Tóm tắt Luận án Tiến sĩ Kỹ thuật điều khiển và tự động hóa: Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:27

Thêm vào BST

Báo xấu

12
lượt xem 7
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục tiêu nghiên cứu của Luận án Tiến sĩ "Kỹ thuật điều khiển và tự động hóa: Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày" là xây dựng được hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.

Chủ đề:

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

Lưu

Nội dung Text: Tóm tắt Luận án Tiến sĩ Kỹ thuật điều khiển và tự động hóa: Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC BÁCH KHOA HÀ NỘI NGÔ QUANG ƯỚC ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI CÂY TRỒNG NGẮN NGÀY Ngành: Kỹ thuật điều khiển và tự động hóa Mã số: 9520216 TÓM TẮT LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA Hà Nội -2023 1
Công trình được hoàn thành tại: Đại học Bách khoa Hà Nội Người hướng dẫn khoa học: PGS. TS. Bùi Đăng Thảnh TS. Ngô Trí Dương Phản biện 1: Phản biện 2: Phản biện 3: Luận án được bảo vệ trước Hội đồng đánh giá luận án tiến sĩ cấp Đại học Bách khoa Hà Nội họp tại Đại học Bách khoa Hà Nội Vào hồi……….giờ, ngày…….tháng……năm………. Có thể tìm hiểu luận án tại thư viện: 1. Thư viện Tạ Quang Bửu – ĐHBK Hà Nội 2. Thư viện Quốc gia Việt Nam 2
MỞ ĐẦU 1. Tính cấp thiết của luận án Công nghệ trí tuệ nhân tạo (AI) là một trong lĩnh vực đang phát triển rất mạnh mẽ và đang ngày một ứng dụng nhiều trong các lĩnh vực của cuộc sống. Trong lĩnh vực nông nghiệp, AI cũng đã đóng góp lớn trong việc dự báo về thời gian gieo hạt, dịch bệnh, thời điểm thu hoạch, sản lượng, việc này đã giúp người nông dân gia tăng năng suất và cải thiện thu nhập. Trong thực tế, đang có xu hướng ứng dụng AI mạnh mẽ vào sản xuất trong nông nghiệp. Trong năm 2020, AI toàn cầu trong quy mô thị trường nông nghiệp đạt giá trị 1 tỷ USD và dự kiến sẽ tăng lên 4 tỷ USD vào năm 2026. Ở Việt Nam, Đảng và Nhà nước có Chính sách phát triển các ngành và công nghệ ưu tiên như: nông nghiệp số, công nghệ thông tin và truyền thông, cơ điện tử; AI và tự động hóa…. Vì vậy, việc nghiên cứu và ứng dụng AI, tự động hóa và công nghệ thông tin vào quá trình sản xuất trong nông nghiệp trong giai đoạn hiện nay là hết sức cần thiết cho nên nông nghiệp Việt Nam. Cây trồng ngắn ngày là một trong những cây trồng góp phần cung ứng thực phẩm rất tốt cho nhu cầu của con người hàng ngày. Quá trình sinh trưởng của các loại cây trồng này chịu nhiều yếu tố ảnh hưởng như khí hậu, dịch bệnh, dinh dưỡng, tưới tiêu, … các yếu tố này sẽ ảnh hưởng lớn đến năng suất và chất lượng sản phẩm của cây trồng. Hệ thống điều khiển giám sát sử dụng các cảm biến như nhiệt độ, độ ẩm, ánh sáng, pH, EC và CO2 đã được sử dụng để thu thập các thông số môi trường, dinh dưỡng nhằm điều tiết các thông số này một cách phù hợp cho cây trồng sinh trưởng và phát triển đã được ứng dụng rất rộng rãi trong nhiều thập kỷ qua. Tuy nhiên với hệ thống điều khiển giám sát sử dụng các loại cảm biến này thì các thay đổi bất thường về hình dáng, màu sắc, bệnh hại xuất hiện trên cây trồng không thể giám sát được. Vì vậy, các hệ thống điều khiển giám sát cây trồng bằng hình ảnh đang được quan tâm trong nhiều năm trở lại đây khi công nghệ xử lý ảnh và AI phát triển mạnh. Các thông số sinh trưởng cây trồng như diện tích lá, chiều cao, số lá và bệnh hại ảnh hướng lớn đến năng suất và chất lượng, ví như bệnh hại xuất hiện, nếu không phát hiện kịp thời để xử lý có thể ảnh hưởng nghiêm trọng đến năng suất cũng như chất lượng của sản phẩm, nhiều lúc phải phá bỏ toàn bộ, cũng như sử dụng thuốc trừ bệnh không hợp lý sẽ ảnh hưởng đến vấn đề an toàn thực phẩm và môi trường. Vì vậy, việc phát hiện sớm 1
