Nghiên cứu ứng dụng mô hình học sâu trong nhận biết thời kỳ trái dứa chín cho các vùng trồng dứa tại việt nam

Tài liệu nghiên cứu Nghiên cứu ứng dụng mô hình học sâu trong nhận biết thời kỳ trái dứa chín cho các vùng trồng dứa, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên

• Tác giả: Bùi Văn Chuyên
• Người hướng dẫn: TS. Nguyễn Hà Huy Cường
• Trường học: Trường Đại Học Thủ Dầu Một
• Chuyên ngành: Hệ Thống Thông Tin
• Đề tài: Nghiên Cứu Ứng Dụng Mô Hình Học Sâu Trong Nhận Biết Thời Kỳ Trái Dứa Chín Cho Các Vùng Trồng Dứa Tại Việt Nam
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Bình Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN
• MỤC LỤC
• DANH MỤC CHỮ VIẾT TẮT
• DANH MỤC BẢNG BIỂU
• DANH MỤC HÌNH, ĐỒ THỊ
• 1. MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.2.1. Mục tiêu chung
• 1.2.2. Mục tiêu cụ thể
• 1.3. Tổng quan nghiên cứu của đề tài
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. Phương pháp nghiên cứu
• 1.6. Đóng góp của đề tài
• 1.7. Cấu trúc của đề tài
• 2. TỔNG QUAN VỀ NHẬN DẠNG DỰA TRÊN MÔ HÌNH PHÁT HIỆN ĐỐI TƯỢNG
• 2.1. Khái niệm cơ bản trong xử lý ảnh
• 2.2. Độ phân giải của ảnh (Resolution)
• 2.3. Mức xám của ảnh
• 2.3.1. Ảnh đen trắng
• 2.3.2. Ảnh nhị phân
• 2.5. Biểu diễn ảnh
• 2.7. Nhận dạng ảnh
• 2.8. Nhận dạng trái chín trong vùng trồng dứa dựa trên mạng nơ-ron tích chập
• 2.8.1. Lọc màu vỏ trái cây
• 2.8.3. Trích đặc trưng
• 2.9. Tìm hiểu về thuật toán R-CNN, Fast R-CNN, Faster R-CNN và Mask R-CNN
• 2.9.1. Region-based Convolutional Neural Networks (R-CNN)
• 2.9.1.1. Cách R-CNN hoạt động
• 2.9.1.2. Bounding Box Regression
• 2.9.1.3. Một số thủ thuật thường gặp trong RCNN
• 2.9.1.4. Một số vấn đề của RCNN
• 2.9.2. Cách hoạt động của Fast R-CNN
• 2.9.3. Một số vấn đề của Fast RCNN
• 2.9.4. Cách hoạt động của Faster RCNN
• 2.9.5. Tìm hiểu về thuật toán You Only Look Once
• 2.9.5.1. Giới thiệu YOLO
• 2.9.5.2. Cách YOLO hoạt động
• 2.9.5.3. Cấu trúc của YOLO
• 2.9.5.4. Mô hình mạng của YOLO
• 2.9.5.5. Kiến trúc của YOLO
• 3. BÀI TOÁN NHẬN DẠNG TRÁI DỨA CHÍN ÁP DỤNG MẠNG NƠ RON TÍCH CHẬP
• 3.1. Giới thiệu về mạng nơ-ron nhân tạo
• 3.2. Mạng nơ-ron truyền thẳng
• 3.2.1. Mạng nơ-ron truyền thẳng một lớp
• 3.3. Phân lớp, nhận dạng đối tượng với Support Vector Machine
• 3.3.1. SVM với tập mẫu phân hoạch tuyến tính được
• 3.3.1.1. SVM tuyến tính với tập mẫu không phân hoạch tuyến tính được
• 3.3.1.2. SVM phi tuyến
• 3.4. Mạng nơ-ron tích chập
• 3.4.1. Khái niệm về mạng nơ ron tích chập
• 3.4.2. Mô hình mạng nơ ron tích chập
• 3.4.3. Xây dựng mạng nơ ron tích chập
• 3.4.3.1. Mạng được kết nối cục bộ
• 3.4.3.2. Chia sẻ tham số
• 3.4.3.3. Hàm kích hoạt
• 3.4.5. Tầng được kết nối đầy đủ
• 3.4.6. Mô hình quá khớp
• 3.4.4. Một số mạng tích chập nổi tiếng
• 3.5. Hệ thống nhận dạng trái cây thông minh tiếp cận phương pháp Deep Learning
• 3.5.1. Kiến trúc của hệ thống
• 3.5.2. Nhận biết trái cây tươi
• 3.5.3. Nhận dạng trái cây thối
• 3.5.4. Đánh giá hiệu suất
• 4. KẾT QUẢ THỰC NGHIỆM
• 4.1. Mô tả thực nghiệm
• 4.2. Thiết kế hệ thống
• 4.3. Tiến hành thực nghiệm
• 4.4. Triển khai xây dựng
• 4.4.1. Tiền xử lý dữ liệu
• 4.4.2. Gán nhãn dữ liệu
• 4.4.3. Huấn luyện mô hình
• 4.4.3.1. Tiền huấn luyện
• 4.4.3.2. Huấn luyện mô hình
• 4.4.4. Đánh giá hiệu suất mô hình
• 4.4.5. Đánh giá hệ thống
• KẾT LUẬN VÀ KIẾN NGHỊ
• Hướng phát triển của đề tài
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC 1: Cài đặt ứng dụng

