Luận án Tiến sĩ Kỹ thuật điều khiển và tự động hóa: Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:158

Thêm vào BST

Báo xấu

18
lượt xem 11
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Mục tiêu nghiên cứu của Luận án Tiến sĩ "Kỹ thuật điều khiển và tự động hóa: Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày" là xây dựng được hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận án Tiến sĩ Kỹ thuật điều khiển và tự động hóa: Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC BÁCH KHOA HÀ NỘI NGÔ QUANG ƯỚC ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI CÂY TRỒNG NGẮN NGÀY LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA Hà Nội -2023 1
BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC BÁCH KHOA HÀ NỘI NGÔ QUANG ƯỚC ỨNG DỤNG TRÍ TUỆ NHÂN TẠO TRONG HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI CÂY TRỒNG NGẮN NGÀY Ngành: Kỹ thuật điều khiển và tự động hóa Mã số: 9520216 LUẬN ÁN TIẾN SĨ KỸ THUẬT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HÓA NGƯỜI HƯỚNG DẪN KHOA HỌC: 1. PGS. TS. Bùi Đăng Thảnh 2. TS. Ngô Trí Dương Hà Nội -2023 2
LỜI CAM ĐOAN Tôi xin cam đoan rằng, các kết quả nghiên cứu trong luận án này là công trình nghiên cứu của bản thân tôi dưới sự hướng dẫn của hai người hướng dẫn khoa học. Các nghiên cứu của luận án là trung thực và chưa từng được các tác giả khác công bố. Hà Nội, ngày 14 tháng 6 năm 2023 Người hướng dẫn Khoa học Tác giả luận án PGS. TS. Bùi Đăng Thảnh TS. Ngô Trí Dương Ngô Quang Ước i
LỜI CẢM ƠN Để luận án này được hoàn thành, ngoài nỗ lực học tập và nghiên cứu của bản thân, tôi còn được sự quan tâm, giúp đỡ và động viên của nhiều tổ chức và cá nhân, nhân đây tôi xin bày tỏ lòng cảm ơn: Tôi xin chân thành cảm ơn Đại học Bách khoa Hà Nội đã đồng ý cho tôi thực hiện luận án này. Cảm ơn các thầy cô ở Phòng đào tạo, Viện Kỹ thuật điều khiển và Tự động hóa, Trường Điện - Điện tử đã luôn hỗ trợ và tạo mọi điều kiện thuận lợi cho tôi trong suốt quá trình tôi tham gia khóa học này. Tôi xin trân trọng gửi lời cảm ơn sâu sắc đến hai người thầy giáo hướng dẫn khoa học của tôi là thầy PGS.TS Bùi Đăng Thảnh và thầy TS. Ngô Trí Dương đã luôn quan tâm, động viên và hướng dẫn chi tiết về mặt chuyên môn trong suốt quá trình tôi thực hiện luận án này. Đồng thời cũng gửi lời cảm ơn chân thành đến thầy PGS.TS Nguyễn Quang Địch, Viện trưởng Viện Kỹ thuật điều khiển và Tự động hóa, Thầy đã động viên và có những góp ý sâu sắc cho định hướng nghiên cứu của tôi. Tôi xin chân thành cảm ơn các thầy cô trong Ban Giám đốc, Ban Khoa học công nghệ, Ban Tổ chức cán bộ, Khoa Cơ Điện, Bộ môn Hệ thống điện - Học viện Nông nghiệp Việt Nam đã tạo mọi điều kiện tốt nhất cho tôi được tham gia và hoàn thành chương trình đào tạo này. Tôi xin chân thành cảm ơn thầy TS. Nguyễn Đức Huy - Giám đốc Bệnh viện Cây trồng, thầy TS. Vũ Thanh Hải, cô ThS. Đặng Thị Hường - Khoa Nông học, Anh ThS. Nguyễn Trọng Tú, Anh ThS. Nguyễn Thanh Tùng - Viện Nghiên cứu và Phát triển cây trồng - Học viện Nông nghiệp Việt Nam đã giúp đỡ nhiệt tình trong việc cung cấp quy trình sản xuất cây trồng, phương pháp thu thập bộ dữ liệu về quá sinh trưởng, xác định và lây nhiễm bệnh trên cây trồng, cũng như hỗ trợ trong quá trình thực nghiệm. Tôi xin bày tỏ lòng biết ơn sâu sắc đến các thầy cô phản biện, các thầy cô trong hội đồng chấm luận án, các thầy trong Viện Kỹ thuật điều khiển và Tự động hóa đã đọc duyệt và góp các ý kiến quý báu để tôi có thể hoàn thiện luận án này. Cuối cùng, Tôi xin gửi lời cảm ơn đặc biệt tới gia đình, nhất là Vợ tôi đã luôn ở bên động viên, giúp đỡ về mặt gia đình và tinh thần trong suốt quá trình tôi thực hiện luận án này. Nghiên cứu sinh ii
MỤC LỤC DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT ............................................... vi DANH MỤC CÁC BẢNG BIỂU.............................................................................. ix DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .................................................................... x MỞ ĐẦU .................................................................................................................... 1 1. Tính cấp thiết của luận án .............................................................................. 1 2. Mục tiêu nghiên cứu ...................................................................................... 2 3. Đối tượng và phạm vi nghiên cứu ................................................................. 3 4. Phương pháp nghiên cứu ............................................................................... 3 5. Ý nghĩa khoa học và thực tiễn của luận án .................................................... 3 6. Đóng góp mới của đề tài nghiên cứu: ............................................................ 4 7. Cấu trúc của luận án: ..................................................................................... 4 CHƯƠNG 1. TỔNG QUAN VỀ HỆ THỐNG ĐIỀU KHIỂN GIÁM SÁT QUÁ TRÌNH SINH TRƯỞNG VÀ BỆNH HẠI CÂY TRỒNG NGẮN NGÀY .............. 6 1.1 Vai trò của điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày ............................................................................................................... 6 1.2 Ý nghĩa của chiều cao, số lá và diện tích lá đối với quá trình sinh trưởng của cây trồng ................................................................................................................. 