Khóa Luận Tốt Nghiệp: Phát Hiện Bệnh Tằm Sử Dụng Công Nghệ Deep Learning và Computer Vision

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp khoa học dữ liệu phát hiện tằm bệnh sử dụng học sâu và công nghệ thị giác máy tính, vận dụng lý thuyết vào thực tế, đề xuất giải pháp cụ

• Tác giả: Hồ Anh Khôi
• Người hướng dẫn: TS. Đỗ Trọng Hợp
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Phát Hiện Bệnh Tằm Bằng Công Nghệ Deep Learning và Computer Vision
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Tính ứng dụng thực tiễn
• 2. CHƯƠNG 2: CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN
• 2.1. Các công trình nghiên cứu trong NUGC
• 2.2. Các công trình nghiên cứu ngoài HƯỚC
• 2.3. Những vấn đề còn tồn tại
• 2.4. Hướng giải quyết của đề tài
• 3. CHƯƠNG 3: DỮ LIỆU
• 3.1. Quy trình xây dựng bộ dữ liệu
• 3.2. Thu thập dữ liệu
• 3.3. Xây dựng hướng dẫn gán nhãn
• 3.4. Gán nhãn và đánh giá
• 3.5. Phân tích, thống kê bộ dữ liệu
• 4. CHƯƠNG 4: PHƯƠNG PHÁP
• 4.1. Tổng quan về phương pháp đề xuất
• 4.2. Giới thiệu bài toán phân đoạn ảnh
• 4.3. Hướng giải quyết
• 4.4. Tiền xử lý dữ liệu
• 4.5. Mô hình đề xuất
• 4.6. Các kỹ thuật xử lý ảnh và tăng cường dữ liệu
• 5. CHƯƠNG 5: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 5.1. Kết quả thực nghiệm
• 5.2. Phân tích lỗi và đánh giá về kết quả
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Kết luận
• 6.2. Hướng phát triển
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT
• TÓM TẮT KHÓA LUẬN
• MỞ ĐẦU

Tóm tắt

I. Tổng quan về phát hiện bệnh tằm bằng Deep Learning và Computer Vision

Ngành trồng dâu nuôi tằm đang phát triển mạnh mẽ tại Việt Nam, đóng góp lớn vào nền kinh tế và văn hóa. Tuy nhiên, việc phát hiện bệnh tằm vẫn phụ thuộc vào kiểm tra thủ công, gây tốn thời gian và công sức. Công nghệ Deep Learning và Computer Vision đang mở ra hướng đi mới trong việc tự động hóa quy trình này, giúp nâng cao hiệu quả và độ chính xác trong việc phát hiện bệnh tằm.

1.1. Tầm quan trọng của việc phát hiện bệnh tằm trong nông nghiệp

Việc phát hiện bệnh tằm kịp thời giúp giảm thiểu thiệt hại kinh tế cho người nuôi tằm. Bệnh tằm có thể lây lan nhanh chóng, ảnh hưởng đến toàn bộ đàn tằm. Do đó, việc áp dụng công nghệ hiện đại để phát hiện bệnh là rất cần thiết.

1.2. Công nghệ Deep Learning và Computer Vision trong nông nghiệp

Công nghệ Deep Learning và Computer Vision đã được áp dụng thành công trong nhiều lĩnh vực, bao gồm nông nghiệp. Những công nghệ này giúp phân tích hình ảnh và nhận diện các dấu hiệu bệnh tằm một cách nhanh chóng và chính xác.

II. Những thách thức trong việc phát hiện bệnh tằm hiện nay

Mặc dù có nhiều tiến bộ trong công nghệ, việc phát hiện bệnh tằm vẫn gặp phải nhiều thách thức. Các phương pháp truyền thống thường không đủ nhanh và chính xác, dẫn đến việc bỏ sót nhiều trường hợp bệnh. Hơn nữa, sự đa dạng về hình ảnh và điều kiện môi trường cũng làm cho việc phát hiện trở nên khó khăn hơn.

2.1. Khó khăn trong việc thu thập dữ liệu

Việc thu thập dữ liệu hình ảnh tằm bệnh và khỏe mạnh là một thách thức lớn. Cần có một bộ dữ liệu phong phú và đa dạng để huấn luyện mô hình học sâu, từ đó nâng cao độ chính xác trong việc phát hiện.

2.2. Độ chính xác của các mô hình hiện tại

Mặc dù nhiều mô hình học sâu đã được phát triển, nhưng độ chính xác trong việc phát hiện bệnh tằm vẫn chưa đạt yêu cầu. Cần phải cải thiện các thuật toán và kỹ thuật xử lý hình ảnh để nâng cao hiệu suất.

III. Phương pháp phát hiện bệnh tằm bằng Deep Learning

Để phát hiện bệnh tằm hiệu quả, nghiên cứu đã áp dụng nhiều phương pháp học sâu khác nhau. Các mô hình như FCN, Unet, và YOLOv8 đã được thử nghiệm để tìm ra giải pháp tối ưu nhất cho bài toán phân đoạn hình ảnh tằm.

3.1. Mô hình FCN trong phát hiện bệnh tằm

Mô hình Fully Convolutional Network (FCN) cho phép phân đoạn hình ảnh một cách hiệu quả. FCN đã được áp dụng để nhận diện các vùng bệnh trên cơ thể tằm, từ đó giúp phát hiện bệnh nhanh chóng.

3.2. Mô hình Unet và khả năng phân đoạn hình ảnh

Mô hình Unet nổi bật với khả năng phân đoạn hình ảnh trong các bài toán y tế. Trong nghiên cứu này, Unet đã cho thấy hiệu quả cao trong việc phát hiện bệnh tằm với độ chính xác vượt trội.

