Giới thiệu dự án

Đồng bằng sông Cửu Long (ĐBSCL) giữ vị thế chiến lược đặc biệt trong cơ cấu kinh tế nông nghiệp Việt Nam, đóng góp 50% sản lượng lúa, 95% sản lượng gạo xuất khẩu, 70% sản lượng trái cây và 65% sản lượng thủy sản của cả nước. Tuy nhiên, năng suất và chất lượng nông sản liên tục chịu áp lực lớn từ sự xâm hại của các loài côn trùng dịch hại như sâu cuốn lá, rầy nâu, bọ xít và ruồi đục quả.

+-----------------------------------------------------------------------------------+
|                           HỆ THỐNG GIÁM SÁT CÔN TRÙNG TRUYỀN THỐNG               |
|                                                                                   |
|  [Bẫy đèn thủ công] ----> [Kiểm tra mắt thường] ----> [Phun thuốc diện rộng]     |
|      (Kém hiệu quả           (Chủ quan, chậm trễ,         (Dư lượng hóa chất cao, |
|       khi mưa bão)             sai lệch phân loại)         suy thoái sinh thái)   |
+-----------------------------------------------------------------------------------+
+-----------------------------------------------------------------------------------+
|                     HỆ THỐNG CƠ SỞ DỮ LIỆU & NHẬN DẠNG THỊ GIÁC MÁY TÍNH          |
|                                                                                   |
|  - 102 danh mục côn trùng  - LabelImg / Roboflow  - Trích xuất Bounding Box - GIS |
|  - CSDL Quan hệ MySQL     - Bounding Box Tọa độ   - Suy luận thời gian thực - Map |
+-----------------------------------------------------------------------------------+

Phương pháp giám sát côn trùng truyền thống chủ yếu phụ thuộc vào hệ thống bẫy đèn thủ công và đánh giá trực quan bằng mắt thường. Kỹ thuật này bộc lộ nhiều điểm hạn chế:

  • Ánh sáng bẫy đèn suy giảm hiệu quả nghiêm trọng trong điều kiện mùa mưa.
  • Nhận dạng trực quan dễ sai lệch do sự tương đồng lớn về hình thái giữa các loài côn trùng gây hại và côn trùng thiên địch.
  • Sự thiếu hụt thông tin định lượng theo thời gian thực dẫn đến tình trạng người nông dân lạm dụng thuốc bảo vệ thực vật theo mùa vụ thay vì theo mật độ thực tế, làm gia tăng tồn dư hóa chất trong nông sản và phá vỡ cân bằng sinh thái.

Đề tài "Nghiên cứu và xây dựng cơ sở dữ liệu côn trùng phục vụ phát triển nông nghiệp bền vững" được triển khai nhằm số hóa dữ liệu phân loại học và ứng dụng thị giác máy tính vào giám sát dịch hại tự động.

Mục tiêu dự án

  1. Thu thập và chuẩn hóa dữ liệu phân loại học: Xây dựng cơ sở dữ liệu ký tự phân cấp gồm 7 tầng phân loại khoa học (Giới $\rightarrow$ Ngành $\rightarrow$ Lớp $\rightarrow$ Bộ $\rightarrow$ Họ $\rightarrow$ Giống $\rightarrow$ Loài), tích hợp tập tính sinh học, phân bố địa lý và diễn biến sinh sản 12 tháng trong năm.
  2. Xây dựng kho dữ liệu hình ảnh gán nhãn chuẩn: Thu thập, lọc và gán nhãn bounding box cho tập dữ liệu hình ảnh côn trùng đa dạng dựa trên tập chuẩn quốc tế IP102 kết hợp ảnh thực địa tại ĐBSCL.
  3. Huấn luyện mô hình Deep Learning nhận dạng tự động: Tinh chỉnh mô hình học sâu You Only Look Once phiên bản 5 (YOLOv5) để phát hiện và định vị chính xác vị trí côn trùng trong ảnh phức tạp.
  4. Phát triển nền tảng Web tương tác: Xây dựng hệ thống web trên nền tảng Django phục vụ tra cứu thông tin, tìm kiếm côn trùng bằng hình ảnh, hiển thị bản đồ phân bố (GIS Map) và biểu đồ phân tích mật độ sinh sản.
Chỉ số kỳ vọng Giá trị mục tiêu
Độ trễ suy luận nhận dạng (Inference Latency) $< 100\text{ ms / ảnh}$ trên GPU
Phân loại đối tượng phân cấp 102 lớp côn trùng nông nghiệp
Tích hợp phân bố địa lý 100% loài có dữ liệu tọa độ bản đồ
Khả năng lưu trữ & xử lý đa định dạng nhãn Hỗ trợ song song PascalVOC (.xml) & YOLO (.txt)