9 1.3 Tình hình nghiên cứu hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày............................................................................... 10 1.4 Tình hình nghiên cứu về xác định chiều cao, số lá và diện tích lá cây trồng ngắn ngày ............................................................................................................. 15 1.5 Tình hình nghiên cứu phương pháp phát hiện bệnh trên cây trồng ngắn ngày .............................................................................................................................. 20 1.6 Định hướng nghiên cứu của luận án ............................................................. 26 1.6.1 Hướng nghiên cứu của luận án ............................................................... 26 1.6.2 Dự kiến các đóng góp mới của luận án................................................... 27 KẾT LUẬN CHƯƠNG 1: ................................................................................... 27 CHƯƠNG 2. NGHIÊN CỨU XÁC ĐỊNH CHIỀU CAO, SỐ LÁ VÀ DIỆN TÍCH LÁ CÂY TRỒNG..................................................................................................... 28 2.1 Phương pháp xác định chiều cao, số lá và diện tích lá .................................. 28 2.2 Đề xuất phương pháp phân vùng lá cây trồng ............................................... 29 2.2.1 Phương pháp tính khoảng cách Mahalanobis ........................................ 30 2.2.2 Xác định ngưỡng tối ưu ......................................................................... 31 iii
2.2.3 Đề xuất thuật toán khoảng cách Mahalanobis sửa đổi (MMD) để phân vùng lá cây trồng .............................................................................................. 33 2.2.4 Phương pháp đánh giá chất lượng thuật toán nghiên cứu....................... 34 2.2.5 Đánh giá thuật toán đề xuất (MMD) ....................................................... 35 2.3 Xác định chiều cao, số lá và diện tích lá thực nghiệm với cây dưa chuột ..... 37 KẾT LUẬN CHƯƠNG 2: ................................................................................... 40 CHƯƠNG 3. ỨNG DỤNG TRÍ TUỆ NHÂN TẠO PHÁT HIỆN BỆNH TRÊN CÂY TRỒNG NGẮN NGÀY ........................................................................................... 41 3.1 Cơ sở lý thuyết về trí tuệ nhân tạo cho việc phân loại và phát hiện bệnh cây trồng thông qua hình ảnh...................................................................................... 41 3.1.1 Khái quát về mạng nơron tích chập (CNN) ............................................ 41 3.1.2 Mô hình CNN phân loại ảnh ................................................................... 46 3.1.3 Mô hình CNN phát hiện đối tượng trong ảnh ......................................... 50 3.2. Phân loại và phát hiện bệnh hại trên cây trồng bằng mô hình CNN ............. 57 3.2.1 Đề xuất kết hợp mô hình phân loại bệnh hại trên cây trồng ................... 57 3.2.2 Đề xuất cải tiến mô hình phát hiện bệnh hại trên cây trồng ................... 59 3.3 Phân loại và phát hiện bệnh trên cây dưa chuột ............................................. 65 3.3.1 Ảnh hưởng của bệnh đến quá trình sản xuất dưa chuột .......................... 65 3.3.2 Xây dựng bộ cơ sở dữ liệu bệnh trên cây dưa chuột .............................. 68 3.3.3 Phân loại bệnh phấn trắng và bệnh sương mai ....................................... 75 3.3.4 Phát hiện lá bị bệnh phấn trắng và bệnh sương mai ............................... 82 KẾT LUẬN CHƯƠNG 3: ................................................................................... 93 CHƯƠNG 4. THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ .................................. 94 4.1 Xây dựng và thiết lập mô hình nhà lưới thử nghiệm ..................................... 94 4.2 Thiết kế hệ thống điều khiển giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột .............................................................................. 96 4.2.1 Hệ thống phần cứng ................................................................................ 97 4.2.2 Thuật toán điều khiển hệ thống............................................................... 98 4.3 Thực nghiệm và đánh giá thuật toán xác định chiều cao, số lá và diện tích lá cây dưa chuột ..................................................................................................... 100 4.3.1 Bố trí mô hình thực nghiệm .................................................................. 100 4.3.2 Kết quả và đánh giá thuật toán đề xuất ................................................. 101 4.4 Thực nghiệm và đánh giá hệ thống điều khiển giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột ............................................. 109 4.4.1 Bố trí thực nghiệm ................................................................................ 109 4.4.2 Diễn biến đặc điểm của cây dưa chuột bị nhiễm bệnh ......................... 110 iv
4.4.3 Kết quả đánh giá hệ thống điều khiển giám sát và cảnh báo bệnh ....... 112 KẾT LUẬN CHƯƠNG 4: ................................................................................. 117 KẾT LUẬN VÀ KIẾN NGHỊ ................................................................................ 118 DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN ................. 120 TÀI LIỆU THAM KHẢO ...................................................................................... 121 PHỤ LỤC ................................................................................................................... 1 v
