zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Kỹ Thuật - Công Nghệ

» Điện - Điện tử

Triển khai hệ thống nhận dạng và đếm số lượng gia súc bằng phương pháp học sâu

Chia sẻ: Phó Cửu Vân | Ngày: | Loại File: PDF | Số trang:6

Báo xấu

5
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết "Triển khai hệ thống nhận dạng và đếm số lượng gia súc bằng phương pháp học sâu" nghiên cứu đề xuất triển khai hệ thống tự động đếm số lượng đàn gia súc dựa trên các kỹ thuật học sâu. Cấu trúc của mô hình mạng học sâu YOLOv7-tiny (You Only Look Once) được thay đổi và triển khai trên máy tính nhúng Jetson-NanoDev-Kit nhằm xây dựng một hệ thống đếm số lượng gia súc có khả năng đáp ứng thời gian thực với tốc độ 30 FPS và có độ chính xác 98% trong môi trường thử nghiệm. Mời các bạn cùng tham khảo!

Chủ đề:

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

Lưu

Nội dung Text: Triển khai hệ thống nhận dạng và đếm số lượng gia súc bằng phương pháp học sâu

Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Triển khai hệ thống nhận dạng và đếm số lượng gia súc bằng phương pháp học sâu Võ Thiện Lĩnh∗ , Nguyễn Thúy Bình∗ , Đào Thanh Toản∗ , Võ Quang Sơn∗ , ∗Trường Đại học Giao thông Vận tải Email: {linhvt_ph, thuybinh_ktdt, daotoan, quangsonktdt}@utc.edu.vn Tóm tắt—Trong những năm gần đây, ở Việt Nam đã xuất Nội dung của bài báo tập trung vào bài toán đếm số hiện nhiều trang trại chăn nuôi với quy mô lớn lên đến lượng đàn heo trong chuồng cân trước khi được xuất hàng nghìn con. Việc quản lý, giám sát số lượng đàn gia chuồng. Trước đây, việc đếm số lượng gia súc trong súc là một trong những nhiệm vụ hàng đầu của người chủ chuồng cân được thực hiện một cách thủ công, tuy nhiên, trang trại nhằm đánh giá hiệu quả của việc kinh doanh. Tuy nhiên, công việc giám sát thủ công gây nên sự mệt công việc này rất dễ gây nên sự nhàm chán, mệt mỏi cho mỏi và nhàm chán cho nhân công mà độ chính xác không người lao động nhưng độ chính xác lại không cao do cao. Do đó, việc xây dựng một hệ thống tự động nhằm đàn gia súc liên tục di chuyển. Với những tiến bộ vượt giám sát và quản lý số lượng gia súc là một vấn đề mang bậc trong lĩnh vực thị giác máy tính và các mô hình tính cấp thiết. Trong bài báo này, nhóm nghiên cứu đề mạng học sâu, xây dựng một hệ thống tự động đếm số xuất triển khai hệ thống tự động đếm số lượng đàn gia lượng gia súc dựa trên những hình ảnh thu thập được là súc dựa trên các kỹ thuật học sâu. Cấu trúc của mô hình mạng học sâu YOLOv7-tiny (You Only Look Once) được một hướng tiếp cận có tính khả thi cao. Mặc dù hướng thay đổi và triển khai trên máy tính nhúng Jetson-Nano- tiếp cận này đã đạt được một số kết quả đáng ghi nhận Dev-Kit nhằm xây dựng một hệ thống đếm số lượng gia nhưng cũng gặp phải nhiều thách thức do chất lượng súc có khả năng đáp ứng thời gian thực với tốc độ 30 FPS hình ảnh thu nhận được, bao gồm: cường độ sáng thay và có độ chính xác 98% trong môi trường thử nghiệm. Hệ đổi, sự chồng lấn, sự dịch chuyển liên tục của đàn gia