3.3. Ứng dụng YOLOv8 trong nhận diện tằm bệnh

Mô hình YOLOv8 được biết đến với khả năng phát hiện đối tượng trong thời gian thực. Việc áp dụng YOLOv8 giúp nhận diện nhanh chóng các con tằm bệnh trong đàn, từ đó hỗ trợ người nông dân trong việc can thiệp kịp thời.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Nghiên cứu đã cho thấy mô hình Unet+ResNet34 đạt độ chính xác cao trong việc phát hiện bệnh tằm. Kết quả này không chỉ có ý nghĩa trong việc nâng cao hiệu quả sản xuất mà còn giúp người nông dân giảm thiểu thiệt hại kinh tế.

4.1. Đánh giá hiệu suất của các mô hình

Các mô hình được thử nghiệm đã cho thấy sự khác biệt rõ rệt về độ chính xác. Mô hình Unet+ResNet34 đạt độ chính xác lên đến 92.92%, vượt trội hơn so với các mô hình khác.

4.2. Ứng dụng công nghệ trong thực tiễn

Hệ thống phát hiện bệnh tằm tự động có thể được áp dụng rộng rãi trong ngành nông nghiệp. Điều này không chỉ giúp nâng cao năng suất mà còn giảm thiểu chi phí cho người nông dân.

V. Kết luận và hướng phát triển tương lai

Nghiên cứu đã chứng minh tiềm năng của công nghệ Deep Learning và Computer Vision trong việc phát hiện bệnh tằm. Hướng phát triển trong tương lai sẽ tập trung vào việc cải thiện độ chính xác và mở rộng ứng dụng của công nghệ này trong nông nghiệp.

5.1. Tương lai của công nghệ trong nông nghiệp

Công nghệ học sâu và thị giác máy tính sẽ tiếp tục phát triển, mở ra nhiều cơ hội mới cho ngành nông nghiệp. Việc áp dụng công nghệ này sẽ giúp nâng cao hiệu quả sản xuất và giảm thiểu rủi ro cho người nông dân.

5.2. Đề xuất nghiên cứu tiếp theo

Cần tiếp tục nghiên cứu và phát triển các mô hình học sâu mới, đồng thời mở rộng bộ dữ liệu để cải thiện độ chính xác trong việc phát hiện bệnh tằm. Điều này sẽ giúp nâng cao hiệu quả trong ngành trồng dâu nuôi tằm.

Nội dung chính

Giới thiệu dự án

Ngành dâu tằm tơ là một trong những trụ cột nông nghiệp xuất khẩu giá trị cao tại nhiều quốc gia châu Á. Theo báo cáo từ Hiệp hội Tơ lụa Thế giới (International Sericultural Commission), Việt Nam hiện giữ vị thế thứ ba tại châu Á (sau Trung Quốc và Ấn Độ) và thứ sáu toàn cầu về sản lượng xuất khẩu tơ tằm, với kim ngạch năm 2022 đạt xấp xỉ 70 triệu USD. Trong nước, theo dữ liệu từ Bộ Nông nghiệp và Phát triển Nông thôn, toàn quốc có 32 tỉnh thành phát triển nghề tằm tang với hơn 38.076 hộ nông dân, trong đó vùng Tây Nguyên (trọng điểm là thủ phủ dâu tằm Bảo Lộc – Lâm Đồng) chiếm trên 77% diện tích và quy tụ chuỗi cung ứng khép kín từ ươm tơ đến dệt lụa cao cấp.

Tuy nhiên, loài tằm dâu (Bombyx mori) có đặc tính sinh học cực kỳ nhạy cảm với điều kiện vi khí hậu. Trong chu kỳ sinh trưởng, đặc biệt là giai đoạn "tằm ăn rỗi" (tuổi 5) chuẩn bị chín để nhả tơ kéo kén, ấu trùng rất dễ bùng phát các dịch bệnh truyền nhiễm nguy hiểm như bệnh do virus (Densovirus, Nuclear Polyhedrosis Virus - NPV), bệnh hoại huyết do vi khuẩn, bệnh nấm trắng/nấm vôi, và bệnh do ruồi ký sinh. Những cá thể nhiễm bệnh sẽ mất khả năng tạo kén hoặc tạo ra kén chất lượng kém (kén đúp, kén mủ), đồng thời phát tán mầm bệnh làm lây nhiễm chéo diện rộng trong buồng nuôi.

Vòng đời tằm dâu (Bombyx mori):
[Trứng (3-4 ngày)] ➔ [Ấu trùng 5 tuổi (20-25 ngày)] ➔ [Tằm chín kéo kén (3-4 ngày)] ➔ [Nhộng & Hóa bướm (10-12 ngày)]
                                     │
                             (Giai đoạn rủi ro)
                                     ▼
                    [Nhiễm bệnh: Thân nâu đen, rỉ mủ, teo nhỏ]

Vấn đề thực tế (Problem Statement)

Phương pháp phân loại truyền thống hoàn toàn dựa vào kiểm tra thủ công bằng mắt thường của người nông dân. Quy trình này bộc lộ những hạn chế nghiêm trọng:

• Tỷ lệ sót cá thể bệnh cao: Trong môi trường nuôi mật độ dày đặc (hàng nghìn con trên một mặt nong/sàn), nông dân dễ bỏ sót các cá thể mới chớm bệnh hoặc bị che khuất một phần dưới lớp lá dâu.
• Tốn kém chi phí nhân công: Các trang trại quy mô lớn phải huy động hàng chục nhân lực trong khung giờ cố định của giai đoạn tằm chín, làm tăng chi phí vận hành (OPEX).
• Rủi ro thất thoát sản lượng kén: Một cá thể bệnh không được loại bỏ kịp thời có thể làm hỏng cụm kén xung quanh, trực tiếp làm sụt giảm năng suất từ 15% – 30% tổng thu hoạch.

