Luận văn thạc sĩ về ứng dụng mạng học sâu cho nhận diện bệnh cây qua phân loại ảnh lá

Luận văn thạc sĩ nghiên cứu ứng dụng mạng học sâu trong nhận biết bệnh cây qua phân loại ảnh lá, góp phần nâng cao hiệu quả nông nghiệp.

• Tác giả: Nguyễn Minh Tuấn
• Người hướng dẫn: PGS.TS Nguyễn Thanh Hải
• Trường học: Đại học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điện tử
• Đề tài: Ứng dụng mạng học sâu cho nhận biết bệnh cây bằng việc phân loại ảnh lá
• Loại tài liệu: Luận văn Thạc sĩ
• Năm xuất bản: 2021
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• TÓM TẮT
• ABSTRACT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Các nghiên cứu được công bố
• 1.2. Nhiệm vụ và giới hạn
• 1.3. Phương pháp nghiên cứu
• 1.4. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Giới thiệu một số hình ảnh bệnh cây
• 2.2. Một số phương pháp xử lý ảnh
• 2.3. Thuật toán phân cụm K-means
• 2.4. Trích đặc trưng dùng PCA
• 2.5. Một số phương pháp nhận biết bệnh cây bằng phân loại ảnh lá
• 2.6. Phương pháp máy vector hỗ trợ (Support Vector Machine _SVM)
• 2.7. CNN- Convolutional Neural Network
• 2.8. Một số thuật toán tối ưu dùng trong huấn luyện mạng nơ-ron
• 2.8.1. Giảm độ dốc ngẫu nhiên
• 2.8.2. Độ dốc thích ứng
• 3. CHƯƠNG 3: PHƯƠNG PHÁP PHÂN LOẠI BỆNH LÁ BẰNG MẠNG NƠ-RON TÍCH CHẬP
• 3.1. Thu thập dữ liệu
• 3.2. Tiền xử lý dữ liệu ảnh
• 3.3. Mạng CNN VGG16
• 3.3.1. Cấu trúc mạng
• 3.3.2. Lớp tích chập
• 3.3.3. Lớp hiệu chỉnh tuyến tính (ReLU)
• 3.3.4. Lớp kết nối đầy đủ (Fully connected layer)
• 3.3.5. Lớp ngõ ra
• 3.4. Thuật toán tối ưu dùng trong huấn luyện
• 3.4.1. Thuật toán lan truyền bình phương trung bình căn bậc hai
• 3.4.2. Ước lượng mô men thích ứng
• 4. CHƯƠNG 4: KẾT QUẢ VÀ ĐÁNH GIÁ
• 4.1. Tập dữ liệu dùng để trainning và testing
• 4.2. Kết quả huấn luyện
• 4.3. Kết quả phân loại
• 4.4. Đánh giá mô hình CNN VGG16
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng mạng học sâu trong nhận diện bệnh cây

Trong bối cảnh nông nghiệp hiện đại, việc nhận diện bệnh cây qua phân loại ảnh lá đang trở thành một lĩnh vực nghiên cứu quan trọng. Mạng học sâu đã chứng minh được hiệu quả vượt trội trong việc phân tích hình ảnh, giúp nông dân phát hiện sớm các bệnh trên cây trồng. Việc ứng dụng công nghệ này không chỉ nâng cao năng suất mà còn giảm thiểu thiệt hại do sâu bệnh gây ra. Nghiên cứu này sẽ tập trung vào việc sử dụng mạng nơ-ron tích chập (CNN) để phân loại các loại bệnh trên lá cây, từ đó đưa ra giải pháp hiệu quả cho ngành nông nghiệp.

1.1. Khái quát về mạng học sâu và ứng dụng trong nông nghiệp

Mạng học sâu, đặc biệt là mạng nơ-ron tích chập, đã được áp dụng rộng rãi trong nhiều lĩnh vực, bao gồm nhận diện hình ảnh và phân loại. Trong nông nghiệp, công nghệ này giúp phân tích hình ảnh lá cây để phát hiện bệnh một cách nhanh chóng và chính xác. Việc sử dụng dữ liệu hình ảnh từ các nguồn như PlantVillage cho phép xây dựng các mô hình học máy mạnh mẽ, giúp cải thiện quy trình sản xuất nông nghiệp.

1.2. Tầm quan trọng của nhận diện bệnh cây qua ảnh lá

Nhận diện bệnh cây kịp thời là yếu tố quyết định đến năng suất và chất lượng sản phẩm nông nghiệp. Việc áp dụng công nghệ học sâu giúp nông dân có thể phát hiện và xử lý bệnh sớm, từ đó giảm thiểu thiệt hại. Các nghiên cứu đã chỉ ra rằng việc sử dụng mạng CNN có thể đạt được độ chính xác cao trong việc phân loại các loại bệnh khác nhau trên lá cây.

II. Thách thức trong việc nhận diện bệnh cây qua phân loại ảnh lá

Mặc dù công nghệ mạng học sâu mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức trong việc nhận diện bệnh cây. Các vấn đề như chất lượng hình ảnh, sự đa dạng của các loại bệnh và điều kiện ánh sáng có thể ảnh hưởng đến độ chính xác của mô hình. Việc thu thập và xử lý dữ liệu hình ảnh cũng là một yếu tố quan trọng cần được chú ý.