các triệu chứng khác thường ban đầu sẽ giúp ích rất lớn cho quá trình xử lý để giảm sự ảnh hưởng quá trình sinh trưởng và phát triển của cây trồng. Với sự phát triển mạnh mẽ của công nghệ AI, việc áp dụng các kỹ thuật này vào quá trình sản xuất cây trồng là rất cần thiết. Do đó, nghiên cứu sinh đề xuất hướng đề tài là “Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày”, nhằm nghiên cứu các thuật toán xử lý ảnh, AI cho hệ thống điều khiển giám sát các chỉ số sinh trưởng như chiều cao, số lá, diện tích lá và phát hiện bệnh hại xuất hiện trên cây trồng thông qua hình ảnh, từ đó đưa ra những cảnh báo và đề xuất hướng điều tiết cho cây trồng sinh trưởng và phát triển tốt, mang lại năng suất cao và nâng cao chất lượng sản phẩm. 2. Mục tiêu nghiên cứu Xây dựng được hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày. Hệ thống này xác định được một số chỉ tiêu như số lá, diện tích lá, chiều cao và bệnh hại chính trên cây trồng ngắn này. Hệ thống được thử nghiệm trực tiếp trên cây dưa chuột. 3. Đối tượng và phạm vi nghiên cứu - Đối tượng nghiên cứu: Hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại trên cây trồng ngắn ngày với tín hiệu đầu vào là hình ảnh, sử dụng công nghệ xử lý ảnh và trí tuệ nhân tạo. - Phạm vi nghiên cứu: + Xác định chiều cao, số lá và diện tích lá cây trồng ngắn ngày; + Phát hiện một số bệnh hại phổ biến trên cây trồng ngắn ngày; + Thử nghiệm trên cây dưa chuột được sản xuất trong nhà lưới có mái che. 4. Phương pháp nghiên cứu - Phương pháp nghiên cứu lý thuyết, phương pháp chuyên gia và phương pháp thực nghiệm. 5. Ý nghĩa khoa học và thực tiễn của luận án - Ý nghĩa khoa học: Luận án đã nghiên cứu sửa đổi được thuật toán Mahalanobis (MMD) để phân vùng lá cho cây trồng ngắn ngày, từ đó góp phần xác định được chiều cao, số lá và diện tích lá của cây dưa chuột thực nghiệm đạt độ chính xác cao. Nghiên cứu cải tiến mô hình trí tuệ nhân tạo dựa trên mạng nơron tích chập (CNN) để phân loại và phát hiện 2
bệnh sương mai và bệnh phấn trắng trên cây dưa chuột có độ chính xác cao. - Ý nghĩa thực tiễn: Các kết quả nghiên cứu đạt được của luận án đã được thực nghiệm với độ chính xác cao, vì vậy có thể ứng dụng cho hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại trên cây trồng từ đó điều chỉnh kịp thời thông số môi trường, dinh dưỡng và ngăn ngừa bệnh hại nhằm nâng cao được năng suất cho cây trồng và chất lượng sản phẩm. Luận án cũng đã đề xuất mô hình hệ thống điều khiển giám sát sử dụng robot tự động thu thập dữ liệu từ đó tự động giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột canh tác trong nhà lưới. Kết quả nghiên cứu đã ứng dụng công nghệ xử lý ảnh, AI và IoT vào sản xuất trong nông nghiệp, điều này góp phần vào việc chuyển đổi số trong nông nghiệp được Đảng và Nhà nước ta đang đặc biệt quan tâm. 6. Đóng góp mới của đề tài nghiên cứu: (1) Đã nghiên cứu sửa đổi thuật toán khoảng cách Mahalanobis (MMD) để phân vùng lá cây trồng từ đó xác định được số lá, diện tích lá và chiều cao cây. Đã thử nghiệm được trên cây dưa chuột với độ chính xác cao. (2) Xây dựng được bộ dữ liệu lá bệnh sương mai, bệnh phấn trắng và bình thường của cây dưa chuột trong môi trường sản xuất. Bộ dữ liệu có độ nhiễu về ánh sáng, môi trường lớn, có triệu chứng bệnh từ nhẹ đến nặng, tạo cơ sở dữ liệu cho nghiên cứu về sau. (3) Nghiên cứu và đề xuất cải tiến mô hình trí tuệ nhân tạo dựa trên mạng nơron tích chập (CNN) để phân loại và phát hiện bệnh sương mai và bệnh phấn trắng trên cây dưa chuột. 7. Cấu trúc của luận án: Luận án được bao gồm: Chương 1: Tổng quan về hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày Chương 2: Nghiên cứu xác định chiều cao, số lá và diện tích lá cây trồng Chương 3: Ứng dụng trí tuệ nhân tạo phát hiện bệnh trên cây trồng ngắn ngày Chương 4: Thực nghiệm và đánh giá kết quả Kết luận và kiến nghị: 3
