LuanVan.vnLuận Văn
Gửi thư

ỨNG DỤNG HỌC MÁY TRONG XÂY DỰNG HỆ THỐNG NHẬN DIỆN TRẠNG THÁI CÁ NUÔI BÈ TỪ VIDEO GIÁM SÁT

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảLê Văn Nhật Khương
Người hướng dẫnHuỳnh Ngọc Thái Anh
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Trong lĩnh vực nuôi trồng thủy sản, việc theo dõi trạng thái hoạt động và mức độ ăn của cá đóng vai trò quan trọng trong việc điều chỉnh lượng thức ăn, tối ưu chi phí và nâng cao hiệu quả sản xuất. Tuy nhiên, phương pháp quan sát thủ công truyền thống phụ thuộc nhiều vào kinh nghiệm của người nuôi, dễ xảy ra sai sót và không đảm bảo tính liên tục. Do đó, việc ứng dụng các phương pháp học máy để tự động nhận diện trạng thái cá từ video giám sát là một hướng tiếp cận cần thiết và có ý nghĩa thực tiễn cao. Trong nghiên cứu này, dữ liệu được xây dựng từ các video giám sát cá nuôi bè có sẵn trên nền tảng YouTube. Cụ thể, tập dữ liệu được thu thập từ 11 video quay thực tế về cá điêu hồng, sau đó được xử lý và chia thành tổng cộng 758 đoạn video ngắn phục vụ cho quá trình huấn luyện và đánh giá mô hình. Mỗi đoạn video được gán nhãn theo ba trạng thái chính, bao gồm: None (cá không ăn), Weak (cá ăn yếu) và Strong (cá ăn mạnh), nhằm phản ánh các mức độ hoạt động khác nhau của cá trong quá trình nuôi. Để giải quyết bài toán phân loại, hai mô hình học sâu được lựa chọn và triển khai là Convolutional Neural Network (CNN) và Vision Transformer (ViT). Mô hình CNN được sử dụng để trích xuất đặc trưng không gian từ các khung hình và tổng hợp theo thời gian, trong khi mô hình ViT khai thác cơ chế attention để học các mối quan hệ không gian – thời gian toàn cục trong video. Kết quả thực nghiệm cho thấy cả hai mô hình đều đạt hiệu quả tốt trong việc nhận diện trạng thái cá. Cụ thể, mô hình CNN đạt độ chính xác khoảng 87%, trong khi mô hình ViT đạt độ chính xác cao hơn, lên đến 94%, đặc biệt hiệu quả trong các trường hợp có sự thay đổi phức tạp về hành vi và môi trường. In aquaculture, monitoring fish feeding behavior is essential for optimizing feeding strategies, reducing costs, and improving overall productivity. Traditional observation methods rely heavily on human experience, which can be subjective, inconsistent, and difficult to maintain continuously. Therefore, applying machine learning techniques to automatically recognize fish feeding states from surveillance videos has become a practical and promising approach. In this study, the dataset is constructed from publicly available surveillance videos collected from YouTube. Specifically, 11 videos of red tilapia (cá điêu hồng) farming environments are collected and processed into a total of 758 short video clips for training and evaluation. Each clip is manually labeled into one of three categories: None (no feeding activity), Weak (low feeding activity), and Strong (high feeding activity), representing different levels of fish behavior. To address the classification problem, two deep learning models are employed, including Convolutional Neural Networks (CNN) and Vision Transformer (ViT). The CNN model is utilized to extract spatial features from individual frames and aggregate them over time, while the ViT model leverages the attention mechanism to capture global spatio-temporal relationships within video sequences. Experimental results demonstrate that both models achieve promising performance in classifying fish feeding states. The CNN model achieves an accuracy of approximately 87%, while the ViT model outperforms it with an accuracy of up to 94%, particularly in complex scenarios involving subtle behavioral variations.
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

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.