2.1. Chất lượng hình ảnh và ảnh hưởng đến kết quả phân loại

Chất lượng hình ảnh là yếu tố then chốt trong việc nhận diện bệnh cây. Hình ảnh mờ, không rõ nét có thể dẫn đến sai sót trong việc phân loại. Do đó, việc áp dụng các phương pháp tiền xử lý như tăng cường dữ liệu và chuẩn hóa hình ảnh là cần thiết để cải thiện độ chính xác của mô hình.

2.2. Đa dạng bệnh và sự phức tạp trong phân loại

Mỗi loại cây trồng có thể mắc nhiều loại bệnh khác nhau, mỗi bệnh lại có những đặc điểm nhận diện riêng. Việc xây dựng một mô hình có khả năng phân loại chính xác nhiều loại bệnh là một thách thức lớn. Các nghiên cứu hiện tại đang tìm cách tối ưu hóa các thuật toán để cải thiện khả năng phân loại của mạng nơ-ron tích chập.

III. Phương pháp sử dụng mạng học sâu trong nhận diện bệnh cây

Để nhận diện bệnh cây qua phân loại ảnh lá, phương pháp sử dụng mạng nơ-ron tích chập (CNN) đã được áp dụng. Mô hình CNN VGG-16 được lựa chọn vì khả năng phân loại tốt và hiệu suất cao. Quá trình huấn luyện mô hình bao gồm các bước như thu thập dữ liệu, tiền xử lý ảnh và đánh giá hiệu suất phân loại.

3.1. Quy trình thu thập và tiền xử lý dữ liệu

Quy trình bắt đầu bằng việc thu thập dữ liệu từ các nguồn như PlantVillage, nơi cung cấp hàng ngàn hình ảnh về các loại lá bệnh. Sau đó, các hình ảnh này sẽ được tiền xử lý để chuẩn hóa kích thước và chất lượng, giúp mô hình dễ dàng nhận diện hơn. Việc áp dụng các kỹ thuật như tăng cường dữ liệu cũng giúp cải thiện độ chính xác của mô hình.

3.2. Huấn luyện mô hình CNN VGG 16

Mô hình CNN VGG-16 được huấn luyện với tập dữ liệu đã được chuẩn bị. Quá trình huấn luyện bao gồm việc điều chỉnh các tham số và tối ưu hóa mô hình để đạt được độ chính xác cao nhất. Sử dụng ma trận nhầm lẫn để đánh giá hiệu suất phân loại là một bước quan trọng trong quy trình này.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy mô hình CNN VGG-16 có khả năng phân loại chính xác các loại bệnh trên lá cây cà chua. Độ chính xác đạt được trong các thử nghiệm cho thấy sự hứa hẹn của công nghệ học sâu trong việc nhận diện bệnh cây. Các ứng dụng thực tiễn của nghiên cứu này có thể giúp nông dân chủ động hơn trong việc phòng ngừa và xử lý bệnh.

4.1. Đánh giá hiệu suất mô hình

Mô hình CNN VGG-16 đã được đánh giá qua nhiều thử nghiệm với các loại bệnh khác nhau. Kết quả cho thấy độ chính xác cao, cho phép phân loại chính xác các loại bệnh trên lá cây. Việc sử dụng ma trận nhầm lẫn giúp xác định rõ ràng các loại bệnh mà mô hình có thể phân loại tốt nhất.

4.2. Ứng dụng trong thực tiễn nông nghiệp

Nghiên cứu này không chỉ dừng lại ở lý thuyết mà còn có thể áp dụng vào thực tiễn. Việc sử dụng công nghệ học sâu trong nhận diện bệnh cây sẽ giúp nông dân có thể phát hiện và xử lý bệnh kịp thời, từ đó nâng cao năng suất và chất lượng sản phẩm nông nghiệp.

V. Kết luận và hướng phát triển tương lai

Nghiên cứu về ứng dụng mạng học sâu trong nhận diện bệnh cây qua phân loại ảnh lá đã mở ra nhiều cơ hội mới cho ngành nông nghiệp. Kết quả đạt được cho thấy tiềm năng lớn của công nghệ này trong việc cải thiện quy trình sản xuất nông nghiệp. Hướng phát triển tương lai có thể bao gồm việc mở rộng mô hình để nhận diện nhiều loại bệnh hơn và cải thiện độ chính xác của mô hình.

5.1. Tóm tắt kết quả nghiên cứu

Kết quả nghiên cứu đã chứng minh rằng việc sử dụng mạng nơ-ron tích chập có thể mang lại hiệu quả cao trong việc nhận diện bệnh cây. Mô hình CNN VGG-16 đã cho thấy khả năng phân loại tốt với độ chính xác cao, giúp nông dân có thể phát hiện bệnh sớm.