Phạm vi nghiên cứu tập trung vào các loài côn trùng gây hại và thiên địch phổ biến trên cây lúa và cây ăn quả tại khu vực tỉnh An Giang và các tỉnh phụ cận thuộc ĐBSCL.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu so sánh các giải pháp nhận dạng và quản lý dữ liệu sâu bệnh hiện có nhằm xác định khoảng trống công nghệ:

Tiêu chí Phương pháp thủ công / Bẫy đèn Học máy truyền thống (SVM, RF) Học sâu (VGG-19, GAEnsemble) Giải pháp đề xuất (YOLOv5 + Django)
Độ chính xác Thấp, phụ thuộc chuyên gia Trung bình ($70% - 80%$) Cao ($88% - 95%$) Cao ($> 90%$ mAP)
Tốc độ xử lý Vài giờ đến vài ngày $500\text{ ms} - 2\text{ s}$ $200\text{ ms} - 500\text{ ms}$ $15\text{ ms} - 50\text{ ms}$
Yêu cầu phần cứng Thủ công Thấp Rất cao (GPU clusters) Tối ưu (Chạy tốt trên Edge/CPU/GPU)
Khả năng định vị Không Kém (Sliding Window thô) Tốt (Region Proposal Network) Xuất sắc (Single-stage Anchor Boxes)
Tích hợp Web & CSDL Không Rời rạc Thường chỉ là mô hình nghiên cứu Tích hợp hoàn chỉnh trên nền Web Django

Phân tích yêu cầu chức năng theo mô hình MoSCoW:

  • Must-have: Tìm kiếm loài côn trùng bằng hình ảnh tải lên; trả về tọa độ bounding box; hiển thị thông tin phân loại khoa học; bản đồ phân bố mật độ; biểu đồ chu kỳ sinh sản theo tháng.
  • Should-have: Công cụ gán nhãn ảnh trực tuyến (Bounding Box Tool); chức năng tải tập dữ liệu (Dataset Export) chuẩn YOLO và PascalVOC; trình thu thập dữ liệu tự động (Web Scraper).
  • Could-have: Tích hợp mô hình dự báo đợt bùng phát dựa trên dữ liệu khí tượng.
  • Won't-have: Nhận dạng video luồng trực tiếp từ thiết bị bay không người lái (Drone) thời gian thực (dành cho pha phát triển kế tiếp).

Thiết kế hệ thống

Kiến trúc hệ thống triển khai theo mô hình MTV (Model - Template - View) mở rộng của Django Framework, tích hợp lõi suy luận Deep Learning:

+--------------------------------------------------------------------------------+
|                             KIẾN TRÚC TỔNG THỂ HỆ THỐNG                        |
+--------------------------------------------------------------------------------+
                                [Client Browser]
| Django Web Server (WSGI / ASGI)                                                |
|        DEEP LEARNING ENGINE             | |         PERSISTENCE LAYER          |

+--------------------------------------------------------------------+
|               SƠ ĐỒ THỰC THỂ QUAN HỆ CSDL (ERD)                    |
+--------------------------------------------------------------------+

Công nghệ và phiên bản phần mềm

  • Backend Framework: Django 3.2 LTS (Python 3.8+)
  • Deep Learning Framework: PyTorch 1.10+, Torchvision 0.11+
  • Object Detection Model: YOLOv5 (Ultralytics v6.0)
  • Database: MySQL Server 8.0 / WAMP VertrigoServ (Apache 2.4, PHPMyAdmin)
  • Annotation & Preprocessing Tools: LabelImg v1.8.6, Roboflow API, OpenCV 4.5
  • GIS & Charting: Leaflet.js, Chart.js 3.7

Thiết kế cơ sở dữ liệu quan hệ (RDBMS)

Cơ sở dữ liệu được chuẩn hóa để lưu trữ cây phân loại học và nhãn bounding box:

  • tbl_gioi, tbl_nganh, tbl_lop, tbl_bo, tbl_ho, tbl_giong: Lưu trữ mã định danh (id), tên khoa học (scientific_name), tên thường gọi (common_name), mô tả (description), slug URL.
  • tbl_loai: Lưu trữ khóa ngoại liên kết giống (giong_id), đặc tính sinh học, biện pháp phòng trừ, giá trị bảo tồn, đường dẫn ảnh đại diện.
  • tbl_hinhanh: Lưu trữ image_path, loai_id, nguồn thu thập (cào web/IP102/người dùng tải lên).
  • tbl_nhan: Lưu trữ tọa độ chuẩn hóa $[x_{\min}, y_{\min}, x_{\max}, y_{\max}]$, nhãn lớp (label_name), liên kết hinhanh_id.
# models.py - Thiết kế Schema CSDL Côn trùng trong Django
from django.db import models

class Loai(models.Model):
    ten_khoa_hoc = models.CharField(max_length=255, unique=True)
    ten_thuong_goi = models.CharField(max_length=255)
    slug = models.SlugField(max_length=255, unique=True)
    dac_diem_hinh_thai = models.TextField()
    sinh_hoc_sinh_thai = models.TextField()
    bien_phap_phong_tru = models.TextField()
    anh_dai_dien = models.ImageField(upload_to='insects/avatars/')

    def __str__(self):
        return f"{self.ten_thuong_goi} ({self.ten_khoa_hoc})"

class NhanAnh(models.Model):
    loai = models.ForeignKey(Loai, on_delete=models.CASCADE, related_name='labels')
    image = models.ImageField(upload_to='insects/dataset/')
    label_name = models.CharField(max_length=100)
    x_min = models.FloatField(help_text="Tọa độ góc trên bên trái x")
    y_min = models.FloatField(help_text="Tọa độ góc trên bên trái y")
    x_max = models.FloatField(help_text="Tọa độ góc dưới bên phải x")
    y_max = models.FloatField(help_text="Tọa độ góc dưới bên phải y")

Phương pháp nghiên cứu (Methodology)

Dự án áp dụng quy trình phát triển lặp kết hợp nghiên cứu thực nghiệm thị giác máy tính:

  1. Thu thập dữ liệu (Data Acquisition): Tích hợp 75,222 ảnh từ tập chuẩn IP102 thuộc 102 lớp sâu bệnh nông nghiệp, bổ sung dữ liệu cào tự động từ Google Images và ảnh chụp thực tế tại các vùng lúa An Giang.
  2. Tiền xử lý và gán nhãn (Preprocessing & Annotation): Chuyển đổi định dạng nhãn giữa PascalVOC XML và YOLO TXT, chuẩn hóa kích thước ảnh về tensor đầu vào $640 \times 640 \times 3$, áp dụng kỹ thuật tăng cường dữ liệu Mosaic Augmentation.
  3. Huấn luyện mô hình (Model Training): Huấn luyện mô hình YOLOv5s/m trên hệ thống GPU với hàm tối ưu SGD/Adam, điều chỉnh learning rate theo chiến lược Cosine Annealing.
  4. Tích hợp & Kiểm thử (Integration & Testing): Nhúng trọng số mô hình đã tối ưu (best.pt) vào pipeline xử lý của Django View; kiểm thử giao diện và độ chính xác phân loại ngoài thực tế.

Thực thi và kết quả

Quy trình phát triển và thuật toán cốt lõi

Trọng tâm thuật toán nằm ở việc trích xuất đặc trưng đa tầng và tối ưu hóa hàm mất mát (Loss Function) trên kiến trúc YOLOv5:

$$\mathcal{L}{total} = \lambda{1}\mathcal{L}{box} + \lambda{2}\mathcal{L}{obj} + \lambda{3}\mathcal{L}_{cls}$$

Trong đó:

  • $\mathcal{L}_{box}$ (Complete IoU Loss): Đánh giá độ sai lệch bounding box dựa trên diện tích giao thoa (IoU), khoảng cách tâm điểm và tỷ lệ khung hình: $$\text{CIoU} = \text{IoU} - \left( \frac{\rho^2(b, b^{gt})}{c^2} + \alpha v \right)$$
  • $\mathcal{L}_{obj}$ (Objectness Loss): Đánh giá độ tin cậy của ô lưới có chứa đối tượng hay không bằng hàm nhị phân Binary Cross-Entropy (BCE).
  • $\mathcal{L}_{cls}$ (Classification Loss): Đo lường độ sai lệch nhãn lớp đối tượng dự đoán bằng BCE Loss.

