Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh phát triển của nông nghiệp Việt Nam và xu thế đẩy mạnh ứng dụng công nghệ cao vào sản xuất nông nghiệp, việc phát hiện và kiểm soát sớm các loại dịch bệnh trên cây trồng đóng vai trò đặc biệt quan trọng đối với năng suất và chất lượng nông sản. Thực tế sản xuất của các hộ nông dân và chủ vườn quy mô vừa và nhỏ cho thấy, việc nhận biết bệnh hại cây trồng chủ yếu dựa trên quan sát thủ công và kinh nghiệm truyền thống. Phương pháp này dễ dẫn đến chẩn đoán sai lệch, sử dụng thuốc bảo vệ thực vật không đúng cách, gây tốn kém chi phí và ảnh hưởng đến môi trường sinh thái. Các tác nhân gây bệnh từ virus, vi khuẩn và nấm thường biến đổi nhanh chóng, tạo ra các triệu chứng phức tạp khó phân biệt ngay cả với chuyên gia nông nghiệp.

Từ thực trạng trên, đề tài tập trung giải quyết bài toán phân lớp hình ảnh (image classification) trong lĩnh vực thị giác máy tính nhằm hỗ trợ nhận dạng và chẩn đoán bệnh cây trồng tự động thông qua dữ liệu hình ảnh.

Mục tiêu và nhiệm vụ nghiên cứu của đề tài bao gồm:

  1. Khảo sát hiện trạng bệnh cây trồng tại Việt Nam và xác định các yêu cầu chức năng, phi chức năng cho một hệ thống hỗ trợ chẩn đoán bệnh cây trồng di động.
  2. Nghiên cứu các kỹ thuật học máy và học sâu phục vụ phân loại ảnh; đề xuất kiến trúc mạng nơ-ron tích chập (CNN) kết hợp lớp chuẩn hóa nhóm (Group Normalization) và các mô hình học kết hợp (Deep Hybrid Learning) gồm DSVM (CNN kết hợp Support Vector Machine) và DK-NN (CNN kết hợp K-Nearest Neighbors) nhằm tối ưu độ chính xác và hiệu suất phân lớp.
  3. Thu thập, xây dựng bộ dữ liệu hình ảnh thực nghiệm HDN_Disease và chuẩn hóa bộ dữ liệu tham chiếu quốc tế PlantVillage; tiến hành huấn luyện, kiểm thử và đánh giá so sánh hiệu năng của các mô hình bằng kỹ thuật kiểm định chéo $k$-fold ($k=5$).
  4. Thiết kế và phát triển ứng dụng di động demo hoàn chỉnh bằng Flutter kết hợp Backend Flask, tích hợp mô hình phân loại hình ảnh cùng các tiện ích hỗ trợ nông nghiệp như tra cứu thời tiết, thư viện bệnh học và định vị nhà thuốc nông nghiệp qua bản đồ.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các thuật toán học máy cổ điển (SVM, K-NN), mô hình học sâu (CNN, AlexNet, VGG, ResNet, MobileNetV2), mô hình học kết hợp (DSVM, DK-NN) và hình ảnh triệu chứng bệnh trên lá, thân, quả của cây trồng.
  • Phạm vi dữ liệu: Hình ảnh định dạng .jpg chuẩn 3 kênh màu RGB với kích thước chuẩn hóa $128 \times 128 \times 3$ pixel. Dữ liệu thực nghiệm bao gồm 8 loại cây phổ biến tại Việt Nam (táo, ngô, dưa chuột, nho, lúa mì, dâu tây, cà chua, cây bông/cotton) với 16 loại bệnh trong tập dữ liệu tự xây dựng HDN_Disease (1.925 mẫu) và 14 loại cây, 26 loại bệnh trong tập dữ liệu PlantVillage (3.899 mẫu).
  • Phạm vi phần cứng và công cụ: Quá trình huấn luyện thực nghiệm được triển khai trên môi trường Google Colab sử dụng GPU Tesla T4.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình tiếp cận

Đề tài tiếp cận bài toán thị giác máy tính thông qua hai hướng kỹ thuật chính:

  • Học có giám sát cổ điển (Supervised Learning):
    • Máy vectơ hỗ trợ (SVM): Xây dựng siêu phẳng phân tách tối ưu có lề cực đại (maximum margin) trong không gian đặc trưng nhiều chiều thông qua việc giải bài toán tối ưu lồi và bài toán đối ngẫu Lagrange: $$\min_{w, b, \xi} \frac{1}{2} |w|^2 + C \sum_{i=1}^{n} \xi_i$$ thỏa mãn điều kiện $y_i(\langle w, x_i \rangle + b) \ge 1 - \xi_i$. Sử dụng hàm nhân phi tuyến RBF (Radial Basis Function / Gaussian Kernel) $K(x, y) = \exp(-\gamma |x - y|^2)$ để giải quyết dữ liệu không phân tách tuyến tính theo chiến lược phân đa lớp One-vs-One.
    • K láng giềng gần nhất (K-NN): Phân lớp dựa trên khoảng cách Euclidean giữa mẫu kiểm tra $x$ và các mẫu huấn luyện $y$: $$d(x, y) = \sqrt{\sum_{i=1}^{n} (x_i - y_i)^2}$$
  • Học sâu (Deep Learning) và Mạng nơ-ron tích chập (CNN):
    • Mô hình tiếp nhận trực tiếp ma trận điểm ảnh, sử dụng các tầng tích chập (Convolutional layers) cùng hàm kích hoạt ReLU $f(x) = \max(0, x)$ để dò biên, trích xuất đặc trưng không gian, kết hợp tầng gộp cực đại (Max Pooling) $2 \times 2$ để giảm chiều dữ liệu và chống biến dạng hình ảnh.
    • Tích hợp kỹ thuật chuẩn hóa nhóm (Group Normalization - GN) thay thế cho Batch Normalization nhằm đưa các đặc trưng về trạng thái phân phối chuẩn có kỳ vọng bằng 0 (zero-mean) và độ lệch chuẩn bằng 1, giúp ổn định gradient và hạn chế hiện tượng quá khớp (overfitting).
  • Mô hình học kết hợp (Deep Hybrid Learning):
    • Khắc phục nhược điểm dễ quá khớp của tầng phân lớp Softmax trong các mạng CNN thuần túy và nhược điểm phụ thuộc tiền xử lý thủ công của các giải thuật học máy cổ điển.
    • Tách quy trình thành 2 pha: Pha 1 sử dụng mạng CNN làm bộ trích chọn đặc trưng tự động (Feature Extractor), lấy véc-tơ đặc trưng 512 chiều tại tầng kết nối đầy đủ (Fully Connected - FC). Pha 2 chuyển tiếp véc-tơ đặc trưng này sang mô hình SVM (tạo thành mô hình DSVM) hoặc mô hình K-NN (tạo thành mô hình DK-NN) để thực hiện nhiệm vụ phân lớp (Classifier).

Phương pháp nghiên cứu và tiền xử lý thực nghiệm

  • Tăng cường dữ liệu (Data Augmentation): Sử dụng công cụ ImageDataGenerator trong Keras để biến đổi hình ảnh ngẫu nhiên trong quá trình học (xoay ảnh góc $40^\circ$, dịch chuyển chiều rộng/dài $0,2$, lật ngang horizontal_flip=True, làm đầy biên fill_mode='nearest').
  • Cân bằng lớp: Áp dụng trọng số lớp class_weight nhằm đánh trọng số cao hơn cho các nhóm bệnh có số lượng mẫu thu thập ít.
  • Kiểm soát quá trình huấn luyện: Kết hợp kỹ thuật điều chỉnh tốc độ học tự động ReduceLROnPlateau (giảm 5 lần với hệ số $0,2$ sau mỗi 6 epoch không cải thiện) và cơ chế dừng sớm EarlyStopping (ngắt sau 20 epoch kiên nhẫn khi hàm mất mát không giảm thêm, khôi phục lại bộ trọng số tối ưu nhất).
  • Đánh giá thống kê: Sử dụng phương pháp kiểm định chéo phân tầng 5 lớp (Stratified 5-Fold Cross Validation) để đảm bảo phân bố tỷ lệ nhãn đồng đều và lấy kết quả trung bình tin cậy.

