Chương 1. Lí do chọn đề tài. Mục đích nghiÊn CỨU.- ¿+ tt TT HH ri 3 1. Đối tượng nghiên cứu 1.
Phạm vi nghién CỨU. Các công trình nghiên cứu về bài toán phân loại gạo. Các công trình nghiên cứu về bài toán phân loại chất lượng gạo. DU LIEU VÀ PHƯƠNG PHÁP.
Dữ liệu cho bài toán phân loại gạO. Dữ liệu cho bài toán phân loại chất lượng gạo. Mô hình triển khai .-cvcccccccccctvctttttt22181EE1E tre 21 3. Tổng quan mô hình triển khai.
Các mô hình hoc sâu sử dụng. HH Hà re.Ă St th HH 1 111tr 23 3.cLHnHHHHHH HH hàn26 3. KET QUA ceecsssecsssssssessssssssssssssesessssssssssssssessssusscsssssssesssssesesssueseessseescessies 29 4. Chỉ số đánh giá.
Kết quả thử nghiệm 4. Kết quả thử nghiệm trên bài toán phân loại gạo. Kết quả thử nghiệm trên bài toán phân loại chat lương gạo. Hiệu suất phân loại chất lượng gạo.
Đánh giá mô hình trên thiết bị cận biên. Hiện thực hệ thống. Mô tả hệ thống. Đặc tả giao diện ứng dụng Web.--¿- - + St Sxk tt TH g1.1, Trang bắt đầu.
Trang chọn ảnh. Trang kết quả. Thiết bị thực tẾ. Tri 49 Chương 5.ccccc 2E vn grrrrirre 52 5.
Hướng phát triỀn.---:-22+2V+++22EE+++t222211E22111122211122111112221 re,52 TÀI LIEU THAM KHẢO.53 DANH MỤC HÌNH Hình 3.1: Ảnh gốc của tập dữ liệu gạo I121.--¿- 2-52 + ++£+Ee£Eerkerxerxersrree 14 Hình 3.3: Ví dụ về các chức năng sử dụng trong Albumentations và chuan hoá.4: Kiến trúc hệ thống.-- +2 2£©5£ E£SE£EE£2EEEEEEEEEEEEEEEEEEEEEEEEEEkrrkrrkrrei 21 Hình 3.5: Kiến trúc mô hình AlexNet [2/7] ,.-- 225211111111 1v ven re 23 Hình 3.6: Kiến trúc mô hình VGG16 [29] .---2¿ 2£ ©2£+EE++E£+£x++£xzzxrxeree 24 Hình 3.7: Kiến trúc mô hình ResNet50 [3 1].---cc¿-cc+cccrrxerrrrrrrrrrrrrree 25 Hình 3.8: Kiến trúc mô hình MobileNetV2 [33] .9: Các kiểu chia tỉ lệ trong mô hình EfficientNet.10: Kiến trúc mô hình tổng quát Inception V4.----2--¿©sz2s+cs+zxzsz 28 Hình 4.1: Ma trận lỗi trên tập Í 121.2: Ma trận lỗi trên 0700 .3: Ma trận lỗi trên tập Soma MaSOOTI .4: Một số ví dụ về các ảnh bị dự đoán sai.----cc:cccccsccxvererrveere 40 Hình 4.5: Biểu đô tiêu thụ bộ nhớ của mô hình trên Raspberry Pi.6: Biểu đồ tiêu thụ bộ nhớ của mô hình trên Jetson Nano.7: Biểu đồ sử dụng CPU của mô hình trên Raspberry Pi.8: Biểu đồ tiêu thụ bộ nhớ của mô hình trên Jetson Nano.9: Biểu đồ nhiệt độ của mô hình trên Jetson Nano .10: Biểu đồ nhiệt độ của mô hình trên Raspberry Pi.11: Biểu đồ FPS của 2 mô hình trên Raspberry Pi và trên Jetson Nano.12: Mô hình hệ thống thực tẾ.- 2-22 +¿++2+++Ex+2EEt2EEtEEterxrzrxerresree 45 Hình 4.13: Giao diện trang bắt đầu.--- ¿- ¿ ¿©tSE#EE#EESEEEEE2E2E2E2EEEerkrrkrree 46 Hình 4.14: Giao diện trang chọn ảnh .15: Danh sách ảnh được trả vé từ S€TV€T.-¿2- 52 +x+E+E£EE+E+EeEEEE+Eererezeee 47 Hình 4.16: Giao diện trang khi chọn xong ảnhh.-- -- 5 + s+*sk+seexeeeseeers 48 Hình 4.17: Giao diện trang kết quả.----- 2 2¿+¿+++2E++EE+2EEt2EEtrEterxrzrxerreeree 49 Hình 4.18: Tổng quan về thiết bị.------ 2 5¿++£2EE+2EE+EE+2EEEEEtEEterxrrrkrrresree 50 Hình 4.19: Phía sau hộp.20: Đèn báo hiệu khi server nhận thành công DANH MUC BANG Bảng 2.1: Tóm tat các bài báo về phân loại gạo.--- 2-2 2 + cxe£xeEerzrszrzed 6 Bảng 2.2: Tóm tắt các bài báo về phân loại chất lượng gạo.1: Thống kê số lượng ảnh gạo.