ỨNG DỤNG TRÍ TUỆ NHÂN TẠO ĐỂ ĐẾM TRÁI TRÊN CÂY VÀ DỰ ĐOÁN SẢN LƯỢNG THU HOẠCH

Abstract

Sản lượng trái của cây trồng là một chìa khoá quan trọng trong ngành nông nghiệp hiện đại. Không chỉ mang lại giá trị kinh tế cho nông dân mà còn đáp ứng nhu cầu quan trọng trong việc đáp ứng lương thực toàn cầu. Tuy nhiên, việc dự đoán và lập kế hoạch chăm sóc, thu hoạch chúng đang đối mặt với nhiều thách thức, đặc biệt trong bối cảnh biến đổi khí hậu và áp lực gia tăng từ dân số như hiện nay. Báo cáo này giới thiệu một hệ thống đếm trái cây và dự đoán năng suất tự động và nhanh chóng. Thực nghiệm sử dụng bộ dữ liệu “FruitNeRF”, bao gồm hình ảnh từ sáu loại cây ăn trái: táo, lê, mận, chanh, đào và xoài. Ở thực nghiệm, tôi sử dụng Kaggle như một môi trường và mô hình YOLOv8 của Ultralytics thay cho thuật toán phát hiện vật thể. Để nhằm tăng tính đa dạng cho dữ liệu, tôi cũng áp dụng thêm một số kỹ thuật agumented bằng thư viện Albumentations như lật, xoay và cắt ngẫu nhiên. Để huấn luyện mô hình tương tự nhằm mục đích dự đoán khối lượng của trái, tôi xây dựng thêm một phần mã để tiến hành tính toán và giả định khối lượng trái cây trong bộ dữ liệu làm dữ liệu mẫu để huấn luyện. Sau khi có được dữ liệu mẫu và bộ dữ liệu, tôi tiến hành thiết kế thêm mã để huấn luyện một mô hình có thể dự đoán khối lượng trái cây được phát hiện trong ảnh của riêng mình. Thuật toán được sử dụng là hồi quy regression để dự đoán đầu ra, cụ thể là tổng khối lượng của trái cây dựa trên dữ liệu đầu vào. Sau khi có hai mô hình dự phát hiện trái cây và dự đoán khối lượng, tôi tiến hành xây dựng thêm mã để sử dụng chúng. Song song đó, tôi sử dụng thêm một trang web đơn giản cho phép người dùng upload ảnh cần dự đoán lên và sẽ sử dụng hai mô hình của tôi để cho ra một kết quả cuối cùng. Số lượng trái cây trong hình ảnh được tải lên và tổng khối lượng của chúng sẽ được viết đè lên ảnh gốc và trả về cho người dùng. Dù gặp phải những thách thức về độ chính xác và chất lượng dữ liệu cũng như áp lực giới hạn về tài nguyên huấn luyện nhưng nghiên cứu đạt mAP 85% với mô hình dự đoán khi kết hợp với YOLOv8 để phát hiện vật thể. Thực nghiệm cho thấy khả năng chấp nhận được trong việc nhận diện và đếm cũng như dự đoán sản lượng trên các loại cây ăn trái trong bộ dữ liệu.