuận lợi cho nhiều quần xã côn trùng sinh sống và phát triển. Trong đời sống thường nhật, con người thường xuyên tiếp xúc với nhiều nhóm côn trùng khác nhau; bên cạnh các loài hữu ích còn có nhiều loài gây hại hoặc mang độc tố đe dọa trực tiếp đến sức khỏe và tính mạng (chẳng hạn như muỗi truyền bệnh sốt rét, viêm não Nhật Bản B, hay kiến ba khoang - loài đã được Curtis, J. mô tả từ năm 1862 nhưng kiến thức nhận diện trong cộng đồng vẫn còn hạn chế). Việc thiếu hiểu biết hình thái khiến người dân khó chủ động phòng tránh các tai nạn nguy hiểm.

Xuất phát từ thực tiễn trên, nghiên cứu chỉ ra một điểm nghẽn học thuật lớn: phần lớn các nghiên cứu thị giác máy tính hiện nay tiếp cận việc nhận diện côn trùng như một bài toán phân loại phẳng (flat classification) với các nhãn đơn lẻ, tách rời, thiếu liên kết phả hệ. Khi hệ thống gặp phải hình ảnh của một loài côn trùng mới nằm ngoài tập dữ liệu huấn luyện, mô hình hoàn toàn mất khả năng nhận diện dù loài đó có chung đặc điểm hình thái ở các cấp bậc sinh học cao hơn với các loài đã học.

Mục tiêu nghiên cứu được xác định cụ thể gồm ba nhiệm vụ:

1. Xây dựng giải pháp giúp máy tính có khả năng nhận diện nhiều nhóm côn trùng nhất có thể, nhận biết các loài có trong bộ dữ liệu và mở rộng khả năng nhận biết đối với những loài nằm ngoài bộ dữ liệu huấn luyện thông qua các cấp phân loại sinh học.
2. Tự xây dựng và chuẩn hóa một bộ dữ liệu hình ảnh côn trùng đa dạng, có tính bao quát, được sắp xếp theo nguyên tắc phân loại sinh học nhằm tạo nền tảng cho các bài toán phân loại (Insect Classification) và phát hiện côn trùng (Insect Detection).
3. Thực nghiệm đánh giá, so sánh độ hiệu quả giữa các mô hình học sâu và phương pháp trích xuất đặc trưng trên bộ dữ liệu có sự chênh lệch lớn giữa các nhãn.

Đối tượng nghiên cứu của đề tài bao gồm:

• Các kiến trúc học sâu và thuật toán xử lý ảnh: mô hình CNN, VGG16, ResNet50 và giải thuật trích xuất đặc trưng SIFT (Scale-Invariant Feature Transform).
• Bộ dữ liệu hình ảnh côn trùng đa cấp bậc sinh học do nhóm tác giả tự tổng hợp và chuẩn hóa.
• Độ hiệu quả và khả năng phân loại của các mô hình đối với từng cấp bậc sinh học.

Phạm vi nghiên cứu được giới hạn như sau:

• Về phạm vi địa lý: Đối tượng sinh học ban đầu ưu tiên các loài phân bố tại Việt Nam; sau đó mở rộng sang các nước giáp ranh, khu vực Đông Nam Á, châu Á và một số nhóm loài có quan hệ họ hàng phân bố rộng.
• Về phạm vi phân loại sinh học: Nghiên cứu bao phủ từ cấp Class (Lớp) đến cấp Species (Loài). Trong đó, Class là cấp phân loại cao nhất nhóm thực hiện (không mở rộng lên Subphylum do hạn chế dữ liệu mẫu nhưng cấp Class đã bao hàm phần lớn côn trùng phổ biến); cấp Family (Họ) là cấp phân loại thấp nhất đạt được độ bao phủ toàn diện; một số nhóm đạt đến cấp Genus (Chi) và Species (Loài).
• Về kỹ thuật: Nghiên cứu giới hạn trong phạm vi các mô hình mạng nơ-ron tích chập (CNN cơ bản, VGG16, ResNet50) và phương pháp trích xuất đặc trưng cục bộ SIFT.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết của đề tài kết hợp giữa phân loại học sinh học (Biological Taxonomy) và các kỹ thuật thị giác máy tính trong học sâu.

Về mặt sinh học, hệ thống phân loại sinh vật tuân theo trật tự phân cấp từ cao xuống thấp: Vực (Domain) > Giới (Kingdom: Animalia) > Ngành (Phylum: Arthropoda) > Lớp (Class) > Bộ (Order) > Họ (Family) > Chi (Genus) > Loài (Species), cùng các bậc phân loại phụ như Phân ngành (Subphylum), Phân lớp (Subclass), Phân thứ lớp (Infraclass), Liên bộ (Superorder), Phân bộ (Suborder), và Phân thứ bộ (Infraorder). Nguyên tắc phân loại học dựa trên việc nhóm các sinh vật có sự tương đồng về đặc điểm hình thái bên ngoài, cấu tạo cơ thể và đặc tính sinh học thành từng nhóm phân loại (taxon). Khóa luận tập trung vào ba Lớp chính thuộc Ngành Chân khớp: Lớp Côn trùng (Insecta - sinh vật có 6 chân), Lớp Hình nhện (Arachnida - hình thái dạng nhện, bọ cạp) và Lớp Rết (Chilopoda).

Về phương pháp xử lý bài toán nhận diện, tác giả thiết lập quy trình suy luận gồm hai nhánh:

1. Nhận diện trong phạm vi dữ liệu (in-distribution): Xử lý tương tự bài toán phân lớp hình ảnh thông thường; khi đưa ảnh đầu vào (Input), mô hình dự đoán chính xác tên nhãn loài hoặc nhóm đã có trong tập huấn luyện và trích xuất thông tin tương ứng.
2. Nhận diện ngoài phạm vi dữ liệu (out-of-distribution): Dựa trên giả thuyết sinh thái hình thái học, các loài cùng chung cấp phân loại sẽ có đặc điểm nhận dạng bên ngoài tương đồng. Dữ liệu huấn luyện được tổ chức theo cấu trúc phân cấp từ Species đến Class. Khi gặp một cá thể thuộc loài chưa từng xuất hiện trong tập huấn luyện, mô hình không thể định danh ở cấp loài nhưng có thể nhận diện chính xác ở các cấp phân loại cao hơn như Bộ (Order) hoặc Lớp (Class). Ví dụ, loài ruồi không có trong tập huấn luyện nhưng muỗi đã có sẵn; vì cả ruồi và muỗi đều thuộc Bộ Diptera và Lớp Insecta, mô hình vẫn trích xuất được đặc trưng hình thái để gán ruồi vào đúng Bộ Diptera và Lớp Insecta.

