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.

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.