Ứng Dụng Machine Learning Để Phân Tích Hình Thái Ớt

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp khoa học máy tính áp dụng học máy để phân tích kiểu hình và trích xuất các đặc điểm của, vận dụng lý thuyết vào thực tế, đề xuất giải

• Tác giả: Nga Pham Thi
• Người hướng dẫn: PhD. Dung Mai Tien
• Trường học: Vietnam National University, Ho Chi Minh City University of Information Technology
• Chuyên ngành: Bachelor of Computer Science
• Đề tài: Applying Machine Learning for Chili Pepper Phenotyping and Feature Extraction
• Loại tài liệu: Graduate Thesis
• Năm xuất bản: 2024
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• ACKNOWLEDGMENT
• ABSTRACT
• 1. CHAPTER 1: INTRODUCTION
• 1.1. Problem statement
• 1.2. The Objectives and Scope
• 1.2.1. Objectives
• 1.2.2. Scope
• 1.3. Contributions
• 1.4. Implementation thesis
• 1.5. Structure thesis
• 2. CHAPTER 2: PROBLEM FORMULATION
• 2.1. Chapter Overview
• 2.2. Problem in the Field of Biology
• 3. CHAPTER 3: CHILI PEPPER DATASET
• 4. CHAPTER 4: CHILI PEPPERS AND SEEDS DETECTION PROBLEM
• 5. CHAPTER 5: FEATURE EXTRACTING PROBLEM
• 6. CHAPTER 6: EVALUATION FEATURES EXTRACTING
• 7. CHAPTER 7: CONCLUSION AND FUTURE RESEARCH
• REFERENCE

Tóm tắt

I. Tổng Quan Về Ứng Dụng Machine Learning Trong Phân Tích Hình Thái Ớt

Ứng dụng Machine Learning trong phân tích hình thái ớt đang trở thành một xu hướng quan trọng trong nông nghiệp hiện đại. Việc sử dụng công nghệ này giúp tự động hóa quá trình nhận diện và phân tích các đặc điểm hình thái của ớt, từ đó nâng cao hiệu quả sản xuất và chất lượng sản phẩm. Nghiên cứu này không chỉ giúp tiết kiệm thời gian mà còn giảm thiểu sai sót do yếu tố con người. Bằng cách áp dụng các thuật toán học máy, các nhà nghiên cứu có thể thu thập và phân tích dữ liệu một cách chính xác hơn, từ đó đưa ra những quyết định thông minh hơn trong việc quản lý giống cây trồng.

1.1. Machine Learning Là Gì Và Tại Sao Quan Trọng

Machine Learning là một lĩnh vực con của trí tuệ nhân tạo, cho phép máy tính học hỏi từ dữ liệu mà không cần lập trình cụ thể. Trong nông nghiệp, việc áp dụng Machine Learning giúp cải thiện quy trình sản xuất và quản lý giống cây trồng, đặc biệt là trong việc phân tích hình thái ớt.

1.2. Lợi Ích Của Việc Ứng Dụng Machine Learning

Việc ứng dụng Machine Learning trong phân tích hình thái ớt mang lại nhiều lợi ích như tăng cường độ chính xác trong việc nhận diện giống, giảm thiểu thời gian phân tích và tối ưu hóa quy trình sản xuất. Điều này không chỉ giúp nâng cao năng suất mà còn cải thiện chất lượng sản phẩm.

II. Thách Thức Trong Phân Tích Hình Thái Ớt Bằng Machine Learning

Mặc dù có nhiều lợi ích, việc áp dụng Machine Learning trong phân tích hình thái ớt cũng gặp phải một số thách thức. Các vấn đề như thiếu dữ liệu chất lượng cao, sự phức tạp trong việc nhận diện các đặc điểm hình thái và sự khác biệt giữa các giống ớt là những yếu tố cần được xem xét. Đặc biệt, việc thu thập dữ liệu hình ảnh chất lượng cao là rất quan trọng để đảm bảo độ chính xác của các mô hình học máy.

2.1. Thiếu Dữ Liệu Chất Lượng Cao

Một trong những thách thức lớn nhất là việc thiếu dữ liệu hình ảnh chất lượng cao cho các giống ớt khác nhau. Dữ liệu không đồng nhất có thể dẫn đến việc mô hình học máy không hoạt động hiệu quả.

2.2. Sự Phức Tạp Trong Nhận Diện Đặc Điểm

Việc nhận diện các đặc điểm hình thái của ớt có thể gặp khó khăn do sự đa dạng về hình dáng, màu sắc và kích thước của các giống ớt. Điều này đòi hỏi các thuật toán phải được tối ưu hóa để xử lý sự đa dạng này.

