zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Khoa Học Tự Nhiên

Ứng dụng sóng siêu âm và mạng học sâu để nhận biết sự tích lũy kim loại nặng trong khoai lang

Chia sẻ: Muộn Màng Từ Lúc | Ngày: | Loại File: PDF | Số trang:8

Báo xấu

33
lượt xem 2
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài viết sử dụng sóng siêu âm và phương pháp học sâu cho bài toán nhận biết mức độ tích lũy thành phần kim loại nặng trong khoai lang.

Chủ đề:

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

Lưu

Nội dung Text: Ứng dụng sóng siêu âm và mạng học sâu để nhận biết sự tích lũy kim loại nặng trong khoai lang

Vietnam J. Agri. Sci. 2021, Vol. 19, No. 4: 427-434 Tạp chí Khoa học Nông nghiệp Việt Nam 2021, 19(4): 427-434 www.vnua.edu.vn ỨNG DỤNG SÓNG SIÊU ÂM VÀ MẠNG HỌC SÂU ĐỂ NHẬN BIẾT SỰ TÍCH LŨY KIM LOẠI NẶNG TRONG KHOAI LANG Nguyễn Tiến Hiển*, Lê Văn Dũng, Nguyễn Trọng Kương Khoa Công nghệ thông tin, Học viện Nông nghiệp Việt Nam * Tác giả liên hệ: nguyentienhien@vnua.edu.vn Ngày nhận bài: 23.03.2020 Ngày chấp nhận đăng: 02.11.2020 TÓM TẮT Thực phẩm nhiễm kim loại nặng gây ra nhiều hậu quả nghiêm trọng cho sức khỏe con người, luôn được các cơ sở giám sát chất lượng an toàn thực phẩm (ATTP) kiểm tra bằng các qui trình và phương pháp cẩn thận, thậm chí tốn kém từ việc lấy mẫu đến ước lượng thành phần chất gây hại được tích trong đó. Trong nghiên cứu này, chúng tôi hướng đến sử dụng sóng siêu âm để đánh giá mức độ liên quan với sự tích lũy kim loại nặng trong khoai lang. Sóng siêu âm an toàn với thực phẩm và vì thế không ảnh hưởng đến chất lượng thực phẩm của mẫu kiểm tra. Cùng với dữ liệu thu được, chúng tôi sử dụng mạng học sâu như một bộ phân lớp hiệu quả và đang được quan tâm của nhiều nhà nghiên cứu hiện nay cho việc nhận biết sự khác nhau giữa các các mẫu khoai trước và sau khi cho qua dung dịch chì sunfat. Với 31 bộ dữ liệu siêu âm về các mẫu khoai thu được và sử dụng hai mạng nơron (NN) và mạng Deep Boltzmann Machine (DBM) để nhận dạng hai nhóm mẫu khoai lang trước và sau khi cho qua nhiễm chì sunfat. Kết quả cho thấy việc nhận dạng giữa 2 nhóm mẫu chưa cho nhiễm và cho nhiễm chì sunfat của mạng NN là 62% với dữ liệu huấn luyện và 55% với dữ liệu kiểm tra, và của mạng DBM là 68% với dữ liệu huấn luyện và 65% với kiểm tra. Từ khóa: An toàn thực phẩm, kim loại nặng, trí tuệ nhân tạo, học máy, mạng nơron, máy Boltzmann, học sâu. Application of Ultrasound and Deep Networks in Recognizing the Presence of Heavy Metals Contaminated in Sweet Potatoes ABSTRACT Food contaminated with heavy metals causes serious consequences for human health, it is always the prime concern of any food safety control systems, even required through costly processes from sample collecting and evaluating contaminated components in the food samples. This study aimed to use ultrasound coupling with deep networks to assess the presence of heavy metals in sweet potatoes, while ultrasound is safe. To classify the acquired ultrasound data sets, we used deep networks that presently become a powerful tool and attract many researchers in order to recognize the data associating with the presence of lead sulfate in samples of sweet potatoes. For the 31 ultrasonic data