zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Nông - Lâm - Ngư

» Nông nghiệp

Nghiên cứu phương pháp học sâu đa tầng cho phát hiện sâu bệnh từ nguồn video

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:3

Báo xấu

8
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết Nghiên cứu phương pháp học sâu đa tầng cho phát hiện sâu bệnh từ nguồn video đề xuất phương pháp xử lý video phát hiện sâu bệnh dựa trên mô hình CNN-LSTM đa tầng. Phương pháp phát hiện sâu bệnh được đề xuất bao gồm mô hình CNN để trích xuất các đặc điểm không gian trong video và mô hình LSTM được sử dụng để tích xuất các đặc điểm thời gian trong video.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Nghiên cứu phương pháp học sâu đa tầng cho phát hiện sâu bệnh từ nguồn video

Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 NGHIÊN CỨU PHƯƠNG PHÁP HỌC SÂU ĐA TẦNG CHO PHÁT HIỆN SÂU BỆNH TỪ NGUỒN VIDEO Trần Anh Đạt, Nguyễn Hữu Quỳnh Trường Đại học Thủy lợi, email: dat.trananh@tlu.edu.vn 1. GIỚI THIỆU 3. MÔ HÌNH PHÁT HIỆN SÂU BỆNH ĐA TẦNG Bài báo này đề xuất phương pháp xử lý video phát hiện sâu bệnh dựa trên mô hình Thuật toán phát hiện sâu bệnh trong vườn CNN-LSTM đa tầng. Phương pháp phát hiện nông sản được đề xuất được minh họa ở sâu bệnh được đề xuất bao gồm mô hình Hình 1. CNN để trích xuất các đặc điểm không gian trong video và mô hình LSTM được sử dụng để tích xuất các đặc điểm thời gian trong video. Phần còn lại của bài viết này sẽ được tổ chức như sau: Phần 2 xem xét các công việc liên quan. Phần 3 mô tả hệ thống được đề xuất. Phần 4 báo cáo kết quả thực nghiệm. Các hướng nghiên cứu và thảo luận trong tương lai được cung cấp trong phần 5. Hình 1. Tổng quan về phương pháp đề xuất của chúng 2. CÁC NGHIÊN CỨU LIÊN QUAN Cách tiếp cận này chủ yếu được chia thành Trong tài liệu, nhiều phương pháp đã hai giai đoạn. Ở giai đoạn đầu tiên, dựa trên được đề xuất để giám sát video để phát hiện đặc điểm chuyển động và màu sắc sẽ xác định sâu bệnh. Quy trình làm việc của phương vị trí của sâu bệnh trên ảnh và khoanh vùng pháp này chủ yếu được chia thành hai bước sâu bệnh. Trong giai đoạn tiếp theo, một chuỗi nhỏ sau: phát hiện sâu bệnh; và phân loại các hình ảnh sâu bệnh được phát hiện sẽ được sâu bệnh. đưa vào lớp CNN và sau đó được chuyển đổi Gần đây, tác giả của [3] đã thêm các lớp thành các đặc điểm trực quan thông qua các CNN và LSTM vào giao diện người dùng và lớp CNN; các đặc điểm sâu bệnh trên nông sản được trích xuất trong chuỗi hình ảnh được vào lớp trên đầu ra tương ứng. Do đó, lớp chuyển đến mô hình LSTM và đầu ra LSTM CNN hoạt động như một trình trích xuất đặc sẽ thực hiện dự đoán chuỗi hình ảnh có chứa trưng và LSTM hoạt động như một lớp để đám sâu bệnh thực hoặc vật thể chuyển động phân loại video đã ghi hoặc video chưa ghi. không phải sâu bệnh. Tương tự, [4] đề xuất mô hình CNN-LSTM để phân loại chuỗi ảnh sâu bệnh. Trong bài 3.1. Phát hiện sâu bệnh báo này, chúng tôi đề xuất phát hiện sâu bệnh Trong bước đầu tiên, chúng tôi khoanh nhiều tầng dựa trên đặc điểm nổi bật của sâu vùng sâu bệnh, tức là các khu vực có khả bệnh và phân loại ảnh chuỗi CNN-LSTM. năng xuất hiện sâu bệnh cao. Chúng tôi đã 48
Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 điều chỉnh mô hình này một chút để giúp mô Trong phần dữ liệu, chúng tôi đã thu thập hình phát hiện sâu bệnh tốt hơn: hơn 10.000 đoạn sâu bệnh và các vật thể H T1  H  HT2 (1) chuyển động không phải sâu bệnh để huấn R  RT (2) luyện mạng CNN-BiLSTM. Những phần này được chia thành ba phần: 60% được sử dụng S  255  R   ST (3) để đào tạo, 20% được sử dụng để xác nhận và RT 20% được sử dụng để kiểm tra. Chúng tôi trong đó H, R và S lần lượt là màu sắc, cường nhận thấy rằng trong 2.000 lần lặp đầu tiên, độ của kênh màu đỏ và độ bão hòa của các độ chính xác của mô hình được cải thiện pixel hình ảnh. H T1 , H T2 , RT và ST được xác nhanh chóng và đạt đến giới hạn ở 10.000 lần lặp. Sau đó, độ chính xác với 98.7% của mô định thông qua các thử nghiệm chuyên sâu. hình không thay đổi đáng kể. H T1 và H T2 thường nằm trong khoảng từ 0 đến 70, ST xấp xỉ 60 và RT xấp xỉ 120. 4. KẾT QUẢ THỰC NGHIỆM Sau khi phát hiện các ứng cử viên sâu Chúng tôi đã triển khai các thử nghiệm của bệnh có thể có, chúng ta cần chuyển sang mình với Python và thư viện học sâu bước tiếp theo để loại bỏ các ứng cử viên PyTorch. Chúng tôi đã chạy thử nghiệm trên không có sâu bệnh. Vì vậy, các đối tượng máy tính chạy Intel core i9, Windows 10 và chuyển động sẽ được theo dõi và phân loại NVIDIA GeForce RTX2080. Chúng tôi đã trong bước tiếp theo để loại bỏ các đối tượng thử nghiệm thuật toán của mình trên một tập chuyển động không sâu bệnh. dữ liệu lớn với các tình huống khác nhau, bao 3.2. Phân loại sâu bệnh gồm hình ảnh sâu bệnh lớn, hình ảnh sâu bệnh vừa, hình ảnh sâu bệnh nhỏ, sâu bệnh Như chúng tôi đã đề cập, các phương pháp tầm gần, sâu bệnh tầm xa và vật thể chuyển dự báo sâu bệnh dựa trên một hoặc một số hình động không phải sâu bệnh. Chúng tôi cũng đã ảnh trong quá khứ là không đủ, vì vậy chúng ta thử nghiệm các thuật toán trước đó trên cùng cần quan sát tất cả các đối tượng theo trình tự một tập dữ liệu thử nghiệm để so sánh. Bộ dữ để đưa ra dự đoán. Đối với phân loại sâu liệu của chúng tôi bao gồm 23 video có tên bệnh/không phải sâu bệnh, chúng tôi sử dụng test-01 đến test-23 và mô tả chi tiết một số kiến trúc CNN và LSTM kết hợp hai chiều video phổ biến của chúng được liệt kê trong (CNN-BiLSTM). Kiến trúc CNN-BiLSTM Bảng 1. liên quan đến việc sử dụng các lớp Mạng thần kinh kết hợp (CNN) để trích xuất các Bảng 1. Mô tả tập dữ liệu đặc điểm không gian từ dữ liệu hình ảnh đầu Video Properties Tên vào, kết hợp với LSTM hai chiều (BiLSTM) Video Độ phân Thời lượng Nhãn để trích xuất dự đoán trình tự hỗ trợ như giải trong Hình 2. Test-01 320240 2 minutes Hình sâu bệnh lớn Test-02 427240 20 seconds Hình sâu bệnh lớn Test-05 640480 2 minutes Hình sâu bệnh vừa Test-06 640480 2 minutes Hình sâu bệnh vừa Test-11 1280720 3 minutes Hình sâu bệnh nhỏ Test-12 1280720 5 minutes Hình sâu bệnh nhỏ Test-13 1280720 3 minutes Hình sâu bệnh nhỏ Test-18 320240 2 minutes Hình không có sâu bệnh Test-19 320240 3 minutes Hình không có sâu bệnh Hình 2. CNN với kiến trúc LSTM Test-20 1280720 5 minutes Hình không có sâu bệnh hai chiều để phân loại sâu bệnh Test-21 1280720 5 minutes Hình không có sâu bệnh 49
