Nhận dạng và xác định vị trí cỏ dại trên luống hoa màu dùng máy véc tơ hỗ trợ và mạng nơ-ron

TRƯỜNG ĐẠI HỌC SÀI GÒN SAIGON UNIVERSITY TẠP CHÍ KHOA HỌC SCIENTIFIC JOURNAL ĐẠI HỌC SÀI GÒN OF SAIGON UNIVERSITY Số 65 (5/2019) No. 65 (5/2019) Email: tcdhsg@sgu.edu.vn ; Website: https://tapchikhoahoc.sgu.edu.vn 56 NHẬN DẠNG VÀ XÁC ĐỊNH VỊ TRÍ CỎ DẠI TRÊN LUỐNG HOA MÀU DÙNG MÁY VÉC TƠ HỖ TRỢ VÀ MẠNG NƠ-RON Weed detection in vegetable garden using support-vector machine and neural networks TS. Nguyễn Tất Bảo Thiện(1), Nguyễn Thị Cẩm Tú(2) (1)Học viện Công nghệ Bưu chính Viễn thông, Cơ sở tại TP.HCM (2)Trường Đại học Công nghệ Thông tin – ĐHQG TP.HCM TÓM TẮT Ngày nay, trí tuệ nhân tạo được ứng dụng trong hầu hết trên mọi lĩnh vực. Nông nghiệp công nghệ cao ứng dụng hệ thần kinh nhân tạo cũng theo xu thế đó, đây là hệ thống sản xuất nhằm đáp ứng chính xác yêu cầu của cây trồng, ngăn việc sử dụng phân bón hữu cơ, phân bón hóa học, thuốc diệt cỏ một cách lãng phí, qua đó không những góp phần bảo vệ môi trường, tiết kiệm được sức lao động của con người mà còn làm tăng năng suất của cây trồng. Trong nghiên cứu này, các mô hình máy học như vectơ hỗ trợ và mạng nơ-ron được ứng dụng nhằm huấn luyện, nhận dạng và phân loại đồng thời định vị cỏ dại trên ảnh màu. Kết quả của quá trình phân loại và định vị cỏ dại sẽ được dùng làm thông tin đầu vào cho thiết bị điều khiển phun thuốc diệt cỏ phù hợp cho từng loại cỏ mà không gây ảnh hưởng đến cây trồng. Từ khóa: máy học, mạng nơ-ron nhiều lớp, nông nghiệp công nghệ cao, nhận dạng lá cây, support- vector machine - SVM ABSTRACT Nowadays, artificial intelligence is present in almost every fields. Precision agriculture is following the trend, which is a production system that accurately meets the requirements of plants and prevents excessive use of organic fertilizers, chemical fertilizers or herbicides. Thereby, it does not only contribute to protect the environment and save the human labor but also increase the crop productivity. In this study, the machine learning models i.e. support vector machine and neural networks were applied to identify, classify weeds and locate its positions on color images. The results of the identification process could be used as the input information for the potential automatic equipment to suitably spray herbicides for each type of grasses without affecting the crop. Keywords: machine learning, multi-layer perceptron, precision agriculture, object recognization, support vector machine 1. Đặt vấn đề Để hạn chế tình trạng phun thuốc diệt cỏ một cách tràn lan, thiếu chính xác, không hiệu quả và có thể gây tác hại cho môi trường cần phải xây dựng được một hệ thống phân biệt đâu là cỏ dại, đâu là cây trồng và phải xác định được vị trí của cỏ dại nhằm làm dữ liệu cho hệ thống tự động phun thuốc diệt cỏ hoặc