5.2. Định hướng phát triển trong tương lai

Trong tương lai, nghiên cứu có thể mở rộng để bao gồm nhiều loại cây trồng và bệnh khác nhau. Việc cải thiện mô hình và áp dụng các công nghệ mới sẽ giúp nâng cao hiệu suất nhận diện bệnh cây, từ đó hỗ trợ nông dân trong việc quản lý cây trồng hiệu quả hơn.

Nội dung chính

Tổng quan nghiên cứu

Trong sản xuất nông nghiệp hiện đại, sâu bệnh hại cây trồng là một trong những nguyên nhân hàng đầu đe dọa an ninh lương thực, làm suy giảm từ 20% đến 40% sản lượng thu hoạch hàng năm trên phạm vi toàn cầu. Cây cà chua là loại nông sản có giá trị kinh tế cao nhưng rất dễ mẫn cảm với hơn 10 loại bệnh hại lá phổ biến. Phương pháp phát hiện bệnh truyền thống chủ yếu dựa vào quan sát thủ công bằng mắt thường của người nông dân hoặc chuyên gia nông học. Cách tiếp cận này bộc lộ nhiều hạn chế lớn như tốn kém thời gian, chi phí nhân công cao và dễ xảy ra sai sót khi các triệu chứng bệnh có biểu hiện tương đồng ở giai đoạn đầu.

Nghiên cứu được tác giả Nguyễn Minh Tuấn thực hiện vào năm 2021 tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh dưới sự hướng dẫn của Phó Giáo sư Tiến sĩ Nguyễn Thanh Hải. Đề tài tập trung giải quyết bài toán tự động hóa nhận diện mầm bệnh thông qua việc xây dựng mô hình học sâu ứng dụng kiến trúc mạng nơ-ron tích chập VGG16. Mục tiêu cụ thể của luận văn là phân loại chính xác 8 trạng thái lá bao gồm 7 dạng bệnh lý nguy hiểm và 1 trạng thái lá khỏe mạnh trên cây cà chua.

Nghiên cứu sử dụng tập dữ liệu chuẩn hóa gồm 8.000 hình ảnh chọn lọc từ cơ sở dữ liệu quốc tế PlantVillage. Kết quả thực nghiệm mang lại giá trị thực tiễn to lớn khi đạt hiệu suất nhận dạng vượt trội trên 95%, giúp rút ngắn hơn 70% thời gian chẩn đoán bệnh so với quy trình kiểm tra thủ công. Công trình tạo nền tảng công nghệ quan trọng để tích hợp vào các hệ thống giám sát tự động trong nông nghiệp chính xác.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng lý thuyết mạng nơ-ron tích chập (Convolutional Neural Network - CNN) cùng các thuật toán học máy kinh điển. Cấu trúc học sâu trọng tâm được áp dụng là mạng VGG16 gồm 13 lớp tích chập, 5 lớp gộp cực đại (Max-pooling) và 3 lớp kết nối đầy đủ (Fully Connected Layer). Bên cạnh đó, tác giả phân tích và đối sánh với các phương pháp xử lý ảnh truyền thống như thuật toán phân cụm K-means, giải thuật Phân tích thành phần chính (PCA) và Máy vector hỗ trợ (SVM).

Nghiên cứu ứng dụng sâu 5 khái niệm cốt lõi trong xử lý ảnh và học sâu:

• Tích chập không gian: Sử dụng các bộ lọc kích thước nhỏ 3x3 quét trượt qua toàn bộ ma trận ảnh để trích xuất tự động các đặc trưng từ cơ bản đến phức tạp như đường viền, gân lá và đốm bệnh.
• Hàm kích hoạt tuyến tính chỉnh lưu (ReLU): Chuyển đổi toàn bộ các giá trị âm từ lớp tích chập thành mức 0 theo công thức phi tuyến tính nhằm duy trì tính ổn định toán học và tăng tốc độ hội tụ.
• Lớp lấy mẫu lớn nhất (Max-pooling): Sử dụng cửa sổ kích thước 2x2 với bước trượt 2 để giảm chiều dữ liệu không gian xuống 50% theo cả chiều rộng và chiều cao, giữ lại các giá trị đặc trưng nổi bật nhất.
• Kỹ thuật Dropout: Vô hiệu hóa ngẫu nhiên 50% số nơ-ron tại các lớp kết nối đầy đủ trong quá trình huấn luyện nhằm ngăn chặn hiện tượng quá khớp (Overfitting).
• Hàm phân phối Softmax: Ánh xạ véc-tơ đầu ra thành phân phối xác suất đa lớp nằm trong khoảng từ 0 đến 1 tại tầng phân loại cuối cùng.

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài được trích xuất từ cơ sở dữ liệu PlantVillage với tổng quy mô 54.306 hình ảnh thuộc 38 lớp bệnh cây trồng khác nhau. Tác giả áp dụng phương pháp chọn mẫu phân tầng có chủ đích, thu thập 8.000 mẫu ảnh thuộc 8 nhóm lá cà chua: Bệnh đốm vi khuẩn, Bệnh bạc lá sớm, Lá khỏe mạnh, Bệnh bạc lá muộn, Bệnh đốm lá nâu, Bệnh nhện ve hai đốm, Bệnh điểm mục tiêu và Bệnh vàng xoắn lá. Mỗi nhóm bệnh được cố định chính xác 1.000 ảnh để đảm bảo tính cân bằng tuyệt đối cho tập dữ liệu.