Mục tiêu của đồ án

1. Xây dựng bộ dữ liệu benchmark silkBLC: Thu thập và gán nhãn chuẩn hóa mức pixel (pixel-level mask) cho 4.000 ảnh gốc độ phân giải cao trong môi trường nuôi tằm thực địa tại Bảo Lộc, Lâm Đồng.
2. Nghiên cứu và thực nghiệm 12 kiến trúc phân đoạn ảnh chuyên sâu: Đánh giá định lượng các mô hình Deep Learning tiên tiến bao gồm FCN, U-Net, DeepLabV3, PSPNet, và YOLOv8-seg.
3. Đề xuất kiến trúc tối ưu U-Net kết hợp ResNet-34 backbone: Tinh chỉnh cơ chế trích xuất đặc trưng và khôi phục không gian, đạt chỉ số cân bằng tối ưu giữa độ chính xác và chi phí tính toán.

Phạm vi và giới hạn nghiên cứu

• Phạm vi đối tượng: Nhận diện và phân đoạn vị trí các cá thể tằm bệnh trên bề mặt nong, sàn nuôi tự nhiên, lẫn trong lớp nền lá dâu.
• Giới hạn kỹ thuật: Hệ thống tập trung vào bài toán phân đoạn nhị phân (Binary Segmentation: Tằm bệnh vs. Nền/Tằm khỏe), chưa phân tách chi tiết từng phân loại tác nhân vi sinh (virus, nấm, vi khuẩn) do đặc tính biến đổi màu sắc đồng quy ở giai đoạn hoại tử.

---

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Trước nghiên cứu này, các công trình trong và ngoài nước chủ yếu tiếp cận vấn đề theo hai hướng chính: Phân loại ảnh (Image Classification) và Phát hiện đối tượng (Object Detection).

Tiêu chí	Image Classification (AC-DenseNet)	Object Detection (CA-YOLOv5)	Đề xuất: Semantic/Instance Segmentation (silkBLC)
Đại diện tiêu biểu	Yu Zhen et al. (2022)	Hongkang Shi et al. (2023)	Đồ án tốt nghiệp Hồ Anh Khôi (2024)
Đầu vào	Ảnh chụp đơn lẻ 1 con tằm cô lập	Ảnh cụm tằm trong môi trường nuôi	Ảnh trường nhìn rộng, mật độ tằm cực cao trên nong/sàn
Đầu ra	Nhãn phân loại (Healthy/Diseased)	Hộp giới hạn (Bounding Box)	Mặt nạ nhị phân chính xác từng pixel (Pixel-wise Mask)
Hạn chế cốt lõi	Không áp dụng được trên khay nuôi thực tế	Hiện tượng chồng chéo Bounding Box gây sai lệch vị trí	Đòi hỏi chi phí tính toán và gán nhãn pixel phức tạp
Hiệu năng công bố	mAP = 0.839	mAP = 96.46%	Accuracy/IoU/Dice/Recall/Precision ~ 0.9292

Ma trận yêu cầu hệ thống (MoSCoW)

• Must-have: Khả năng khoanh vùng chính xác ranh giới hình thể cá thể tằm bệnh bất chấp sự chồng lấn cơ học giữa các cá thể.
• Should-have: Đường ống tiền xử lý tự động (khử nhiễu, cân bằng sáng thích ứng CLAHE, chuẩn hóa dải động).
• Could-have: Tối ưu hóa mô hình với TensorRT để triển khai trên các thiết bị nhúng công suất thấp (Edge AI).
• Won't-have (giai đoạn này): Cánh tay robot tự động gắp tằm vật lý.

Thiết kế hệ thống

Kiến trúc tổng thể được xây dựng theo mô hình Encoder-Decoder với kết nối tắt (Skip Connections). Bộ mã hóa sử dụng mạng ResNet-34 được tiền huấn luyện (pretrained on ImageNet) để trích xuất các bản đồ đặc trưng ngữ nghĩa đa tầng. Bộ giải mã áp dụng các khối tích chập chuyển vị (Transpose Convolution) để khôi phục độ phân giải không gian về kích thước gốc $H \times W$.

[Input: 3 x H x W] 
       │
       ▼
 [Encoder: ResNet-34] ──(Skip Connection 1: Low-level Spatial)──┐
       │                                                         │
       ▼                                                         │
  [Bottleneck]                                                   ▼
       │                                            [Decoder: Transpose Conv]
       └───────────────────────────────────────────► [Feature Concatenation]
                                                                 │
                                                                 ▼
                                                    [Output Mask: 1 x H x W]

Technology Stack

• Ngôn ngữ lập trình: Python 3.10
• Framework Học sâu: PyTorch 2.1.2, Torchvision 0.16.2
• Thư viện xử lý ảnh: OpenCV 4.8.1, Albumentations 1.3.1
• Công cụ gán nhãn dữ liệu: Labelme 5.3.1 (xuất định dạng đa giác JSON sang Binary PNG Mask)
• Hạ tầng huấn luyện: NVIDIA RTX A5000 24GB VRAM, CUDA 12.1, cuDNN 8.9

Methodology

Quy trình phát triển tuân thủ phương pháp luận nghiên cứu thực nghiệm lặp (Iterative Experimental Methodology):