III. Phương Pháp Sử Dụng Machine Learning Trong Phân Tích Hình Thái Ớt

Để giải quyết các thách thức nêu trên, nhiều phương pháp học máy đã được áp dụng trong phân tích hình thái ớt. Các mô hình như YOLO (You Only Look Once) đã được sử dụng để phát hiện và phân loại các giống ớt từ hình ảnh. Phương pháp này cho phép nhận diện đối tượng trong thời gian thực, giúp cải thiện độ chính xác và hiệu quả trong việc phân tích.

3.1. Sử Dụng Mô Hình YOLO Để Phát Hiện Ớt

Mô hình YOLO là một trong những phương pháp tiên tiến nhất trong việc phát hiện đối tượng. Nó cho phép nhận diện và phân loại ớt từ hình ảnh một cách nhanh chóng và chính xác, giúp tiết kiệm thời gian và công sức.

3.2. Kết Hợp Giữa Machine Learning Và Computer Vision

Việc kết hợp giữa Machine Learning và Computer Vision giúp tối ưu hóa quy trình phân tích hình thái ớt. Các thuật toán học sâu có thể được áp dụng để cải thiện độ chính xác trong việc nhận diện và phân tích các đặc điểm hình thái.

IV. Ứng Dụng Thực Tiễn Của Machine Learning Trong Phân Tích Hình Thái Ớt

Ứng dụng của Machine Learning trong phân tích hình thái ớt không chỉ dừng lại ở việc nhận diện giống mà còn mở rộng ra nhiều lĩnh vực khác như quản lý giống cây trồng, nghiên cứu di truyền và phát triển sản phẩm mới. Các kết quả nghiên cứu cho thấy việc áp dụng công nghệ này có thể cải thiện đáng kể năng suất và chất lượng sản phẩm ớt.

4.1. Quản Lý Giống Cây Trồng Hiệu Quả

Việc sử dụng Machine Learning giúp các nhà nông quản lý giống cây trồng một cách hiệu quả hơn. Các dữ liệu thu thập được từ hình ảnh có thể được sử dụng để theo dõi sự phát triển và chất lượng của giống ớt.

4.2. Nghiên Cứu Di Truyền Và Phát Triển Sản Phẩm

Nghiên cứu di truyền và phát triển sản phẩm mới cũng được hỗ trợ mạnh mẽ bởi Machine Learning. Các mô hình học máy có thể giúp phân tích các đặc điểm di truyền của giống ớt, từ đó phát triển các giống mới có chất lượng tốt hơn.

V. Kết Luận Và Tương Lai Của Machine Learning Trong Phân Tích Hình Thái Ớt

Tương lai của Machine Learning trong phân tích hình thái ớt hứa hẹn sẽ mang lại nhiều tiến bộ đáng kể. Với sự phát triển không ngừng của công nghệ, việc áp dụng các phương pháp học máy sẽ ngày càng trở nên phổ biến và hiệu quả hơn. Các nghiên cứu tiếp theo cần tập trung vào việc cải thiện chất lượng dữ liệu và tối ưu hóa các mô hình học máy để đạt được kết quả tốt nhất.

5.1. Tiềm Năng Phát Triển Công Nghệ

Công nghệ Machine Learning có tiềm năng phát triển mạnh mẽ trong lĩnh vực nông nghiệp, đặc biệt là trong phân tích hình thái ớt. Các nghiên cứu mới sẽ giúp cải thiện độ chính xác và hiệu quả của các mô hình.

5.2. Hướng Nghiên Cứu Tương Lai

Hướng nghiên cứu tương lai cần tập trung vào việc phát triển các mô hình học máy mới và cải thiện quy trình thu thập dữ liệu. Điều này sẽ giúp nâng cao hiệu quả trong việc phân tích hình thái ớt và đáp ứng nhu cầu ngày càng cao của thị trường.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Trong lĩnh vực nông nghiệp và công nghệ sinh học, việc đánh giá kiểu hình (phenotyping) và mô tả chính xác đặc điểm hình thái của quả ớt đóng vai trò then chốt trong công tác chọn giống, bảo tồn nguồn gen và tối ưu hóa năng suất. Ớt (Capsicum sp. thuộc họ Cà - Solanaceae) là loại cây gia vị có giá trị kinh tế cao, chứa nhiều hợp chất dinh dưỡng như vitamin (A, B complex, C, E), khoáng chất (kali, canxi, sắt, folate, molipden) cùng các hợp chất có hoạt tính sinh học như polyphenol (luteolin), flavonoid, quercetin và capsaicinoid. Tuy nhiên, các phương pháp đo đạc hình thái truyền thống hiện nay chủ yếu dựa vào thao tác thủ công của chuyên gia, gây tốn thời gian, công sức và dễ chịu ảnh hưởng bởi yếu tố chủ quan của con người.