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT CÁC KÝ HIỆU Ký hiệu Ý nghĩa Acc Độ chính xác của mô hình AP Độ chính xác trung bình B Số hộp giới hạn trong một lưới b Bias Bh, By Ma trận bias của các lớp ẩn và lớp đầu ra C Hiệp phương sai c Khoảng cách đường chéo nhỏ nhất của hộp có thể chứa hộp giới hạn dự đoán và hộp giới hạn thực. j Ci và Cîj Điểm tin cậy của hộp dự đoán và điểm tin cậy của hộp thực d Khoảng cách Mahalanobis của mỗi pixel ER Đại lượng Error Rate ELA Sai số tương đối của diện tích lá ước tính EN Sai số tương đối của số lá ước tính EL Sai số tương đối của chiều cao cây ước tính f(.) Hàm kích hoạt F1-score The harmonic mean of the precision and recall feature_surfaceout Bề mặt đặc trưng đầu ra FN (Fault - Tổng số ảnh của lớp đang xét bị phân loại vào lớp khác. Negative) - Các điểm ảnh của vùng lá bị phân loại nhầm thành điểm ảnh không phải lá FNR Đại lượng False Negative Rate FP (Fault - Tổng số ảnh phân loại sai vào lớp đang xét Positive) - Các điểm ảnh ở các vùng không phải lá bị phân loại nhầm thành các điểm ảnh lá. FPR Đại lượng False Positive Rate H Vector giá trị đầu ra của đơn vị ẩn IoU Intersection over union giữa các hộp giới hạn dự đoán và hộp giới hạn thực IT Ma trận các giá trị pixel ảnh nhị phân của ảnh màu k Kích thước tích chập KN Khả năng thuật toán phát hiện ra bệnh trong thực nghiệm L Số mức xám trong ảnh kích thước NxN 𝐿𝐴 𝑒 Diện tích vùng lá ước tính bằng thuật toán 𝐿𝐴 𝑚 Diện tích vùng lá tính toán thủ công Le Chiều cao cây dưa chuột ước tính bằng thuật toán 𝐿𝑚 Chiều cao cây dưa chuột đo thu công lws và lls Chiều rộng và chiều dài của lá thứ s mAP Giá trị trung bình của độ chính xác trung bình Ne Số lượng lá trung bình trên cây được ước tính bằng thuật toán vi
Nm Số lượng lá trung bình trên cây được đo thủ công 𝑛𝑢 Số lần xuất hiện của các mức xám u O Kích thước bề mặt đặc trưng đầu p Khoảng đệm (padding) Pcl Số pixel trong vùng hiệu chuẩn j j Pi (c) và ̂i (c) P Là xác suất dự đoán và xác suất thực mà đối tượng thuộc phân loại c trong hộp giới hạn thứ j của lưới thứ i 𝑃𝑙 Số pixel trong vùng lá cây được xem xét R2 Hệ số tương quan Rvalue , Bvalue , và Giá trị của thành phần các màu đỏ (Red), xanh lam (Blue) và Gvalue xanh lục (Green) trong ảnh màu s Bước trượt (strides) S2 Số ô lưới trong ảnh đầu vào Tb Tổng số ảnh bị bệnh mà hệ thống giám sát chụp được TN (True - Tổng số ảnh của lớp khác được phân loại đúng. Negative) - Các điểm ảnh trong vùng không phải lá được phân loại chính xác thành các điểm ảnh không phải lá. TP (True - Tổng số ảnh của lớp đang xét được phân loại đúng Positive) - Các điểm ảnh của vùng lá được phân loại chính xác thành các điểm ảnh của lá. Tph Tổng số ảnh bị bệnh mà thuật toán phát hiện được w và h chiều rộng và chiều cao của hộp giới hạn dự đoán w và hgt gt Chiều rộng và chiều cao hộp giới hạn thực Wh , Wy Ma trận trọng số giữa các lớp ẩn và lớp đầu ra wi Trọng số tín hiệu vào thứ i Wij obj Một chức năng của đối tượng x Giá trị màu của một pixel trong ảnh màu X Ma trận giá trị đầu vào xi Tín hiệu vào thứ i Y Vector giá trị đầu ra của đơn vị đầu ra y*m Giá trị thực của đầu ra của mạng ym Tín hiệu ra của các nơron thứ m λnoobj Một tham số trọng số 𝜃0 Giá trị ngưỡng được xác định trước ∗ 𝜃0 Giá trị ngưỡng tối ưu 1 ,  2 Giá trị tham số điều khiển của Rvalue và Bvalue 𝜇 Giá trị trung bình của màu tại mỗi pixel ρ b, b gt ) 2( Khoảng cách Euclidean giữa các điểm chính của hộp giới hạn dự đoán và hộp giới hạn thực 𝜎𝑖 Độ lệch chuẩn của vùng ảnh i vii
CÁC CHỮ VIẾT TẮT Ký hiệu Ý nghĩa tiếng anh Ý nghĩa tiếng việt 2D 2-Dimensional Không gian 2 chiều 3D 3-Dimensional Không gian 3 chiều ANN Artificial Neural Network Mạng nơron nhân tạo CNN Convolutional Neural Network Mạng nơron tích chập C-V Chan – Vese DL Deep learning Mạng học sâu FC Fully Connected Layer Lớp kết nối đầy đủ IoT Internet of Things Internet vạn vật LA Leaf Area Diện tích lá LR Learning rate Tốc độ học AI Artificial Intelligence Trí tuệ nhân tạo CO2 Carbon dioxide Khí các-bô-níc Độ dẫn điện trong dung dịch, EC Electrical Conductivity đất Fast Region-based Fast R-CNN Convolutional Network Faster R- Faster Regions Convolutional CNN Neural Network Số khung hình hiển thị trên FPS Frames-Per-Second mỗi giây GDP Gross Domestic Product Tổng sản phẩm quốc nội Chiều cao H, chiều rộng W, HxWxC Height x Width x Chanels Số lượng kênh C MLP Multi-Layer Perceptron Mạng nơron nhiều lớp Modified Mahalanobis Thuật toán khoảng cách MMD Distance based method Mahalanobis sửa đổi PC Personal Computer Máy tính cá nhân pH Độ pH của dung dịch Programmable Intelligent Một họ vi điều khiển RISC PIC Computer Programmable Logic PLC Controller Region-based Convolutional RCNN Neural Networks ResNet Residual Neural Network RGB Red Green Blue Đỏ, Xanh Lam, Xanh Lục ROI Region of Interests Vùng quan tâm SSD Single Shot Detector SVM Support Vector Machine YOLO You Only Look One viii
