Phân Tích Hành Vi Động Vật Qua Video: Nghiên Cứu và Ứng Dụng

• Tác giả: Peterson Achille
• Người hướng dẫn: Dr. Bruno Emile
• Trường học: Université Nationale Du Vietnam
• Chuyên ngành: Computer Vision / Pattern Recognition / Machine Learning
• Đề tài: Phân Tích Hành Vi Động Vật Qua Video: Ứng Dụng Machine Learning và Computer Vision
• Loại tài liệu: mémoire de fin d’études
• Năm xuất bản: 2022
• Địa điểm: Hanoi

• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: Analyse du Sujet
• 1.1. Introduction
• 1.2. Le contexte et problématique du sujet
• 1.3. Les problèmes à résoudre
• 1.4. Les objectifs du stage
• 2. CHƯƠNG 2: Recherches Bibliographiques
• 2.1. Introduction
• 2.2. État de l’Art
• 2.2.1. Explication sur les differents concepts de bases
• 2.2.1.1. Intelligence Artificielle (IA)
• 2.2.1.2. Apprentissage Automatique
• 2.2.1.2.1. Apprentissage Automatique
• 2.2.1.3. Apprentissage profond
• 2.2.2. Reconnaissance d’objets & Détection d’objets
• Remerciements

I. Tổng Quan Phân Tích Hành Vi Động Vật Qua Video AI 55

Lĩnh vực vision par ordinateur hướng tới tái tạo khả năng phân tích và diễn giải của thị giác người trên máy tính. Phân tích hành vi từ video có thể dùng trong nhiều lĩnh vực nghiên cứu như sinh học, sinh thái học, tâm lý học và thú y. Các kỹ thuật phân tích có thể bao gồm việc sử dụng phần mềm để theo dõi chuyển động của động vật, xác định hành vi và tương tác xã hội, phân tích mô hình di chuyển và các đặc điểm hành vi khác. Phương pháp này cung cấp một cách giám sát không xâm lấn và chính xác để nghiên cứu hành vi của động vật trong môi trường tự nhiên của chúng. Nó có thể được sử dụng để kiểm tra tác động của biến đổi khí hậu, thay đổi môi trường hoặc tác động của con người đối với các loài động vật. Nó cũng có thể được sử dụng để nghiên cứu hành vi xã hội, quá trình nhận thức và giao tiếp ở động vật. Theo Peterson Achille, giải pháp triển khai dựa trên nhiều phương pháp và kỹ thuật khác nhau, chẳng hạn như YOLO v4 để phát hiện đầu có và không có chỉnh sửa lông vì kết quả của nó tốt hơn so với các thuật toán khác cũng như Random Forest và SVM để phát hiện cảm xúc dựa trên việc đỏ mặt.

1.1. Lợi ích của Phân tích Hành vi Động vật tự động

Phân tích hành vi động vật tự động mang lại nhiều lợi ích so với phương pháp thủ công. Phân tích tự động giúp tiết kiệm thời gian và công sức, đồng thời cho phép phân tích dữ liệu quy mô lớn, tìm kiếm xu hướng và nhận dạng mẫu ẩn. Nó cung cấp một cách không xâm lấn để nghiên cứu động vật trong môi trường tự nhiên của chúng, giảm thiểu tác động đến hành vi của chúng. Hơn nữa, phân tích tự động có thể loại bỏ sai lệch của con người, đảm bảo tính khách quan và độ tin cậy của kết quả nghiên cứu. Nó có thể được sử dụng để kiểm tra tác động của biến đổi khí hậu, thay đổi môi trường hoặc tác động của con người đối với các loài động vật.

