Đồ án ứng dụng mô hình CNN phân loại bệnh lá cà chua qua Android - ĐH Sư phạm Kỹ thuật TP.HCM

Nghiên cứu ứng dụng mạng học sâu CNN và VGG19 phân loại bệnh lá trên cây cà chua, kết hợp xây dựng ứng dụng Android giúp chẩn đoán bệnh chính xác.

• Tác giả: Đặng Thanh Hưng
• Người hướng dẫn: PGS.TS. Nguyễn Thanh Hải
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật Điện tử - Viễn thông
• Đề tài: Ứng dụng mô hình mạng học sâu CNN trong phân loại bệnh lá trên cây cà chua thông qua ứng dụng Android
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2023
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan nghiên cứu phân loại bệnh lá cà chua bằng CNN tại SPKT

Cây cà chua là loại cây trồng kinh tế phổ biến tại Việt Nam. Năng suất cây cà chua thường giảm sút do nhiều bệnh hại lá nguy hiểm. Đề tài tốt nghiệp tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh tập trung giải quyết bài toán cấp thiết này. Nhóm nghiên cứu thuộc Khoa Đào tạo Chất lượng cao đã xây dựng hệ thống tự động nhận diện mầm bệnh. Nghiên cứu do Phó giáo sư Nguyễn Thanh Hải trực tiếp hướng dẫn khoa học. Hai sinh viên Đặng Thanh Hưng và Trần Thái Hà Nam thực hiện đề tài trong giai đoạn cuối năm 2022 đến đầu năm 2023. Hệ thống khai thác sức mạnh của trí tuệ nhân tạo hiện đại. Cốt lõi kỹ thuật dựa trên mạng nơ-ron tích chập sâu nhằm trích xuất đặc trưng hình ảnh chính xác. Mục tiêu then chốt là mang công nghệ phòng trừ sâu bệnh đến tận tay người trồng trọt. Mô hình phần mềm tích hợp trực tiếp trên điện thoại thông minh Android. Nhờ đó, thao tác chẩn đoán diễn ra thuận tiện và tiết kiệm tối đa chi phí kiểm tra thực địa. Đây là bước tiến quan trọng thúc đẩy chuyển đổi số nông nghiệp.

1.1. Bối cảnh thực hiện đề tài tại ĐH SPKT TP.HCM

Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh luôn tiên phong ứng dụng công nghệ mới. Ngành Công nghệ kỹ thuật Điện tử - Viễn thông chú trọng phát triển các giải pháp gắn liền đời sống sản xuất. Đề tài bắt đầu nhận nhiệm vụ từ tháng 9 năm 2022. Quá trình triển khai kéo dài đến tháng 1 năm 2023. Công trình kế thừa kinh nghiệm từ các nghiên cứu nhận biết bệnh cây trước đó tại trường. Nhóm sinh viên đã tiếp cận nguồn học liệu uy tín để xây dựng phương án kỹ thuật phù hợp. Mục tiêu đề ra là hoàn thiện sản phẩm ứng dụng có tính thực tiễn cao phục vụ người nông dân.

1.2. Mục tiêu tích hợp mô hình CNN trên nền tảng Android

Nghiên cứu hướng tới việc xây dựng phần mềm di động thông minh hoàn chỉnh. Ứng dụng Android đóng vai trò giao diện chính tương tác với người dùng ngoại đồng. Điện thoại thông minh sẽ chụp ảnh lá cây và gửi lên hệ thống máy chủ. Máy chủ vận hành mô hình học sâu CNN để xử lý và phân tích hình ảnh. Hệ thống lập tức trả kết quả dự đoán cùng mức độ tin cậy tương ứng. Ngoài ra, phần mềm cung cấp nguyên nhân gây bệnh và giải pháp khắc phục chi tiết. Việc tích hợp này giúp thu hẹp khoảng cách giữa nghiên cứu học thuật và canh tác thực địa thường ngày.