hệ thống bón phân tự động tại vị trí cây trồng. Đến thời điểm hiện tại, đã có một số sản phẩm nghiên cứu có thể nhận dạng và Email: nguyentatbaothien@gmail.com NGUYỄN TẤT BẢO THIỆN - NGUYỄN THỊ CẨM TÚ TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN 57 cho biết định danh của một số loại cỏ dại thường gặp, hoặc ở mức độ cao hơn là xác định được vị trí của cây trồng, chẳng hạn, một nghiên cứu được thực hiện vào năm 2013, [2], bằng việc phát triển hệ thống thị giác máy tính, hệ thống đã xác định được vị trí của cây trồng, tính toán được vùng là che phủ để thẩm định chất lượng cây trồng. Một phương pháp nghiên cứu khác cũng được đánh giá cao đó là phương pháp Chain code. Phương pháp này sử dụng kỹ thuật Computer-Aided Plant Species Identification Technique (CAPSI) để đối sánh hình dạng của lá [8]. Đầu tiên, ảnh tiền xử lý được chuyển từ ảnh màu sang ảnh xám. Thao tác Sobel được áp dụng trên ảnh nhị phân để xác định các cạnh trên ảnh trước khi làm mỏng các cạnh. Quá trình rút trích các tính năng của lá gồm hình dạng, kích thước, kết cấu và cách sắp xếp của lá trên 1 cành dựa trên phương pháp Chain code. Cuối cùng là nhận dạng tính năng của lá bằng cách áp dụng kỹ thuật so sánh tuyến tính. Tuy tỷ lệ nhận dạng cao nhưng lại có một số khó khăn trong quá trình thực hiện như độ sáng, độ nét của ảnh. Do nhận dạng cỏ dại dựa trên các đặc trưng của lá nên có một số nghiên cứu gặp khó khăn trong trường hợp các lá xếp chồng lên nhau. Trên thế giới đã có rất nhiều tài liệu nghiên cứu về vấn đề “Nông nghiệp công nghệ cao”. Mỗi tài liệu trình bày một khía cạnh khác nhau của vấn đề. Năm 2000, các nhà nghiên cứu [1] đã phát triển hệ thống mạng nơ-ron lan truyền ngược để nhận dạng cỏ dại trong luống bắp non. Một ảnh kích thước 756x504 pixel được chụp trên luống bắp, sau đó ảnh được cắt ra thành các ảnh có kích thước 100x100 pixel sao cho trên ảnh chỉ còn 1 đối tượng hoặc là cây bắp non hoặc là cây cỏ dại. Tập huấn luyện gồm 40 ảnh về cây bắp non, 40 ảnh vể cây cỏ dại và 20 ảnh mẫu được dùng để kiểm tra. Kết quả thực nghiệm cho thấy, ANN nhận dạng cây bắp non đạt đến tỷ lệ cao nhất 100% và cỏ dại là 80%. Điều này chấp nhận được do lượng dữ liệu cho việc huấn luyện ANN là ít và do hạn chế của phần cứng máy tính trong thời gian đó. Việc nhận dạng lá tập trung vào 2 nhóm đặc trưng là vân lá và hình dạng lá với phương pháp Fast Fourier Transform (FFT) cũng đã được sử dụng và cho kết quả khá tốt [3]. Có tất cả 21 đặc trưng của lá được rút trích cho việc nhận dạng bao gồm 10 đặc trưng đầu tiên được rút trích dựa vào khoảng cách giữa đường viền và đường gân chính của lá, 10 đặc trưng tiếp theo được rút trích bằng cách sử dụng các hình thái kỹ thuật số với 4 dạng hình học cơ bản, 5 dạng vân lá và 1 đặc trưng cuối cùng được rút trích bằng cách sử dụng kỹ thuật Convex hull. Kết