Ứng dụng Detectron2 phân loại quả cà chua

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:11

Thêm vào BST

Báo xấu

31
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Trong nghiên cứu này, tác giả sử dụng triển khai Faster R-CNN của Detectron2 để phân loại quả cà chua dựa vào ảnh chụp bề mặt quả cà chua. Các quả cà chua không đạt yêu cầu sẽ bị loại trong quá trình phân loại. Tập dữ liệu gồm 857 ảnh với 1280 quả cà chua được gán nhãn (good và bad) và chia theo tỷ lệ 6:2:2. Kết quả thử nghiệm đạt độ chính xác 95,4% và đáp ứng được yêu cầu xử lý thời gian thực là 0.08 giây/quả.

Chủ đề:

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

Lưu

Nội dung Text: Ứng dụng Detectron2 phân loại quả cà chua

TẠP CHÍ LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA NGHIÊN CỨU KHOA HỌC TRONG SỐ NÀY ĐẠI HỌC SAO ĐỎ Số 3(74) 2021 LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Thiết kế hệ thống rửa tay khử khuẩn tự động kết hợp Nguyễn Quang Biên kiểm soát giãn cách sử dụng trí tuệ nhân tạo Đỗ Hoàng Khôi Nguyên Nguyễn Tuấn Nguyễn Trọng Các Trương Cao Dũng Nghiên cứu cảm biến vị trí rôto trong máy điện từ kháng Phạm Công Tảo Phạm Thị Hoan Nghiên cứu thiết kế thiết bị lọc không khí sử dụng công Nguyễn Trọng Các nghệ ion âm Nguyễn Chí Thành Ngô Phương Thủy Bùi Đăng Thảnh Ứng dụng Detectron2 phân loại quả cà chua Hoàng Thị An Phạm Văn Kiên LIÊN NGÀNH CƠ KHÍ - ĐỘNG LỰC Phân ch, so sánh ô tô pin nhiên liệu và ô tô điện Vũ Hoa Kỳ Trần Hải Đăng Nguyễn Long Lâm Dương Thị Hà Nghiên cứu phương pháp Polynomial Chaos Creux, Đào Đức Thụ áp dụng cho hệ thống treo trên ô tô Nguyễn Đình Cương Phạm Văn Trọng Nghiên cứu xác định các hệ số lực khí động của xe du lịch Đỗ Tiến Quyết NGÀNH TOÁN HỌC Hiệu chỉnh nguyên lý cực đại Pontryagin trong bài toán Nguyễn Thị Huệ điều khiển tối ưu Lưu Trọng Đại NGÀNH KINH TẾ Ứng dụng mô hình “kim tự tháp’ của Carroll Archie đánh Vũ Thị Hường giá mức độ quan tâm của các bên liên quan đến trách Nguyễn Thị Thủy nhiệm xã hội của Trường Đại học Sao Đỏ Nguyễn Thị Huế Nguyễn Thị Thu Trang Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021
NGHIÊN CỨU KHOA HỌC TẠP CHÍ NGHIÊN CỨU KHOA HỌC TRONG SỐ NÀY ĐẠI HỌC SAO ĐỎ Số 3(74) 2021 NGÀNH KINH TẾ Cơ hội và thách thức trong đào tạo nguồn nhân lực ngành Nguyễn Thị Thủy Logis cs Nguyễn Thị Huế LIÊN NGÀNH HÓA HỌC - CÔNG NGHỆ THỰC PHẨM Ảnh hưởng của hạt nano vàng lên nh chất của vật liệu Nguyễn Ngọc Tú Zn SnO :Eu Nguyễn Duy Thiện NGÀNH GIÁO DỤC HỌC Giải pháp nâng cao hiệu quả hoạt động trải nghiệm thực Nguyễn Thị Hương Huyền tế cho sinh viên chuyên ngành Hướng dẫn du lịch, Trường Nguyễn Thị Sao Đại học Sao Đỏ Nâng cao chất lượng dạy và học ếng Anh chuyên ngành Nguyễn Thị Thảo tại Trường Đại học Sao Đỏ Trần Thị Mai Hương LIÊN NGÀNH TRIẾT HỌC - XÃ HỘI HỌC - CHÍNH TRỊ HỌC Giảng dạy các học phần lý luận chính trị ở Trường Đại Nguyễn Thị Hiền học Sao Đỏ hiện nay trong điều kiện tác động của cuộc Cách mạng công nghiệp 4.0 Giải quyết việc làm cho lao động nông thôn ở tỉnh 101 Vũ Văn Đông Hải Dương hiện nay Giáo dục đạo đức