NHẬN DẠNG TRÁI CÂY SỬ DỤNG MÔ HÌNH YOLOv11  TRÊN NỀN TẢNG NHÚNG

Lê Hùng Linh; Ngô Hữu Huy; Mẫn Bá Tuyên; Nguyễn Thành Nam; Nguyễn Thị Mai Khuyên

doi:10.34238/tnu-jst.11825

NHẬN DẠNG TRÁI CÂY SỬ DỤNG MÔ HÌNH YOLOv11 TRÊN NỀN TẢNG NHÚNG

Thông tin bài báo

Ngày nhận bài: 06/01/25 Ngày hoàn thiện: 19/03/25 Ngày đăng: 21/03/25

Các tác giả

1. Lê Hùng Linh, Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
2. Ngô Hữu Huy , Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
3. Mẫn Bá Tuyên, Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
4. Nguyễn Thành Nam, Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên
5. Nguyễn Thị Mai Khuyên, Trường Đại học Thủ đô Hà Nội

Tóm tắt

Trong bối cảnh hiện đại hóa nông nghiệp, việc nhận dạng và phân loại trái cây tự động đang ngày càng trở nên quan trọng nhằm tối ưu hóa quy trình sản xuất và quản lý chuỗi cung ứng. Nghiên cứu này giới thiệu một mô hình nhận dạng trái cây sử dụng mô hình YOLOv11 trên nền tảng nhúng. Hệ thống được triển khai trên thiết bị Raspberry Pi 4 Model B, cho phép xử lý dữ liệu tại chỗ, góp phần giảm thiểu độ trễ và sự phụ thuộc vào kết nối Internet. Cơ sở dữ liệu bao gồm 2.500 ảnh thuộc năm loại trái cây: cam, dâu tây, nho, táo và xoài. Kết quả huấn luyện cho thấy độ chính xác cao, đạt giá trị mAP50 là 0,935 sau 50 epoch, cho thấy khả năng tối ưu hóa của mô hình. Trong quá trình kiểm thử, hệ thống đã chứng minh khả năng nhận dạng chính xác các loại trái cây. Những kết quả này khẳng định tiềm năng của công nghệ tính toán biên trong việc cải thiện hiệu quả sản xuất nông nghiệp.

Từ khóa

Tính toán biên, Nhận dạng trái cây, Raspberry Pi, Nông nghiệp thông minh, YOLOv11

Toàn văn:

PDF

Tài liệu tham khảo

[1] M. A. Shahin, E. W. Tollner, R. W. McClendon, and H. R. Arabnia, “Apple Classification Based on Surface Bruises Using Image Processing and Neural Networks,” Transactions of the ASAE, vol. 45, no. 5, pp. 1619-1627, 2002.

[2] M. R. Mia, M. J. Mia, A. Majumder, S. Supriya, and Md. T. Habib, “Computer Vision Based Local Fruit Recognition,” International Journal of Engineering and Advanced Technology, vol. 9, no. 1, pp. 2810-2820, 2019.

[3] S. U. Amin and M. S. Hossain, “Edge Intelligence and Internet of Things in Healthcare: A Survey,” IEEE Access, vol. 9, pp. 45-59, 2021.

[4] A. Koukounaras, “Advanced Greenhouse Horticulture: New Technologies and Cultivation Practices,” Horticulturae, vol. 7, no. 1, pp. 1-5, 2021.

[5] Y. Kalyani and R. Collier, “A Systematic Survey on the Role of Cloud, Fog, and Edge Computing Combination in Smart Agriculture,” Sensors, vol. 21, no. 17, pp. 1-27, 2021.

[6] D. Yang, J. Wu, and Y. He, “Optimizing the Agricultural Internet of Things (IoT) with Edge Computing and Low-Altitude Platform Stations,” Sensors, vol. 24, no. 21, pp. 1-11, 2024.

[7] P. Dhiman, A. Kaur, Y. Hamid, E. Alabdulkreem, H. Elmannai, and N. Ababneh, “Smart Disease Detection System for Citrus Fruits Using Deep Learning with Edge Computing,” Sustainability, vol. 15, no. 5, pp. 1-18, 2023.

[8] M. S. Hossain, G. Muhammad, and S. U. Amin, “Improving Consumer Satisfaction in Smart Cities Using Edge Computing and Caching: A Case Study Of Date Fruits Classification,” Future Generation Computer Systems, vol. 88, pp. 333-341, 2018.

[9] A. Kumar and D. Singh, “Detection of Security Attacks on Edge Computing of IoT Devices through NS2 Simulation,” Journal of Physics: Conference Series, vol. 2327, no. 1, pp. 1-9, 2022.

[10] R. P. Sishodia, R. L. Ray, and S. K. Singh, “Applications of Remote Sensing in Precision Agriculture: A Review,” Remote Sensing, vol. 12, no. 19, pp. 1-31, 2020.

[11] A. Balafoutis, B. Beck, S. Fountas, J. Vangeyte, T. V. der Wal, I. Soto, M. Gómez-Barbero, A. Barnes, and V. Eory, “Precision Agriculture Technologies Positively Contributing to GHG Emissions Mitigation, Farm Productivity and Economics,” Sustainability, vol. 9, no. 8, pp. 1-28, 2017.

[12] C.-W. Hsu, Y.-H. Huang, and N.-F. Huang, “Real-time Dragonfruit’s Ripeness Classification System with Edge Computing Based on Convolution Neural Network,” in Proc. 2022 International Conference on Information Networking (ICOIN), 2022, pp. 177-182.

[13] S. Raza, S. Wang, M. Ahmed, and M. R. Anwar, “A Survey on Vehicular Edge Computing: Architecture, Applications, Technical Issues, and Future Directions,” Wireless Communications and Mobile Computing, vol. 2019, pp. 1-19, 2019.

[14] ONNX, “Introduction to ONNX, Ultralytics,” 2024. [Online]. Available: https://onnx.ai/onnx/intro/. [Accessed Nov. 20, 2024].

[15] Raspberry Pi, “Raspberry Pi 4 Model B,” 2024. [Online]. Available: https://www.raspberrypi.com/ products/raspberry-pi-4-model-b/specifications/. [Accessed Dec. 22, 2024].

[16] Ultralytics, “Ultralytics YOLO11,” 2024. [Online]. Available: https://docs.ultralytics.com/ models/yolo11/. [Accessed Nov. 20, 2024].

[17] Roboflow, “Oranges Computer Vision Project,” 2024. [Online]. Available: https://universe.roboflow.com/fruits-classification-hboap/oranges-1ijib. [Accessed Nov. 20, 2024].

[18] Roboflow, “Strawbery Computer Vision Project,” 2024. [Online]. Available: https://universe.roboflow.com/daud-rizal-ghshq/strawbery23. [Accessed Nov. 20, 2024].

[19] Roboflow, “Fruits Computer Vision Project,” 2024. [Online]. Available: https://universe.roboflow.com/arab-academy-for-science-technology-maritime-transport-smart-village-campus-he7gz/fruits-n6t7m. [Accessed Nov. 20, 2024].

[20] Roboflow, “Apple Computer Vision Project,” 2024. [Online]. Available: https://universe.roboflow.com/tuyenmb/apple-f3ujh. [Accessed Nov. 20, 2024].

[21] Roboflow, “Mango Computer Vision Project,” 2024. [Online]. Available: https://universe.roboflow.com/tuyenmb/mango-cdxx4. [Accessed Nov. 20, 2024].

DOI: https://doi.org/10.34238/tnu-jst.11825

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