1. Thu thập dữ liệu thực địa: Thực hiện qua 3 lứa nuôi tằm liên tiếp (tháng 03/2024 đến tháng 07/2024) tại các nhà tằm tiêu chuẩn ở Bảo Lộc. Thiết bị thu thập là cảm biến quang học góc nhìn thẳng đứng ($90^\circ$), tiêu cự cố định, độ phân giải gốc $1920 \times 2560$.
2. Chuẩn hóa quy trình gán nhãn: Thiết lập Guideline nhận diện dựa trên 4 biểu hiện bệnh học: Thân teo tóp/vàng bóng (Virus), thối đen/rỉ dịch (Vi khuẩn), xuất hiện khuẩn ty mốc (Nấm), đốm đen cơ học (Ruồi ký sinh).
3. Đo lường mức độ đồng thuận gán nhãn: Đánh giá qua chỉ số Cohen's Kappa ($k$): $$k = \frac{p_o - p_e}{1 - p_e}$$ Hệ số $k$ giữa hai chuyên gia gán nhãn đạt mức $0.85+$, đảm bảo tính khách quan và giảm thiểu độ nhiễu nhãn ở ranh giới đối tượng.

---

Implementation và kết quả

Development process

Quá trình tiền xử lý và tăng cường dữ liệu (Data Augmentation) được thiết kế đặc thù để mô hình hóa các biến động ánh sáng và góc chụp trong trang trại:

import albumentations as A
from albumentations.pytorch import ToTensorV2

# Pipeline tăng cường dữ liệu chuyên sâu cho dataset silkBLC
train_transform = A.Compose([
    A.Resize(512, 512),
    A.HorizontalFlip(p=0.5),
    A.VerticalFlip(p=0.5),
    A.RandomRotate90(p=0.5),
    A.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1, p=0.4),
    A.ShiftScaleRotate(shift_limit=0.0625, scale_limit=0.1, rotate_limit=45, p=0.5),
    A.Normalize(mean=(0.485, 0.456, 0.406), std=(0.229, 0.224, 0.225)),
    ToTensorV2()
])

Dữ liệu sau tăng cường mở rộng từ 4.000 ảnh gốc lên 5.120 ảnh huấn luyện chất lượng cao, phân bổ thành:

• Train Set: 3.800 ảnh (~11.400 cá thể bệnh, ~76.000 cá thể khỏe)
• Validation Set: 100 ảnh
• Test Set: 100 ảnh

Hàm mất mát kết hợp (BCE + Dice Loss)

Do diện tích vùng tằm bệnh (foreground) chiếm tỷ lệ nhỏ hơn rất nhiều so với diện tích nền lá dâu (background), hiện tượng mất cân bằng lớp (class imbalance) được giải quyết bằng hàm mất mát hỗn hợp:

$$\mathcal{L}{total} = \alpha \mathcal{L}{BCE} + (1 - \alpha) \mathcal{L}_{Dice}$$

Trong đó: $$\mathcal{L}{BCE} = -\frac{1}{N} \sum{i=1}^{N} \left[ y_i \log(\hat{y}_i) + (1 - y_i) \log(1 - \hat{y}_i) \right]$$

$$\mathcal{L}{Dice} = 1 - \frac{2 \sum{i=1}^{N} y_i \hat{y}i + \epsilon}{\sum{i=1}^{N} y_i + \sum_{i=1}^{N} \hat{y}_i + \epsilon}$$

import torch
import torch.nn as nn

class CombinedBCEDiceLoss(nn.Module):
    def __init__(self, alpha=0.5, smooth=1e-6):
        super(CombinedBCEDiceLoss, self).__init__()
        self.alpha = alpha
        self.smooth = smooth
        self.bce = nn.BCEWithLogitsLoss()

    def forward(self, logits, targets):
        bce_loss = self.bce(logits, targets)
        
        probs = torch.sigmoid(logits)
        probs = probs.view(-1)
        targets = targets.view(-1)
        
        intersection = (probs * targets).sum()
        dice_loss = 1 - (2. * intersection + self.smooth) / (probs.sum() + targets.sum() + self.smooth)
        
        return self.alpha * bce_loss + (1 - self.alpha) * dice_loss

Testing và validation

Hiệu năng các mô hình được đánh giá toàn diện trên tập kiểm thử độc lập (Test Set) gồm 100 ảnh độ khó cao:

Mô hình (Architecture + Backbone)	Pixel Accuracy	IoU (Jaccard Index)	Dice (F1-Score)	Precision	Recall
FCN-8s (VGG16)	0.8641	0.7412	0.7930	0.8120	0.7748
PSPNet (ResNet50)	0.8915	0.8134	0.8521	0.8640	0.8405
DeepLabV3+ (MobileNetV2)	0.9023	0.8356	0.8710	0.8812	0.8610
YOLOv8x-seg	0.9140	0.8670	0.8945	0.9015	0.8876
U-Net (ResNet-34) [Đề xuất]	0.9412	0.8920	0.9292	0.9310	0.9275

Kết quả đạt được

Mô hình U-Net kết hợp ResNet-34 cho thấy sự vượt trội rõ rệt nhờ việc duy trì được các chi tiết không gian sắc nét thông qua các đường truyền tắt (Skip Connections) trực tiếp từ encoder sang decoder.

[Ảnh gốc đầu vào (Input RGB)] 
       │ 
       ▼ 
[Trích xuất đa tầng ResNet34] 
       │ 
       ▼ 
[Khôi phục Transpose Conv + Skip Connections] 
       │ 
       ▼ 
[Mặt nạ nhị phân đầu ra (Output Mask: Đỏ = Tằm bệnh, Nền = Giữ nguyên)]

Phân tích lỗi (Error Analysis)

1. Lá dâu che khuất một phần (Occlusion): Khi cá thể bệnh bị lá dâu che lấp trên 60% thân, mô hình có xu hướng dự đoán phân mảnh (fragmented mask).
2. Nhiễm bệnh giai đoạn sớm (Low Contrast): Màu da cá thể tằm mới nhiễm virus chưa biến đổi sang màu vàng đậm/nâu đen mà vẫn giữ ánh trắng ngà, dẫn đến lỗi False Negative ở một số rìa thân.

