ỨNG DỤNG HỌC SÂU ĐỂ PHÁT HIỆN BỆNH CÂY TRỒNG

Abstract

Bối cảnh: Quá trình sử dụng học sâu để phát hiện bệnh cây trồng là một phương pháp tiên tiến để tự động nhận diện các bệnh lý trên cây chỉ dựa vào hình ảnh. Tuy nhiên, những phương pháp như vậy đối mặt với nhiều thách thức khi triển khai chúng trong môi trường nông nghiệp thực tế. Mục tiêu: Mục tiêu của tôi là nghiên cứu và phát triển một ứng dụng (học sâu) để phát hiện bệnh cây trồng, với khả năng giải quyết những thách thức phổ biến như sự đa dạng môi trường, biến đổi ánh sáng và các góc chụp khác nhau. Phương pháp: Trong nghiên cứu này, chúng tôi nhằm giải quyết những thách thức này trong khi vẫn giữ lại những ưu điểm của phương pháp học sâu, sử dụng một phương pháp máy học phức tạp, đặc biệt là sử dụng Mạng Nơ-ron Tích chập (CNN) trong việc phát hiện bệnh cây trồng. CNN có khả năng tự động học các biểu diễn phân cấp của các đặc trưng từ hình ảnh, làm cho chúng phù hợp cho các nhiệm vụ dựa trên hình ảnh như phân loại bệnh lý cây trồng. Mô hình được tối ưu hóa để xử lý hình ảnh từ nhiều nguồn và điều kiện môi trường đa dạng. Ngoài ra, các kỹ thuật làm giàu dữ liệu được áp dụng để tăng cường khả năng tự đào tạo của mô hình. Kết quả: Kết quả đánh giá chỉ ra rằng mô hình của tôi, dựa trên CNN, không chỉ đạt được độ chính xác cao trong việc phát hiện các dấu hiệu của bệnh lý cây trồng mà còn cho thấy hiệu suất mạnh mẽ trong các điều kiện môi trường khác nhau. Khả năng của mô hình học các mẫu phức tạp trong hình ảnh cây đóng góp vào tính hiệu quả của nó trong việc nhận diện bệnh lý. Kết luận: Dựa trên kết quả, phương pháp học sâu của chúng tôi, sử dụng mô hình CNN, hứa hẹn là một công cụ hiệu quả để phát hiện bệnh cây trồng trong môi trường nông nghiệp thực tế. Việc sử dụng CNN cải thiện khả năng của mô hình trong việc tự động trích xuất các đặc trưng quan trọng từ hình ảnh lá cây, góp phần vào sự tiến bộ trong việc áp dụng học sâu để quản lý sức khỏe của cây trồng.