thống giúp kiểm soát được số lượng gia súc một cách tức súc, độ phức tạp của nền,... Để giải quyết những khó thời, tăng hiệu suất quản lý, giảm chi phí nhân lực, đảm bảo chất lượng gia súc đầu ra đồng đều. khăn, thách thức kể trên một số nghiên cứu trước đây Từ khóa—Nhận dạng gia súc, Jetson Nano Dev Kit, dựa trên các phương pháp học máy, ví dụ như giải thuật YOLOv7, hệ thống nhận dạng thời gian thực. phân cụm K-means [1], SVM (Support Vector Machine) [2] hay dựa trên công suất phổ [3]. Những phương pháp I. GIỚI THIỆU này có độ chính xác chưa cao và độ phức tạp tính toán Ngày nay, cùng với sự phát triển mạnh mẽ của cuộc lớn. Với sự hỗ trợ của các kỹ thuật học sâu, một số mô cách mạng công nghiệp 4.0, các kỹ thuật tiên tiến đã hình gần đây đã đạt được độ chính xác cao trong bài toán và đang được áp dụng trong nhiều lĩnh vực khác nhau. nhận dạng và đếm gia súc [4]–[7]. Tuy nhiên, đa phần Trong đó, không thể không kể đến những tiến bộ vượt các phương pháp này mới chỉ quan tâm đến độ chính bậc trong nông nghiệp, trồng trọt cũng như chăn nuôi. xác mà chưa đề cập đến việc sử dụng hiệu quả phần Học sâu và trí tuệ nhân tạo đã được ứng dụng với nhiều cứng, tiết kiệm chi phí bộ nhớ nhằm nâng cao tốc độ bài toán khác nhau trong lĩnh vực nông nghiệp, ví dụ xử lý trong những ứng dụng thực tế. Trong bài báo này, như: nhận dạng và phân loại cây trồng, nhận dạng quả nhóm nghiên cứu đề xuất triển khai hệ thống đếm heo chín nhằm phục vụ thu hoạch, đếm số lượng của đàn gia tự động dựa trên những cải tiến trong mô hình mạng học súc trong trang trại. Trong những năm gần đây, ở Việt sâu YOLOv7-tiny. Hệ thống đếm heo tự động được thực Nam đã xuất hiện nhiều trang trại với quy mô lớn lên hiện trong điều kiện giám sát số lượng và cân nặng của đến hàng nghìn con. Việc quản lý số lượng cũng như heo khi xuất chuồng. Một trong những khó khăn trong giám sát sức khỏe của đàn gia súc là một bài toán lớn điều kiện xuất chuồng đó là khoảng 3-5 con heo được đối với người chủ trang trại. Trên cơ sở những thông tin nhốt vào lồng cân có diện tích hẹp, hiện tượng chồng lấn về số lượng cũng như sự tăng trưởng, tình trạng sức khỏe gây nên nhầm lẫn trong quá trình đếm. Hệ thống được của đàn gia súc mà người quản lý trang trại có những triển khai trên máy tính nhúng Jetson-nano, có khả năng giải pháp phù hợp và kịp thời nhằm đảm bảo hiệu quả đáp ứng thời gian thực với tốc độ 30FPS và độ chính trong công việc kinh doanh. xác 98% trong môi trường thử nghiệm. ISBN 978-604-80-8932-0 101
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Nội dung của các phần còn lại trong bài báo được đặc biệt trong trường hợp có sự che khuất lớn và cường trình bày như sau. Phần II đề cập tới một số nghiên cứu độ ánh sáng yếu. Tuy nhiên, Mask R-CNN là mô hình liên quan đến bài toán đếm số lượng gia súc hay vật không được tối ưu hóa cho các GPU biên hay các máy nuôi. Hệ thống đếm tự động số lượng gia súc dựa trên tính nhúng, nghĩa là mô hình này không được tối ưu hóa mô hình học sâu được trình