quả thực nghiệm của việc sử dụng 1907 ảnh lá cho 32 loại cây trồng cho thấy tỷ lệ nhận dạng trung bình 97.19% Từ thực tế đó, chúng tôi đề xuất thực hiện đề tài “Nhận dạng và xác định vị trí cỏ dại lẫn trên luống hoa màu”. Đề tài tuy chỉ dừng lại ở việc nhận dạng và xác định vị trí của cây cỏ dại nhưng đầu ra của hệ thống nhận dạng của chúng tôi sẽ là dữ liệu cho các hệ thống tự động với các hoạt động tiếp theo như phun thuốc diệt cỏ chính xác tại vị trí đã được xác định hoặc bón phân tại gốc cây trồng. 2. Máy học véc tơ hỗ trợ và mạng nơ-ron nhân tạo 2.1. Máy học véc tơ hỗ trợ SVM – Support Vectors Machine là một mô hình học có giám sát, trong lĩnh SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 65 (5/2019) 58 vực máy học [6]. SVM thường được sử dụng để phân lớp dữ liệu (classification), hoặc phân tích hồi quy (regression annalysis). Ý tưởng chính của phương pháp SVM là cho trước một tập huấn luyện, được biểu diễn trong không gian vector, trong đó mỗi mẫu là một điểm. Phương pháp này tìm ra một siêu phẳng quyết định tốt nhất có thể chia các điểm trên không gian này thành hai lớp riêng biệt tương ứng là lớp (+) và lớp (-). Chất lượng của siêu phẳng này được quyết định bởi khoảng cách của điểm dữ liệu gần nhất của mỗi lớp đến mặt phẳng này. Khi đó, khoảng cách biên càng lớn thì mặt phẳng có chất lượng càng tốt, đồng thời việc phân loại sẽ càng chính xác. Kiến trúc phân loại SVM được định nghĩa như sau: f(x) = sign(wTx + b) Trong đó sign(z) = +1 nếu z ≥ 0, sign(z) = -1 nếu z < 0. Nếu f(x) = +1 thì x thuộc về lớp dương (lĩnh vực được quan tâm), và ngược lại, nếu f(x) = -1 thì x thuộc về lớp âm (các lĩnh vực khác). Điều này được minh họa trong Hình 1. Hình 1: Minh họa việc xác định siêu phẳng phân chia 2 lớp đối tượng 2.2. Mạng nơ-ron nhân tạo Khái niệm về mạng nơ-ron đã có từ những năm 1950 với sự ra đời của ngành nghiên cứu về trí tuệ nhân tạo [9]. Khi các hệ thống máy tính được kết nối lại với nhau, chúng có thể giải quyết những vấn đề khó khăn hơn. Và quan trọng nhất, khi áp dụng đúng thuật toán, người ta có thể “dạy học” cho máy tính. Về bản chất, “học” chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơ-ron sao cho giá trị hàm lỗi là nhỏ nhất. Có ba phương pháp học phổ biến là học có giám sát, học không giám sát và học tăng cường. Đơn vị xử lý của mạng nơ-ron gọi là một nơ-ron hay một nút (node) thực hiện một công việc rất đơn giản; nó nhận tín hiệu vào từ các đơn vị phía trước hay một nguồn bên ngoài và sử dụng chúng để tính tín hiệu ra sẽ được lan truyền sang các đơn vị khác. Hình 2: Minh họa dữ liệu đầu vào và đầu ra của một nơ-ron Trong đó: xi: các đầu vào wji: các trọng số tương ứng các đầu vào θj: độ lệch (bias) aj: đầu vào mạng (net-input) zj: đầu ra của nơ-ron g(x) : hàm chuyển (hàm kích hoạt) Kiến trúc mạng nơ-ron tích chập được sử dụng