Luận văn thạc sĩ ứng dụng xử lý ảnh phát hiện ruồi đục trái táo - Nông Thanh Tỉnh, ĐH Thái Nguyên

Luận văn nghiên cứu giải pháp ứng dụng xử lý ảnh phát hiện ruồi đục trái táo, xây dựng hệ thống nhận diện tự động hỗ trợ bảo vệ cây trồng nông nghiệp.

• Tác giả: Nông Thanh Tỉnh
• Người hướng dẫn: TS. Phạm Đức Long
• Trường học: Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Ứng dụng xử lý ảnh phát hiện ruồi đục trái táo cho cây trồng trong nông nghiệp
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thái Nguyên

Tóm tắt

I. Tổng quan về ứng dụng xử lý ảnh phát hiện ruồi đục trái táo

Nông nghiệp hiện đại đòi hỏi các giải pháp tự động hóa để giám sát sâu bệnh. Cây táo thường xuyên chịu sự tấn công từ ruồi đục trái. Loài côn trùng này làm giảm mạnh cả năng suất lẫn phẩm cấp nông sản. Phương pháp quan sát thủ công bộc lộ nhiều hạn chế lớn. Người làm vườn tốn nhiều thời gian kiểm tra từng cành cây. Việc phát hiện thường diễn ra chậm trễ khi quả đã hư hỏng. Đề tài nghiên cứu tại Đại học Công nghệ Thông tin và Truyền thông Thái Nguyên năm 2023 tập trung giải quyết bài toán này. Nghiên cứu do học viên Nông Thanh Tỉnh thực hiện dưới sự hướng dẫn của Tiến sĩ Phạm Đức Long. Hướng tiếp cận chủ đạo là xây dựng quy trình thị giác máy tính thông minh. Hệ thống số hóa dữ liệu hình ảnh ngoài thực địa. Sau đó, thuật toán máy tính sẽ phân tích các đặc tính hình học và màu sắc của côn trùng. Công nghệ xử lý ảnh số mở ra hướng đi mới đầy triển vọng. Nông dân có thể giám sát vườn cây trên diện rộng một cách chính xác. Các biện pháp ngăn chặn kịp thời giúp bảo toàn giá trị kinh tế của nông trại.

1.1. Bối cảnh nghiên cứu tại Đại học Thái Nguyên

Ngành trồng cây ăn quả đóng vai trò quan trọng trong cơ cấu kinh tế nông nghiệp Việt Nam. Cây táo đem lại nguồn thu nhập cao và ổn định cho nhiều hộ dân. Tuy nhiên, dịch ruồi đục trái luôn là hiểm họa tiềm tàng đe dọa mùa màng. Trước bối cảnh đó, Đại học Thái Nguyên đã triển khai đề tài nghiên cứu chuyên sâu vào năm 2023. Mục tiêu chính là đưa công nghệ thông tin vào phục vụ sản xuất thực tiễn. Nghiên cứu kế thừa những thành tựu mới nhất của lĩnh vực trí tuệ nhân tạo và xử lý ảnh số. Hệ thống hướng đến mục tiêu thay thế sức lao động thủ công trong việc tuần tra nông trại. Giải pháp công nghệ cao này hỗ trợ người dân kiểm soát dịch hại một cách bền vững.

1.2. Vai trò của thị giác máy tính trong nông nghiệp

Thị giác máy tính là công cụ then chốt trong nền nông nghiệp thông minh. Kỹ thuật này cho phép máy tính thu nhận, phân tích và hiểu các dữ liệu từ ảnh số. Camera giám sát có thể ghi nhận hình ảnh lá, thân và quả liên tục suốt ngày đêm. Các thuật toán tự động nhận diện mầm bệnh hoặc vết tích do sâu hại để lại. Khác với mắt thường của con người, máy tính không bị mệt mỏi hay nhầm lẫn do thiếu tập trung. Hệ thống có khả năng phân biệt chính xác côn trùng gây hại với các loài thiên địch có ích. Nhờ đó, việc phát hiện ruồi đục quả táo diễn ra nhanh chóng ngay từ giai đoạn đầu. Cơ chế cảnh báo sớm tạo tiền đề cho những biện pháp can thiệp chuẩn xác.

II. Phân tích tác hại ruồi đục trái táo cần ứng dụng xử lý ảnh

Ruồi đục trái là một trong những loài sinh vật gây hại nguy hiểm nhất cho vườn cây ăn quả. Các loài phổ biến gồm Bactrocera dorsalis, Bactrocera correcta và Bactrocera cucurbitae. Loài gây hại này thuộc nhóm côn trùng đa thực có sức tàn phá dữ dội. Khi trái táo bắt đầu bước vào giai đoạn chín, lượng đường bên trong quả sẽ chuyển hóa thành alcohol. Mùi hương đặc trưng này thu hút mạnh mẽ ruồi đục quả tìm đến đẻ trứng. Ruồi cái dùng ống dẫn chích sâu qua lớp vỏ để đẻ từ năm đến mười trứng mỗi lần. Sau khi nở, ấu trùng giòi sinh sống hoàn toàn bên trong quả táo. Ấu trùng ăn dần phần thịt quả mọng nước khiến cấu trúc trái bị thối rữa từ bên trong. Thiệt hại ghi nhận thực tế có thể lên đến hơn năm mươi phần trăm tổng sản lượng vườn táo. Quả bị nhiễm sâu bệnh sẽ nhanh chóng rụng non hoặc hư hỏng hoàn toàn. Người tiêu dùng và các đơn vị thu mua kiên quyết từ chối những sản phẩm này. Nếu chỉ dựa vào kiểm tra thủ công, nhà vườn rất khó nhận biết sớm lỗ chích nhỏ li ti. Đến khi quả đổi màu thâm đen, toàn bộ lô nông sản gần như đã mất trắng.