Khóa luận tốt nghiệp cử nhân ngành Khoa học Máy tính của sinh viên Phạm Thị Nga (Trường Đại học Công nghệ Thông tin, ĐHQG-HCM, năm 2024), dưới sự hướng dẫn của TS. Mai Tiến Dũng và TS. Thái Thanh Tuấn, đã đặt ra vấn đề nghiên cứu tự động hóa quá trình nhận diện kiểu hình và trích xuất đặc trưng hình thái của quả ớt dựa trên học máy (Machine Learning) và thị giác máy tính (Computer Vision). Đề tài được triển khai với sự hợp tác và hỗ trợ nguồn dữ liệu từ Trung tâm Nghiên cứu Điện toán Nguồn sinh học (Bio-Resource Computing Research Center) thuộc Đại học Quốc gia Jeju và Cục Phát triển Nông thôn (RDA) tại Jeonju, Hàn Quốc.

Nhiệm vụ và mục tiêu nghiên cứu của đề tài bao gồm 5 nội dung chính:

1. Xác định và chuẩn hóa các thông số hình thái cần trích xuất theo yêu cầu của ngành sinh học.
2. Chia nhỏ bài toán tổng thể thành các bài toán thành phần (định vị, xử lý ảnh và trích xuất đặc trưng).
3. Nghiên cứu các thuật toán và mô hình học sâu hiện có trong lĩnh vực thị giác máy tính.
4. Xây dựng cơ sở lý thuyết và thuật toán trích xuất cho từng thông số đặc trưng hình thái cụ thể.
5. Xây dựng tập dữ liệu ảnh cắt dọc quả ớt chuẩn hóa phục vụ huấn luyện và đánh giá mô hình.

Đối tượng nghiên cứu là các lát cắt dọc của quả ớt và hạt ớt từ 77 giống ớt khác nhau được canh tác trong môi trường nhà kính kiểm soát nghiêm ngặt. Phạm vi đề tài tập trung vào việc định vị lát cắt ớt và hạt trên ảnh, sau đó tính toán 8 chỉ số đặc trưng hình thái và lưu trữ dưới dạng tệp dữ liệu có cấu trúc (.csv).

Cơ sở lý thuyết và phương pháp

Khóa luận tiếp cận bài toán dựa trên sự kết hợp giữa lý thuyết thị giác máy tính, học sâu và các tiêu chuẩn đánh giá kiểu hình thực vật trong sinh học:

• Khung lý thuyết sinh học: Dựa trên các nghiên cứu về tính đa dạng di truyền và khả năng di truyền của các tính trạng hình thái nông học ở chi Capsicum (như nghiên cứu đánh giá tính trạng nông học của Capsicum sp. tại Ghana, các nghiên cứu tính trạng quả Capsicum annuum). Các tính trạng quan trọng gồm: số lượng hạt, diện tích quả, chiều dài, chiều rộng, độ đỏ (liên quan đến hàm lượng carotenoid và capsaicinoid) và độ nhăn của bề mặt mép quả.
• Mô hình học máy và thị giác máy tính:
  • Mô hình phát hiện đối tượng đơn tầng (Single-shot Object Detection): Áp dụng và so sánh hai kiến trúc học sâu là YOLOv5 (Ultralytics) và YOLOv7 (Wang et al.). Kiến trúc YOLOv5 sử dụng mạng trích xuất đặc trưng CSPDarknet, cổ mạng PANet và đầu ra YOLO Layer. Kiến trúc YOLOv7 sử dụng khối mạng ELAN (Efficient Layer Aggregation Network) kết hợp phân nhánh Cross Stage Partial, hàm mất mát Focal Loss và hệ thống 9 anchor boxes nhằm tối ưu hóa việc phát hiện vật thể kích thước nhỏ (hạt ớt).
  • Thuật toán xử lý ảnh hình thái học: Sử dụng kỹ thuật phân ngưỡng (Thresholding), phép đóng hình thái học (Morphological Closing) và trích xuất đường bao viền (Contour Extraction) để phân đoạn chính xác thân quả ớt.
• Quy trình thu thập và chuẩn hóa dữ liệu:
  • Mẫu ớt thuộc 77 giống được cung cấp từ Ngân hàng Gen Hàn Quốc (Korean Genebank) và trồng tại Jeonju (HDA, Hàn Quốc).
  • Thiết kế thí nghiệm ngẫu nhiên: Mỗi giống trồng 6 cây/lô, lặp lại 3 lần trong 3 nhà kính độc lập (tổng cộng 18 cây/giống) nhằm loại bỏ sai số hệ thống và hiệu ứng viền.
  • Thu nhận ảnh: Sử dụng hệ thống máy quét/camera cố định góc chụp, khoảng cách và điều kiện ánh sáng theo phương pháp của Yu et al. Ảnh có độ phân giải gốc 6024 x 4024 pixel, định dạng JPG.
  • Hiệu chuẩn kích thước: Mỗi ảnh chụp kèm thẻ cân bằng trắng và mã QR barcode kích thước chuẩn 100 x 30 mm đặt ở góc trên bên phải để tính toán tỷ lệ chuyển đổi từ pixel sang milimét ($mm/pixel$).
  • Gán nhãn: Sử dụng nền tảng Roboflow để gán nhãn 2 lớp đối tượng (chili và seed). Hạt ớt bị che khuất trên 90% hoặc có độ trong suốt trên 70% được loại bỏ để tránh gây nhiễu.
  • Phân chia dữ liệu: Dữ liệu được chia theo tỷ lệ 70% huấn luyện (Train), 20% kiểm định (Validation) và 10% kiểm tra (Test).

Tập dữ liệu	Số lượng ảnh	Số lượng nhãn Quả (Chili)	Số lượng nhãn Hạt (Seed)
Huấn luyện (Train)	584	1081	5914
Kiểm định (Validation)	40	68	598
Kiểm tra (Test)	30	40	332
Tổng cộng	654	1189	6844

Thiết kế và triển khai

Hệ thống trích xuất thông tin hình thái quả ớt được thiết kế theo quy trình tuần tự gồm hai giai đoạn (two-phase pipeline):

Ảnh đầu vào (6024x4024 + QR Barcode) 
  → Tiền xử lý (Cắt ảnh 640x640, Tính tỷ lệ mm/pixel từ mã QR)
    → Giai đoạn 1: Mô hình Object Detection (YOLOv7)
    → Giai đoạn 2: Trích xuất đặc trưng hình thái (Computer Vision)
  → Đầu ra: Tệp dữ liệu cấu trúc CSV chứa toàn bộ chỉ số kiểu hình

• Công nghệ triển khai: Ngôn ngữ Python, các thư viện xử lý ảnh OpenCV, nền tảng gán nhãn Roboflow, khung làm việc PyTorch cho các mô hình YOLOv5 và YOLOv7.
• Thuật toán trích xuất 8 chỉ số đặc trưng:
  1. Tỷ lệ chuyển đổi ($Ratio_{pixel\to mm}$): Tính toán từ kích thước cố định của mã QR ($100 \times 30\text{ mm}$).
  2. Số lượng hạt ($Number\ of\ Seeds$): Tổng số bounding box thuộc lớp seed nằm trong phạm vi tọa độ của từng quả ớt.
  3. Kích thước bounding box ($Width\ b_box$, $Length\ b_box$): Chiều rộng và chiều dài vùng bao chữ nhật của quả.
  4. Kích thước trung bình ($Avg\ Width$, $Avg\ Length$): Chiều rộng và chiều dài thực tế phân bố dọc theo trục thân quả.
  5. Diện tích quả ($Area$): Tổng số pixel thuộc mặt nạ nhị phân của quả sau khi xử lý đóng hình thái học, quy đổi ra $mm^2$.
  6. Độ đỏ ($Degree\ of\ Redness$): Đo lường cường độ kênh màu đỏ đại diện cho nồng độ carotenoid và độ chín.
  7. Độ nhăn đường viền ($Wrinkles\ of\ Chili\ pepper's\ edge$): Đánh giá qua ba phương pháp hình học: góc tạo bởi 3 đỉnh liên tiếp trên contour, độ mượt của đường viền (Smoothness of Contour), và biến thiên contour trên một đoạn xác định.
  8. Thông tin định danh ($Image's\ name$, $Species\ code$): Mã định danh giống ớt từ RDA phục vụ truy xuất nguồn gốc.