DANH MỤC CÁC BẢNG BIỂU Bảng 1.1 Tổng hợp các kết quả của các công trình nghiên cứu về phân loại và phân vùng bệnh trên cây dưa chuột ................................................................................... 24 Bảng 2.1 Kết quả loại bỏ nền trên cây Ớt Habanero .............................................. 35 Bảng 2.2 Kết quả loại bỏ nền với cây Dâu tây ........................................................ 35 Bảng 2.3 Kết quả loại bỏ nền với cây Cải Kale ....................................................... 36 Bảng 3.1 Biểu diễn một số hàm kích hoạt thường dùng (nguồn [154]) .................. 42 Bảng 3.2 Các kiến trúc của mô hình VGG (nguồn [163]) ....................................... 48 Bảng 3.3 Các kiến trúc của mô hình ResNet (nguồn [164]) .................................... 50 Bảng 3.4 So sánh các mô hình phát hiện đối tượng (nguồn [169]) ......................... 51 Bảng 3.5 Chi tiết cấu trúc các lớp trong mô hình YOLOv4-tiny với kích thước ảnh đầu vào là 416 x 416 x 3 .......................................................................................... 53 Bảng 3.6 Chi tiết các lớp trong mô hình YOLOv4-tiny-caitien với kích thước ảnh đầu vào là 384x 384x3 cho 3 lớp đối tượng .................................................................... 62 Bảng 3.7 Kiến trúc phần cứng huấn luyện và kiểm tra của các mô hình................. 76 Bảng 3.8 Kết quả các thông số Precision, Recall, F1-score và Acc của các mô hình với bộ dữ liệu Kiểm tra ............................................................................................. 78 Bảng 3.9 Kết quả các thông số Precision, Recall, F1-score và Acc của mô hình đề xuất với bộ dữ liệu Kiểm tra ..................................................................................... 80 Bảng 3.10 Các tham số huấn luyện và xác thực của 2 mô hình .............................. 83 Bảng 3.11 Kết quả xác định giá trị LR phù hợp ...................................................... 84 Bảng 3.12 Kết quả huấn luyện mô hình YOLOv4-tiny-caitien và YOLOV4-tiny với các kích thước ảnh đầu vào khác nhau ..................................................................... 84 Bảng 3.13 Kết quả so sánh với một số mô hình khác .............................................. 87 Bảng 3.14 Kết quả hiệu suất của YOLOv4-tiny và YOLOv4-tiny-caitien với phương pháp k -fold Cross-Validation (k=4) ........................................................................ 88 Bảng 3.15 Kết quả phát hiện ảnh bệnh với thuật toán YOLOv4-tiny-caitien ......... 89 Bảng 3.16 Kết quả phát hiện ảnh bệnh với thuật toán YOLOv4-tiny gốc.............. 89 Bảng 3.17 Kết quả huấn luyện mô hình YOLOv4-tiny và YOLOv4-tiny-caitien với các bộ dữ liệu bệnh trên cây Dâu tây và cây Cà chua. ............................................. 93 Bảng 4.1 Dữ liệu đo được bằng phương pháp thủ công về diện tích lá, số lá và chiều cao của cây dưa chuột theo ngày ............................................................................ 102 Bảng 4.2 Kết quả so sánh của các phương pháp phân vùng lá .............................. 105 Bảng 4.3 Kết quả ước lượng số lượng lá trên cây dưa chuột theo ngày trồng ...... 107 Bảng 4.4 Kết quả ước lượng diện tích lá LA theo ngày trồng .............................. 108 Bảng 4.5 Kết quả hoạt động của hệ thống điều khiển giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột ............................................................ 113 Bảng 4.6 Đánh giá khả năng đáp ứng trong thực nghiệm của 2 mô hình YOLOv4- tiny và YOLOv4-tiny-caitien ................................................................................. 116 ix
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1 Các yếu tố ảnh hưởng đến quá trình sinh trưởng của cây trồng ................. 7 Hình 1.2 Sơ đồ hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng .......................................................................................................................... 11 Hình 1.3 Hệ thống giám sát và điều tiết nhiệt độ, ánh sáng, độ ẩm đất và độ ẩm không khí trong nhà lưới (nguồn [49]) ..................................................................... 11 Hình 1.4 Tổng quan mô hình giám sát và điều khiển môi trường nhà lưới bằng các cảm biến (nguồn [57]) .............................................................................................. 12 Hình 1.5 Sơ đồ cấu trúc của các nhóm nghiên cứu sử dụng các thuật toán AI khác nhau điều khiển giám sát quá trình sản xuất dưa chuột (nguồn [10]) ...................... 13 Hình 1.6 Mô hình hệ thống robot giám sát và điều khiển cung cấp đạm (Nitơ) cho cây dưa chuột (nguồn [63]) ...................................................................................... 14 Hình 1.7 Các bước xử lý ảnh xác định các đặc điểm của cây trồng theo phương pháp 2D (nguồn [97]) ........................................................................................................ 17 Hình 1.8 Các bước trong phương pháp sử dụng hình ảnh kỹ thuật số để xác định các thông số của cây dưa chuột với phương pháp 2D (nguồn [89]) ............................... 17 Hình 1.9 Các phương pháp thiết lập hệ thống hình ảnh 3D .................................... 18 Hình 1.10 Mô hình thu nhận dữ liệu để tái tạo mô hình 3D cây trồng (nguồn [99, 100]).......................................................................................................................... 19 Hình 1.11 Kết quả tái tạo bề mặt 3D của dưa chuột ở ngày thứ 20, 40, 60 và 70 sau khi trồng (từ trái sang phải). Màu sắc đại diện cho các vị trí khác nhau của lá và màu đen đại diện cho thân cây (nguồn [104]) .................................................................. 19 Hình 1.12 Sơ đồ quy trình thực hiện các bước trong phân loại và phát hiện bệnh trên cây trồng sử dụng học sâu (DL) (nguồn [114]) ........................................................ 