Nguồn dữ liệu thực nghiệm

Tên tập dữ liệu Số loại cây Số loại bệnh Số lớp (Classes) Tổng số mẫu Kích thước ảnh
HDN_Disease (Tự xây dựng) 8 16 17 1.925 $128 \times 128 \times 3$
PlantVillage (Bộ chuẩn hóa) 14 26 39 3.899 $128 \times 128 \times 3$

Nội dung chính theo từng chương

Chương 1: Khảo sát và phát biểu bài toán

Chương 1 phân tích hiện trạng sản xuất nông nghiệp và tình hình ứng dụng công nghệ cao tại Việt Nam thông qua khảo sát thực tế các nhà vườn và tài liệu chuyên ngành. Chương này nêu bật khó khăn của người nông dân trong việc nhận biết chính xác các loại sâu bệnh hại cũng như việc tiếp cận các chuyên gia nông nghiệp hoặc nhà thuốc uy tín.

Tác giả xác lập bài toán chẩn đoán bệnh cây trồng qua ảnh thuộc lớp bài toán nhận dạng mẫu trong thị giác máy tính với các yêu cầu kỹ thuật:

  • Yêu cầu chức năng: Chẩn đoán bệnh cây qua ảnh chụp/tải lên; cung cấp thông tin mô tả chi tiết bệnh và phác đồ điều trị; hiển thị thời tiết thời gian thực; thư viện bệnh học cây trồng; hỗ trợ tính toán phân bón; tích hợp bản đồ số định vị cơ sở bán thuốc bảo vệ thực vật và chuyên gia nông nghiệp gần nhất.
  • Yêu cầu phi chức năng: Giao diện tối giản, tối ưu cho người nông dân; đảm bảo tính chính xác của cơ sở tri thức bệnh học; tốc độ phản hồi nhanh, độ trễ thấp giữa các thao tác.

Chương 2: Các kỹ thuật giải quyết bài toán

Chương 2 trình bày chi tiết cơ sở toán học và cơ chế vận hành của các thuật toán: Support Vector Machine (SVM), K-Nearest Neighbors (K-NN), mạng nơ-ron tích chập (CNN) và phân tích các kiến trúc kinh điển như AlexNet (8 tầng, chuyển đổi sang kích hoạt ReLU), VGG (sử dụng các khối tích chập lặp lại), ResNet (kết nối tắt residual connection giải quyết vấn đề triệt tiêu đạo hàm).

Từ việc tổng kết các công trình nghiên cứu tiêu biểu (như nghiên cứu của Hasan MJ năm 2016 kết hợp Inception-V3 với SVM đạt trên 93%, nghiên cứu của Hughes & Salathé đạt 99,35%, nghiên cứu của Vemishetti Sravan năm 2021 đạt trên 99% trên tập PlantVillage), tác giả đề xuất 3 giải pháp mô hình:

  1. Mô hình CNN 5 khối: Gồm 5 tầng Conv2D tuần tự với số lượng bộ lọc tăng dần (32, 64, 128, 256, 512), tích hợp kích hoạt ReLU, tầng Group Normalization và tầng Max Pooling $2 \times 2$. Đầu ra được duỗi phẳng (Flatten), đưa qua tầng FC 512 node (ReLU, GN) và kết thúc bằng tầng FC phân lớp sử dụng Softmax. Hàm mất mát sử dụng Sparse Categorical Cross-Entropy, thuật toán tối ưu Adam với kích thước batch 32.
  2. Mô hình học kết hợp DSVM: Sử dụng kiến trúc CNN 5 khối đã huấn luyện làm bộ trích rút đặc trưng, lấy đầu ra 512 chiều tại tầng FC đầu tiên chuyển tiếp làm đầu vào cho bộ phân loại đa lớp SVM với nhân RBF.
  3. Mô hình học kết hợp DK-NN: Sử dụng véc-tơ đặc trưng 512 chiều từ CNN đưa vào bộ phân loại K-NN với khoảng cách Euclidean, giúp loại bỏ pha huấn luyện lặp phức tạp và tăng tốc độ suy luận.

Chương 3: Thực nghiệm

Chương 3 trình bày toàn bộ quy trình thiết lập môi trường thực nghiệm trên Google Colab với GPU Tesla T4. Tiến hành huấn luyện mô hình CNN trong tối đa 220 epoch kết hợp cơ chế kiểm định chéo 5-fold, EarlyStopping và ReduceLROnPlateau. Khảo sát tham số mô hình SVM trong tập $C \in {10^{-1}, 1, 10}$, tham số độ rộng nhân RBF $\sigma \in {10^{-6}, 10^{-5}, 10^{-4}, 10^{-3}, 10^{-2}, 10^{-1}}$, và tham số $K$ của K-NN trong khoảng $[1, 40]$.