sets of sweet potato samples acquired, the application of Neuron Network (NN) and Deep Boltzmann machine (DBM) as our target deep networks yielded the results showing that the accuracies of the NN was 62% for training set and 55% for testing set, and of DBM was 68% for training set and 65% for testing set, respectively. Keywords: Food safety, Artificial intelligence, machine learning, neural network, Boltzmann machine, deep learning. mĀc ATTP vì thế là vçn đề chính yếu cho să ổn 1. ĐẶT VẤN ĐỀ đðnh an ninh, xã hội và să phát triển kinh tế Nhóm bệnh gây ra bći thăc phèm không an cûa mỗi nþĆc. Do tình träng ô nhiễm môi trþąng toàn đang là một gánh nặng cho xã hội và kinh ngày càng nghiêm trọng hĄn làm cho thăc phèm tế cûa mỗi quốc gia (WHO, 2017; Young & cs., có thể nhiễm bð độc ć bçt cĀ khâu nào tÿ sân 2016), và các nþĆc trên thế giĆi đang ngày càng xuçt đến tiêu dùng. Thêm vào đò, să phát triển quan tâm chú trọng đến vçn đề này. Nâng cao mänh mẽ cûa hệ thống vên tâi toàn cæu mà thăc 427
Ứng dụng sóng siêu âm và mạng học sâu để nhận biết sự tích lũy kim loại nặng trong khoai lang phèm có thể đþợc vên chuyển trên thð trþąng và dùng về vçn đề giĂ gìn vệ sinh ATTP. Về công giĂa các quốc gia một cách nhanh chóng, vì thế việc hàng ngày, hệ thống giám sát ATTP cûa việc kiểm tra phát hiện thăc phèm có nguy cĄ tînh thu thêp nhĂng méu thăc phèm và gāi gây häi đến sĀc khóe là một việc quan trọng và méu đi phån tích các thành phæn gây häi cho cæn đþợc giám sát chặt chẽ ć các khâu cûa chuỗi sĀc khóe ć trung tâm kiểm đðnh ATTP cûa vùng cung Āng thăc phèm. theo chî đðnh cûa Nhà nþĆc. Rõ ràng công việc Thăc phèm nhiễm độc bći các kim loäi nặng này cæn thąi gian vên chuyển méu mà không thuộc nhóm cæn quan tâm nhçt cho việc bâo vệ thể thông báo ngay kết quâ chçt lþợng méu täi sĀc khóe nhþ đã đþợc chî ra trong các báo cáo nĄi lçy méu đþợc, việc đò không thể đáp Āng (WHO, 2017; Rahman & cs., 2014), bći vì kim ngay đþợc vĆi yêu cæu cûa thð trþąng phân phối loäi nặng tích lüy trong thăc phèm cò tác động thăc phèm cæn xā lý nhanh. nghiêm trọng đến sĀc khóe con ngþąi. ƯĆc lþợng Thêm nĂa là, tình träng ô nhiễm kim loäi mĀc độ nhiễm kim loäi nặng tích lüy trong thăc có nhiều nguy cĄ tiềm èn trên đða bàn tînh phèm trþĆc khi sā dýng là một yêu cæu quan Quâng Ninh. Quâng Ninh hiện đang cò rçt trọng cho vçn đề ATTP. Thăc phèm có thể bð nhiều mó than, thêm chí câ các công trþąng mó nhiễm kim loäi tÿ các nguồn nhþ đçt, nþĆc, đang khai thác lộ thiên. Să khai thác mó là không khí cho đến các khâu chế biến và chuèn nguyên nhân chû yếu dén đến ô nhiễm nguồn bð trþĆc khi ën (Toth & cs., 2016; Gan & cs., nþĆc, đçt và không khí. VĆi nền công nghiệp 2017). Thông thþąng, phân tích thành phæn hóa khai thác mó phû rộng trên đða bàn tînh, các chçt sẽ chî ra các nguyên tố kim loäi nặng có vçn đề hệ quâ chîng hän nhþ thăc phèm nhiễm chĀa trong thăc phèm. Tuy nhiên, vai trñ đâm độc đang là mối quan tâm rçt lĆn. Cho đến nay, nhiệm phân tích chî đþợc thăc hiện ć các cĄ ô nhiễm kim loäi trên đða bàn tînh thu hút quan chĀc nëng đặt ć một số vùng trung tâm ć nhiều quan tâm. Nhiều nghiên cĀu nhþ đánh Việt Nam. giá mĀc nhiễm kim loäi và nguy cĄ cho sĀc khóe Trong báo cáo gæn đåy cûa Ngân