bày trong phần III. Phần IV và khá nặng để chạy mô hình trên các thiết bị điện toán đưa ra các thử nghiệm và kết quả. Một số kết luận và di động hoặc máy chủ và thiết bị phân tán biên so với hướng nghiên cứu tiếp theo được đề cập trong phần V. mô hình YOLOv7-tiny. Có thể nhận thấy, tất cả nghiên cứu đề cập ở trên chưa được triển khai trực tiếp trên các II. MỘT SỐ NGHIÊN CỨU LIÊN QUAN máy tính nhúng như Jetson-Nano-Dev-Kit. Trong phần này, một số nghiên cứu liên quan được Trong bài báo này, chúng tôi đề xuất triển khai một phân tích và đưa ra các hạn chế nhằm đưa ra hướng hệ thống phát hiện và đếm heo tự động tại một trang trại cải tiến trong bài toán đếm số lượng đàn gia súc. Năm thu mua heo để cung cấp cho các nhà phân phối. Một 2020, Sarwar và cộng sự đã thực hiện một khảo sát và yêu cầu đặt ra trong quá trình thu mua heo tại trang trại phân tích chi tiết các hướng tiếp cận khác nhau cho bài đó là cần đạt được một tỷ lệ tương đối giữa khối lượng toán đếm số lượng và theo vết con vật nuôi. Một số và số lượng heo được thu mua nhằm đảm bảo quyền hướng tiếp cận chính được đề cập trong nghiên cứu này lợi cho các nhà phân phối lẻ. Số lượng xuất/nhập heo bao gồm: hệ thống xử lý ảnh thu nhận được từ UAV, tại một trang trại trong một ngày có thể lên đến hàng hệ thống sử dụng thiết bị RFID, cảm biến chuyển động, nghìn con. Trước đây, việc đếm số lượng heo tại lồng cảm biến hình ảnh. Trên cơ sở phân tích một số nghiên cân khi xuất chuồng được thực hiện thủ công, tuy nhiên, cứu, nhóm tác giả nêu ra những khó khăn, thách thức điều này có thể gây rủi ro, dẫn đến việc thống kê sản của các hệ thống đó: tốn kém chi phí lắp đặt, vấn đề lượng không chính xác hay không đảm bảo được quyền về mạng kết nối hay nguồn điện, tài nguyên lưu trữ dữ lợi giữa những người thu mua do việc đếm heo phụ liệu hình ảnh, hay điều kiện địa hình khi sử dụng thiết thuộc hoàn toàn vào sự quan sát của nhân công. Để giải bị bay không người lái. quyết bài toán phát hiện và đếm đối tượng, trong nghiên Trong nghiên cứu [5], các tác giả đề xuất phương cứu này, mô hình YOLOv7-tiny được đề xuất sử dụng pháp phát hiện và đếm gia súc trên diện rộng dựa trên và triển khai trên thiết bị nhúng Jetson-Nano_Dev_Kit. mạng nơ-ron tích chập (CNN) với dữ liệu ảnh thu nhận Các kết quả đạt được trong quá trình thử nghiệm cho được từ máy bay không người lái (UAV). Hệ thống tích thấy hiệu quả của YOLOv7-tiny trong một ứng dụng hợp cả camera và GPS nhằm kết hợp thông tin định vị thực tế, không những có khả năng đáp ứng thời gian và hình ảnh thu nhận được để nâng cao độ chính xác thực mà còn đảm bảo độ chính xác trong bài toán phát trong bài toán nhận dạng và đếm đối tượng. Tuy nhiên, hiện và đếm đối tượng. các khó khăn gặp phải khi triển khai hệ thống thực tế đó là di chuyển liên tục của gia súc trong không gian III. TRIỂN KHAI HỆ THỐNG PHÁT HIỆN VÀ ĐẾM rộng lớn; hình ảnh đàn gia súc với tỷ lệ nhỏ do gây nên GIA SÚC TRÊN PHẦN CỨNG những nhầm lẫn; độ chính xác của GPS do các yếu tố A. Tổng quan hệ thống đề xuất bên ngoài như khí hậu, gió và địa hình tác động đến. Hình ảnh đàn gia súc được thu thập từ UAV cũng được Hình 1 mô tả một hệ thống tự động phát hiện và đếm đề cập đến trong một số nghiên cứu [4], [8]. Trong đó số lượng gia súc, bao gồm hai pha: huấn luyện và kiểm các mô hình mạng học sâu Faster R-CNN, U-Net được thử. Trong quá trình huấn luyện, dữ liệu sau khi được đề xuât sử dụng nhằm giải quyết bài toán đếm gia súc thu nhận từ camera sẽ được gán nhãn và đưa tới đầu vào trong cơ sở chăn nuôi. Một trong những nhược điểm của của mô hình học sâu YOLO. Với những ưu điểm vượt mô hình mạng U-Net là không hiệu quả với các vùng trội về tốc độ xử lý và độ chính xác, khả năng phát hiện ảnh lớn và phức tạp do việc sử dụng các kích thước các đối tượng có kích thước nhỏ, YOLOv7-tiny được đề kernel nhỏ. xuất sử dụng trong hệ thống này. Ma trận trọng số được Trong nghiên cứu [9], nhóm tác giả sử dụng mô hình sinh ra sau pha huấn luyện sẽ được sử dụng trong pha Mask R-CNN để đếm gia súc trong các điều kiện không kiểm thử và đưa ra dự đoán phát hiện đối tượng. Trên gian khác nhau: trên đồng cỏ rộng lớn và trong các cơ sở đó, hệ thống thực hiện đếm đối tượng và gửi kết chuồng trại chăn nuôi. Kết quả thử nghiệm đã chỉ ra quả về cho người quản lý. sự vượt trội của Mask R-CNN so với các phương pháp Trong số các mô hình học sâu phổ biến được sử dụng khác như Faster R-CNN, YOLOv3, và SSD (Single Shot trong bài toán phát hiện đối tượng, YOLOv7 là mô hình Detector) về độ chính xác trong bài toán đếm gia súc, có khả năng đáp ứng thời gian thực nhanh nhất và độ ISBN 978-604-80-8932-0 102
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Hình 1. Hệ thống tự động phát hiện và đếm số lượng đàn gia súc. chính xác cao nhất. Các mô hình YOLOv7 bao gồm thiết; chạy mô hình với các video đầu vào để nhận YOLOv7, YOLOv7-tiny và YOLOv7-p6. Đầu vào của dạng và đếm số lượng heo. mô hình YOLOv7 là các khung hình ở độ phân giải 608×608 điểm ảnh, cao hơn so với các phiên bản trước, B. Lựa chọn thiết bị phần cứng cho phép YOLOv7 phát hiện các đối tượng nhỏ hơn và Chọn thiết bị phần cứng để triển khai hệ thống phải có độ chính xác cao hơn [10], giảm tỷ lệ dự đoán nhầm. đảm bảo được các tiêu chí như giá thành thấp, tốc độ Trong đó YOLOv7-tiny là mô hình cơ bản được tối ưu xử lý nhanh, công suất tiêu thụ thấp, có khả năng nâng hóa cho các mô hình có tính thời gian thực và đồng cấp và mở rộng. Trên thị trường công nghệ hiện nay, thời nhẹ hơn để chạy trên thiết bị nhúng Jetson-Nano- có hai dòng máy tính nhúng phổ biến là Jetson Nano Dev-Kit. YOLOv7-tiny được tối ưu hóa sử dụng ReLU và Raspberry Pi 4 đều có thể triển khai được mô hình làm hàm kích hoạt. Các bước trong quá trình huấn luyện học sâu [12], [13]. Jetson Nano với phiên bản mới nhất được mô tả chi tiết như sau: là Jetson-Nano-Dev-Kit sử dụng bộ xử lý dựa trên kiến • Thu thập dữ liệu: thu thập tập dữ liệu ảnh hoặc trúc máy tính có tập lệnh rút gọn 64 bit - gọi là ARM. video chứa các hình ảnh của gia súc là