LuanVan.vnLuận Văn
Gửi thư

XÁC ĐỊNH BỆNH TRÊN CÂY BẰNG CÁC KỸ THUẬT HỌC SÂU

Khoá luận tốt nghiệp · Đại học · năm 2023 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhCông nghệ thông tin
Tác giảNguyễn Minh Phát
Người hướng dẫnNguyễn Thanh Hải; Bùi Đăng Hà Phương
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2023
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Trong cuộc cách mạng công nghệ 4.0, trí tuệ nhân tạo ngày càng được phát triển và ứng dụng rộng rãi trong mọi lĩnh vực. Tuy nhiên, có một lĩnh vực được phát triển trong nghiên cứu và rất được quan tâm gần đây đó là nông nghiệp thông minh. Phát triển trong ngành nông nghiệp, đặt biệt là cây trồng, là một trong những lĩnh vực quan trọng trong phát triển kinh tế. Những khó khăn trong quá trình trồng cây ăn trái là việc xuất hiện những loại bệnh như đốm nâu, cháy bìa lá, nấm lá, phấn trắng. Đã làm giảm cả sản lượng và chất lượng của việc trồng cây ăn trái. Vì vậy, việc phát hiện các bệnh trên cây phổ biến trên cây trồng nhằm giúp người dân nâng cao năng suất là vấn đề cấp thiết. Vì vậy đề tài “Xác định bệnh trên cây bằng các kỹ thuật học sâu” được đề xuất để tìm ra các phương pháp chẩn đoán bệnh trên cây dựa trên hình ảnh và được thực nghiệm trên tập dữ liệu chứa các hình ảnh của lá cây bị nhiễm bệnh và không bị nhiễm bệnh. Trong nghiên cứu này, thực hiện các công việc chính: sử dụng YOLOv8 để tách các thành lá cây và khử nhiễu hình ảnh, phân vùng hình ảnh sau đó áp dụng kỹ thuật lọc nhiễu dựa trên Ngưỡng mềm bằng hồi quy Lasso và tiếp tục thực hiện phương pháp giải thích kết quả “Gradient-Weighted Class Activation Map” để xác định vị trí bệnh trên ảnh của lá cây. Hệ thống sử dụng mô hình ShuffleNetV2 với độ chính xác cao và thời gian chạy ngắn. Các mô hình được huấn luyện và đánh giá trên tập dữ liệu bao gồm 61.486 hình ảnh của 39 loại lá cây của 14 loài thực vật khác khau trong đó có 1 loại chứa hình ảnh nền không lá. Kết quả thực nghiệm cho thấy phương pháp phân đoạn và lọc nhiễu dựa trên Ngưỡng kết hợp với mô hình ShuffleNetV2 được tinh chỉnh các giá trị siêu tham số và đạt được kết quả tốt so với các mô hình LeNet-5, ResNet18. Sau khi mô hình được huấn luyện hoàn thiện và sau đó sẽ tích hợp vào hệ thống xây dựng dựa trên nền tảng Website, với sự hỗ trợ của các thư viện: Tensorflow, Keras, OpenCV,... và các ngôn ngữ như: HTML, CSS, JavaScript, Python, MySQL,… Những kết quả nghiên cứu cho thấy mang tính chất thực nghiệm nhằm góp phần vào việc áp dụng trí tuệ nhân tạo trong lĩnh vực nông nghiệp nói chung và xác định bệnh cho cây trồng dựa trên hình ảnh nói riêng. Hỗ trợ nông dân trong việc nâng cao năng suất sản lượng cây trồng và là bước ngoặt trong các nghiên cứu áp dụng học sâu.
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.