hàng Thế dån cþ trên đða bàn tînh (Ha & cs., 2018) hoặc giĆi về quân lý nguy cĄ ATTP ć Việt Nam (WB, nghiên cĀu đánh giá să ânh hþćng cûa ô nhiễm 2017) đã chî ra rìng vçn đề ATTP nìm trong kim loäi đến tëng trþćng cûa lúa gäo trồng gæn mối quan tâm rçt lĆn cûa câ ngþąi tiêu dùng và khu văc mó Quang Ninh (Marquez & cs., 2018) ngþąi làm chính sách an toàn. Sẽ không thể giâi đã đþợc tiến hành. quyết bài toán ATTP nếu không có să kiểm soát Nghiên cĀu đánh giá về vçn đề này, ć trong chặt chẽ và một hệ thống giám sát an toàn chuỗi nþĆc có nhiều nghiên cĀu quan tåm đến ô nhiễm thăc phèm đæy đû và hiệu quâ. Báo cáo cüng kim loäi nặng và nguy cĄ đến sĀc khóe ngþąi nhçn mänh nhĂng công việc chính cæn làm để dån nhþ nghiên cĀu cûa Ha & cs. (2018). nâng mĀc ATTP. Đặc biệt, cæn thiết lêp một Nghiên cĀu này đã chî ra vçn đề ô nhiễm không chþĄng trình đồng bộ tÿ bộ phên tþ nhån đến khí có chĀa kim loäi nặng gây ra nhĂng nguy cĄ nhà nþĆc cho việc nâng cao hệ thống giám sát ânh hþćng đến sĀc khóe ngþąi dân. Hay nghiên ATTP ć Việt Nam. cĀu cûa Marquez & cs. (2018) còn xem xét să Ở đða phþĄng, theo báo cáo về ATTP và tích lüy cûa kim loäi nặng ânh hþćng đến să chþĄng trình hành động trong nëm 2018 cûa sinh trþćng cûa cây lúa gäo. Vçn đề ô nhiễm Tînh Quâng Ninh (Quangninh, 2017), thăc kim loäi nặng còn nìm trong mối quan tâm rçt phèm nhiễm kim loäi nặng nìm trong danh lĆn cûa các cĄ quan quân lý, điều đò thể hiện ć sách nhĂng nhiệm vý quan tåm giám sát để các báo cáo hàng nëm (WB, 2017; Quangninh, đâm bâo ATTP trong phäm vi tînh trong giai 2017) ć câ trung þĄng và đða phþĄng. đoän 2016-2020. Hệ thống giám sát ATTP hiện Sóng siêu âm là kỹ thuêt đþợc Āng dýng täi cûa tînh cæn thiết lêp mänh hĄn nĂa để kiểm trong nhiều thiết bð bâo quân thăc phèm vì să an soát să phân phối thăc phèm không an toàn toàn cûa nó vĆi sĀc khóe con ngþąi. Trong nghiên đồng thąi nâng cao nhên thĀc cûa ngþąi tiêu cĀu cûa Danh & cs. (2017), nhóm nghiên cĀu đã 428
Nguyễn Tiến Hiển, Lê Văn Dũng, Nguyễn Trọng Kương sā dýng sóng siêu âm trong việc rāa rau cû quâ đến xem xét nghiên cĀu bþĆc đæu nhĂng méu và vệ sinh ATTP. Liên quan đến sā dýng sóng khoai lang vĆi să tích lüy kim loäi gây häi này. siêu âm trích xuçt thành phæn thăc phèm, Ly & Trong nghiên cĀu này, chúng tôi tiến hành cs. (2018) đã Āng dýng sòng siêu åm để xác đðnh lçy dĂ liệu sóng siêu âm truyền qua các mô cûa thành phæn protein trong gäo. Trong kiểm soát khoai lang bći máy siêu âm Chison Eco. Thiết bð ATTP, sòng siêu åm đã đþợc dùng để phân tích siêu âm sẽ phát ra sóng siêu âm và nhên tín tþĄng quan giĂa các tính chçt lý sinh cûa thăc hiệu phân hồi läi tÿ các mô khoai. Trên mỗi phèm trong các nghiên cĀu cûa Young & cs. méu, dĂ liệu chúng tôi thu đþợc là các sóng siêu (2016), Awad & cs. (2012) và Sheshrao & cs. âm phân hồi läi nhþ vêy. Mýc đích cûa chúng (2018). Tuy nhiên, dĂ liệu thu đþợc để phân tích tôi là nhên biết să khác biệt cûa các méu sóng là rçt phĀc täp và cæn cò phþĄng pháp phån tích siêu âm này giĂa các méu khoai lang trþĆc và hiệu quâ để tìm ra mối tþĄng quan giĂa thành sau khi cho hçp thý chì sunfat (ngâm méu phæn hóa chçt trong thĀc ën vĆi các méu sóng khoai lang trong dung dðch chì sunfat). siêu åm quan sát