SO SÁNH CÁC PHƯƠNG PHÁP TINH CHỈNH MÔ HÌNH CHO BÀI TOÁN NHẬN DIỆN CÁC LOẠI BỆNH TRÊN CÂY TRỒNG
Khoá luận tốt nghiệp · Đại học · năm 2025 · đề tài tham khảo
| Loại tài liệu | Khoá luận tốt nghiệp |
|---|---|
| Bậc học | Đại học |
| Ngành | Công nghệ thông tin |
| Tác giả | Huỳnh Thanh Bình |
| Người hướng dẫn | Bùi Võ Quốc Bảo |
| Cơ sở đào tạo | Trường Đại học Cần Thơ |
| Năm | 2025 |
| Nguồn | Thư viện số Trường Đại học Cần Thơ · trang gốc |
Tóm tắt
Trong thời đại mà trí tuệ nhân tạo phát triển mạnh mẽ như hiện nay và trong cuộc chạy đua giữa các tập đoàn công nghệ, rất nhiều mô hình AI được tạo ra để hỗ trợ cho nhiều công việc trong đời sống, giúp cho chúng ta có thể giải quyết đượccácvấn đề tiết kiệm thời gian hơn rất nhiều so với trước đây. Một trong những ứng dụng rất thiết thực của AI đó là nhận diện bệnh trên cây trồng trong nông nghiệp. Việc phát hiện được đúng loại bệnh giúp nông dân có thể can thiệp kịp thời, giảm thiểu thiệt hại trên cây trồng và tăng năng suất mùa vụ. Trước đây, người ta có thể phát hiện được bệnh sớm dựa trên kinh nghiệm làm nông, nhưng nếu với người còn ít kinh nghiệm thì có thể chưa phát hiện được bệnh sớm để giải quyết trước khi lan rộng dẫn đến thiệt hại nặng nề. Với sự phát triển mạnh mẽ của học sâu, các mô hình phân loại ảnh như ResNet, EfficientNet, Vision Transfomer,... đã chứng minh được hiệu quả vượt trội trong các tác vụ Computer Vision. Tuy nhiên, đó là các mô hình được huấnluyệntrêncác bộ dữ liệu lớn với hàng triệu ảnh và hàng chục ngàn lớp khác nhau, nếu muốn sử dụng cho 1 nhiệm vụ cụ thể như phát hiện bệnh trên cây trồng trong nông nghiệp thì cần phải tinh chỉnh lại trên tập dữ liệu riêng để phù hợp với mục đích sửdụng, nhưng việc tinh chỉnh toàn bộ mô hình đòi hỏi tài nguyên tính toán lớn và dễ gây overfit trêndữ liệu nhỏ, đây cũng là 1 vấn đề khá phổ biến khi thực hiện tinh chỉnh môhình. Đề tài này sử dụng mô hình ViT được tiền huấn luyện với ImageNet-21kgồm14 triệu ảnh và 21481 lớp khác nhau để thực hiện nghiên cứu so sánhhai phương pháp tinh chỉnh: LoRA (Low-Rank Adaptation) và tinh chỉnh lớp cuối (Fine-Tuning Linear Layer) cho bài toán phân loại ảnh bệnh trên cây trồng. LoRAlàmộtkỹ thuật Parameter-Efficient Fine-Tuning (PEFT), chỉ cập nhật một lượng nhỏ tham số thông qua ma trận LoRA và lưu lại các adapter với kích thước rất nhỏ (khoảng vài MB) thay vì lưu toàn bộ mô hình, đối với phương pháp tinh chỉnh layer cuối thì tasẽđóng băng toàn bộ tham số mô hình và chỉ điều chỉnh tầng phân loại cuối cùng. Nghiên cứu được thử nghiệm trên 4 bộ dữ liệu được chia sẻ công khai về bệnh trên cây trồng, bao gồm Mango LeafBD Dataset, SenMangoFruitDDS, Potato Leaf Disease Dataset, Apple Leaf Disease Dataset. Các chỉ số đánh giá chính được sửdụngđểđánhgiá và so sánh mức độ hiệu quả của hai phương pháp bao gồm: Accuracy, Sensitivity, Precision, F1-score và ROC-AUC. Kết quả thực nghiệm cho thấy LoRA sử dụng rất ít tham số huấn luyện (chỉ khoảng 0.35% trên tổng tham số) mà vẫn đạt được hiệu năng và hiệu suất cao. Đồng thời, LoRA cũng giảm đi đáng kể thời gian train và bộ nhớ sử dụng so với phương pháp tinh chỉnh truyền thống.
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ
Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.
Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
- Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
- Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
- Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.
Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn công nghệ thông tin · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.
Đề tài cùng ngành
- HỆ THỐNG HỖ TRỢ KẾT NỐI NÔNG DÂN VÀ NHÀ CUNG CẤP DỊCH VỤ NÔNG NGHIỆP
- XÂY DỰNG HỆ THỐNG MẠNG XÃ HỘI SINH VIÊN – ÁP DỤNG TẠI TRƯỜNG ĐẠI HỌC CẦN THƠ
- NGHIÊN CỨU MÔ HÌNH HỌC SÂU CHO HỆ THỐNG XÁC THỰC KHUÔN MẶT EKYC TRÊN THIẾTBỊ DI ĐỘNG
- BUILDING A WEBSITE FOR WARRANTY AND REPAIR TECHNOLOGY PRODUCT
- ỨNG DỤNG CÁC PHƯƠNG PHÁP HỌC SÂU ĐỂ XÂY DỰNG HỆ THỐNG MÔ PHỎNG XE TỰ LÁI (Phân hệ: Hệ thống giao thông 3D và nhận dạng biển báo giao thông)
- THIẾT KẾ HỆ THỐNG QUẢN LÝ CỬA HÀNG BÁN SÁCH TRỰC TUYẾN
- XÂY DỰNG HỆ THỐNG QUẢN LÝ NHÀ THUỐC – PHÂN HỆ QUẢN LÝ MUA BÁN
- ỨNG DỤNG MÔ HÌNH VGG16 CHO CHỨC NĂNG TÌM KIẾM HÌNH ẢNH TRONG WEBSITE BÁN SINH VẬT CẢNH
Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.