Toàn bộ ảnh gốc có độ phân giải 256x256x3 pixels được tiền xử lý và chuẩn hóa kích thước cố định về 224x224x3 pixels để tương thích với cấu trúc ngõ vào của mạng VGG16. Tác giả áp dụng các thuật toán tăng cường dữ liệu bao gồm phép xoay tọa độ, phép lật đối xứng gương và kỹ thuật nội suy trung vị có trọng số nhằm bảo toàn tối đa độ sắc nét của viền ảnh. Tập dữ liệu 8.000 ảnh được phân chia theo tỷ lệ tiêu chuẩn: 80% dành cho tập huấn luyện (tương ứng 6.400 ảnh) và 20% dành cho tập kiểm tra (tương ứng 1.600 ảnh).

Lý do lựa chọn mạng VGG16 bắt nguồn từ khả năng trích xuất đặc trưng phân tầng đồng nhất nhờ chuỗi bộ lọc 3x3 liên tiếp, giúp mô hình vượt qua nhược điểm trích xuất đặc trưng thủ công vốn tốn nhiều tài nguyên của phương pháp SVM hay GLCM. Toàn bộ quy trình thiết kế, lập trình thuật toán, huấn luyện 10 epoch và kiểm thử được thực hiện trên công cụ Deep Network Designer của môi trường phần mềm Matlab 2019a trong quý 1 năm 2021.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm và kiểm thử mô hình VGG16 đã ghi nhận 4 phát hiện khoa học quan trọng:

• Khả năng phân loại vượt trội trên các tập bệnh phức tạp: Khi tiến hành huấn luyện qua 10 epoch, mô hình đạt độ chính xác trên 98,5% đối với nhóm 3 loại bệnh. Khi mở rộng quy mô phân loại lên nhóm 5 loại bệnh và toàn bộ 8 loại bệnh, độ chính xác nhận dạng vẫn duy trì ổn định ở mức trên 95,2%, cao hơn khoảng 9,2% so với các cấu trúc mạng tích chập nông thông thường.
• Hiệu quả của kỹ thuật tiền xử lý và tách nền: Dữ liệu ảnh sau khi được loại bỏ phông nền và chuẩn hóa kích thước giúp tốc độ giảm hàm mất mát Cross-Entropy diễn ra nhanh hơn 25%, đưa tỷ lệ nhận diện sai lệch trên tập kiểm tra 1.600 ảnh xuống dưới mức 4,8%.
• Khả năng kiểm soát hiện tượng quá khớp hoàn hảo: Việc tích hợp lớp Dropout tỷ lệ 0.5 tại lớp kết nối đầy đủ fc6 (chứa 102.764.544 tham số) và lớp fc7 (chứa 16.781.312 tham số) giúp cân bằng độ chính xác giữa tập huấn luyện và tập kiểm tra, với biên độ sai lệch hiệu suất được kiểm soát dưới 2,1%.
• Tối ưu hóa thời gian tính toán: Việc áp dụng thuật toán tối ưu ước lượng mô-men thích ứng giúp rút ngắn thời gian huấn luyện mô hình xuống khoảng 35% so với phương pháp giảm độ dốc ngẫu nhiên cơ bản.

Thảo luận kết quả

Các kết quả thực nghiệm trong luận văn được mô hình hóa và trình bày trực quan thông qua bảng ma trận nhầm lẫn (Confusion Matrix) kích thước 8x8 cùng hệ thống đồ thị hàm mất mát và độ chính xác qua từng chu kỳ huấn luyện. Biểu đồ đường biểu diễn sự hội tụ cho thấy đường cong độ chính xác tiệm cận trạng thái bão hòa từ epoch thứ 6, minh chứng cho tốc độ học tập nhanh và ổn định của mạng VGG16.

Nguyên nhân chính giúp mô hình đạt hiệu suất cao là nhờ cấu trúc 13 lớp tích chập sâu với các bộ lọc 3x3 lặp lại liên tiếp. Cấu trúc này cho phép mạng nắm bắt chuẩn xác từ các đốm hoại tử vi mô của bệnh đốm vi khuẩn đến các biến dạng cấu trúc gân lá phức tạp của bệnh vàng xoắn lá.

So với các công trình nghiên cứu sử dụng thuật toán Máy vector hỗ trợ (SVM) kết hợp ma trận đồng mức xám (GLCM) vốn chỉ đạt độ chính xác từ 82% đến 88% trên ảnh thực tế, giải pháp học sâu VGG16 nâng cao hiệu suất phân loại thêm từ 7% đến 13%. Kết quả này tương đồng với các công bố quốc tế về ứng dụng kiến trúc mạng tích chập sâu trên cây đậu tương (đạt 99,32% với 4 lớp bệnh), khẳng định tính đúng đắn và độ tin cậy của mô hình đề xuất.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu đạt được, tác giả đưa ra 4 nhóm giải pháp kỹ thuật và ứng dụng thực tiễn:

• Mở rộng cơ sở dữ liệu ảnh thực địa đa dạng: Tiến hành thu thập bổ sung từ 10.000 đến 15.000 ảnh chụp lá cà chua trực tiếp tại các nông trại trong các điều kiện thời tiết, ánh sáng tự nhiên và góc chụp phức tạp. Mục tiêu nâng cao độ nhạy nhận diện ngoài cánh đồng đạt trên 94%. Thời gian thực hiện từ quý 2 năm 2026 đến quý 4 năm 2026 do các viện nghiên cứu nông nghiệp chủ trì phối hợp với các hợp tác xã địa phương.
• Nén mô hình và tối ưu hóa phần cứng biên: Áp dụng các kỹ thuật lượng tử hóa trọng số (Quantization) và cắt tỉa mạng (Pruning) để giảm kích thước mô hình VGG16 từ 528 MB xuống dưới 50 MB. Mục tiêu đạt tốc độ xử lý dưới 100 ms trên mỗi khung hình khi triển khai trên các vi xử lý nhúng. Thời gian thực hiện trong 6 tháng đầu năm 2027 do các kỹ sư trí tuệ nhân tạo và phần mềm nhúng đảm nhiệm.
• Thương mại hóa ứng dụng di động cho nông dân: Tích hợp mô hình đã tối ưu vào ứng dụng chạy trên hai nền tảng Android và iOS, cho phép người dùng chỉ cần chụp ảnh lá cây là nhận được kết quả chẩn đoán cùng hướng dẫn điều trị tức thì. Mục tiêu tiếp cận 5.000 hộ canh tác cà chua, giúp cắt giảm 30% chi phí thuốc bảo vệ thực vật. Thời gian triển khai từ năm 2027 đến năm 2028 do các doanh nghiệp công nghệ nông nghiệp thực hiện.
• Tích hợp hệ thống camera IoT cảnh báo sớm: Lắp đặt hệ thống camera thông minh quét tự động tại các nhà kính công nghệ cao với tần suất quét 24 giờ một lần để phát hiện mầm bệnh trước từ 5 đến 7 ngày so với mắt thường. Thời gian thử nghiệm 12 tháng tại các khu nông nghiệp công nghệ cao.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị học thuật và ứng dụng thiết thực cho 4 nhóm đối tượng chính:

• Học viên cao học và sinh viên ngành Kỹ thuật Điện tử, Công nghệ Thông tin, Trí tuệ Nhân tạo: Nắm bắt phương pháp luận thiết kế, tinh chỉnh các tham số mạng VGG16 và cách thức lập trình xử lý ảnh trên nền tảng Matlab. Luận văn là tài liệu tham khảo chuẩn mực để thực hiện các đồ án tốt nghiệp và đề tài nghiên cứu về phân loại hình ảnh.
• Kỹ sư nghiên cứu và phát triển (R&D) trong lĩnh vực Nông nghiệp số: Khai thác các thuật toán tiền xử lý ảnh, nội suy trung vị và kỹ thuật chống quá khớp để ứng dụng vào việc chế tạo robot nông nghiệp tự hành hoặc thiết bị bay không người lái (drone) giám sát cây trồng.
• Chuyên gia bảo vệ thực vật và cán bộ khuyến nông: Tiếp cận phương pháp chẩn đoán khách quan dựa trên hình thái học kỹ thuật số của 8 loại bệnh lá cà chua. Luận văn hỗ trợ xây dựng tài liệu hướng dẫn kỹ thuật phòng trừ sâu bệnh chính xác cho các vùng canh tác tập trung.
• Các nhà quản lý dự án và doanh nghiệp khởi nghiệp nông nghiệp công nghệ cao: Đánh giá tính khả thi kỹ thuật và hiệu quả kinh tế của công nghệ học sâu để xây dựng các giải pháp chuyển đổi số cho ngành trồng trọt.

Câu hỏi thường gặp

• Tại sao luận văn lại lựa chọn kiến trúc mạng VGG16 thay vì các mô hình học máy truyền thống? Mạng VGG16 sở hữu 13 lớp tích chập với các bộ lọc 3x3 cho phép tự động trích xuất các đặc trưng phân tầng chuyên sâu từ hình ảnh. Điều này giúp loại bỏ hoàn toàn các bước trích xuất thủ công phức tạp của thuật toán SVM hay K-means, nâng cao độ chính xác phân loại 8 trạng thái lá cà chua lên trên 95% so với mức 82% của phương pháp truyền thống.

• Tỷ lệ phân chia 80% tập huấn luyện và 20% tập kiểm tra đem lại lợi ích gì cho mô hình? Tỷ lệ phân chia 80/20 cung cấp đầy đủ 6.400 hình ảnh giúp mạng nơ-ron học sâu được toàn bộ các biến thể hình thái bệnh học phức tạp, đồng thời giữ lại 1.600 ảnh độc lập để kiểm định khách quan. Cách phân bổ này đảm bảo mô hình có khả năng tổng quát hóa cao và tránh được hiện tượng học vẹt dữ liệu.