CHƯƠNG 1. TỔNG QUAN VỀ HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI CÂY TRỒNG NGẮN NGÀY 1.1 Vai trò của điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày Theo ước tính của Liên hợp quốc dân số thế giới hiện tại là 7.6 tỷ người và dự kiến sẽ đạt 9.8 tỷ người vào năm 2050, như vậy kéo theo nhu cầu lương thực ngày càng lớn, đồng nghĩa với việc sản lượng lương thực cũng cần tăng lên, trong khi diện tích đất canh tác đang ngày càng thu hẹp do sử dụng cho việc sinh sống và các ngành công nghiệp khác, thêm vào đó sự khắc nghiệt của môi trường ngày càng tăng đã làm cho canh tác nông nghiệp bị ảnh hướng lớn. Bên cạch đó, nhu yêu cầu về chất lượng nông sản ngày càng cao, lực lượng lao động trong nông nghiệp không đám ứng đủ. Vì vậy, giải pháp tối ưu để thúc đẩy sản xuất lương thực, tăng năng suất và chất lượng là canh tác trong nhà kính với việc sử dụng các công nghệ vào để điều khiển giám sát. 1.2 Ý nghĩa của chiều cao, số lá và diện tích lá đối với quá trình sinh trưởng của cây trồng Lá là cơ quan quan trọng không thể thiếu trong quá trình sinh trưởng phát triển của cây trồng, đây là bộ phận làm nhiệm vụ quang hợp chủ yếu trên cây, tổng hợp vật chất khô, ngoài ra lá còn thực hiện chức năng trao đổi khí, hô hấp, thoát hơi nước điều hòa nhiệt độ trong cây. Số lá trên cây nhiều hay ít đều có ảnh hưởng nhất định đến quá trình sinh trưởng và phát triển của cây, là tiền đề cho cây trồng có năng suất cao. Các chỉ số về chiều cao, số lá của cây trồng cũng là các chỉ số quan trọng trong đánh giá quá trình sinh trưởng và phát triển của cây trồng. Các chỉ số này có mối tương quan lớn đối với năng suất cây trồng. Vì vậy, giám sát các chỉ số này của cây trồng để điều tiết các yếu tố môi trường nhằm cho cây phát triển tốt là rất cần thiết. 1.3 Tình hình nghiên cứu hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày Đã có rất nhiều nghiên cứu về điều khiển giám sát các thông số nhà lưới đã được đưa vào ứng dụng tốt trong quá trình sản xuất. Các nghiên cứu này đã thông qua các thông số đầu vào như nhiệt độ, độ ẩm, cường độ ánh sáng, EC và độ pH của đất từ các cảm biến và sử dụng Arduino, PLC, PIC… để xử lý và điều khiển các thiết bị đầu ra nhằm đáp ứng tốt các nhu cầu của cây trồng đã được sử dụng nhiều trong các thập kỷ qua. Các loại cảm biến này không thể giám sát các 4
triệu chứng bất thường bên ngoài cây như sâu bệnh, thiếu chất, hình thái…Do vậy đã có các nghiên cứu sử dụng hình ảnh từ camera để xác định các bất thường này. Tuy nhiên các nghiên cứu này đang chủ yếu đề xuất các phương pháp khác nhau giám sát quá trình phát triển và sâu bệnh của cây, chưa có nhiều thực nghiệm được trình bày. Vì vậy, tiếp tục nghiên cứu vấn đề này cho hệ thống điều khiển giảm sát để có giải pháp tốt nhằm ứng dụng trong thực tế sản xuất là rất cần thiết. Trạm giám sát điề khiển tr ng t m C m iến đo nhiệt độ Hệ thống cấp nhiệt C m iến đo độ m Hệ thống điề tiết ánh sáng C m iến đo cư ng độ A S Hệ thống th thập x Hệ thống cấp độ m C m iến đo nồng độ C 2 l điề khiển Hệ thống cấp C 2 C m iến đo C C m iến đo pH Hệ thống cấp inh ư ng Hệ thống ph n th ốc tr s ệnh C m iến h nh nh Hình 1.2 Sơ đồ hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng 1.4 Tình hình nghiên cứu về xác định chiều cao, số lá và diện tích lá cây trồng ngắn ngày Hiệ ch nh má nh Chụp nh l nh xG t Ph n ng nh N I t T lệ độ ch phủ tán xG xR Chiề rộng tán c Trích x ất các tham số Giá trị đo Chiề cao c Chiề i tán c M h nh nghịch đ o Đư ng kính gốc Số lá Số ác thực m h nh Hình 1.8 Các bước sử dụng hình ảnh kỹ thuật số để xác định các thông số của cây dưa chuột với phương pháp 2D Các phương pháp truyền thống để đo các chỉ số này thường mất nhiều công sức và thời gian. Do đó, các phương pháp ước tính chỉ số tăng trưởng bằng cách sử dụng dữ liệu hình ảnh cây trồng đã là lựa chọn thay thế hiệu quả. Có 2 phương pháp chủ yếu khi sử dụng hình 5
