NHẬN DẠNG BỆNH TRÊN LÁ ỔI VỚI CÁC GIẢI THUẬT HỌC SÂU

Abstract

Trong thời đại bùng nổ của trí tuệ nhân tạo (AI), nhiều mô hình học sâu không ngừng được cải tiến, mang lại những đột phá vượt bậc, thay đổi cách chúng ta tiếp cận công nghệ. Và trong thực tế nhiều ứng dụng đã được triển khai, ví dụ như nhận dạng khuôn mặt, mở khóa bằng giọng nói và tìm kiếm hàng hóa bằng hình ảnh. Và trong những các ứng được nêu trên thường là được sử dụng các mô hình mạng nơron tích chập (Convolutional Neural Networks - CNN). Các mô hình mạng nơ-ron tích chập có khả năng tự học đặc trưng, mà không cần thiết kế thủ công các đặc trưng như các phương pháp truyền thống. Không những vậy, các mô hình CNN còn linh hoạt và dễ tùy chỉnh. Mô hình phù hợp với các tập dữ liệu hình ảnh. Chính nhờ sự tiện lợi và hiệu quả vượt trội của các mô hình CNN như đã nêu, cho nên trong phạm vi đề tài “Nhận dạng bệnh trên lá ổi với các giải thuật học sâu” chúng tôi áp dụng các mô hình CNN để có thể nhận dạng 5 loại bệnh trên lá ổi như: bệnh gỉ sắt, bệnh phấn trắng, bệnh đốm lá, bệnh cháy lá và tổn thương do côn trùng gây hại. Bên cạnh đó, chúng tôi cũng bổ sung một nhãn lá khỏe nhằm giúp mô hình có thể phân biệt giữa trạng thái bình thường và các trạng thái bệnh. Tổng cộng, chúng tôi đã thu thập được 3.017 tệp ảnh, chia thành 1932 tệp cho tập huấn luyện, 603 tệp cho tập kiểm tra và 482 tệp ảnh cho tập đánh giá. Tập huấn luyện được tăng cường lên 3 lần bằng kỹ thuật tăng cường khác nhau, đưa tổng số lượng tệp ảnh tập huấn luyện lên 5.796 tệp ảnh. Sau khi huấn luyện các mô hình CNN, chúng tôi nhận được mô hình EfficentNetB3 đạt hiệu suất 98.67% cao nhất trong các mô hình đã huấn luyện,cho nên chúng tôi thực hiện lưu lại để thử nghiệm trong ứng dụng. Cuối cùng, chúng tôi xây dựng ứng dụng cho phép nhận ảnh đầu vào với ảnh là các loại bệnh hoặc lá khỏe trên lá ổi. Sau đó, mô hình đưa ra dự đoán dựa trên các tập huấn luyện đã được học.