------2: 22 5222x2E++EE+2ExSExerrrerxesrxee 15 Bang 3.2: Số lượng ảnh của tập 1121 sau khi tăng cường và chia dữ liệu.3: Số lượng ảnh của tập PR-11 sau khi tăng cường và chia dữ liệu.4: Số lượng ảnh của tập Sona Masoori sau khi tăng cường và chia dữ liệu.5: Mô tả các chức năng sử dung trong Albumentations.6: Yêu cầu về kích thước ảnh của 6 mô hình được đề xuất.1: Kết quả điểm F1 của các mô hình trên tập 8 loại gạo .2: Kết quả điểm F1 của các mô hình trên tập gạo 1121 .3: Kết quả điểm F1 của các mô hình trên tập gạo PR-I I.4: Kết quả điểm F1 của các mô hình trên tập gạo Sona Masoori. 36 DANH MỤC TỪ VIET TAT Từ Nội dung CPU Central Processing Unit SVM Support Vector Machine ANN Artificial Neural Network DNN Deep Neural Network AdaBoost | Adaptive Boosting ResNet Residual Network DT Decision Tree VGG Visual Geometry Group RGB Red Green Blue PNN Probabilistic Neural Network MLP Multilayer Perceptron KNN K-Nearest Neighbors RF Random forest CNN Convolutional Neural Network LR Logistic Regression NB Naive Bayes HOG Histogram of Oriented Gradients ILSVRC _ | ImageNet Large Scale Visual Recognition Challenge Web Website TFLite Tensorflow Lite PLS-DA | Partial least squares-discriminant analysis TOM TAT KHÓA LUẬN Đi lên từ một quốc gia nông nghiệp lúa nước, Việt Nam nước ta hiểu rõ tam quan trọng về giá tri lương thực và giá tri kinh tế của hạt gạo. Các thành tựu khoa học về cơ khí, máy móc đã được ứng dụng rộng rãi trong khía cạnh canh tác và sản xuất đem lại những hiệu quả nhất định về sản lượng và chất lượng, giúp cho giá trị hạt gạo ngày càng tăng cao. Gần đây, với sự phát triển mạnh mẽ của trí tuệ nhân tạo, học máy và học sâu, các nghiên cứu về việc sử dụng các công nghệ này trong việc phát triển hạt gạo ngày càng tăng, mang lại một cơ hội tiềm năng cho việc cải thiện chất lượng hạt gạo hơn nữa.
Trong khóa luận này, hệ thống đánh giá chất lượng một hạt gạo thông qua mô hình học sâu sẽ được đề xuất như một cách cải thiện tốc độ trong giai đoạn sau sản xuất hạt gạo thông qua công nghệ mới. Trước tiên, chúng em tập trung vào nghiên cứu khả năng nhận diện và phân loại các hạt gạo thuộc những chủng loại khác nhau. Sau đó, trở lại với mục tiêu chính của hệ thống sẽ là nghiên cứu những mô đun với khả năng đánh giá mức độ chất lượng của một hạt gạo. Với mục tiêu đưa ra độ chính xác của các dự đoán lớn hơn từ 5 - 10% so với bài báo đã cung cấp tập dữ liệu hạt gạo, chúng em đã huấn luyện trên 6 mô hình học sâu.
Sau đó, các thông số kĩ thuật của mô hình tốt nhất sẽ được đo trên thiết bị cận biên và được sử dụng để đánh giá tính thực tiễn. Khi hoàn thành, khóa luận sẽ đề xuất một hệ thống đánh giá chất lượng một hạt gạo dựa vào việc sử dụng các mô hình học sâu. Triển khai hệ thống sẽ được thực hiện trên trình duyệt và có thé mở rộng ra thiết bi cận biên giúp cho người dùng có thể dễ dàng tiếp cận và sử dụng. Hệ thống dự đoán này theo dự kiến sẽ là tiền đề cho việc nghiên cứu cải thiện tốc độ sau sản xuất của gạo.
Từ đó mở rộng sang hệ thống nhúng với khả năng tích hợp bài toán phân loại và đánh giá chất lượng. Lí do chọn đề tài Công nghệ thông tin đang phát triển rất nhanh chóng. Sự phát triển này chính là nền tảng của tương lai, nguyên nhân chính là sự xuất hiện của trí tuệ nhân tạo. Trí tuệ nhân tạo đã cải tiến, thay thế các công đoạn thủ công, có tính lặp lại của con người.