mới trong việc phát triển nhân cách 110 Đỗ Thị Thùy cho thanh niên tỉnh Hải Dương trong bối cảnh mới Phạm Thị Mai hiện nay Giá trị và ý nghĩa thời đại tư tưởng nhân văn Việt Nam 120 Phạm Văn Dự thế kỷ XVIII Trần Thị Hồng Nhung Vũ Văn Chương Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA SCIENTIFIC JOURNAL CONTENTS SAO DO UNIVERSITY No 3(74) 2021 TITLE FOR ELECTRICITY - ELECTRONICS - AUTOMATION Design of an automa cally sterilized-hand washing Nguyen Quang Bien system combined with social distancing control using Do Hoang Khoi Nguyen ar cial intelligence Nguyen Tuan Nguyen Trong Cac Truong Cao Dung Research on posi on sensor rotor in switched reluctance Pham Cong Tao machines Pham Thi Hoan Research and design of air puri ca on device using Nguyen Trong Cac nega ve Ion technology Nguyen Chi Thanh Ngo Phuong Thuy Bui Dang Thanh Applica on Detectron2 classi es tomatoes Hoang Thi An Pham Van Kien TITLE FOR MECHANICAL AND DRIVING POWER ENGINEERING Analysing and comparing fuel cell vehicle and electric Vu Hoa Ky vehicle Tran Hai Dang Nguyen Long Lam Duong Thi Ha Study on applica on of Polynomial Chaos Creux method Dao Duc Thu for automo ve suspension Nguyen Dinh Cuong Pham Van Trong Research for determina on of force coe cients of the sedan Q4 TITLE FOR MATHEMATICS Correc on of the maximum principle of Pontryagin in the Nguyen Thi Hue op mal control problem Luu Trong Dai Appleca on of carroll archie’s ‘‘se - se - pyramid” Vu Thi Huong model to assess the interest of the par es involved in Nguyen Thi Thuy social responsibility of Sao Do niversity Nguyen Thi Hue Nguyen Thi Thu Trang Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021
NGHIÊN CỨU KHOA HỌC SCIENTIFIC JOURNAL CONTENTS SAO DO UNIVERSITY No 3(74) 2021 Opportuni es and challenges in human resource training Nguyen Thi Thuy logis cs industry Nguyen Thi Hue TITLE FOR CHEMISTRY AND FOOD TECHNOLOGY E ect of gold nanopar cles on the ourescence Nguyen Ngoc Tu proper es of Zn SnO :Eu material Nguyen Duy Thien TITLE FOR STUDY OF EDUCATION Solu ons to improve the e ect of prac cal experience Nguyen Thi Huong Huyen ac vi es for students of tourist guide major at Sao Do Nguyen Thi Sao niversity Improving the quality of specialized English teaching and Nguyen Thi Thao learning at Sao Do University Tran Thi Mai Huong TITLE FOR PHILOSOPHY - SOCIOLOGY - POLITICAL SCIENCE Teaching poli cal theory modules at Sao Do University in Nguyen Thi Hien the context of the impact of the industrial revolu on 4.0 Crea ng jobs for rural workers in Hai Duong province 101 Vu Van Dong today New moral educa on in personality development for 110 Do Thi Thuy young people in Hai Duong province in the current new Pham Thi Mai context Contemporary signi cance and value of the Vietnamese 120 Pham Van Du humanis c thought era in the eighteenth century Tran Thi Hong Nhung Vu Van Chuong Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021