heo mà Jetson-Nano-Dev-Kit có bộ xử lý ARM Cortex-A57 với chúng tôi muốn nhận dạng và đếm số lượng. Dữ xung nhịp 1.43GHz. Bộ xử lý đồ họa (GPU-Graphic liệu này có thể được thu thập bằng cách chụp ảnh, Processor Unit) có hiệu năng cao với 128 lõi và xung quay video trong môi trường thực tế và từ các nhịp 921MHz. Jetson-Nano-Dev-Kit với GPU Maxwell nguồn dữ liệu có sẵn. mạnh hơn nhiều GPU trên Raspberry Pi4 B vì vậy • Gán nhãn dữ liệu huấn luyện: gán nhãn các hình giá thành cao hơn Raspberry Pi4 B. Tốc độ bộ xử lý ảnh trong tập dữ liệu thu thập từ camera được gắn đồ họa (GPU) được tính dựa trên khả năng thực hiện để quan sát đàn heo khi được lùa vào lồng cân. số phép toán dấu phẩy động trên mỗi giây (Floating Công cụ gán nhãn Make-sense [11] được sử dụng Operations Per Second). Jetson-Nano-Dev-Kit có công trong quá trình gán nhãn. Đầu ra của quá trình gán suất tính toán 472 GFLOPS(Giga Floating Operations nhãn là các file .txt, các file này chứa thông tin về Per Second) tức là mỗi giây nó thực hiện được 472 tỷ vị trí của đối tượng và ID lớp của đối tượng. phép toán dấu phẩy động. Trong khi đó, Raspberry Pi4 • Huấn luyện mô hình: Sau khi gán nhãn dữ liệu, B chỉ đạt được 32 GFLOPS. Ngoài ra, yếu tố quyết định ảnh và file .txt tương ứng được đưa tới đầu vào của tốc độ xử lý còn phụ thuộc vào quá trình đọc ghi dữ liệu mô hình mạng YOLOv7-tiny. Quá trình huấn luyện trên bộ lưu trữ. Sự khác biệt lớn nhất là Jetson-Nano- này sẽ điều chỉnh các trọng số của mô hình nhằm Dev-Kit so với phiên bản trước đó là bộ nhớ sử dụng nâng cao hiệu quả nhận dạng và đếm đối tượng. chip nhớ eMMC 16GB giúp tăng tốc độ và ổn định trong • Triển khai trên Jetson-Nano-Dev-Kit: Mô hình sau quá trình đọc và ghi. Cấu hình phần cứng của Jetson- khi được huấn luyện và được triển khai trên máy Nano-Dev-Kit được mô tả chi tiết như trong Bảng I. Hệ tính nhúng Jetson-Nano-Dev-Kit. Công việc này thống được triển khai trên Jetson-Nano-Dev-Kit nhằm bao gồm cài đặt và cấu hình môi trường phát triển đánh giá tính khả thi của hệ thống khi đưa vào thực tế trên thiết bị; cài đặt các thư viện và phần mềm cần (hình 2). Jetson-Nano-Dev-Kit mang đến khả năng suy ISBN 978-604-80-8932-0 103
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) Bảng I CẤU HÌNH PHẦN CỨNG CỦA J ETSON -NANO 10% cho quá trình kiểm thử (test). Kết quả của pha huấn luyện được chỉ ra như trên hình 3. Có thể nhận xét Đơn vị Thông số kết quả huấn luyện mô hình YOLOv7-tiny thông qua Bộ xử lý trung tâm Quad-core ARM Cortex-A57 64-bit @ 1.43 GHz sự biến thiên của hàm mất mát (loss function) và độ Bộ xử lý đồ họa NVIDIA Maxwell 128 CUDA core @921MHz; 472GFLOPS Bộ nhớ 4-GB LPDDR4 chính xác trung bình (mAP - mean Average Precision). Hệ điều hành Ubuntu Giá trị hàm mất mát và độ chính xác trung bình sẽ cho Lưu trữ eMMC 16GB biết mức độ hiệu quả của mô hình trong quá trình huấn luyện. Nếu giá trị hàm chi phí giảm dần và độ chính xác trung bình tăng dần theo thời gian, điều đó cho thấy mô luận và thị giác máy tính theo thời