Tuyển tập Hội nghị Khoa học thường niên năm 2023. ISBN: 978-604-82-7522-8 Bằng cách áp dụng tính năng phát hiện sâu 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN bệnh nhiều tầng, thuật toán được đề xuất của Bài báo này giới thiệu một thuật toán phát chúng tôi đã cho thấy kết quả tốt nhất đối với hiện sâu bệnh dựa trên video để sử dụng trong các sâu bệnh có hình nhỏ và để tránh phát hệ thống phát hiện sâu bệnh. Thuật toán này hiện sai các vật thể chuyển động không phải sử dụng hai lớp CNN và LSTM để phân tích sâu bệnh. Bảng 2 tóm tắt kết quả của tất cả dữ liệu hình ảnh sâu bệnh trong cả hai miền các thử nghiệm cho mỗi thuật toán. không gian và thời gian. Kết quả thử nghiệm cho thấy thuật toán có độ chính xác khá cao, Bảng 2. So sánh các kết quả tốc độ xử lý nhanh và còn mang tính thời gian Các phương pháp thực. Nhược điểm của thuật toán hiện tại là nó Tên Video Đề xuất của sẽ không hoạt động tốt với các hình ảnh sâu Patil [1] Wang [2] Devi [4] chúng tôi bệnh có màu phức tạp như: chấm bi đen lác Phát hiện Phát hiện Phát hiện Phát hiện đác hoặc kẻ dọc xanh trên lá. Chúng tôi sẽ tiếp Test-01 sâu bệnh sâu bệnh sâu bệnh sâu bệnh tục hoàn thiện các thuật toán và đưa ra giải Test-02 Phát hiện Phát hiện Phát hiện Phát hiện pháp cho các vấn đề còn tồn tại. sâu bệnh sâu bệnh sâu bệnh sâu bệnh Phát hiện Phát hiện Phát hiện Phát hiện 6. TÀI LIỆU THAM KHẢO Test-05 sâu bệnh sâu bệnh sâu bệnh sâu bệnh [1] S. S. Patil and S. A. Thorat, Phát hiện Phát hiện Phát hiện Phát hiện Test-06 sâu bệnh sâu bệnh sâu bệnh sâu bệnh “Early detection of grapes diseases using machine learning and IoT,” Phát hiện Proc. - 2016 2nd Int. Conf. Cogn. Phát hiện Phát hiện Phát hiện Test-11 sâu bệnh sâu bệnh thiếu sâu bệnh sâu bệnh Comput. Inf. Process. CCIP 2016, 2016, doi: 10.1109/CCIP.2016.7802887. Phát hiện Test-12 Phát hiện sâu bệnh Phát hiện Phát hiện [2] Y. Wang, H. Wang, and Z. Peng, sâu bệnh sâu bệnh sâu bệnh “Rice diseases detection and classification thiếu using attention based neural network and Phát hiện Test-13 Phát hiện sâu bệnh Phát hiện Phát hiện bayesian optimization,” Expert Syst. Appl., sâu bệnh sâu bệnh sâu bệnh vol. 178, no. February, p. 114770, 2021, thiếu Phát hiện Không phát Không phát Không phát doi: 10.1016/j.eswa.2021.114770. Test-18 sâu bệnh hiện thấy hiện thấy hiện thấy [6] D. Li et al., “A recognition method for rice sai sâu bệnh sâu bệnh sâu bệnh plant diseases and pests video detection Phát hiện Không phát Không phát Không phát based on deep convolutional neural Test-19 sâu bệnh hiện thấy hiện thấy hiện thấy network,” Sensors (Switzerland), vol. 20, sai sâu bệnh sâu bệnh sâu bệnh no. 3, 2020, doi: 10.3390/s20030578. Phát hiện Không phát Phát hiện Không phát [4] E. A. Devi, S. Gopi, U. Padmavathi, Test-20 sâu bệnh hiện thấy sâu bệnh hiện thấy S. R. Arumugam, S. P. Premnath, and sai sâu bệnh nhầm sâu bệnh D. Muralitharan, “Plant Disease Classification Phát hiện Không phát Phát hiện Không phát using CNN-LSTM Techniques,” no. Test-21 sâu bệnh hiện thấy sâu bệnh hiện thấy Icssit, pp. 1225-1229, 2023, sai sâu bệnh nhầm sâu bệnh doi: 10.1109/icssit55814.2023.10061003. 50

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.