22 Hình 2.1 Quy trình ước tính diện tích lá, số lá và chiều cao cây trồng ................... 29 Hình 2.2 Phương pháp chia ảnh thành các vùng ảnh nhỏ........................................ 31 Hình 2.3 Lưu đồ thuật toán xác định ngưỡng tối ưu ............................................... 32 Hình 2.4 Lưu đồ thuật toán xác định ngưỡng ISODATA ....................................... 32 Hình 2.5 Lưu đồ thuật toán khoảng cách Mahalanobis sửa đổi (MMD) ................. 33 Hình 2.6 Sơ đồ minh họa định nghĩa của bốn kết quả có thể xảy ra khi phân loại pixel .......................................................................................................................... 34 Hình 2.7 Một số hình ảnh sau khi loại bỏ nền của thuật toán Mahalanobis gốc và MMD của luận án đề xuất với 3 loại cây trồng khác nhau....................................... 36 Hình 2.8 Thiết lập hệ thống thu nhận hình ảnh cây trồng ....................................... 37 Hình 2.9 Cách xác định kích thước lá bằng phương pháp thủ công (nguồn [76]) .. 38 Hình 2.10 Quy trình ước lượng chiều cao, số lá và diện tích lá với ảnh được chụp từ đỉnh xuống ................................................................................................................ 39 x
Hình 2.11 Quy trình ước lượng chiều cao, số lá và diện tích lá với ảnh chụp theo chiều ngang ............................................................................................................... 40 Hình 3.1 Mô hình nơron nhân tạo (nguồn [152]) .................................................... 42 Hình 3.2 Cấu trúc của MLP (nguồn [152]).............................................................. 43 Hình 3.3 Kiến trúc của CNN cơ bản (nguồn [157]) ................................................ 44 Hình 3.4 Quá trình tích chập của các bản đồ đặc trưng (nguồn [152]) .................. 44 Hình 3.5 Biểu diễn tích chập (2-D) với kích thước kernel = 2, strides =1, padding =0 (nguồn [152]) ............................................................................................................ 45 Hình 3.6 Thực hiện Maxpooling và Average pooling với kích thước 2x2 (nguồn [152]) ........................................................................................................................ 45 Hình 3.7 Kiến trúc mô hình AlexNet (nguồn [152]) ............................................... 47 Hình 3.8 Kiến trúc mô hình VGG-16 (nguồn [152]) ............................................... 47 Hình 3.9 So sánh khối học thông thường và khối học dư (nguồn [146, 158]) ........ 49 Hình 3.10 Hai khối được xây dựng trong các mô hình ResNet; a- khối trong mô hình ResNet 18/34; b - là khối bottleneck trong mô hình ResNet 50/101/152 (nguồn [152, 164]).......................................................................................................................... 49 Hình 3.11 Kiến trúc chính của các mô hình phát hiện đối tượng (nguồn [169])..... 51 Hình 3.12 So sánh tốc độ và độ chính xác của các mô hình (nguồn [170]) ............ 52 Hình 3.13 Kiến trúc mô hình YOLOv4 ................................................................... 52 Hình 3.14 Sơ đồ kiến trúc mô hình YOLOv4-tiny .................................................. 54 Hình 3.15 Mô tả quá trình dự đoán của model YOLO [173] .................................. 55 Hình 3.16 Các bước kết hợp mô hình phân loại bệnh hại cho độ chính xác cao .... 58 Hình 3.17 Cấu trúc chi tiết của mô hình YOLOv4-tiny .......................................... 60 Hình 3.18 Cấu trúc của khối CSP của YOLOv4-tiny (nguồn [179]) ...................... 60 Hình 3.19 Đặc điểm của 3 đối tượng trong nhận dạng bệnh trên cây dưa chuột .... 61 Hình 3.20 Một số hình ảnh bệnh trên cây dâu tây ................................................... 61 Hình 3.21 Một số hình ảnh bệnh trên cây cà chua................................................... 61 Hình 3.22 Cấu trúc chi tiết vị trí sửa đổi của mô hình YOLOv4-tiny-caitien ......... 63 Hình 3.23 Các bước thực hiện phát hiện bệnh hại trên cây trồng bằng mô hình cải tiến (YOLOv4-tiny-caitien) ...................................................................................... 64 Hình 3.24 Chia dữ liệu theo phương pháp Hold-out ............................................... 65 Hình 3.25 Chia dữ liệu theo phương pháp k-fold cross-validation ......................... 65 Hình 3.26 Lá dưa chuột bị bệnh phấn trắng ............................................................ 66 Hình 3.27 Lá dưa chuột bị bệnh sương mai............................................................. 67 Hình 3.28 Các khu vực thu thập dữ liệu bệnh phấn trắng, bệnh sương mai và bình thường trên cây dưa chuột ........................................................................................ 71 Hình 3.29 Quá trình thu thập các bộ dữ liệu ............................................................ 72 Hình 3.30 Một số mẫu dữ liệu của tập dữ liệu thu thập được ................................. 73 Hình 3.31 Quá trình gắn nhãn cho bộ dữ liệu .......................................................... 74 xi