ảnh: Thứ nhất là phương pháp 2D, là phân tích hình ảnh kỹ thuật số đã được nhiều nhà nghiên cứu quan tâm (Hình 1.8); Thứ hai là tái tạo mô hình thực vật 3D cho toàn bộ cây, với phương pháp này, có thể xác định được chiều cao cây, số lá và diện tích lá có độ chính xác cao. Tuy nhiên, có chi phí thời gian và tiền bạc nhiều hơn so với mô hình 2D. Trong khả năng về kinh phí và thực nghiệm của luận án, đã chọn lựa phương pháp 2D để nghiên cứu. 1.5 Tình hình nghiên cứ phương pháp phát hiện bệnh trên cây trồng ngắn ngày liệ Tập đ o tạo ỹ th ật Chia is ali liệ ation Tập xác thực Cấ Hiệ tr c Al xN t GG 1 scor s ất m R sN t độ chính xác h nh AI Hình 1.12 Sơ đồ quy trình thực hiện các bước trong phân loại và phát hiện bệnh trên cây trồng sử dụng học sâu Bệnh trên cây trồng ảnh hưởng lớn đến quá trình sinh trưởng và phát triển, dẫn đến làm giảm năng suất và chất lượng. Với sự phát triển mạnh mẽ của AI, áp dụng các kỹ thuật này vào để xác định bệnh cây trồng là rất hiệu quả. Đã có nhiều nghiên cứu sử dụng kỹ thuật xử lý ảnh, AI vào phân loại và phát hiện bệnh. Tuy nhiên, trong hầu hết các nghiên cứu, tập dữ liệu ở PlantVillage được sử dụng để huấn luyện đánh giá độ chính xác của các mô hình. Mặc dù tập dữ liệu này có rất nhiều hình ảnh về một số loài cây trồng bị bệnh, nhưng nó có nền đơn giản, ít nhiễu. Trong khi, thực tế sản xuất thì lại có rất nhiều nhiễu và nền phức tạp. Ngoài ra, mức độ nghiêm trọng của bệnh cũng thay đổi theo thời gian, do đó, các mô hình nghiên cứu khó có hiệu quả cao trong quá trình sản xuất. Vì vậy, nghiên cứu các mô hình AI và xây dựng bộ dữ liệu trong môi trường sản xuất để huấn luyện nhằm ứng dụng tốt trong môi trường canh tác là hết sức ý nghĩa. 6
CHƯƠNG 2. NGHIÊN CỨU ÁC ĐỊNH CHIỀU CAO, SỐ LÁ VÀ DIỆN TÍCH LÁ CÂY TRỒNG 2.1 Phương pháp xác định chiều cao, số lá và diện tích lá (LA) Phương pháp đề xuất như Hình 2.1. Chụp nh ứ l h nh nh oại nền ph n ng lá nh chụp ngang Ước tính chiề cao c Ước tính số lượng lá nh chụp Giá trị đo thủ c ng Sai trên đ nh lệch x ống Số lá tương iện tích lá đối Chiề cao c Ước lượng iện tích lá Q tr nh xác thực Hình 2.1 Quy trình ước tính diện tích lá, số lá và chiều cao cây trồng Độ chính xác trong ước tính giá trị LA, số lá và chiều cao cây của phương pháp này hoàn toàn phụ thuộc vào công đoạn phân vùng lá, trong luận án đề cập đến phương pháp để phân vùng lá đạt hiệu quả. 2.2 Đề xuất phương pháp ph n ng lá c trồng 2.2.1 Phương pháp tính kho ng cách Mahalanobis Đặt 𝑥 = (𝑅, 𝐺, 𝐵) 𝑇 biểu thị giá trị màu của một pixel. Giá trị trung bình của màu tại mỗi pixel là 𝜇, hiệp phương sai được là C, thì khoảng cách Mahalanobis của mỗi pixel là (2.4): 𝑑 = √(𝑥 − 𝜇) 𝑇 𝐶 −1 (𝑥 − 𝜇) (2.4) Khi 𝑑 > 𝜃0 là đúng thì pixel đó được phân loại vùng lá, nếu không thì nó thuộc về nền; trong đó 𝜃0 là ngưỡng được xác định trước. 2.2.2 ác định ngư ng tối ư Trong phương pháp của Mahalanobis, giá trị 𝜃0 được xác định trước với một số loại cây cụ thể. Tuy nhiên, các phương pháp phân vùng lá này dựa trên ngưỡng chung của toàn bộ hình ảnh có thể dẫn đến độ chính xác thấp. Do đó, để nâng cao độ chính xác và hiệu quả trong phân vùng lá, giá trị ngưỡng này cần thay đổi thích ứng tùy thuộc vào thuộc tính của từng vùng ảnh. Trong luận án đề xuất xác định giá trị ngưỡng của mỗi vùng con, bằng việc chia ảnh thành nhiều vùng nhỏ khác nhau và tính ngưỡng trên các vùng nhỏ đó. 7
2.2.3 Đề xuất thuật toán kho ng cách Mahalanobis s a đổi MM để phân vùng lá cây trồng nh m NxN Pix l Chia i l m4 k 1 th ộc lá k 4 ik k 1 4 iể đồ mức xám Sai của nh Đ ng Đ ng Đ ng Sai Tính độ lệch i Tính i Tính k ch n to n cục Sai Đ ng Thực hiện tiếp Chia nh l m 4 Pix l kh ng th ộc ng lá i toán i i 1 4 Tính đệ Sai k k 1 i 1 1 Đ ng Tính Đ ng Đ ng i 4 Tính Chia il m4 4 i 1 i 1 4 Tính ik Sai Sai i i 1 Sai Tính Đ ng ết th c Tính i ik Pix l th ộc lá Đ ng Sai Pix l th ộc lá i Pix l kh ng Sai th ộc ng lá Pix l kh ng th ộc ng lá Hình 2.4 Lưu đồ thuật toán khoảng cách Mahalanobis sửa đổi Ở Hình 2.4, là lưu đồ thuật toán đề xuất. Ngưỡng so sánh với khoảng cách Mahalanobis