gian thực trên mô hình huấn luyện đang được cải thiện. Tuy nhiên, nếu hình mạng Yolov7-tiny phức tạp. Jetson Nano đạt được giá trị hàm mất mát tăng dần, độ chính xác trung bình hiệu suất thời gian thực trong nhiều tình huống và có giảm dần điều đó có thể cho thấy mô hình chưa hiệu khả năng xử lý nhiều luồng video độ nét cao. quả. Quan sát hình 3, có thể nhận thấy giá trị hàm mất mát giảm nhanh chóng trong 1.000 vòng lặp đầu tiên, tiếp tục giảm chậm hơn và cuối cùng ổn định sau 10.000 vòng lặp huấn luyện với độ chính xác trung bình đạt gần 90%. IV. KẾT QUẢ THỬ NGHIỆM Yêu cầu của bài toán thiết kế: Phạm vi nhận dạng đối tượng trong chuồng cân có kích thước xấp xỉ 2m2 .Hệ thống phát hiện trên một camera, khoảng cách phát hiện trong phạm vi từ 1 mét đến 3 mét và môi trường ánh Hình 2. Triển khai trên Jetson-Nano-Dev-Kit. sáng đầy đủ. Hình 4. Môi trường nhận dạng đối tượng. Quá trình vận hành của hệ thống được mô tả như sau: Sau khi khởi động phần mềm, các công nhân lùa heo theo đường dẫn vào chuồng cân, tùy kích cỡ heo mà lùa từ 3 đến 5 con mỗi lượt. Khi heo đầy chuồng thì công nhân khóa cửa chuồng; hệ thống bắt đầu đếm số lượng và cân trọng lượng heo trong chuồng. Kết quả Hình 3. Kết quả quá trình huấn luyện. đếm được sẽ thông báo cho người quản lý thông qua màn hình giám sát và được thống kê theo từng lượt, Số lượng mẫu được sử dụng trong quá trình huấn theo ngày. Đồng thời hệ thống cũng lưu trữ các đoạn luyện gồm 5.000 mẫu được thu thập từ nhiều nguồn video ngắn theo từng lượt cân đếm để phục vụ công khác nhau. Trong số 5.000 mẫu ảnh thu nhận được, 80% tác đối chứng, kiểm tra lại. Hình 4 minh họa hình ảnh số lượng ảnh được sử dụng cho quá trình huấn luyện của chuồng cân với số lượng heo cần đếm là từ 3 đến (training), 10% cho quá trình đánh giá (validation), và 5 con. Giao diện web của hệ thống thử nghiệm được ISBN 978-604-80-8932-0 104
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) chỉ ra như trên hình 5. Các thông số của hệ thống được thể hiện trên giao diện web, bao gồm: ngày/tháng/năm; thời gian; số lượng heo đếm được; trạng thái đóng/mở chuồng cân. Hình 7. Trường hợp heo không chồng lấn lên nhau. Hình 5. Giao diện hệ thống thử nghiệm trên web. Các thành phần cơ bản trên giao diện giám sát bao gồm: hình ảnh camera truyền về; số lượng heo được đếm; trạng thái cảm biến đóng mở cửa chuồng cân. Kết quả đếm số lượng sau mỗi lần cân sẽ được lưu trữ dưới dạng tập tin excel. Đồng thời đoạn video ngắn mỗi lần cân sẽ được lưu lại để kiểm tra khi cần thiết (hình 6). Hình 8. Trường hợp heo chồng lấn lên nhau một phần. Hình 6. Thống kê số lượng theo ngày. Quá trình đánh giá hiệu suất của hệ thống nhận dạng và đếm số lượng heo trên Jetson-Nano-Dev-Kit bao gồm kiểm tra độ chính xác nhận dạng và đếm; ghi lại thời gian xử lý, và khả năng hoạt động của hệ thống trên các tập dữ liệu thực tế. Mô hình thử nghiệm được áp dụng để đếm số lượng heo ở 15 đoạn clip gồm 60 con với các tình huống ra vào chuồng cân. Hiệu quả của Hình 9. Trường hợp heo