Kết quả cho thấy đồ thị hàm mất mát và độ chính xác của CNN hội tụ ổn định sau 40 epoch đối với bộ PlantVillage và sau 50 epoch đối với bộ HDN_Disease, không còn hiện tượng tụt giảm đột ngột. Chương này cũng thực hiện đo lường so sánh định lượng chi tiết giữa các mô hình đề xuất với hai mạng chuẩn là VGG16 và MobileNetV2 (sử dụng trọng số tiền huấn luyện ImageNet) trên các độ đo Accuracy, Precision, Recall, F1-score và thời gian tính toán.

Chương 4: Xây dựng sản phẩm demo

Chương 4 hiện thực hóa các giải pháp nghiên cứu thành ứng dụng phần mềm thực tế:

  • Giới thiệu công nghệ: Khung phát triển đa nền tảng Flutter (ngôn ngữ Dart) cho giao diện người dùng di động và micro-framework Flask (Python) cho dịch vụ máy chủ Backend API.
  • Phân tích thiết kế hệ thống theo chuẩn UML: Biểu đồ Use Case tổng quát, biểu đồ phân rã use case (Xem kết quả chẩn đoán, Xem thư viện bệnh cây), các biểu đồ trình tự (Sequence Diagram) và biểu đồ lớp phân tích (Analysis Class Diagram) cho từng tác vụ: Chọn cây trồng, Xem thời tiết, Tra cứu thư viện bệnh học, Chẩn đoán bệnh qua ảnh.
  • Thiết kế cơ sở dữ liệu quan hệ gồm 5 bảng chính và xây dựng toàn bộ hệ thống giao diện, màn hình chức năng người dùng.

Thiết kế và triển khai hệ thống

Kiến trúc công nghệ

Hệ thống được tổ chức theo mô hình Client - Server tách biệt:

  • Client (Mobile App): Xây dựng trên nền tảng Flutter (Dart), tận dụng cơ chế quản lý Widget linh hoạt và tính năng Hot Reload để tối ưu hóa giao diện đa nền tảng (Android và iOS). Tích hợp các thư viện xử lý trí tuệ nhân tạo trên thiết bị di động như tflite_flutter_helper và google_ml_kit.
  • Backend Server: Xây dựng bằng Flask (Python), cung cấp các dịch vụ RESTful API xử lý nhận ảnh tải lên từ client, tiền xử lý ma trận ảnh và nạp qua pipeline mô hình phân loại để trả về nhãn bệnh cùng độ tin cậy tương ứng dưới định dạng JSON.

Cấu trúc cơ sở dữ liệu

Cơ sở dữ liệu hệ thống được thiết kế phục vụ lưu trữ thông tin bệnh học, cây trồng và hỗ trợ người dùng, bao gồm 5 bảng:

  1. PLANT: Lưu trữ danh mục các loại cây trồng được hệ thống hỗ trợ.
  2. DISEASE: Lưu trữ thông tin chi tiết về từng loại bệnh hại (tên bệnh, triệu chứng, tác nhân gây hại, biện pháp phòng trừ và điều trị).
  3. DISEASE_IMG: Lưu trữ các mẫu hình ảnh đại diện và hình ảnh chi tiết của từng loại bệnh phục vụ chức năng tra cứu thư viện.
  4. PHARMACY: Lưu trữ danh bạ, tọa độ vị trí và thông tin liên hệ của các cửa hàng vật tư nông nghiệp, nhà thuốc bảo vệ thực vật và chuyên gia nông nghiệp.
  5. WEATHER: Quản lý các tham số dự báo thời tiết (nhiệt độ, độ ẩm, tình trạng mưa/nắng trong ngày) đồng bộ theo vị trí người dùng.

