XÂY DỰNG HỆ THỐNG NHẬN DẠNG ĐA NHIỆM CÁC THUỘC TÍNH QUẢ CHUỐI ỨNG DỤNG KỸ THUẬT HỌC SÂU
Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo
| Loại tài liệu | Khoá luận tốt nghiệp |
|---|---|
| Bậc học | Đại học |
| Ngành | Công nghệ thông tin |
| Tác giả | Trần Lê Việt Tiến |
| Người hướng dẫn | Bùi Đăng Hà Phương |
| Cơ sở đào tạo | Trường Đại học Cần Thơ |
| Năm | 2026 |
| Nguồn | Thư viện số Trường Đại học Cần Thơ · trang gốc |
Tóm tắt
Trong chuỗi cung ứng nông sản tại Việt Nam, chuối là loại cây ăn trái chủ lực với sản lượng tiêu thụ lớn. Trong quá trình thu hoạch và phân loại, việc xác định đồng thời các thuộc tính như giống chuối, dạng cấu trúc (buồng, nải, trái lẻ) và trạng thái độ chín đóng vai trò quan trọng trong việc định giá và bảo quản sản phẩm. Tuy nhiên, công việc này hiện chủ yếu được thực hiện thủ công, tốn nhiều thời gian, công sức và dễ gây nhầm lẫn đối với người tiêu dùng phổ thông do các giống chuối có đặc điểm ngoại quan khá tương đồng. Đề tài hướng đến xây dựng hệ thống tự động nhận diện và phân loại chuối đa nhiệm vụ từ một hình ảnh duy nhất dựa trên công nghệ Học sâu (Deep Learning) và Thị giác máy tính. Đề tài đã thu thập và chuẩn hóa bộ dữ liệu thực tế gồm 6.724 hình ảnh bao quát 5 giống chuối phổ biến tại Đồng bằng sông Cửu Long (Xiêm, Già, Cau, Sáp, Táo Quạ), 3 dạng cấu trúc (Buồng, Nải, Trái) và 2 trạng thái độ chín (Chín, Xanh), phân chia theo tỷ lệ chuẩn 70 : 15 : 15. Mô hình áp dụng kiến trúc mạng đa đầu ra (Multi-Head Network) trên một bộ trích xuất đặc trưng dùng chung (Shared Backbone), giúp tiết kiệm hơn 60% bộ nhớ GPU và rút ngắn thời gian suy luận so với các mô hình đơn nhiệm riêng rẽ. Qua thực nghiệm đối sánh diện rộng trên 8 kiến trúc mô hình học sâu hiện đại thuộc các họ CNN, Hybrid và Vision Transformer, mô hình EVA02-Base đạt hiệu năng vượt trội nhất với chỉ số Test Mean F1 đạt 98,50% ± 0,14% (đỉnh điểm 98,65% ở Seed 2024) khi kết hợp kỹ thuật tăng cường dữ liệu (Data Augmentation) và hàm tổn thất Class-Balanced Loss. Độ tin cậy của mô hình được kiểm chứng vững chắc qua 3 hạt giống ngẫu nhiên độc lập. Đồng thời, các thử nghiệm trên 6 kịch bản thực tế phức tạp cùng kỹ thuật Grad-CAM và cơ chế lọc ngưỡng tin cậy 70% cho thấy khả năng nhận diện bền vững của hệ thống. Cuối cùng, mô hình tối ưu được triển khai thành ứng dụng Web và Mobile BananaVision, tích hợp nhận diện thời gian thực, tra cứu bách khoa nông sản, gợi ý món ngon và lưu vết lịch sử theo phiên làm việc. Từ khóa: Học sâu, Học đa nhiệm, Phân loại chuối, Vision Transformer, EVA02-Base, Data Augmentation, Class-Balanced Loss, Grad-CAM, Ứng dụng Web. In Vietnam's agricultural supply chain, bananas represent a key fruit commodity with high commercial value. During harvesting and sorting, simultaneously determining multiple attributes - such as banana cultivar variety, structural presentation (bunch, comb, single finger), and ripening maturity stage - plays a crucial role in valuation and post-harvest preservation. However, this process is still largely conducted manually, which is time-consuming, labor-intensive, and prone to confusion for general consumers due to the subtle morphological similarities among banana varieties. This thesis proposes an automated multi-task banana recognition system capable of concurrently predicting all three attributes from a single image using Deep Learning and Computer Vision. A realistic dataset of 6,724 images was collected and standardized, capturing 5 popular banana varieties in the Mekong Delta (Xiêm, Già, Cau, Sáp, Táo Quạ), 3 structural categories (Bunch, Comb, Single Finger), and 2 ripeness stages (Ripe, Green), partitioned into a standard 70 : 15 : 15 split. The framework employs a Multi-Head Network sharing a single backbone feature extractor, reducing GPU memory by over 60% and significantly accelerating inference speed compared to individual single-task models. Extensive experimental benchmarking was conducted across 8 modern deep learning architectures spanning CNN, Hybrid, and Vision Transformer families. The EVA02-Base model achieved superior performance with an average Test Mean F1-score of 98.50% ± 0.14% (peaking at 98.65% with Seed 2024) when integrated with Online Data Augmentation and Class-Balanced Loss. Model stability was rigorously confirmed through multi-seed validation. Furthermore, evaluations across six challenging real-world scenarios, Grad-CAM visual explanations, and a 70% confidence threshold for Out
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
- XÂY DỰNG HỆ THỐNG QUẢN LÝ VÀ KINH DOANH CỬA HÀNG ĐIỆN THOẠI DI ĐỘNG
- ỨNG DỤNG MÔ HÌNH PAGE OBJECT MODEL KIỂM THỬ TỰ ĐỘNG CHO WEBSITE BÁN HÀNG TRỰC TUYẾN
- TÌM HIỂU PHẦN MỀM POWERWORLD TÍNH TOÁN PHÂN BỐ CÔNG SUẤT TRÊN LƢỚI ĐIỆN
- XÂY DỰNG NỀN TẢNG MẠNG XÃ HỘI VIDEO REACTION - MODULE ỨNG DỤNG DI ĐỘNG VÀ CƠ SỞ DỮ LIỆU ĐỒ THỊ
- PHÁT TRIỂN ỨNG DỤNG WEB BÁN ĐỒ CHƠI MÔ HÌNH CỦA MỘT CỬA HÀNG
- XÂY DỰNG ỨNG DỤNG WEB HỖ TRỢ HỌC TẬP BẰNG FLASHCARD TÍCH HỢP AI
- HỆ THỐNG QUẢN LÝ CÁC DỊCH VỤ CƯỚI HỎI
- Ứng dụng phần mềm ETAP để tính toán phân bố công suất và bù tối ưu cho lưới phân phối Thành Phố Cao Lãnh – Đồng Tháp
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.