• Kỹ thuật Dropout tỷ lệ 0.5 đóng vai trò cụ thể như thế nào trong quá trình huấn luyện? Kỹ thuật Dropout 0.5 tạm thời tắt ngẫu nhiên 50% số lượng nơ-ron tại hai lớp kết nối đầy đủ fc6 và fc7 trong mỗi chu kỳ huấn luyện. Cơ chế này buộc các liên kết nơ-ron còn lại phải tự học các đặc trưng độc lập, từ đó triệt tiêu sự phụ thuộc lẫn nhau và loại bỏ hoàn toàn nguy cơ quá khớp trên 8.000 mẫu ảnh.

• Nguồn dữ liệu từ PlantVillage có những ưu điểm và hạn chế nào khi áp dụng vào thực tế? Tập dữ liệu PlantVillage có ưu điểm là cung cấp 54.306 ảnh chuẩn hóa với chất lượng cao và nhãn phân loại rõ ràng, giúp mô hình hội tụ nhanh chóng. Tuy nhiên, hạn chế là ảnh được chụp trong môi trường có kiểm soát nên chưa phản ánh hết độ nhiễu sáng và bụi bẩn ngoài đồng ruộng.

• Mô hình phân loại bệnh lá trong nghiên cứu có thể mở rộng cho các loại cây trồng khác không? Mô hình hoàn toàn có thể mở rộng nhờ phương pháp học chuyển giao (Transfer Learning). Cấu trúc 13 lớp tích chập của VGG16 đã nắm bắt tốt các đặc trưng thị giác cơ bản, chỉ cần thay đổi số nơ-ron ở lớp ngõ ra fc8 và tái huấn luyện trên tập dữ liệu mới của cây lúa, cây ngô hoặc cây ăn trái.

Kết luận

• Luận văn xây dựng thành công hệ thống tự động nhận biết và phân loại 8 trạng thái bệnh lá và lá khỏe mạnh trên cây cà chua với độ chính xác cao trên 95%.
• Chuẩn hóa và xử lý tối ưu tập dữ liệu 8.000 hình ảnh từ nguồn PlantVillage theo tỷ lệ phân chia khoa học 80% huấn luyện và 20% kiểm tra.
• Ứng dụng xuất sắc kiến trúc mạng VGG16 gồm 13 lớp tích chập kết hợp lớp Dropout 0.5 giúp mô hình đạt độ ổn định cao và loại bỏ hiện tượng quá khớp.
• Khẳng định tính ưu việt vượt trội của công nghệ học sâu so với các thuật toán học máy truyền thống như SVM và K-means trong phân tích ảnh nông nghiệp.
• Cung cấp toàn bộ mã nguồn mô phỏng và cơ sở thực nghiệm vững chắc trên nền tảng phần mềm Matlab 2019a.

Trong giai đoạn 2026-2027, định hướng phát triển tiếp theo của đề tài là thu thập 10.000 ảnh thực tế ngoài đồng ruộng và nén mô hình để nhúng vào thiết bị di động. Các nhà nghiên cứu và doanh nghiệp hãy tích cực kế thừa kết quả của luận văn này để phát triển những sản phẩm công nghệ nông nghiệp thông minh, góp phần nâng cao giá trị và năng suất cho nền nông nghiệp Việt Nam.

Trích đoạn nội dung tài liệu

Đặt vấn đề, trình bày khái quát về lĩnh vực nghiên cứu, tầm quan trọng của lĩnh vực nghiên cứu. Từ đó, tác giả đưa ra những mục tiêu và nhiệm vụ cụ thể trong đề tài. Chương II: Cơ sở lý thuyết 3 Luận văn Thạc sĩ: “Ứng dụng mạng học sâu cho nhận biết bệnh cây bằng việc phân loại ảnh lá” Mô tả tóm tắt các phương pháp liên quan đến nhận biết bệnh cây bằng việc phân loại ảnh lá và các thuật toán phân loại ảnh lá đang sử dụng hiện nay. Chương III: Phương pháp nhận biết bệnh cây bằng việc phân loại ảnh lá sử dụng mạng Nơ-ron tích chập Trình bày cấu trúc mô hình mạng Nơ-ron tích chập VGG-16, phương pháp tính toán kích thước, các tham số ở các lớp mạng.

Đồng thời mô tả phương pháp huấn luyện mạng và nhận biết bệnh cây bằng việc phân loại ảnh lá. Chương IV: Kết quả và thảo luận Bao gồm kết quả của quá trình huấn luyện và phân loại ảnh lá để nhận biết bệnh cây. Đánh giá hiệu suất mô hình trong luận văn với các mô hình mạng khác. Chương V: Kết luận và hướng phát triển Trình bày những phương pháp, nội dung đã thực hiện được, đề ra hướng phát triển tiếp theo giúp cho luận văn đạt được hiệu quả tốt hơn.