2.1. Đặc tính sinh học và cơ chế phá hoại của ruồi vàng

Ruồi vàng trưởng thành có kích thước cơ thể nhỏ gọn cùng màu sắc vàng nâu đặc trưng. Đôi cánh của loài côn trùng này trong suốt và có những vạch sọc sẫm màu. Vòng đời của ruồi cái gắn liền với thói quen tìm kiếm trái cây sắp chín. Ruồi cái sử dụng khứu giác nhạy bén để phát hiện các phân tử đường lên men từ vỏ táo. Lỗ chích trứng do ống đẻ tạo ra rất bé nên mắt thường khó lòng phát hiện. Một con cái có thể đẻ hàng trăm quả trứng trong suốt chu kỳ sống. Khi ấu trùng chui sâu vào ruột quả, vi khuẩn và nấm mốc lập tức xâm nhập theo vết chích. Hiện tượng thối nhũn lan rộng nhanh chóng làm giảm phẩm cấp trái táo nghiêm trọng.

2.2. Hạn chế của các biện pháp bảo vệ thực vật truyền thống

Nhiều nông hộ hiện nay đối phó với ruồi đục trái bằng cách phun thuốc hóa học đại trà. Việc lạm dụng thuốc bảo vệ thực vật gây ô nhiễm môi trường đất và nguồn nước. Dư lượng hóa chất tồn dư trên vỏ táo làm suy giảm tiêu chuẩn an toàn thực phẩm. Hơn nữa, ruồi có khả năng kháng thuốc cao sau nhiều thế hệ sinh sản. Một số nhà vườn chọn giải pháp bao bọc từng quả táo bằng túi xốp hoặc nilon. Phương pháp này đòi hỏi chi phí nhân công rất lớn đối với những trang trại quy mô lớn. Các bẫy dính dẫn dụ pheromone truyền thống cũng chỉ mang tính chất bị động và cục bộ. Do đó, yêu cầu cấp thiết là ứng dụng công nghệ giám sát quang học tự động.

III. Giải pháp xử lý ảnh phát hiện ruồi đục trái táo tự động

Nghiên cứu của Đại học Thái Nguyên đề xuất quy trình kỹ thuật toàn diện để phát hiện ruồi đục trái. Kiến trúc hệ thống bao gồm thiết bị thu nhận ảnh hiện trường và máy chủ xử lý trung tâm. Dữ liệu hình ảnh được truyền tải an toàn về máy tính thông qua mạng không dây. Tại máy chủ, hệ thống thực hiện các bước tiền xử lý nhằm loại bỏ nhiễu và chuẩn hóa độ sáng. Thuật toán phân đoạn ảnh tách biệt vùng nghi vấn chứa côn trùng khỏi phông nền tự nhiên. Sau đó, quá trình trích xuất đặc trưng tiến hành đánh giá kích thước hình học tổng thể của mục tiêu. Điểm cốt lõi trong giải pháp là thuật toán so khớp mô men màu sắc Color Moments kết hợp không gian RGB và HSV. Hệ thống thiết lập ma trận trọng số chuyên biệt nhằm tăng cường vai trò của kênh màu xanh lục. Nhờ đó, thuật toán phân biệt rạch ròi côn trùng với cành lá của vườn táo. Bên cạnh màu sắc, phần mềm còn phân tích hình thái chi tiết qua việc nhận diện độ thắt eo trên thân ruồi. Quy trình lọc nhiều tầng giúp loại trừ chính xác các vật thể lạ hoặc rác hữu cơ trôi nổi. Toàn bộ khâu nhận diện diễn ra hoàn toàn tự động với độ chính xác cao.

3.1. Thu thập dữ liệu và tiền xử lý hình ảnh hiện trường

Hệ thống trang bị các cụm camera cảm biến đặt tại các vị trí trọng điểm trong vườn cây. Thiết bị chụp ảnh theo chu kỳ thiết lập sẵn dưới nhiều điều kiện ánh sáng tự nhiên khác nhau. Ảnh màu độ phân giải cao được nén và gửi về máy tính xử lý qua kết nối không dây. Giai đoạn tiền xử lý đóng vai trò quyết định đến chất lượng phân loại sau cùng. Bộ lọc Gauss hỗ trợ giảm thiểu hiện tượng nhiễu hạt gây ra bởi gió hoặc bụi bẩn. Tiếp đến, thuật toán cân bằng biểu đồ mức xám tối ưu hóa độ tương phản tổng thể bức ảnh. Nhờ khâu chuẩn hóa này, các đối tượng côn trùng nổi bật rõ nét trên nền cành lá táo rậm rạp.

3.2. Thuật toán trích xuất đặc trưng màu sắc và hình thái

Quá trình phân loại đối tượng sử dụng ba tiêu chuẩn hình thái và màu sắc cơ bản. Đầu tiên, chương trình đo đạc diện tích và tỷ lệ dài rộng để lọc kích thước phù hợp với loài ruồi. Thứ hai, thuật toán trích xuất mô men màu gồm giá trị trung bình, phương sai và độ xiên trên từng kênh màu. Khoảng cách khoảng sai lệch dmom được đo lường cẩn thận với trọng số ưu tiên cho kênh xanh lục. Cuối cùng, thuật toán tiến hành kiểm tra cấu trúc hình học đặc biệt là vị trí thắt eo trên thân côn trùng. Sự phối hợp đồng thời các chỉ số này ngăn chặn nhầm lẫn với ong hoặc bọ cánh cứng. Phương pháp đảm bảo tính toán thời gian thực một cách hiệu quả.