Phương pháp nghiên cứu thực nghiệm áp dụng các mô hình học sâu và trích chọn đặc trưng:

• Mạng CNN cơ bản: Dùng để thiết lập đường cơ sở (baseline) và đánh giá tính ứng dụng của bộ dữ liệu tự xây dựng đối với các mạng tích chập tiêu chuẩn.
• Mạng VGG16: Kiến trúc học sâu từ ILSVRC-2014, có độ chính xác cao và khả năng giảm thiểu hiện tượng quá khớp (overfitting) trên dữ liệu ảnh côn trùng chứa nhiều chi tiết hậu cảnh tự nhiên phức tạp.
• Mạng ResNet50: Kiến trúc tích chập 50 tầng với các khối phần dư (residual blocks) giải quyết vấn đề suy giảm đạo hàm khi mạng tăng độ sâu, đạt thành tích cao tại ILSVRC-2015 và COCO 2015.
• Thuật toán SIFT: Trích xuất các điểm đặc trưng cục bộ bất biến (keypoints) đối với tỉ lệ, hướng quay và cường độ sáng, kết hợp với mạng CNN để phân loại.

Nguồn dữ liệu thực nghiệm được nhóm tác giả thu thập và tổng hợp từ 9 bộ dữ liệu mở trên nền tảng Kaggle, bao gồm:

1. 25insects: Hình ảnh của 25 loài côn trùng (đuông dừa, dế trũi, bướm đêm,...).
2. Insect identification from habitus images: Hình ảnh bọ cánh cứng thuộc họ Carabidae.
3. Insects Recognition: Hình ảnh các loài bướm, chuồn chuồn, châu chấu, bọ rùa, muỗi.
4. YIKES! Spiders - 15 Species Classification: Hình ảnh các chi nhện.
5. spider species: Hình ảnh các loài nhện.
6. spider-scorpion-cockroach: Hình ảnh nhện, gián, bọ cạp.
7. Butterfly Image Classification 40 species: Hình ảnh các loài bướm.
8. Animals Detection Images Dataset: Hình ảnh động vật nói chung, lọc lấy các ảnh côn trùng.
9. Ants & Bees: Hình ảnh phân loại kiến và ong.

---

Nội dung chính theo từng chương

Chương 1. Giới thiệu đề tài

Chương mở đầu phân tích tính cấp thiết của việc nhận biết côn trùng tại Việt Nam do đặc thù khí hậu nhiệt đới ẩm tạo môi trường cho hàng trăm loài côn trùng sinh sống, trong đó có nhiều loài mang nọc độc nguy hiểm. Tác giả chỉ ra lỗ hổng kiến thức của người dân và tình trạng khan hiếm các công trình nghiên cứu sâu về phân loại côn trùng tại thời điểm thực hiện khóa luận. Chương này xác định rõ 3 mục tiêu nghiên cứu, đối tượng nghiên cứu (các mô hình VGG16, CNN, ResNet50, thuật toán SIFT, và bộ dữ liệu tự xây dựng), cùng phạm vi giới hạn về mặt địa lý và phân loại học sinh học.

Chương 2. Các nghiên cứu liên quan

Tác giả tiến hành khảo sát và đánh giá 3 công trình nghiên cứu tiêu biểu trong lĩnh vực:

• Công trình YOLO-Based Light-Weight Deep Learning Models for Insect Detection System with Field Adaption: Sử dụng tập dữ liệu "Taxonomy Orders Object Detection Dataset" gồm 15.000 ảnh thuộc 7 Bộ (Coleoptera, Araneae, Hemiptera, Hymenoptera, Lepidoptera, Odonata, Diptera) để so sánh các biến thể kiến trúc YOLO.
• Công trình A Systematic Review on Automatic Insect Detection Using Deep Learning: Đánh giá các phương pháp phát hiện côn trùng gây hại nông nghiệp bằng cách thu thập ảnh bẫy và ảnh thực địa trên tán cây, kết hợp thử nghiệm các mô hình CNN và ResNet trên ảnh đơn lẻ và ảnh chứa nhiều cá thể.
• Nghiên cứu của tác giả U. Srinivasulu Reddy (Viện Công nghệ Quốc gia Tiruchirappalli, Ấn Độ): Khảo sát nhận dạng côn trùng gây hại trên tập dữ liệu IP102 (kết hợp dữ liệu từ Wang: 9 nhãn/282 ảnh; Xie: 24 nhãn/1.599 ảnh; Deng: 12 nhãn/600 ảnh) bằng cách thay đổi góc chụp và thử nghiệm các mô hình học máy truyền thống (ANN, SVM, KNN, Naive Bayes) cùng mạng CNN.

Phân tích tổng hợp chỉ ra điểm hạn chế chung: Các nghiên cứu chỉ coi côn trùng là những nhãn riêng lẻ, không có sự liên kết nhóm sinh học. Khi một côn trùng mới xuất hiện dù cùng nhóm sinh học với dữ liệu đã học, hệ thống vẫn không thể nhận biết. Đây là cơ sở để nhóm đề xuất hướng tiếp cận tích hợp phân cấp sinh học.

Chương 3. Cơ sở lý thuyết và phương pháp

Chương 3 trình bày chi tiết nền tảng phân cấp sinh học từ Domain đến Species và cơ chế phân loại sinh học dựa trên hình thái cấu tạo. Tác giả mô tả chi tiết sơ đồ khối hệ thống nhận diện côn trùng: tiếp nhận hình ảnh đầu vào, đưa qua mô hình học sâu hoặc mạng tích chập kết hợp trích chọn đặc trưng, xuất nhãn phân loại kèm thông tin sinh học. Chương này lập luận chi tiết về cơ chế nhận diện ngoài phạm vi dữ liệu dựa trên tính tương đồng đặc trưng của các cấp phân loại bậc cao (Lớp, Bộ), đồng thời trình bày cấu trúc và nguyên lý của mạng CNN, VGG16, ResNet50 và thuật toán SIFT.