II. Phân tích vấn đề nhận diện sâu bệnh trên lá cây cà chua thực tế

Cây cà chua rất nhạy cảm với các loại nấm khuẩn và virus gây hại. Những bệnh thường gặp gồm đốm lá, mốc lá, cháy lá và xoăn lá vàng. Trong phương thức canh tác truyền thống, nông dân chủ yếu quan sát lá bằng mắt thường. Cách tiếp cận thủ công này tiềm ẩn nhiều rủi ro sai sót nghiêm trọng. Các triệu chứng bệnh ban đầu thường có biểu hiện màu sắc và hình thái rất giống nhau. Người trồng thiếu kinh nghiệm kỹ thuật chuyên môn dễ đưa ra nhận định sai lầm. Hậu quả là việc phun thuốc bảo vệ thực vật không đúng chủng loại diễn ra phổ biến. Điều này vừa gây lãng phí tài chính, vừa làm thoái hóa đất đai và ô nhiễm môi trường. Bên cạnh đó, việc mời chuyên gia nông nghiệp đến vườn kiểm tra thường tốn kém thời gian và tiền bạc. Dịch bệnh vì vậy lây lan nhanh chóng trên diện rộng trước khi có biện pháp ngăn chặn. Do đó, nhu cầu về một công cụ nhận diện tự động có độ chính xác cao là vô cùng bức thiết. Công nghệ trí tuệ nhân tạo trở thành chìa khóa then chốt giải quyết tận gốc rào cản này.

2.1. Hạn chế của phương pháp chẩn đoán nông nghiệp truyền thống

Phương pháp chẩn đoán truyền thống dựa hoàn toàn vào mắt thường và kinh nghiệm chủ quan. Nhiều loại bệnh lá cà chua có biểu hiện ban đầu rất tương đồng nhau. Chẳng hạn, đốm vi khuẩn và đốm nâu sớm rất khó phân biệt nếu không có chuyên môn sâu. Khi nông dân phát hiện muộn, bệnh đã lây lan khắp ruộng. Sử dụng thuốc bảo vệ thực vật sai cách gây hại lớn đến hệ sinh thái và sức khỏe con người. Đất đai canh tác bị suy giảm độ màu mỡ nghiêm trọng. Ngoài ra, việc gửi mẫu lá đến các phòng thí nghiệm xét nghiệm tốn nhiều ngày chờ đợi. Chi phí đi lại và thuê chuyên gia thường vượt quá khả năng tài chính của hộ gia đình nhỏ lẻ.

2.2. Khó khăn trong xử lý ảnh lá cây ở môi trường tự nhiên

Hình ảnh chụp ngoài đồng ruộng luôn tiềm ẩn nhiều nhiễu phức tạp. Điều kiện ánh sáng thay đổi thất thường theo từng thời điểm trong ngày. Góc chụp lá bị nghiêng hoặc rung lắc làm mờ chi tiết tổn thương. Nền ảnh chứa nhiều tạp chất như cỏ dại, đất cát và ánh nắng phản chiếu. Những yếu tố này làm giảm độ chính xác của các thuật toán nhận dạng thông thường. Nếu đưa trực tiếp ảnh thô vào mạng học sâu, mô hình dễ nhận diện sai lệch. Do đó, quá trình tiền xử lý ảnh trở thành bước kỹ thuật mang tính sống còn. Cần có giải pháp tách nền hiệu quả để trích xuất nguyên vẹn vùng bệnh phục vụ khâu phân loại.

III. Giải pháp mạng CNN VGG19 kết hợp Android phân loại bệnh lá cà chua

Nhóm tác giả tại ĐH SPKT TP.HCM đề xuất giải pháp kỹ thuật toàn diện kết hợp xử lý ảnh số và trí tuệ nhân tạo. Tập dữ liệu ảnh lá cây được thu thập từ nguồn cơ sở dữ liệu mở PlantVillage danh tiếng. Quy trình tiền xử lý chuyển đổi không gian màu RGB sang HSV nhằm phân lập sắc độ chuẩn xác. Mặt nạ nhị phân được tạo ra dựa trên ngưỡng màu sắc và tinh chỉnh bằng phép toán hình thái học. Vùng lá bệnh được tách biệt hoàn toàn khỏi nền đen trước khi đưa vào mạng huấn luyện. Mô hình học sâu lựa chọn kiến trúc mạng VGG19 với cấu trúc 16 lớp tích chập và 3 lớp kết nối đầy đủ. Các bộ lọc tích chập kích thước 3x3 kết hợp hàm kích hoạt ReLU giúp trích xuất sâu các đường nét hoa văn tổn thương. Các lớp Max Pooling giảm kích thước không gian và tối ưu hóa tài nguyên tính toán. Mô hình sau khi huấn luyện được đóng gói và vận hành trên máy chủ dịch vụ. Thiết bị di động chạy hệ điều hành Android đảm nhận việc chụp ảnh và hiển thị kết quả chẩn đoán tức thời.

