Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh trí tuệ nhân tạo (AI), học máy (Machine Learning) và học sâu (Deep Learning) phát triển nhanh chóng, các kỹ thuật này đã và đang được triển khai sâu rộng vào nhiều lĩnh vực như y tế, giáo dục, giao thông và dịch vụ nhằm giải quyết các bài toán nhận dạng phức tạp. Trong nông nghiệp, cùng với sự đa dạng hóa của các giống cây trồng, các loại bệnh hại xuất hiện ngày càng nhiều và nguy hiểm hơn, đe dọa trực tiếp đến sản lượng và chất lượng lương thực, ảnh hưởng tới an ninh lương thực toàn cầu.

Phương pháp phát hiện bệnh hại cây trồng truyền thống chủ yếu dựa vào việc quan sát, kiểm tra thủ công của nông dân hoặc chuyên gia nông nghiệp. Cách tiếp cận này bộc lộ hạn chế lớn về mặt chi phí và thời gian, không đáp ứng được tính kịp thời và khó mở rộng trên quy mô hàng triệu trang trại vừa và nhỏ. Do đó, việc ứng dụng thị giác máy tính và học sâu để nhận diện tự động bệnh hại qua ảnh chụp lá cây là một nhu cầu cấp thiết.

Đề tài "Ứng dụng học sâu cho bài toán nhận diện ảnh" do sinh viên Trần Như Thuận và Lương Uy Long thực hiện dưới sự hướng dẫn của ThS. Quách Đình Hoàng tại Khoa Công nghệ Thông tin, Trường Đại học Sư phạm Kỹ thuật TP.HCM (giai đoạn 2018 – 2022) nhằm giải quyết bài toán trên.

Mục tiêu nghiên cứu tổng quát của đề tài là nghiên cứu các phương pháp phát hiện đối tượng bằng kỹ thuật học sâu và áp dụng các kiến trúc mạng nơ-ron tích chập (VGG, MobileNetV2, ResNet) để nhận dạng loại bệnh hại cây trồng thông qua lá một cách nhanh chóng và chính xác hơn so với phương pháp kiểm tra thủ công.

Các nhiệm vụ nghiên cứu cụ thể được xác định trong văn bản gồm:

  1. Tìm hiểu khái quát Deep Learning trong Computer Vision.
  2. Tìm hiểu biểu diễn ảnh trong máy tính và kỹ thuật Image Recognition.
  3. Thu thập và xây dựng tập dữ liệu hình ảnh bệnh hại cây trồng.
  4. Xử lý dữ liệu và tạo mô hình huấn luyện dựa trên các kiến trúc học sâu.
  5. Xây dựng ứng dụng minh họa (Plant Disease Prediction).
  6. Đánh giá thực nghiệm và đề xuất hướng phát triển đề tài.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Tập hợp hình ảnh thu thập từ lá của các loại cây trồng khỏe mạnh và mang các loại bệnh hại khác nhau; các kiến trúc mạng nơ-ron tích chập bao gồm VGG (VGG16, VGG19), MobileNetV2 và ResNet (ResNet34).
  • Phạm vi nghiên cứu: Tập trung vào bài toán phân loại ảnh (Image Classification) ứng dụng trong nhận dạng bệnh cây trồng qua lá; thời gian thực hiện khóa luận diễn ra từ ngày 04/03/2022 đến ngày 08/07/2022.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp nghiên cứu lý thuyết nền tảng về thị giác máy tính và xây dựng hệ thống phần mềm thực nghiệm. Cơ sở lý luận và phương pháp kỹ thuật được triển khai bao gồm:

  • Khung lý thuyết và mô hình toán học:

    • Mạng nơ-ron nhân tạo (ANN): Cấu trúc kết nối các node (neuron) qua các trọng số $w$ và độ lệch bias $b$; nguyên lý truyền thẳng và lan truyền ngược (Backpropagation) dựa trên thuật toán tối ưu Gradient Descent (SGD).
    • Hàm kích hoạt (Activation Functions): Hàm Sigmoid, hàm Tanh, hàm ReLU ($f(x) = \max(0, x)$), Leaky ReLU, ReLU6 (giới hạn biên trên bằng 6 nhằm chống bùng nổ đạo hàm - exploding gradient, sử dụng trong MobileNetV2), và hàm Softmax tại lớp phân loại đầu ra đa lớp.
    • Mạng nơ-ron tích chập (CNN): Các phép toán tích chập 2D (Convolution 2D), kỹ thuật đệm (Padding), bước nhảy (Stride), các tầng gộp mẫu (Max Pooling, Average Pooling), và các tầng kết nối đầy đủ (Fully Connected Layers).
    • Kỹ thuật học chuyển giao (Transfer Learning): Tận dụng các mô hình học sâu được huấn luyện trước (pre-trained models) trên các bộ dữ liệu lớn làm mạng cơ sở (base network), đóng băng trọng số trích xuất đặc trưng và huấn luyện lại bộ phân loại.
    • Kiến trúc nâng cao: Cấu trúc mạng VGG16, VGG19; kiến trúc ResNet34 với khối dư (Residual Block) sử dụng kết nối tắt (skip connection) giải quyết vấn đề suy giảm đạo hàm (Vanishing Gradient); kiến trúc MobileNetV2 với tích chập tách biệt chiều sâu (Depthwise Separable Convolution) gồm Depthwise Convolution và Pointwise Convolution kết hợp khối đảo ngược phần dư (Inverted Residual Block).

  • Phương pháp nghiên cứu:

    • Phân tích - tổng hợp lý thuyết: Thu thập, phân loại và hệ thống hóa các tài liệu khoa học về thị giác máy tính, xử lý ảnh số, các kiến trúc mạng nơ-ron tích chập và chuyển giao tri thức.
    • Phương pháp thực nghiệm mô hình: Thu thập và tiền xử lý bộ dữ liệu ảnh lá cây; tiến hành huấn luyện (training), kiểm định (validation) và đánh giá độ chính xác (accuracy), độ mất mát (loss) trên tập dữ liệu kiểm tra (testing).
    • Phương pháp kỹ thuật phần mềm: Thiết kế và xây dựng giao diện ứng dụng web ("Plant Disease Prediction") cho phép tải ảnh lá cây lên hệ thống để phân loại và trả về kết quả chẩn đoán bệnh.

  • Nguồn dữ liệu: Dữ liệu hình ảnh lá cây trồng gồm các mẫu lá khỏe mạnh và các mẫu lá mang bệnh hại được nhóm tác giả thu thập và phân chia thành các tập huấn luyện, kiểm định và kiểm tra độc lập.

Thành phần nghiên cứu Mô tả chi tiết theo văn bản
Loại hình nghiên cứu Nghiên cứu ứng dụng kỹ thuật và xây dựng hệ thống phần mềm
Kỹ thuật cốt lõi Convolutional Neural Networks (CNN), Transfer Learning
Kiến trúc mô hình VGG16, VGG19, ResNet34, MobileNetV2
Cơ chế đặc thù Depthwise Separable Convolution, Residual Block, ReLU6
Sản phẩm đầu ra Mô hình phân loại bệnh cây trồng và Website ứng dụng minh họa

Nội dung chính theo từng chương

Chương 1: Tìm hiểu Deep Learning

Chương 1 trình bày tổng quan về học sâu trong mối quan hệ với học máy (Machine Learning) và trí tuệ nhân tạo (AI). Tác giả khái quát lịch sử phát triển của mạng nơ-ron nhân tạo từ mô hình phân loại nhị phân đầu tiên của McCulloch - Pitts (1943), thuật toán Perceptron của Rosenblatt (những năm 1950) làm tiền đề cho SGD, giai đoạn trì trệ sau hạn chế của Perceptron tuyến tính trong bài toán XOR được chứng minh bởi Minsky và Papert (1969), cho đến khi thuật toán lan truyền ngược (Backpropagation) của Werbos, Rumelhart và LeCun phục hồi lĩnh vực này.

Chương này làm rõ khái niệm học phân cấp (Hierarchical Learning) – điểm khác biệt căn bản giữa học sâu và học máy truyền thống: thay vì trích xuất đặc trưng thủ công (màu sắc, kết cấu, hình dạng), CNN tự động học các đặc trưng từ mức thấp (cạnh, góc, đường viền) đến mức cao trừu tượng. Tác giả cũng giải thích định nghĩa về độ "sâu" của mô hình, mối tương quan giữa lượng dữ liệu và độ chính xác phân loại của mô hình học sâu so với các thuật toán truyền thống.