Tóm tắt

I. Tổng quan về ứng dụng mô hình học sâu trong nhận diện trái dứa chín

Mô hình học sâu đã trở thành một công cụ mạnh mẽ trong việc nhận diện và phân loại trái cây, đặc biệt là trái dứa. Việc áp dụng công nghệ này không chỉ giúp nâng cao hiệu quả sản xuất mà còn giảm thiểu chi phí và tổn thất trong quá trình thu hoạch. Nghiên cứu này tập trung vào việc ứng dụng các mô hình học sâu để nhận diện thời kỳ chín của trái dứa tại Việt Nam, một trong những loại cây ăn trái chủ lực của đất nước.

1.1. Khái niệm về mô hình học sâu trong nông nghiệp

Mô hình học sâu, hay còn gọi là Deep Learning, là một nhánh của trí tuệ nhân tạo (AI) sử dụng các mạng nơ-ron để phân tích và nhận diện hình ảnh. Trong nông nghiệp, mô hình này giúp nhận diện các đặc điểm của cây trồng, từ đó đưa ra các quyết định chính xác hơn trong việc chăm sóc và thu hoạch.

1.2. Tầm quan trọng của nhận diện thời kỳ chín của trái dứa

Nhận diện thời kỳ chín của trái dứa là rất quan trọng để đảm bảo chất lượng sản phẩm và tối ưu hóa quy trình thu hoạch. Việc xác định chính xác thời điểm thu hoạch giúp giảm thiểu tổn thất và nâng cao giá trị kinh tế cho nông dân.

II. Thách thức trong việc nhận diện thời kỳ chín của trái dứa tại Việt Nam

Mặc dù công nghệ học sâu mang lại nhiều lợi ích, nhưng việc áp dụng nó trong nhận diện thời kỳ chín của trái dứa vẫn gặp phải nhiều thách thức. Các yếu tố như điều kiện ánh sáng, độ phân giải hình ảnh và sự đa dạng về màu sắc của trái dứa có thể ảnh hưởng đến độ chính xác của mô hình.

2.1. Các yếu tố ảnh hưởng đến độ chính xác của mô hình

Độ chính xác của mô hình học sâu phụ thuộc vào nhiều yếu tố, bao gồm chất lượng hình ảnh, số lượng dữ liệu huấn luyện và các thuật toán được sử dụng. Việc thu thập dữ liệu hình ảnh đa dạng và phong phú là rất cần thiết để cải thiện độ chính xác.

2.2. Khó khăn trong việc thu thập dữ liệu hình ảnh

Việc thu thập dữ liệu hình ảnh cho mô hình học sâu gặp khó khăn do điều kiện thời tiết và môi trường. Hình ảnh cần được chụp trong nhiều điều kiện khác nhau để mô hình có thể học hỏi và nhận diện chính xác.

III. Phương pháp ứng dụng mô hình học sâu trong nhận diện trái dứa chín

Để nhận diện thời kỳ chín của trái dứa, nghiên cứu đã áp dụng các mô hình học sâu như CNN, Fast R-CNN và YOLO. Những mô hình này cho phép phân loại và nhận diện trái dứa một cách hiệu quả, từ đó đưa ra các quyết định thu hoạch chính xác.

3.1. Mô hình CNN trong nhận diện trái dứa

Mô hình CNN (Convolutional Neural Network) là một trong những mô hình phổ biến nhất trong nhận diện hình ảnh. Mô hình này giúp trích xuất các đặc trưng quan trọng từ hình ảnh trái dứa, từ đó phân loại chúng theo mức độ chín.

3.2. Ứng dụng Fast R CNN trong nhận diện trái dứa

Fast R-CNN là một cải tiến của R-CNN, cho phép nhận diện đối tượng nhanh hơn và chính xác hơn. Mô hình này được áp dụng để phát hiện và phân loại trái dứa trong các hình ảnh thu hoạch.

3.3. Sử dụng YOLO cho nhận diện thời kỳ chín

YOLO (You Only Look Once) là một mô hình học sâu cho phép nhận diện đối tượng trong thời gian thực. Mô hình này giúp nông dân có thể theo dõi và nhận diện trái dứa chín ngay tại vườn, từ đó tối ưu hóa quy trình thu hoạch.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Nghiên cứu đã cho thấy rằng việc áp dụng mô hình học sâu trong nhận diện thời kỳ chín của trái dứa mang lại nhiều kết quả tích cực. Các mô hình đã được huấn luyện và kiểm tra với độ chính xác cao, giúp nông dân có thể thu hoạch trái dứa đúng thời điểm.

