- TỰ ĐỘNG NHẬN DẠNG MỘT SỐ LOẠI SÂU BỆNH TRÊN LÁ BƯỞI SỬ DỤNG CÔNG NGHỆ ẢNH. - Đặc trưng ảnh, lá bưởi, máy học vectơ hỗ trợ, nhận dạng và phát hiện, phân đoạn ảnh, sâu bệnh, xử lý hình thái. - Trong số các ứng dụng này, hệ thống phát hiện và nhận dạng sâu bệnh sử dụng kỹ thuật xử lý ảnh và thị giác máy tính đang thu hút nhiều nhà nghiên cứu trong và ngoài nước.. - Nghiên cứu này trình bày phương pháp để phát hiện và nhận dạng sâu bệnh trên lá bưởi. - Bài toán được giải quyết thông qua hai giai đoạn chính là: phát hiện vùng ứng viên có khả năng là sâu bệnh. - nhận dạng sâu bệnh từ các vùng ứng viên đã phát hiện. - Ở giai đoạn thứ nhất, phương pháp phân đoạn ảnh được thực hiện để xác định vùng ứng viên có thể là đối tượng sâu bệnh.. - Sau đó, mô hình máy học vectơ hỗ trợ (SVM) được xây dựng kết hợp với các đặc trưng đã trích ra trước đó để phân lớp vùng ứng viên. - Chúng tôi huấn luyện mô hình phân lớp để nhận dạng bốn loại sâu bệnh trên lá bưởi. - Kết quả thực nghiệm nhận dạng trên 500 ảnh sâu bệnh cho thấy độ chính xác xấp xỉ 99,2% đã khẳng định phương pháp đề nghị là rất triển vọng và có thể áp dụng vào nhận dạng sâu bệnh trên thực tế.. - Tự động nhận dạng một số loại sâu bệnh trên lá bưởi sử dụng công nghệ ảnh. - Trên thế giới đã có một số công trình nghiên về cứu nhận dạng sâu bệnh trên trái cà chua, dưa chuột,… bằng cách vận dụng kỹ thuật xử lý ảnh và nhận dạng đã đạt được một số kết quả khả quan.. - Các hệ thống nhận dạng sâu bệnh thường được thử nghiệm trong điều kiện lý tưởng là môi trường nhà kính, chưa được áp dụng rộng rãi vào môi trường thực tế ngoài trời (Mundada and Gohokar, 2013), nghiên cứu này có thể nhận biết chính xác lá cây có hoặc không có sâu bệnh nằm trên đó. - Hệ nhận dạng có thể nhận dạng sâu bệnh tổng quát khi đã có dữ liệu sâu bệnh như được trình bày ở Faithpraise Fina et al. - (2013) sử dụng kết hợp kỹ thuật K-Means với bộ lọc tương hợp (correspondence filter) để nhận dạng sâu bệnh. - Đến nay, vẫn có rất ít hệ thống nhận dạng sâu bệnh cho một loại nông sản. - Nghiên cứu được trình bày bởi Murali Krishnan and Jabert.G, 2013 sử dụng kỹ thuật phân cụm K- Means và phép trừ ảnh để phát hiện sâu bệnh trên lá cà phê và chưa xây dựng một hệ thống nhận dạng sâu bệnh đầy đủ, chỉ dừng lại ở mức phát hiện nhưng chưa nhận dạng được sâu bệnh. - Ở Việt Nam, hiện nay chưa có các công bố về hệ thống phát hiện và nhận dạng sâu bệnh trên cây trồng mặc dù phát triển mạnh về nông nghiệp. - Vì vậy, nghiên cứu về phát hiện và nhận dạng sâu bệnh trên lá bưởi có ý nghĩa khoa học và thực tiễn cao.. - Trong bài báo này, chúng tôi đề xuất giải thuật mới để phát hiện và nhận dạng sâu bệnh trên lá bưởi sử dụng kỹ thuật phân đoạn ảnh, kết hợp với phương pháp dò biên và phân tích hình dáng để phát hiện vùng ứng viên là các đối tượng có khả năng là sâu bệnh. - Tiếp theo, các vùng ứng viên sẽ được phân tích nhằm trích đặc trưng ảnh và phân loại để nhận dạng sâu bệnh bằng SVM.. - chi tiết nội dung của giải thuật xử lý ảnh và nhận dạng để phát hiện và nhận dạng sâu bệnh trên lá bưởi. - 2.2 Phát hiện vùng ứng viên. - Để trích được vùng ứng viên trên lá chứa sâu bệnh, chúng tôi thực hiện các bước sau: phân đoạn ảnh để tách vùng ứng viên (sâu bệnh) ra khỏi nền (vùng lá bưởi), sau đó sử dụng phép toán hình thái để làm sạch, làm trơn và nổi bật vùng ứng viên, cuối cùng tiến