vào năm 2012 được cộng đồng nghiên cứu gọi với tên gọi là AlexNet do tác giả chính của nhóm nghiên cứu là Alex Krizhevsky [5]. Vào năm 2017, Nhóm SuperVision gồm các thành viên Alex Krizhevsky, Ilya Sutskever và Geoff NGUYỄN TẤT BẢO THIỆN - NGUYỄN THỊ CẨM TÚ TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN 59 Hinton cùng mạng AlexNet của họ đã đạt được kết quả đáng kinh ngạc với độ chính xác chênh lệch đến hơn 10% (15,31% và 26,17%) [5]. Điều đặc biệt là mạng huấn luyện này chỉ nhận dữ liệu đầu vào là các giá trị điểm ảnh thô và không hề áp dụng bất kỳ phương pháp trích chọn đặc trưng nào. Thiết kế kiến trúc mạng huấn luyện gần như một hộp đen với khả năng tự học thông qua các lớp ẩn, đã khiến CNN nói riêng cùng học sâu nói chung trở thành giải pháp mạnh mẽ nhất cho bài toán nhận dạng và phân loại. Đó cũng chính là lý do, chúng tôi chọn mạng huấn luyện AlexNet đảm nhận vai trò nhận dạng loại cỏ có trong ảnh đầu vào. 3. Tập dữ liệu Đối tượng hoa màu trong nghiên cứu này là cây bắp non 2 - 3 tuần tuổi. Chúng tôi thu thập dữ liệu gồm có: - 100 ảnh cây bắp non - 100 ảnh cây cỏ mần trầu - 100 ảnh cây cỏ rau sam - 100 ảnh cây bắp có lẫn 1 hoặc 2 loại cỏ trên. Việc thu thập dữ liệu ảnh được thực hiện trên các thửa ruộng bắp ở miền Đông Nam Bộ bằng camera điện thoại với ảnh ở chế độ phân giải 3264x2448. Với mục đích mô phỏng hệ thống và kiểm tra các giải thuật nhận dạng, đầu tiên chúng tôi thu thập và xử lý trên ảnh tĩnh. Trong trường hợp triển khai hệ thống thực tế, trên diện tích lớn, chúng tôi dự định sẽ tiến hành lắp đặt 1 dãy các camera trên 1 thanh ngang, khoảng cách giữa 2 camera bằng khoảng cách giữa 2 luống bắp, mỗi camera sẽ làm nhiệm vụ quét 1 luống. Thanh ngang này sẽ tích hợp thêm đầu phun thuốc và được gắn cố định vào robot; robot sẽ di chuyển giữa 2 luống bắp. 4. Mô hình nhận dạng và xác định vị trí cỏ dại trên luống hoa màu Mô hình nhận dạng và định vị cỏ dại trên luống hoa màu được mô phỏng dựa trên sự kết hợp của Máy học véc tơ hỗ trợ và Mạng nơ-ron nhân tạo (Hình 3). - Dữ liệu đầu vào là tập ảnh màu có độ phân giải 3264x2448. - Dữ liệu đầu ra là kết quả nhận dạng loại cỏ và vị trí của các cây cỏ có trên ảnh. Hình 3: Mô hình phân loại và xác định vị trí cỏ dại trên luống hoa màu - Thế mạnh của SVM là một thuật toán phân loại nhị phân [9], rất thích hợp cho việc phân lớp bước đầu để biết ảnh đưa vào là ảnh có cỏ dại hay không. - Đối với mạng nơ-ron nhân tạo, sau khi được huấn luyện bằng phương pháp học có giám sát với tập đặc trưng về lá của nhiều loại cỏ dại khác nhau, việc nhận dạng loại cỏ dại sẽ đạt hiệu quả cao hơn. - Việc kết hợp SVM và mạng nơ-ron nhân tạo làm cho hệ thống đạt hiệu quả cao, góp phần giúp cho sản xuất nông nghiệp tiến đến gần khái niệm “nông nghiệp công nghệ cao”. 