NHẬN DẠNG MỘT SỐ LOẠI NHÃN (THÔNG QUA LÁ NHÃN)  DÙNG CÔNG NGHỆ ẢNH VÀ KỸ THUẬT HỌC SÂU

Lê Thị Điểm; Nguyễn Đức Thiện; Trương Quốc Bảo

doi:10.34238/tnu-jst.6946

NHẬN DẠNG MỘT SỐ LOẠI NHÃN (THÔNG QUA LÁ NHÃN) DÙNG CÔNG NGHỆ ẢNH VÀ KỸ THUẬT HỌC SÂU

Thông tin bài báo

Ngày nhận bài: 17/11/22 Ngày hoàn thiện: 11/01/23 Ngày đăng: 11/01/23

Các tác giả

1. Lê Thị Điểm, Trường Cao đẳng Nghề Sóc Trăng
2. Nguyễn Đức Thiện, Trường Cao đẳng Nghề Sóc Trăng
3. Trương Quốc Bảo , Trường Bách Khoa - Trường Đại học Cần Thơ

Tóm tắt

Khu vực đồng bằng sông Cửu Long, bên cạnh cây lúa, nhãn là loại cây có diện tích trồng khá lớn, với nhiều loại nhãn khác nhau, đem lại thu nhập cao cho người nông dân. Mỗi loại nhãn sẽ có đặc điểm khác nhau về thời gian thu hoạch, cách xử lý ra hoa, cách chăm sóc. Trên thực tế, người trồng nhãn phải thường xuyên theo dõi, chăm sóc, dựa vào kinh nghiệm để xác định thời điểm cần thiết nhằm can thiệp vào từng loại nhãn giúp tăng năng suất. Từ hình ảnh chụp lá nhãn tại vườn rất khó phân biệt được loại nhãn ngoại trừ những người có kinh nghiệm, nhà khoa học. Vì vậy, việc sử dụng công nghệ để phân loại cây nhãn thông qua hình ảnh chụp của lá nhãn là rất cần thiết. Nghiên cứu sử dụng tập dữ liệu của 3 loại lá nhãn: Ido, Thạch Kiệt, xuồng cơm vàng, trong tổng số hình ảnh thu thập được là 2182 hình. Sử dụng kỹ thuật học sâu với mô hình VGG16 để huấn luyện dữ liệu thu được, kết quả độ chính xác đạt 98,3%. Như vậy, kết quả nghiên cứu có thể giúp các nhà nông học, nghiên cứu có các biên pháp cụ thể hỗ trợ, phối hợp với người nông dân trong việc phân loại, có định hướng trồng cây nhãn phù hợp đạt hiệu quả cao.

Từ khóa

Mạng nơ-ron tích chập; Mạng học sâu VGG16; Học sâu; Thị giác máy tính; Học chuyển giao

Toàn văn:

PDF

Tài liệu tham khảo

[1] M. Vilasini and P. Ramamoorthy, “CNN approaches for classification of Indian leaf species using smartphones,” Comput. Mater. Contin., vol. 62, no. 3, pp. 1445–1472, 2020, doi: 10.32604/cmc.2020.08857.

[2] J. Ahmad, K. Muhammad, I. Ahmad, W. Ahmad, M. L. Smith, L. N. Smith, D. K. Jain, H. Wang, and I. Mehmood, “Visual features based boosted classification of weeds for real-time selective herbicide sprayer systems,” Comput. Ind., vol. 98, pp. 23–33, 2018, doi: 10.1016/j.compind.2018.02.005.

[3] H. A. Atabay, “Article a Convolutional Neural Network With a New,” Iioab J., vol. 7, no. October 2016, pp. 226–231, 2017.

[4] N. Srisook, O. Tuntoolavest, P. Danphitsanuparn, V. Pattana-anake, and F. J. J. Joseph, “Convolutional Neural Network Based Nutrient Deficiency Classification in Leaves of Elaeis guineensis Jacq,” Int. J. Comput. Inf. Syst. Ind. Manag. Appl., vol. 14, pp. 19–27, 2022.

[5] Y. Sun, Y. Liu, G. Wang, and H. Zhang, “Deep Learning for Plant Identification in Natural Environment,” Comput. Intell. Neurosci., vol. 2017, 2017, doi: 10.1155/2017/7361042.

[6] P. Hridayami, I. K. G. D. Putra, and K. S. Wibawa, “Fish species recognition using VGG16 deep convolutional neural network,” J. Comput. Sci. Eng., vol. 13, no. 3, pp. 124–130, 2019, doi: 10.5626/JCSE.2019.13.3.124.

[7] D. Albashish, R. Al-Sayyed, A. Abdullah, M. H. Ryalat, and N. Ahmad Almansour, “Deep CNN Model based on VGG16 for Breast Cancer Classification,” in 2021 International Conference on Information Technology, ICIT 2021 - Proceedings, 2021, pp. 805–810. doi: 10.1109/ICIT52682.2021.9491631.

[8] J. Pardede, B. Sitohang, S. Akbar, and M. L. Khodra, “Implementation of Transfer Learning Using VGG16 on Fruit Ripeness Detection,” Int. J. Intell. Syst. Appl., vol. 13, no. 2, pp. 52–61, 2021, doi: 10.5815/ijisa.2021.02.04.

[9] E. Bisong, “Google Colaboratory,” in Building Machine Learning and Deep Learning Models on Google Cloud Platform, E. Bisong, Ed. Berkeley, CA: Apress, 2019, pp. 59–64. doi: 10.1007/978-1-4842-4470-8_7.

[10] O. Russakovsky, J. Deng, H. Su, J. Krause, S. Satheesh, S. Ma, Z. Huang, A. Karpathy, A. Khosla, M. Bernstein, A. C. Berg, and F.-F. Li, “ImageNet Large Scale Visual Recognition Challenge,” Int. J. Comput. Vis., vol. 115, no. 3, pp. 211–252, 2015, doi: 10.1007/s11263-015-0816-y.

[11] K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–14, 2015.

[12] A. Krizhevsky, I. Sutskever, and G. E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” Commun. ACM, vol. 60, no. 6, pp. 84–90, Jun. 2017, doi: 10.1145/3065386.

[13] S. Li, Y. Zhao, R. Varma, O. Salpekar, P. Noordhuis, T. Li, A. Paszke, J. Smith, B. Vaughan, P. Damania, and S. Chintala, “PyTorch Distributed: Experiences on Accelerating Data Parallel Training,” Proc. VLDB Endow., vol. 13, no. 12, pp. 3005–3018, 2020, doi: 10.14778/3415478.3415530.

DOI: https://doi.org/10.34238/tnu-jst.6946

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