hành xây dựng viền (contour) để trích lấy vùng ứng viên chứa sâu bệnh từ ảnh gốc đầu vào.. - 2.3 Rút trích đặc trưng. - Bốn loại sâu bệnh được chọn có màu sắc và hình dáng tương đối khác nhau nên chúng tôi tập trung chủ yếu vào việc rút trích các đặc trưng liên quan đến màu sắc và hình dạng. - 2.3.1 Đặc trưng Color moments. - Đặc trưng màu sắc đầu tiên được sử dụng là Color moments. - Sau đó, chúng tôi sẽ tính toán đặc trưng giá trị trung bình (Mean),. - Ảnh gốc cũng được chuyển sang ảnh đa mức xám để trích đặc trưng Color moments. - 2.3.2 Đặc trưng Color correlograms. - Đặc trưng màu sắc tiếp theo được sử dụng là Color correlograms. - Tham số cho đặc trưng Color correlograms được chọn như sau:. - Bảng 1: Bảng đánh giá độ chính xác của mô hình phân lớp SVM dựa vào tham số d và k của đặc trưng Color correlograms trong một số trường hợp. - Đồng thời, ảnh được tách làm ba kênh màu giúp gia tăng độ chính xác trong nhận dạng. - 2.3.3 Đặc trưng Zernike moments. - Trong nghiên cứu này, chúng tôi sử dụng một đặc trưng hình dạng là Zernike moments. - Để rút trích đặc trưng này, ảnh đầu vào được chuyển từ ảnh màu RGB sang ảnh đa mức xám. - nhanh chóng, dung lượng tập tin đặc trưng nhỏ.. - Tuy nhiên, bộ đặc trưng ở trường hợp này vẫn đảm bảo đem lại độ chính xác cao trong quá trình phân lớp nhận dạng.. - Đối với tập đặc trưng đã chọn ở trên, tham số g (gamma của hàm nhân) được chọn là 0,125 và c (chi phí) được chọn là 8.. - Mô hình này dùng để phân lớp nhận dạng sâu bệnh.. - 2.5 Nhận dạng sâu bệnh. - Dữ liệu đầu vào là tập tin dữ liệu đặc trưng của ảnh.. - 3.2 Kết quả huấn luyện SVM với đặc trưng Color moments, Color correlograms và Zernike moments. - Với tập dữ liệu sâu bệnh đã thu thập được, chúng tôi xây dựng mô hình phân lớp SVM với các tham số như sau:. - 3.3.1 Trường hợp 1: một sâu bệnh/ một lá bưởi. - Chúng tôi tiến hành kiểm thử trên hình ảnh sâu bệnh. - Kết quả kiểm thử với mô hình phân lớp nhận dạng SVM được trình bày chi tiết như Bảng 4.. - Hình 5 minh họa cho nhận dạng một sâu bệnh trên một lá. - Trong đó, Hình 5a minh họa nhận dạng đối tượng sâu bệnh, Hình 5b là trường hợp lá không chứa đối tượng sâu bệnh.. - Hình 5: Nhận dạng một sâu bệnh/lá. - Bảng 4: Bảng kết quả kiểm thử chương trình đối với một sâu bệnh/lá Loại sâu bệnh Số lượng mẫu. - kiểm thử Số lượng mẫu nhận dạng. - nhận dạng sai Thời gian xử lý trung bình. - Không có sâu bệnh trên lá ms. - 3.3.2 Trường hợp 2: nhiều sâu bệnh/ một lá bưởi (mở rộng). - Chúng tôi mở rộng phạm vi của đề tài bằng cách xây dựng thêm chức năng nhận dạng nhiều. - sâu bệnh trên một lá bưởi. - Kết quả kiểm thử nhiều sâu bệnh trên cùng một lá với mô hình phân lớp nhận dạng SVM được trình bày chi tiết như Bảng 5, 6, 7.. - Bảng 5: Bảng kết quả kiểm thử chương trình đối với hai sâu bệnh/lá Số lượng sâu. - bệnh trên lá Số loại sâu bệnh Số lượng mẫu kiểm thử. - Số lượng mẫu nhận dạng đúng Thời gian xử lý trung bình 2 sâu bệnh 1 sâu bệnh. - Hình 6 minh họa cho nhận dạng hai sâu bệnh trên một lá. - Hình 6a chứa hai đối tượng sâu bệnh cùng loại. - Hình 6b chứa hai đối tượng sâu bệnh khác loại.. - Hình 6: Nhận dạng hai sâu bệnh/lá Bảng 6: Bảng kết quả kiểm thử chương trình đối với ba sâu bệnh/lá. - Số lượng sâu bệnh trên lá. - Số loại sâu bệnh. - Số lượng mẫu nhận dạng đúng Thời gian xử lý trung bình 3 sâu bệnh 2 sâu bệnh 1 sâu