4.1. Đánh giá hiệu suất của mô hình

Các mô hình học sâu đã được đánh giá dựa trên độ chính xác và tốc độ nhận diện. Kết quả cho thấy rằng mô hình YOLO đạt hiệu suất cao nhất trong việc nhận diện trái dứa chín.

4.2. Ứng dụng thực tiễn trong nông nghiệp

Việc áp dụng mô hình học sâu trong nhận diện trái dứa chín đã giúp nông dân cải thiện quy trình thu hoạch, giảm thiểu tổn thất và nâng cao giá trị kinh tế. Nhiều trang trại đã bắt đầu áp dụng công nghệ này vào sản xuất.

V. Kết luận và hướng phát triển tương lai

Nghiên cứu đã chứng minh rằng mô hình học sâu có thể được áp dụng hiệu quả trong nhận diện thời kỳ chín của trái dứa tại Việt Nam. Tương lai, cần tiếp tục nghiên cứu và phát triển các mô hình mới để nâng cao độ chính xác và khả năng ứng dụng trong thực tiễn.

5.1. Đề xuất nghiên cứu tiếp theo

Cần nghiên cứu thêm về các mô hình học sâu mới và cải tiến các thuật toán hiện tại để nâng cao độ chính xác trong nhận diện trái dứa chín.

5.2. Tương lai của công nghệ trong nông nghiệp

Công nghệ học sâu sẽ tiếp tục đóng vai trò quan trọng trong nông nghiệp thông minh, giúp nâng cao hiệu quả sản xuất và giảm thiểu chi phí cho nông dân.

Nội dung chính

Tổng quan nghiên cứu

Theo số liệu của Bộ Nông nghiệp và Phát triển Nông thôn Việt Nam, đến năm 2020, diện tích trồng cây ăn quả chủ lực tại Việt Nam đạt khoảng 257.000 ha, chiếm 52% tổng diện tích quy hoạch cây ăn quả ở Nam Bộ. Trong đó, vùng Đồng bằng sông Cửu Long chiếm 185.100 ha và vùng Đông Nam Bộ chiếm 71.000 ha. Cây dứa là một trong những loại cây ăn quả phổ biến, được trồng rộng rãi từ miền Bắc đến miền Nam, với sản lượng năm 2019 đạt hàng trăm nghìn tấn tại các tỉnh như Tiền Giang, Kiên Giang, Ninh Bình, Nghệ An, Long An, Hà Nam, Thanh Hóa và Quảng Nam. Dứa không chỉ là nguồn thu nhập chính của nhiều hộ gia đình mà còn có tiềm năng xuất khẩu lớn, góp phần nâng cao giá trị kinh tế nông nghiệp.

Tuy nhiên, việc nhận biết chính xác thời kỳ trái dứa chín vẫn chủ yếu dựa vào kinh nghiệm truyền thống, dẫn đến nhiều tổn thất về sản lượng và chất lượng. Trong bối cảnh nông nghiệp thông minh và công nghệ 4.0 phát triển, việc ứng dụng các mô hình học sâu để tự động nhận dạng thời kỳ trái dứa chín là rất cần thiết. Mục tiêu nghiên cứu của luận văn là phát triển một mô hình học sâu, đặc biệt là mạng nơ-ron tích chập (CNN) cải tiến như Fast R-CNN, nhằm nhận dạng và phân loại thời kỳ chín của trái dứa tại các vùng trồng dứa ở Việt Nam, bao gồm các tỉnh Quảng Nam, Đà Nẵng, Đồng bằng sông Cửu Long và Đông Nam Bộ.

Nghiên cứu này không chỉ giúp nâng cao độ chính xác trong việc dự báo thời kỳ thu hoạch, giảm chi phí bảo quản và tăng giá trị kinh tế mà còn góp phần thúc đẩy phát triển nông nghiệp chính xác, đáp ứng yêu cầu thị trường trong nước và quốc tế. Việc áp dụng công nghệ này có thể cải thiện hiệu quả sản xuất, giảm thiểu tổn thất sau thu hoạch và hỗ trợ các nhà quản lý, nông dân trong việc ra quyết định kịp thời.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình học sâu trong lĩnh vực nhận dạng hình ảnh, đặc biệt tập trung vào các mô hình mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) và các biến thể phát triển từ CNN như R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN và YOLO (You Only Look Once).

• Mạng nơ-ron tích chập (CNN): Là mô hình học sâu có khả năng tự động trích xuất đặc trưng từ ảnh đầu vào thông qua các lớp tích chập, pooling và fully connected. CNN giúp giảm thiểu sự phụ thuộc vào việc trích chọn đặc trưng thủ công, tăng hiệu quả phân loại và nhận dạng.