Trí tuệ nhân tạo còn xuất sắc trong việc nhận diện và đánh giá hình ảnh, tiềm năng ứng dụng vào cuộc sống là không hề nhỏ. Do đó, nhiều công cụ hữu ích đã được phát triển và đưa vào thực tiễn. Với dân số toàn cầu trên 8 tỉ người, yêu cầu về đảm bảo đủ lương thực cung cấp cũng như chất lượng thực pham ngày càng cao. Gạo là một loại lương thực có tam quan trọng không hé nhỏ khi là thức ăn phô biến của rất nhiều quốc gia, đặc biệt các nước châu Á.
Ở Việt Nam, là một nước xuất khẩu gạo luôn nằm trong top 5 của thế giới, có thể kê đến khối lượng gạo xuất khẩu năm 2021 của nước ta đạt 6.2 triệu tấn với giá trị đạt 3.2 ty USD [1], việc san xuất gạo không chỉ mang yếu tố duy trì lương thực mà còn là nguồn kinh tế không hề nhỏ. Dé luôn đảm bảo nguồn lợi nhuận này, chất lượng hạt gạo phải được giữ ở mức tốt nhất. Do đó, phát triển nghiên cứu đê ứng dụng trí tuệ nhân tạo vào lĩnh vực này là điêu tât yêu. Rat nhiều phương pháp và cách thức cải tiến khác nhau đã được đưa ra và áp dụng nghiên cứu với trí tuệ nhân tạo trong việc cải thiện chất lượng gạo.
Ta có thể kê đến một số nghiên cứu như cải thiện giai đoạn trồng trọt, xác định sâu bệnh từ sớm, tính toán năng suất được tạo ra,. Trong khóa luận này, chúng em dé xuất một phương pháp nham cai thiện chất lượng và đây nhanh quá trình sau sản xuất, đó là phân loại và đánh giá chất lượng gạo. Với khả năng nhận diện gạo cả về mặt nguồn gốc lẫn chất lượng, việc sàng lọc và phân loại sẽ hoạt động nhanh hơn, hiệu quả hơn. Từ đó, giá trị hạt gạo sẽ được cải thiện và nâng cao năng suât lao động.
Mục đích nghiên cứu Trong bài khóa luận này, mục tiêu nghiên cứu được đặt ra là xây dựng một hệ thống đánh giá chất lượng hạt gạo với các chi tiết cụ thể như sau: — Áp dụng kỹ thuật học sâu để xây dựng một mô đun với khả năng nhận diện loại gạo từ hình ảnh với độ chính xác cao hơn bài báo cung cấp đữ liệu 5 — 10%. — Mở rộng nghiên cứu với 6 mô hình học sâu với khả năng đánh giá chất lượng một hạt gạo thông qua hình ảnh. Từ đó phân tích và đánh giá độ chính xác của các mô hình thu được rồi chọn ra mô hình tốt nhất để tối ưu và triển khai lên các thiết bị cận biên, cụ thé là Raspberry Pi 4B với Jetson Nano. Đối tượng nghiên cứu Dựa vào các mục tiêu được đặt ra ở trên, các đối tượng nghiên cứu chủ yếu là: —_ Tập dữ liệu về ảnh các hạt gạo An Độ gồm8 loại gạo khác nhau và 5 nhóm chất lượng gạo.
— Các mô hình học sâu dùng trong nghiên cứu phân loại gạo và đánh giá chất lượng gạo. — Nghiên cứu về Raspberry Pi 4B và Jetson Nano đề triển khai thực tiễn và đo đạc thông số. Phạm vỉ nghiên cứu Khóa luận sẽ được nghiên cứu trong phạm vi các tập dữ liệu ảnh đã được xin phép sử dụng từ Mushahid Shanim qua bài báo [2]. Chúng em sẽ tiến hành phân loại nguồn gốc và đánh giá chất lượng gạo dựa trên ảnh của một hạt.
Đối việc xác định chất lượng sẽ dựa vào màu sắc của hạt gạo và vấn đề này sẽ được nói rõ ở mục 3. TONG QUAN Việc xác định hướng đi một cách rõ ràng và chính xác chính là chìa khóa để đến với được mục tiêu đã đề ra. Do đó, bài luận văn này chúng em tham khảo 20 bài báo gồm những nghiên cứu về mô hình học sâu trong việc phân loại gạo và đánh giá chất lượng hạt gạo. Các công trình nghiên cứu về bài toán phân loại gạo Trước tiên là về các nghiên cứu phân loại hạt gạo.