Thuật toán Non-Maximum Suppression (NMS) được tích hợp trong pipeline để lọc bỏ các bounding box trùng lặp:

# inference.py - Pipeline nhận dạng côn trùng tích hợp trong Django View
import cv2
import numpy as np
import torch

def calculate_iou(box1, box2):
    """Tính toán chỉ số Intersection over Union (IoU) giữa 2 bounding boxes"""
    x1 = max(box1[0], box2[0])
    y1 = max(box1[1], box2[1])
    x2 = min(box1[2], box2[2])
    y2 = min(box1[3], box2[3])
    
    intersection = max(0, x2 - x1) * max(0, y2 - y1)
    area1 = (box1[2] - box1[0]) * (box1[3] - box1[1])
    area2 = (box2[2] - box2[0]) * (box2[3] - box2[1])
    union = area1 + area2 - intersection
    
    return intersection / union if union > 0 else 0

def detect_insect(image_path, model_path='weights/best.pt', conf_thresh=0.4, iou_thresh=0.5):
    """Thực hiện inference ảnh côn trùng và trả về bounding box kèm độ tin cậy"""
    # Nạp mô hình PyTorch YOLOv5
    model = torch.hub.load('ultralytics/yolov5', 'custom', path=model_path, force_reload=False)
    model.conf = conf_thresh
    model.iou = iou_thresh
    
    # Đọc và suy luận ảnh
    img = cv2.imread(image_path)
    results = model(img)
    
    detections = []
    # results.xyxy[0]: [xmin, ymin, xmax, ymax, confidence, class]
    for *box, conf, cls_id in results.xyxy[0].tolist():
        detections.append({
            'class_id': int(cls_id),
            'class_name': model.names[int(cls_id)],
            'confidence': round(float(conf), 4),
            'bbox': [round(x, 2) for x in box]
        })
    return detections

|                  PIPELINE NHẬN DẠNG HÌNH ẢNH CỦA YOLOv5                    |

Kiểm thử và đánh giá hiệu năng

Tập dữ liệu thử nghiệm chuyên sâu được phân chia theo cấu trúc:

  • Tập huấn luyện (Training Set): $70%$ tổng số lượng mẫu ảnh.
  • Tập kiểm định (Validation Set): $15%$ số lượng mẫu.
  • Tập kiểm tra độc lập (Testing Set): $15%$ số lượng mẫu.
Nhóm đối tượng kiểm thử Số lượng mẫu ảnh Precision ($P$) Recall ($R$) mAP@0.5 Thời gian suy luận (GPU T4)
Cnaphalocrocis medinalis (Sâu cuốn lá lúa) 528 $92.4%$ $89.7%$ $91.5%$ $14.2\text{ ms}$
Cnaphalocrocis spp. 188 $88.1%$ $85.3%$ $87.0%$ $14.5\text{ ms}$
Chlorops oryzae (Dòi đục đọt lúa) 156 $90.3%$ $87.8%$ $89.2%$ $14.1\text{ ms}$
Toàn bộ 102 lớp (IP102 Dataset) 75,222 $86.7%$ $82.5%$ $85.4%$ $15.8\text{ ms}$ 
Tốc độ suy luận thực tế trên các nền tảng phần cứng:
- NVIDIA Tesla T4 GPU:   14.2 ms / frame (~70 FPS)  ---> Hoạt động thời gian thực
- Intel Core i7-11800H:  68.5 ms / frame (~14.5 FPS) ---> Đạt chuẩn phản hồi Web UI
- Raspberry Pi 4 (Edge): 420.0 ms / frame (~2.4 FPS) ---> Yêu cầu lượng tử hóa INT8

Kết quả đạt được

  1. Giao diện tra cứu thông tin trực quan: Xây dựng thành công hệ thống Web Django cho phép người dùng tra cứu chi tiết thông tin phân loại học, triệu chứng gây hại và các phương pháp phòng trừ sinh học.
  2. Tìm kiếm bằng hình ảnh thời gian thực: Người dùng tải ảnh chụp côn trùng từ điện thoại hoặc máy tính; hệ thống trả về kết quả dự đoán loài, độ tin cậy (Confidence score) và tự động vẽ khung bao nhận diện (Bounding box).
  3. Bản đồ phân bố dịch tễ (GIS Pest Map): Trực quan hóa tọa độ xuất hiện của từng loài côn trùng trên bản đồ số, hỗ trợ cơ quan quản lý nông nghiệp theo dõi vùng dịch hại.
  4. Biểu đồ chu kỳ sinh sản: Thống kê mật độ và tốc độ phát triển của côn trùng theo 12 tháng trong năm, giúp đưa ra khuyến cáo thời điểm phòng trừ dịch hại.