• Fast R-CNN: Cải tiến từ R-CNN, Fast R-CNN sử dụng RoI Pooling để chia sẻ tính toán trên toàn bộ ảnh, giúp tăng tốc độ huấn luyện và dự đoán. Mô hình này kết hợp đồng thời hai nhiệm vụ phân loại và hồi quy vị trí bounding box.

• YOLO: Thuật toán nhận dạng đối tượng thời gian thực, chia ảnh đầu vào thành các ô lưới và dự đoán bounding box cùng xác suất đối tượng trong mỗi ô. YOLO có ưu điểm về tốc độ xử lý nhanh, phù hợp với ứng dụng thực tế.

Các khái niệm chính bao gồm: điểm ảnh (pixel), độ phân giải ảnh, hệ màu RGB, trích xuất đặc trưng ảnh, bounding box, loss function (hàm mất mát), và các kỹ thuật tiền xử lý ảnh như lọc màu, trừ nền, và làm giàu dữ liệu (data augmentation).

Phương pháp nghiên cứu

• Nguồn dữ liệu: Dữ liệu hình ảnh trái dứa được thu thập trực tiếp từ các trang trại trồng dứa tại các tỉnh Quảng Nam, Đà Nẵng, Đồng bằng sông Cửu Long và Đông Nam Bộ. Tổng số lượng hình ảnh sử dụng trong huấn luyện và kiểm thử đạt khoảng vài nghìn ảnh, đa dạng về kích thước, góc chụp, điều kiện ánh sáng và mức độ chín của trái dứa.

• Phương pháp phân tích: Luận văn áp dụng các kỹ thuật học sâu, đặc biệt là mô hình Fast R-CNN cải tiến, kết hợp với các bước tiền xử lý như lọc màu Gauss 3 chiều, gán nhãn dữ liệu bằng công cụ LabelImg, và làm giàu dữ liệu để tăng tính đa dạng cho tập huấn luyện. Các mô hình được huấn luyện trên nền tảng Python với các framework TensorFlow, Keras và Google Colab.

• Timeline nghiên cứu: Quá trình nghiên cứu kéo dài trong khoảng 12 tháng, bao gồm các giai đoạn: thu thập và xử lý dữ liệu (3 tháng), xây dựng và huấn luyện mô hình (5 tháng), đánh giá và tối ưu mô hình (3 tháng), và hoàn thiện luận văn (1 tháng).

• Cỡ mẫu và chọn mẫu: Số lượng ảnh được chọn ngẫu nhiên từ các vùng trồng dứa tiêu biểu, đảm bảo tính đại diện cho các điều kiện thực tế. Phương pháp chọn mẫu nhằm bao phủ đa dạng các trạng thái chín của trái dứa và các điều kiện môi trường khác nhau.

• Đánh giá hiệu suất: Sử dụng các chỉ số như độ chính xác (accuracy), độ nhạy (recall), độ đặc hiệu (precision), và F1-score để đánh giá mô hình. Kết quả được so sánh với các mô hình học sâu khác như YOLOv3, YOLOv4 để lựa chọn mô hình tối ưu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu suất nhận dạng thời kỳ trái dứa chín: Mô hình Fast R-CNN cải tiến đạt độ chính xác nhận dạng lên đến khoảng 92%, vượt trội hơn so với các mô hình YOLOv3 (khoảng 88%) và YOLOv4 (khoảng 90%). Độ nhạy của mô hình đạt 90%, giúp phát hiện chính xác các trái dứa chín trong nhiều điều kiện ánh sáng và góc chụp khác nhau.

2. Ảnh hưởng của kỹ thuật làm giàu dữ liệu: Việc áp dụng kỹ thuật data augmentation như xoay ảnh, thay đổi độ sáng, và phóng to thu nhỏ giúp tăng độ đa dạng của tập huấn luyện, cải thiện độ chính xác mô hình lên khoảng 5% so với mô hình không sử dụng kỹ thuật này.

3. Tốc độ xử lý: Mô hình Fast R-CNN cải tiến có thời gian xử lý trung bình khoảng 0,15 giây cho mỗi ảnh, phù hợp với ứng dụng thực tế trong nông nghiệp thông minh, trong khi các mô hình khác như R-CNN truyền thống mất đến vài giây mỗi ảnh.

4. Khả năng phân loại mức độ chín: Mô hình có thể phân biệt được ít nhất ba mức độ chín của trái dứa (chưa chín, chín vừa, chín kỹ) với độ chính xác trên 85%, giúp hỗ trợ quyết định thu hoạch chính xác hơn.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình Fast R-CNN cải tiến đạt hiệu suất cao là do khả năng chia sẻ tính toán trên toàn bộ ảnh và sử dụng RoI Pooling giúp trích xuất đặc trưng hiệu quả hơn. Kỹ thuật làm giàu dữ liệu giúp mô hình tránh hiện tượng quá khớp (overfitting), tăng khả năng tổng quát hóa trên dữ liệu thực tế đa dạng.