Hình 3.32 Lưu đồ phân bố dữ liệu cho quá trình huấn luyện, xác thực và kiểm tra của các mô hình trong nghiên cứu .................................................................................. 75 Hình 3.33 Các kỹ thuật tăng cường ảnh được sử dụng............................................ 76 Hình 3.34 Kết quả độ chính xác của các mô hình trên bộ dữ liệu xác thực ............ 76 Hình 3.35 Ma trận nhầm lẫn của các mô hình trên tập dữ liệu Kiểm tra ................ 78 Hình 3.36 Lưu đồ thuật toán đề xuất kết hợp 2 mô hình ResNet 50 và ResNet 152 .................................................................................................................................. 80 Hình 3.37 Ma trận nhầm lẫn của thuật toán đề xuất kết hợp mô hình ResNet 50 và ResNet 152 trên tập dữ liệu kiểm tra ........................................................................ 81 Hình 3.38 Kết quả một số hình ảnh bị phân loại nhầm lẫn của thuật toán đề xuất . 81 Hình 3.39 Hình ảnh mẫu bộ dữ liệu trong bài báo số [133] .................................... 82 Hình 3.40 Lưu đồ quá trình huấn luyện và xác thực các mô hình ........................... 83 Hình 3.41 Biểu diễn mối quan hệ giữa LR với mAP của mô hình YOLOv4-tiny- caitien kích thước ảnh đầu vào 416x416x3 .............................................................. 84 Hình 3.42 Đồ thị làm loss và mAP của YOLOv4-tiny với learning rate = 0.00261 85 Hình 3.43 Đồ thị làm loss và mAP của YOLOv4-tiny-caitien với learning rate = 0.00280 ..................................................................................................................... 85 Hình 3.44 Một số kết quả kiểm tra phát hiện bệnh của 2 mô hình .......................... 86 Hình 3.45 Phương pháp k-fold Cross-Validation với k = 4 .................................... 87 Hình 3.46 Lưu đồ thuật toán sử dụng YOLO để phân loại ảnh............................... 88 Hình 3.47 Khả năng phát hiện bệnh ở mức độ nhiễm bệnh cấp độ 1 ...................... 90 Hình 3.48 Khả năng phát hiện bệnh ở các cấp độ nhiễm bệnh khác nhau .............. 91 Hình 3.49 Một số hình ảnh bệnh trên cây dâu tây ................................................... 91 Hình 3.50 Một số hình ảnh bệnh trên cây Cà chua .................................................. 92 Hình 4.1 Mô hình thiết kế và xây dựng nhà lưới thực nghiệm ................................ 94 Hình 4.2 Mô hình bố trí hệ thống trồng theo phương pháp tưới nhỏ giọt ............... 94 Hình 4.3 Mô hình bố trí hệ thống trồng theo phương pháp thủy canh .................... 95 Hình 4.4 Hình ảnh các hệ thống điều khiển các thông số nhà lưới ......................... 95 Hình 4.5 Cấu trúc hệ thống điều khiển giám sát, cảnh báo và phun thuốc trị bệnh trên cây trồng ................................................................................................................... 96 Hình 4.6 Mô hình tổng thể hệ thống điều khiển giám sát và phun thuốc trừ bệnh . 96 Hình 4.7 Kết nối các thiết bị của hệ thống điều khiển giám sát bệnh hại ............... 97 Hình 4.8 Các thiết bị phần cứng của hệ thống điều khiển giám sát và cảnh báo bệnh .................................................................................................................................. 98 Hình 4.9 Sơ đồ biểu diễn các chế độ làm việc của hệ thống giám sát bệnh ............ 98 Hình 4.10 Lưu đồ thuật toán hệ thống điều khiển giám sát và cảnh báo bệnh phấn trắng và bệnh sương mai trên cây dưa chuột ............................................................ 99 Hình 4.11 Mô hình hệ thống thu nhận hình ảnh .................................................... 100 Hình 4.12 Các mẫu hình ảnh cây dưa chuột trong thực nghiệm ........................... 101 xii
Hình 4.13 Loại bỏ nền trong hình ảnh chụp từ trên xuống.................................... 103 Hình 4.14 Loại bỏ nền trong hình ảnh chụp ngang ............................................... 104 Hình 4.15 Các bước xác định khung thân cây dưa chuột ...................................... 106 Hình 4.16 Chiều cao ước tính của cây dưa chuột theo ngày ................................. 107 Hình 4.17 Hệ số tương quan của giá trị thực và giá trị ước tính bằng thuật toán.. 109 Hình 4.18 Hình ảnh triệu chứng xuất hiện của bệnh phấn trắng tăng dần ............ 111 Hình 4.19 Triệu chức bệnh từ mức nhẹ và mức độ nặng hơn của bệnh sương mai ................................................................................................................................ 111 Hình 4.20 Hình thực nghiệm với vụ trồng dưa chuột bị bệnh phấn trắng ............. 112 Hình 4.21 Hình ảnh thực nghiệm với vụ dưa chuột bị bệnh sương mai và phấn trắng ................................................................................................................................ 112 Hình 4.22 Một số hình ảnh thể hiện mô hình YOLOv4-tiny-caitien phát hiện được bệnh phấn trắng và bệnh sương mai trong giai đoạn đầu của bệnh (cấp độ 1) ...... 114 Hình 4.23 Một số hình ảnh phát hiện hai bệnh ở các cấp độ bệnh khác nhau...... 115 Hình 4.24 Các ảnh bị bệnh được gửi vào email của người quản lý....................... 115 Hình 4.25 Hình ảnh gửi tin nhắn cho người quản lý ............................................. 116 xiii