Chương 2: Artificial Neural Network

Chương 2 mô tả chi tiết cấu trúc và nguyên lý hoạt động của mạng nơ-ron nhân tạo (ANN). Mạng được lấy cảm hứng từ cấu trúc nơ-ron sinh học (gồm thân nơ-ron soma, sợi nhánh dendrites, và sợi trục axon). Cấu trúc một mạng gồm tầng đầu vào (Input layer), các tầng ẩn (Hidden layers) và tầng đầu ra (Output layer). Mỗi nơ-ron thực hiện việc tính tổng tuyến tính có trọng số và bias:

$$Y = \sum_{i=1}^{n} X_i W_i + b$$

Sau đó giá trị này được đưa qua hàm kích hoạt phi tuyến (Activation function). Chương này phân tích chi tiết công thức, đạo hàm và đồ thị của các hàm kích hoạt quan trọng:

  • Hàm Sigmoid: $f(x) = \frac{1}{1 + e^{-x}}$, dải giá trị $(0, 1)$, dễ gặp triệt tiêu gradient ở vùng bão hòa.
  • Hàm Tanh: $\tanh(x) = \frac{e^x - e^{-x}}{e^x + e^{-x}}$, dải giá trị $(-1, 1)$, đối xứng qua gốc tọa độ, giúp chuẩn hóa dữ liệu tầng ẩn về trung bình 0.
  • Hàm ReLU: $f(x) = \max(0, x)$, tốc độ hội tụ nhanh gấp 6 lần Tanh, đạo hàm đơn giản triệt tiêu hiện tượng vanishing gradient khi $x > 0$, tuy nhiên gặp lỗi "dying ReLU" khi $x < 0$.
  • Các biến thể cải tiến: Leaky ReLU ($f'(x) = \alpha x$ khi $x < 0$), PReLU và ReLU6 (chặn biên trên tại 6 nhằm tránh bùng nổ đạo hàm).
  • Hàm Softmax: Sử dụng ở tầng đầu ra để chuyển đổi các giá trị đầu ra thành phân phối xác suất cho bài toán phân loại đa lớp.

Chương 3: Ảnh trong máy tính

Chương 3 trình bày cách thức biểu diễn ảnh kỹ thuật số trong máy tính. Tác giả phân tích hệ màu RGB được tạo thành từ ba kênh màu Đỏ (Red), Lục (Green) và Lam (Blue), với mỗi giá trị pixel nhận giá trị nguyên từ 0 đến 255 (tạo ra $256^3 \approx 16.777.216$ màu sắc).

  • Ảnh màu kích thước $H \times W$ được biểu diễn dưới dạng Tensor 3 chiều với kích thước $H \times W \times 3$, tương ứng với 3 ma trận kênh màu.
  • Ảnh xám (Grayscale) được biểu diễn bằng một ma trận đơn 2 chiều kích thước $H \times W$, trong đó mỗi giá trị pixel nằm trong đoạn $[0, 255]$ (0 là màu đen, 255 là màu trắng).
  • Phương pháp chuyển đổi từ ảnh màu sang ảnh xám sử dụng công thức tổng hợp trọng số: $x = r \times 0.299 + g \times 0.587 + b \times 0.114$.

Chương 4: Convolutional Neural Network

Chương 4 phân tích cấu trúc và cơ chế hoạt động của mạng nơ-ron tích chập (CNN). Nội dung tập trung vào phép toán tích chập giữa ma trận ảnh đầu vào $X$ và ma trận bộ lọc (kernel) $W$ kích thước $k \times k$ (với $k$ là số lẻ như $1, 3, 5, 7...$). Phép toán tính tổng tích từng phần tử (element-wise multiplication) tạo ra bản đồ đặc trưng (Feature map).

Tác giả giải thích các khái niệm kỹ thuật đi kèm:

  • Kỹ thuật đệm viền (Padding): Bổ sung các giá trị 0 quanh viền ma trận để bảo toàn kích thước không gian sau khi tích chập.
  • Bước nhảy (Stride): Khoảng cách dịch chuyển của kernel trên ảnh.
  • Tầng gộp (Pooling Layer): Gồm Max Pooling và Average Pooling, giúp giảm kích thước không gian của feature map, giảm khối lượng tính toán và tạo tính bất biến vị trí.
  • Tầng kết nối đầy đủ (Fully Connected Layer): Duỗi phẳng các feature map thành vector đặc trưng một chiều và kết nối với các node đầu ra để phân loại.

Chương 5: Image Recognition

Chương 5 hệ thống hóa bài toán nhận dạng hình ảnh (Image Recognition) trong mối liên hệ với các tác vụ thị giác máy tính khác như phân loại ảnh (Image Classification), phát hiện đối tượng (Object Detection), phân vùng ảnh (Image Segmentation). Tác giả chỉ ra những thách thức trong nhận dạng ảnh thực tế như sự thay đổi góc nhìn, tỷ lệ, biến dạng, điều kiện chiếu sáng, tắc nghẽn và biến thể nội lớp.

Đặc biệt, chương này đi sâu vào kỹ thuật học chuyển giao (Transfer Learning). Tác giả so sánh hiệu quả giữa việc huấn luyện mô hình từ đầu (train from scratch) và sử dụng mô hình được huấn luyện trước (pre-trained model). Nghiên cứu phân tích kiến trúc mạng VGG16, VGG19 của nhóm Visual Geometry Group với cấu trúc sử dụng các kernel kích thước nhỏ $3 \times 3$ xếp chồng lên nhau, đánh giá ưu điểm và hạn chế khi ứng dụng làm mạng trích xuất đặc trưng cơ sở (base network).

Chương 6: Tìm hiểu mạng MobileNet V2 và ResNet

Chương 6 tập trung phân tích sâu hai kiến trúc học sâu hiện đại phục vụ bài toán phân loại:

  • Tích chập tách biệt chiều sâu (Depthwise Separable Convolution - DSC): Phân tích sự khác biệt giữa tích chập 2D thông thường và DSC. DSC chia quá trình tích chập thành hai bước: Depthwise Convolution (áp dụng một bộ lọc cho từng kênh riêng biệt) và Pointwise Convolution (sử dụng kernel $1 \times 1$ để kết hợp các kênh), giúp giảm đáng kể số lượng tham số và chi phí tính toán so với tích chập tiêu chuẩn.
  • Kiến trúc MobileNetV2: Sử dụng khối Inverted Residual và tuyến tính điểm nghẽn (Linear Bottleneck), kết hợp hàm kích hoạt ReLU6 để tối ưu hóa hiệu năng tính toán trên các thiết bị di động và nhúng.
  • Kiến trúc ResNet34: Phân tích giải pháp khắc phục hiện tượng suy giảm gradient (Vanishing Gradient) thông qua các khối phần dư (Residual Block) với đường kết nối tắt (Skip Connection), cho phép huấn luyện các mạng nơ-ron có độ sâu lớn mà không bị suy giảm hiệu năng.

Chương 7: Xây dựng ứng dụng Plant Disease Prediction

Chương 7 trình bày quá trình thực nghiệm và triển khai sản phẩm ứng dụng. Nhóm tác giả tiến hành:

  1. Thu thập và tiền xử lý dữ liệu: Xây dựng tập dữ liệu ảnh lá cây trồng mang các dấu hiệu bệnh hại khác nhau và lá khỏe mạnh.
  2. Huấn luyện mô hình: Thiết lập và tinh chỉnh các mô hình học sâu, theo dõi các chỉ số độ chính xác (Accuracy) và hàm mất mát (Loss) qua các lần huấn luyện (Epochs) trên cả tập huấn luyện (Training set) và tập kiểm định (Validation set).
  3. Đánh giá thực nghiệm: Kiểm thử mô hình trên tập kiểm tra (Testing set) độc lập thông qua các biểu đồ phân tích độ chính xác và độ mất mát.
  4. Xây dựng ứng dụng web: Lập trình giao diện website "Plant Disease Prediction", tích hợp mô hình đã huấn luyện cho phép người dùng tải ảnh lá cây lên để nhận diện bệnh hại tự động.