đã thay đổi theo các vùng ảnh được phân chia. Ảnh chia thành 4 phần và tính ngưỡng trên từng vùng con này. 2.2.4 Phương pháp đánh giá chất lượng thuật toán nghiên cứu 𝐹𝑁 + 𝐹𝑃 𝐸𝑅 = (2.8) 𝑇𝑃 + 𝑇𝑁 + 𝐹𝑃 + 𝐹𝑁 2.2.5 Đánh giá th ật toán đề xuất (MMD) Có 3 loại cây trồng ngắn ngày được đưa vào để đánh giá thuật toán MMD. Kết quả cho thấy, lỗi trung bình (ER) của thuật toán MMD để loại bỏ nền đều thấp hơn so với thuật toán Mahalanobis gốc. Cụ thể độ chính xác về phân vùng lá của 2 thuật toán là: với cây Ớt, độ chính xác của thuật toán MMD bằng 99.4%%, cao hơn thuật toán Mahalanobis nguyên bản là 3.46%; trên cây Dây tây thì thuật toán MMD đạt 99.78% còn thuật toán Mahalanobis chỉ đạt 93.34 %; còn cây Cải kale thì thuật toán MMD là đạt 99.45%, trong khi bản gốc chỉ đạt 95.21%. Như vậy, thuật toán đề xuất sửa đổi của luận án luôn cho kết quả tốt hơn so với thuật toán gốc Mahalanobis. 2.3 ác định chiều cao, số lá và diện tích lá thực nghiệm với cây ưa ch ột Sau khi loại bỏ được nền ảnh thì chiều cao, số lá và diện tích lá sẽ được xác định theo các bước như trên Hình 2.9 và Hình 2.10 8
nh c ưa ch ột được chụp t trên đ nh x ống Q a th ật toán MM Được nh ph n ng Được nh ng hiệ lá ưa ch ột ch n ác định tổng số pix l ác định tổng số pix l l lá ưa ch ột ng hiệ ch n ác định iện tích lá iện tích lá đo thủ c ng Độ sai lệch tương đối hệ số tương an Hình 2.10 Quy trình ước lượng chiều cao, số lá và diện tích lá với ảnh được chụp từ đỉnh xuống nh m chụp th o chiề ngang Q a th ật toán MM nh đ được ph n ng lá Th ật toán Shang S n Th ật toán Ước tính chiề cao h ng xương c ưa ch ột c cli c ưa ch ột Đếm số n ốt trên th n chính Sai số tương đối Ước tính số lá c ưa ch ột hệ số tương an ng kết đo thủ c ng ề số lá iện tích iện tích lá ước tính lá chiề cao c th o ng Hình 2.11 Quy trình ước lượng chiều cao, số lá và diện tích lá với ảnh chụp theo chiều ngang CHƯƠNG 3. ỨNG DỤNG TRÍ TUỆ NHÂN TẠO PHÁT HIỆN BỆNH TRÊN CÂY TRỒNG NGẮN NGÀY Trên cây trồng ngắn ngày có rất nhiều loại bệnh khác nhau, triệu chứng xuất hiện cũng khác nhau. Để dùng AI phát hiện cho tất cả các bệnh trên cây loại này không thể thực hiện hết trong 1 luận án. Vì cần phải có cơ sở dữ liệu bệnh trên các loại cây trồng. Vì vậy, luận án đưa ra phương pháp chung cho việc thu thập dữ liệu, phân loại và phát hiện bệnh trên cây trồng ngắn ngày. Từ đó xây dựng bộ dữ liệu bệnh phổ biến trên cây dưa chuột để huấn luyện, đánh giá các phương pháp đề xuất. 3.1 Cơ sở lý thuyết về trí tuệ nhân tạo cho việc phân loại và phát hiện bệnh cây trồng thông qua hình nh 9
3.1.1 Khái quát về mạng nơron tích chập (CNN) 3.1.2 Mô hình CNN phân loại nh Có rất nhiều mô hình CNN để phân loại, tuy nhiên trong phạm vi luận án tập trung các mô hình là AlexNet, VGG và ResNet. 3.1.3 Mô hình CNN phát hiện đối tượng trong nh Mô hình phát hiện đối tượng cơ bản có các dạng là SSD, RCNN và YOLO. Trong đó, mô hình YOLOv4 đã được nhiều tác giả đánh giá là có độ chính xác cao, ngoài ra có bản rút ngọn YOLOv4-tiny, có trọng số nhỏ có thể áp dụng trên các cấu trúc phần cứng yếu. Do đó mô hình này được luận án tập trung cải tiến để phát hiện bệnh hại hiệu quả trong sản xuất. 3.2. Phân loại và phát hiện bệnh hại trên cây trồng bằng mô hình CNN 3.2.1. Đề xuất kết hợp mô hình phân loại bệnh hại trên cây trồng - Đề xuất phương pháp kết hợp mô hình Bộ dữ liệu bệnh huấn luyện Xứ lý và tăng cường dữ liệu Phân chia bộ dữ liệu: huấn luyện 0%, xác thực 20% Đánh giá mô hình kết hợp với các mô hình Huấn luyện với các mô hình phân loại AlexNet, VGG, Mô hình có độ chính esNet xác lớn nhất Kết hợp 2 mô hình Bộ dữ liệu kiểm tra Mô hình có ma trận nhầm lẫn ít nhất với một loại bệnh Hình 3.16 Các bước kết hợp mô hình phân loại bệnh hại cho độ chính xác cao - Các thông số đánh giá mô hình Các thông số Precision, Recall, Acc, F1-score và ma trận nhầm lẫn, trong đó độ chính xác Acc là thông số ưu tiên. 𝑇𝑃 + 𝑇𝑁 Acc = × 100% (3.6) 𝑇𝑃 + 𝐹𝑃 + 𝑇𝑁 + 𝐹𝑁 3.2.2. Đề xuất c i tiến mô hình phát hiện bệnh hại trên cây trồng Dựa trên mô hình YOLOv4-tiny, luận án đề xuất cải tiến mô hình này để phát hiện lá bị bệnh cho độ chính xác tốt hơn. Trên Hình 3.21 là cấu trúc chi tiết vị trí thay đổi kết nối của mô hình cải tiến được luận án đề xuất, được gọi tắt là YOLOv4-tiny-caitien. Vị trí kết nối 34 sẽ 10