So với các nghiên cứu trước đây tập trung vào nhận dạng đối tượng chung hoặc nhận dạng trái cây chưa chín, nghiên cứu này mở rộng phạm vi nhận dạng đến mức độ chín cụ thể của trái dứa, một bài toán phức tạp hơn do sự biến đổi màu sắc và hình thái trong quá trình chín. Kết quả này phù hợp với xu hướng ứng dụng học sâu trong nông nghiệp chính xác, góp phần giảm chi phí lao động và tăng hiệu quả sản xuất.

Dữ liệu có thể được trình bày qua các biểu đồ so sánh độ chính xác, độ nhạy của các mô hình, bảng thống kê thời gian xử lý và biểu đồ phân bố mức độ chín được nhận dạng. Các kết quả này minh chứng cho tính khả thi và hiệu quả của mô hình trong thực tế.

Đề xuất và khuyến nghị

1. Triển khai hệ thống nhận dạng tự động tại các vùng trồng dứa: Áp dụng mô hình Fast R-CNN cải tiến trên các thiết bị camera giám sát tại trang trại để tự động nhận biết thời kỳ trái dứa chín, giúp nông dân có kế hoạch thu hoạch chính xác, giảm tổn thất. Thời gian thực hiện trong 6-12 tháng, chủ thể thực hiện là các doanh nghiệp công nghệ nông nghiệp phối hợp với các hợp tác xã nông nghiệp.

2. Phát triển ứng dụng di động hỗ trợ nông dân: Xây dựng ứng dụng trên nền tảng smartphone cho phép nông dân chụp ảnh trái dứa và nhận diện mức độ chín ngay tại vườn, nâng cao khả năng tiếp cận công nghệ. Mục tiêu tăng tỷ lệ sử dụng công nghệ lên 30% trong 1 năm.

3. Mở rộng nghiên cứu cho các loại trái cây khác: Áp dụng phương pháp và mô hình đã phát triển để nhận dạng thời kỳ chín của các loại trái cây chủ lực khác như xoài, thanh long, sầu riêng nhằm đa dạng hóa ứng dụng công nghệ trong nông nghiệp thông minh.

4. Tăng cường đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho cán bộ kỹ thuật, nông dân về sử dụng hệ thống nhận dạng và phân tích dữ liệu nhằm nâng cao hiệu quả ứng dụng. Thời gian thực hiện trong vòng 1 năm, chủ thể là các trường đại học, viện nghiên cứu và các tổ chức nông nghiệp.

Đối tượng nên tham khảo luận văn

1. Nông dân và chủ trang trại trồng dứa: Giúp họ áp dụng công nghệ nhận dạng tự động để xác định thời kỳ thu hoạch chính xác, giảm thiểu tổn thất và nâng cao chất lượng sản phẩm.

2. Các doanh nghiệp công nghệ nông nghiệp: Cung cấp cơ sở khoa học để phát triển các sản phẩm, giải pháp phần mềm và thiết bị hỗ trợ nông nghiệp thông minh, đặc biệt trong lĩnh vực nhận dạng và phân loại trái cây.

3. Các nhà quản lý và hoạch định chính sách nông nghiệp: Hỗ trợ xây dựng các chương trình phát triển nông nghiệp chính xác, nâng cao năng suất và chất lượng nông sản, đồng thời thúc đẩy xuất khẩu.

4. Giảng viên và sinh viên ngành hệ thống thông tin, công nghệ thông tin: Là tài liệu tham khảo quý giá về ứng dụng học sâu trong xử lý ảnh và nông nghiệp thông minh, phục vụ nghiên cứu và phát triển các đề tài liên quan.

Câu hỏi thường gặp

1. Mô hình học sâu nào được sử dụng để nhận dạng trái dứa chín?
   Luận văn sử dụng mô hình Fast R-CNN cải tiến, một biến thể của mạng nơ-ron tích chập (CNN), kết hợp với kỹ thuật lọc màu và làm giàu dữ liệu để nhận dạng chính xác thời kỳ trái dứa chín.

2. Dữ liệu huấn luyện được thu thập như thế nào?
   Dữ liệu gồm hàng nghìn hình ảnh trái dứa được chụp tại các trang trại ở Quảng Nam, Đà Nẵng và các tỉnh miền Nam, đa dạng về điều kiện ánh sáng, góc chụp và mức độ chín, đảm bảo tính đại diện cho thực tế.

3. Hiệu suất của mô hình so với các mô hình khác ra sao?
   Mô hình Fast R-CNN cải tiến đạt độ chính xác khoảng 92%, cao hơn so với YOLOv3 và YOLOv4, đồng thời có tốc độ xử lý phù hợp với ứng dụng thực tế trong nông nghiệp.

4. Ứng dụng thực tế của nghiên cứu này là gì?
   Nghiên cứu giúp tự động hóa việc nhận dạng thời kỳ trái dứa chín, hỗ trợ nông dân và doanh nghiệp trong việc thu hoạch, bảo quản và phân phối sản phẩm, giảm chi phí và tăng giá trị kinh tế.