Các Use Case và màn hình chức năng chính

  • UC1 - Chọn cây trồng: Cho phép người dùng lựa chọn danh mục giống cây trồng mà trang trại hoặc vườn nhà đang canh tác ngay khi khởi động ứng dụng để cá nhân hóa dữ liệu bảng tin.
  • UC2 - Xem thời tiết: Tự động lấy và hiển thị các chỉ số nhiệt độ, độ ẩm trên màn hình trang chủ giúp nhà nông chủ động kế hoạch chăm sóc cây.
  • UC3 - Xem thư viện bệnh cây: Truy xuất dữ liệu từ bảng PLANT và DISEASE để hiển thị danh mục các loại sâu bệnh theo từng nhóm cây kèm hình ảnh minh họa và hướng dẫn kỹ thuật.
  • Chức năng Chẩn đoán bệnh cây qua hình ảnh: Người dùng chụp ảnh trực tiếp từ camera hoặc tải ảnh có sẵn từ bộ nhớ; ảnh được gửi lên backend để mô hình phân loại nhận diện; màn hình kết quả hiển thị tên bệnh, xác suất tin cậy, nguyên nhân và các phác đồ xử lý kỹ thuật kèm cảnh báo nếu chất lượng ảnh không đạt yêu cầu.

Kết quả và đóng góp

Kết quả thực nghiệm định lượng

1. Độ chính xác phân lớp (Accuracy)

Mô hình học kết hợp DSVM đạt hiệu suất cao nhất trên cả hai tập dữ liệu thực nghiệm, đạt trạng thái hội tụ tuyệt đối trên tập huấn luyện và duy trì độ chính xác cao trên tập kiểm thử độc lập.

Mô hình Tập dữ liệu HDN_Disease (Train set) Tập dữ liệu HDN_Disease (Test set) Tập dữ liệu PlantVillage (Train set) Tập dữ liệu PlantVillage (Test set)
CNN đề xuất 99,3% 85,2% 98,7% 92,4%
VGG16 98,8% 84,9% 97,5% 87,1%
MobileNetV2 98,5% 84,6% 97,1% 86,9%
DK-NN - 95,8% - 97,6%
DSVM 100,0% 97,4% 100,0% 99,1%

2. Đánh giá chi tiết trên tập kiểm thử (Test Set) qua các độ đo

Mô hình HDN_Disease (Precision) HDN_Disease (Recall) HDN_Disease (F1-score) PlantVillage (Precision) PlantVillage (Recall) PlantVillage (F1-score)
CNN đề xuất 84,37% 85,12% 84,74% 92,15% 92,40% 92,27%
VGG16 84,10% 84,90% 84,50% 87,05% 87,10% 87,07%
MobileNetV2 83,95% 84,60% 84,27% 86,80% 86,90% 86,85%
DK-NN 95,60% 95,80% 95,70% 97,50% 97,60% 97,55%
DSVM 97,35% 97,40% 97,37% 99,05% 99,10% 99,07%

3. Thời gian huấn luyện và thời gian phân lớp

  • Mô hình CNN đề xuất: Thời gian huấn luyện trên tập HDN_Disease là 1132,59 giây, nhanh hơn so với VGG16 nhưng vẫn đảm bảo độ chính xác phân lớp cao hơn trên tập kiểm thử PlantVillage.
  • Mô hình DK-NN: Thể hiện ưu thế vượt trội về tốc độ suy luận phân lớp trên ảnh kiểm tra, đồng thời độ chính xác phân lớp chỉ kém mô hình DSVM từ 1% đến 2%.
  • Mô hình DSVM: Rút ngắn đáng kể thời gian phân lớp so với các mô hình nơ-ron học sâu thuần túy có cùng độ phức tạp và cho độ ổn định cao nhất trong tất cả các cấu hình thử nghiệm.

Đóng góp của đề tài

  1. Về mặt phương pháp: Thiết kế thành công kiến trúc CNN 5 khối tích hợp tầng chuẩn hóa nhóm Group Normalization thay vì Batch Normalization thông thường, giúp ổn định quá trình tối ưu khi kích thước batch nhỏ. Đề xuất thành công hai cấu trúc học kết hợp Deep Hybrid Learning (DSVM và DK-NN), giải quyết hiệu quả hiện tượng quá khớp của tầng phân loại Softmax truyền thống.
  2. Về mặt dữ liệu: Tự xây dựng và gán nhãn thành công bộ dữ liệu HDN_Disease gồm 1.925 ảnh mẫu của 16 loại bệnh trên 8 loại cây trồng phổ biến tại Việt Nam, đóng góp một tập dữ liệu thực tế có giá trị kiểm thử thuật toán.
  3. Về mặt ứng dụng thực tiễn: Chuyển giao thành công mô hình thuật toán vào một hệ thống ứng dụng di động hoàn chỉnh (Flutter + Flask), cung cấp bộ công cụ trực quan hỗ trợ toàn diện cho người sản xuất nông nghiệp từ khâu chẩn đoán đến hướng dẫn điều trị và kết nối mạng lưới vật tư.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của nghiên cứu