bao gồm của 33 và 17, tức là chuyển vị trí từ 23 sang 17. Ở vị trí 17 các đặc trưng được lấy sau lớp Maxpooling, và lấy toàn bộ đặc trưng này, không bị phân chia như ở vị trí 23. Hình 3.22 là các bước cho việc đánh giá mô hình đề xuất. Đánh giá hiệu suất mô hình với phương pháp Hold-out và k-fold cross-validation dựa trên kết quả mAP. Inp t Con 3x 3x 32 ị trí tha đổi kết nối Con 3x 3x 4 34 Con 3x 3x 4 Con 3x 3x 12 1 Con 3x 3x 25 Ro t Con 3x 3x 25 Con 1x 1x 24 Ro t Ro t Ro t Upsampl Con 1x 1x 12 Con 3x 3x 32 Con 3x 3x 4 Con 3x 3x 12 Con 3x 3x 32 Con 3x 3x 4 Con 3x 3x 12 Ro t Con 3x 3x 512 Con 1x 1x 24 Ro t Ro t Ro t Con 1x 1x 25 Con 1x 1x 4 Con 1x 1x 12 Con 1x 1x 25 Con 3x 3x 512 23 Ro t Maxpooling Ro t Maxpooling Ro t Maxpooling CSP CSP CSP Hình 3.22 Cấu trúc vị trí sửa đổi của mô hình YOLOv4-tiny-caitien Thiết lập cấu trúc mô hình cải tiến Đánh giá mức độ bao quát trên các YOLOv4 tiny caitien bộ dữ liệu bệnh khác Xây dựng bộ dữ liệu bệnh hại cây Đánh giá khả năng phát hiện mức độ trồng thực nghiệm nhiễm bệnh của mô hình cải tiến Gắn nhãn bộ dữ liệu So sánh mô hình cải tiến với các mô hình khác: Phân chia bộ dữ liệu: huấn luyện YOLOv4, YOLOv4 tiny, YOLOv3, 0%, xác thực 20% YOLOv3 tiny SSD, aster CNN Huấn luyện để xác định tốc độ học Huấn luyện để xác định kích thước phụ hợp cho mô hình cải tiến ảnh đầu vào phù hợp cho YOLOv4 YOLOv4 tiny caitien tiny caitien Hình 3.23 Các bước thực hiện phát hiện bệnh hại trên cây trồng bằng mô hình cải tiến (YOLOv4-tiny-caitien) 3.3 Phân loại và phát hiện bệnh trên c ưa ch ột 3.3.1 nh hưởng của bệnh đến quá trình s n xuất ưa ch ột Có 2 bệnh phổ biến trên cây dưa chuột là bệnh phấn trắng và bệnh sương mai. Cây bị nhiễm bệnh phấn trắng sẽ phát triển kém, năng suất giảm nghiêm trọng từ 20 ÷ 40%. Cây bị nhiễm bệnh sương mai có khả năng phá hủy hoàn toàn cây dưa chuột. Thiệt hại do bệnh lên đến 40%. 11
3.3.2 Xây dựng bộ cơ sở d liệu bệnh trên c ưa ch ột a. Phương pháp xây dựng bộ dữ liệu triệu chứng bệnh trên cây trồng Gồm các bước: Thiết lập (chọn) vùng trồng cây; Chọn giống cây trồng và trồng cây; Thiết lập hệ thống thu thập dữ liệu; Nhận dạng bệnh hoặc lây bệnh; Quá trình thu thập dữ liệu; Xử lý và gắn nhãn dữ liệu; Tăng cường dữ liệu (nếu dữ liệu ít). Trong quá trình xây dựng bộ dữ liệu, yếu tố chuyên gia về nông nghiệp là rất quan trọng và cần phải có. b. Xây dựng bộ dữ liệu bệnh sương mai, bệnh phấn trắng và bình thường trên cây dưa chuột - Vùng trồng: Nhà lưới và ngoài cánh đồng ở khu vực - thị trấn Trâu Quỳ - huyện Gia Lâm - TP. Hà Nội. - Giống cây trồng và phương pháp trồng: Giống VA.103, VA.118, VL-103 F1, Baby Cengel RZ F1. Trồng theo phương pháp tưới nhỏ giọt, thủy canh ở trong nhà lưới và chăm sóc thủ công ở ngoài cánh đồng. - Thiết lập thiết bị thu thập dữ liệu: Sử dụng máy ảnh, điện thoại di động, chụp trực tiếp các cây trồng bị bệnh với khoảng cách 30- 50cm. - Nhận dạng và lây bệnh: Sử dụng phương pháp lây bệnh và nhận biết trực tiếp của chuyên gia về bệnh cây trồng. - Quá trình thu thập dữ liệu: Các bệnh xuất hiện triệu chứng sẽ được chụp cho đến triệu chứng nặng dần lên. Thời gian thu thập, từ tháng 10/2019 đến 12/2020; chụp lúc buổi sáng, trời có nắng, trời râm, chiều tối. - Xử lý và gắn nhãn dữ liệu: Các ảnh bị lỗi trong quá trình chụp sẽ được loại bỏ. Sau đó kết hợp với chuyên gia để gắn nhãn. Tổng dữ liệu thu thập được cho các mô hình phân loại bệnh là 11944 ảnh. Tổng dữ liệu thu tập được để sử dụng cho các mô hình phát hiện bệnh gồm 7936 ảnh, gắn nhãn bằng công cụ labelImg được 7936 file.txt Hình 3.30 Một số mẫu dữ liệu của tập dữ liệu thu thập 3.3.3 Ph n loại ệnh phấn trắng ệnh sương mai a. D liệu huấn luyện 12