Chương 4. Bộ dữ liệu

Chương này chiếm dung lượng lớn, ghi lại toàn bộ quy trình xây dựng tập dữ liệu. Ban đầu, nhóm thu thập 30 nhóm đối tượng chưa có liên kết từ 9 nguồn Kaggle. Sau đó, tác giả tiến hành tra cứu, chuẩn hóa danh pháp khoa học và thống kê vùng phân bố địa lý chi tiết cho từng nhóm đối tượng:

STT	Tên nhóm / Loài	Cấp phân loại khoa học ghi nhận trong văn bản	Ghi chú phân bố địa lý
1	Gryllotalpidae	Lớp Insecta, Bộ Orthoptera, Họ Gryllotalpidae	Phân bố rộng; có mặt tại Việt Nam
2	Elateridae	Lớp Insecta, Bộ Coleoptera, Họ Elateridae	Bổ củi, rất phổ biến ở tự nhiên Việt Nam
3	Agelenopsis	Lớp Arachnida, Bộ Araneae, Phân thứ bộ Araneomorphae, Họ Agelenidae, Chi Agelenopsis	Chủ yếu ở Mỹ, Canada
4	Loxosceles reclusa	Lớp Arachnida, Bộ Araneae, Họ Sicariidae, Chi Loxosceles, Loài L. reclusa	Nhện nâu tái sinh, chủ yếu ở Bắc Mỹ
5	Chilopoda	Lớp Chilopoda (Ngành Arthropoda)	Rết; phân bố cạn rất rộng, từ rừng mưa đến sa mạc
6	Formicidae	Lớp Insecta, Bộ Hymenoptera, Phân bộ Apocrita, Họ Formicidae	Kiến; có mặt ở hầu hết các lục địa trừ Nam Cực
7	Ong Bắp Cày	Lớp Insecta, Bộ Hymenoptera, Phân bộ Apocrita	Loài Vespa affinis phổ biến ở châu Á và Việt Nam
8	Apidae	Lớp Insecta, Bộ Hymenoptera, Phân bộ Apocrita, Họ Apidae	Ong mật; phân bố rộng khắp thế giới
9	Odonata	Lớp Insecta, Bộ Odonata	Chuồn chuồn; phân bố rộng khắp thế giới
10	Coccinellidae	Lớp Insecta, Bộ Coleoptera, Phân bộ Polyphaga, Họ Coccinellidae	Bọ rùa; phong phú ở vùng nhiệt đới và Việt Nam
11	Scorpiones	Lớp Arachnida, Bộ Scorpiones	Bọ cạp; phân bố rộng
12	Culicidae	Lớp Insecta, Bộ Diptera, Phân bộ Nematocera, Họ Culicidae	Muỗi; quen thuộc ở Việt Nam (Aedes, Anopheles, Culex)
13	Latrodectus	Lớp Arachnida, Bộ Araneae, Họ Theridiidae, Chi Latrodectus	Chi góa phụ đen; phân bố toàn cầu
14	Acanthoscurria	Lớp Arachnida, Bộ Araneae, Phân thứ bộ Mygalomorphae, Chi Acanthoscurria	Thuộc nhóm Tarantula; phân bố vùng khí hậu nóng ẩm
15	Deinopis	Lớp Arachnida, Bộ Araneae, Họ Deinopidae, Chi Deinopis	Nhiệt đới và cận nhiệt đới; Việt Nam có 2 loài
16	Brachypelma	Lớp Arachnida, Bộ Araneae, Họ Theraphosidae, Chi Brachypelma	Tarantula chân đỏ; phân bố châu Mỹ
17	Maratus	Lớp Arachnida, Bộ Araneae, Họ Salticidae, Chi Maratus	Nhện công; chủ yếu ở Úc, 1 loài ở Trung Quốc
18	Sparassidae	Lớp Arachnida, Bộ Araneae, Họ Sparassidae	Hơn 1.000 loài; châu Á có 15 loài được phát hiện
19	Pieris rapae	Lớp Insecta, Bộ Lepidoptera, Họ Pieridae, Chi Pieris, Loài P. rapae	Bướm trắng; phân bố châu Âu, châu Á, Bắc Phi
20	Parantica sita	Lớp Insecta, Bộ Lepidoptera, Họ Nymphalidae, Chi Parantica, Loài P. sita	Dọc Himalaya, Đông Dương, Đông Á
21	Hypolimnas bolina	Lớp Insecta, Bộ Lepidoptera, Họ Nymphalidae, Chi Hypolimnas, Loài H. bolina	Madagascar đến Nam Á, Đông Nam Á
22	Danaus plexippus	Lớp Insecta, Bộ Lepidoptera, Họ Nymphalidae, Chi Danaus, Loài D. plexippus	Bướm vua; phân bố Bắc Mỹ, lan sang New Zealand, Úc
23	Papilio aegeus	Lớp Insecta, Bộ Lepidoptera, Họ Papilionidae, Chi Papilio, Loài P. aegeus	Phân bố chủ yếu ở miền Đông nước Úc
24	Idea leuconoe	Lớp Insecta, Bộ Lepidoptera, Họ Nymphalidae, Chi Idea, Loài I. leuconoe	Đông Nam Á
25	Amara aenea	Lớp Insecta, Bộ Coleoptera, Họ Carabidae, Chi Amara, Loài A. aenea	Bọ chân chạy; sống vùng Cực Bắc và Đông Á
26	Rhynchophorus ferrugineus	Lớp Insecta, Bộ Coleoptera, Họ Curculionidae, Chi Rhynchophorus	Đuông dừa; ấu trùng là đặc sản ở Đông Nam Á
27	Cnaphalocrocis medinalis	Lớp Insecta, Bộ Lepidoptera, Họ Crambidae, Loài C. medinalis	Sâu cuốn lá nhỏ; phân bố Đông Nam Á, Úc
28	Scaritinae	Lớp Insecta, Bộ Coleoptera, Họ Carabidae, Phân họ Scaritinae	Nhóm bọ ăn thịt
29	Scirpophaga incertulas	Lớp Insecta, Bộ Lepidoptera, Họ Crambidae, Loài S. incertulas	Sâu đục thân bướm hai chấm; hại lúa ở châu Á, Việt Nam
30	Caelifera	Lớp Insecta, Bộ Orthoptera, Phân bộ Caelifera	Châu chấu râu ngắn; phân bố nhiệt đới và toàn cầu