đþợc. Điều này đã đþợc nghiên Để xác đðnh nồng độ cûa dung dðch chì cĀu và đánh giá trong các nghiên cĀu trên. sunfat cho phù hợp, chúng tôi dăa theo nghiên Gæn đåy, các phþĄng pháp cûa học máy và các nghiên cĀu cûa Thanh & cs. (2019) và Huong mäng học sâu có nhiều câi tiến cùng vĆi công & cs. (2007), các nghiên cĀu đò đánh giá mĀc độ ô nghệ hỗ trợ tính toán đã cò nhiều Āng dýng hiệu nhiễm cûa các thành phæn hóa chçt gây häi quâ trong việc phân tích dĂ liệu lĆn và nò đang trong nguồn nþĆc ć một số khu văc Hà Nội. Theo cuốn hút nhiều quan tâm (Bengio, 2016). Trong kết quâ đò, hàm lþợng dung dðch cûa chì (Pb) các nghiên cĀu cûa Kuong & cs. (2017, 2018a, trong nguồn nþĆc sông đþợc đánh giá ć quanh 2018b), đã sā dýng phþĄng pháp cûa học máy khu văc Hà Nội lĆn hĄn mĀc 1 mg/l, thêm chí có để nhên däng các méu sóng siêu âm trong y tế. thąi điểm đến hĄn 6 mg/l. Trong thí nghiệm này VĆi nhiều phþĄng pháp hiệu quâ trong khoa học chúng tôi lçy dung dðch chì sunfat vĆi nồng độ 4 máy tính đþợc nghiên cĀu và chĀng minh gæn mg/l và cho các méu khoai ngâm trong dung dðch đåy giâi quyết cho bài toán có dĂ liệu lĆn, điều đò. Sau khoâng thąi 24 gią läi đþợc chúng tôi đþa đò hþĆng chúng tôi đến sā dýng sóng siêu âm và ra thu dĂ liệu sòng siêu åm để xem xét khâ nëng phþĄng pháp học sâu cho bài toán nhên biết khác biệt cûa các méu sòng trþĆc và sau khi cho mĀc độ tích lüy thành phæn kim loäi nặng trong hçp thý vĆi dung dðch chì sunfat. khoai lang trong phòng thí nghiệm. DĂ liệu các sóng siêu âm trên mỗi méu sau khi tiền xā lý loäi bó các vùng gæn chðu cộng 2. PHƯƠNG PHÁP NGHIÊN CỨU hþćng cûa thiết bð, dĂ liệu đþợc biểu diễn cho quan sát đþợc thể hiện ć däng ânh B-mode. 2.1. Thu thập dữ liệu Hình 1 biểu diễn ânh B-mode cûa 3 trþąng hợp Trong nghiên cĀu gæn đåy cûa Roro & cs. trong số các méu chúng tôi xem xét. (2019), đã xem xét mĀc độ tích lüy cûa kim loäi nặng tích trong khoai lang ć vùng mà hệ thống 2.2. Mạng học sâu thûy lợi có să ânh hþćng cûa công nghiệp dệt VĆi mýc đích sā dýng mäng học såu nhþ là may và nhĂng hệ quâ đến sĀc khóe cûa ngþąi bộ phân lĆp mýc tiêu cho việc nhên biết các méu dân xung quanh. Nghiên cĀu đò cho thçy să tồn siêu âm. Trong phæn này, chúng tôi trình bày về dþ kim loäi nặng gây häi nhþ Cą rôm (Cr), Đồng mäng nĄron truyền thîng (Hagan & cs, 1996) (Cu), Chì (Pb), Kẽm (Zn) trong khoai lang sau đþợc xem nhþ mäng học såu cĄ bân dành cho thu hoäch. TþĄng tă, ć Việt Nam, să phát triển việc học cò giám sát đã đþợc phát triển tÿ lâu. cûa các khu công nghiệp, nhà máy xí nghiệp dệt Tiếp đến là mäng DRBM (Hilton, 2012; Hugo & may trong nhĂng nëm gæn đåy đã đþợc đánh cs., 2012; Lecun & cs., 2015) đþợc phát triển gæn giá trong các nghiên cĀu cûa Ghaly & cs. (2014) đåy, nò thu hút să quan tâm cûa nhiều nhà và Duy & cs. (2019) về tình hình ô nhiễm tÿ nền nghiên cĀu trong việc học giám sát và học không công nghiệp dệt may. Điều đò khiến chúng tôi đi có giám sát. 429