5. Có thể áp dụng mô hình này cho các loại trái cây khác không?
   Có, phương pháp và mô hình học sâu được đề xuất có thể điều chỉnh và áp dụng cho các loại trái cây khác như xoài, thanh long, sầu riêng, giúp mở rộng ứng dụng trong nông nghiệp thông minh.

Kết luận

• Luận văn đã phát triển thành công mô hình học sâu Fast R-CNN cải tiến để nhận dạng thời kỳ trái dứa chín với độ chính xác khoảng 92%, vượt trội so với các mô hình hiện có.
• Kỹ thuật làm giàu dữ liệu và tiền xử lý ảnh đóng vai trò quan trọng trong việc nâng cao hiệu suất mô hình.
• Mô hình có khả năng phân loại mức độ chín đa dạng, hỗ trợ hiệu quả cho việc thu hoạch và quản lý sản xuất nông nghiệp.
• Nghiên cứu góp phần thúc đẩy ứng dụng công nghệ 4.0 trong nông nghiệp chính xác tại Việt Nam, đặc biệt trong lĩnh vực trồng trọt và chế biến trái cây.
• Các bước tiếp theo bao gồm triển khai thực tế tại các vùng trồng dứa, mở rộng ứng dụng cho các loại trái cây khác và phát triển các giải pháp công nghệ hỗ trợ nông dân.

Hành động khuyến nghị: Các tổ chức, doanh nghiệp và nông dân nên phối hợp triển khai ứng dụng mô hình nhận dạng này để nâng cao hiệu quả sản xuất và giá trị kinh tế trong ngành nông nghiệp Việt Nam.

Trích đoạn nội dung tài liệu

MỞ ĐẦU 1. Lý do chọn đề tài Với sự phát triển nhanh chóng của khoa học công nghệ các loại phương tiện hiện đại như: máy ảnh số, máy quay phim kỹ thuật số, máy vi tính ngày càng đa dạng về chủng loại thì lượng thông tin con người thu được dưới dạng hình ảnh là rất dễ dàng. Xử lý hình ảnh là một trong những lĩnh vực ứng dụng công nghệ thông tin ngày càng được phổ biến trong đời sống xã hội. Các thiết bị ghi hình có thể thấy và hiểu được thế giới xung quanh.

Nguyên do thiết bị xử lý được xây dựng và phát triển dựa trên sự tiến bộ trong các thuật toán phân tích, làm giàu dữ liệu (Data augmentation) và chọn lọc hình ảnh. Nếu có tiếp cận phù hợp, ta luôn nhận thấy rằng những thành tựu của Khoa học, công nghệ đã dần đang giải quyết được hầu hết các vấn đề của cuộc sống, đặc biệt là lĩnh vực Y học hiện nay. Nhận dạng các đối tượng dựa trên ảnh không phải là vấn đề mới của ngành xử lý ảnh. Tuy nhiên, áp dụng vào bài toán nhận dạng phát hiện trái dứa chín trong lĩnh vực nông nghiệp là một đề xuất mới của nhóm nghiên cứu.

Hiện nay, trên thế giới có các mô hình đã nghiên cứu về nhận dạng hình ảnh như: YOLO, CNN, R-CNN, Fast R-CNN, Faster R-CNN và mô hình Mask R- CNN [1,2,3,4,5]. Tuy nhiên, trong các mô hình này chưa có nhiều nghiên cứu trực tiếp liên quan đến nhận dạng thời kỳ trái chín, chủ yếu các nghiên cứu tập trung vào nhận dạng văn bản, nhận dạng khuôn mặt, vân tay và một số nghiên cứu nhận dạng con vật nuôi. Trong nông nghiệp thông minh và nông nghiệp chính xác, vấn đề ước tính kịp thời và chính xác thời kỳ trái chín của vườn cây sẽ giúp cải thiện và nâng cao chất lượng, đảm bảo sản lượng trái cây và kế hoạch thu hoạch. Ngoài ra, xác định kịp thời và chính xác thời kỳ trái chín trong các giai đoạn trưởng thành cây quả sẽ cho phép giảm chi phí canh tác, chi phí lưu trữ sau thu hoạch và làm tăng giá trị kinh tế, đáp ứng yêu cầu thị trường.

Đây là những vấn đề rất được quan tâm trong 1 định hướng phát triển nông nghiệp tận dụng lợi thế của công nghệ cao trong thời gian tới ở Việt Nam. Số liệu thống kê của Bộ Nông Nghiệp và Phát triển Nông thôn Việt Nam cho biết đến năm 2020, diện tích trồng cây ăn quả chủ lực của Việt Nam là 257.000 ha, chiếm 52% tổng diện tích quy hoạch cây ăn quả ở Nam bộ, trong đó vùng Đồng bằng sông Cửu Long (ĐBSCL) 185.100 ha, vùng Đông Nam bộ 71. Trong khu vực này, hiện nay chú trọng trồng 12 loại cây ăn quả chủ lực gồm: Thanh long, xoài, chôm chôm, sầu riêng, vú sữa, bưởi, nhãn, chuối, dứa, cam, mãng cầu và quýt. Trong dữ liệu Bảng 1 và Bảng 2 đưa ra thống kê diện tích trồng cây ăn quả và sản lượng thu hoạch cây ăn từ năm 2015 đến năm 2018.