1.2. Các lĩnh vực ứng dụng chính của nghiên cứu hành vi

Các lĩnh vực ứng dụng của nghiên cứu hành vi động vật qua video rất đa dạng. Trong sinh học và sinh thái học, nó được sử dụng để nghiên cứu tương tác giữa các loài, theo dõi động vật hoang dã và hiểu các hệ sinh thái phức tạp. Trong nông nghiệp và chăn nuôi, nó giúp cải thiện phúc lợi động vật, tối ưu hóa sản xuất và phát hiện sớm bệnh tật. Trong bảo tồn, nó hỗ trợ giám sát môi trường, đánh giá tác động của các hoạt động của con người và phát triển các chiến lược bảo tồn hiệu quả. Nghiên cứu động vật mở ra một kỷ nguyên mới trong các lĩnh vực này.

II. Thách Thức Phân Tích Video Hành Vi Động Vật Hiệu Quả 59

Mặc dù có nhiều tiềm năng, việc phân tích video hành vi động vật cũng gặp phải những thách thức đáng kể. Sự đa dạng về môi trường, ánh sáng và góc quay video có thể gây khó khăn cho việc phát hiện và theo dõi động vật một cách chính xác. Hành vi động vật phức tạp và khó đoán, đòi hỏi các thuật toán tinh vi để phân tích. Dữ liệu video có thể rất lớn, yêu cầu tài nguyên tính toán đáng kể. Do đó, cần có các phương pháp và kỹ thuật tiên tiến để giải quyết những thách thức này và khai thác hết tiềm năng của phân tích video hành vi động vật.

2.1. Vấn đề nhiễu và độ phân giải trong video

Một trong những thách thức lớn nhất là xử lý nhiễu và độ phân giải thấp trong video. Nhiễu có thể do nhiều yếu tố gây ra, bao gồm ánh sáng yếu, điều kiện thời tiết bất lợi và chuyển động của máy ảnh. Độ phân giải thấp làm giảm khả năng nhìn rõ các chi tiết quan trọng, ảnh hưởng đến khả năng phát hiện và theo dõi động vật một cách chính xác. Các kỹ thuật xử lý ảnh và video processing, chẳng hạn như lọc nhiễu, tăng cường độ tương phản và siêu phân giải, có thể được sử dụng để giảm thiểu những vấn đề này.

2.2. Khó khăn trong việc nhận dạng và phân loại hành vi

Hành vi động vật có thể rất phức tạp và thay đổi theo loài, cá thể và ngữ cảnh. Việc nhận dạng động vật và phân loại hành vi đòi hỏi các thuật toán học máy có khả năng xử lý sự biến đổi lớn và học các biểu diễn phức tạp. Các thuật toán deep learning, chẳng hạn như mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN), đã chứng minh hiệu quả trong việc giải quyết vấn đề này. Tuy nhiên, cần có lượng lớn dữ liệu được gán nhãn để huấn luyện các mô hình học máy hiệu quả.

2.3. Yêu cầu về tài nguyên tính toán và lưu trữ

Dữ liệu video có thể rất lớn, đặc biệt là khi thu thập trong thời gian dài hoặc với nhiều camera. Việc phân tích dữ liệu đòi hỏi tài nguyên tính toán đáng kể, bao gồm bộ xử lý mạnh, bộ nhớ lớn và bộ tăng tốc phần cứng như GPU. Ngoài ra, cần có không gian lưu trữ lớn để lưu trữ và quản lý dữ liệu video. Các kỹ thuật phân tích video hiệu quả, chẳng hạn như xử lý song song, phân tích dựa trên đám mây và nén video, có thể giúp giảm thiểu những yêu cầu này.

III. Computer Vision Theo Dõi và Nhận Dạng Động Vật 57

Computer vision đóng vai trò quan trọng trong việc theo dõi và nhận dạng động vật trong video. Các thuật toán object detection và tracking cho phép tự động xác định và theo dõi vị trí của động vật trong từng khung hình video. Các kỹ thuật nhận dạng mẫu và classification có thể được sử dụng để phân loại loài động vật, nhận dạng cá thể và phân tích hành vi của chúng. Theo nghiên cứu của Peterson Achille, YOLOv4 đã chứng minh hiệu quả trong việc phát hiện đầu của chim, mở ra khả năng phân tích các biểu hiện trên khuôn mặt động vật.