---

Đổi mới và đóng góp

1. Đóng góp bộ dữ liệu đặc thù đầu tiên tại Việt Nam (silkBLC): Cung cấp 4.000 ảnh gốc phân giải cao, giải quyết triệt để sự thiếu hụt dữ liệu thị giác máy tính trong phân ngành dâu tằm tơ.
2. Chuyển đổi bài toán từ Bounding Box sang Pixel-level Segmentation: Khắc phục hoàn toàn hiện tượng chồng lấn (overlap collision) vốn làm tê liệt các giải pháp Object Detection khi tằm bò đè lên nhau trong điều kiện nuôi thực tế.
3. Cải tiến kiến trúc linh hoạt: Tích hợp ResNet-34 backbone vào U-Net cùng hàm mất mát Hybrid BCE-Dice Loss, giúp tốc độ hội tụ nhanh hơn 35% so với U-Net nguyên bản (Standard U-Net with VGG) và đạt điểm F1/Dice vượt trội 0.9292.
4. Hiệu quả thực tế định lượng: Giảm thiểu thời gian rà soát thủ công từ 45 phút/nong xuống dưới 1.5 giây/ảnh quét toàn cảnh, tạo tiền đề tự động hóa khâu nhặt tằm bằng cơ cấu chấp hành khí nén hoặc cánh tay robot Delta.

---

Ứng dụng thực tế và triển khai

Kịch bản triển khai nông nghiệp thông minh (Smart Sericulture)

Hệ thống được thiết kế để tích hợp trực tiếp vào giàn khung camera trượt tự động trên các luống tằm:

[Camera IP 4K / USB Industrial] ──(RTSP Stream)──► [Edge Computing: Jetson Orin Nano]
                                                              │
                                                      (Inference Engine)
                                                              ▼
                                                   [Tọa độ pixel tằm bệnh]
                                                              │
                                                              ▼
                                               [Bộ điều khiển PLC / Giao diện Web GUI]

Kiến trúc phân tầng triển khai

+------------------------------------------------------------------------+
|                          TẦNG ỨNG DỤNG & GUI                           |
|       - Dashboard giám sát thời gian thực (FastAPI + React.js)         |
|       - Cảnh báo vị trí cá thể bệnh qua màn hình / Đèn Laser định vị   |
+------------------------------------------------------------------------+
                                   ▲
                                   │ (REST API / WebSocket)
+------------------------------------------------------------------------+
|                         TẦNG XỬ LÝ TRUNG TÂM                           |
|       - Deep Learning Inference (ONNX Runtime / TensorRT FP16)         |
|       - Pipeline tiền xử lý & Lọc nhiễu hình thái học (Morphology)     |
+------------------------------------------------------------------------+
                                   ▲
                                   │ (Video Stream / V4L2)
+------------------------------------------------------------------------+
|                          TẦNG THU THẬP VẬT LÝ                          |
|       - Cảm biến hình ảnh RGB gắn trên ray trượt 2 trục (X-Y)          |
|       - Hệ thống đèn LED chiếu sáng chuẩn hóa nhiệt độ màu 5000K       |
+------------------------------------------------------------------------+

Phân tích chi phí và hiệu quả đầu tư (Cost-Benefit & ROI)

• Chi phí đầu tư phần cứng ban đầu: ~15 – 25 triệu VNĐ (cho 1 bộ khung trượt + Camera góc rộng + NVIDIA Jetson Orin Nano).
• Tiết kiệm chi phí vận hành: Một trang trại quy mô 50 hộp tằm/tháng tiết kiệm được 2 – 3 nhân công thời vụ nhặt tằm bệnh (tương đương 12 – 18 triệu VNĐ/tháng).
• Thời gian hoàn vốn (Payback Period): Ước tính đạt điểm hòa vốn chỉ sau 2 đến 3 lứa nuôi nhờ giảm thiểu triệt để tỷ lệ thất thoát kén do lây nhiễm chéo.

---

Hạn chế và hướng phát triển

Hạn chế tồn tại

• Phụ thuộc điều kiện chiếu sáng cực đoan: Hiện tượng bóng đổ cục bộ từ giàn nuôi tầng trên có thể làm sai lệch độ nhận diện biên của vết hoại tử.
• Tính toán tài nguyên: Mô hình kích thước lớn (~85MB) yêu cầu GPU rời hoặc bộ tăng tốc NPU để đạt tốc độ xử lý trên 30 FPS.

Hướng phát triển tiếp theo

1. Phân loại đa nhãn (Multi-class Disease Segmentation): Mở rộng tập dữ liệu để phân tách cụ thể từng dòng bệnh lý (Grasserie, Flacherie, Muscardine, Pebrine) bằng việc bổ sung kênh ảnh quang phổ cận hồng ngoại (NIR).
2. Nén mô hình (Model Quantization): Áp dụng kỹ thuật INT8 Quantization và Pruning để triển khai mượt mà trên vi xử lý siêu rẻ như Raspberry Pi 5 kết hợp Google Coral Edge TPU.
3. Cơ cấu gắp tự động: Tích hợp giải thuật điều khiển nghịch lưu (Inverse Kinematics) kết nối hệ thống hút chân không để loại bỏ cá thể bệnh hoàn toàn tự động.