chồng lấn lên nhau toàn phần. phương pháp đề xuất được đánh giá trên các ngữ cảnh thử nghiệm khác nhau, bao gồm: không có sự chồng lấn, chồng lấn một phần và chồng lấn toàn phần. Các Trong quá trình thực nghiệm, hệ thống đếm hoàn toàn kết quả thử nghiệm thu được như sau: chính xác trong trường hợp không có heo chồng lấn lên Trong hình 7, heo không chồng lấn lên nhau: số heo nhau hoặc chồng lấn một phần. Hệ thống đếm sai trong thực tế là 5, hệ thống đếm được chính xác là 5. Trường trường hợp heo chồng lấn lên nhau hoàn toàn. Để khắc hợp hình 8, heo chồng lấn lên nhau, một phần cơ thể bị phục hiện tượng đếm sai trong trường hợp này, nhóm che khuất: số heo thực tế là và hệ thống đếm được là nghiên cứu đã đưa ra giải pháp như sau: cần thực hiện trùng khớp nhau. Trường hợp hình 9: heo chồng lấn lên đếm 3 lần, lần thứ nhất khi heo mới vào chuồng (cảm nhau, toàn bộ cơ thể bị che khuất: số heo thực tế là 4, biến cửa vào mở và cửa ra đóng); lần thứ hai khi cửa hệ thống đếm được là 3. Xuất hiện sai số do có 3 đối vào chuồng đóng lại (cảm biến cửa vào và ra đều đóng) tượng che khuất hoàn toàn đối tượng còn lại. và lần thứ ba khi heo ra khỏi chuồng (cảm biến cửa vào ISBN 978-604-80-8932-0 105
Hội nghị Quốc gia lần thứ 26 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2023) đóng và cửa ra mở). Kết hợp kết quả 3 lần đếm để tính [5] V. H. A. Soares, M. A. Ponti, R. A. Goncalves, and R. J. ¸ toán giá trị trung bình sau cùng với giá trị làm tròn lên, Campello, “Cattle counting in the wild with geolocated aerial images in large pasture areas,” Computers and Electronics in đồng thời khi 3 lần đếm không bằng nhau thì sẽ có cảnh Agriculture, vol. 189, p. 106354, 2021. báo cho người giám sát xác nhận và lưu video để phục [6] M. Tian, H. Guo, H. Chen, Q. Wang, C. Long, and Y. Ma, vụ kiểm tra sau. Kết quả sau khi áp dụng giải pháp trên, “Automated pig counting using deep learning,” Computers and Electronics in Agriculture, vol. 163, p. 104840, 2019. hệ thống đã giảm sai số đến mức thấp nhất. [7] J. Kim, Y. Suh, J. Lee, H. Chae, H. Ahn, Y. Chung, and D. Park, Để đánh giá, Recall và Accuracy là hai tham số được “Embeddedpigcount: Pig counting with video object detection sử dụng phổ biến trong bài toán nhận dạng đối tượng, and tracking on an embedded board,” Sensors, vol. 22, no. 7, p. 2689, 2022. được tính toán theo các phương trình 1 và 2 được mô [8] P. Dolezel, D. Stursa, D. Honc, J. Merta, V. Rozsivalova, tả dưới đây. Số lượng heo được đếm chính xác là một L. Beran, and I. Hora, “Counting livestock with image segmen- dự đoán đúng - TP: 59 con; số lượng heo bị đếm nhầm tation neural network,” in 15th International Conference on Soft Computing Models in Industrial and Environmental Applications - FP: 0 con và số lượng heo bị bỏ sót - FN: 1 con. Hệ (SOCO 2020) 15. Springer, 2021, pp. 237–244. thống thử nghiệm có độ chính xác khá cao 98,3%. [9] B. Xu, W. Wang, G. Falzon, P. Kwan, L. Guo, G. Chen, A. Tait, and D. Schneider, “Automated cattle counting using mask r- TP cnn in quadcopter vision system,” Computers and Electronics Recall = = 98, 3% (1) in Agriculture, vol. 171, p. 105300, 2020. TP + FN [10] C.