IV. Kết luận ứng dụng xử lý ảnh phát hiện ruồi đục trái táo

Đề tài thạc sĩ tại Đại học Thái Nguyên chứng minh tính khả thi cao của công nghệ thị giác máy tính trong sản xuất nông nghiệp. Hệ thống tự động hóa khâu giám sát sâu bệnh với độ chính xác và độ tin cậy đáng khích lệ. Việc phát hiện kịp thời các cá thể ruồi đục trái giúp giảm thiểu rõ rệt tổn thất mùa màng cho người trồng táo. Nhà vườn không còn phải phụ thuộc vào việc kiểm tra bằng mắt thường vốn tốn kém thời gian và nhân lực. Những dữ liệu cảnh báo từ hệ thống giúp đưa ra quyết định xử lý đúng thời điểm. Mô hình này tạo tiền đề vững chắc cho việc phát triển các thiết bị bảo vệ thực vật thông minh tại chỗ. Thay vì phun hóa chất tràn lan trên toàn bộ trang trại, các hệ thống phun cục bộ có thể được tích hợp trực tiếp. Nhờ đó, lượng thuốc bảo vệ thực vật sử dụng giảm đi đáng kể. Môi trường sinh thái nông nghiệp được bảo vệ trong lành hơn. Chất lượng quả táo khi xuất xưởng đáp ứng hoàn toàn các tiêu chuẩn xuất khẩu khắt khe. Trong tương lai, thuật toán có thể được nâng cấp để nhận diện thêm nhiều loài sâu bệnh khác trên cây trồng.

4.1. Hiệu quả kinh tế và tính khả thi trong thực tiễn

Ứng dụng thị giác máy tính mang lại lợi ích kinh tế rõ nét cho các chủ vườn táo. Hệ thống vận hành liên tục giúp giảm thiểu tối đa chi phí thuê nhân công kiểm tra định kỳ. Khả năng phát hiện sớm sâu bệnh giúp khống chế dịch hại trước khi bùng phát trên diện rộng. Tỷ lệ quả hư hỏng do ruồi đục giảm mạnh, từ đó nâng cao sản lượng thu hoạch thực tế. Quả táo đạt chuẩn mẫu mã đẹp, không tồn dư hóa chất độc hại nên bán được giá cao trên thị trường. Vốn đầu tư cho phần cứng máy tính và camera giám sát có thể nhanh chóng thu hồi chỉ sau vài mùa vụ thu hoạch thành công.

4.2. Định hướng hoàn thiện hệ thống nông nghiệp số

Để mở rộng ứng dụng trong tương lai, mô hình cần được tối ưu hóa để chạy trực tiếp trên các vi mạch nhúng nhỏ gọn. Việc triển khai thuật toán trên chip chuyên dụng sẽ giảm bớt độ trễ truyền dữ liệu về máy tính chủ. Mạng lưới thiết bị giám sát có thể kết hợp cùng máy bay không người lái để bao quát các thung lũng trồng cây rộng lớn. Cơ sở dữ liệu hình ảnh sâu hại cũng cần được bổ sung thêm nhiều chủng loại côn trùng khác nhau. Sự kết hợp giữa xử lý ảnh truyền thống và mạng nơ-ron tích chập hứa hẹn sẽ nâng cao khả năng phân loại trong điều kiện thời tiết phức tạp. Nông nghiệp chính xác đang từng bước phát triển mạnh mẽ nhờ những nghiên cứu học thuật nền tảng này.

Nội dung chính

Tổng quan nghiên cứu

Trong canh tác nông nghiệp hiện đại, ruồi đục trái thuộc họ Tephritidae, bộ Diptera là đối tượng dịch hại nguy hiểm hàng đầu, gây tổn thất vượt mức 50% sản lượng tại các vườn cây ăn trái thương phẩm. Những cá thể ruồi cái trưởng thành chọc thủng vỏ quả để đẻ từ 5 đến 10 trứng vào lớp tiếp giáp giữa vỏ và thịt trái, làm cho quả thối rũ, rụng hàng loạt và mất hoàn toàn giá trị thương phẩm. Để đáp ứng các tiêu chuẩn kiểm dịch thực vật khắt khe tại thị trường Hoa Kỳ hay Nhật Bản, nông sản xuất khẩu bắt buộc phải qua quy trình xử lý nhiệt hơi VHT ở ngưỡng 46,1 độ C đến 47,0 độ C hoặc chiếu xạ với chi phí lên tới khoảng 9.000 đồng cho mỗi kilôgam quả. Trong khi đó, biện pháp giám sát thủ công truyền thống qua việc đếm cá thể hoặc quan sát bằng mắt thường bộc lộ nhiều hạn chế do tốn công sức, cập nhật chậm trễ và khó triển khai đồng bộ trên quy mô canh tác hàng chục hecta.