Ứng dụng sóng siêu âm và mạng học sâu để nhận biết sự tích lũy kim loại nặng trong khoai lang Trước ngâm Sau ngâm Mẫu 1 Mẫu 1 Mẫu 2 Mẫu 2 Mẫu 3 Mẫu 3 Hình 1. Ảnh B-mode của dữ liệu sóng siêu âm từ các mẫu 2.2.1. Mạng nơ ron 2.2.2. Mạng restricted Boltzmann machine Hình 2 mô tâ cçu trúc mäng nĄron nhiều (RBM) chuẩn tæng, ć đò là dĂ liệu đæu vào (input) có nhãn là Mäng restricted Boltzmann machine (RBM) y nìm ć tæng trên cùng. GiĂa x và y đþợc kết là một kiểu mäng nĄron học phân bố xác suçt nối thông qua nhiều tæng h (tÿ h1 đến hn) còn gọi cûa dĂ liệu đæu vào, ć đò về kiến trúc, nó sā là tæng èn. Kết nối giĂa các tæng đþợc thể hiện dýng các biến trong tæng èn h = (h1, h2,„, hH) để bći các trọng số kết nối wk  wkij , ć đò wkij là học phân phối cûa các biến biểu diễn dĂ liệu cæn học hay dĂ liệu input x = (x1, x2,„, xN). Mỗi đĄn trọng số kết tÿ nối đĄn vð nĄron i ć tæng k – 1 vð xi có să kết nối vĆi trọng số wij tĆi mỗi đĄn vð đến nĄron j ć tæng k (vĆi k = 0 là tæng input, hj. Không có să kết nối giĂa các đĄn vð trong k = n +1 là tæng nhãn y). cùng tæng èn hay cùng tæng dĂ liệu. Các trọng Việc huçn luyện cho mäng nĄron dăa trên số bi và cj phân ánh mĀc độ tác động cûa mỗi nguyên lý căc tiểu hóa hàm chi phí bći công đĄn vð xi và hj tþĄng Āng trong mäng. Mäng thĀc F(fn(x) – y)  min, ć đò F là hàm chi phí RBM học thông qua việc điều chînh hàm nëng xác đðnh să sai lệch giĂa giá trð nhãn đæu ra cûa lþợng xác đðnh bći công thĀc (1): mäng vĆi giá trð nhãn cûa dĂ liệu, f là hàm kích   E x,h   wij x i h j   bi x i   c jh j (1) hoät. Chi tiết về mäng và thuêt toán huçn luyện i,j i j cûa mäng nĄron đþợc trình bày cý thể bći Phân phối đồng thąi P(x, h) cûa x và h đþợc Hagan & cs. (1996). xác đðnh bći phþĄng trình (2): 430
Nguyễn Tiến Hiển, Lê Văn Dũng, Nguyễn Trọng Kương Hình 2. Mạng nơron Hình 3. Mạng RBM    exp E x,h thì lĆp cho nhãn gồm K đĄn vð xác đðnh bći qui   P x,h  Z (2) tíc “one-hot”, hay đĄn vð thĀ k có giá trð bìng 1 còn läi bìng 0. Khi đò tþĄng tă nhþ mäng RBM ć đò Z là hìng số chuèn hóa. Xác suçt có chuèn, hàm nëng lþợng đþợc cho bći các phþĄng điều kiện cho các đĄn vð hj và xi đþợc xác đðnh trình (5) dþĆi đåy: dăa theo phân phối Boltzmann bći (3) và (4)   E x,h,y k   wij x i h j   bi x i     i  P h j x  sigm   wijxi  c j   (3) i,j   c j h j   U kj h j  d k i (5) j j và ć đò Ukj, dk là các trọng số kết nối vĆi các     P xi h  sigm   wij hi  bi   j  (4) đĄn vð èn và trọng số cûa đĄn vð nhãn tþĄng Āng. Không có kết nối giĂa các đĄn vð nhãn vĆi 1 các đĄn vð input. Phân phối đồng thąi cûa các ć đò sigm x    1  ex là hàm sigmoid. đĄn vð đþợc xác đðnh bći: Mäng RBM chuèn đþợc mô tâ nhþ ć hình 3.   exp E x,h,y  Mäng RBM chuèn đþợc trang bð thuêt toán  P x,h,y   Z (6) CD-k (Hilton, 2012), nó cho phép mäng có thể học không giám sát (unsupervised learning) ć đò Z là hìng số chuèn hóa. Các xác suçt có phân phối đồng thąi giĂa các đĄn vð tæng èn và điều kiện đþợc xác đðnh bći: tæng input. Ở một nghïa nào đò thì tæng èn tham gia vào học phân phối cûa input và đòng     P h j x,y k  sigm   wijxi  Ukj  c j   i  (7) vai trò làm rút ngín số chiều cûa tæng input. và 2.2.3. Mạng restricted Boltzmann machine   phân lớp   P xi h  sigm   wij h j  bi   j  (8) Mäng RBM phân lĆp (classification restricted Boltzmann machine- classRBM) là exp U h  d   P yk h  j kj j k (9) một trþąng hợp mć rộng cûa RBM bìng cách  exp   U h  d  l j lj j l thêm các đĄn vð mã hòa cho nhãn tþĄng Āng vĆi các input (Hugo & cs., 2012). Cý thể, nếu các Xác suçt hêu nghiệm cho việc xác đðnh input x có nhãn là k trong số K lĆp cûa dĂ liệu phân lĆp là: 431