Nội dung chính theo từng chương

Chapter 1: Introduction

Chương mở đầu trình bày tổng quan về giá trị dinh dưỡng, kinh tế và dược liệu của quả ớt; phân tích sự cần thiết của việc số hóa kiểu hình phục vụ công tác nhân giống hiện đại. Tác giả chỉ ra hạn chế của các phương pháp đo đạc thủ công và sự thiếu hụt các nghiên cứu chuyên sâu về xử lý ảnh lát cắt dọc quả ớt. Chương này đồng thời xác định 5 mục tiêu nghiên cứu, phạm vi thực hiện, cấu trúc của khóa luận và tóm tắt các đóng góp chính của đề tài.

Chapter 2: Problem Formulation

Chương 2 phân tích bài toán dưới hai góc nhìn chuyên môn: Sinh học và Thị giác máy tính. Về mặt sinh học, tác giả làm rõ ý nghĩa của từng chỉ số hình thái (số hạt, diện tích, độ đỏ, độ nhăn, chiều dài/rộng) đối với chất lượng thương phẩm, năng suất và khả năng di truyền. Về mặt thị giác máy tính, chương đánh giá các phần mềm hiện có như Tomato Analyzer (vốn trích xuất 32 đặc trưng cho quả cà chua) và chỉ ra các hạn chế khi áp dụng trực tiếp lên quả ớt do khác biệt lớn về hình dạng và tính chất bề mặt. Từ đó, tác giả thiết lập kiến trúc luồng xử lý 2 giai đoạn cho hệ thống.

Chapter 3: Chili Pepper Images and Chili Pepper Dataset

Nội dung chương 3 chi tiết hóa quy trình canh tác 77 giống ớt trong điều kiện nhà kính tiêu chuẩn tại RDA (Jeonju, Hàn Quốc), phương pháp bố trí thí nghiệm ngẫu nhiên 3 lần lặp (18 cây/giống), và quy trình chụp ảnh lát cắt dọc. Tác giả trình bày phương pháp hiệu chuẩn kích thước bằng mã QR 100 x 30 mm, kỹ thuật cắt ảnh thành các patch kích thước 640 x 640 pixel, quy trình gán nhãn hộp bao bằng công cụ Roboflow cho 2 lớp chili và seed, cùng thống kê phân bố dữ liệu trên 3 tập Train (584 ảnh), Validation (40 ảnh), Test (30 ảnh).

Chapter 4: Chili Peppers and Seeds Detection Problem

Chương 4 tập trung giải quyết bài toán phát hiện đối tượng ở Giai đoạn 1. Tác giả hệ thống hóa cơ sở lý thuyết về Object Detection, phân loại giữa Single-shot và Two-shot Detection, phân tích kiến trúc mạng nơ-ron tích chập của dòng mô hình YOLO (Backbone, Neck, Head). Chương tiến hành phân tích sâu kiến trúc CSPDarknet và PANet trên YOLOv5, đối chiếu với kiến trúc ELAN, cấu trúc 9 anchor boxes và hàm tổn thất Focal Loss trên YOLOv7. Kết quả thực nghiệm và đánh giá so sánh hiệu năng giữa hai mô hình được trình bày chi tiết.

Chapter 5: Feature Extracting Problem

Chương 5 xây dựng nền tảng toán học và thuật toán thị giác máy tính để trích xuất các đặc trưng hình thái ở Giai đoạn 2. Quy trình bao gồm các bước tiền xử lý: nhị phân hóa bằng phân ngưỡng (Thresholding), lọc nhiễu và làm liền mạch mặt nạ bằng phép đóng hình thái học (Morphological Closing). Tiếp đó, tác giả trình bày chi tiết công thức tính toán tỷ lệ chuyển đổi pixel/mm, chiều dài, chiều rộng hộp bao, kích thước trung bình thân quả, diện tích bề mặt, độ đỏ và ba phương pháp toán học đo độ nhăn mép quả (dựa trên góc 3 đỉnh liên tiếp, độ mượt contour, và contour trên đoạn định trước).

Chapter 6: Evaluation Features Extracting

Chương 6 trình bày các kết quả đánh giá thực nghiệm trên tập đặc trưng hình thái đã trích xuất. Tác giả áp dụng các phương pháp phân tích thống kê đa biến bao gồm: lập bảng tóm tắt thống kê đặc trưng, xây dựng biểu đồ phân bố (Histogram), ma trận phân tán (Scatter Matrix), ma trận tương quan (Correlation Matrix) và phân tích thành phần chính (PCA) nhằm chứng minh tính nhất quán và độ tin cậy của các thông số hình thái thu được từ ảnh số.