NGHIÊN CỨU KHOA HỌC Ứng dụng Detectron2 phân loại quả cà chua Applica on Detectron2 classi es tomatoes Hoàng Thị An, Phạm Văn Kiên anhoangthi87@gmail.com Trường Đại học Sao Đỏ Ngày nhận bài: 15/4/2021 Ngày nhận bài sửa sau phản biện: 28/9/2021 Ngày chấp nhận đăng: 30/9/2021 Tóm tắt Trong nghiên cứu này, tác giả sử dụng triển khai Faster R-CNN của Detectron2 để phân loại quả cà chua dựa vào ảnh chụp bề mặt quả cà chua. Các quả cà chua không đạt yêu cầu sẽ bị loại trong quá trình phân loại. Tập dữ liệu gồm 857 ảnh với 1280 quả cà chua được gán nhãn (good và bad) và chia theo tỷ lệ 6:2:2. Kết quả thử nghiệm đạt độ chính xác 95,4% và đáp ứng được yêu cầu xử lý thời gian thực là 0.08 giây/quả. Từ khóa: Phân loại cà chua; detectron2; faster R-CNN. Abstract In this study, the author uses Detectron2's implementation of Faster R-CNN to classify tomatoes based on their surface images. Tomatoes classi ed as "not good” will be disquali ed during the grading process. A dataset consisted of 857 images with 1280 labeled tomatoes (good and bad) and divided in a ratio of 6:2:2. Research results showed an accuracy of 95.4% and met the real-time requirement with the speed of 0.08 seconds for each tomatoe. . : Classify tomatoes; detectron2; faster R-CNN. 1. ĐẶT VẤN ĐỀ lượng sử dụng công nghệ xử lý ảnh: Chuyển ảnh từ RGB sang hệ màu HSV, phân đoạn ảnh sử dụng thuật Phân loại cà chua tự động là một trong những module toán k-mean và phân loại ảnh sử dụng SVM (Support còn thiếu trong các hệ thống phân loại cà chua hiện Vector Machine) và mạng nơron (ANN - Arti cial nay ở Việt Nam. Tại các nhà máy xuất nhập khẩu có Neural Network). Với phương pháp phân loại theo các xuất khẩu cà chua, các công đoạn đều được tự động phương pháp học máy bị ảnh hưởng rất nhiều bởi môi hóa, tuy nhiên, công đoạn phân loại cà chua đạt yêu trường: Chế độ chiếu sáng, ánh sáng đèn, các loại quả cầu và chưa đạt yêu cầu vẫn thực hiện bằng phương phân loại cần được đi qua các hộp đen, tách ánh sáng pháp thủ công (Hình 1). môi trường. Với các giải pháp mạng nơron học sâu, theo [4], nhóm tác giả đã đề xuất phát hiện cà chua tốt và cà chua bị bệnh dựa trên YOLOv2. YOLOv2 là mạng một giai đoạn, mạng này có thời gian huấn luyện và dự đoán nhanh, tuy nhiên độ chính xác chưa cao với trường hợp đối tượng được phát hiện, nhận dạng ở kích thước nhỏ. Nhóm tác giả ở [1], đã đề xuất sử dụng kỹ thuật transfer learning, sử dụng mạng VGG16, InceptionV3, ResNet50 kết hợp mạng nơron tích chập sâu Faster R-CNN cho kết quả độ chính xác cao, đặc biệt không bị ảnh hưởng bởi môi trường, nhất là trong trường hợp nền phức tạp, độ chiếu sáng khác nhau. Để giảm thiểu chi phí thiết kế mô hình khi phải thiết kế hộp đen Hình 1. Minh họa phân loại cà chua [8] nhằm tách đối tượng cần phát hiện, phân loại ra khỏi Hiện nay có các công trình nghiên cứu ứng dụng trí tuệ ánh sáng của môi trường bên ngoài, nhóm tác giả đề nhân tạo: Sử dụng học máy, học sâu để phân loại quả xuất sử dụng Faster R-CNN kết hợp với ResNet101 cà chua theo màu sắc, kích thước. Với sử dụng học để phân loại cà chua đạt yêu cầu và không đạt yêu máy, nhóm tác giả [2] phân loại quả cà chua theo chất cầu. Các tác giả ở [3] đã chỉ ra Faster R-CNN là một kỹ thuật hữu ích để phát hiện và phân loại cà chua đạt Người phản biện: 1. GS. TSKH. Thân Ngọc Hoàn yêu cầu và không đạt yêu cầu với độ chính và thời gian 2. PGS. TSKH. Trần Hoài Linh đảm bảo yêu cầu thực tế. Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Để triển khai Faster R-CNN, nổi bật là framework Detectron2 được thiết kế và huấn luyện các mô hình Tenso ow và PyTorch. Trong hai framework này, thời phát hiện thế thế hệ mới theo hỗ trợ máy ảnh thông gian huấn luyện trên Tenso ow thường mất nhiều thời minh, hệ thống máy ảnh AI trong các thiết bị gọi điện gian hơn và cần đáp ứng được yêu cầu phần cứng video trên Facebook. Bằng cách dựa vào Detectron2 cao. Trong khi đó, với Detectron2 [6] là một nền tảng làm thư viện hợp nhất để phát hiện đối tượng trong các của PyTorch, là hệ thống phần mềm thế hệ tiếp theo trường hợp sử dụng nghiên cứu và sản xuất, ta có thể nhanh chóng chuyển các ý tưởng nghiên cứu vào các của Facebook AI Research triển khai các thuật toán mô hình sản xuất và được triển khai trên quy mô lớn. phát hiện đối tượng hiện đại. Một số cải tiến trong Detectron2 [5], [6]: Theo [7], các tác giả đã đánh giá việc sử dụng Faster R-CNN cho bài toán phát hiện hư hỏng trên đường cho PyTorch: Detectron ban đầu được triển khai trong độ chính xác cao hơn so với mô hình YOLO và SSD. Caffe2. PyTorch cung cấp một mô hình lập trình mệnh lệnh trực quan hơn cho phép các nhà nghiên cứu và Các tác giả đã chỉ ra rằng Faster R-CNN với mô hình người thực hành lặp lại nhanh hơn về thiết kế và thử cơ sở X101-FPN và cấu hình mặc định của Detectron2 nghiệm mô hình. Do vậy, Detectron2 được viết lại từ tạo ra kết quả dự đoán tốt cho các tác vụ này, có thể áp đầu trong PyTorch, người dùng có thể hưởng lợi từ dụng trên nhiều quốc gia khác nhau. thư viện mạng nơ-rôn học sâu của PyTorch cũng như Từ những ưu điểm của Faster R-CNN và ưu điểm về cộng đồng lớn và tích cực liên tục cải thiện PyTorch. tốc độ của Detectron2, nhóm tác giả đề xuất triển khai Thiết kế modul có thể mở rộng: Trong Detectron2, Faster R-CNN với Detectron2 áp dụng vào bài toán cách thiết kế modul cho phép người dùng phát triển phân loại cà chua, lựa chọn cà chua đạt yêu cầu và các triển khai modul riêng (hoặc cập nhật các mô-đun không đạt yêu cầu dựa trên ảnh chụp bền mặt quả gốc) vào hầu hết các phần trong hệ thống phát hiện cà chua. đối tượng. Các dự án nghiên cứu mới có thể được viết bằng hàng trăm dòng mã với sự tách biệt rõ ràng DETECTRON2 giữa thư viện Detectron2 cốt lõi và việc triển khai nghiên cứu mới. Detectron2 luôn được phát triển để Kể từ khi phát hành vào năm 2018, nền tảng phát hiện linh hoạt hơn. đối tượng Detectron đã trở thành một trong những dự án mã nguồn mở được chấp nhận rộng rãi nhất Các mô hình và tính năng mới: Detectron2 bao gồm tất của Facebook AI Research (FAIR) [5]. Detectron2 là cả các mô hình có sẵn trong Detectron ban đầu: Faster bản viết lại cơ bản của Detectron với Mask R-CNN R-CNN, Mask R-CNN, RetinaNet và DensePose. Ngoài ra, nó cũng có một số mô hình