4.1. Tiền xử lý ảnh Quá trình tiền xử lý ảnh nhằm mục SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 65 (5/2019) 60 đích rút trích các đặc trưng của các đối tượng được thực hiện qua các bước sau: - Hiệu chỉnh kích thước: ảnh được hiệu chỉnh về kích thước 1306x980. Hình 4: Ảnh cây bắp non trước và sau khi hiệu chỉnh kích thước - Sau khi tách các kênh màu trên ảnh, chúng tôi chuyển ảnh màu thành ảnh nhị phân với ngưỡng Ostu [11], [12]. Hình 5: Ảnh cây bắp sau khi phân đoạn ảnh dựa trên ngưỡng Ostu - Dùng thuật toán mở, xóa nền của ảnh và loại bỏ các đối tượng cắt biên ảnh nhằm thu được trọn vẹn đối tượng cần xét. Thực hiện xóa nhiễu trên ảnh bằng cách loại bỏ các đối tượng ảnh có diện tích nhỏ hơn 1 ngưỡng diện tích xác định. Hình 6: Ảnh sau khi đã loại bỏ nhiễu và các đối tượng cắt biên ảnh - Dùng hàm imfill để làm “mịn” đối tượng trong ảnh bằng cách tô trắng các “holes” có trên đối tượng nhằm hỗ trợ cho việc nhận dạng đối tượng. Hình 7: Ảnh nhị phân sau khi làm “mịn” 4.2. Rút trích đặc trưng Để đạt được tỷ lệ nhận dạng chính xác cao thì bước quan trọng nhất là rút trích đặc trưng và đây là kỹ thuật sử dụng các thuật toán để lấy ra những thông tin mang những đặc điểm riêng biệt của đối tượng có trong ảnh. Để xây dựng tập đặc trưng huấn luyện cho kiến trúc SVM, chúng tôi sử dụng kỹ thuật SURF (Speed Up Robust Feature) NGUYỄN TẤT BẢO THIỆN - NGUYỄN THỊ CẨM TÚ TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN 61 [7], sau đó sử dụng kỹ thuật K-Mean [4] để phân nhóm đối tượng có trong ảnh. Đối với mạng AlexNet, tập đặc trưng để huấn luyện cho mạng này được xây dựng trực tiếp một cách tự động dựa trên ảnh màu. 4.3. Kiến trúc SVM - Support Vector Machine Vì SVM là một mô hình học có giám sát nên ta cần xây phân loại ảnh đầu vào thành 2 nhóm cơ bản: nhóm 1: ảnh là cây bắp non; nhóm 2: ảnh là cây cỏ và ảnh là cây bắp non lẫn cỏ. Bảng 1: Phân loại dữ liệu thành 2 nhóm Hình chỉ có cây bắp Hình có cả bắp lẫn cỏ Việc rút trích đặc trưng trên một ảnh xám được thực hiện dựa trên thuật toán SURF. Chúng tôi xây dựng tập đặc trưng cho 1 đối tượng trên ảnh. Với tập dữ liệu thu được, chúng tôi sử dụng thuật toán K- Mean để gom nhóm phân loại đối tượng trong ảnh. Khi một ảnh màu được đưa vào, ảnh sẽ được tiền xử lý để thu được ảnh nhị phân để chuyển vào kiến trúc SVM. Tại đây ảnh được phân loại: nếu là cây bắp thì hệ thống sẽ xuất ra thông báo; ngược lại ảnh sẽ được chuyển sang kiến trúc AlexNet. 4.4. Kiến trúc mạng AlexNet AlexNet bao gồm 5 lớp tích chập và 3 lớp kết nối đầy đủ: - Lớp 1 (Tích chập):  Đầu vào: Ảnh với kích thước 224 x 224 x 3 (3 là con số tương ứng với 3 màu đỏ, xanh lục, xanh lam trong hệ màu RGB thông thường)  Số bộ lọc: 96  Kích thước bộ lọc: 11 x 11 x 3  Bước trượt (Stride): 4  Đầu ra: (224/4) x (224/4) x 96 = 55 x 55 x 96, chia đều cho hai GPU  Lớp chuyển tiếp sang lớp 2 (Lấy mẫu tối đa).  