Khi đánh giá các tập dữ liệu ban đầu, tác giả chỉ ra ba nhược điểm lớn:

• Thiếu tính đa dạng về Bộ côn trùng: Các bộ dữ liệu như YIKES! Spiders hay Butterfly Image Classification chỉ tập trung duy nhất vào một Bộ (Araneae hoặc Lepidoptera), dẫn đến mô hình không thể học nhận diện các Bộ khác như Hymenoptera hay Odonata.
• Thiếu thông tin danh pháp chuẩn xác: Tập dữ liệu 25insects có độ phong phú loài nhưng nhãn dán tản mạn, không có tên khoa học nên phải tra cứu và gán nhãn lại.
• Dữ liệu bị phân tán và không đồng nhất cấp độ: Bộ Insects Recognition hay Ants & Bees chứa hình ảnh chung chung ở các cấp phân loại cao (Họ, Bộ) thay vì chi tiết đến Loài, ví dụ hình ảnh chuồn chuồn là tập hợp của nhiều loài khác nhau.

Từ những hạn chế đó, tác giả thiết lập quy trình chuẩn hóa lại toàn bộ nhãn dữ liệu theo các cấp bậc phân loại (Class, Order, Infra Order, Family, Genus, Species), bổ sung thêm các họ côn trùng mới để mở rộng tính bao phủ. Dữ liệu được quản lý và thống kê qua các bảng số liệu chi tiết trước và sau khi bổ sung (từ Bảng 1 đến Bảng 20 trong khóa luận).

Chương 5. Thực nghiệm và kết luận

Chương 5 tiến hành thực nghiệm so sánh các mô hình học sâu (CNN, VGG16, ResNet50) và mô hình kết hợp CNN với trích xuất đặc trưng SIFT trên bộ dữ liệu đa tầng. Hiệu năng được đo lường độc lập trên từng cấp bậc sinh học qua hệ thống các bảng kết quả: Bảng 21 (độ đo cấp Class), Bảng 22 (độ đo cấp Order), Bảng 23 (độ đo cấp Infra Order), Bảng 24 (độ đo cấp Family) và Bảng 25 (độ đo cấp Genus). Tác giả tiến hành phân tích kết quả thực nghiệm để làm rõ ảnh hưởng của sự mất cân bằng dữ liệu giữa các nhãn và triển khai chương trình demo nhận diện thực tế.

Chương 6. Kết luận và hướng phát triển

Chương cuối tổng kết các kết quả đạt được về mặt phương pháp luận và dữ liệu thực nghiệm, đồng thời định hình các hướng nghiên cứu tiếp theo để hoàn thiện hệ thống nhận diện.

---

Kết quả và đóng góp

Nghiên cứu đạt được các kết quả cụ thể dựa trên số liệu và nội dung ghi nhận trong văn bản:

• Xây dựng thành công bộ dữ liệu hình ảnh côn trùng đa cấp bậc sinh học từ 30 nhóm đối tượng ban đầu, được chuẩn hóa danh pháp hai phần và phân tầng theo các cấp bậc: Class, Order, Infra Order, Family, Genus và Species (ghi nhận qua hệ thống thống kê từ Bảng 1 đến Bảng 20).
• Hiện thực hóa và kiểm chứng giả thuyết nhận diện ngoài phạm vi dữ liệu: Chứng minh mô hình có khả năng gán nhãn phân loại học chính xác ở các cấp bậc cao (như Order Diptera, Class Insecta) cho những cá thể thuộc loài chưa từng xuất hiện trong tập dữ liệu huấn luyện dựa trên tính tương đồng về hình thái học.
• Thực nghiệm so sánh có hệ thống giữa 4 phương pháp/mô hình: CNN cơ bản, VGG16, ResNet50 và CNN kết hợp trích xuất đặc trưng SIFT trên dữ liệu mất cân bằng, đo lường chi tiết qua các độ đo từ cấp Class đến Genus (Bảng 21 đến Bảng 25).
• Xây dựng hoàn chỉnh chương trình Demo nhận diện, cho phép nhập hình ảnh côn trùng và xuất ra nhãn phân loại cùng các thông tin sinh học tương ứng.

Về mặt đóng góp khoa học so với các nghiên cứu trước đây:

• Đã giải quyết được điểm hạn chế của phương pháp gán nhãn phẳng (flat labels) trong các nghiên cứu tiền nhiệm (như các nghiên cứu của U. Srinivasulu Reddy trên tập IP102 hay các nghiên cứu dựa trên YOLO), mở ra hướng tiếp cận phân loại kết hợp cấu trúc phả hệ sinh học.
• Chuẩn hóa và làm giàu thông tin học thuật cho các tập dữ liệu mở trên Kaggle vốn bị phân tán, thiếu danh pháp hoặc thiếu cân bằng sinh học.
• Đặt nền tảng dữ liệu và định hướng phương pháp luận cho các nghiên cứu tiếp theo về bài toán phân loại và phát hiện côn trùng tại Việt Nam.

---

Hạn chế và hướng nghiên cứu tiếp

Khóa luận ghi nhận các hạn chế cụ thể:

• Cấp phân loại sinh học cao nhất mới đạt tới cấp Class (Lớp) thuộc Ngành Chân khớp (Arthropoda), chưa thể mở rộng lên Subphylum (Phân ngành) do nguồn dữ liệu hình ảnh thu thập chưa đáp ứng đủ sự đại diện của các phân ngành khác.
• Cấp phân loại thấp nhất đạt độ bao phủ toàn diện dừng lại ở cấp Family (Họ); việc nhận diện chi tiết đến cấp Species (Loài) còn gặp nhiều khó khăn và chưa hoàn thiện trên toàn bộ tập dữ liệu do số lượng loài côn trùng trong tự nhiên quá lớn (hơn 1 triệu loài) và hạn chế về mặt thời gian thực hiện đề tài.
• Tồn tại sự chênh lệch lớn về số lượng mẫu ảnh giữa các nhãn dữ liệu (mất cân bằng dữ liệu giữa các Class, Order và Family), gây ảnh hưởng đến hiệu quả huấn luyện của một số mô hình học sâu.
• Các bộ dữ liệu thu thập ban đầu từ nguồn mở bị thiên lệch lớn về một số Bộ nhất định (như Bộ Cánh vảy Lepidoptera và Bộ Nhện Araneae), đòi hỏi nhiều công đoạn bổ sung và cân chỉnh thủ công.