-Y. Wang, A. Bochkovskiy, and H.-Y. M. Liao, “Yolov7: Trainable bag-of-freebies sets new state-of-the-art for real-time TP object detectors,” in Proceedings of the IEEE/CVF Conference Accuracy = = 98, 3% (2) on Computer Vision and Pattern Recognition, 2023, pp. 7464– TP + FP + FN 7475. [11] “Make sense,” https://github.com/SkalskiP/make-sense, V. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN accessed: 2023-10-20. [12] A. A. S¨ zen, B. Duman, and B. Sen, “Benchmark analysis of u ¸ Nhận dạng và đếm số lượng gia súc có vai trò quan jetson tx2, jetson nano and raspberry pi using deep-cnn,” in trọng trong việc nâng cao năng suất và tiết kiệm chi phí 2020 International Congress on Human-Computer Interaction, cho các trang trại. Khía cạnh quan trọng của việc đếm số Optimization and Robotic Applications (HORA). IEEE, 2020, pp. 1–5. lượng trong mỗi lần cân tải trọng heo là giảm thiểu tổn [13] M. U. Alam and R. Rahmani, “Fedsepsis: A federated multi- thất do yếu tố con người gây ra và đảm bảo tính đồng modal deep learning-based internet of medical things application đều khi bán cho các nhà phân phối. Thông qua việc triển for early detection of sepsis from electronic health records using raspberry pi and jetson nano devices,” Sensors, vol. 23, no. 2, khai mô hình Yolov7-tiny trên máy tính nhúng Jetson- p. 970, 2023. Nano-Dev-Kit, nhóm tác giả đã thực nghiệm thành công hệ thống đếm số lượng heo trong chuồng cân với độ chính xác đáp ứng yêu cầu bài toán và tốc độ xử lý nhanh. Kết quả của nghiên cứu này sẽ là tiền đề để ứng dụng mô hình trong thực tế tại các trang trại xuất nhập gia súc, đồng thời giải quyết được vấn đề số hóa trong doanh nghiệp bằng trí tuệ nhân tạo. Trong tương lai, nhóm tác giả sẽ mở rộng nghiên cứu của mình để ứng dụng Internet of Things vào hệ thống cân và đếm số lượng heo. TÀI LIỆU THAM KHẢO [1] X. Li and L. Xing, “Use of unmanned aerial vehicles for livestock monitoring based on streaming k-means clustering,” Ifac-Papersonline, vol. 52, no. 30, pp. 324–329, 2019. [2] J. C. Bishop, G. Falzon, M. Trotter, P. Kwan, and P. D. Meek, “Livestock vocalisation classification in farm soundscapes,” Computers and electronics in agriculture, vol. 162, pp. 531–542, 2019. [3] M. Parikh, M. Patel, and D. Bhatt, “Animal detection using template matching algorithm,” Int. J. Res. Mod. Eng. Emerg. Technol, vol. 1, no. 3, pp. 26–32, 2013. [4] J. V. de Andrade Porto, F. P. C. Rezende, G. Astolfi, V. A. de Moraes Weber, M. C. B. Pache, and H. Pistori, “Automatic counting of cattle with faster r-cnn on uav images,” in Anais do XVII Workshop de Visão Computacional. SBC, 2021, pp. 1–6. ISBN 978-604-80-8932-0 106

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.15: Bộ Đồ Án Tốt Nghiệp Chuyên Ngành Cơ Khí

65 tài liệu

2412 lượt tải

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.