Tạp chí Khoa học Đại học Thủ Dầu Một Số 5(72)-2024
https://vjol.info.vn/index.php/tdm 27
ỨNG DỤNG MÔ HÌNH HỌC MÁY FASTER R-CNN
PHÁT HIỆN NẤM ĂN ĐƯỢC VÀ KHÔNG ĂN ĐƯỢC
Trần Thu Hương(1)
(1) Trường Đại học Thủ Dầu Một
Ngày nhận bài 21/7/2024; Chấp nhận đăng 11/9/2024
Liên hệ email: huongtt@tdmu.edu.vn
Tóm tắt
Nấm từ lâu đã được biết đến như một nguồn thực phẩm giàu dinh dưỡng, giàu
chất chống oxi hóa và chất xơ. Đặc biệt là một nguồn nhiều vitamin B, selen, kẽm và đồng
- các chất quan trọng trong việc sản xuất năng lượng trong tế bào, cần thiết cho một hệ
thống miễn dịch mạnh mẽ. Đối với con người, nấm trở thành món ăn ưa chuộng trên toàn
thế giới. Tuy nhiên, việc tiêu thụ nhầm nấm độc có thể dẫn đến hậu quả nghiêm trọng,
bao gồm buồn nôn, nôn mửa, suy nhược thần kinh, rối loạn, thiếu máu cấp tính, thậm chí
có thể dẫn tới tử vong nếu không cấp cứu kịp thời. Nhưng không phải ai cũng biết cách
nhận biết nấm độc, chất độc và nấm ăn được, và rất khó để chúng ta phân biệt nấm ăn
được hay nấm không ăn được, từ hình dáng bên ngoài giống nhau của chúng. Bài viết
này nhằm giải quyết vấn đề bằng cách sử dụng mô hình học máy Faster Region-based
Convolutional Neural Network (Faster R-CNN) để phân loại nấm ăn được và nấm độc.
Mô hình Faster R-CNN được huấn luyện trên tập dữ liệu hình ảnh nấm đa dạng, tập trung
vào các đặc điểm hình dạng, màu sắc và kết cấu. Sau quá trình huấn luyện, mô hình đã
đạt độ chính xác ấn tượng lên đến 99,10% trong việc phân loại nấm. Kết quả này chứng
minh tiềm năng của mô hình Faster R-CNN trong việc hỗ trợ người dùng nhận diện nấm
an toàn, góp phần giảm thiểu nguy cơ ngộ độc và tử vong do nấm độc.
Từ khóa: học máy, Faster R-CNN , nấm ăn được, nấm độc
Abstract
APPLICATION OF FASTER R-CNN MACHINE LEARNING MODEL TO
DETECTE EDIBLE AND NON-EDIBLE MUSHROOMS
Mushrooms have long been recognized as a nutritious food source, rich in
antioxidants and fiber. They are also a good source of B vitamins, selenium, zinc, and
copper - essential elements for cellular energy production and a strong immune system.
As a result, mushrooms have become a popular culinary ingredient worldwide.
However, accidental consumption of poisonous mushrooms can lead to severe
consequences, including nausea, vomiting, neurological impairment, disorders, acute
anemia, and even death if not treated promptly. Distinguishing between poisonous and
edible mushrooms is not always easy, as their appearances can be remarkably similar.
This paper aims to address this issue by utilizing the Faster Region-based
Convolutional Neural Network (Faster R-CNN) machine learning model to classify
edible and poisonous mushrooms. The Faster R-CNN model is trained on a diverse
dataset of mushroom images, focusing on features such as shape, color, and texture.
Following the training process, the model achieved an impressive accuracy of 99.10%