Ứng dụng sóng siêu âm và mạng học sâu để nhận biết sự tích lũy kim loại nặng trong khoai lang   exp d k   j f  i w ij x i  U kj  c j  2.3. Kết quả phân lớp  P yk h     f   yl  l  j  i ij i lj j  exp  d w x  U  c  Trong nghiên cĀu này, chúng tôi thu thêp đþợc 31 méu dĂ liệu siêu âm gồm dĂ liệu cûa (10) các méu khoai chþa cho hçp thý qua dung dðch ć đò f(x) = log(1 + exp(x)) là hàm softplus. chì sunfat và sau khi ngâm qua dung dðch chì Mô hình classRBM đþợc minh họa ć hình 4. sunfat vĆi thąi gian 24 gią và 48 gią. Tçt câ các Nhþ vêy, khi trang bð thêm tæng nhãn thì méu sau khi ngåm đþợc chúng tôi xếp vào một mäng classRBM phýc vý cho việc học có giám lĆp làm đối chĀng vĆi các méu chþa cho qua sát (supervise learning). ClassRBM đã đþợc dung dðch. Trên mỗi ânh dĂ liệu thô, chúng tôi chĀng tó khâ nëng huçn luyện hiệu quâ vĆi các lçy ânh cò kích thþĆc 200 × 200 ć giĂa tâm làm thuêt toán đþợc trang bð nhþ đã đþợc trình bày ânh thuộc tính cho đánh giá phån lĆp. bći Hugo & cs. (2012). Hai mäng phân lĆp chúng tôi sā dýng là 2.2.4. Mạng deep Bolzmann machine và nĄron và mäng DBM, trong đò chúng tôi để học sâu cçu hình ai mäng cùng có 2 tæng èn có kích thþĆc là 300 và 100. Nghïa là ć tæng èn thĀ Mäng deep Boltzmann machine (DBM) là nhçt cò 300 nĄron tham gia và tæng èn thĀ 2 să xếp chồng cûa nhiều RBMs (Lecun & cs., cò 100 nĄron tham gia. VĆi mäng nĄron, 2015). VĆi thuêt toán hiệu quâ CD-k, nó cho chúng tôi sā dýng thuêt toán backpropagation phép tæng èn h tham gia vào học phân phối cûa input, đồng thąi tæng èn läi tham gia nhþ là một (Hagan & cs., 1996). VĆi mäng DBM thì giĂa input cho tæng èn tiếp theo. Đò là cĄ sć đèy tæng input x và tæng èn h1 là mäng RBM đþợc mänh să phát triển mäng học sâu. Trong nghiên huçn luyện bći thuêt toán CD-1 nhþ giĆi cĀu này chúng tôi sā dýng mäng DBM vĆi 2 thiệu bći Hilton (2012). GiĂa tæng èn h1 và tæng èn ć đò tæng èn thĀ hai có să tham gia cûa tæng èn h2 có să tham gia cûa lĆp nhãn y hay mäng classRBM, nghïa là, việc huçn luyện ć là mäng classRBM và đþợc huçn luyện bći mäng thĀ 2 là học có giám sát kết hợp vĆi nhãn thuêt toán học có giám sát cûa classRBM đþợc để nhên diện các đoän méu âm. Mô hình mäng trình bày bći Hugo & cs. (2012). Ở đåy các DBM đþợc sā dýng trong nghiên cĀu này đþợc tham số đþợc khći täo ban đæu rçt nhó trong mô tâ ć hình 5. khoâng  10-5. Hình 4. Mạng classRBM Hình 5. Mạng DBM Bảng 1. Kết quả độ chính xác trong huấn luyện và kiểm tra của DBM và NN DBM NN Độ chính xác với dữ liệu huấn luyện 68% 65% Độ chính xác với dữ liệu kiểm tra 62% 55% 432
Nguyễn Tiến Hiển, Lê Văn Dũng, Nguyễn Trọng Kương Chúng tôi sā dýng phþĄng pháp 5-fold cho in analysis, processing and quality control of food: việc phân chia dĂ liệu huçn luyện và dĂ liệu A review. Food research international. 48(2): 410-427. kiểm tra. Để đánh giá, so sánh kết quâ huçn Duy N.N., Phu V.D., Lan N.T.K, Duoc N.T., Hien luyện và kiểm tra cûa hai mäng, chúng tôi sā N.Q., Hiep B.N., Han B.N. & Ha B.M. (2019). dýng độ chính xác nghïa là tî lệ phæn trëm giĂa Treatment of real textile wastewater using số méu đþợc nhên däng đúng trên tổng số méu electron beam irradiation. Acta Chemica Iasi. đæu vào. Kết quâ biểu diễn khâ nëng học cûa câ 27(2): 303-316. hai bộ phân lĆp mýc tiêu trên đþợc thể hiện ć Gan Y., Wang L., Yang G., Dai J., Wang R. & Wang bâng 1. W. (2017). Multiple factors impact the contents of heavy metals in vegetables in high natural background area of China. Chemosphere. 