3.1. Kỹ thuật tiền xử lý ảnh và trích xuất đặc trưng với mạng VGG19

Quy trình tiền xử lý đóng vai trò quyết định độ chính xác của toàn hệ thống. Ảnh gốc được chuyển đổi sang không gian màu HSV để phân đoạn màu sắc lá bệnh. Thuật toán thiết lập ngưỡng giới hạn trên và dưới để lọc bỏ toàn bộ hậu cảnh rườm rà. Tiếp theo, mặt nạ nhị phân được lấp đầy các khoảng trống thông qua phép toán hình thái học co ảnh. Kết quả ánh xạ tạo ra bức ảnh có nền đen thuần và giữ trọn vẹn đường vân bệnh hại. Mô hình VGG19 tiếp nhận dữ liệu ảnh đã tiền xử lý. Mạng trích xuất đặc trưng qua 5 khối tích chập liên tiếp với 512 bộ lọc ở các lớp sâu. Quá trình này giúp mô hình nắm bắt từ góc cạnh vi mô đến cấu trúc tổng thể của vết bệnh.

3.2. Thiết kế kiến trúc kết nối ứng dụng Android với máy chủ

Hệ thống được tổ chức theo mô hình máy khách và máy chủ qua Internet. Ứng dụng Android chạy trực tiếp trên thiết bị cầm tay của người sử dụng. Giao diện được thiết kế đơn giản và tối ưu cho người nông dân. Người dùng chỉ cần chụp ảnh lá cây hoặc tải ảnh từ thư viện ảnh máy bay không người lái. Dữ liệu hình ảnh được nén nhẹ và gửi lên máy chủ thông qua giao thức mạng an toàn. Máy chủ chứa mô hình học sâu VGG19 tiến hành tính toán phân loại nhanh chóng. Cơ sở dữ liệu liên kết trả về tên bệnh, độ tin cậy và hướng dẫn điều trị chi tiết. Thời gian phản hồi diễn ra chỉ trong vài giây ngay khi có kết nối Internet ổn định.

IV. Ứng dụng thực tiễn mô hình CNN phân loại bệnh lá cà chua Android

Đề tài nghiên cứu tại Trường Đại học Sư phạm Kỹ thuật TP.HCM mang lại giá trị thực tiễn to lớn cho sản xuất nông nghiệp công nghệ cao. Hệ thống chứng minh khả năng tự động hóa việc chẩn đoán bệnh lá cà chua với độ chính xác vượt trội. Việc kết hợp mạng CNN VGG19 và nền tảng Android xóa bỏ hoàn toàn rào cản kỹ thuật phức tạp đối với người nông dân. Người trồng cây dễ dàng tiếp cận kho tri thức nông nghiệp chuẩn xác chỉ qua vài thao tác đơn giản trên điện thoại. Ứng dụng giúp phát hiện dịch bệnh từ giai đoạn ủ bệnh ban đầu, từ đó ngăn chặn sự lây lan kịp thời. Nhờ vậy, lượng thuốc hóa học phun ra môi trường được cắt giảm đáng kể, giúp bảo vệ đất đai và nguồn nước sinh hoạt. Chi phí sản xuất được tối ưu hóa, đồng thời chất lượng quả cà chua thương phẩm tăng lên rõ rệt. Đề tài mở ra tiềm năng lớn trong việc mở rộng nhận diện bệnh trên nhiều loại cây trồng khác tại Việt Nam.

4.1. Lợi ích đối với người nông dân và canh tác nông nghiệp số

Sản phẩm mang lại lợi ích kinh tế trực tiếp cho các nhà vườn trồng cà chua. Người dân không còn phụ thuộc vào phán đoán cảm tính hay tốn chi phí thuê chuyên gia. Thao tác sử dụng đơn giản giúp mọi đối tượng lao động đều tiếp cận dễ dàng. Việc phát hiện bệnh sớm giúp điều trị đúng lúc và đúng phương pháp. Nông dân chủ động giảm thiểu lượng thuốc trừ sâu sử dụng trên đồng ruộng. Năng suất mùa vụ nhờ đó được bảo toàn ở mức tối đa. Sản phẩm nông sản thu hoạch đáp ứng tốt các tiêu chuẩn an toàn thực phẩm khắt khe. Mô hình đóng góp thiết thực vào xu hướng chuyển đổi nông nghiệp thông minh tại Việt Nam.