Thiết kế và triển khai

Khóa luận triển khai bài toán nhận diện bệnh hại cây trồng thành một ứng dụng hoàn chỉnh từ khâu huấn luyện đến giao diện người dùng theo các bước kỹ thuật sau:

  • Quy trình xử lý dữ liệu và huấn luyện mô hình:

    • Dữ liệu ảnh đầu vào được chuẩn hóa kích thước và giá trị pixel trước khi đưa vào mạng nơ-ron.
    • Áp dụng các kiến trúc phân loại ảnh mạng nơ-ron tích chập (CNN), tối ưu hóa bằng thuật toán lan truyền ngược kết hợp các hàm kích hoạt (ReLU, ReLU6, Softmax).
    • Quá trình huấn luyện được thực hiện qua nhiều lượt (lần huấn luyện 1, lần huấn luyện 2), ghi nhận diễn biến của độ đo chính xác (accuracy) và độ mất mát (loss) trên cả tập huấn luyện và tập validation nhằm tránh hiện tượng quá khớp (overfitting).

  • Xây dựng ứng dụng giao diện web:

    • Thiết kế và phát triển giao diện hệ thống dự đoán bệnh cây trồng "Plant Disease Prediction".
    • Chức năng chính bao gồm: Giao diện tiếp nhận ảnh tải lên từ người dùng, khối xử lý ảnh và suy luận mô hình học sâu ở phía sau, hiển thị kết quả phân loại loại bệnh hại tương ứng trên màn hình người dùng.

Kết quả và đóng góp

  • Kết quả thực nghiệm:

    • Hoàn thành nghiên cứu lý thuyết tổng quan về Deep Learning, ANN, CNN, biểu diễn ảnh và kỹ thuật Transfer Learning.
    • Xây dựng thành công quy trình xử lý dữ liệu và cấu hình huấn luyện các mô hình CNN (đặc biệt là MobileNetV2, ResNet34, VGG).
    • Đánh giá định lượng hiệu quả phân loại thông qua các biểu đồ độ đo Accuracy và Loss trên tập Validation và Testing được ghi nhận trong báo cáo thực nghiệm.
    • Xây dựng thành công ứng dụng demo website "Plant Disease Prediction", kiểm chứng tính khả thi của việc tích hợp mô hình học sâu vào giao diện tương tác thực tế.

  • Đóng góp của đề tài:

    • Cung cấp tài liệu tổng hợp có hệ thống về cơ sở toán học và kỹ thuật của các kiến trúc mạng nơ-ron tích chập từ cổ điển đến hiện đại (VGG, ResNet, MobileNet).
    • Minh chứng tính hiệu quả của phương pháp nhận diện bệnh cây trồng dựa trên ảnh chụp lá bằng kỹ thuật học sâu so với các phương pháp kiểm tra thủ công truyền thống tốn kém thời gian và công sức.
    • Đưa ra giải pháp kỹ thuật có khả năng ứng dụng thực tiễn trong việc hỗ trợ nông dân phát hiện sớm các loại bệnh trên cây trồng.

Hạn chế và hướng nghiên cứu tiếp

  • Hạn chế:

    • Khóa luận giới hạn phạm vi nghiên cứu trên tập dữ liệu ảnh lá cây được thu thập trong điều kiện nhất định; hiệu năng mô hình trong điều kiện thực địa phức tạp (ánh sáng thay đổi mạnh, góc chụp khuất, lá bị dính tạp chất) cần được kiểm chứng thêm.
    • Hệ thống mới dừng lại ở phiên bản ứng dụng web thử nghiệm demo, chưa mở rộng triển khai thành ứng dụng di động độc lập hoặc tích hợp trực tiếp trên các thiết bị IoT tại trang trại.

  • Hướng nghiên cứu tiếp:

    • Mở rộng thu thập và bổ sung đa dạng các loại bệnh hại trên nhiều giống cây trồng khác nhau nhằm tăng cường tính tổng quát của bộ dữ liệu.
    • Nghiên cứu tối ưu hóa dung lượng mô hình và tốc độ suy luận của MobileNetV2 để triển khai trực tiếp trên các thiết bị di động thông minh (Smartphone) hoặc phần cứng nhúng phục vụ nông nghiệp thông minh tại chỗ.
    • Nâng cấp hệ thống bổ sung các thông tin khuyến nghị điều trị, biện pháp xử lý sau khi nhận diện chính xác loại bệnh hại.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo có giá trị học thuật và kỹ thuật thực hành cho các đối tượng sau:

  • Sinh viên ngành Kỹ thuật Dữ liệu, Khoa học Máy tính, Công nghệ Thông tin, Kỹ thuật Y sinh: Tài liệu trình bày mạch lạc từ cơ sở toán học (ma trận, tensor, hàm kích hoạt, phép tích chập) đến các kiến trúc CNN chuyên sâu, rất hữu ích cho việc học tập và nghiên cứu các môn học về Thị giác máy tính và Học sâu.
  • Người nghiên cứu và phát triển đề tài ứng dụng phân loại ảnh: Chương 4, Chương 5 và Chương 6 là phần đáng tham khảo nhất về mặt lý thuyết mô hình (so sánh tích chập 2D với Depthwise Separable Convolution, cơ chế Residual Block của ResNet, nguyên lý Transfer Learning).
  • Kỹ sư triển khai hệ thống AI ứng dụng: Chương 7 cung cấp quy trình từ dữ liệu, huấn luyện, đánh giá mô hình đến xây dựng ứng dụng web demo hoàn chỉnh.

Câu hỏi thường gặp

1. Đề tài sử dụng những kiến trúc mạng nơ-ron học sâu nào để nghiên cứu và huấn luyện?
Khóa luận nghiên cứu và phân tích các kiến trúc mạng nơ-ron tích chập bao gồm: dòng mô hình VGG (VGG16, VGG19), ResNet (ResNet34 với khối Residual Block) và MobileNet (MobileNetV2 với tích chập tách biệt chiều sâu).

2. Điểm đặc trưng của tích chập tách biệt chiều sâu (Depthwise Separable Convolution) trong MobileNetV2 là gì?
Tích chập tách biệt chiều sâu chia phép tính tích chập truyền thống thành hai bước độc lập: Depthwise Convolution (áp dụng bộ lọc riêng cho từng kênh) và Pointwise Convolution (sử dụng kernel $1 \times 1$ để kết hợp thông tin giữa các kênh), giúp giảm đáng kể số lượng tham số và khối lượng tính toán.

3. Hàm kích hoạt ReLU6 được sử dụng trong MobileNetV2 có đặc điểm gì?
Hàm ReLU6 là biến thể của hàm ReLU với công thức giới hạn biên trên tại giá trị 6 ($f(x) = \min(\max(0, x), 6)$), có tác dụng ngăn chặn hiện tượng bùng nổ đạo hàm (exploding gradient) và duy trì độ chính xác khi tính toán với độ chính xác dấu phẩy động thấp trên thiết bị di động.

4. Ứng dụng minh họa của khóa luận có tên là gì và giải quyết bài toán gì?
Ứng dụng minh họa có tên là "Plant Disease Prediction", là một website cho phép người dùng tải lên hình ảnh lá cây trồng và sử dụng mô hình học sâu để tự động phân loại, chẩn đoán loại bệnh hại của cây trồng qua lá.

5. Cơ chế Residual Block trong ResNet34 giải quyết vấn đề kỹ thuật nào của mạng nơ-ron sâu?
Residual Block sử dụng các kết nối tắt (skip connection) để cộng thẳng đầu vào của khối với đầu ra sau các tầng tích chập, giúp dòng gradient lan truyền ngược dễ dàng qua nhiều tầng, giải quyết triệt để hiện tượng suy giảm gradient (vanishing gradient) khi tăng độ sâu của mạng.

Kết luận

Khóa luận tốt nghiệp "Ứng dụng học sâu cho bài toán nhận diện ảnh" của sinh viên Trần Như Thuận và Lương Uy Long đã hệ thống hóa đầy đủ cơ sở lý thuyết về mạng nơ-ron nhân tạo, mạng nơ-ron tích chập và các kiến trúc học sâu tiên tiến (VGG, ResNet34, MobileNetV2). Nghiên cứu đã ứng dụng thành công kỹ thuật học chuyển giao để huấn luyện mô hình phân loại bệnh hại cây trồng qua ảnh chụp lá và xây dựng hoàn chỉnh ứng dụng web demo "Plant Disease Prediction". Đề tài mang ý nghĩa khoa học và thực tiễn rõ rệt, chứng minh tính khả thi của việc ứng dụng thị giác máy tính vào hỗ trợ canh tác nông nghiệp và mở ra hướng phát triển triển khai trên các thiết bị di động trong tương lai.