3.1. Sử dụng thuật toán Object Detection và Tracking

Các thuật toán object detection được sử dụng để xác định vị trí của động vật trong từng khung hình video. Các thuật toán tracking được sử dụng để theo dõi chuyển động của động vật qua thời gian. Các thuật toán phổ biến bao gồm Faster R-CNN, YOLO và SSD. Các thuật toán này có thể được huấn luyện để phát hiện và theo dõi nhiều loại động vật khác nhau trong các môi trường khác nhau.

3.2. Ứng dụng Segmentation để phân tích hình thái động vật

Segmentation được sử dụng để phân tách động vật khỏi nền và để phân tích hình thái của động vật. Các kỹ thuật phân vùng bao gồm U-Net, Mask R-CNN và các phương pháp dựa trên biểu đồ. Phân vùng có thể được sử dụng để đo kích thước, hình dạng và các đặc điểm khác của động vật.

3.3. Nhận dạng loài bằng Pattern Recognition

Các kỹ thuật pattern recognition được sử dụng để phân loại loài động vật. Các tính năng có thể được sử dụng để nhận dạng loài bao gồm hình dạng, màu sắc, kích thước và hoa văn. Các thuật toán phổ biến bao gồm SVM, Random Forest và mạng nơ-ron.

IV. Machine Learning Phân Tích Hành Vi và Cảm Xúc Động Vật 60

Machine learning đóng vai trò then chốt trong việc phân tích hành vi động vật và giải mã cảm xúc từ video. Các thuật toán học máy có thể được huấn luyện để nhận dạng các mẫu hành vi, dự đoán hành động trong tương lai và xác định trạng thái cảm xúc của động vật. Theo Peterson Achille, Random Forest và SVM đã được sử dụng thành công để phát hiện cảm xúc dựa trên việc đỏ mặt ở chim. Điều này mở ra tiềm năng cho việc phát triển các hệ thống tự động có thể hiểu và phản ứng với nhu cầu của động vật.

4.1. Xây dựng mô hình học máy cho hành vi động vật

Việc xây dựng mô hình học máy cho hành vi động vật bao gồm các bước sau: thu thập dữ liệu, tiền xử lý dữ liệu, lựa chọn tính năng, huấn luyện mô hình và đánh giá mô hình. Dữ liệu có thể được thu thập từ video, cảm biến hoặc các nguồn khác. Tiền xử lý dữ liệu bao gồm làm sạch dữ liệu, chuẩn hóa dữ liệu và trích xuất các tính năng. Các tính năng có thể bao gồm vị trí, vận tốc, gia tốc và hình thái của động vật. Mô hình có thể được huấn luyện bằng các thuật toán như SVM, Random Forest và mạng nơ-ron.

4.2. Deep Learning trong nhận dạng cảm xúc động vật

Deep learning đã chứng tỏ hiệu quả trong việc nhận dạng cảm xúc động vật từ video. Các mô hình deep learning có thể học các biểu diễn phức tạp của dữ liệu video và có thể nhận dạng các dấu hiệu cảm xúc tinh tế. Các mô hình phổ biến bao gồm CNN và RNN. CNN có thể được sử dụng để trích xuất các tính năng từ hình ảnh video, trong khi RNN có thể được sử dụng để mô hình hóa các chuỗi hành vi.

4.3. Ứng dụng phân tích định lượng hành vi

Quantitative analysis of animal behavior provides objective and reproducible measures of behavior. These measures can be used to compare behavior across individuals, species, or conditions. Quantitative analysis can also be used to track changes in behavior over time. Examples of quantitative measures include the frequency, duration, and intensity of behaviors.