4. KẾT LUẬN 184: 1388-1395. Nghiên cĀu này nhìm sā dýng phþĄng Ghaly A.E., Ananthashankar R., Alhattab M. & pháp học máy trong việc nhên biết các méu sóng Ramakrishnan V. (2014). Production, characterization and treatment of textile effluents: siêu âm trong việc phát hiện các dþ lþợng kim a critical review. Journal of Chemical Engineering loäi nặng tích lüy trong khoai lang. Nò phân and Process Technology. 5(1): 1000182. ánh tính cæn thiết trong điều kiện các vçn đề Hagan M.T., Demuth H.B. & Beale M. (1996). Neural ATTP đang đþợc quan tâm cûa xã hội cùng vĆi ô network design. Pws, Boston. nhiễm môi trþąng. Mặc dù dĂ liệu cho nghiên Ha P.T., Chinh P.M., Cuong D.D., Ly L.T.M., Thinh cĀu còn hän chế, tuy nhiên kết quâ cûa nghiên N.V. & Thai P.K. (2018). Elemental cĀu cho thçy khâ nëng Āng dýng các phþĄng concentrations in roadside dust along two national pháp cûa mäng học sâu vĆi dĂ liệu sóng siêu âm highways in northern Vietnam and the health risk trong việc trợ giúp giám sát să tích lüy kim loäi implication. Archives of environmental gây häi trong rau cû. contamination and toxicology. 74(1): 46-55. Hilton E.G. (2012). A practical guide to training Sā dýng mäng DBM trong nghiên cĀu này restricted Boltzmann machines. Lecture Notes in cüng đã chĀng tó đþợc khâ nëng nhên däng tốt Computer Science, Springer Berlin. 7700: 599-619. hĄn so vĆi mäng nĄron truyền thống. Cho dù Hugo L., Michael M., Razvan P. & Yoshua B. (2012). vêy, việc so sánh vĆi các phþĄng pháp phån lĆp Learning algorithms for the classification restricted khác cüng là cæn thiết cho să phát triển tiếp Boltzmann machine. Machine Learning Research. theo trong việc đi đến cài đặt phþĄng pháp phån 13(1): 643-669. lĆp hiệu quâ nhìm nång cao độ chính xác cûa Huong N.T.L, Ohtsubo M., Li L. & Higashi T. (2007). nhên däng các méu. Heavy metal pollution of the To-Lich and Kim- Nguu River in Hanoi city and the industrial source of the pollutants. Journal-Faculty of Agriculture LỜI CẢM ƠN Kyushu University. 52(1): 141. Nghiên cĀu này đþợc thăc hiện trong khuôn Kuong N.T., Uchino E. & Suetake N. (2017). IVUS tissue characterization of coronary plaque by khổ cûa đề tài “Sā dýng sóng siêu âm nhên biết classification restricted Boltzmann machine. să tích lüy kim loäi nặng trong khoai lang”, mã Journal of Advanced Computational Intelligence số: T2019-10-56, cçp bći Học viện Nông nghiệp and Intelligent Informatics. 21(1): 67-73. Việt Nam. Chúng tôi cüng xin câm Ąn să trợ giúp Kuong N.T., Uchino E. & Suetake N. (2018a). cûa TS. Sā Thanh Long quân lý trung tâm Gaia Recognition of coronary atherosclerotic plaque đã täo điều kiện cho nhóm nghiên cĀu chúng tôi tissue on intravascular ultrasound images by using misclassification sensitive training of trong việc sā dýng thiết bð, thiết kế và thu thêp discriminative restricted boltzmann machine. dĂ liệu sóng siêu âm cho nghiên cĀu này. Journal of Biomimetics, Biomaterials and Biomedical Engineering. 37: 85-93. Kuong N.T., Uchino E. & Suetake N. (2018b). TÀI LIỆU THAM KHẢO Coronary plaque classification with accumulative Awad T.S., Moharram H.A., Shaltout O.E., Asker D. & training of deep Boltzmann machines. ICIC Youssef M.M. (2012). Applications of ultrasound Express Letters. 12(9): 881-886. 433