Nhằm giải quyết triệt để thách thức trên, đề tài luận văn thạc sĩ chuyên ngành Khoa học máy tính của tác giả Nông Thanh Tỉnh, bảo vệ năm 2023 tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên, đã nghiên cứu giải pháp tự động hóa bằng kỹ thuật thị giác máy tính và kết nối mạng vạn vật. Mục tiêu cốt lõi của nghiên cứu là thiết kế hệ thống bẫy dính màu vàng thông minh tích hợp camera độ nét cao cùng bo mạch xử lý nhúng, có khả năng thu nhận hình ảnh hiện trường và tự động nhận diện loài ruồi đục trái táo, trọng tâm là loài Bactrocera dorsalis Hendel. Phạm vi nghiên cứu được triển khai thực nghiệm tại khu vực miền Bắc trong niên vụ năm 2023. Đề tài mang ý nghĩa thực tiễn nổi bật khi giúp giảm hơn 80% công lao động tuần tra giám sát, hỗ trợ cảnh báo sớm dịch hại từ giai đoạn trưởng thành nhằm tối ưu hóa chi phí bảo vệ thực vật.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết hình thái học ảnh số (Mathematical Morphology) và lý thuyết phân phối xác suất màu sắc thống kê (Color Moments). Về mặt biểu diễn, ảnh số được lượng tử hóa trên ma trận điểm ảnh với không gian mức xám chuẩn 256 mức, tương ứng 8 bit từ 0 đến 255, cùng không gian màu RGB 24 bit chứa 16,7 triệu màu từ cảm biến camera độ phân giải cao 3840 x 2160 pixel. Quy trình xử lý vận hành qua cấu trúc đa tầng: biến đổi ảnh màu sang ảnh nhị phân qua ngưỡng phân đoạn cục bộ, áp dụng các phép toán hình thái học cơ bản gồm xói mòn (Erosion), giãn nở (Dilation), đóng ảnh (Closing) và mở ảnh (Opening) để loại bỏ nhiễu bề mặt và bù đắp các lỗ khuyết điểm ảnh.

Đối với bài toán phân loại đối tượng sinh học, tác giả áp dụng mô hình trích chọn đặc trưng màu dựa trên 3 giá trị mô men thống kê chính trên từng kênh màu: mô men bậc 1 thể hiện giá trị trung bình (Mean), mô men bậc 2 xác định độ lệch chuẩn (Standard Deviation), và mô men bậc 3 biểu diễn độ bất đối xứng (Skewness). Khoảng cách mô men sai khác dmom giữa mẫu thực địa và mẫu chuẩn được tính toán bằng ma trận trọng số chuyên biệt, trong đó kênh xanh lá và vàng được thiết lập trọng số ảnh hưởng lớn nhất để tối ưu hóa độ nhạy phân lớp.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được thu thập trực tiếp từ các bẫy dính màu vàng đặt tại vườn cây ăn trái ở tỉnh Bắc Giang và Thái Nguyên từ tháng 1 đến tháng 7 năm 2023. Cỡ mẫu nghiên cứu bao gồm 150 tệp ảnh thực địa độ phân giải cao, ghi nhận 450 cá thể côn trùng thuộc 5 nhóm loài phổ biến: ruồi đục trái táo, ruồi nhà, nhặng xanh, muỗi và ruồi dấm. Phương pháp chọn mẫu là chọn mẫu phân tầng ngẫu nhiên (Stratified Random Sampling) theo các khung thời gian chiếu sáng trong ngày nhằm thu nhận toàn diện các biến thiên ánh sáng mặt trời tự nhiên.

Lý do lựa chọn phương pháp phân tích kết hợp hình thái học và Color Moments thay vì các mô hình học sâu phức tạp bắt nguồn từ yêu cầu tối ưu hóa tài nguyên phần cứng biên. Kỹ thuật này có độ phức tạp tính toán thấp, thời gian xử lý trung bình dưới 1,5 giây trên mỗi ảnh, tương thích hoàn toàn với bo mạch nhúng Raspberry Pi 400 trang bị vi xử lý 4 lõi xung nhịp 1.8 GHz và bộ nhớ RAM 8GB mà không cần bộ xử lý đồ họa rời tiêu tốn điện năng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Hệ thống thị giác máy tính đã chứng minh hiệu quả qua ba phát hiện định lượng cốt lõi trong quá trình thử nghiệm thực địa:

Thứ nhất, việc kết hợp ngưỡng phân đoạn nhị phân và phép mở ảnh hình thái học đã loại bỏ thành công khoảng 68% các loài côn trùng ngoại lai không phải mục tiêu. Dựa trên đặc tính sinh học của ruồi đục trái với chiều dài thân từ 5.5 mm đến 8.0 mm (trung bình cá thể đực đạt 6.82 ± 0.25 mm, cá thể cái đạt 7.22 ± 0.26 mm), thuật toán nhanh chóng sàng lọc và loại trừ các cá thể nhỏ như ruồi dấm (chiều dài 2 đến 4 mm) hoặc muỗi thông thường.

Thứ hai, thuật toán Color Moments đã phân biệt chính xác ruồi đục trái với các loài côn trùng có kích thước tương đương như nhặng xanh (7 đến 8 mm) và ruồi nhà (4 đến 7.5 mm). Khoảng cách sai lệch màu dmom của ruồi đục trái so với mẫu gốc đạt độ tương đồng trên 60%, trong khi chỉ số này ở nhặng xanh chỉ đạt dưới 35% do lớp vỏ ánh kim xanh lục đặc trưng.

Thứ ba, bước kiểm tra đặc điểm hình thái chuyên sâu về cấu trúc eo thắt giữa ngực và bụng cùng vệt màu vàng hình chữ U trên lưng giúp hệ thống đạt độ chính xác nhận dạng chung lên tới 85,6%, hạ thấp tỷ lệ dương tính giả xuống dưới 12% trong môi trường bẫy dính ngoài vườn.

Thảo luận kết quả

Hiệu năng phân loại ổn định của hệ thống bắt nguồn từ sự phối hợp nhịp nhàng giữa nguyên lý quang học và tập tính sinh học của côn trùng. Tấm bẫy dính màu vàng giúp cố định côn trùng trên một mặt phẳng tiêu cự đồng nhất, hạn chế triệt để hiện tượng biến dạng chuyển động vốn là điểm yếu của camera giám sát tán lá ngoài trời. Khi phân tích màu sắc, việc tính toán đầy đủ các mô men bậc cao đã phản ánh trung thực sắc tố nâu vàng đặc trưng của ruồi Bactrocera so với màu xám tro của ruồi nhà hay màu xanh kim loại của nhặng xanh.