MỞ ĐẦU 1. Tính cấp thiết của luận án Công nghệ trí tuệ nhân tạo (AI) là một lĩnh vực đang phát triển rất mạnh mẽ và được ứng dụng ngày một nhiều trong các lĩnh vực của cuộc sống, như chăm sóc sức khỏe, kinh doanh, giáo dục, sản xuất, điện thoại di động, ô tô, …Đặc biệt trong nông nghiệp, AI cũng đã đóng góp lớn trong việc dự báo về thời gian gieo hạt, tình hình dịch bệnh của cây trồng, thời điểm thu hoạch, sản lượng, việc này đã giúp tăng năng suất và cải thiện thu nhập của người nông dân. Trong thực tế, thế giới đang có xu hướng ứng dụng AI mạnh mẽ vào sản xuất trong nông nghiệp. Trong năm 2020, trí tuệ nhân tạo toàn cầu trong quy mô thị trường nông nghiệp đạt giá trị 1 tỷ USD. Dự kiến sẽ tăng lên 4 tỷ USD vào năm 2026 và tốc độ tỷ lệ tăng trưởng kép hàng năm (CAGR) từ năm 2020 đến năm 2026 là 25.5%. Sự tăng trưởng thị trường nông nghiệp trong lĩnh vực ứng dụng AI được thúc đẩy bởi việc tạo ra các cơ sở dữ liệu thông qua cảm biến và hình ảnh cho các loại cây trồng, tăng năng suất cây trồng thông qua công nghệ học sâu và sự hỗ trợ của chính phủ đối với việc áp dụng các kỹ thuật nông nghiệp hiện đại. Ở Việt Nam, Đảng và Nhà nước đã xác định tầm quan trọng của nông nghiệp ứng dụng công nghệ cao, để đưa nền nông nghiệp Việt Nam hội nhập và phát triển trong bối cảnh cuộc cách mạng công nghiệp 4.0, tại Đại hội XIII của Đảng đã xác định: “Chú trọng phát triển nông nghiệp sản xuất hàng hóa lớn, ứng dụng công nghệ cao; phát huy tiềm năng, lợi thế của từng vùng, từng địa phương... nâng cao giá trị nông sản trong các chuỗi giá trị”. Ngày 27/9/2019, Bộ chính trị đã ban hành Nghị quyết số 52-NQ/TW về một số chủ trương, chính sách chủ động tham gia cuộc Cách mạng công nghiệp lần thứ tư. Để triển khai Nghị quyết này, ngày 17/4/2020 Chính phủ đã ban hành Nghị quyết số 50-NQ/CP về chương trình hành động của Chính phủ thực hiện Nghị quyết số 52-NQ/TW, trong các Nghị quyết chỉ rõ Chính sách phát triển các ngành và công nghệ ưu tiên trong đó nhấn mạnh các ngành như: nông nghiệp số, công nghệ thông tin và truyền thông, cơ điện tử; trí tuệ nhân tạo và tự động hóa…. Vì vậy, việc nghiên cứu và ứng dụng trí tuệ nhân tạo, tự động hóa và công nghệ thông tin vào quá trình sản xuất trong nông nghiệp trong giai đoạn hiện nay là hết sức cần thiết cho nên nông nghiệp Việt Nam, đã được Đảng và Nhà nước đặc biệt chú trọng. Hiện nay, sản xuất nông nghiệp nước ta còn phụ thuộc nhiều vào thời tiết. Trong khi, Việt Nam được dự báo là một trong những quốc gia chịu ảnh hưởng nặng nề nhất của biến đổi khí hậu như nước biển dâng, lũ lụt, biến động thời tiết bất thường. Những ảnh hưởng này khiến cho việc phát triển nông nghiệp gặp bất lợi lớn, việc ứng dụng sản xuất công nghệ cao kết hợp với sử dụng nhà lưới, nhà kính sẽ giảm bớt sự tác động của các yếu tố khắc nghiệt này. Cây trồng ngắn ngày là một trong những cây trồng góp phần cung ứng thực phẩm rất tốt cho nhu cầu của con người hàng ngày. Ở Việt Nam, ngoài các loại cây 1
lượng thực chủ đạo như lúa, ngô, sắn thì các loại cây rau cũng được chú trọng trong quá trình sản xuất nhằm cung ứng thực phẩm tươi sống và xuất khẩu như dưa chuột, cà chua ….Đây là nhưng loại cây có thể trồng trong các môi trường nhà kính, nên rất dễ dàng áp dụng các cảm biến và thiết bị máy móc để giám sát, điều khiển trong quá trình sản xuất nhằm tăng năng suất cây trồng và nâng cao chất lượng của sản phẩm. Quá trình sinh trưởng của các loại cây trồng này chịu nhiều yếu tố ảnh hưởng như khí hậu, dịch bệnh, cỏ dại, dinh dưỡng, tưới tiêu, … các yếu tố này sẽ ảnh hưởng lớn đến năng suất và chất lượng sản phẩm của cây trồng. Hệ thống điều khiển giám sát sử dụng các cảm biến như nhiệt độ, độ ẩm, ánh sáng, pH, EC và CO2 đã được sử dụng để thu thập các thông số môi trường, dinh dưỡng nhằm điều tiết các thông số này một cách phù hợp cho cây trồng sinh trưởng và phát triển đã được ứng dụng rất rộng rãi trong quá trình sản xuất trong nhiều thập kỷ qua, tuy nhiên với hệ thống điều khiển giám sát sử dụng các loại cảm biến này thì các thay đổi bất thường về hình dáng, màu sắc, bệnh hại xuất hiện trên cây trồng không thể giám sát được. Vì vậy, các hệ thống điều khiển giám sát cây trồng bằng hình ảnh đang được quan tâm trong nhiều năm trở lại đây khi công nghệ xử lý ảnh và AI phát triển mạnh. Các thông số sinh trưởng cây trồng như diện tích lá, chiều cao, số lá và bệnh hại ảnh hướng lớn đến năng suất và chất lượng, ví như bệnh hại xuất hiện, nếu không phát hiện kịp thời để xử lý có thể ảnh hưởng nghiêm trọng đến năng suất cũng như chất lượng của sản phẩm, nhiều lúc phải phá bỏ toàn bộ, cũng như sử dụng thuốc trừ bệnh không hợp lý sẽ ảnh hưởng đến vấn đề an toàn thực phẩm và môi trường. Vì vậy, việc phát hiện sớm các triệu chứng khác thường ban đầu sẽ giúp ích rất lớn cho quá trình xử lý để giảm sự ảnh hưởng đến quá trình sinh trưởng và phát triển của cây trồng. Với sự phát triển mạnh mẽ của công nghệ AI, việc áp dụng các kỹ thuật này trong hệ thống tự động điều khiển giám sát cho quá trình sản xuất cây trồng là rất cần thiết. Do đó, nghiên cứu sinh đề xuất hướng đề tài là “Ứng dụng trí tuệ nhân tạo trong hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày”, nhằm sử dụng các tín hiệu đầu vào hệ thống điều khiển giám sát là hình ảnh cây trồng. Từ đó nghiên cứu các thuật toán xử lý ảnh, mô hình trí tuệ nhân tạo, để xác định các chỉ số sinh trưởng như chiều cao, số lá, diện tích lá và phát hiện bệnh hại xuất hiện trên cây trồng. Sau đó hệ thống điều khiển giám sát đưa ra những cảnh báo, xử lý và điều tiết các thông số cho cây trồng sinh trưởng và phát triển tốt, nhằm mang lại năng suất cao và chất lượng sản phẩm tốt, cải thiện an toàn thực phẩm, giảm lượng hóa chất trong môi trường và phát triển tài nguyên bền vững, đây là những mục tiêu quan trọng đối với nông dân nói riêng và toàn xã hội nói chung. Ngoài ra, việc nghiên cứu các công nghệ tiên tiến để áp dụng vào sản xuất trong nông nghiệp cũng góp phần làm chủ công nghệ và thiết bị, từ đó chủ động trong quá trình sản xuất nông nghiệp nước nhà, cũng như góp phần vào công cuộc chuyển đổi số trong nông nghiệp đang được Đảng và Nhà nước ta đặc biệt chú trọng. 2. Mục tiêu nghiên cứu 2