mới, bao gồm benchmark. Nền tảng hiện được triển khai trong Cascade R-CNN, Panoptic FPN và TensorMask, và PyTorch. Detectron2 linh hoạt và có thể mở rộng, đồng tiếp tục được bổ sung thêm nữa. thời có thể cung cấp huấn luyện nhanh trên một hoặc Nhiệm vụ mới: Detectron2 hỗ trợ một loạt các thuật nhiều máy chủ GPU. Detectron2 gồm các triển khai toán mới liên quan đến phát hiện đối tượng. Ngoài chất lượng của các thuật toán phát hiện đối tượng hiện các thuật toán đã có trong Detectron phiên bản đầu đại gồm: DensePose Panoptic segmetation và nhiều tiên, Detectron2 còn hỗ trợ phân đoạn toàn cảnh biến thể của dòng mô hình Mask R-CNN cũng do FAIR (Panoptic segmentation) là sự kết hợp của Semantic phát triển. Thiết kế có thể mở rộng giúp người lập trình segmentation và Instance segmentation. có thể dễ dàng thực hiện các dự án nghiên cứu mà Chất lượng triển khai: Viết lại Detectron2 từ đầu cho không cần phải phân nhánh toàn bộ cơ sở mã. phép xem lại các quyết định thiết kế cấp thấp và giải quyết một số vấn đề triển khai trong Detectron ban đầu. Tốc độ và khả năng mở rộng: Bằng cách chuyển toàn bộ đường dẫn đào tạo sang GPU, Detectron2 nhanh hơn Detectron ban đầu cho nhiều mô hình tiêu chuẩn khác nhau. Ngoài ra, việc phân phối đào tạo đến nhiều máy chủ GPU giờ đây trở nên dễ dàng, khiến việc mở rộng đào tạo tới các tập dữ liệu rất lớn trở nên đơn giản hơn nhiều. Detectron2go: Các kỹ sư thị giác máy tính của Facebook AI đã triển khai một lớp phần mềm bổ sung, Hình 2. Minh họa Detectron2 [6] Detectron2go, để giúp việc triển khai các mô hình mới Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021
NGHIÊN CỨU KHOA HỌC tiên tiến vào sản xuất dễ dàng hơn. Các tính năng này hình do có hỗ trợ GPU miễn phí và thời gian huấn bao gồm quy trình đào tạo tiêu chuẩn với bộ dữ liệu nội luyện 12 giờ mỗi phiên sử dụng. bộ, lượng tử hóa mạng và chuyển đổi mô hình sang các định dạng được tối ưu hóa để triển khai trên điện Cơ sở dữ liệu toán đám mây và di động. Dữ liệu quả cà chua được tác giả chụp ảnh thực tế và download trên mạng gồm các loại cà chua chín, PHÂN LOẠI CÀ CHUA VỚI DETECTRON2 cà chua chưa chín, cà chua bị hỏng. Các ảnh chuẩn Các mạng nơron tích chập muốn áp dụng vào bài bị gồm 857 ảnh với 1.280 quả cà chua được gán toán phát hiện đối tượng cần có chuẩn bị cơ sở dữ nhãn. Các quả cà chua được gán nhãn thành 2 loại: liệu đã gán nhãn. Ảnh sau khi được gán nhãn và định tomatogood và tomatobad. dạng được cho vào mô hình mạng và thực hiện huấn Tập dữ liệu được chia theo tỷ lệ 6:2:2 với 60% ảnh luyện. Trong nghiên cứu này, tác giả sử dụng công cụ được chia vào tập huấn luyện, 20% ảnh được chia vào Robo ow hỗ trợ việc chuẩn bị cơ sở dữ liệu, gán nhãn tập thẩm định, 20% vào tập kiểm tra. cho ảnh; sử dụng Google Colab hỗ trợ huấn luyện mô Hình 3. Cơ sở dữ liệu trên Robo ow.com Hình 4. Chia tập dữ liệu theo tỷ lệ 6:2:2 Một số kỹ thuật tiền xử lý để tăng số lượng ảnh cũng như chất lượng ảnh: Hình 5. Minh họa một số phép biến đổi ảnh 3.2. Xây dựng mô hình Quá trình xây dựng và huấn luyện mô hình được thực hiện trên Google Colab. Bước 1: Cài đặt một số phụ thuộc của Detectron2. Phiên bản Detectron2 sử dụng là 0.1.3. Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA Bước 2: Thêm và ghi danh dữ liệu theo yêu cầu Tải model trên modelzoo. Model lựa chọn là: faster_ Detectron2 (Hình 6). rcnn_X_101_32x8d_FPN_3x.yaml. Dữ liệu được chuẩn bị sẵn trên robo ow, định dạng Bước 4: Thiết lập bộ con g cho batch size, số lần lặp dữ liệu là coco json, các ảnh cần được chuẩn hóa kích (MAX_ITERS) và learning rate (BASE_LR) (Hình 8). thước 416 416. WARMUP_ITERS: learning rate bắt đầu từ 0 và đi đến Bước 3: Cài đặt kiến trúc mạng trong Detectron2. giá trị đặt trước cho thuộc tính này. Mạng sử dụng là Faster R-CNN với ResNet 101. Chỉ STEPS: Số lượng lần lặp mà tại đó learning rate sẽ định các bộ dữ liệu đã được khởi tạo ở bước 2, sử giảm xuống theo GAMMA. dụng chúng cho việc huấn luyện và đánh giá (Hình 7). Bước 5: Thực hiện huấn luyện. Định nghĩa lớp CocoTrainer. Bước 6: Đánh giá mô hình trên tập test. (Hình 9). Hình 6. Register dữ liệu Hình 7. Cài đặt kiến trúc mạng Detectron2 Hình 8. Thiết lập bộ con g Hình 9. Sử dụng mô hình dự đoán kết quả Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021
NGHIÊN CỨU KHOA HỌC Kết quả chương trình Hình 10. Kết quả chương trình Kết quả khi chạy trên tập test. Hình 11. Kết quả khi chạy trên tập test Mô hình sau khi thực nghiệm có kết quả sau: Số ảnh sử dụng test: 171 ảnh với 248 nhãn tomatogood Số lượng cà chua được dự đoán 86 nhiều hơn thực và tomatobad Kết quả thực nghiệm được mô tả như tế là 82 do có một số quả cà chua được gán nhãn hai trong Bảng 1. lần (Hình 13). Bảng 1. Kết quả chương trình Số lượng Tomatogood Tomatobad Dự đoán Không nhận được 0 Thực tế Trường hợp cà chua không đạt với nhãn Tomatobad, có một trường hợp quả cà chua không đạt được gán nhãn 2 lần (Hình 12). Hình 13. Cà chua có 2 nhãn giống nhau Trường hợp quả cà chua tốt, đạt yêu cầu với nhãn tomatogood, trường hợp không nhận ra quả cà chua để thực hiện gán nhãn (Hình 14). Hình 14. Không nhận ra KẾT LUẬN Trong nghiên cứu, tác giả đã đề xuất sử dụng Detectron2 với mạng Faster R-CNN phân loại cà chua Hình 12. à chua có 2 nhãn ngược nhau đạt yêu cầu và không đạt yêu cầu. Thời gian huấn Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021
LIÊN NGÀNH ĐIỆN - ĐIỆN TỬ - TỰ ĐỘNG HÓA luyện sử dụng Detectron2 nhanh hơn rất nhiều với [3]. Jun Sun, Xiaofei He, Xiao Ge, Xiaohong Wu, trường hợp sử dụng Tensor ow. Jifeng Shen, Yingying Song (2018), Detection of Bảng 2. So sánh 2 framework Key Organs in Tomato Based on Deep Migration Thời gian Detectron2 Tensor ow Learning in a Complex Background https:// Huấn luyện 0:54:17 08:12:15 www.researchgate.net/publication/329591902_ Phát hiện 0.08 (giây) 0.10 (giây) Detection_of_Key_Organs_in_Tomato_Based_ on_Deep_Migration_Learning_in_a_Complex_ rong quá trình cài đặt và thử nghiệm, nhóm tác giả Background sử dụng hai framework hỗ trợ cài đặt và thử nghiệm [4]. Zhao J., Qu J. (2019) Healthy and Diseased mạng Faster R-CNN. Đối với Tensor ow, đòi hỏi cấu hình máy