Đầu vào: 55 x 55 x 96  Đầu ra: (55/2) x (55/2) x 96 = 27 x 27 x 96 - Lớp 2 (Tích chập):  Đầu vào: 27 x 27 x 96  Số bộ lọc: 256  Kích thước bộ lọc: 5 x 5 x 48  Đầu ra: 27 x 27 x 256, chia đều cho hai GPU. - Lớp 3, 4, 5: Tương tự như với lớp 1 và lớp 2 với các kích thước bộ lọc lần lượt là 3 x 3 x 256, 3 x 3 x 384 và 3 x 3 x 384. Toàn bộ các lớp tính toán này đều được chia đều cho hai SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 65 (5/2019) 62 GPU để tăng tốc độ xử lý. Đầu ra cuối cùng qua lớp Tích chập thứ 5 là dữ liệu với kích thước 13 x 13 x 128, dữ liệu này sau khi đi qua một lớp lấy mẫu cuối cùng sẽ được dùng làm đầu vào cho các lớp sau đó là các lớp Kết nối đầy đủ. - Lớp 6 (Kết nối đầy đủ):  Đầu vào: 6 x 6 x 256  Số nơ-rôn: 4096 - Lớp 7 (Kết nối đầy đủ): tương tự lớp 6. - Lớp 8 (Kết nối đầy đủ): là lớp cuối cùng trong mạng AlexNet này có 1000 nơron, tương ứng với 1000 lớp khác nhau mà bộ huấn luyện cần nhận dạng. Hình 8: Mô phỏng cấu trúc mạng AlexNet [13] Mỗi lớp tích chập đều có Feature Map, ReLU, LRN (Local Response Normalized) và Overlap max pooling. Với tập ảnh gồm 3 thư mục con (cây bắp non lẫn cỏ, cỏ rau sam và cỏ mần trầu), với số ảnh màu trong mỗi thư mục là tùy ý, ở đây, chúng tôi sử dụng: - Thư mục cây bắp non lẫn cỏ: 37 ảnh - Thư mục Cỏ mần trầu: 55 ảnh - Thư mục Cỏ rau sam: 93 ảnh Mạng huấn luyện AlexNet sẽ chia ngẫu nhiên thành 2 tập: ở đây, chúng tôi chọn ngẫu nhiên 70% số ảnh cho tập huấn luyện và 30% số ảnh cho tập đánh giá. Với mô hình AlexNet, ảnh màu được chuẩn hóa kích thước 227x227x3 trước khi đưa vào mạng AlexNet. Sau khi đi qua các lớp tích chập, mỗi ảnh màu sẽ được trích ra 4096 đặc trưng làm đầu vào cho lớp kết nối đầy đủ đầu tiên. Dựa vào kết quả đánh giá sau khi huấn luyện trên tập ảnh thu thập được, chúng tôi nhận được tỷ lệ nhận dạng cao. Mặc dù, mỗi lần hệ thống thực thi thì số ảnh được chọn làm tập huấn luyện và tập đánh giá là ngẫu nhiên nhưng tỷ lệ chính xác chúng tôi thu được luôn cao hơn 90%. 5. Kết quả thực nghiệm Hệ thống thực nghiệm được mô phỏng trong môi trường Matlab 2018a Ảnh sau khi được tiền xử lý sẽ được rút trích đặc trưng và tiến hành so sánh với các đặc trưng có trong tập huấn luyện của SVM để đưa ra kết quả là ảnh của bắp hay không. - Nếu là ảnh của bắp sẽ xuất ra thông báo. - Nếu không, ảnh sẽ được sử dụng lại tên để tìm lại ảnh gốc ban đầu và chuyển sang mạng AlexNet để phân loại. Mạng AlexNet phân loại chính xác các đối tượng NGUYỄN TẤT BẢO THIỆN - NGUYỄN THỊ CẨM TÚ TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN 63 có trong ảnh sau đó chuyển đối tượng ảnh vào đúng khung phân loại nếu trên ảnh là 1 trong 2 loại cỏ trên hoặc ảnh có cả bắp lẫn cỏ. Đối với trường hợp trong ảnh có cả bắp lẫn cỏ thì chúng tôi cũng gán nhãn chính xác được cho các đối tượng có trong ảnh. - Với tập ảnh gồm 35 ảnh nhị