So với phương pháp đếm thủ công truyền thống vốn ghi nhận sai số thực tế dao động từ 25% đến 30%, giải pháp tự động của luận văn nâng cao rõ rệt độ tin cậy giám sát. So với các hệ thống thị giác máy tính dùng máy chủ xử lý đồ họa cồng kềnh, mô hình nhúng của tác giả Nông Thanh Tỉnh giúp tiết kiệm hơn 70% chi phí đầu tư ban đầu, đồng thời vận hành bền bỉ với nguồn pin mặt trời công suất nhỏ tiêu thụ dòng điện 5V/3A. Để trình bày dữ liệu trực quan trong các báo cáo kỹ thuật, kết quả phân loại có thể được minh họa sinh động qua biểu đồ phân tán (Scatter Plot) mô tả tương quan giữa diện tích điểm ảnh và khoảng cách sai lệch màu sắc dmom, kết hợp cùng bảng ma trận nhầm lẫn (Confusion Matrix) chi tiết giữa 5 nhóm côn trùng để đánh giá độ nhạy và độ đặc hiệu của từng bước lọc.

Đề xuất và khuyến nghị

Nhằm thúc đẩy ứng dụng kết quả nghiên cứu vào thực tiễn sản xuất nông nghiệp thông minh, 4 giải pháp cụ thể được đề xuất triển khai như sau:

• Tích hợp mô hình mạng nơ-ron tích chập nén gọn như MobileNetV3 vào bo mạch Raspberry Pi 400 nhằm nâng cao độ chính xác phát hiện lên trên 92% trong các tình huống côn trùng bị dính chồng mép, thực hiện trong khung thời gian 6 tháng do nhóm kỹ sư phần mềm thị giác máy tính đảm nhận.
• Tối ưu hóa hệ thống cung cấp năng lượng độc lập bằng cách trang bị tấm pin năng lượng mặt trời công suất 50W kết hợp pin lưu trữ dung lượng 20.000 mAh và mạch ổn áp 5VDC, bảo đảm thiết bị vận hành liên tục 24/7 trong mọi hình thái thời tiết mưa bão, hoàn thành trong 3 tháng do các đơn vị tích hợp phần cứng IoT nông nghiệp triển khai.
• Xây dựng phần mềm ứng dụng di động tự động phát tín hiệu cảnh báo qua tin nhắn SMS và Zalo cho người canh tác khi mật độ ruồi vượt ngưỡng báo động 3 cá thể trên mỗi bẫy dính trong vòng 24 giờ, tiến hành trong lộ trình 4 tháng do các hợp tác xã nông nghiệp phối hợp với cán bộ bảo vệ thực vật.
• Mở rộng thử nghiệm diện rộng mô hình trạm bẫy dính thông minh trên quy mô tối thiểu 50 hecta tại 10 vùng trồng cây ăn trái tập trung như Bắc Giang, Sơn La và Bình Thuận trong thời gian 12 tháng, dưới sự chủ trì tài trợ từ Trung tâm Khuyến nông Quốc gia và Sở Nông nghiệp và Phát triển Nông thôn các địa phương.

Đối tượng nên tham khảo luận văn

Luận văn thạc sĩ của tác giả Nông Thanh Tỉnh mang lại giá trị học thuật và ứng dụng thực tiễn sâu sắc cho 4 nhóm đối tượng trọng tâm:

• Nhóm kỹ sư IoT và nhà phát triển giải pháp thị giác máy tính: Luận văn cung cấp trọn vẹn sơ đồ kiến trúc phần cứng từ bo mạch Raspberry Pi 400, camera 4K, bộ ghép kênh theo thời gian TDM đến thuật toán xử lý hình thái học và so khớp mô men màu, giúp rút ngắn thời gian phát triển các trạm quan trắc hiện trường với chi phí hợp lý chỉ khoảng 4,5 đến 5,5 triệu đồng.
• Nhóm chuyên gia bảo vệ thực vật và cán bộ quản lý nông nghiệp: Tài liệu cung cấp cơ sở khoa học tin cậy về quy trình giám sát sinh thái tự động, hỗ trợ xây dựng vùng trồng an toàn đạt chuẩn kiểm dịch nhiệt hơi VHT ở mức 46,1 đến 47,0 độ C để phục vụ xuất khẩu bền vững.
• Nhóm chủ trang trại và hợp tác xã cây ăn quả công nghệ cao: Nghiên cứu mang đến giải pháp thay thế nhân công tuần tra thủ công, giúp giảm trên 40% chi phí phun thuốc trừ sâu định kỳ và bảo vệ tới 50% sản lượng quả khỏi nguy cơ ruồi đục phá hoại.
• Nhóm giảng viên, học viên cao học và sinh viên ngành Khoa học máy tính: Đây là công trình tham khảo điển hình về phương pháp giải quyết bài toán nhận dạng đối tượng sinh học thực tế trong điều kiện tài nguyên điện toán biên bị giới hạn.

Câu hỏi thường gặp

Hệ thống bẫy dính kết hợp camera mang lại lợi thế gì so với việc nhận diện trực tiếp trên cây trồng? Tấm bẫy dính màu vàng thu hút ruồi đục trái bằng thị giác và giữ cố định côn trùng trên bề mặt phẳng, tạo khoảng cách tiêu cự và góc chụp tối ưu cho camera 4K. Giải pháp này giúp loại bỏ rung lắc do gió hoặc tán lá che khuất, nâng cao tỷ lệ bắt giữ mục tiêu thêm hơn 75% so với việc ghi hình ngẫu nhiên ngoài vườn.