4.2. Hướng phát triển và hoàn thiện hệ thống trong tương lai

Hệ thống nhận diện bệnh lá cây sở hữu tiềm năng phát triển rất lớn. Trong các giai đoạn tiếp theo, nhóm nghiên cứu có thể mở rộng tập dữ liệu sang nhiều loại cây ăn quả và hoa màu khác. Việc nâng cấp mô hình với các kiến trúc học sâu gọn nhẹ hơn như MobileNet sẽ cho phép xử lý trực tiếp ngoại tuyến mà không cần máy chủ. Hệ thống cũng có thể kết hợp thêm cảm biến đo độ ẩm và nhiệt độ đất để cảnh báo sớm nguy cơ bùng phát dịch bệnh. Việc xây dựng cộng đồng chia sẻ kinh nghiệm trên ứng dụng sẽ tăng tính gắn kết giữa chuyên gia và nhà nông. Những nâng cấp này hứa hẹn tạo nên giải pháp quản lý cây trồng toàn diện.

Trích đoạn nội dung tài liệu

đặt vấn đề, dẫn nhập lý do chọn đề tài, mục tiêu, nội dung nghiên cứu, các giới hạn đề tài và bố cục đồ án. Chương 2: Cơ sở lý thuyết Chương này trình bày lý thuyết cơ sở làm tiền đề để thực hiện đồ án, sử dụng các đề tài đã được nghiên cứu làm cơ sở để tham khảo. Chương 3: Thiết kế hệ thống Chương này trình bày quá trình xây dựng mô hình mạng học sâu và thiết kế ứng dụng điện thoại. Chương 4: Kết quả và đánh giá Đưa ra kết quả, hình ảnh mô hình và nêu ý kiến đánh giá mô hình.

Chương 5: Kết luận và hướng phát triển Đưa ra kết luận đề tài sau thời gian thực hiện và hướng phát triển của đề tài. Các nghiên cứu về phát hiện bệnh lá trên cây cà chua Trong nghiên cứu “Khảo sát ứng dụng học sâu trong chẩn đoán bệnh cây và kiến nghị công cụ phát triển thích hợp” [4] của Ahmad và đồng nghiệp đã đề xuất các mô hình dựa trên CNN để chẩn đoán bệnh cây cà chua bằng cách sử dụng kiến trúc phát hiện đối tượng cùng với VGG16, ResNet50, MobileNet, ResNet101 và thuật toán Fast R-CNN và Mask R-CNN. Fast R-CCN được sử dụng để phát hiện bệnh và Mask R-CNN để phân vùng vùng bị bệnh ảnh hưởng. Kết quả cho thấy, ResNet101 có tỷ lệ phát hiện tốt nhất nhưng yêu cầu nhiều thời gian huấn luyện và kiểm thử dài nhất, trong khi MobileNet với thời gian nhanh nhất nhưng kém chính xác hơn ResNet101.

Nithish với đề tài “Phát hiện bệnh lá cà chua áp dụng CNN với dữ liệu tăng cường” [5] đã thảo luận về việc áp dụng ResNet50, để phân loại bệnh cây cà chua bằng cách sử dụng tăng cường và chuyển đổi dữ liệu tạo ra một tập dữ liệu lớn từ tập dữ liệu gốc đã cho, tăng hiệu suất của hệ thống phân loại và tránh hiện tượng quá khớp. Để phân loại, mô hình chia thành hai giai đoạn: ở giai đoạn đầu, phân loại lá khỏe mạnh hoặc không khỏe mạnh, và nếu không khỏe mạnh, lá được phân loại là bệnh ở giai đoạn thứ hai. Verma với nghiên cứu “Ứng dụng CNN để đánh giá mức độ nghiêm trọng của bệnh trạng trên cây cà chua” [6] đã nhấn mạnh việc sử dụng ba mô hình CNN khác nhau, AlexNet, SqueezeNet và Inception V3, để xác định mức độ gây bệnh early blight trên cây cà chua ở giai đoạn đầu, giữa và cuối, sử dụng tập dữ liệu của một số loại hình ảnh lá cà chua từ tập dữ liệu PlantVillage. Để có hiệu suất tốt hơn, việc triển khai các mô hình được thực hiện theo hai cách - trích xuất đặc trưng và học chuyển giao, trong đó SVM đa lớp được huấn luyện bằng cách sử dụng các đặc trưng đã trích xuất.