Xây dựng được hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày. Hệ thống này xác định được một số chỉ tiêu như số lá, diện tích lá, chiều cao và bệnh hại chính trên cây trồng ngắn này. Hệ thống được thử nghiệm trực tiếp trên cây dưa chuột. 3. Đối tượng và phạm vi nghiên cứu - Đối tượng nghiên cứu: Hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại trên cây trồng ngắn ngày với tín hiệu đầu vào là hình ảnh, sử dụng công nghệ xử lý ảnh và trí tuệ nhân tạo. - Phạm vi nghiên cứu: + Xác định chiều cao, số lá và diện tích lá cây trồng ngắn ngày; + Phát hiện một số bệnh hại phổ biến trên cây trồng ngắn ngày; + Thử nghiệm trên cây dưa chuột được sản xuất trong nhà lưới có mái che. 4. Phương pháp nghiên cứu - Phương pháp nghiên cứu lý thuyết: Nghiên cứu tài liệu, bài báo khoa học, nghiên cứu lý thuyết xử lý ảnh, máy học, học sâu từ đó lựa chọn ra giải thuật phù hợp, cũng như kế thừa và cải tiến các mô hình trí tuệ nhân tạo nhằm phát hiện và phân loại bệnh trên cây trồng. - Phương pháp chuyên gia: Chuyên gia về nông học xác định bệnh trên cây trồng; phương pháp xác định kích thước cây trồng; quy trình sản xuất cây dưa chuột. - Phương pháp thực nghiệm: + Xây dựng mô hình sản xuất cây dưa chuột, mô hình thực nghiệm, thiết kế và lắp ráp các hệ thống điều khiển giám sát; + Thu thập dữ liệu thực tế thông qua việc đo đếm các kích thước cây trồng, đếm số lá; sử dụng các thiết bị thu hình ảnh để thu tập bộ dữ liệu hình ảnh về quá trình sinh trưởng của cây dưa chuột, hình ảnh về bệnh hại trên cây dưa chuột; + Phân tích số liệu: xử lý số liệu thu thập, huấn luyện, kiểm tra các thuật toán phát hiện và phân loại bệnh; + Đánh giá kết quả hệ thống. 5. Ý nghĩa khoa học và thực tiễn của luận án - Ý nghĩa khoa học: Luận án đã nghiên cứu sửa đổi được thuật toán Mahalanobis (MMD) để phân vùng lá cho cây trồng ngắn ngày, từ đó góp phần xác định được chiều cao, số lá và diện tích lá của cây dưa chuột thực nghiệm đạt độ chính xác cao. Nghiên cứu cải tiến mô hình trí tuệ nhân tạo dựa trên mạng nơron tích chập (CNN) để phân loại và phát hiện bệnh sương mai và bệnh phấn trắng trên cây dưa chuột có độ chính xác cao. 3
- Ý nghĩa thực tiễn: Các kết quả nghiên cứu đạt được của luận án đã được thực nghiệm với độ chính xác cao, vì vậy có thể ứng dụng cho hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại trên cây trồng từ đó điều chỉnh kịp thời thông số môi trường, dinh dưỡng và ngăn ngừa bệnh hại nhằm nâng cao được năng suất cho cây trồng và chất lượng sản phẩm. Luận án cũng đã đề xuất mô hình hệ thống điều khiển giám sát sử dụng robot tự động thu thập dữ liệu từ đó tự động giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột canh tác trong nhà lưới. Kết quả nghiên cứu đã ứng dụng công nghệ xử lý ảnh, trí tuệ nhân tạo, IoT cho hệ thống điều khiển và tự động hóa trong sản xuất trong nông nghiệp, điều này góp phần vào việc chuyển đổi số trong nông nghiệp được Đảng và Nhà nước ta đang đặc biệt quan tâm. 6. Đóng góp mới của đề tài nghiên cứu: (1) Đã nghiên cứu sửa đổi thuật toán khoảng cách Mahalanobis (MMD) để phân vùng lá cây trồng từ đó xác định được số lá, diện tích lá và chiều cao cây. Đã thử nghiệm được trên cây dưa chuột với độ chính xác cao. (2) Xây dựng được bộ dữ liệu lá bệnh sương mai, bệnh phấn trắng và bình thường của cây dưa chuột trong môi trường sản xuất. Bộ dữ liệu có độ nhiễu về ánh sáng, môi trường lớn, có triệu chứng bệnh từ nhẹ đến nặng, tạo cơ sở dữ liệu cho nghiên cứu về sau. (3) Nghiên cứu và đề xuất cải tiến mô hình trí tuệ nhân tạo dựa trên mạng nơron tích chập (CNN) để phân loại và phát hiện bệnh sương mai và bệnh phấn trắng trên cây dưa chuột. 7. Cấu trúc của luận án: Luận án được tác giả trình bày trong 4 chương cùng với phần kết luận và kiến nghị, bao gồm: Chương 1: Tổng quan về hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày Trong chương này, luận án trình bày: Sự cần thiết của hệ thống điều khiển giám sát trong quá trình sinh trưởng và bệnh hại cây trồng; tổng quan về hệ thống điều khiển giám sát quá trình sinh trưởng và bệnh hại cây trồng ngắn ngày, các nghiên cứu xác định các chỉ tiêu sinh trưởng như chiều cao, số lá và diện tích lá; các nghiên cứu về phát hiện bệnh trên cây trồng ngắn ngày đặc biệt là cây dưa chuột. Từ đó đề xuất hướng nghiên cứu của luận án. Chương 2: Nghiên cứu xác định chiều cao, số lá và diện tích lá cây trồng Nghiên cứu đề xuất thuật toán để loại bỏ nền ảnh, từ đó đưa ra phương pháp xác định các chỉ số sinh trưởng của cây trồng như chiều cao, số lá và diện tích lá. Chương 3: Ứng dụng trí tuệ nhân tạo phát hiện bệnh trên cây trồng ngắn ngày 4
Trình bày khái quát các mô hình học sâu về phân loại và phát hiện đối tượng trong ảnh. Đề xuất phương pháp để phân loại và phát hiện bệnh trên cây trồng ngắn ngày. Từ đó xây dựng bộ cơ sở dữ liệu bệnh phổ biến trên cây dưa chuột để đánh giá các thuật toán đề xuất. Chương 4: Thực nghiệm và đánh giá kết quả Xây dựng mô hình thực nghiệm; đánh giá thuật toán phân vùng lá, phương pháp xác định chiều cao, số lá và diện tích lá của cây dưa chuột. Thiết lập mô hình hệ thống robot điều khiển giám sát bệnh trên cây trồng. Thực nghiệm mô hình giám sát và cảnh báo bệnh sương mai và bệnh phấn trắng trên cây dưa chuột. Kết luận và kiến nghị: Trình bày tóm lược các kết quả đã thực hiện được và đưa ra các hướng nghiên cứu tiếp theo. 5