Có thể nhận thấy diện tích trồng và sản lượng thu hoạch tăng lên đáng kể, mang hiệu quả kinh tế xã hội. Đặc biệt, khi ngày càng có nhiều nông dân và trang trại nông nghiệp có diện tích trồng lớn tham gia chuỗi sản xuất và xuất khẩu. Ở Việt Nam cây dứa được trồng khá phổ biến, phân bố từ Phú Thọ đến Kiên Giang. Tiền Giang là Tỉnh hiện nay có sản lượng dứa đứng đầu cả nước.

Năm 2019, sản lượng dứa của tỉnh Tiền Giang đạt 211. Tiếp theo là Kiên Giang (185.000 tấn), Ninh Bình (150.400 tấn), Nghệ An (130.600 tấn), Long An (127.000 tấn), Hà Nam (123.400 tấn), Thanh Hoá (120.500 tấn), Quảng Nam (112. Tổng sản lượng cả nước năm 2019 đạt 12. Nhiều địa phương đã xây dựng thương hiệu đặc sản trái dứa như dứa Đồng Giao (Tam Điệp - Ninh Bình), hoặc ở Kiên Giang, Tiền Giang đều có những nhà máy chuyên sản xuất, chế biến các thực phẩm từ trái dứa.

Bảng số liệu thống kê diện tích đất trồng cây ăn trái (Đơn vị tính: 1.000 m2) STT Cam, Vải, Chôm Bưởi, theo Dứa Chuối Xoài Nhãn quýt chôm Bòng năm 2015 6,7 9,7 133 83,7 73,3 90,6 51,7 2016 7,4 0,5 138,6 86,7 73,3 87,8 60 2 2017 10 1 140,2 92,7 75,6 86,5 66,5 2018 20 2 140 95 71 90 64 Bảng 2 Bảng số liệu thống sản lượng cây ăn trái (Đơn vị tính: 1.000 tấn) STT Cam, Vải, Chôm Bưởi, theo Dứa Chuối Xoài Nhãn quýt chôm Bòng năm 2015 566,1 578,2 1.100 795 520 650 525 Hiện nay, Dứa đã trở thành một trong những loại cây ăn trái phổ biến nhất trên thế giới. Được xác định là cây trồng chủ lực của các xã vùng núi huyện Đại Lộc (Quảng Nam) huyện Hòa Vang thành phố Đà Nẵng, từ năm 2009, cây dứa đã trở thành nguồn thu nhập chính của hầu hết các hộ gia đình nơi đây. Dứa là một loại cây trồng trên các loại đất vườn, đồi trong đó có đất trồng đồi trọc. Dứa dễ trồng, sản xuất và dễ tiêu thụ, nhu cầu thị trường cần nhiều có thể được tiêu thụ trong nước và xuất khẩu.

Việt Nam phát triển dứa trên cả ba miền bắc trung nam và việc trồng kinh doanh dứa được phổ biến các hộ, trang trại cho tới doanh nghiệp. Mặc dù việc phát triển sản xuất dứa có nhiều lợi thế như điều kiện khí hậu, đất đai, nguồn lao động phong phú tuy nhiên bị phụ thuộc vào thị trường trên khu vực và trên thế giới. Do thị trường điều chỉnh về quy mô, chất lượng, giá cả, … Một phần do chất lượng nông sản dứa chưa đạt các điều kiện. Các hộ, trang trại tại Việt Nam trồng dứa chủ yếu là sử dụng nguồn nhân lực truyền thống và sử dụng kinh nghiệm có từ nhiều năm trước, chưa ứng dụng các công nghệ kỹ thuật vào quá trình trồng trọt hay thu hoạch.

Không đảm bảo chất lượng đầu ra tiêu thụ. Ngoài ra, trong bối cảnh hội nhập, cạnh tranh về giá cả và chất lượng xuất khẩu sang thị trường Châu Âu, Mỹ, Nhật Bản và cả Trung Quốc, cần phải đưa các 3 công nghệ hỗ trợ cho việc nâng cao chất lượng nhờ xác định đúng, trúng và sát với thực tế thời kỳ trái chín, nhờ vậy giảm chi phí bảo quản trái cây sau thu hoạch, góp phần luân canh tăng vụ. Ngoài ra, nhận biết trái chín cũng giúp giảm chi phí sản xuất, nhờ xác định lượng nước, lượng phân bón cho giai đoạn cuối mùa phù hợp. Đây là một bài toán rất quan trọng và cần thiết cho ngành nông nghiệp ở Việt Nam.