V. Ứng Dụng Nghiên Cứu và Giám Sát Động Vật Thực Tế 58

Việc phân tích hành vi động vật qua video bằng machine learning và computer vision mở ra nhiều ứng dụng thực tiễn. Trong nghiên cứu khoa học, nó cho phép các nhà khoa học hiểu sâu hơn về hành vi, sinh thái và sự tiến hóa của động vật. Trong chăn nuôi, nó giúp cải thiện phúc lợi động vật, tối ưu hóa sản xuất và phát hiện sớm bệnh tật. Trong bảo tồn, nó hỗ trợ giám sát động vật hoang dã, đánh giá tác động của các hoạt động của con người và phát triển các chiến lược bảo tồn hiệu quả.

5.1. Theo dõi động vật hoang dã không xâm lấn

Wildlife monitoring using video analysis provides a non-invasive way to study animal populations. Video cameras can be deployed in remote areas to collect data on animal behavior without disturbing the animals. This data can be used to estimate population size, track migration patterns, and assess the impact of habitat loss.

5.2. Tối ưu hóa chăn nuôi và phúc lợi động vật

Video analysis can be used to optimize animal husbandry practices and improve animal welfare. By monitoring animal behavior, farmers can identify early signs of illness, stress, or malnutrition. This allows them to intervene quickly and prevent problems from escalating. Video analysis can also be used to assess the effectiveness of different husbandry practices.

5.3. Phát hiện sớm bệnh tật ở động vật

Changes in animal behavior can be an early sign of illness. Video analysis can be used to detect these subtle changes in behavior and alert farmers or veterinarians to potential health problems. Early detection of illness can lead to more effective treatment and reduce the spread of disease.

VI. Tương Lai Tiềm Năng Phát Triển Của AI và Hành Vi Động Vật 60

Tương lai của phân tích hành vi động vật qua video bằng machine learning và computer vision hứa hẹn nhiều tiềm năng phát triển. Với sự tiến bộ của các thuật toán AI và sự gia tăng của dữ liệu video, chúng ta có thể mong đợi các hệ thống phân tích ngày càng chính xác, hiệu quả và toàn diện. Điều này sẽ mở ra những cơ hội mới trong nghiên cứu khoa học, chăn nuôi, bảo tồn và nhiều lĩnh vực khác.

6.1. Phát triển các thuật toán AI mạnh mẽ hơn

Further research and development are needed to create more robust and accurate AI algorithms for animal behavior analysis. This includes developing algorithms that can handle noisy data, complex behaviors, and diverse environments. It also includes developing algorithms that can learn from limited amounts of data.

6.2. Tích hợp với các cảm biến và nguồn dữ liệu khác

Integrating video analysis with other sensors and data sources can provide a more complete picture of animal behavior. For example, combining video data with GPS data, accelerometer data, and physiological data can provide insights into the animal's location, activity level, and emotional state.

6.3. Ứng dụng AI trong bảo tồn và quản lý động vật hoang dã

AI can play a crucial role in conservation and wildlife management. By automating the analysis of animal behavior data, AI can help researchers and managers to monitor animal populations, assess the impact of human activities, and develop effective conservation strategies. AI can also be used to prevent poaching and other illegal activities.

Tổng quan nghiên cứu

Phân tích hành vi động vật thông qua các chuỗi video là một lĩnh vực nghiên cứu quan trọng, ứng dụng trong sinh học, sinh thái học, ethology, tâm lý học và y học thú y. Theo ước tính, việc sử dụng các kỹ thuật thị giác máy tính và trí tuệ nhân tạo giúp theo dõi chuyển động, nhận diện hành vi và tương tác xã hội của động vật một cách không xâm lấn và chính xác trong môi trường tự nhiên. Mục tiêu chính của nghiên cứu là phát triển hệ thống tự động phân tích hành vi của vẹt dựa trên video, nhằm hỗ trợ người chăn nuôi và nhân viên chăm sóc động vật trong việc giám sát, đánh giá tình trạng cảm xúc và sức khỏe của vật nuôi.

