Chương 1: Tổng quan kỹ thuật giúp mô hình tránh bị hiện tượng quá khớp. - Chương 4: Thực nghiệm và kết quả Trình bày cách xử lý thu thập tập dữ liệu, huấn luyện mô hình, môi trường nghiên cứu. Tiến hành các thực nghiệm đề đánh giá hiệu quả của mô hình. -_ Chương 5: Kết luận và hướng phát triển Trình bày những kết luận, hạn ché và hướng phát triển tiếp theo của nghiên cứu.
12 Chương 2: Bài toán và các nghiên cứu liên quan CHƯƠNG 2. BÀI TOÁN VÀ CÁC NGHIÊN CỨU LIÊN QUAN 21 Tổng quan Để giúp giảm thời gian, công sức va chi phí cho doanh nghiệp, trí tuệ nhân tao được ứng dụng để nhận biết các loại hạt cà phê cũng như phân loại hạt đúng theo yêu cầu. Từ việc phân loại hạt, ta có thê ước tính được khối lượng của chúng dựa trên các nghiên cứu và ứng dụng đã được thực hiện trên thế giới. Việc phát hiện ra chính xác các đối tượng trong một bức ảnh là điều không đơn giản.
Đặc biệt là một đối tượng nhỏ như hạt cà phê thì việc chọn lựa phương pháp, kỹ thuật, mô hình giúp cho hệ thống có thể phát hiện ra mang lại nhiều thách thức cho các nhà nghiên cứu. Muhammed Can Keles và cộng sự [6] trong nghiên cứu phát hiện đối tượng nhỏ so với kích thước hình ảnh. Với phân loại hạt cà phê, nghiên cứu của Luis và cộng sự [7] đã thực hiện phân loại hạt lỗi trên hạt cà phê nhân Robusta bằng cách sử dụng Yolo [5]. Cũng trong một nghiên cứu khác tác giả Mila Jumarlis và cộng sự [8] thì phân loại các hạt cà phê lỗi sử dụng GLCM và K-NN.
Trong nghiên cứu [9] tác giả phân loại hình ảnh hạt cà phê xanh dựa trên các loại hạt lỗi sử dụng mạng thần kinh tích chập. Ước tính khối lượng của các vật thể đã được thực hiện trong một số nghiên cứu tương tự trước đây. Trong dự báo ước lượng bằng CNN [3] để dự báo giá nhà, ước lượng được khối lượng của một vật thông qua hình ảnh thì có các nghiên cứu như Yong Piao, Ansheng Chen và Zhendong Shanh [10] sử dụng mô hình CNN [3] trong dự báo giá nha. Ngoài ra Baohua Zhang va Jun Zhou [11] ước tính bằng thị giác máy tính về khối lượng và trọng lượng của táo bằng cách sử dụng phương pháp đo lường không tiếp xúc và tái tạo 3D.
Chỉ với một thuật toán, một mô hình dé có thé giải quyết tất cả những bài toán (nhận diện, phân loại và ước lượng khối lượng) trong nghiên cứu này là không khả thi, do kết quả sẽ không tối ưu trên tập đữ liệu dẫn đến tính chuẩn xác ở kết quả cuối cùng không cao. Do đó, nghiên cứu nay sẽ ứng dụng nhiều thuật toán, mô hình khác nhau để giải quyết từng mục tiêu bài toán riêng. Dựa vào kết quả liên quan từ các công trình nghiên cứu đã thực hiện trên thế 13 Chương 2: Bài toán và các nghiên cứu liên quan giới, nghiên cứu này ứng dụng các mô hình thuật toán vào từng bài toán cụ thể như bài toán nhận diện hạt cà phê được ứng dụng để có thể bóc tách hạt cà phê từ một ảnh chụp và các hạt đó được đặt trên tờ giấy A4, bài toán phân loại được thực hiện sau khi hạt cà phê đã bóc tách ở phần nhận điện dé thực hiện phân loại hạt vừa bóc tách đó thuộc 1 trong 12 loại loại hạt nào như mô tả trong bảng 3.1, cuối cùng bài toán ước lượng khối lượng sẽ ước lượng xem khối lượng của hạt đó là bao nhiêu. Việc chọn lựa mô hình thuật toán được tham khảo từ [12] một khảo sát các mô hình phát hiện đối tượng dựa trên học sâu hiện đại, đồng thời mô hình thuật toán đó còn phải đảm bảo được các tiêu chí và giả định trong nghiên cứu này như mô hình hiện đại, độ chính xác cao, tốc độ xử lý, ít tốn tài nguyên, dé cài đặt, dé sử dụng, cộng đồng hỗ trợ mạnh và đặc biệt là có thể xử lý được các đối tượng nhỏ như hạt cà phê thì Yolov5 [1], Faster R-CNN [13] và EfficientNet [14] đáp ứng đầy đủ các van đề đó.