Qua khảo sát thực tế tại các trang trại nông nghiệp, công việc nhận biết thời kỳ trái Dứa chín và trái Dứa chưa chín cần tiếp tục được chăm sóc, hoàn toàn làm bằng thủ công, theo kinh nghiệm dân gian truyền thống. Do vậy, tốn công sức và nếu không nhận biết trái chín kịp thời, tỷ lệ tổn thất sản lượng thu hoạch sẽ rất lớn. Xuất phát từ nhưng đặc điểm trên đề tài “Nghiên cứu ứng dụng mô hình học sâu trong nhận biết thời kỳ trái dứa chín cho các vùng trồng dứa tại Việt Nam” sẽ góp một phần giải quyết bài toán này. Việc nhận biết thời kỳ trái chín dựa vào xử lý và nhận dạng hình ảnh camera quan sát vùng canh tác cây ăn quả.

Từ hình ảnh sẽ trích ra các phần ảnh quả. Hệ thống học sâu sẽ nhận dạng phân loại mức độ chín của quả yêu cầu. Để đạt độ chính xác nhận dạng, hệ thống cần phải được huấn luyện với một tập mẫu ảnh quả đủ lớn, đa dạng về kích thước, màu sắc, góc nhìn với các điều kiện thực tế thu thập ảnh (độ sáng, độ chói, góc khuất, …) khác nhau. Mục tiêu nghiên cứu 2.1 Mục tiêu chung - Luận văn của tôi hướng tới việc nghiên cứu một mô hình có chức năng nhận dạng, chọn lọc đối tượng thông qua hình ảnh thu được và từ đó khuyến nghị nhận dạng các đối tượng, từ vùng trồng dứa, hay các đại lý thu mua nông sản, hay áp dụng tại các siêu thị bán trái cây nông sản.2 Mục tiêu cụ thể - Nghiên cứu xác định mô hình học sâu phù hợp nhận dạng hình ảnh giải quyết bài toán nhận biết thời kỳ trái dứa chín.

- Nghiên cứu các mô hình học sâu: CNN, AlexNet, VGGNet – VGG16 4 - Nghiên cứu các mô hình học sâu 1 giai đoạn: YOLOv3, YOLOv4, YOLO- tiny - Nghiên cứu các mô hình học sâu 2 giai đoạn: R-CNN, Fast R-CNN, Faster R-CNN, Mask R-CNN. - Nghiên cứu các framework: COCO dataset, Keras, Tensorflow, TFLite. - Qua quá trình phân tích các ưu và nhược của các mô hình học sâu đề xuất chọn mô hình học sâu phù hợp nhận dạng hình ảnh giải quyết bài toán nhận biết thời kỳ trái Dứa chín. Ngoài ra, tôi tìm hiểu các công đoạn xử lý nhận dạng hình ảnh webcam, camera thực.

- Nghiên cứu các giống dứa phổ biến khu vực Quảng Nam - Đà Nẵng và các đặc điểm sinh hóa của trái dứa thời kỳ chín. - Tình hình các loại dứa được trồng trên thế giới và Việt Nam; tình hình trái dứa được trồng tại các vùng canh tác thuộc tỉnh Quảng Nam – thành phố Đà Nẵng; - Nghiên cứu đặc điểm sinh học của cây dứa; đặc điểm phân loại; đặc điểm về hình thái; giải phẫu; đặc điểm về sinh lý; sinh hóa của trái dứa; đặc điểm sinh trưởng và phát triển; đặc điểm các thành phần dinh dưỡng; - Quá trình biến đổi của trái dứa: Thời điểm ra hoa và kết quả; Quá trình biến đổi từ trái xanh tới trái chín; Nghiên cứu đặc điểm mùi vị và màu sắc của trái dứa khi biến đổi; chất lượng của trái khi biến đổi. - Việc áp dụng các giải pháp kỹ thuật, độ chính xác của mô hình nhận dạng phụ thuộc vào đề xuất giải pháp phù hợp với đặc điểm của đề tài. Do đó, tôi đã áp dụng các kỹ thuật mạng nơ ron tích chập (Fast R-CNN cải tiến), cài đặt, thực nghiệm và so sánh đánh giá.

Trong đó, các mô hình có độ phức tạp tăng dần theo thứ tự như sau: - Mô hình 1: Áp dụng bộ lọc Gauss 3 chiều để giữ lại điểm ảnh có màu lân cận với màu của thời kỳ trái chín để nhận dạng. Thực hiện phép đếm các đối tượng còn lại trên ảnh. - Mô hình 2: Lọc tách các điểm ảnh có màu đặc trưng của trái dứa dựa trên mạng nơ-ron (Neural networks) truyền thẳng. Thực hiện phép đếm các đối tượng còn lại trên ảnh.

5 - Mô hình 3: Áp dụng phương pháp phân loại đối tượng bằng Support Vector Machine (SVM) để lọc màu. Thực hiện phép đếm các đối tượng còn lại trên ảnh.