phân là cây bắp non và 35 ảnh nhị phân gồm có ảnh của 2 loại cỏ và ảnh có cả bắp lẫn cỏ. Để huấn luyện cho SVM, trong bài toán này, chúng tôi chọn ra ngẫu nhiên 40% ảnh trong mỗi tập và 60% ảnh còn lại để đánh giá. Việc rút trích đặc trưng dựa trên thuật toán SURF và trích ra 20 đặc trưng mạnh nhất có trên mỗi ảnh để huấn luyện. Sau đó, thuật toán gom nhóm K-Mean có vai trò trả về kết quả ảnh đầu ra là bắp hoặc không. Trên cùng một tập huấn luyện nhưng mỗi lần thực thi hệ thống chọn ra một tập ảnh ngẫu nhiên nên độ chính xác của thuật toán luôn biến động, song qua nhiều lần thực thi chúng tôi nhận được kết quả nhận dạng của kiến trúc SVM là đáng tin cậy trên 80%. Với mạng AlexNet, chúng tôi có 3 loại nhãn để lựa chọn gán cho 1 ảnh: 1, ảnh cỏ mần trầu; 2, ảnh cỏ rau sam; 3, ảnh có cả bắp lẫn cỏ. Ảnh để huấn luyện cho mạng AlexNet là ảnh màu chưa qua bất kỳ giai đoạn tiền xử lý nào. Các kết quả có thể thu được khi có 1 ảnh đưa vào kiểm tra: Nếu ảnh đầu vào là bắp: xuất ra thông báo: Hình 9: Thông báo của hệ thống nếu ảnh chỉ có cây bắp Nếu ảnh đầu vào là 1 trong 2 loại cỏ: Hình 10: Thông báo của hệ thống nếu ảnh chỉ có cây cỏ mần trầu Nếu ảnh đầu vào là ảnh có cả cỏ lẫn bắp: ảnh sẽ được phân vùng các đối tượng và tiến hành gán nhãn cho từng đối tượng sau khi được tách ra riêng biệt. Hình 11: Ảnh được phân vùng các đối tượng trên ảnh Các đối tượng trong ảnh ở trường hợp có cả bắp lẫn cỏ sau khi phân vùng sẽ được cắt thành các đối tượng riêng biệt và một lần nữa đưa vào AlexNet để được gán nhãn: Hình 12: Các đối tượng riêng biệt đã được gán nhãn SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No. 65 (5/2019) 64 6. Kết luận và hướng nghiên cứu tiếp theo Với tập ảnh thu thập được, sau tiền xử lý tập ảnh để xây dựng tập đặc trưng huấn luyện cho SVM, chúng tôi có được kết quả nhận dạng với tỷ lệ chính xác chấp nhận được: Hình 13: Kết quả tỷ lệ nhận dạng chính xác của kiến trúc SVM Hình 14: Tiến trình huấn luyện và tỷ lệ chính xác của mạng AlexNet Đối với ảnh chỉ có 1 loại cỏ, hệ thống đã nhận dạng đúng và xác định được vị trí của cỏ trên ảnh. Riêng với ảnh có cả bắp lẫn cỏ trong trường hợp không chồng lắp thì hệ thống đã tách ra và gán nhãn đúng cho các đối tượng có trong ảnh nhưng vẫn chưa xác định vị trí của cỏ có trong ảnh. Riêng trường hợp ảnh có bắp lẫn cỏ dại bị chồng lắp lên nhau việc cắt rời các đối tượng gặp lỗi nên dẫn đến việc gán nhãn cũng không thực hiện được. Hướng nghiên cứu sắp tới: - Xử lý tốt trường hợp ảnh có bắp và cỏ chồng lắp lên nhau. - Xác định được vị trí của các đối tượng trong trường hợp trên ảnh có cả bắp lẫn cỏ. - Xây dựng hệ thống tự động phun thuốc diệt cỏ dựa và xử lý vấn đề thời gian thực. LỜI CẢM ƠN Chúng tôi xin chân thành cám ơn Học Viện Công Nghệ Bưu Chính Viễn Thông và Trường Đại Học Công Nghệ Thông Tin tạo điều kiện cho chúng tôi hoàn thành bài báo này. NGUYỄN TẤT BẢO THIỆN - NGUYỄN THỊ CẨM TÚ TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN 65 TÀI LIỆU THAM KHẢO [1] C.