Các hướng phát triển được tác giả đề xuất:

• Tiếp tục thu thập và bổ sung dữ liệu hình ảnh nhằm mở rộng độ bao phủ ở các cấp phân loại chi tiết hơn, đặc biệt là cấp Chi (Genus) và cấp Loài (Species).
• Nghiên cứu và áp dụng các kỹ thuật cân bằng dữ liệu chuyên sâu để cải thiện độ chính xác phân loại trên các nhóm côn trùng có ít mẫu ảnh.
• Tối ưu hóa kiến trúc mô hình học sâu và kết hợp sâu hơn các giải thuật trích xuất đặc trưng cục bộ nhằm nâng cao độ chính xác khi nhận diện côn trùng trong môi trường tự nhiên có hậu cảnh phức tạp.

---

Giá trị tham khảo

Tài liệu khóa luận này mang lại giá trị tham khảo thiết thực cho các nhóm độc giả:

• Sinh viên và học viên chuyên ngành Công nghệ Thông tin, Khoa học Máy tính, Trí tuệ Nhân tạo: Cung cấp tài liệu tham khảo cụ thể về cách tiếp cận bài toán phân loại phân cấp (Hierarchical Classification), xử lý dữ liệu ảnh mất cân bằng, và quy trình kết hợp giữa mô hình học sâu hiện đại (CNN, VGG16, ResNet50) với các kỹ thuật trích xuất đặc trưng truyền thống (SIFT).
• Sinh viên, nghiên cứu sinh ngành Bảo vệ thực vật, Sinh học ứng dụng, Nông nghiệp: Cung cấp phương pháp số hóa thông tin phân loại học côn trùng, hệ thống hóa danh pháp khoa học của 30 nhóm côn trùng phổ biến và ứng dụng thị giác máy tính vào hỗ trợ định danh loài hạt nhân.
• Phần đáng tham khảo nhất trong văn bản: Toàn bộ Chương 4 với bảng tổng hợp danh pháp, phân cấp sinh học và phân bố địa lý chi tiết của các nhóm côn trùng, cùng phương pháp luận tại Chương 3 về cơ chế phân loại sinh học ngoài tập dữ liệu huấn luyện.

---

Câu hỏi thường gặp

1. Tại sao nghiên cứu không phân loại phẳng theo từng loài côn trùng cụ thể mà lại tiếp cận theo cấp phân loại sinh học?

Số lượng loài côn trùng trong tự nhiên quá khổng lồ (hơn 1 triệu loài đã được mô tả). Việc thu thập đầy đủ dữ liệu cho mọi loài là bất khả thi. Nếu dùng bài toán phân loại phẳng thông thường, mô hình sẽ hoàn toàn không thể nhận diện được các loài mới nằm ngoài tập dữ liệu huấn luyện. Tiếp cận theo cấp phân loại sinh học cho phép mô hình tận dụng đặc điểm hình thái tương đồng để nhận diện các loài mới ở những cấp phân loại cao hơn như Bộ (Order) hoặc Lớp (Class).

2. Mô hình nhận diện một loài côn trùng chưa từng xuất hiện trong tập dữ liệu huấn luyện dựa trên cơ chế nào?

Cơ chế này dựa trên giả thuyết "giống nhau về đặc điểm hình thái" của các sinh vật cùng nhóm phân loại học. Dữ liệu huấn luyện được tổ chức phân cấp từ Species đến Class. Khi đưa vào ảnh của một loài chưa có trong tập dữ liệu (ví dụ ảnh loài ruồi), mô hình không thể dự đoán tên loài nhưng vẫn trích xuất được các đặc trưng hình thái chung của Bộ Diptera và Lớp Insecta (vốn đã được học thông qua ảnh của loài muỗi và các côn trùng khác trong tập dữ liệu) để gán nhãn chính xác ở cấp Bộ và Lớp.

3. Nghiên cứu đã sử dụng những kiến trúc học sâu và giải thuật xử lý ảnh nào để đánh giá thực nghiệm?

Nghiên cứu đã thực nghiệm và đối chiếu 4 phương pháp/kiến trúc: mạng tích chập cơ bản (CNN), mạng VGG16, mạng ResNet50, và mô hình CNN kết hợp với giải thuật trích xuất đặc trưng cục bộ bất biến SIFT.

4. Những nguồn dữ liệu nào đã được sử dụng và các dữ liệu này gặp phải những nhược điểm gì?

Tác giả đã thu thập từ 9 bộ dữ liệu mở trên Kaggle: 25insects, Insect identification from habitus images, Insects Recognition, YIKES! Spiders - 15 Species Classification, spider species, spider-scorpion-cockroach, Butterfly Image Classification 40 species, Animals Detection Images Dataset, và Ants & Bees. Các bộ dữ liệu này có nhược điểm: bị thiên lệch Bộ (chủ yếu là bướm Lepidoptera hoặc nhện Araneae), thiếu thông tin danh pháp khoa học chuẩn, và dữ liệu phân tán ở nhiều cấp độ phân loại không đồng nhất.

5. Cấp phân loại sinh học cao nhất và thấp nhất mà bộ dữ liệu của đề tài bao phủ được là gì?

Cấp phân loại cao nhất mà nghiên cứu đạt được là cấp Lớp (Class), bao gồm các lớp Insecta, Arachnida và Chilopoda (không lên cấp Subphylum do hạn chế dữ liệu). Cấp phân loại thấp nhất đạt được độ bao quát và đầy đủ nhất là cấp Họ (Family); một số nhóm được chi tiết hóa tới cấp Chi (Genus) và Loài (Species).