Trong phần lấy mẫu giả định rằng tat cả các hat cà phê phải được chọn ngẫu nhiên theo từng loại hạt và sẽ được đặt trên mẫu giấy A4 đề chụp ảnh lấy mẫu và dán nhãn, riêng tập dữ liệu cho bài toán phân loại sẽ phải thực hiện chọn lọc lại từng hình ảnh của từng hạt, để đảm bảo chúng mang những đặc trưng riêng của từng loại hạt đó và không có sự nhằm lẫn, số lượng anh trên mỗi lớp cũng phải đảm bảo theo kiến nghị của mô hình như Yolov5 [1] là 1500 ảnh trên mỗi lớp [15].2 Các bài toán trong nghiên cứu - Bài toán nhận diện đối tượng Nhận điện là một lĩnh vực thuộc về trí tuệ nhân tạo. Khi đó nhận diện mẫu là có khả năng phát hiện ra sự sắp xếp các đặc tính. Trong nhận diện mẫu được chia thành nhiều lĩnh vực khác nhau bao gồm như phân tích dữ liệu lớn, trí tuệ nhân tạo, bảo mật và nhận diện sinh trắc học. Nhận diện đối tượng trong hình ảnh là một phần của nhận diện mẫu.
Chúng được được sử dụng rộng rãi và đang hiện diện trong đời sống của chúng ta hằng ngày, hằng giờ như nhận diện khuôn mặt, chữ viết, đếm số người đi bộ, hệ thông bảo mật, xe không người lái, thiết bị bay không người lái thông qua việc sử dụng các thuật toán và khái niệm học máy. Muhammed Can Keles và cộng sự [6] trong nghiên cứu “Đánh giá các mô hình YOLO với Sliced Inference dé phát hiện đối tượng nhỏ” đã tìm ra hiệu suất của các mô hình phát hiện đối tượng 14 Chương 2: Bài toán và các nghiên cứu liên quan dua trên Yolo [5] hiện đại cho nhiệm vụ phát hiện đối tượng nhỏ. Họ sử dụng bộ đữ liệu VisDrone2019Det [6] để đào tạo, đánh giá các mô hình của mình và tập dữ liệu này là một thách thức với họ ở chỗ hầu hết các đối tượng đều tương đối nhỏ so với kích thước hình ảnh. Ngoài ra cũng còn rất nhiều mô hình thuật toán khác dé nhận diện đối tượng như Faster-RCNN [13],.
Trong nghiên cứu này cũng sẽ sử dụng nhận diện đối tượng cụ thê là nhận diện hạt cà phê trong bức ảnh. Trong nghiên cứu này với bài toán nhận diện thì mô hình thuật toán sẽ được sử dụng bằng là Yolov5 [1] va Faster R-CNN [13] dé nhận diện đối tượng là hạt cà phê và tờ giấy A4 trong một bức ảnh. Sau đó, những kết quả này sẽ được so sánh với nhau để chọn ra mô hình tốt nhất trên tập dữ liệu được sử dụng trong nghiên cứu này. Các phương pháp đo để đánh giá mô hình cho bài toán nhận diện sẽ sử dụng mAP [16] dé đánh giá và chọn lựa mô hình.