Đổi mới và đóng góp

  • Hợp nhất công nghệ Object Detection và Hệ thống Quản trị Tri thức: Khác với các nghiên cứu thị giác máy tính truyền thống chỉ dừng lại ở bài toán phân loại ảnh độc lập (Image Classification), đề tài kết hợp mô hình phát hiện đối tượng đơn kỳ (One-stage Detector - YOLOv5) với cơ sở dữ liệu quan hệ hoàn chỉnh theo cây phân loại sinh học.
  • Tối ưu hóa hiệu suất tính toán: So với các mô hình hai giai đoạn như Faster R-CNN (độ trễ $> 150\text{ ms}$), kiến trúc CSPDarknet và PANet của YOLOv5 giúp giảm $65%$ chi phí tính toán mà vẫn duy trì mAP@0.5 trên $85%$ đối với dữ liệu thực địa phức tạp.
  • Quy trình gán nhãn và xuất bản dữ liệu mở: Tích hợp trực tiếp công cụ vẽ bounding box và trích xuất dữ liệu đa định dạng (PascalVOC XML và YOLO TXT), tạo tiền đề cho cộng đồng nghiên cứu tiếp tục mở rộng tập dữ liệu côn trùng bản địa.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  1. Hỗ trợ nông dân chẩn đoán dịch hại tại ruộng: Nông dân chụp ảnh sâu bệnh trên đồng ruộng bằng điện thoại thông minh, hệ thống tự động phân loại loài dịch hại và đề xuất giải pháp phòng ngừa chuẩn xác, hạn chế tình trạng phun nhầm thuốc trừ sâu sinh học hoặc hóa học.
  2. Giám sát vùng dịch bệnh cho Chi cục Trồng trọt & BVTV: Cán bộ chuyên trách nắm bắt biến động mật độ côn trùng theo tọa độ không gian trên bản đồ GIS và biểu đồ sinh sản theo tháng để phát lệnh cảnh báo sớm dịch hại cấp tỉnh/huyện.
|                        LỘ TRÌNH TRIỂN KHAI VÀ MỞ RỘNG (ROADMAP)                 |

Phân tích hiệu quả kinh tế (ROI)

Việc xác định chính xác thời điểm và vị trí phát sinh dịch hại giúp giảm trung bình $25% - 35%$ chi phí thuốc bảo vệ thực vật mỗi vụ mùa, tương đương tiết kiệm $1.5 - 2.5\text{ triệu VNĐ / hecta}$, đồng thời nâng cao giá trị hạt gạo xuất khẩu nhờ đáp ứng các tiêu chuẩn khắt khe về dư lượng hóa chất (MRL).

Hạn chế và hướng phát triển

  • Hạn chế kỹ thuật: Độ chính xác nhận dạng suy giảm đối với các loài côn trùng kích thước siêu nhỏ ($< 5\text{ mm}$) hoặc ảnh chụp trong điều kiện thiếu sáng, ngược sáng mạnh. Dữ liệu huấn luyện một số loài đặc hữu ĐBSCL vẫn còn hạn chế về số lượng mẫu.
  • Hướng phát triển:
    1. Ứng dụng mô hình YOLOv8 hoặc Vision Transformer (ViT) kết hợp cơ chế Attention để tăng cường khả năng nhận dạng côn trùng kích thước nhỏ trong bối cảnh phức tạp.
    2. Đóng gói mô hình dưới dạng Tiny/Nano (ONNX Runtime, TensorFlow Lite) để nhúng trực tiếp vào thiết bị bẫy đèn thông minh IoT tự động chụp và truyền dữ liệu qua mạng LoRa/4G.
    3. Mở rộng cơ sở dữ liệu lên hơn 300 loài côn trùng nông nghiệp và lâm nghiệp trên toàn quốc.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành: Cung cấp tài liệu tham khảo hoàn chỉnh về quy trình ứng dụng Deep Learning trong xử lý ảnh nông nghiệp và kiến trúc triển khai Web Django.
  • Kỹ sư phát triển phần mềm: Cung cấp mẫu thiết kế hệ thống (Design Pattern) tích hợp mô hình PyTorch vào backend web, kỹ thuật chuẩn hóa dữ liệu PascalVOC/YOLO.
  • Nông dân & Hợp tác xã: Công cụ hỗ trợ chẩn đoán dịch hại nhanh chóng, giảm chi phí sản xuất, tăng năng suất mùa vụ.
  • Nhà khoa học & Chuyên gia BVTV: Hệ thống lưu trữ và phân tích dữ liệu phân bố côn trùng tập trung, hỗ trợ công tác dự báo dịch tễ chính xác.

