Chia sẻ bài báo qua Email ÁP DỤNG THUẬT TOÁN K-MEANS TRONG LOẠI BỎ DỮ LIỆU NGOẠI LỆ ĐỂ NÂNG CAO HIỆU SUẤT PHÂN LOẠI CÁC BỆNH VỀ LÁ LÚA SỬ DỤNG MÔ HÌNH MOBILENETV3
Thông tin bài báo
Ngày nhận bài: 06/10/23 Ngày hoàn thiện: 30/10/23 Ngày đăng: 30/10/23Các tác giả
1. Vũ Huy Lượng
, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên2. Nguyễn Thị Mai Phương, Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên
Tóm tắt
Dân số tăng, quá trình đô thị hóa diễn ra nhanh chóng và diện tích đất nông nghiệp bị thu hẹp. Bệnh trên lá lúa được xem là nguyên nhân chính gây mất mùa, vì vậy việc chẩn đoán bệnh lá lúa sớm là quan trọng để giảm ảnh hưởng của chúng đối với năng suất, bảo đảm an ninh lương thực. Sử dụng công nghệ trong việc phát hiện và chẩn đoán các bệnh trên lá lúa là cần thiết. Nghiên cứu này đề xuất một phương pháp nhằm nâng cao độ chính xác của mô hình MobileNetV3. Phương pháp này bao gồm việc loại bỏ các hình ảnh trùng lặp và ngoại lệ sử dụng thuật toán K-Means. Tập dữ liệu sử dụng trong thí nghiệm được lấy từ một nguồn thứ cấp. Dữ liệu bao gồm 5932 hình ảnh của bốn loại bệnh phổ biến trên lá lúa. Ba tập dữ liệu khác nhau được tạo ra (Set-1, Set-2 và Set-3), tương ứng với ngưỡng bất thường 0,00, 0,05 và 0,06. Kết quả cho thấy, độ chính xác tăng đáng kể khi áp dụng phương pháp này. Độ chính xác Top-1 đã tăng từ 80,11% lên 86,85% và 87,69% tương ứng với Set-1, Set-2 và Set-3.
Từ khóa
Toàn văn:
PDF (English)Tài liệu tham khảo
[1] J. Harris, P. H. Nguyen, L. M. Tran, and P. N. Huynh, “Nutrition transition in Vietnam: changing food supply, food prices, household expenditure, diet and nutrition outcomes,” Food Security, vol. 12, no. 5, pp. 1141–1155, Oct. 2020.
[2] M. Mavaddat, M. Naderan, and S. E. Alavi, “Classification of rice leaf diseases using cnn-based pre-trained models and transfer learning,” in 2023 6th International Conference on Pattern Recognition and Image Analysis (IPRIA), 2023, pp. 1–6.
[3] N. Cherukuri, G. Kumar, O. Gandhi, V. S. K. Thotakura, D. NagaMani, and C. Z. Basha, “Automated classification of rice leaf disease using deep learning approach,” in 2021 5th International Conference on Electronics, Communication and Aerospace Technology (ICECA), 2021, pp. 1206–1210.
[4] S. P. Singh, K. Pritamdas, K. J. Devi, and S. D. Devi, “Custom convolutional neural network for detection and classification of rice plant diseases,” International Conference on Machine Learning and Data Engineering, vol. 218, pp. 2026–2040, 2023.
[5] E. D. S. Mulyani, H. J. Pramana, L. Listiani, N. N. Febriani SM, R. A. Wiyono, and F. P. Pratiwi, “Classification of rice leaf diseases based on texture and leaf colour,” in 2022 4th International Conference on Cybernetics and Intelligent System (ICORIS), 2022, pp. 1–6.
[6] B. D. Satoto, D. R. Anamisa, M. Yusuf, M. K. Sophan, N. Alamsyah, and B. Irmawati, “Rice disease classification based on leaf damage using deep learning,” in 2022 6th International Conference on Informatics and Computational Sciences (ICICoS), 2022, pp. 42–47.
[7] S. Ghosal and K. Sarkar, “Rice leaf diseases classification using CNN with transfer learning,” in 2020 IEEE Calcutta Conference (CALCON), 2020, pp. 230–236.
[8] H. L. Vu, T. M. P. Nguyen, V. N. Pham, V. S. Nguyen, and V. C. Tran, “An evaluation of eye diseases classification using ResNet on fundus image dataset collected from Thai Binh hospital,” TNU Journal of Science and Technology, vol. 228, no. 07, pp.100-107, 2023.
[9] Rukhsar and S. K. Upadhyay, “Rice leaves disease detection and classification using transfer learning technique,” in 2022 2nd International Conference on Advance Computing and Innovative Technologies in Engineering (ICACITE), 2022, pp. 2151–2156.
[10] S. Zakzouk, M. Ehab, S. Atef, R. Yousri, R. M. Tawfik, and M. S. Darweesh, “Rice leaf diseases detector based on Alexnet,” in 2021 9th International Japan-Africa Conference on Electronics, Communications, and Computations (JAC-ECC), 2021, pp. 170–174.
[11] R. Bishwas, S. Yasmin, and N. A. Turzo, “Relative comparison of k-means clustering segmented rice leaves image based nitrogen, phosphorus, and potassium nutrient deficiency classification using convolutional neural network,” in 2021 International Conference on Science and Contemporary Technologies (ICSCT), 2021, pp. 1–6.
[12] F. Contributor, “Fastup manage, clean and curate visual data - fast and scale,” 2023. [Online]. Available: https://github.com/visual-layer/fastdup. [Accessed September 5, 2023].
[13] A. Howard, M. Sandler, G. Chu, L. Chen, B. Chen, M. Tan, W. Wang, Y. Zhu, R. Pang, V. Vasudevan, Q. V. Le, and H. Adam, “Searching for mobilenetv3,” in Proceedings of the IEEE/CVF International Conference on Computer Vision (ICCV), October 2019, pp. 1314-1324.
[14] M. Contributors, “Openmmlab’s pre-training toolbox and benchmark,” 2023. [Online]. Available: https://github.com/open-mmlab/mmpretrain. [Accessed September 5, 2023].
DOI: https://doi.org/10.34238/tnu-jst.8919
Các bài báo tham chiếu
- Hiện tại không có bài báo tham chiếu