ộ liệ kiểm tra 12 nh ộ liệ đ o tạo xác thực 1 44 nh nh ệnh phấn ệnh sương nh ệnh phấn ệnh thư ng trắng mai thương trắng sương mai 4 nh 4 nh 4 nh l nh t ng l nh cư ng liệ Con sion matrix liệ đ o tạo liệ xác thực Al xN t GG Pr cision 2 R sN t R call 1 scor Acc Pr train Al xN t GG Al xN t GG Imag N t ight st.pt R sN t R sN t atas t ight.pt Hình 3.32 Lưu đồ phân bố dữ liệu cho quá trình huấn luyện, xác thực và kiểm tra của các mô hình phân loại trong nghiên cứu - Xử lý ảnh: sử dụng là xoay ảnh, lật ngang ảnh và cắt ảnh. b. Kết qu đánh giá các m h nh ph n loại bệnh ResNet 50 ResNet 152 Hình 3.35 Ma trận nhầm lẫn của mô hình ResNet 50 và ResNet 152 trên tập dữ liệu kiểm tra Bảng 3.8 Thông số Acc của các mô hình với bộ dữ liệu kiểm tra Mô hình Acc (%) Mô hình Acc (%) AlexNet 78.42 ResNet 18 96.00 VGG 11 94.83 ResNet 34 96.33 VGG 13 91.92 ResNet 50 96.33 VGG 16 92.83 ResNet 101 94.83 VGG 19 94.50 ResNet 152 97.17 13
c. Kết hợp m h nh để phân loại bệnh sương mai ệnh phấn trắng - Phương pháp đề xuất Qua các kết cho thấy: với ResNet 50 có ma trận nhầm lẫn cho khả năng phát hiện ít nhầm lẫn nhất với bệnh phấn trắng và mô hình esNet 152 cho độ chính xác lớn nhất là 97.17%. Do đó, luận án đề xuất giải pháp là kết hợp 2 mô hình này lại với nhau (Hình 3.33). liệ kiểm tra l nh ight st R sN t5 .pt R sN t 5 ệnh phấn Đ ng trắng Sai ight st ệnh phấn R sN t 152 trắng R sN t152.pt Đ ng ệnh phấn trắng Pr cision R call Sai 1 scor Acc ệnh sương Đ ng ệnh sương mai mai Sai nh thư ng Hình 3.36 Lưu đồ thuật toán kết hợp ResNet 50 và ResNet 152 - Kết quả và đánh giá phương pháp đề xuất Bảng 3.9 Kết quả độ chính xác của mô hình kết hợp Mô hình Acc (%) Mô hình kết hợp (ResNet 50 + ResNet 152) 98.00 ResNet 152 97.17 ResNet 50 96.33 Kết quả cho thấy mô hình đề xuất của luận án có độ chính xác cao hơn so với các thuật toán nghiên cứu. 3.3.4 Phát hiện lá bị bệnh phấn trắng và bệnh sương mai a. D liệu cho việc huấn luyện mô hình ộ liệ đ được gắn nh n 3 nh Ảnh có lá dưa chuột Ảnh có lá dưa chuột bị Ảnh có lá dưa chuột bị bình thường bệnh phấn trắng bệnh sương mai 0% dữ liệu đào tạo 20% dữ liệu kiểm tra YOLOv4 tiny, YOLO v4 tiny YOLOv4 tiny, YOLO v4 tiny caitien, YOLOv4, YOLOv3, caitien, YOLOv4, YOLOv3, mAP YOLOv3 tiny SSD, aster CNN YOLOv3 tiny SSD, aster CNN il trọng số Hình 3.40 Lưu đồ quá trình huấn luyện và xác thực các mô hình 14
b. Huấn luyện đánh giá m h nh Bảng 3.12 Kết quả huấn luyện mô hình YOLOv4-tiny-caitien với các kích thước ảnh đầu vào khác nhau và YOLOV4-tiny Mô hình Learning mAP ích thước ích thước rate (%) (MB) YOLOv4-tiny 0.00261 384x384x3 82.90 22.4 0.00261 416x416x3 83.06 YOLOv4-tiny- 0.00280 384x384x3 83.67 caitien 0.00280 416x416x3 83.43 22.4 Mô hình YOLOv4-tiny-caitien cho độ chính xác cao nhất ở kích thước ảnh đầu vào 384x384x3 là 83.67%, lớn hơn mô hình gốc 0.61%. Với kích thước ảnh nhỏ hơn kích thước ảnh của mô hình YOLOv4- tiny gốc (416x416x3) sẽ giảm quá trình tính toán cho mô hình hơn. - Đánh giá mô hình đề xuất với các mô hình khác Bảng 3.13 Kết quả so sánh với một số mô hình khác Mô hình mAP (%) Kích thước (MB) YOLOv4 512x512 80.30 244 YOLOv4 416x416 80.03 244 YOLOv4-tiny 416x416 83.06 22.4 YOLOv4-tiny-3l 416x416 83.04 23.3 YOLOv3 416x416 62.68 234 YOLOv3-tiny 416x416 81.98 18.5 Enet-Coco 416x416 67.39 18.0 SSD-Mobilenet-V2 640x640 82.76 19.7 Faster-RCNN-inception-ResNet-v2 72.70 453 SSD-ResNet50 640x640 72.10 241 SSD-ResNet152-v1 640x640 61.9 506 YOLOv4-tiny-caitien 416x416 83.43 22.4 YOLOv4-tiny-caitien 384x384 83.67 22.4 Sử dụng phương pháp Hold-out cho thấy, mô hình cải tiến YOLOv4-tiny-caitien với kích thước ảnh đầu vào 3 4x3 4x3 cho độ chính xác lớn nhất, cao hơn mô hình YOLOv4 là 3.37%, và cao hơn mô hình gốc YOLOv4-tiny là 0.61%. Sử dụng phươg pháp k-fold cross-validation (với k = 4) cho kết quả mAP trung bình của YOLOv4- tiny-caitien cao hơn so với mô hình gốc là 0.47%. 15