Kỹ thuật Color Moments phân biệt ruồi đục trái với các loài côn trùng khác như thế nào? Thuật toán trích xuất ba giá trị mô men thống kê gồm giá trị trung bình, độ lệch chuẩn và độ bất đối xứng trên từng kênh màu. Nhờ việc gán trọng số ưu tiên cho kênh vàng và xanh lá, độ tương đồng màu dmom của ruồi đục trái luôn đạt trên 60%, giúp phân biệt rõ ràng với màu xanh kim loại của nhặng xanh hay màu xám của ruồi nhà.

Hệ thống phần cứng ngoài vườn có thể vận hành ổn định trong điều kiện thời tiết khắc nghiệt không? Hệ thống được thiết kế khép kín với bo mạch vi xử lý Raspberry Pi 400 kết hợp bộ cấp nguồn 5V/3A thông qua pin mặt trời và ắc quy dự phòng. Cấu hình này bảo đảm cung cấp điện năng liên tục trong 48 giờ không có ánh nắng, duy trì đường truyền dữ liệu không dây qua Internet với độ sẵn sàng đạt trên 98% quanh năm.

Ngưỡng kích thước nào được áp dụng để loại bỏ các côn trùng không phải mục tiêu? Thuật toán thiết lập dải kích thước nhận diện chuẩn từ 5.5 mm đến 8.0 mm dựa trên kích thước sinh học của ruồi đục trái (trung bình con đực 6.82 mm, con cái 7.22 mm). Cơ chế này loại bỏ ngay lập tức hơn 68% các loài không mong muốn như ruồi dấm kích thước dưới 4 mm hoặc muỗi nhỏ trước khi thực hiện bước phân tích màu.

Chi phí đầu tư phần cứng cho một trạm quan trắc hiện trường ước tính khoảng bao nhiêu? Chi phí cho một trạm giám sát gồm bo mạch Raspberry Pi 400 (khoảng 1,8 triệu đồng), camera độ phân giải cao 8 megapixel (khoảng 85 USD, tương đương 2,0 triệu đồng), bộ điều khiển TDM cùng hệ thống pin năng lượng mặt trời. Tổng kinh phí hoàn thiện dao động từ 4,5 đến 5,5 triệu đồng, tiết kiệm hơn 60% so với trạm nhập khẩu.

Kết luận

Luận văn thạc sĩ của tác giả Nông Thanh Tỉnh đã đóng góp một giải pháp khoa học thực tiễn xuất sắc trong việc ứng dụng công nghệ thông tin vào nông nghiệp thông minh:

• Thiết kế hoàn chỉnh kiến trúc hệ thống giám sát hiện trường từ xa tích hợp camera 4K độ phân giải 3840 x 2160 pixel cùng bo mạch Raspberry Pi 400 truyền dữ liệu qua Internet.
• Xây dựng thuật toán nhận diện đa tầng kết hợp hình thái học và mô men màu sắc Color Moments đạt độ chính xác phân loại tổng thể 85,6%.
• Chuẩn hóa các bộ lọc kích thước trong dải 5.5 mm đến 8.0 mm và ngưỡng tương đồng màu sắc trên 60% dành riêng cho loài ruồi đục trái táo.
• Tối ưu hóa hiệu năng tính toán với thời gian xử lý nhanh dưới 1,5 giây trên mỗi ảnh, đáp ứng hoàn hảo tiêu chuẩn vận hành của các thiết bị biên.
• Tạo nền tảng thực tiễn vững chắc giúp nhà vườn tiết kiệm hơn 40% chi phí bảo vệ thực vật và bảo toàn trên 50% sản lượng nông sản mỗi vụ mùa.

Để hiện thực hóa công nghệ này trên quy mô lớn, các đơn vị sản xuất và cơ quan khuyến nông cần xúc tiến thử nghiệm thực địa trên 50 hecta trong 12 tháng tới. Các cá nhân và tổ chức quan tâm nên chủ động liên hệ với tác giả hoặc nhóm nghiên cứu tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên để tiếp nhận chuyển giao công nghệ và dẫn đầu xu hướng chuyển đổi số nông nghiệp.

Trích đoạn nội dung tài liệu

Chương 1. Xử lý ảnh và nhu cầu thực tế phát hiện sâu hại 2 Chương 2. Xây dựng hệ thống: Thiết kế hệ thống chung; Nhận diện ruồi đục trái táo; Các thuật toán nhận biết các đặc điểm sâu đục trái táo. Xây dựng chương trình thực nghiệm: kiểm tra khâu nhận diện ruồi đục trái táo.

Tổng quan về đề tài: Nội dung đề tài thực hiện nghiên cứu về một loại sâu hại cụ thể trong nông nghiệp là ruồi đục trái táo. Luận văn đưa ra thiết kế của một hệ thống nhận dạng loài ruồi đục trái táo từ xa qua đường truyền Internet bằng việc thu ảnh côn trùng qua tấm bẫy dính và thực hiện nhận dạng sự xuất hiện ruồi đục trái táo bằng chương trình xử lý ảnh để đưa ra các cảnh báo cho người canh tác. Đây là một hướng nghiên cứu được quan tâm trong giai đoạn hiện nay nhằm tăng cường các giải pháp ứng dụng công nghệ thông tin vào nông nghiệp cũng như vào mọi lĩnh vực khác trong thực tiễn. XỬ LÝ ẢNH VÀ NHU CẦU THỰC TẾ PHÁT HIỆN SÂU HẠI 1.1 Xử lý ảnh số 1.