Cuối cùng, nghiên cứu đã đánh giá hiệu suất của cả ba mô hình dựa trên các tham số là độ chính xác của bộ phân loại, F1-score và recall. Moussa trong nghiên cứu “Hệ thống phát hiện và ước lượng bệnh trạng cây cà chua trồng trong nhà xanh” [7] đã đề xuất một phương pháp phát hiện bệnh dựa trên đặc điểm chung sử dụng kiến trúc ResNet50, được kết hợp với phép đo mức độ nghiêm trọng của bệnh dựa trên tỷ lệ diện tích bị hại với diện tích toàn bộ lá. Nghiên cứu phác thảo và so sánh kết quả của các biến thể khác nhau của các mô hình, bao gồm một hệ thống phân loại nhị phân cho các lá bị bệnh và khỏe mạnh và một hệ thống khác với mười lớp (9 cho các loại 4 bệnh khác nhau và 1 cho các lá khỏe mạnh), được đào tạo và thử nghiệm trên các kết quả tăng cường khác nhau bộ dữ liệu hình ảnh. Kết quả nghiên cứu cho thấy rằng một mô hình có lớp nhị phân (khỏe mạnh và bị bệnh) có khả năng tổng quát hóa tốt hơn so với mô hình 10 lớp và các lá bị bệnh chỉ có thể được xác định bằng hình dạng của chúng.

Và ngoài ra, phương pháp diện tích bị bệnh theo tỷ lệ được sử dụng để phát hiện mức độ nghiêm trọng chỉ thích hợp cho các triệu chứng cục bộ và rời rạc thường do các bệnh như nấm và các đốm vi khuẩn gây ra. Nó không phù hợp với các triệu chứng có hệ thống như các triệu chứng vi rút như bệnh úa lá, xoăn lá và còi cọc. Tóm tắt thông số của các nghiên cứu gần đây. Đối Mô hình sử Tiêu chí Tập dữ liệu Tỉ lệ theo Tài liệu tượng dụng đánh giá tiêu chí tham nghiên đánh giá khảo cứu (%) Cà chua Fast R-CNN, Độ chính Ảnh mạng 99,64 [4] Mask R-CNN xác (ResNet101) cho VGG16, RestNet50, ResNet101 và MobileNet Lá cà RestNet50 Độ chính PlantVillage 97 [5] chua xác Lá cà AlexNet Độ chính PlantVillage 93,40 [6] chua SqueezeNet xác, F1- 90,76 score, Inception V3 Recall 90,43 Lá cà ResNet, U-Net Độ chính PlantVillage 94 [7] chua xác Sau khi tìm đọc và tham khảo các nghiên cứu, nhóm đã tổng hợp được các thông tin cốt lõi và đóng vai trò quan trọng trong việc định hướng và nghiên cứu phát triển đề tài của bản thân.1 bên trên đã tóm tắt việc kiểm tra từng thông số của các nghiên cứu dựa trên các mô hình mạng học sâu.

Từ dữ liệu dạng bảng này, nhóm đã khám phá thêm nhiều thông tin về cây cà chua, bản chất và các bộ phân loại, loại tập dữ liệu và độ chính xác cao nhất mà các bộ phân loại khác nhau đạt được. Phần lớn các phương pháp dựa trên học tập sâu sử dụng mạng neural tích chập (CNN) 5 hoặc một biến thể của CNN làm mô hình cơ sở của chúng, để phát hiện và phân loại bệnh thực vật với bộ dữ liệu PlantVillage. Hầu hết các công trình nghiên cứu được tóm tắt trong Bảng 2.1 đều sử dụng các mô hình học sâu được đào tạo trước trên hình ảnh lá cà chua. Vì vậy, với các mô hình học sâu, có hai điểm cần lưu ý: - Bộ dữ liệu đủ lớn về các hình ảnh thực vật có liên quan để đào tạo hiệu quả và tổng quát hóa trên các hình ảnh thực tế.

- Cần có một số loại xử lý trước hoặc tối ưu hóa hình ảnh cho việc trích xuất và trích chọn đặc trưng để phát hiện và phân đoạn vùng tổn thương một cách hiệu quả từ hình ảnh lá cây đầu vào. Bệnh hại trên lá cây cây cà chua 2. Khái quát về các bệnh thường gặp Việt Nam là một nước phát triển từ nông nghiệp, đây cũng là ngành quan trọng trong nền kinh tế nước nhà. Vì thế, để có thể đảm bảo được sức khỏe cây trồng luôn là vấn đề được quan tâm hàng đầu của mỗi nhà nông.