---

Kết luận

Khóa luận tốt nghiệp của Nguyễn Minh Cường và Phạm Thanh Quang đã giải quyết hiệu quả hạn chế của bài toán phân loại ảnh phẳng truyền thống bằng cách tích hợp cấu trúc phân loại học sinh học vào mô hình thị giác máy tính. Đề tài đã xây dựng thành công bộ dữ liệu ảnh côn trùng đa cấp bậc từ 30 nhóm đối tượng ban đầu, đồng thời kiểm chứng thực nghiệm tính khả thi của giải pháp nhận diện ngoài tập dữ liệu thông qua các mô hình CNN, VGG16, ResNet50 và giải thuật SIFT. Kết quả nghiên cứu không chỉ mang lại giá trị thực tiễn trong việc hỗ trợ nhận thức cộng đồng về các loài côn trùng mang độc tính mà còn tạo lập nền tảng dữ liệu và phương pháp luận hữu ích cho các bài toán phân loại côn trùng chuyên sâu sau này.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. GIỚI THIỆU DE TÀII. Giới thiệu vấn đề. Mục tiêu, đối tượng, phạm vi nghiên cứu của đề tài.

Phạm vi nghiên CỨU. Đối tượng nghiên cứu.-----cccveecceccrrrveereerrrrreeerrrrrrree 14 CHƯƠNG 2. Các nghiên cứu liên QUAN. Phân tích vấn đề của các nghiên cứu.eccc----cccvcvxvveeerreerrre 16 CHƯƠNG 3.

CƠ SỞ LÝ THUYET VÀ PHƯƠNG PHAP. Về sinh hỌC. _ Các cấp phân loại trong sinh hỌc. Phân loại sinh hỌC.

Về bài toán nhận diện côn trùng .c----cc-vecse+ervrvveerrrrrrreeerrrre 19 3. _ Ý tưởng giải quyết. _ Nhận diện trong phạm Vi dữ liỆu. _ Nhận diện ngoài phạm Vi dữ liỆU.---c-ccccecccsecseeerseee 20 CHƯƠNG 4.

BỘ DỮ LIEU. Thu thập các nhóm dữ liệu ban đầu. Thông tin cụ thể của các nhóm đối tượng.-c-ccekkiHH HH1 griy 28 4. Ong Bap CAY creesessssssssssssssssssssscsssssssssssssssssssssssssnsssssssssssssssesssssssesesssssssssssssssssssssss® 29 4.

Apidae fleeces csesssesccsesessseeccsseeligeesesnseseaeescatecsneesssnsescseeessneesseeessneessneessens 30 4.-ĂĂSS HH 111111 krrrrke 32 4.cccccicrh HH gà 33 4. Deinopis co mẽ ẽ ẽẽ. HH HH HH ườn 41 “V5 Nhi .hEHHHHH HH ri 45 4.-----x+ckk HH HH HH rờt 46 4.cccekkhHHHH HH Hy 47 4. _ Cnaphalocrocis medinaÌiS.

Scirpophaga incertuÌaS. «HH HH Hy 50 4. Đánh giá các bộ dữ liệu thu thập. _ Đánh giá các dữ liệu đã thu thập từ các nguồn.

Can thiết trong việc xây dựng bộ dữ liệu mới:. Phương pháp tạo dựng bộ dữ liệu. Cơ sở xây dựng bộ dữ liệu. Quy trình xây dựng bộ dữ liệu mớii.

Thống kê số liệu các nhóm dữ liệu. Bộ dữ liệu ban đầu. _ Bộ dữ liệu tổng hợp từ 30 nhóm dữ liệu ban đầu. _ Bộ dữ liệu được bổ sung thêm.---ccc---cccccvececrvrvveserrre 65 CHƯƠNG 5.

THỰC NGHIỆM VÀ KẾT LUẬN. Số liệu đối chiếU. Demo chương trình.-‹«<cccxe++kkttEkkirtEHrH Hà 75 BiB. se TH HH HH HH TH HH1 1E1.

CNN với trích xuất SIFT .---s--ee++keE++et+kktELkeEExxtrkeEkkeerkkrrkeerrseee 85 5. Phan tích kết quả thực nghiệm .---cc---ccccvecseserervveerrrrrrreeerrrre 86 CHƯƠNG 6. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN. Hung phat 0syi 5077.

88 TÀI LIEU THAM KHẢO.-- 2-2-2 esEE+sEEEssEEEszEEsseErseErserrvrrrssrrrssrre 89 DANH MỤC HÌNH ẢNH Hình 1 : Phân cấp sinh học cơ bản.--¿- 2-2 2 +E+E#EE#EE£EEEEE2EEEEEEEEEEEkerkrrrrex 18 Hình 2 : Sơ dG Ý tưởng. 19 Hình 3 : Ảnh Gryllotalpidae. ---s- + s¿+2++2+++2E+2EE2EEE2EE22E221 21121221 21.crkrcrei24 Hình 4 : Nơi phân bố của Gryllotalpidae. -- -- 2 s52 £+£E+£Ee£EezE+zrxsrxerxezes 24 Hình 5 : Ảnh Elateridae.

2xx HHrieg 25 Hình 6 : Ảnh Agele'OpSiS.25 Hình 72 Arh Lireclusa na. 26 Hình 8 : Nơi phân bố của Lireclusa .cceccecescsscsssssssesssesessessessessessessesvssveseesessessessease 27 Hình 9: Ath Chilopoda. 27 Hình 10 : Ảnh Formicidac.cccsssesssesssessesssesssessusssssssecssessssesscssecsusssssssesssecsseeseseses 28 Hình 11: Ảnh Ong Bap Cầy,.29 Hình 12 : Anh Apidae A⁄⁄⁄. 30 Hình 13 : Nơi phân bố của Apidae.---:- + 2 2+E+E£EE£EEEEEEEEEEEEEEEEEEEerkerkrrrres 30 Hình 14: Anh Odonata VN n ốc.