Chapter 7: Conclusion and Future Research

Chương kết luận tổng kết toàn bộ các kết quả đạt được của khóa luận, bao gồm việc xây dựng thành công tập dữ liệu ảnh ớt chuẩn hóa, lựa chọn mô hình YOLO tối ưu cho bài toán phát hiện quả và hạt, cùng hệ thống thuật toán trích xuất đặc trưng tự động. Đồng thời, tác giả chỉ ra các mặt hạn chế còn tồn tại và đề xuất các định hướng mở rộng nghiên cứu trong tương lai.

Kết quả và đóng góp

• Kết quả thực nghiệm mô hình:

  • Mô hình YOLOv7 cho kết quả phát hiện quả ớt và hạt ớt vượt trội hơn so với YOLOv5, đạt độ chính xác (Precision) 93.7% và độ thu hồi (Recall) 94.0%.
  • YOLOv5 tuy đạt hiệu quả phát hiện hạt nhỏ tương đối tốt nhờ cơ chế tùy chỉnh anchor box nhưng gặp hạn chế khi phân định biên giới quả ớt do hiện tượng mờ biên giữa vỏ ớt và nền chụp. YOLOv7 với mạng trích xuất ELAN và độ phân giải đầu vào cao hơn ($680 \times 680$ pixel) đã giải quyết triệt để vấn đề này.

• Đóng góp của khóa luận:

  1. Hệ thống hóa giải pháp liên ngành: Thiết lập quy trình hoàn chỉnh kết hợp giữa thị giác máy tính và sinh học nông nghiệp để tự động hóa việc đo đạc kiểu hình ớt từ ảnh lát cắt dọc.
  2. Bộ dữ liệu chuẩn hóa: Xây dựng tập dữ liệu gồm hơn 700 ảnh lát cắt dọc quả ớt kèm nhãn hộp bao chi tiết của quả và hạt từ 77 giống ớt được giám sát nuôi trồng nghiêm ngặt tại RDA Hàn Quốc.
  3. Hệ thống trích xuất đa tham số: Đề xuất và triển khai thành công các thuật toán trích xuất 8 chỉ số hình thái học quan trọng (kích thước, diện tích, số hạt, độ đỏ, độ nhăn mép vỏ) và xuất ra tệp định dạng chuẩn (.csv).
  4. Chương trình thử nghiệm: Phát triển phần mềm demo cho phép người dùng đưa ảnh đầu vào và tự động trích xuất bảng thông số kiểu hình phục vụ công tác nghiên cứu giống.

Hạn chế và hướng nghiên cứu tiếp

Khóa luận tự xác định các hạn chế thực tế trong quá trình triển khai:

• Dữ liệu lát cắt 2D: Ảnh chụp mặt cắt dọc 2D không thể phản ánh trọn vẹn tổng số lượng hạt đối với các giống ớt có mật độ hạt dày đặc hoặc hạt bị che khuất nhiều lớp bên trong khoang quả.
• Hiện tượng che khuất hạt (Occlusion): Hạt ớt có kích thước nhỏ, dễ dính chùm hoặc bị mờ trong quá trình cắt mẫu, dẫn đến việc phải bỏ qua các hạt bị che khuất trên 90% hoặc độ trong suốt trên 70%.
• Quy mô tập dữ liệu: Số lượng mẫu ảnh gốc (32 ảnh ban đầu trước khi tăng cường dữ liệu) còn khiêm tốn so với sự đa dạng vô hạn của các giống ớt trong tự nhiên.

Hướng phát triển tiếp theo được đề xuất:

• Mở rộng tập dữ liệu trên nhiều giống ớt thuần chủng khác nhau để tăng cường khả năng tổng quát hóa của mô hình học sâu.
• Cải tiến thuật toán ước lượng số lượng hạt bị che khuất dựa trên phân tích thể tích hoặc mô hình hóa 3D.
• Tích hợp thêm các chỉ số phân tích hóa sinh nâng cao thông qua ảnh phổ hoặc ảnh đa chiều.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo giá trị cho:

• Sinh viên và học viên ngành Khoa học Máy tính, Trí tuệ Nhân tạo: Cung cấp phương pháp luận thực tế về việc áp dụng mô hình Object Detection (YOLOv5, YOLOv7) và các thuật toán xử lý ảnh kinh điển để giải quyết bài toán thị giác máy tính trong nông nghiệp công nghệ cao (Digital Phenotyping).
• Nhà nghiên cứu Công nghệ Sinh học và Nông học: Cung cấp giải pháp số hóa dữ liệu hình thái tự động, giúp thay thế các công đoạn đo đạc thủ công, hỗ trợ xây dựng cơ sở dữ liệu kiểu hình phục vụ lai tạo và chọn lọc giống ớt.
• Phần đáng tham khảo nhất: Quy trình chuẩn hóa tỷ lệ đo lường bằng mã QR trong Chapter 3, phân tích so sánh kiến trúc ELAN của YOLOv7 trong Chapter 4, và các công thức toán học xác định độ nhăn viền quả trong Chapter 5.

Câu hỏi thường gặp

1. Khóa luận sử dụng mô hình học máy nào để phát hiện quả ớt và hạt ớt? Kết quả ra sao?
Khóa luận đã thử nghiệm và so sánh hai mô hình học sâu thuộc dòng Single-shot Detection là YOLOv5 và YOLOv7. Kết quả cho thấy YOLOv7 đạt hiệu năng vượt trội hơn với độ chính xác (Precision) đạt 93.7% và độ thu hồi (Recall) đạt 94.0%.

2. Tập dữ liệu ảnh ớt được thu thập và quản lý như thế nào?
Dữ liệu gồm 77 giống ớt lấy từ Ngân hàng Gen Hàn Quốc, được canh tác trong nhà kính có kiểm soát tại Cục Phát triển Nông thôn (RDA), Jeonju, Hàn Quốc. Mỗi giống được trồng 6 cây/lô và lặp lại 3 lần trên 3 nhà kính độc lập (18 cây/giống). Ảnh chụp lát cắt dọc có độ phân giải $6024 \times 4024$ pixel kèm mã QR chuẩn $100 \times 30\text{ mm}$ để định tỷ lệ pixel/mm.

3. Khóa luận trích xuất bao nhiêu đặc trưng hình thái của quả ớt?
Hệ thống trích xuất 8 thông tin đặc trưng gồm: Tỷ lệ chuyển đổi pixel sang mm, Chiều dài và chiều rộng hộp bao, Chiều dài và chiều rộng trung bình thân quả, Diện tích mặt cắt quả, Độ đỏ (Degree of Redness), Số lượng hạt trên mỗi quả, Độ nhăn mép quả (Wrinkles of edge), và Tên/Mã định danh giống ớt.

4. Tại sao phần mềm Tomato Analyzer không đáp ứng tốt bài toán phân tích hình thái quả ớt?
Tomato Analyzer được thiết kế chuyên biệt để trích xuất 32 đặc trưng cho quả cà chua. Do sự khác biệt lớn về hình thái học giữa quả cà chua và quả ớt (ớt có dạng thuôn dài, biên vỏ nhăn, nhiều hạt nhỏ trong khoang), phần mềm này tạo ra nhiều thông tin không tương thích và bỏ sót các đặc trưng quan trọng quyết định đến năng suất và chất lượng của quả ớt.

5. Các trường hợp hạt ớt nào bị loại bỏ trong quá trình gán nhãn dữ liệu?
Trong quá trình gán nhãn bằng Roboflow, các hạt ớt có độ trong suốt (transparency) lớn hơn 70% hoặc bị che khuất (occlusion) trên 90% đều bị loại bỏ nhằm tránh đưa dữ liệu nhiễu vào quá trình huấn luyện mô hình.

Kết luận

Khóa luận tốt nghiệp của sinh viên Phạm Thị Nga đã giải quyết thành công bài toán số hóa kiểu hình và trích xuất đặc trưng hình thái của quả ớt thông qua sự kết hợp giữa mô hình học sâu YOLOv7 và các kỹ thuật thị giác máy tính. Nghiên cứu đã xây dựng được tập dữ liệu ảnh lát cắt dọc chuẩn hóa từ 77 giống ớt canh tác tại Hàn Quốc và phát triển hệ thống trích xuất tự động 8 chỉ số hình thái với độ chính xác cao. Kết quả này cung cấp một công cụ hỗ trợ thiết thực cho công tác chọn tạo giống và phân tích di truyền trong lĩnh vực công nghệ sinh học nông nghiệp.