- Đánh giá khả năng phát hiện ảnh bị bệnh của thuật toán YOLOv4-tiny-caitien và thuật toán gốc YOLOV4-tiny Phương pháp phát hiện ra ảnh bị bệnh sương mai, bị bệnh phấn trắng hoặc bị cả 2 loại bệnh được thực hiện theo lưu đồ như hình 3.42. liệ nh olo 4 tin . ight h ng phát hiện nh kh ng o o 4 tin olo 4 tin đối tượng n o phát hiện ra đối o o 4 tin caiti n caiti n. ight trong nh tượng Phát hiện có các đối tượng trong nh ệnh Đ ng ệnh Đ ng nh ị c ệnh phấn S ương phấn trắng trắng mai ệnh sương mai S ai Đ ng ệnh S ai Acc nh có ệnh sương sương mai mai Sai nh nh nh có ệnh thư ng phấn trắng Hình 3.46 Lưu đồ thuật toán sử dụng YOLO để phân loại ảnh Tổng số ảnh được sử dụng để kiểm tra là 1549 ảnh. Trong đó có 457 ảnh bình thường, 569 ảnh có bệnh phấn trắng, 519 ảnh có bệnh sương mai và có 4 ảnh bị cả bệnh sương mai và bệnh phấn trắng. Kết quả sử dụng mô hình YOLOv4-tiny gốc cho độ chính xác là 93.54%, còn YOLOv4-tiny-caitien là 96.90%. Như vậy mô hình cải tiến cao hơn mô hình gốc là 3.36%. Kết quả này cho thấy thuật toán cải tiến có khả năng phát hiện nhiều bức ảnh bị bệnh hơn thuật toán gốc. Như vậy có khả năng thích ứng với nhiều góc chụp hơn so với mô hình gốc. - Đánh giá khả năng phát hiện bệnh của mô hình đề xuất Mô hình cải tiến có thể phát hiện bệnh từ cấp độ 1 (diện tích lá bị nhiễu bệnh < 1%) đến cấp độ 9 (diện tích lá bị nhiễm bệnh >50%) Hình 3.47 Khả năng phát hiện ở các cấp độ bệnh khác nhau của mô hình YOLOv4-tiny-caitien 16
- Đánh giá mô hình YOLOv4-tiny-caitien với các bộ dữ liệu bệnh trên cây khác +Bộ dữ liệu bệnh trên cây dâu tây: Bộ dữ liệu gồm 7 bệnh, với tổng số 4900 bức ảnh kích thước là 256x256. + Bộ dữ liệu về các bệnh trên cây cà chua: Bộ dữ liệu gồm 10 bệnh. Có tổng số ảnh là 18250 ảnh, kích thước 256x256. + Kết quả đánh giá Với cây dâu tây, mô hình YOLOv4-tiny-caitien cho độ chính xác là 97.61% cao hơn so với mô hình YOLOv4-tiny là 1.51%; còn trên cây cà chua thì độ chính xác đạt 99.42% cao hơn so với mô hình gốc là 0.42%. Nhận thấy kích thước ảnh 384x384x3 luôn cho kết quả tốt hơn so với kích thước đề xuất của bản gốc là 416x416x3. Kết quả này cho thấy mô hình YOLOv4-tiny-caitien có tính bao quát với các bộ dữ liệu khác nhau. Bảng 3.17 Kết quả huấn luyện mô hình YOLOv4-tiny và YOLOv4- tiny-caitien với các bộ dữ liệu bệnh trên cây Dâu tây và cây Cà chua. Mô hình Kích thước mAP (%) ảnh Dâu tây Cà chua YOLOv4-tiny 416x416x3 96.10 99.00 % YOLOv4-tiny-caitien 416x416x3 96.24 99.01 % 384x384x3 97.61 99.42 % CHƯƠNG 4. THỰC NGHIỆM À ĐÁNH GIÁ ẾT QU 4.1 Xây dựng và thiết lập m h nh nh lưới th nghiệm Hình 4.1 Mô hình thiết kế và xây dựng nhà lưới thực nghiệm 4.2 Thiết kế hệ thống tự động điều khiển giám sát và c nh báo bệnh sương mai ệnh phấn trắng trên c ưa ch ột 17
Cam ra Pi Rasp rr PI 4 P C ộ phận th H nh nh Th ật toán Tín hiệ điề khiển Hệ thống nhận h nh phát hiện ệnh ph n th ốc tr ệnh điề khiển nh trên c trồng Tín hiệ ra Tin nhắn điề khiển H nh nh Hệ thống ph n th ốc tr ệnh Ngư i nl c trồng ơm an điện hệ thống ph n sương nh th ốc mail thiện thoại tr ệnh Hình 4.5 Cấu trúc hệ thống điều khiển giám sát, cảnh báo và phun thuốc trị sâu bệnh trên cây trồng 4.2.1 Hệ thống phần cứng Hình 4.8 Thiết bị phần cứng của hệ thống điều khiển giám sát và cảnh báo bệnh 4.2.2 Thuật toán điều khiển hệ thống ắt đầ Cam ra ề giá trị an đầ CĐ1 1 CĐ2 1 CĐ3 1 Sai Sai Sai Đ ng Đ ng Đ ng Chế độ 1 Chế độ 2 Chế độ 3 AI nhận iện ệnh phấn trắng ệnh sương mai Có ệnh Có G i h nh nh G i tin PT SM đến mail nhắn SMS h ng G i tín hiệ để điề khiển ph n th ốc tr ệnh ết th c Hình 4.10 Lưu đồ thuật toán hệ thống điều khiển giám sát và cảnh báo bệnh phấn trắng và bệnh sương mai trên cây dưa chuột 18