Trong đó, hình ảnh lá cây là một dữ liệu và thông tin vô cùng quan trọng trong Khoa học Y Sinh, vì nó phản ảnh được trực tiếp tình trạng cây trồng. Đồng thời, các bệnh lá cây cũng ảnh hưởng to lớn đến năng suất và chất lượng của nông sản. Điển hình như cây cà chua, loại rau quả được trồng nhiều thứ hai trên thế giới, có thể phải chịu hơn 200 loại bệnh hại khác nhau trong suốt quá trình được trồng trọt. Qua đó, có thể thấy được cây cà chua là một loại cây trồng nông nghiệp dễ chịu tổn thương và mắc các loại bệnh hại.

Dưới đây, nhóm sẽ trình bày 4 loại bệnh thường gặp trên lá cây cà chua, đồng thời Hình 2.1 sẽ cụ thể và tổng hợp lại hình ảnh của 4 loại bệnh lá cây cà chua vừa liệt kê. - Đốm lá Septoria: Đây là bệnh đốm lá gây ra bởi nấm Septoria, tạo ra các mảng nhỏ hình tròn với tâm màu trắng xám và viền sẫm màu. Lá cà chua khi bị bệnh này sẽ chuyền sang màu vàng, khô héo và rụng. - Úa sớm: Một loại nấm gây bệnh cà chua khác, Alternaria, gây ra bệnh bác lá sớm.

Dấu hiệu đầu tiền cho thấy cây bị nhiễm bệnh là sự xuất hiện của các đốm nâu sẫm trên các lá tầm thấp. - Úa muộn: Bệnh này có tốc độ lây lan nhanh trên cây cà chua, gây ra bời nấm Phytophthora infestans, thường vào những thời điểm thời tiết mát mẻ, mưa nhiều. 6 Đặc biệt, bệnh này cũng gây ảnh hướng đến cây khoai tây và có khả năng lan truyền sang cây cà chua. - Xoăn vàng lá: Do virus TYCLV gây ra trên nhiều loại thực vật nhưng phổ biến ở cây cà chua.

Cây bị bệnh lá sẽ biến màu vàng nhạt trong khi gân lá còn xanh, tạo thành những vết xanh vàng loang lổ, sau đó teo lại. Một số bệnh lá trên cây cà chua:(a) Đốm lá Septoria, (b) Úa sớm, (c) Úa muộn, (d) Xoăn vàng lá. Các tác nhân chính gây ra bệnh hại trên lá cây cà chua Hàng loạt các bệnh hại có trong nông nghiệp có thể xuất hiện trên cây trồng, đặc biệt là cây cà chua – đối tướng nghiên cứu chính trong đề tài này. Điều này có thể dẫn đến những ảnh hưởng bất lợi tới sản lượng cây trồng nông nghiệp nói chung và cây cà chua nói riêng.

Qua khảo sát và nghiên cứu các tài liệu tham khảo, nhóm nhận thấy rằng có rất nhiều yếu tố gây ra các bệnh hại ở các giai đoạn phát triển của cây cà chua. Vì vậy, để có thể dễ tiếp cận hơn với bệnh hại trên cây cà chua, nhóm đã rút gọn và phân nhóm các tác nhân thành 2 nhóm chính là: các tác nhân sinh học và các tác nhân phi sinh học. Các tác nhân sinh học như virus, nấm, vi khuẩn, ve, ruồi,… sẽ gây hại trực tiếp và nhanh chóng cho cây bị nhiễm, trong khi các tác nhân phi sinh học sẽ gây ra sự cản trở phát triển trong quá trình sinh trưởng của cà chua như: nước, nhiệ độ, ánh sáng và thiếu dinh dưỡng, Hình 2.2 bên dưới sẽ mô tả rõ ràng hơn về điều này. Các tác nhân gây bệnh trên cây cà chua.

Các phương pháp xử lí ảnh 2. Thuật toán phân cụm K-means Các dịch vụ và sử dụng dữ liệu đã trở thành xu hướng chủ đạo của thời đại thông tin ngày nay. Với lượng dữ liệu khổng lồ và sự phức tạp của các tính toán lặp 8 đi lặp lại trong hoạt động, các mô hình điện toán truyền thống đã trở nên khó xử lý hơn với khối lượng dữ liệu tăng theo cấp số nhân. Do đó, thuật toán phân cụm cho các nền tảng cụm phân tán đã trở thành một vấn đề cấp bách cần được giải quyết.

Trong đó, thuật toán K-means là một trong những thuật toán cơ bản nhất và có hiệu suất cao được sử dụng phổ biến rộng rải ở đa nền tảng có liên quan đến phân tích dữ liệu.