
Tuyển tập Hội nghị Khoa học thường niên năm 2024. ISBN: 978-604-82-8175-5
89
PHÁT HIỆN BỆNH LÁ
BẰNG MÁY BAY KHÔNG NGƯỜI LÁI
Trần Anh Đạt, Trần Thị Hiền Tiên
Trường Đại học Thủy lợi
Nghiên cứu này áp dụng mô hình mạng
nơ-ron tích chập với quy trình chuyển đổi đa
giai đoạn 56ms. Kết quả của chúng tôi cho
thấy phương pháp đề xuất có thể vượt trội so
với một số phương pháp tiên tiến nhất trên tập
dữ liệu 1000 hình ảnh tự thu thập được chụp
bởi UAV. Kết quả thử nghiệm cho thấy thời
gian dự đoán thực tế có thể đạt 56ms với kiến
trúc CNN EfficientNet-Lite-B9-v3. Nghiên
cứu này cung cấp một nền tảng vững chắc cho
việc xây dựng hệ thống phát hiện bệnh lá.
1. GIỚI THIỆU
Việc phát hiện bệnh lá rất thách thức do sự
phức tạp của các mẫu hình ảnh. Điều này dẫn
đến nhu cầu ngày càng tăng về phân tích cụ
thể và phức tạp của các dấu hiệu trên lá.
Chúng tôi dự định sử dụng dữ liệu thu được
từ phương tiện bay không người lái (UAV)
để phát hiện sâu bệnh vì tính hiệu quả, chính
xác, khả năng tiếp cận và chi phí hiệu quả
của nó. Trên thực tế, trong các cánh đồng lớn
có mật độ cây trồng cao, việc sử dụng các
thiết bị tầm gần có ưu điểm là độ chính xác
cao, nhưng lại quá tốn công sức, chi phí cao
và mất thời gian lắp đặt. Phương tiện bay
không người lái có thể được triển khai và vận
hành dễ dàng trên một khu vực rộng lớn.
Trong bài báo này, chúng tôi đề xuất một
phương pháp dựa trên hai mô hình CNN và
một module trích xuất bất thường ở giữa để
phân tích hình ảnh của cây bị nhiễm bệnh.
Phương pháp đề xuất có thể nhẹ và được
triển khai cho các bảng nhúng trên UAV.
Những đóng góp của chúng tôi gồm hai
phần và được tóm tắt như sau:
Chúng tôi đề xuất một kiến trúc với quy
trình xử lý bao gồm phân đoạn lá bệnh.
Chúng tôi cũng nâng cao mô hình
EfficientNet để cải thiện cả độ chính xác và
thời gian xử lý của toàn bộ quá trình.
2. CÁC NỘI DUNG LIÊN QUAN
Để cải thiện độ chính xác của mô hình làm
việc với hình ảnh UAV, [1] đề xuất tăng độ
sâu của mạng. Tuy nhiên, nó gây ra tác động
tiêu cực đến hiệu quả tính toán. Lin và cộng
sự [2] cũng kết hợp Faster R-CNN [3], Mask
R-CNN [4] với Inception [5], ResNet [6] 50
và 101 để cải thiện hiệu suất phát hiện sâu
bệnh. Công trình này kết thúc với kết quả
đánh giá khá cao với độ chính xác 83%. Tuy
nhiên, việc kết hợp Mask R-CNN để phân
đoạn và ResNet101 để phân loại sẽ gây ra độ
trễ lớn khi chạy hệ thống trong lĩnh vực thời
gian thực. Để giải quyết vấn đề này, chúng
tôi sử dụng Efficientnet-Lite cho mô hình
phân loại của chúng tôi vì tính gọn nhẹ của
nó. Nhờ ít sức tính toán hơn và ít tham số
hơn để chạy trên các thiết bị có cấu hình
thấp, Efficientnet-Lite kế thừa từ Efficientnet
để duy trì độ chính xác cạnh tranh so với các
mô hình tiên tiến khác trong phân loại.
3. PHƯƠNG PHÁP
3.1. Phân đoạn
Refined UNet Lite gốc đã được đào tạo và
kiểm tra tốt trên 3 phiên bản (v1, v2 và v3)
trên tập dữ liệu hình ảnh Landsat 8 OLI. Do