HỆ THỐNG HỖ TRỢ CHẨN ĐOÁN BỆNH TRÊN LÁ LÚA VÀ GỢI Ý PHÁC ĐỒ ĐIỀU TRỊ NÔNG NGHIỆP

Abstract

Lúa gạo đóng vai trò chiến lược trong an ninh lương thực và xuất khẩu của Việt Nam, nhưng sự bùng phát của các loại dịch bệnh nguy hiểm như bạc lá, đốm nâu, đạo ôn và bọ gai đang gây ra những thách thức nghiêm trọng về năng suất. Quy trình bảo vệ thực vật truyền thống hiện nay vẫn phụ thuộc lớn vào kinh nghiệm cảm quan, dễ dẫn đến chẩn đoán sai và lãng phí thuốc bảo vệ thực vật. Đề tài thực hiện xây dựng hệ thống thái nông nghiệp thông minh khép kín, tích hợp trí tuệ nhân tạo để chẩn đoán bệnh và gợi ý phác đồ điều trị. Về mặt kỹ thuật, hệ thống được thiết kế theo kiến trúc Client-Server hiện đại. Giao diện Frontend phát triển bằng React.js và TypeScript, Backend xử lý nghiệp vụ bằng Java Spring Boot, và dịch vụ suy luận AI được xây dựng độc lập bằng Python với FastAPI. Dữ liệu giao dịch được lưu trữ an toàn trong PostgreSQL kết hợp lưu trữ hình ảnh trên Cloudinary CDN. Quy trình tiền xử lý dữ liệu được thực hiện nghiêm ngặt bao gồm lọc ảnh mờ bằng Laplacian Variance và loại bỏ trùng lặp bằng mã băm MD5. Đóng góp khoa học cốt lõi của đề tài nằm ở việc nghiên cứu và cải tiến các giải pháp học sâu nhằm tối ưu hóa hiệu năng thực tế. Thứ nhất, mô hình lai ViTCon cải tiến đạt chỉ số F1-Score xuất sắc 97% trên tập dữ liệu kiểm thử độc lập. Đề tài đã đề xuất và tích hợp thành công mô-đun chú ý CBAM, lớp Global Average Pooling thay thế cho lớp Flatten truyền thống nhằm giảm bớt tham số dư thừa, chiến lược Fine-Tuning cục bộ có chọn lọc, cùng tầng Spatial Attention độc lập trước khi hợp nhất đặc trưng nhằm triệt tiêu hoàn toàn nhiễu ngoại cảnh ruộng lúa. Thứ hai, để phục vụ triển khai trên thiết bị di động biên, đề tài đề xuất khung giải pháp tối ưu hóa MobilePlantViT + GSKO-SA + CatBoost đạt chỉ số F1-Score ấn tượng 93% nhưng dung lượng cực kỳ tinh gọn xấp xỉ 66 MB với chỉ 0.69 triệu tham số. Pipeline này trích xuất vector đặc trưng 128 chiều từ backbone MobilePlantViT, chắt lọc đặc trưng thông qua thuật toán tối ưu bầy đàn GSKO-SA, và phân loại bằng CatBoost với cấu hình tối ưu giúp cải thiện tới 13% năng lực phân biệt cặp lớp khó là RiceHispa và Healthy. Bên cạnh đó, hệ thống tích hợp hiệu quả cơ chế lọc ảnh rác ngoài phân phối dựa trên sự đồng thuận của cụm 5 mô hình AI và các thuật toán nghiệp vụ thông minh chạy ngầm tại Backend như thuật toán dời lịch kỵ thuốc và tối ưu hóa ngân sách đa mục tiêu. Từ khóa: Chẩn đoán bệnh lúa, Trí tuệ nhân tạo, ViTCon, Phác đồ điều trị, Nông nghiệp thông minh, GKSO-SA. Rice plays a strategic role in Vietnam’s food security and exports; however, outbreaks of serious diseases such as bacterial leaf blight, brown spot, blast, and rice hispa pose significant challenges to crop productivity. Current conventional crop protection practices remain highly dependent on visual experience and manual diagnosis, which can lead to misdiagnosis and unnecessary use of pesticides. This study develops a closed-loop smart agricultural ecosystem that integrates artificial intelligence to diagnose rice diseases and recommend appropriate treatment regimens. From a technical perspective, the system is designed using a modern Client–Server architecture. The frontend interface is developed with React.js and TypeScript, while the backend business logic is implemented using Java Spring Boot, and the AI inference service is independently developed in Python with FastAPI. Transactional data are securely stored in PostgreSQL, while images are stored using the Cloudinary CDN. Data preprocessing is performed rigorously, including the filtering of blurry images using Laplacian Variance and the removal of duplicate images using MD5 hashing. The core scientific contribution of this study lies in investigating and improving deep learning solutions to optimize practical performance. First, the improved ViTCon hybrid model achieves an outstanding F1-score of 97% on an independent test set. The study successfully proposes and integrates a CBAM attention module, a Global Average Pooling layer to replace the traditional Flatten layer and reduce redundant parameters, a selective local fine-tuning strategy, and an independent Spatial Attention layer before feature fusion to suppress background noise from rice fields. Second, to facilitate deployment on edge mobile devices, the study proposes an optimized MobilePlantViT + GKSO-SA + CatBoost framework, achieving an F1-score of 93% while maintaining an extremely compact size of approximately 66 MB with only 0.69 million parameters. This pipeline extracts 128- dimensional feature vectors from the MobilePlantViT backbone, selects informative features using the GKSO-SA swarm optimization algorithm, and performs classification using an optimized CatBoost configuration, improving the discrimination capability for the challenging RiceHispa and HealthyRiceLeaf class pair by up to 13%. In addition, the system effectively integrates an out-of-distribution image filtering mechanism based on the consensus of five AI models, together with intelligent backend business algorithms, including a pesticide incompatibility-aware rescheduling algorithm and multi-objective budget optimization. Keywords: Rice disease diagnosis, Artificial Intelligence, ViTCon, Treatment regimen, Smart agriculture, GKSO-SA.