bệnh. - Hình 7 minh họa cho nhận dạng ba sâu bệnh trên một lá. - Hình 7a chứa ba đối tượng sâu bệnh cùng loại. - Hình 7b chứa ba đối tượng sâu bệnh thuộc hai loại khác nhau.. - Hình 7: Nhận dạng ba sâu bệnh/lá Bảng 7: Bảng kết quả kiểm thử chương trình đối với bốn sâu bệnh/lá. - Số lượng mẫu nhận dạng đúng Thời gian xử lý trung bình 4 sâu bệnh 3 sâu bệnh 2 sâu bệnh 1 sâu bệnh. - Hình 8 minh họa cho nhận dạng bốn sâu bệnh trên một lá. - Hình 8a chứa bốn đối tượng sâu bệnh cùng loại. - Hình 8b chứa bốn đối tượng sâu bệnh thuộc hai loại khác nhau.. - được vùng ảnh là đối tượng sâu bệnh như Hình 9. - Hình 8: Nhận dạng bốn sâu bệnh trên lá. - 3.3.3 Trường hợp 3: phát hiện và nhận dạng đối tượng sâu bệnh không chính xác. - Hình 9 là ảnh chứa 04 đối tượng sâu bệnh nhưng hệ thống chỉ phát hiện được 03 đối tượng.. - Ngoài việc phát hiện không đầy đủ vùng ứng viên, hệ thống cũng có thể nhận dạng đối tượng sâu bệnh không chính xác. - Hình 10 minh họa cho việc nhận dạng nhầm loại sâu bệnh trên ảnh. - Đối tượng sâu bệnh trong hình là ốc sên nhưng hệ thống nhận dạng là rệp sáp. - Việc nhận dạng không chính xác do hai nguyên nhân chính: (i) việc phát hiện vùng ứng viên không chính xác dẫn đến thay đổi hình dạng của đối tượng. - (ii) do đặc trưng của đối tượng được rút trích gần giống với đặc trưng của lớp khác dẫn đến SVM phân lớp không chính xác.. - Hình 10: Ví dụ cho trường hợp nhận dạng đối tượng không chính xác. - Thời gian xử lý và độ chính xác của chương trình phụ thuộc vào hai giai đoạn chính là phát hiện vùng ứng viên và nhận dạng sâu bệnh từ các vùng ứng viên đó.. - 3.4.1 Phát hiện vùng ứng viên. - 3.4.2 Nhận dạng sâu bệnh. - Chương trình có độ chính xác cao, nhận dạng chính xác các loại sâu bệnh đã được huấn luyện. - Ở Hình 6a số lượng vùng ứng viên được tìm thấy là 03, số lượng đối tượng sâu bệnh được nhận dạng là 02 do một vùng ứng viên được hệ thống xác định không phải là sâu bệnh. - Tương tự như vậy, ở Hình 8a, số lượng vùng ứng viên được hệ thống trả về là 05, trong khi đó số lượng đối tượng sâu bệnh nhận dạng được là 04 do một vùng ứng viên được xác định không phải là sâu bệnh.. - Chương trình có thời gian xử lý phù hợp trong việc trích đặc trưng, huấn luyện và nhận dạng sâu bệnh (thời gian xử lý trung bình trong các Bảng 5, 6, 7 là tổng thời gian phát hiện vùng ứng viên và nhận dạng sâu bệnh từ các vùng ứng viên).. - Độ chính xác của giai đoạn nhận dạng phần lớn phụ thuộc vào chất lượng ảnh, đặc trưng ảnh được sử dụng, đồng thời phụ thuộc vào độ chính xác của mô hình phân lớp. - Trong khi đó, thời gian xử lý phụ thuộc chủ yếu vào số lượng vùng ứng viên tìm thấy ở giai đoạn trước đó, số lượng thành phần đặc trưng được rút trích.. - Nghiên cứu này đã đề xuất một giải pháp để phát hiện và nhận dạng một số loại sâu bệnh trên lá bưởi bằng kỹ thuật xử lý ảnh kết hợp với máy học.. - Giải pháp được thực hiện qua hai bước chính: phân đoạn ảnh bằng thuật toán Otsu, dò tìm biên vùng ứng viên kết hợp với phép xử lý hình thái sau đó rút trích đặc trưng màu sắc và hình dạng của vùng ứng viên để tiến hành huấn luyện nhận dạng bằng máy học vectơ hỗ trợ. - Kết quả đạt được rất hứa hẹn cho việc áp dụng vào hệ thống nhận dạng sâu bệnh trong nông nghiệp.. - Đồng thời thử nghiệm thêm một số phương pháp phát hiện và nhận dạng khác để so sánh ưu, khuyết điểm so với phương pháp đề xuất.