31 Hình 15 : Ảnh Coccinelliđae.---c¿--©cst22+xteExxvttEktrtttktrrrttrrrrtrrrrrrrrrriei 31 Hình 16 : Ảnh S€OrpiOIS. 32 Hình 17 : Nơi phân bố của ScOrpiones .---- 2 + + +EEE+EE+E££EE£E+zEerxerxrrszrs 33 Hình 18 : Ảnh Culicidae.---2c+ccc tt tt tr rrrrreieg 33 Hình 19: Anh Latrodectus 1. 34 Hình 20 : Ảnh Acanthoscurria .cccccssessessessessessesssessessessesssessessecsussssssecsesssssseseeseess 35 Hình 21 : Nơi phân bố của AcanthoSCUrTia.---:-2- 2 ¿22+£x++£x++zxvzxeerxesrxez 36 Hình 22 : Anh Deinopis ẽ. 36 Hình 23 : Ảnh Brachypelima .cccccsscssessessessessessesseseesessessessessessessessseesessessessesseeees 37 Hình 24 : Ảnh Brachypelma.-- -- ¿2 SE E+EE+E£E£EEEEEEEEEEEEEEEEEEEEEEEEEErkerkrek 38 Hình 25 : Ảnh MaratUs.

40 Hình 28 : Nơi phát trién của P.--22c: 22v tt ng gia 4I Hình 30 : Ảnh H.---- 222cc tt He 42 Hình 31 : Ảnh D.ccccccscsssesssesssesssessssssessssessessscasecssscsssssecsssessesseessecsseess 43 Hình 32 : Nơi phân bố D.----- 22-5252 ©5£+E+2£E2EEtEE+erxezrxrrresree 44 Hình 33 : Ảnh P. 44 Hình 34 : Nơi phân bố P.ccecceccccssssssessessesesessessessessesscssessesssscsessessessessease 45 Hình 35 : Ảnh I.- ¿2 2 + ©E£+E£+EE£EE£EEEEEEEEEEEEEEEEEEEEEEEEEEEEEEkrrkrrkrree 45 Hình 36 : Nơi phân bố của I.------¿+¿©++++x2x++£x++rxzrxerxesrxs 46 Hình 37 : Ảnh Amara aenea.----- 2: 5¿©5£+2E+EE£EEt2EE2EEEEEEEEEEEEEEEEEEEEErrkerkerrrree 46 Hình 38 : Ảnh R.----¿-2¿2+2+£+2x+2Ex2EE22EE271E221 2112211271211.------+-©2+++cEEkxttEEEkrttEEkrtttrirrtriirrriirriri 48 Hình 40 : Ảnh Scaritinae.:-ccs-c2v2E211 2E ki 49 Hình 41 : Ảnh S, incertulas.----ct¿c5cctc2cxtttEErttrktrttrrtrrtrtrirrrrrirrrrrrieo 49 Hình 42 : Ảnh Caelifera.---c:-25vt 2 t2 tri 50 DANH MỤC BANG Bang I Bộ dit liệu ban đầu. 56 Bang 2 Số liệu tóm tắt.-¿- ¿5£ ©ESk9EE‡EEEEE2E12112111111111111111 11111111111. 57 Bảng 3 Bộ dữ liệu Class (chưa bổ SUNg).sccsscsssesssesssesssesseessecssecssessecssecssecsesssecsseess 57 Bang 4 Dữ liệu Class Chi tiẾt.58 Bang 5 Bộ dữ liệu Order (chưa bố sung) .--- ¿22 s5E+2E£2EE+EE+EEtEEzEkerkerkeres 59 Bang 6 Bộ dữ liệu Order chi tiẾt.

-- ¿22 sSE9E2EE2EE£EEEEEEEEEEEEEEEEEEErEkrrkerkrrex 61 Bang 7 Bộ dữ liệu Infra Order (chưa bổ sung) .---- 2-2 2 2+s£+xe£Ee£x+zzzssez 61 Bang 8 Dữ liệu Infra Order chỉ tiẾt.----- 2 2 + SE£EE£EESEE£EEEEEEEEEEerEerkerkerkrree 62 Bảng 9 Dữ liệu Family (chưa b6 sung).--- 2 5:5 ©5++S22£xt2EEtzx+erxezrxerresree 63 Bang 10 Dữ liệu Family chỉ tiẾT.-2-- ¿22 s+SEeSE2EE2EEEEEEEEEEEEEEEEEEEEEErrkrrkerkrrex 64 Bang 11 Dữ liệu Genus (chưa bố sung),.--- +: 2 E+SS+EE+E££E2E£EerEerxerxersrree 64 Bang 12 Dữ liệu SD€CIGS. LG TS HH TH HH net 65 Bảng 13 Dữ liệu thong kê sơ bộ (có Sp€CI€S) ee 66 Bang 14 Dữ liệu b6 sung (tóm tẮt).---¿- 2-52 +EE2E£EE‡EEEEEEEEEEEEEEEEEEEEEEErkerkerkrree 66 Bảng 15 Số lượng ảnh chỉ tiết của ClaSs.2- 2:22 ©5£2S+2Ex2EEvEE+erxezrxerreeree 67 Bang 16 Dữ liệu Class (đã bổ SUNQ).ccccccccccessessssssesseesessessessesssssssessecsecsessesseeseeecaes 68 Bang 17 Dữ liệu Order (đã bố SUNG) .eccecceccecsccessesesessesessessessessessesseasssscsessessessesseaee 69 Bang 18 Dữ liệu Infra Order (đã bố sung) .cecceccsccscesscesessessessessessessessescsessessessesseese 69 Bang 19 Dữ liệu Family (đã bổ Sung) .cececceccescssesesesseesessessessessessesecsssessessessesseaee 72 Bang 20 Dữ liệu Genus (đã bổ SUNG) .eeeeceeccccecessessesseseesessessessessessesussvesessesseesessease 72 Bảng 21 Kết quả các độ đo của Class.- 2-22 55¿25+2E+2EE22EE2EEEEEverkrrrkerrrsree 73 Bảng 22 Kết quả các độ đo của Order-.--- 22-5: ©5+2++2x+2Ext2EEtEEterxrzrxerreeree 73 Bảng 23 Kết quả các độ do của Infra Order.- - 2: 25s ++S£+££+E£Ee£Eerxerxersrez 74 Bảng 24 Kết quả các độ đo của Family. ¿2-2 s+SE+SE+E£+E+EzEerkerxerxersrree 74 Bảng 25 Kết quả các độ đo của Genus.-- 2-22 5¿©5+2E+22E+2Ext2EEeEEerxrsrkerrecree 74 DANH MỤC TỪ VIET TAT TOM TAT KHÓA LUẬN Thế giới côn trùng rất đa dạng loài phân bố rộng khắp trên thế giới, có hớn | triệu loài được mô tả và cũng chưa được phát hiện. Việt Nam là một nước nam trong khu vực nhiệt đới gió mùa có khí hậu ẩm nên là hình thành nhiều môi trường thuận lợi cho côn trùng sinh sông.