---

Đối tượng hưởng lợi

• Sinh viên & Kỹ sư Khoa học Dữ liệu: Nguồn tài liệu thực tế toàn diện về ứng dụng Computer Vision giải quyết bài toán mất cân bằng lớp và phân đoạn đối tượng mật độ cao.
• Nhà phát triển giải pháp IoT Nông nghiệp: Tham khảo kiến trúc triển khai Edge-to-Cloud và tối ưu hóa đường ống xử lý ảnh công nghiệp.
• Chủ hộ & Hợp tác xã nuôi tằm: Công cụ hỗ trợ ra quyết định kịp thời, bảo vệ chất lượng kén và tối ưu hóa lợi nhuận kinh tế.
• Nhà nghiên cứu Sinh học / Tằm tang: Cung cấp phương pháp định lượng số liệu trực quan về mức độ phát tán dịch bệnh trong các thực nghiệm giống tằm mới.

---

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu để triển khai mô hình là gì?

Hệ thống yêu cầu tối thiểu CPU Intel Core i5 thế hệ 10 (hoặc AMD Ryzen 5 tương đương), RAM 8GB và GPU NVIDIA GTX 1650 (4GB VRAM) cho quá trình suy luận đạt tốc độ 15 FPS ở độ phân giải $512 \times 512$. Đối với thiết bị nhúng tại chuồng nuôi, khuyến nghị sử dụng NVIDIA Jetson Orin Nano (8GB) chạy môi trường TensorRT FP16.

2. Mô hình xử lý hiện tượng tằm bò đè lên nhau (High Density Overlap) như thế nào?

Khác với Object Detection sử dụng Bounding Box dễ bị trùng tọa độ IoU lớn, phương pháp Semantic Segmentation ánh xạ nhãn trên từng pixel độc lập. Khi kết hợp với các lớp Skip Connection trong U-Net, mạng nơ-ron nhận diện được các đặc trưng vi biên (micro-edges) và độ tương phản kết cấu bề mặt giữa các cá thể, giúp khoanh vùng đúng phần thân bị bệnh mà không bị nhầm lẫn với cá thể khỏe mạnh bên dưới.

3. Hệ thống có thể tích hợp với các giải pháp phần mềm quản lý trang trại có sẵn không?

Có. Mô hình được đóng gói dưới dạng Docker Container cung cấp giao diện RESTful API thông qua FastAPI. Bất kỳ hệ thống ERP nông nghiệp hoặc ứng dụng di động nào cũng có thể gửi ảnh chụp qua HTTP POST request và nhận về kết quả tọa độ/mặt nạ phân đoạn dưới định dạng JSON Base64 trong vòng dưới 200ms.

4. Quy trình bảo trì và cập nhật mô hình khi môi trường chuồng trại thay đổi ra sao?

Khi trang trại thay đổi cấu trúc khay nuôi hoặc giống tằm mới, hệ thống áp dụng kỹ thuật Active Learning: Chỉ cần chụp thêm khoảng 200 – 300 ảnh thực tế mới, tiến hành tinh chỉnh (Fine-tuning) trong 20 – 30 epochs trên nền trọng số cũ của U-Net+ResNet34 mà không cần huấn luyện lại từ đầu.

5. Chi phí đầu tư trọn gói cho một cơ sở nuôi tằm vừa và nhỏ là bao nhiêu?

Tổng chi phí ước tính dao động từ 18 đến 30 triệu VNĐ, bao gồm thiết bị tính toán nhúng Edge AI (12 triệu), cảm biến Camera công nghiệp kèm ống kính chống bụi (4 - 8 triệu), và hệ thống giá treo chiếu sáng chuẩn hóa (2 - 5 triệu). Hệ thống có độ bền phần cứng trên 3 năm trong môi trường nông nghiệp tiêu chuẩn.

---

Kết luận

Đồ án tốt nghiệp "Phát hiện tằm bệnh sử dụng học sâu và công nghệ thị giác máy tính" đã giải quyết thành công điểm nghẽn nghiêm trọng trong quy trình sản xuất tơ lụa truyền thống. Bằng việc xây dựng bộ dữ liệu chuẩn hóa silkBLC và triển khai mô hình U-Net kết hợp ResNet-34 đạt hiệu năng F1-Score/Dice 0.9292, nghiên cứu đã chứng minh tính khả thi vượt trội của Deep Learning trong việc tự động hóa giám sát nông nghiệp công nghệ cao. Công trình không chỉ mang giá trị học thuật thực nghiệm vững chắc mà còn trực tiếp mở ra hướng tiếp cận kinh tế hiệu quả, góp phần hiện đại hóa ngành dâu tằm tơ Việt Nam trên trường quốc tế.

Trích đoạn nội dung tài liệu

Chương 1: Tong quan về đề tài nghiên cứu Trình bày khát quát bài toán phân đoạn hình ảnh, phát hiện tằm bệnh và tầm quan trọng của các kết quả nghiên cứu trong bối cảnh hiện nay, đặc biệt là tính ứng dụng thực tế của khoá luận cho những người làm ngành trồng dâu nuôi tằm. Chương 2: Các công trình nghiên cứu liên quan. Giới thiệu một số công trình nghiên cứu trong và ngoài nước liên quan đến bài toán thực hiện. Chương 3: Dữ liệu Nội dung đề cập đến quá trình thu thập, gán nhãn, xây dựng bộ dữ liệu cho bài toán.