Hệ thống xử lý ảnh Xử lý ảnh là một khoa học còn tương đối mới mẻ so với nhiều ngành khoa học khác, nhất là trên qui mô công nghiệp. Để có thể hình dung cấu hình một hệ thống xử lý ảnh chuyên dụng hay một hệ thống xử lý ảnh dùng trong nghiên cứu, đào tạo, trước hết chúng ta sẽ xem xét các bước cần thiết trong xử lý ảnh [1], [2]. Trước hết là quá trình thu nhận ảnh. Ảnh có thể thu nhận qua camera.

Thường ảnh thu nhận qua camera là tín hiệu tương tự (loại camera ống kiểu CCIR). Hiện nay đa số việc thu ảnh sử dụng camera số. Các giai đoạn chính trong xử lý ảnh Ảnh cũng có thể thu nhận từ vệ tinh qua các bộ cảm ứng (sensor), hay ảnh, tranh được quét trên scanner. Tiếp theo là quá trình số hoá (digitalizer) để biến đổi tín hiệu tương tự sang tín hiệu rời rạc (lấy mẫu) và số hoá bằng lượng hoá, trước khi chuyển sang giai đoạn xử lý, phân tích hay lưu trữ.

[1] Quá trình phân tích ảnh thực chất bao gồm nhiều công đoạn nhỏ. Trước hết là công việc tăng cường ảnh để nâng cao chất lượng ảnh. Do những nguyên nhân khác nhau: có thể do chất lượng thiết bị thu nhận ảnh, do nguồn sáng hay do nhiễu, ảnh có thể bị suy biến. Do vậy cần phải tăng cường và khôi phục lại ảnh để làm nổi bật một số đặc tính chính của ảnh, hay làm cho ảnh gần giống nhất với trạng thái gốc - trạng 4 thái trước khi ảnh bị biến dạng.

Giai đoạn tiếp theo là phát hiện các đặc tính như biên, phân vùng ảnh, trích chọn các đặc trưng, v. [1] Cuối cùng, tuỳ theo mục đích của ứng dụng sẽ là giai đoạn nhận dạng, phân lớp hay các quyết định khác. Các giai đoạn chính của quá trình xử lý ảnh có thể mô tả như ở hình 1. Với các giai đoạn trên, một hệ thống xử lý ảnh (cấu trúc phần cứng theo chức năng) gồm các thành phần tối thiểu như hình 1.

[1] Đối với một hệ thống xử lý ảnh thu nhận qua camera. Camera như là con mắt của hệ thống. Có 2 loại camera: camera ống loại CCIR và camera CCD. Loại camera ứng với chuẩn CCIR quét ảnh với tần số 1/25 và mỗi ảnh gồm 625 dòng.

Loại CCD gồm các photo điốt và làm tương ứng một cường độ sáng tại một điểm ảnh ứng với một phần tử ảnh (pixel). Như vậy, ảnh là tập hợp các điểm ảnh. Số pixel tạo nên một ảnh gọi là độ phân giải (resolution). Bộ phận này thực hiện các chức năng sau: - Chọn camera thích hợp nếu hệ thống có nhiều camera.

- Chọn màn hình hiển thị tín hiệu. - Thu nhận tín hiệu video thu nhận bởi bộ số hoá (digitalizer). Thực hiện lấy mẫu và mã hoá. - Tiền xử lý ảnh khi thu nhận: dùng kỹ thuật bảng tra (Look Up Table - LUT).

Bộ xử lý ảnh số: Gồm nhiều bộ xử lý chuyên dụng: xử lý lọc, trích chọn đường bao, nhị phân hoá ảnh. Các bộ xử lý này làm việc với tốc độ 1/25 giây. [1] * Máy chủ: Đóng vai trò điều khiển các thành phần miêu tả ở trên. * Bộ nhớ ngoài: Dữ liệu ảnh cũng như các kiểu dữ liệu khác, để có thể chuyển giao cho các quá trình khác, nó cần được lưu trữ.2 Các thành phần chính của hệ thống xử lý ảnh 1.2 Các vấn đề cơ bản trong xử lý ảnh Như đã đề cập trong phần giới thiệu, chúng ta đã thấy được một cách khái quát các vấn đề chính trong xử lý ảnh.

Để hiểu chi tiết hơn, trước tiên ta xem xét hai khái niệm (thuật ngữ) thường dùng trong xử lý ảnh đó là Pixel (phần tử ảnh) và grey level (mức xám), tiếp theo là tóm tắt các vấn đề chính. Một số khái niệm * Pixel (Picture Element): phần tử ảnh Ảnh trong thực tế là một ảnh liên tục về không gian và về giá trị độ sáng. Để có thể xử lý ảnh bằng máy tính cần thiết phải tiến hành số hoá ảnh. Trong quá trình số hoá, người ta biến đổi tín hiệu liên tục sang tín hiệu rời rạc thông qua quá trình lấy mẫu (rời rạc hóa về không gian) và lượng hoá thành phần giá trị mà thể về nguyên tắc bằng mắt thường không phân biệt được hai điểm kề nhau.

Trong quá trình này, người ta sử dụng khái niệm Picture element mà ta quen gọi hay viết là Pixel - phần tử ảnh. Ở đây cũng cần phân biệt khái niệm pixel hay đề cập đến trong các hệ thống đồ hoạ máy tính. Để tránh nhầm lẫn ta tạm gọi khái niệm pixel này là pixel thiết bị. Khái niệm pixel thiết bị có thể xem xét như sau: khi ta quan sát màn hình (trong chế độ đồ 6 hoạ), màn hình không liên tục mà gồm nhiều điểm nhỏ, gọi là pixel.