Có loài có lợi nhưng có loài cũng có hai với con người đặc biệt một số loài có độc tính gây nguy hiểm đến tính mạng. Việc nhận biết thông tin của một loài côn trùng giúp cho người dân có thể nhận biết và phòng tránh nhăm bảo vệ mình và người thân. Tính ứng dụng của đề tài hướng đến việc giúp người dùng có khả năng nhận biết các loài côn trùng mà vô tình bắt gặp trong đời sống. Bên cạnh đó chủ đề này theo như nhóm tìm hiểu đến thời điểm hiện tại thì các bài báo nghiên cứu liên quan khá ít.

Vì vậy với việc nghiên cứu dé tài này nhóm mong có thé đặc nền tảng ý tưởng cho những nghiên cứu sau này về chủ đề Côn Trùng nói riêng và Sinh Vật học nói chung. Thách thức đầu tiên đối với đề tài này chính là dữ liệu. Như đã dé cập thé giới côn trùng đã được mô tả với số lượng khoảng hơn1 triệu loài đồng thời với nhiều nhóm côn trùng khác nhau. Điều này dẫn đến việc thu thập một bộ dữ liệu đa dạng các loài thuộc các nhóm côn trùng khác nhau rất khó.

Thách thức thứ hai chính là thông tin cho các loài trong bộ dữ liệu. Các thông tin đều được tổng hợp từ các nguồn khác nhau và số lượng các loài và nhóm các loài quá lớn nên việc bổ sung đầy đủ thông tin cho bộ dữ liệu sẽ là một van đề khó. Về mặt thời gian hạn chế nên việc nhận biết cấp phân loại thấp nhất của một hình ảnh côn trùng cũng khó đạt được, giải pháp nhóm đề ra hiện tại là nhận biết các nhóm côn trùng phố biến. Ngoài ra cấp phân loại thấp nhất và bao phủ nhất mà nhóm dat được là cấp Family, một cấp phân loại sinh học không quá chỉ tiết nhưng vẫn đảm bảo tính bao quát cao.

Nhóm đã cố gang trong việc tự tao dựng một bộ dữ liệu đa dang các phân cấp và các nhóm phân loại côn trùng với số lượng dir liệu được t6 chức tương đôi lớn. GIỚI THIỆU ĐÈ TÀI 1. Giới thiệu van đề Thế giới côn trùng là một thé giới sinh vật đa dang và phong phú nhất hành tinh, gồm hon 1 triệu loài đã được mô tả trên thé giới. Các loài côn trùng có nhiều vai trò khác nhau, những lợi ích, đóng góp khác nhau cho môi trường tự nhiên và đời sống con người.

Tuy nhiên cũng có những loài gây hại, đe dọa nghiêm trọng đối với đời sống con nguoi. Việt Nam là quốc gia năm trong khu vực nhiệt đới gió mùa với độ âm cao hình thành nên nhiều khu vực cây cối rậm rạp, tạo môi trường lý tưởng cho các loài côn trùng sinh sống. Các quần xã côn trùng với hàng trăm loài côn trùng khác nhau hàng ngày ít nhiều đều ảnh hưởng đến đời sống của người dân. Có loài giúp ích cho con người cũng có loài gây hại thậm chí đe dọa đến tính mạng của con người.

Tuy nhiên thông tin, kiến thức của người dân về các loài sinh vật này còn rất hạn hẹp. Đặc biệt nhiều côn trùng xung quanh chúng ta mang trong mình độc tố gây nguy hiểm cho con người nên nếu không đủ nhận thức rất dễ gây nguy hiểm đến tính mạng. Lấy ví dụ như sự việc diễn ra nhiều năm trước đây là sự xuất hiện tràn lan của kiến ba khoang tại các hộ gia đình, mặc dù loài này đã được phát hiện từ lâu (năm 1862 bởi Curtis, J) nhưng với người dân Việt Nam thi thời gian đó loài kiến này còn mới mẻ không đủ nhận thức vê độ nguy hiém của loài kiên này. Vì vậy việc nhận biết loại côn trùng vô tình xuất hiện trong gia đình cũng là một kiến thức quan trọng, nó giúp hỗ trợ nhiều cho việc phòng tránh các tai nạn hay sự cố không đáng có.

Bên cạnh đó giúp mọi người cảm thấy hứng thú với việc tìm hiểu thông tin kiến thức về Thế Giới Côn Trùng nói riêng và Thế Giới Động Vật nói chung. Bên cạnh đó nhằm hướng đến việc xây dựng một bộ dữ liệu về côn trùng phong phú, đóng góp mà nhóm hướng đến là xây dựng được một bộ dữ liệu mang tính bao phủ rộng các loài côn trùng trong tự nhiên. Việc tô chức lại các dữ liệu đơn lẻ đã được thu thập, thành một bộ dữ liệu được sắp xếp dựa trên nguyên tắc Phân loại sinh học 13 có thê giúp nhận biết hình ảnh những loại côn trùng chưa từng xuất hiện trong dữ liệu. Từ một bộ dữ liệu bị hạn chế ở một số nhãn côn trùng nhưng có thể giúp máy tính nhận biết được hàng trăm hàng ngàn loại côn trùng khác nhau trong tự nhiên.

Mong muốn bộ dữ liệu có thể góp phần trong lĩnh vực huấn luyện cho Insect Classification va Insect Detection. Mục tiêu, đối tượng, phạm vi nghiên cứu của đề tài 1. Mục tiêu Mục tiêu của đề tài nhằm giúp máy tính có khả năng nhận diện nhiều loài côn trùng nhất có thé, nhận biết những loại có trong bộ dữ liệu và ngay cả ngoài bộ dữ liệu. Dé đạt được điều đó phải xây dựng một bộ dữ liệu côn trùng ban đầu đa dạng, mang tính bao quát cũng như tạo nền tảng cho các nghiên cứu sau này.