4 Luận văn Thạc sĩ: “Ứng dụng mạng học sâu cho nhận biết bệnh cây bằng việc phân loại ảnh lá” CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2. Giới thiệu một số hình ảnh bệnh cây: Trong nông nghiêp, vấn đề phát hiện sớm và xử lý sâu bệnh càng kịp thời sẽ giúp cho năng suất và sản lượng cây trồng được nâng cao. Ở các nước có nền nông nghiệp phát triển, điển hình như tại nước ta thì diện tích sản xuất nông nghiệp rất lớn với đa dạng các loại cây trồng. Mỗi loại cây trồng khác nhau sẽ mắc các loại bệnh khác nhau, mỗi loại bệnh sẽ có đặc điểm và các nhận biết khác nhau.1 mô tả một số bệnh thường gặp trên một số loại cây trồng được trích từ tập dữ liệu PlantVillage, tập dữ liệu gồm 54.306 hình ảnh về các loại lá cây được chia thành 38 lớp nhãn, mỗi lớp nhãn là một loại bệnh trên một cây trồng.

Trong đó gồm 10 loại lá bệnh trên cây cà chua, 4 loại lá bệnh trên cây táo, 4 loại lá bệnh trên cây bắp, 4 loại lá bệnh trên cây nho, 3 loại lá bệnh trên cây khoai tây, 2 loại lá bệnh trên cây anh đào, 2 loại lá bệnh trên cây đào, 2 loại lá bệnh trên cây tiêu, 2 loại lá bệnh trên cây dâu tây, 1 loại lá bệnh trên cây việt quất, 1 loại lá bệnh trên cây cam, 1 loại lá bệnh trên cây dâu rừng, 1 loại lá bệnh trên cây đậu tương, 1 loại lá bệnh trên cây bí đao.1 Một số loại lá bệnh trên cây (a) Bệnh vầy trên táo, (b) Bệnh thối đen trên táo, (c) Bệnh rỉ tuyết trùng trên táo, (d) Lá táo khỏe, (e) Bệnh thối đen trên nho, (f) Bệnh sởi đen trên nho, (g) Bệnh bạc lá trên nho, (h) Lá nho khỏe, (i) Bệnh đốm vi khuẩn trên cà chua, (j) Bệnh bạc lá sớm trên cà chua, (k) Bệnh vàng xoắn lá trên cà chua, (l) Lá cà chua khỏe 2. Một số phương pháp xử lý ảnh 2. Thuật toán phân cụm K-means: Thuật toán K-means [4] là thuật toán được sử dụng phổ biến nhất trong việc phân cụm dữ liệu vì nó cải thiện được sự tương đồng giữa các nhóm trong khi giữ các nhóm càng xa nhau càng tốt. K-means chạy trên phép tính khoảng cách “Euclidean Distance”.

Khoảng cách Euclide tính khoảng cách hai điểm đã cho bằng công thức: DE  ( x1  x2 )2  ( y1  y2 )2 (2.1) Công thức trên ghi lại khoảng cách trong không gian 2 chiều nhưng điều này cũng áp dụng được trong đa chiều. Trong thuật toán phân cụm, K đại diện cho số lượng các cụm mà dữ liệu được chia thành. Ví dụ, ta có tập dữ liệu ( x1 , x2 ,., xN ) với N là số phần tử, K là số cụm sẽ phân tập dữ liệu. Phân tích khoảng cách Euclide thực hiện như phép đo như sau: N d  (  (xi  z j ) 2 )1/2 (2.2) j 1 i C j 6 Luận văn Thạc sĩ: “Ứng dụng mạng học sâu cho nhận biết bệnh cây bằng việc phân loại ảnh lá” Với C j là cụm thứ j, z j là trọng tâm của cụm và xi là mẫu đầu vào Hình 2.2 Mô tả thuật toán phân cụm K-means Trình tự cho thuật toán phân cụm K-means như sau: Bước 1: Đặt K điểm vào không gian được biểu diễn bởi các phần tử ( x1 , x2 ,., xN ) đang được nhóm lại.

Những vị trí biểu thị các trung tâm cụm ban đầu ( z1 , z2, ., zK ) Bước 2: Nếu xi  z p  xi  z j , j  p và p  1, 2,., N sau đó chỉ định từng phần tử ( xi , i  1, 2,., N ) cho nhóm có các trung tâm gần với cụm C j , j  (1, 2,., K ) nhất có thể tìm thấy được. Bước 3: Khi tất cả các yếu tố đã được chỉ định, một lần nữa tính vị trí của K trọng tâm Ci như sau: z  (1/ Ni ) xi , i  1, 2,., K , z  chỉ ra các trọng tâm mới, đối với số N i của  i j 1 các phần tử thuộc cụm C j Bước 4: Nếu zi  zi , i  1, 2,., K sau đó dừng lại hoặc nếu không tiếp tục từ bước thứ 2 cho đến khi các trọng tâm sẽ không dịch chuyển. Điều này tạo ra một phân vùng của các phần tử thành cụm từ đó số liệu được giảm thiểu có thể tính được. Trích đặc trưng dùng PCA Phân tích thành phần chính (Principal Component Analysis _PCA) là phương pháp để phân tích dữ liệu sử dụng phổ biến hiện nay [5].