cao và mất rất nhiều thời gian huấn luyện. Tomatoes Detection Based on YOLOv2. In: Tang Trong khi đó, với Detectron2, mạng Faster R-CNN Y., Zu Q., Rodríguez García J. (eds) Human được huấn luyện nhanh hơn rất nhiều (ít hơn gần 7 Centered Computing. HCC (2018), Lecture Notes giờ) và mạng sau khi huấn luyện chạy với Detectron2 in Computer Science, vol 11354. Springer, Cham. có thời gian nhanh hơn Các tham số được nhóm tác https://doi.org/10.1007/978-3-030-15127-0_34 ả ết lập trong bước 4 (h nh 8) cho mô h nh có kế quả dự đoán cao nhất. Trườ ợp khác, ví dụ vớ [5]. Yuxin Wu, Alexander Kirillov, Francisco Massa, MAX_ITERS = 1000, STEPS = 900 cho độ chính xác Wan-Yen Lo and Ross Girshick (2019), https:// ấp hơn (92%). ai.facebook.com/blog/-detectron2-a-pytorch- based-modular-object-detection-library-/ [6]. Yuxin Wu, Alexander Kirillov, Francisco Massa, TÀI LIỆU THAM KHẢO Wan-Yen Lo and Ross Girshick (2019), Detectron2 https://github.com/facebookresearch/detectron2 [1]. Robert G. de Luna, Elmer P. Dadios, Argel A. Ban- [7]. Vung Pham, Chau Pham and Tommy dala, Ryan Rhay P. Vicerra (2019), Tomato Fruit Dang (2020), Road Damage Detection and Image Dataset for Deep Transfer Learning-based Classi cation with Detectron2 and Faster R-CNN Defect Detection, 978 - 1 - 7281 - 3458 -1/19 arXiv:2010.15021v1 [cs.CV] ,2019 IEEE. [8]. https://nongnghiep.vn/may-rua-phan-loai-trai-ca- [2]. Saifali Tamakuwala, Jenish Lavji, Rachna Patel, chua-d164378.html (2018), Quality identi cation of tomato using image processing techniques, International Journal of Electrical, Electronics and Data Communication, ISSN(p): 2320-2084, ISSN(e): 2321 -2950 Volume-6, Issue-5, May-2018, http:// www.iraj.in/journal/journal_ le/journal_pdf/1-471- 153293422067-70.pdf THÔNG TIN TÁC GIẢ Hoàng Thị An - Tóm tắt quá trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo, nghiên cứu): + Năm 2009: Tốt nghiệp Đại học Sư phạm Hà Nội, chuyên ngành Sư phạm Tin. + Năm 2012: Tốt nghiệp Thạc sĩ ngành Công nghệ thông n, chuyên ngành Khoa học máy nh, Học viện Kỹ thuật Quân Sự. - Tóm tắt công việc hiện tại: Giảng viên khoa Công nghệ thông n, rường Đại học Sao Đỏ. - Lĩnh vực quan tâm: Xử lý ảnh, thực tại ảo, thị giác máy nh, trí tuệ nhân tạo, big data. - Email: anhoangthi87@gmail.com - Điện thoại: 0984 420 897. Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021
NGHIÊN CỨU KHOA HỌC Phạm Văn Kiên - Tóm tắt quá trình đào tạo, nghiên cứu (thời điểm tốt nghiệp và chương trình đào tạo, nghiên cứu): + Năm 2002: Tốt nghiệp Đại học Bách khoa Hà Nội, chuyên ngành Sư phạm kỹ thuật Tin học. + Năm 2007: Tốt nghiệp Thạc sĩ ngành Giáo dục nghề nghiệp, thuộc chương trình liên kết giữa rường Đại học Bách khoa Hà Nội và rường TU Dresden của Đức. - Tóm tắt công việc hiện tại: Phó trưởng khoa Công nghệ thông n, rường Đại học Sao Đỏ. - Lĩnh vực quan tâm: Xử lý ảnh, thị giác máy nh, công nghệ web, công nghệ phần mềm. - Email: kienpvdesign@gmail.com. - Điện thoại: 0986 362 233. Tạp chí Nghiên cứu khoa học, Trường Đại học Sao Đỏ, ISSN 1859-4190, Số 3 (74) 2021