  • Giới hạn phần cứng tính toán: Do giới hạn tài nguyên tính toán phần cứng trong quá trình thực nghiệm, nghiên cứu chỉ trích xuất 100 ảnh cho mỗi lớp trên bộ dữ liệu PlantVillage và chuẩn hóa kích thước ảnh đầu vào về mức $128 \times 128 \times 3$ pixel, chưa thử nghiệm được toàn bộ 50.000 mẫu nguyên bản ở độ phân giải gốc cao hơn.
  • Điều kiện thu nhận hình ảnh: Bộ dữ liệu thực nghiệm còn tập trung nhiều vào ảnh chụp trong điều kiện kiểm soát; độ chính xác có thể bị ảnh hưởng khi ảnh chụp ngoài đồng ruộng gặp các điều kiện bất lợi như ánh sáng quá mạnh, ngược sáng, dính bụi bẩn hoặc nhiều lá bệnh chồng lấn lên nhau.
  • Phạm vi đối tượng: Số lượng cây trồng và danh mục bệnh mới chỉ dừng lại ở 8 loại cây thân thuộc và 16 bệnh hại cơ bản, chưa bao phủ hết toàn bộ các loài cây trồng công nghiệp và cây ăn quả nhiệt đới khác.

Hướng phát triển tiếp theo

  • Mở rộng quy mô tập dữ liệu HDN_Disease, bổ sung các mẫu ảnh chụp trong điều kiện thực địa phức tạp và đa dạng hóa thêm nhiều chủng loại bệnh hại mới.
  • Nghiên cứu tối ưu hóa kích thước mô hình (sử dụng các kỹ thuật lượng tử hóa trọng số - Quantization, cắt tỉa mô hình - Pruning) để đóng gói mô hình học sâu trực tiếp dưới định dạng TensorFlow Lite, cho phép ứng dụng chạy chẩn đoán hoàn toàn Offline trên thiết bị di động mà không cần kết nối máy chủ backend.

Giá trị tham khảo

Đồ án là tài liệu tham khảo giá trị cho các nhóm độc giả sau:

  • Sinh viên và học viên ngành Công nghệ thông tin, Khoa học dữ liệu, Trí tuệ nhân tạo: Cung cấp tài liệu tham khảo chi tiết về quy trình xây dựng mô hình học sâu tích hợp (Deep Hybrid Learning), phương pháp trích xuất đặc trưng từ mạng CNN kết hợp bộ phân loại SVM/K-NN, cũng như kỹ thuật áp dụng Group Normalization trong thị giác máy tính.
  • Kỹ sư phát triển phần mềm ứng dụng: Tham khảo quy trình phân tích thiết kế hệ thống chuẩn UML, cách tích hợp mô hình trí tuệ nhân tạo với kiến trúc Client - Server sử dụng Flutter và Flask API.
  • Các nhà nghiên cứu trong lĩnh vực Nông nghiệp công nghệ cao: Tham khảo cấu trúc phân loại bệnh học cây trồng, quy chuẩn thu thập nhãn dữ liệu hình ảnh sâu bệnh thực tế tại Việt Nam.

Câu hỏi thường gặp

1. Tại sao đề tài lại đề xuất mô hình học kết hợp DSVM thay vì sử dụng toàn bộ mạng CNN thuần túy?

Trong mạng CNN truyền thống, tầng kết nối đầy đủ cuối cùng sử dụng hàm kích hoạt Softmax để phân lớp. Tầng này có xu hướng dễ bị rơi vào trạng thái học quá khớp (overfitting), đặc biệt khi tập dữ liệu huấn luyện có kích thước giới hạn hoặc bị mất cân bằng giữa các lớp. Mô hình DSVM tách biệt quá trình: tận dụng thế mạnh trích xuất đặc trưng tự động không gian của 5 khối tích chập CNN, sau đó chuyển giao véc-tơ đặc trưng 512 chiều sang mô hình SVM. Với nền tảng toán học tìm siêu phẳng phân tách có lề cực đại kết hợp hàm nhân RBF phi tuyến, SVM mang lại ranh giới phân lớp chặt chẽ hơn, nâng độ chính xác kiểm thử trên tập PlantVillage từ 92,4% (CNN thuần) lên 99,1% (DSVM).