Nghiên cứu được thực hiện trong phạm vi từ năm 2022 tại Vườn thú Beauval, với bộ dữ liệu gồm 600 hình ảnh độ phân giải cao và 50 hình ảnh bổ sung từ Internet. Hệ thống tập trung vào việc phát hiện đầu vẹt với hoặc không có hiện tượng dựng lông, phân đoạn vùng má để nhận diện hiện tượng đỏ mặt – một chỉ số cảm xúc tích cực ở loài này. Việc ứng dụng các thuật toán như YOLO v4, Faster R-CNN, U-Net, SVM và rừng ngẫu nhiên đã cho thấy hiệu quả cao trong việc phát hiện và phân loại cảm xúc, góp phần nâng cao chất lượng quản lý và chăm sóc động vật.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Thị giác máy tính (Computer Vision): Mục tiêu tái tạo khả năng phân tích và diễn giải hình ảnh của con người trên máy tính, bao gồm nhận diện và phát hiện đối tượng trong video.
• Học máy (Machine Learning) và Học sâu (Deep Learning): Sử dụng mạng nơ-ron tích chập (CNN) để tự động trích xuất đặc trưng từ hình ảnh, phục vụ cho việc nhận dạng và phân loại hành vi.
• Mô hình YOLO (You Only Look Once): Thuật toán phát hiện đối tượng nhanh và chính xác, được cải tiến lên phiên bản YOLO v4 với các kỹ thuật như WRC, CSP, Mish activation giúp tăng hiệu suất.
• Faster R-CNN: Mô hình kết hợp mạng đề xuất vùng (RPN) và CNN để phát hiện đối tượng với độ chính xác cao.
• Mạng U-Net: Mạng nơ-ron dùng cho phân đoạn ảnh, đặc biệt hiệu quả với dữ liệu hạn chế nhờ kỹ thuật tăng cường dữ liệu.
• Thuật toán SVM và Rừng ngẫu nhiên: Các phương pháp phân loại truyền thống, hiệu quả với bộ dữ liệu nhỏ, được sử dụng để phân loại cảm xúc dựa trên đặc trưng màu sắc và kết cấu.

Các khái niệm chính bao gồm: phát hiện đối tượng, phân đoạn ảnh, trích xuất đặc trưng (texture descriptors, color histograms), phân loại cảm xúc dựa trên biểu hiện đỏ mặt và dựng lông.

Phương pháp nghiên cứu

Nguồn dữ liệu chính gồm 600 hình ảnh vẹt thu thập tại Vườn thú Beauval, chia thành 500 ảnh huấn luyện và 100 ảnh kiểm thử, cùng 50 ảnh bổ sung từ Google để đánh giá mô hình. Dữ liệu được chú thích thủ công bằng công cụ LabelImg (cho phát hiện đầu) và LabelMe (cho phân đoạn vùng đỏ mặt).

Phương pháp phân tích gồm:

• Phát hiện đầu vẹt: Huấn luyện mô hình YOLO v4 và Faster R-CNN sử dụng kỹ thuật học chuyển giao (transfer learning) với darknet53.74 và ResNet-101 làm trọng số khởi tạo.
• Phân đoạn vùng đỏ mặt: Sử dụng mạng U-Net với dữ liệu được chú thích tạo mặt nạ phân đoạn, kích thước ảnh chuẩn hóa 256x256 pixel.
• Trích xuất đặc trưng: Áp dụng các bộ mô tả kết cấu (LBP, GLCM, HOG) và biểu đồ màu trong không gian HSV để phân tích vùng đỏ mặt.
• Phân loại cảm xúc: So sánh hiệu quả giữa SVM, rừng ngẫu nhiên và mạng CNN (VGG16, ResNet50) trên bộ đặc trưng đã trích xuất.

Quá trình huấn luyện và đánh giá được thực hiện trên nền tảng Google Colab với GPU miễn phí, đảm bảo tính khả thi và hiệu quả về thời gian.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất phát hiện đầu vẹt: Mô hình YOLO v4 đạt độ chính xác trung bình (mAP) 99.14% trên bộ dữ liệu kiểm thử nội bộ và 61.15% trên bộ ảnh Google, vượt trội so với Faster R-CNN với mAP lần lượt 96.12% và 58%. Thời gian xử lý trung bình của YOLO v4 là 29ms, nhanh hơn đáng kể so với các phương pháp khác.