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERSITY, HO CHI MINH CITY UNIVERSITY OF INFORMATION TECHNOLOGY COMPUTER SCIENCES NGA PHAM THI - 21521168 GRADUATE THESIS APPLYING MACHINE LEARNING FOR CHILI PEPPER PHENOTYPING AND FEATURE EXTRACTION BACHELOR OF COMPUTER SCIENCE LECTURE PhD. DUNG MAI TIEN HO CHI MINH CITY, 2024 ACKNOWLEDGMENT No one achieves anything great without the help of those around them, whether directly or indirectly. To complete this thesis, I was fortunate to re- ceive much help and support from teachers, colleagues, friends, and family. I would like to dedicate these first pages to express my gratitude to everyone who has accompanied our group during this period.

First of all, I would like to extend my deepest thanks to all the teachers at the University of Information Technology in general and the teachers of the Department of Computer Science in particular. Thanks to the valuable knowl- edge imparted by the teachers, as well as their dedicated support throughout the process, our group was able to complete the thesis and achieve commendable results. I especially want to thank Ph. Dung Mai Tien and Ph.

Tuan Thai Thanh, who inspired, meticulously guided, and provided extensive knowledge, creating a favorable environment for me to learn and exchange ideas with the seniors and peers in the research group. These are invaluable insights and experiences, beneficial not only for this graduation thesis but also for the future work ahead. Finally, I express my heartfelt gratitude to my family and loved ones, who have always been a strong support and consistently backed every decision our group made. Despite having put in a lot of effort to perfect this thesis, it is hard to avoid mistakes and limitations.

I hope to receive sympathy and constructive feedback from the teachers and friends. Ho Chi Minh city, June 24, 2024 Nga Pham Thi, Student 1H Contents Thông tin hội đồng cham khóa luận tốt nghiệp ACKNOWLEDGMENT iii Contents iv List of Figures Vii List of Tables ix List of Abbreviations xi Provisional glossary xiii ABSTRACT 1 INTRODUCTION 1.2 The Objectives and Scope 1. 11 2 PROBLEM FORMULATION 13 iv 2.2 Problem in the Field of Blology.3 Perspective of Computer Vision. ee ee CHILI PEPPER IMAGES AND CHILI PEPPER DATASET 19 3.2 Chili Pepper Cultivation and Sample Selection.

ee ee ee 22 3.4 Chili pepper Dataset for Step] .5 Statistics for the Chili Pepper Dataset. 27 CHILI PEPPERS AND SEEDS DETECTION PROBLEM 29 4.000 eee eee ne 29 4.2 Object Detection Problem. eeee 32 44 YOLO nn*+táồẳ. eee eee ee 44 45.

Q Q Q Q Q Q và và và 44 4.6 Results and Evaluation .02 eee ee ee 47 4. eee ee ee 49 FEATURE EXTRACTING PROBLEM 5.000 eee ee eee 5.2 Pre-PrOC©SSINE.2 Ratio convert Pixel to Millimeter Block .3 Width and Length of Bounding_box Chilipepper .5 Average Width and Length. Q Q Q Q Q HQ ng va 5.7 Degree of Redness .8 Wrinkles of Chili peppersedge.1 By Angles Formed by Three Consecutive Vertices.2 By Smoothness ofContour.3 Using Contour Over a Defined Segment. 0p eee ee ee ee 6 EVALUATION FEATURES EXTRACTING 67 6.00000 00000] 73 7 CONCLUSION AND FUTURE RESEARCH 75 7.Ặ c Q Q Q ee ee ee 75 7.Ặ Q SH Q Q2 77 REFERENCE 81 List of Figures 1.1 Input and Output.1 Unique species code (IT name of each pepper variety).3 Camera and environment setup forimage capture .4 QR barcode to calculated mm/pixel.5 Cropping Chili pepperlmages.6 Chili Pepper DatasetLabel.7 Structured of Chili pepper Dataset.9 Distribution of ObJectCounts.1 Input and Output ofStepl.3 Overview of YOLO.4 Diagram of YOLO architectire.6 The network architecture of Yolov5.

It consists of three parts: (1) Backbone: CSPDarknet, (2) Neck: PANet, and (3) Head: Yolo Layer. The data are first inputted to CSPDarknet for feature ex- traction and then fed to PANet for feature fusion. Finally, YOLO Layer outputs detection results (class, score, location, size). 000002 eee ee ee 42 4.10 Illustration of how to calculate Precision and Recall.11 Illustration of loU Metrics .1 Input of Step2.3 Illustration of Chili pepper mask with only Threshold .4 Illustration of Chili pepper mask after using Closing method .5 Refined Chili Pepper segmentation.6 Illustration of bb_x 2.1 Examples of 330 Consumer.