ĐẾM VÀ NHẬN DIỆN CÔN TRÙNG TRÊN ẢNH BẰNG YOLO

Abstract

Hiện nay, công nghệ số và tự động hóa được ứng dụng rộng rãi trong nền nông nghiệp nhằm để đánh giá các kết quả thực nghiệm trên đồng ruộng. Việc phát hiện sớm sâu bệnh trên các loài cây trồng đóng vai trò quan trọng và then chốt, vì nó ảnh hưởng trực tiếp đến nền kinh tế nông nghiệp và liên quan đến nguồn lương thực thực phẩm của con người. Tuy nhiên, việc phát hiện sâu bệnh sớm vẫn là một thách thức đối với bà con nông dân, do sâu bệnh thường có kích thước khá nhỏ và màu sắc dễ lẫn với lá, hoa màu mà chúng gây hại. Bên cạnh đó, các loài sâu bệnh gây hại này thường ẩn nấp và di chuyển nhanh trong môi trường tự nhiên cho nên việc phát hiện nó thường diễn ra muộn, gây hậu quả nghiêm trọng. Trong nghiên cứu này, đã tiến hành thực nghiệm dữ liệu côn trùng trên mô hình YOLOv11, nhằm để đếm và phát hiện các loài sâu bệnh trong nông nghiệp. Để có cái nhìn tổng quan hơn, trong nghiên cứu này tiến hành đánh giá và so sánh kết quả thực nghiệm với các phương pháp tiền xử lý dữ liệu khác nhau, với các phiên bản của mô hình đề xuất như YOLOv5, YOLOv6, YOLOv7, YOLOv8, YOLOv9, YOLOv10. Ngoài ra, để đánh giá một cách khác quan và thuyết phục hơn nữa, nghiên cứu này đã tiến hành so sánh kết quả thực nghiệm với các bài báo đã được công bố trước đó trên cùng một tập dữ liệu và cách chia dữ liệu của họ. Để cải thiện được hiệu suất của mô hình, nghiên cứu cũng đã tiến hành thực nghiệm với nhiều bộ tham số khác nhau để tìm ra được bộ tham số phù hợp với dữ liệu của mô hình, bộ tham số bao gồm Epochs, Optimizer, Batch, Imgsz, Lr0, Lrf, Momentum, Weight_decay. Kết quả cho thấy YOLOv11 đạt kết quả cao, cụ thể Precision 87,7%, Recall 69,1%, mAP50 76,3%, mAP50-95 48,8% trên tập dữ liệu huấn luyện. Dựa trên các kết quả thực nghiệm trong nghiên cứu này, có thể thấy được YOLOv11 là một trong những phương pháp vượt trội trong việc phát hiện các đối tượng, đặc biệt là các loài côn trùng, đã mở ra một hương đi mới cho nghiên cứu trong lĩnh vực nông nghiệp này