2. Phân đoạn vùng đỏ mặt: Mạng U-Net đạt điểm F1 (Dice coefficient) cao, thể hiện khả năng phân đoạn chính xác vùng đỏ mặt trên ảnh đầu vẹt. Mô hình cho phép tách biệt vùng quan tâm ngay cả khi màu sắc gần với nền hoặc bị ảnh hưởng bởi ánh sáng.

3. Phân loại cảm xúc dựa trên đỏ mặt: Sử dụng đặc trưng màu sắc trong không gian HSV, các thuật toán SVM và rừng ngẫu nhiên đều đạt độ chính xác 100% trên bộ dữ liệu huấn luyện và kiểm thử nhỏ (252 ảnh). Mạng CNN chưa cho kết quả tốt do dữ liệu hạn chế.

4. Khả năng ứng dụng thực tế: Hệ thống có thể phát hiện và phân loại cảm xúc trên video theo thời gian thực, hỗ trợ người chăn nuôi và nhân viên chăm sóc trong việc giám sát hành vi và sức khỏe động vật.

Thảo luận kết quả

Kết quả cho thấy YOLO v4 là lựa chọn tối ưu cho phát hiện đầu vẹt nhờ sự cân bằng giữa độ chính xác và tốc độ xử lý, phù hợp với yêu cầu giám sát liên tục. Việc áp dụng U-Net cho phân đoạn vùng đỏ mặt giúp khắc phục hạn chế của các phương pháp phân đoạn dựa trên màu sắc đơn thuần, đặc biệt trong điều kiện ánh sáng thay đổi.

Phân loại cảm xúc dựa trên đặc trưng màu sắc và kết cấu cho thấy hiệu quả cao với các thuật toán truyền thống, phù hợp với bộ dữ liệu nhỏ. Kết quả này đồng nhất với các nghiên cứu trước đây về nhận dạng biểu cảm trên động vật và con người.

Dữ liệu có thể được trình bày qua các biểu đồ đường thể hiện tiến trình giảm lỗi và tăng điểm F1 trong huấn luyện U-Net, biểu đồ cột so sánh mAP giữa các mô hình phát hiện đầu, và ma trận nhầm lẫn minh họa hiệu quả phân loại cảm xúc.

Đề xuất và khuyến nghị

1. Triển khai hệ thống giám sát tự động: Áp dụng mô hình YOLO v4 kết hợp U-Net và SVM/rừng ngẫu nhiên để giám sát hành vi và cảm xúc vẹt trong các trang trại và vườn thú, nhằm nâng cao hiệu quả quản lý sức khỏe và sinh sản. Thời gian thực hiện: 6-12 tháng.

2. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm hình ảnh và video đa dạng về các loài động vật khác để cải thiện khả năng tổng quát hóa của mô hình, đồng thời tăng cường độ chính xác phân loại cảm xúc. Thời gian: 12-18 tháng.

3. Phát triển giao diện người dùng thân thiện: Thiết kế phần mềm trực quan cho người chăn nuôi và nhân viên chăm sóc dễ dàng sử dụng, tích hợp cảnh báo tự động khi phát hiện hành vi bất thường. Thời gian: 6 tháng.

4. Nghiên cứu mở rộng các biểu hiện cảm xúc: Khai thác thêm các đặc trưng hành vi khác như dựng lông, cử động đầu để đa dạng hóa chỉ số cảm xúc, nâng cao độ nhạy của hệ thống. Thời gian: 12 tháng.