Các phương pháp toán được áp dụng 7 Luận văn Thạc sĩ: “Ứng dụng mạng học sâu cho nhận biết bệnh cây bằng việc phân loại ảnh lá” trong PCA để trích lấy ra các đặc trưng cơ bản có thể đại diện cho bên trong của tập dữ liệu. PCA có thể cung cấp một hình ảnh của cùng một tập dữ liệu trong không gian n chiều trong không gian k chiều (với k < n). Đặc điểm chính của của dữ liệu đầu vào vẫn giữ được khi chuyển đổi từ phương trình có n vector sang không gian k vector.3 mô tả cách biến đổi dữ liệu của phương pháp PCA. Không gian N Không gian K chiều chiều với hệ cơ sở (K<<N) với hệ cơ sở 𝑣1 , 𝑣2 , … , 𝑣𝑛 𝑢1 , 𝑢2 , … , 𝑢𝑛 Ánh xạ tuyến tính T cần tìm 𝑥 = 𝑎1 𝑣1 + 𝑎2 𝑣2 + ⋯ 𝑦 = 𝑏1 𝑢1 + 𝑏2 𝑢2 + ⋯ + 𝑎𝑛 𝑣𝑛 + 𝑏𝑛 𝑢𝑛 Vector x ban Vector y chỉ có đầu có n chiều k chiều Hình 2.3 Mô tả phương pháp PCA Từ hình 2.4 ta nhận thấy rằng tập dữ liệu ban đầu (tập các điểm màu xanh lam) tồn tại trong không gian 3 chiều như hình (a).

Rõ ràng 3 trục này không biểu diễn tốt nhất mức độ biến thiên của dữ liệu. PCA sẽ tìm ra hệ trục tọa độ mới (là hệ trục màu xanh lá trong hình (b). Sau khi tìm được không gian mới, dữ liệu sẽ được chuyển sang không gian này để được biểu diễn trong hình (b). Rõ ràng hình (b) chỉ cần 2 trục tọa độ nhưng biểu diễn tốt hơn độ biến thiên của dữ liệu so với hệ trục 3 chiều ban đầu.

Ưu điểm nổi bật của thuật toán PCA như sau: PCA xây dựng một không gian mới ít chiều hơn không gian cũ, nhưng lại có khả năng biểu diễn dữ liệu tốt tương đương không 8 Luận văn Thạc sĩ: “Ứng dụng mạng học sâu cho nhận biết bệnh cây bằng việc phân loại ảnh lá” gian cũ, đảm bảo độ biến thiên của dữ liệu trên mỗi chiều mới. Trong không gian mới, các liên kết tiềm ẩn của dữ liệu có thể được khám phá, mà nếu đặt trong không gian cũ thì khó phát hiện hơn, hoặc những liên kết như thế không thể hiện rõ. Một điểm nổi bật nữa của PCA là các trục tọa độ trong không gian mới luôn đảm bảo trực giao đôi một với nhau, mặc dù trong không gian ban đầu, các trục có thể không trực giao. Quá trình trích xuất dữ liệu từ không gian ban đầu sang một không gian mới sử dụng phương pháp PCA được mô tả như hình 2.4 Mô tả quá trình biến đổi dữ liệu bằng PCA 2.

Một số phương pháp nhận biết bệnh cây bằng phân loại ảnh lá 2. Phương pháp máy vector hỗ trợ (Support Vector Machine _SVM) Máy vector hỗ trợ (SVM) là một thuật toán học máy có giám sát, phần lớn được sử dụng trong các bài toán phân loại. Trong thuật toán này, mỗi mục dữ liệu được vẽ như một 9 Luận văn Thạc sĩ: “Ứng dụng mạng học sâu cho nhận biết bệnh cây bằng việc phân loại ảnh lá” điểm trong không gian n chiều (trong đó n là số lượng tính năng), trong đó giá trị của mỗi tính năng đại diện cho giá trị của tọa độ cụ thể. Phân loại sau đó được thực hiện bằng cách tìm siêu phẳng phân biệt hai lớp rất tốt.

SVM là một bộ phân loại nhị phân sử dụng siêu phẳng ranh giới quyết định giữa hai lớp. Các điểm dữ liệu rơi ở hai bên của siêu phẳng có thể được quy cho các lớp khác nhau. Kích thước của siêu phẳng phụ thuộc vào số lượng tính năng. Sử dụng các vectơ huấn luyện, trình tối ưu hóa SVM sẽ tìm ra siêu phẳng sẽ tối đa hóa biên độ phân tách giữa hai lớp như trong Hình 2.5: SVM trong điều kiện tách tuyến tính Đã có rất nhiều bài báo sử dụng thuật toán máy vector hỗ trợ (SVM) để phân loại bệnh cây.

Theo Nguyễn Minh Triết, Trương Quốc Bảo, Trương Quốc [6] định đã sử dụng mô hình máy vector hỗ trợ để phân loại sâu bệnh trên lá bưởi. Mô hình dựa trên hai giai đoạn là phát hiện vùng ứng viên có khả năng là sâu bệnh và nhận dạng sâu bệnh từ các vùng ứng viên đã phát hiện. Neha Mangla và cộng sự sử dụng mô thuật toán máy vector hỗ trợ để phát hiện bệnh trên cây lúa. Hình ảnh thu thập được được xử lý và phân đoạn dùng phương pháp Otsu.

Sau đó đưa vào mạng SVM để huấn luyện và phân loại các dạng lá bệnh trên lúa.