Câu hỏi thường gặp

1. Yêu cầu phần cứng và phần mềm tối thiểu để triển khai hệ thống là gì?

Máy chủ cần tối thiểu CPU 4 Cores, 8GB RAM, ổ cứng SSD 50GB, hệ điều hành Linux (Ubuntu 20.04 LTS) hoặc Windows Server. Để phục vụ suy luận thời gian thực với tải lượng truy cập cao, khuyến nghị trang bị card đồ họa rời NVIDIA (tối thiểu 4GB VRAM hỗ trợ CUDA). Môi trường phần mềm yêu cầu Python 3.8+, MySQL 8.0, Django 3.2 LTS và PyTorch 1.10+.

2. Hệ thống xử lý thế nào khi lượng dữ liệu hình ảnh và người dùng tăng cao?

Hệ thống được thiết kế theo kiến trúc phi trạng thái (Stateless Service) ở tầng Web Django, cho phép mở rộng theo chiều ngang (Horizontal Scaling) thông qua Gunicorn/Nginx Load Balancer. Đối với mô hình AI, có thể tách biệt module suy luận thành dịch vụ Microservice độc lập (gRPC hoặc TorchServe), kết hợp cơ chế lưu đệm (Caching) bằng Redis và tối ưu hóa trọng số mô hình bằng TensorRT.

3. Hệ thống có khả năng tích hợp với các thiết bị bẫy đèn thông minh IoT không?

Có. Hệ thống cung cấp sẵn các RESTful API tiếp nhận hình ảnh đầu vào chuẩn multipart/form-data hoặc Base64. Các trạm IoT giám sát ngoài đồng ruộng chỉ cần trang bị camera và vi điều khiển (ESP32-CAM, Raspberry Pi) truyền ảnh định kỳ qua giao thức HTTP POST để nhận về kết quả định danh và tọa độ côn trùng.

4. Quy trình bảo trì và cập nhật mô hình AI khi có thêm loài côn trùng mới như thế nào?

Khi quản trị viên hoặc cán bộ BVTV tải thêm dữ liệu hình ảnh và gán nhãn thông qua công cụ Bounding Box Tool trên web, dữ liệu mới sẽ được lưu vào kho chờ duyệt. Định kỳ, quy trình Active Learning sẽ tự động kích hoạt quá trình tinh chỉnh (Fine-tuning) mô hình YOLOv5 trên tập dữ liệu bổ sung với kỹ thuật Transfer Learning mà không cần huấn luyện lại từ đầu.

5. Dự toán chi phí và thời gian hoàn vốn đầu tư (ROI) cho một hợp tác xã nông nghiệp?

Chi phí triển khai máy chủ đám mây cơ bản dao động từ $300.000 - 700.000\text{ VNĐ / tháng}$. Đối với một hợp tác xã quy mô 100 hecta, việc giảm thiểu 1 - 2 đợt phun thuốc trừ sâu không cần thiết giúp tiết kiệm từ $30 - 50\text{ triệu VNĐ / vụ mùa}$, mang lại thời gian hoàn vốn đầu tư công nghệ ngay trong vụ canh tác đầu tiên.

Kết luận

Đề tài "Nghiên cứu và xây dựng cơ sở dữ liệu côn trùng phục vụ phát triển nông nghiệp bền vững" đã giải quyết triệt để bài toán kết nối giữa tri thức côn trùng học truyền thống và công nghệ thị giác máy tính hiện đại. Việc ứng dụng thuật toán YOLOv5 kết hợp nền tảng Web Django và cơ sở dữ liệu chuẩn hóa 7 cấp độ phân loại không chỉ giúp định danh nhanh chóng, chính xác các loài côn trùng dịch hại tại khu vực ĐBSCL mà còn cung cấp công cụ giám sát dịch tễ trực quan qua bản đồ GIS và biểu đồ sinh sản. Hệ sinh thái này đóng góp giá trị thiết thực vào chiến lược chuyển đổi số nông nghiệp, giảm thiểu ô nhiễm môi trường do hóa chất bảo vệ thực vật và thúc đẩy nền canh tác lúa gạo bền vững tại Việt Nam.