Chủ thể thực hiện bao gồm các nhóm nghiên cứu trong lĩnh vực thị giác máy tính, các viện nghiên cứu nông nghiệp và các đơn vị quản lý vườn thú, phối hợp với các chuyên gia về động vật học.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu thị giác máy tính và trí tuệ nhân tạo: Tài liệu cung cấp phương pháp ứng dụng các thuật toán hiện đại trong phát hiện và phân tích hành vi động vật, hỗ trợ phát triển các dự án tương tự.

2. Chuyên gia sinh thái và ethology: Giúp hiểu rõ hơn về cách sử dụng công nghệ để quan sát và phân tích hành vi động vật không xâm lấn, phục vụ nghiên cứu và bảo tồn.

3. Người chăn nuôi và nhân viên chăm sóc động vật: Cung cấp công cụ hỗ trợ giám sát sức khỏe và cảm xúc vật nuôi, giúp ra quyết định kịp thời và chính xác trong quản lý.

4. Sinh viên và học viên ngành khoa học máy tính, nông nghiệp công nghệ cao: Là tài liệu tham khảo thực tiễn về ứng dụng học máy và thị giác máy tính trong lĩnh vực nông nghiệp và bảo tồn động vật.

Câu hỏi thường gặp

1. Hệ thống có thể áp dụng cho các loài động vật khác ngoài vẹt không?
   Có thể, tuy nhiên cần thu thập dữ liệu và huấn luyện lại mô hình phù hợp với đặc điểm hình ảnh và hành vi của từng loài để đảm bảo độ chính xác.

2. Tại sao chọn YOLO v4 thay vì các phiên bản YOLO khác?
   YOLO v4 cải tiến về tốc độ và độ chính xác so với YOLO v3, đồng thời hỗ trợ các kỹ thuật tăng cường dữ liệu và kiến trúc mạng hiện đại, phù hợp với yêu cầu xử lý thời gian thực.

3. Làm thế nào để xử lý ảnh trong điều kiện ánh sáng thay đổi?
   Sử dụng không gian màu HSV giúp giảm ảnh hưởng của ánh sáng, kết hợp với mạng U-Net cho phân đoạn giúp tăng độ chính xác trong việc nhận diện vùng quan tâm.

4. Phân loại cảm xúc dựa trên đỏ mặt có thể bị nhầm lẫn do yếu tố môi trường không?
   Việc sử dụng đặc trưng màu sắc kết hợp với phân đoạn chính xác vùng đỏ mặt giúp giảm thiểu nhầm lẫn, tuy nhiên cần kiểm soát điều kiện ánh sáng và góc quay để đảm bảo kết quả ổn định.

5. Hệ thống có thể hoạt động trực tiếp trên video không?
   Có, mô hình đã được thử nghiệm trên video và cho kết quả phân loại cảm xúc theo từng khung hình, hỗ trợ giám sát liên tục và cảnh báo kịp thời.

Kết luận

• Phát triển thành công hệ thống tự động phát hiện đầu vẹt và phân tích cảm xúc dựa trên đỏ mặt từ chuỗi video với độ chính xác cao (mAP YOLO v4 đạt 99.14%).
• Áp dụng mạng U-Net hiệu quả trong phân đoạn vùng đỏ mặt, giúp trích xuất đặc trưng chính xác cho phân loại cảm xúc.
• Sử dụng SVM và rừng ngẫu nhiên đạt 100% độ chính xác phân loại cảm xúc trên bộ dữ liệu hiện có.
• Hệ thống hỗ trợ người chăn nuôi và nhân viên chăm sóc trong việc giám sát hành vi và sức khỏe động vật không xâm lấn.
• Đề xuất mở rộng dữ liệu và phát triển giao diện ứng dụng để tăng cường khả năng ứng dụng thực tế.

Next steps: Mở rộng bộ dữ liệu, phát triển phần mềm ứng dụng, nghiên cứu thêm các biểu hiện hành vi khác.

Call to action: Khuyến khích các nhà nghiên cứu và đơn vị quản lý động vật áp dụng và phát triển tiếp công nghệ này nhằm nâng cao chất lượng chăm sóc và bảo tồn động vật.