- Bài toán phân loại đối tượng Phân loại trong học máy được sử dụng dé phân loại dữ liệu thành các lớp riêng biệt. Đây là một trong những nhiệm vụ phd biến và quan trọng nhất trong học máy, vì chúng giúp ta dự đoán kết quả của một vấn đề nhất định dựa trên các đặc trưng đầu vào. Phân loại là một phương pháp máy học có giám sát trong đó mô hình sẽ dự đoán chính xác nhãn của đữ liệu đầu vào. Theo [17] trong bài toán phân loại, mô hình được huấn luyện đầy đủ bằng cách sử dụng dữ liệu huấn luyện, sau đó kết quả mô hình huấn luyện đó sẽ được đánh giá trên tập dữ liệu thử nghiệm trước khi chúng được sử dụng để thực hiện phân loại trên tập dữ liệu mới chưa được đánh giá.
Phân loại trong học máy còn nhằm mục đích xác định loại quan sát thuộc về loại nào và điều này được thực hiện bằng cách hiểu được mối quan hệ giữa các biến phụ thuộc và biến độc lập. Trong đó, biến phụ thuộc là biến phân loại, còn các biến độc lập có thé là số hoặc phân loại (catelogy). Trên thế giới có rất nhiều nghiên cứu về phân loại hạt nhân cà phê lỗi tiêu biểu là nghiên cứu của Luis và công sự [7] họ sử dụng Yolov5 [1] để xác định các loại hạt cà phê Robusta, nghiên cứu của họ đã xác định các loại hạt cà phê như hạt hỏng, hạt đen và hạt bình thường. Họ kết luận rằng kết quả độ chính xác tổng thé của hệ 15 Chương 2: Bài toán và các nghiên cứu liên quan thống có thể được tính toán, mang lại hiệu quả 95,11% trên cả 3 loại hạt.
Còn tác giả Mila Jumarlis và cộng sự [8] đã phân loại các lỗi của hạt cà phê bằng cách sử dụng GLCM và K-NN. Họ đã triển khai phương pháp GLCM và K-NN để phát hiện lỗi ở hạt cà phê dựa trên hình ảnh. Kết quả cho thấy phương pháp có độ chính xác khi đánh giá hạt cà phê lỗi là 90%. Phương pháp này có thé hỗ trợ nông dân trồng ca phê biết được mức độ khiếm khuyết của hạt cà phê từ quá trình trồng trọt của họ.
Và họ sử dụng phương pháp GLCM để trích xuất các đặc trưng của ảnh cà phê và K-NN để phân loại mức độ lỗi của hạt cà phê. Carlito Pinto và cộng sự [9] thì sử dụng mô hình CNN [3] dé phân loại các loại lỗi của hat cà phê. Mẫu cà phê nhân được dán nhãn thành 6 loại như đen (black), chua (sour), phai (fade), cà phê Culi (peaberry), hạt hư hại (damage) và hạt bình thường (normal). Kết quả của mô hình CNN [3] cho thấy kết quả một số lớp có độ chính xác phân loại tốt trên 90% và một số lớp khác có độ chính xác phân loại thấp hơn là 72% đối với ảnh màu.
Mô hình này có một số lợi thế để phát hiện đặc trưng trên các hình dạng của hình ảnh, chẳng hạn như các tham số của bộ lọc không gian. Tuy nhiên trong phân loại ảnh hạt cà phê sử dụng mô hình CNN [3], đặc tính màu sắc có ảnh hưởng mạnh. Còn nghiên cứu của Ji-Yoon Lee và Young-Seob Jeong [18] trong dự đoán hat cà phê bị lỗi cũng bằng CNN [3] cho két quả độ chính xác của hạt bình thường là 93% va độ chính xác của hạt lỗi là 81%. Vi vậy trong nghiên cứu phân loại hat cà phê nhân này cũng sẽ áp dụng các mô hình máy học để phân loại hạt cà phê, tìm ra các loại hạt cà phê lỗi.
Bài toán phân loại sẽ sử dung Yolov5 [1], Faster R-CNN [13] và EfficientNet [14] dé phân loại 12 loại hạt cà phê, kết quả cũng sẽ được so sánh để chọn ra mô hình tốt nhất.