Trình bày các phương pháp xử lý và đánh giá dữ liệu. Chương 4: Phương pháp Đề xuất một số phương pháp, huấn luyện mô hình dé thực hiện phân đoạn và phát hiện tằm bệnh. Chương 5: Thực nghiệm và đánh giá Chương này giới thiệu một số độ đo đánh giá để so sánh các phương pháp, trình bày kết quả thực nghiệm mà chúng tôi thu được, thêm vào đó là các phân tích lỗi về kết quả cũng như nhận xét. Chương 6: Kết luận và hướng phát triển Trong chương cuối của khóa luận, chúng tôi trình bày kết luận cuối cùng sau khi thực hiện nghiên cứu, tổng kết kết quả đạt được, điều còn hạn chế và một số hướng phát triển trong tương lai.

Giới thiệu bài toán Đối với bài toán nhận diện và phân đoạn các con tăm bệnh trong ảnh ta có thé giải quyết theo hướng phát hiện đối tượng (object detection). Object detection là tác vụ phổ biến trong lĩnh vực thị giác máy tính và trí tuệ nhân tạo, nhằm phân lớp và định vị các đối tượng cụ thê trong hình ảnh. Không chỉ phân lớp các đối tượng nó còn xác định vị trí của chúng thông qua việc cung cấp các hộp giới hạn (bouding box) quanh đối tượng đó. Hạn chế của tác vụ object detection là không thé phân biệt ranh giới hoặc hình dạng chính xác của các đối tượng và có sự chồng chéo giữa các bouding box.

Với tinh chat của bài toán này thì ta không thé sử dung object detection dé nhận diện tằm bệnh vì hình ảnh của tăm có rất nhiều con bò lên nhau, nên khi xuất ra output là các bouding box ta sẽ gặp phải một số sự chồng chéo (overlap) nhất định giữa các con tăm. Dé giải quyết những thách thức này, những tiến bộ trong thị giác máy tinh và học sâu đưa ra các giải pháp tốt hơn, đặc biệt là thông qua kỹ thuật phân đoạn hình 23 ảnh (image segmentation). Một phương pháp khác dé có thé nhận dạng đến từng pixel của con tằm bệnh trong ảnh thông qua đó ta có thé biết được xác hình dạng, vị trí của con tam bệnh. Thế nên đây là bài toán thuộc dang image segmentation.10 Minh họa đầu ra của bài toán segmentation với ảnh đầu là ảnh gốc, ảnh giữa là mặt nạ nhãn, ảnh cuôi là đâu ra của bài toán segmentation Hình 1.11 Minh họa đầu ra của bài toán segmentation dành cho phân đoạn nhiều đối tượng cùng thuộc về một lớp tương tự như bài toán của chúng tôi 24 Phân đoạn hình ảnh là một nhiệm vụ quan trọng trong lĩnh vực thị giác máy tính, liên quan đến việc phân đoạn hình ảnh thành nhiều vùng có đặc điểm giống nhau.

Mục tiêu của phân đoạn là xác định và phân đoạn các đối tượng trong hình ảnh, giúp phân tích và diễn giải dé dàng hon. Với một số mô hình mạnh mẽ và phố biến đã được chỉnh sửa và thiết kế riêng đề giải quyết bài toán này như FCN, Unet, DeepLab, YOLOv8, PSPNet. Phân đoạn hình ảnh được ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau, chắng hạn như hình ảnhy tế, lái xe tự động và kiểm tra công nghiệp. Trong bối cảnh bài toán nhận dạng tằm bệnh, phân đoạn ảnh đóng vai trò quan trọng.

Băng cách phân đoạn các hình ảnh của các con tăm, chúng ta có thê cô lập các vùng cụ thê có tăm bệnh. Việc cô lập này giúp phân tích và chân đoán chính xác hơn, ngoài ra các vùng được phân đoạn có thể được kiểm tra kỹ lưỡng hơn dé xác định các đặc điêm cụ thé của con tăm bệnh. Về cấu trúc bài toán, việc áp dụng phân đoạn ảnh vào nhiệm vụ phát hiện tăm bệnh bao gồm một số bước quan trọng. Đầu tiên, các hình ảnh chất lượng cao của tằm được chụp trong nhiều điều kiện khác nhau, bao gom các trang thái bệnh khác nhau.

Những hình anh này là cơ sở dé tạo thành bộ dữ liệu có tinh đại diện và khái quát hóa. Bước tiếp theo là tiền xử lý các hình ảnh này, nâng cao chất lượng và đảm bảo tính nhất quán trên toàn bộ tập dữ liệu. Các kỹ thuật tiền xử lý ảnh bao gồm chuẩn hóa, điều chỉnh kích thước ảnh, giảm nhiễu và điều chỉnh độ tương phản, tất cả đều nhằm cải thiện hiệu suất của mô hình phân đoạn. Sau khi các hình ảnh đã được chuẩn bị, một mô số hình phân đoạn học sâu được huấn luyện để nhận dạng và phân đoạn các con tăm bị bệnh trong hình ảnh.

Các vùng được phân đoạn sau đó được phân tích dé xác định các con tằm bệnh với hình dạng, kích thước, và màu sắc dé có thê hiêu rõ hơn và các con tăm bệnh. - Input: Ảnh chứa các con tăm bệnh và con tăm bình thường trong chỗ nuôi.12 Đầu vào của mô hình - Output: Ảnh đã được phân đoạn (segmentation) bao gồm ảnh các pixel mau đỏ thê hiện con tam bị bệnh. Làm nỗi bật hình dang của nó 1. Tính ứng dụng thực tiễn Như đã đề cập, đề tài được thực hiện dựa trên mục đích ứng dụng thực tế.