2. Tầng Group Normalization (GN) trong kiến trúc CNN của đồ án có vai trò gì so với Batch Normalization (BN)?

Batch Normalization phụ thuộc nhiều vào kích thước của batch dữ liệu; khi kích thước batch nhỏ (ví dụ batch size = 32 do giới hạn phần cứng), việc tính toán kỳ vọng và phương sai trên từng mini-batch có thể bị sai lệch lớn, dẫn đến suy giảm hiệu năng huấn luyện. Group Normalization khắc phục điểm này bằng cách chia các kênh đặc trưng (channels) thành từng nhóm cố định để tính toán chuẩn hóa độc lập với số lượng mẫu trong batch. Kỹ thuật này giúp đưa các đặc trưng về trạng thái zero-mean với độ lệch chuẩn bằng 1, tránh hiện tượng rơi vào vùng bão hòa của hàm kích hoạt và giúp quá trình hội tụ của mô hình ổn định hơn.

3. Tập dữ liệu thực nghiệm HDN_Disease do tác giả xây dựng có những đặc điểm cụ thể nào?

Bộ dữ liệu HDN_Disease gồm 1.925 mẫu hình ảnh màu RGB kích thước $128 \times 128 \times 3$, phân chia thành 17 lớp (gồm các lớp bệnh và lớp ngoại cảnh), bao phủ 16 loại bệnh xuất hiện trên 8 loại cây trồng quen thuộc tại Việt Nam (táo, ngô, dưa chuột, nho, lúa mì, dâu tây, cà chua, cotton). Điểm đặc thù của bộ dữ liệu này là một loại bệnh có thể xuất hiện đồng thời trên nhiều cây trồng khác nhau (ví dụ: bệnh phấn trắng xuất hiện trên cả 8 loại cây) và các mẫu ảnh không chỉ tập trung vào triệu chứng trên lá mà còn bao gồm cả triệu chứng trên thân và cành (như bệnh Canker trên cây táo).

4. Hệ thống demo ứng dụng di động được xây dựng bằng những công nghệ nào và có các tính năng gì?

Hệ thống demo được xây dựng với ứng dụng di động Client viết bằng framework Flutter (ngôn ngữ Dart) và máy chủ Backend viết bằng Flask (Python). Ứng dụng cung cấp các tính năng:

  • Chọn loại cây trồng quan tâm để cá nhân hóa giao diện.
  • Hiển thị thông tin dự báo thời tiết (nhiệt độ, độ ẩm) trong ngày.
  • Tra cứu thư viện bệnh học cây trồng kèm hình ảnh và hướng dẫn kỹ thuật.
  • Chụp ảnh hoặc chọn ảnh từ thư viện để gửi lên máy chủ chẩn đoán bệnh tự động.
  • Hiển thị kết quả chẩn đoán chi tiết và tích hợp bản đồ số hỗ trợ tìm kiếm nhà thuốc bảo vệ thực vật, chuyên gia nông nghiệp gần nhất.

Kết luận

Đồ án tốt nghiệp đã giải quyết trọn vẹn bài toán nhận dạng và chẩn đoán bệnh cây trồng qua hình ảnh thông qua việc kết hợp các kỹ thuật thị giác máy tính và học máy nâng cao. Nghiên cứu khẳng định tính ưu việt của kiến trúc học sâu lai DSVM với độ chính xác phân lớp đạt 97,4% trên tập HDN_Disease và 99,1% trên tập PlantVillage, vượt trội so với các mô hình học sâu đơn lẻ như CNN thuần, VGG16 và MobileNetV2. Việc phát triển thành công ứng dụng di động hoàn chỉnh bằng Flutter và Flask tạo tiền đề vững chắc cho việc triển khai các giải pháp trợ lý nông nghiệp số thực tế, phục vụ đắc lực cho người nông dân trong quản lý và bảo vệ mùa màng.