Mỗi pixel gồm một cặp toạ độ x, y và màu. Như màn hình máy tính có nhiều loại với độ phân giải khác nhau: màn hình CGA có độ phân giải là 320 x 200; màn hình VGA là 640 x 350,. [1] Như vậy, một ảnh là một tập hợp các điểm ảnh. Khi được số hoá, nó thường được biểu diễn bởi bảng hai chiều I(n,p): n dòng và p cột.

Ta nói ảnh gồm n x p pixels. Người ta thường ký hiệu I(x,y) để chỉ một pixel. Thường giá trị của n chọn bằng p và bằng 256.2 cho ta thấy việc biểu diễn một ảnh với độ phân giải khác nhau. Một pixel có thể lưu trữ trên 1, 4, 8 hay 24 bit.

[1] * Gray level: Mức xám của ảnh Một điểm ảnh (Pixel) có hai đặc trưng cơ bản là vị trí (x, y) của điểm ảnh và độ xám của nó. Dưới đây chúng ta xem xét một số khái niệm và thuật ngữ thường dùng trong xử lý ảnh. [1] Mức xám là kết quả sự mã hoá tương ứng một cường độ sáng của mỗi điểm ảnh với một giá trị số tại điểm đó - kết quả của quá trình lượng hoá. Cách mã hoá kinh điển thường dùng 16, 32 hay 64 mức.

Mã hoá 256 mức là phổ dụng nhất Lý do từ kỹ thuật máy tính dùng 1 byte (8 bits) để biểu diễn mức xám. Mức xám dùng 1 byte biểu diễn: 28 = 256 mức (0, 1… 255), nên với 256 mức, mỗi pixel sẽ được mã hoá bởi 8 bit. [1] Ảnh đen trắng: là ảnh có hai màu đen, trắng (không chứa màu khác) với mức xám ở các điểm ảnh có thể khác nhau. Ảnh nhị phân: ảnh chỉ có 2 mức đen trắng phân biệt tức dùng 1 bit mô tả 21 mức khác nhau.

Nói cách khác mỗi điểm ảnh của ảnh nhị phân chỉ có thể là 0 hoặc 1. Ảnh màu: Trong hệ màu RGB(Red, Blue, Green) để tạo nên thế giới màu, người ta thường dùng 3 byte để mô tả mức màu, khi đó các giá trị màu: 28*3= 24 16,7 triệu màu. Biểu diễn ảnh Trong biểu diễn ảnh, người ta thường dùng các phần tử đặc trưng của ảnh là pixel. Nhìn chung có thể xem một hàm hai biến chứa các thông tin như biểu diễn của 7 một ảnh.

Các mô hình biểu diễn ảnh cho ta một mô tả lô gic hay định lượng các tính chất của hàm này. Trong biểu diễn ảnh cần chú ý đến tính trung thực của ảnh hoặc các tiêu chuẩn “thông minh” để đo chất lượng ảnh hoặc tính hiệu quả của các kỹ thuật xử lý. [1] Việc xử lý ảnh số yêu cầu ảnh phải được mẫu hoá và lượng tử hoá. Thí dụ một ảnh ma trận 512 dòng gồm khoảng 512 x 512 pixel.

Việc lượng tử hoá ảnh là chuyển đổi tín hiệu tương tự sang tín hiệu số (Analog Digital Convert) của một ảnh đã lấy mẫu sang một số hữu hạn mức xám. [1] Một số mô hình thường được dùng trong biểu diễn ảnh: Mô hình toán, mô hình thống kê. Trong mô hình toán, ảnh hai chiều được biểu diễn nhờ các hàm hai biến trực giao gọi là các hàm cơ sở. Với mô hình thống kê, một ảnh được coi như một phần tử của một tập hợp đặc trưng bởi các đại lượng như: kỳ vọng toán học, hiệp biến, phương sai, moment.

Một số phép thực hiện quan trọng trong xử lý ảnh số * Biến đổi ảnh Như trên đã nói có ba loại ảnh: ảnh màu, ảnh xám, ảnh nhị phân. Một ảnh được tạo nên bởi các pixel [1]. Với mỗi loại ảnh giá trị của mỗi pixel là khác nhau:  Ảnh nhị phân: Mỗi pixel có giá trị 0 (là đen) hoặc 1 (là trắng).  Ảnh đa cấp xám: Mỗi pixel ảnh sẽ được mã hoá bằng 8 hoặc 16, 32 bit; thông dụng là 8 bit.

Như vậy mỗi điểm ảnh sẽ có giá trị trong khoảng từ 0 đến 255. Với 0 là đen và 255 là trắng. Các giá trị trong khoảng 0.255 là các giá trị xám với các mức khác nhau.  Ảnh màu: Một ảnh màu là một ảnh số có chứa thông tin màu trong mỗi pixel.

8 Mỗi điểm ảnh màu được cung cấp thông tin từ ba kênh màu. Các hệ màu thông dụng là RGB, YCbCr, HSV, L*,a*,b*. Không gian màu RGB Hình 1. Không gian màu CMYK Hình 1.

Không gian màu L*,a*,b*. Không gian màu HSV * Các loại file ảnh Ảnh không nén: Các điểm ảnh được lưu trong file ảnh là các giá trị thu được từ tấm sensor của thiết bị thu ảnh (máy ảnh) ví dụ ảnh bitmap. Ảnh nén: Gồm các loại PNG, GIF, JPEG, TIFF,. Nén ảnh là việc mã hóa một ảnh thành một ảnh khác có dung lượng nhỏ hơn để không tốn không gian lưu trữ hoặc để dễ dàng truyền/nhận giữa các thiết bị hoặc trên mạng máy tính.