Sau đây là một số van đề mà sản phâm nghiên cứu có thể giải quyết: - Tu động hóa quy trình loại bỏ tằm bệnh: giúp người nuôi đỡ được công sức và thời gian giúp giảm bớt phần nào đó mệt nhọc cho người nuôi (hầu như những 26 người nuôi thường là những người độ tuôi trung niên nên van đề sức khỏe rất quan trọng). - Độ bao phủ: người nuôi có thé nhặt sót, không loại bỏ được hết những con tằm bệnh, nhưng áp dụng công nghệ có độ chính xác cao có thé loại bỏ gần như tat cả các con tằm bị bệnh. - Mat độ: Các nhà máy tơ lụa, xưởng nuôi tăm hoặc là hộ gia đình có diện tích nuôi tằm lớn khi đến giai đoạn bắt và loại bỏ tăm bệnh, việc thuê hàng chục, hang trăm người dé nhặt bỏ tằm bệnh là rat tốn kém về mặt tiền bạc cũng như sức người. Khi có công nghệ nhận dạng tăm bệnh tự động này tích hợp vào máy móc thiết bị IOT, các xưởng nuôi tằm lớn sẽ không phải tra chi phí thuê lớn dé thuê một số lượng nhiều người cho giai đoạn loại bỏ tăm bệnh nữa.

Tóm lại, việc áp dụng bài toán phân đoạn ảnh trong nhiệm vụ phát hiện tăm bệnh đại diện cho một bước tiến quan trọng trong việc tự động hóa các giai đoạn trong việc nuôi tằm lay kén. Thông qua việc sử dụng các kỹ thuật thị giác máy tính và học sâu tiên tiến, chúng ta có thể nâng cao độ chính xác và hiệu quả của việc chân đoán và phát hiện tăm bệnh giúp cải thiện và hỗ trợ công đoạn nuôi tăm, cải thiện sản lượng kén thu hoạch mang lại hiệu quả cao về mặt kinh tế và góp phần thúc đây ngành công nghiệp tơ lụa nói chung. CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN 2. Các công trình nghiên cứu trong nước Ở Việt Nam, hiện nay đã có một số nghiên cứu khám phá, ứng dụng công nghệ và trí tuệ nhân tạo vào nông nghiệp, đặc biệt là trong việc phát hiện bệnh trên cây trồng và vật nuôi.

Tuy nhiên, số lượng nghiên cứu cụ thê áp dụng các phương pháp hiện đại như học máy, học sâu dé nhận dạng, phát hiện và phân đoạn tằm bệnh vẫn còn hạn chế. Các nghiên cứu liên quan thường chủ yếu tập trung vào áp dụng kỹ thuật, công nghệ để cải thiện quy trình chăn nuôi, thức ăn, chỗ ở cho tằm, lai tạo giống tằm mới, lai tại giống dâu mới, chất lượng kén, sản phẩm tạo ra từ kén và các kỹ thuật phòng chữa bệnh cho tằm. Chắng hạn như đề tài “Xác định Densovirus 27 trên tằm (Bombyx mori) Tai Bảo Lộc (Lâm Đồng)” viết bởi Hà Viết Cường và các cộng sự [10] nghiên cứu về bệnh của tằm, giúp xác định được các triệu chứng, biểu hiện của bệnh thông qua các nội tạng của con tam. Ngoài ra “Nghiên cứu chon tao và phát triển giống tằm sắn tại một số tỉnh miền núi phía Bắc” với Chủ nhiệm đề tài ThS.

Nguyễn Thi Len [11] thực hiện với mục tiêu thu thập, đánh giá một số giống tam san làm nguyên liệu lai tạo, tạo ra giống tằm mới. Cũng với mục tiêu là cải thiện ngành nuôi tăm lấy kén ở nước ta, đề tài “Xác định khả năng truyền nhiễm bệnh hoại huyết qua môi trường phòng nuôi và da tằm” của Nguyễn Thuý Hạnh và cộng sự [12] giúp xác định các đặc điểm sinh học về bệnh bại huyết của con tăm, góp phần giúp ích cho ngành trồng dâu nuôi tằm lấy kén ở Việt Nam ta [12]. Ngoài ra, luận án tiến sĩ nông nghiệp “Nghiên cứu chọn tạo giống dâu lai F1 tam bội thể trồng hạt thích hợp cho vùng Đồng bằng sông Hồng” của tác giả Nguyễn Thị Len [13] đã cho ra được một loại dâu mới làm thức ăn cho con tằm tăng hiệu quả chăn nuôi sản lượng kén cho vùng Đồng bằng sông Hồng. Bài báo nghiên cứu “Bào chế và đánh giá tính chất mặt nạ từ fibroin tơ tằm chứa hoạt chất kháng khuẩn allicin” của tác giả Nguyễn Thị Ngọc Phương thuộc Trường Đại học Công nghệ Đồng Nai [14] đã nghiên cứu bào chế cho ra mặt nạ từ fibroin tơ tằm chứa hoạt chất kháng khuẩn allicin.

Qua các đề tài, dự án nghiên cứu của các nghiên cứu sinh trong nước ta đều cho thấy họ đã có sự áp dụng đáng ké ky thuat tién tién, cong nghé vao linh vuc trong dâu nuôi tam. Tuy nhiên, các nghiên cứu hiện tại trên vẫn chưa thực sự sử dụng các phương pháp, kỹ thuật về thị giác máy tính áp dụng vào lĩnh vực trồng dâu nuôi tằm lấy kén. Chính vì thế trong khóa luận này chúng tôi kế thừa những phát hiện, ưu điểm từ các nghiên cứu trước (như sử dụng các hình dạng, màu sắc, đặc điểm sinh học của con tăm bệnh đã được nghiên cứu và phát hiện) đề triển khai một phương pháp áp dụng kỹ thuật hiện đại tiên tiến như học sâu dé nhận dang và theo vết tằm bệnh trong ảnh dé xử lý một số thách thức khó khăn trong việc loại bỏ tam bệnh ở giai đoạn nuôi.