Ứng dụng sóng siêu âm và mạng học sâu để nhận biết sự tích lũy kim loại nặng trong khoai lang Ly H.L., Tran T.M.C., Tran T.T.T., Ton N.M.N. & Le conventional food processing technologies. V.V.M. (2018). Application of ultrasound to International Journal of Current Microbiology and protein extraction from defatted rice bran. Applied Sciences. 7(5): 838-849. International Food Research Journal. 25(2). Thanh K.N., Manh H.N., Kim C.T., Ahmed M.B., Lecun Y., Yoshua B. & Hinton E.G. (2015). Deep Huang Y. & Zhou J.L. (2019). Chemical and learning. Nature. 521(7553): 436-444. microbiological risk assessment of urban river Marquez J. E., Pourret O., Faucon M.P., Weber S., Hoa water quality in Vietnam. Environmental H.T.B. & Martinez R. (2018). Effect of cadmium, geochemistry and health. 41(6): 2559-2575. copper and lead on the growth of rice in the coal Trần Hữu Danh, Lương Vinh Quốc Danh, Trần Thanh mining region of Quang Ninh, Cam Pha Quang, Nguyễn Thị Trâm, Huỳnh Minh Trí & (Vietnam). Sustainability. 10(6): 1758. Trần Hữu Nghi (2017). Bể rửa ứng dụng sóng siêu Quangninh (2017). Hội nghị tổng kết thực hiện Năm cao âm. Tạp chí Khoa học, Trường Đại học Cần Thơ. điểm hành động vệ sinh an toàn thực phẩm trong 52: 46-53. lĩnh vực nông nghiệp trên địa bàn tỉnh Quảng Ninh năm 2017 và triển khai nhiệm vụ trọng tâm năm Toth G., Hermann T., Silva M.D. & Montanarella L. 2018. Truy cập từ https://www.quangninh.gov. (2016). Heavy metals in agricultural soils of the vn/So/sonongnghiepptnt/Trang/ChiTietTinTuc.aspx European Union with implications for food safety. ?nid=5904 ngày 25/09/2019. Environment international. 88: 299-309. Rahman M.A., Rahman M.M., Reichman Lim S.M., Young I. & Waddell L. (2016). Barriers and facilitators R.P. & Naidu R. (2014). Heavy metals in to safe food handling among consumers: A Australian grown and imported rice and vegetables systematic review and thematic synthesis of on sale in Australia: health hazard. Ecotoxicology qualitative research studies. PloS One. 11(12). and environmental safety. 100: 53-60. WHO World Health Organization (2017). Food safety. Roro A.G., Beshir H. M., Terfa M. T., Tesfaye B., Retrieved from http://www.who.int/en/news-room/ Nadew F. & Olango T. M. (2019). Accumulation of heavy metals in soil and sweet potato (Ipomoea fact-sheets/detail/food-safety on April 29, 2019. batatas) irrigated with treated and untreated World Bank (2017). Vietnam food safety risks textile effluents. Journal of Applied Sciences. management: Challenges and Opportunities, World 19(9): 837-847. Bank, Hanoi. Retrieved from Sheshrao K. & Jai P.P. (2018). An elementary review https://openknowledge.worldbank.org/handle/1098 on principles and applications of modern non- 6/26412 on April 29, 2019. 434

CÓ THỂ BẠN MUỐN DOWNLOAD

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.