-C. Yang, S.O. Prasher, J.-A. Landry, H.S. Ramaswamy, A. Ditommaso, “Application of artificial neural networks in image recognition and classification of crop and weeds”, Canadian Agricultural Engineering, Vol. 42., No.3, pp 147-152, 2000. [2] Michael Weyrich, Yongheng Wang, Matthias Scharf, “Quality assessment of row Crop plants by using a machine vision system”, IECON 2013 - 39th Annual Conference of the IEEE Industrial Electronics Society, pp 2466-2471, 2013. [3] Kue-Bum Lee and Kwang-Seok Hong, “An Implementation of Leaf Recognition System using Leaf Vein And Shape”, International Journal of Bio-Science and Bio- Technology, Vol. 5, No. 2, April 2013. [4] Oyelade, O. J, Oladipupo, O. O, Obagbuwa, I. C, “Application of k-Means Clustering algorithm for prediction of Students’ Academic Performance”, International Journal of Computer Science and Information Security, Vol. 7, No.1, 2010. [5] Alex Krizhevsky, Ilya Sutskever, Geoffrey E. Hinton, “ImageNet classification with deep convolutional neural networks”, Communications of the ACM, Vol.60, No.6, June 2017. [6] Chih-Wei Hsu, Chih-Chung Chang, and Chih-Jen Lin, “A Practical Guide to Support Vector Classification”, Technical report, Department of Computer Science, National Taiwan University. July, 2003. [7] Herbert Bay, Tinne Tuytelaars, and Luc Van Gool1, “SURF: Speeded Up Robust Features”, Computer Vision – ECCV 2006: 9th European Conference on Computer Vision, Graz, Austria, May 7-13, 2006. Proceedings, Part I (pp.404-417). [8] Miss. Pande Ankita V. , Prof. Shandilya V.K, “Digital Image Processing Approach for Fruit and Flower Leaf Identification and Recognition”, International Journal Of Engineering And Computer Science, Vol. 2, No. 4, pp. 1280-1285, 2013. [9] Awad M., Khanna R, “Support Vector Machines for Classification”, Efficient Learning Machines, pp 39-66, 2015, Apress, Berkeley, CA [10] “A Comprehensive Study of Artificial Neural Networks”, International Journal of Advanced Research in Computer Science and Software Engineering, Vol. 2, No. 10, pp.278-284, 2012. [11] Hongzhi Wang, Ying Dong “An Improved Ostu Method for Image Segmentation”, Proceedings of SPIE - The International Society for Optical Engineering, Beijing, March 2008. [12] Ostu N., “A threshold selection method from gray-level histogram”, IEEE Transaction on Systems, Man, and Cybernetics, Vol. 9, No. 1, pp 62-66, 1979. [13] Rakshith Vasudev. (2019, Feb). [Online] HYPERLINK https://towardsdatascience.com/ understanding-and-calculating-the-number-of-parameters-in-convolution-neural-networks -cnns-fc88790d530d Ngày nhận bài: 07/4/2019 Biên tập xong: 15/5/2019 Duyệt đăng: 20/5/2019