Professional Documents
Culture Documents
Group 1 - AI MINI PROJECT
Group 1 - AI MINI PROJECT
Group 1 - AI MINI PROJECT
2 Hồ Ngọc Thuý K225032090 Thiết lập bộ nhận diện trên Teachable 100%
Hoà Machine
3 Lê Trương Thuý K225032113 Slide, chỉnh file mềm, tổng hợp và bổ 100%
Thanh sung nội dung
MỤC LỤC
1
I. MÔ TẢ NỘI DUNG DỰ ÁN
Dự án này nhằm phát triển một hệ thống nhận biết và phân loại các loại bệnh gây hại
cho cây trồng thông qua phân tích hình ảnh. Hệ thống này sẽ được tích hợp vào hoạt động
trồng trọt, giúp nông dân và người trồng cây nhận biết một cách dễ dàng hơn về tình trạng sức
khỏe của cây trồng, qua đó đưa ra được phương án điều trị thích hợp cho cây trồng. Dự án này
không chỉ giúp nông dân và người trồng cây nhận biết và chẩn đoán bệnh ở cây một cách hiệu
quả hơn mà còn giúp tăng cường quản lý và phòng trừ bệnh dễ dàng hơn trong hoạt động trồng
trọt.
Ứng dụng công nghệ mới AI vào quá trình canh tác, từ những thuật ngữ hay hình ảnh
đã được thiết lập từ trước với sự đảm bảo về cả số lượng và chất lượng. Kết quả của dự là việc
thực hiện các thao tác kiểm tra đơn giản, đưa hình ảnh muốn kiểm tra vào, hệ thống sẽ bắt đầu
làm việc và đưa ra phán đoán có độ chính xác cao đối với tình trạng của cây được đưa vào
kiểm tra.
Hệ thống sẽ sử dụng công nghệ học máy và thị giác máy tính để phân tích hình ảnh của
các mẫu lá cây. Dựa trên các đặc điểm như màu sắc, hình dạng và cấu trúc, hệ thống sẽ nhận
diện và phân loại bệnh.
Hệ thống sẽ được huấn luyện để nhận diện và phân loại các loại bệnh phổ biến gây hại
cho cây trồng, bao gồm nhiều loại bệnh do vi khuẩn, nấm, virus và sâu bệnh.
Sau khi nhận diện được loại bệnh, hệ thống sẽ cung cấp thông tin chi tiết về bệnh, bao
gồm nguyên nhân, triệu chứng và biện pháp phòng trị. Ngoài ra, hệ thống cũng có thể đưa ra
khuyến nghị về cách điều trị hoặc phòng ngừa tối ưu nhất.
2
Hệ thống sẽ cung cấp khả năng theo dõi sự phát triển của cây trồng qua thời gian. Bằng
cách so sánh hình ảnh mới với dữ liệu lịch sử, nó có thể phát hiện ra bất kỳ biến đổi nào trong
tình trạng sức khỏe của cây trồng và cảnh báo sớm về các vấn đề tiềm ẩn.
Hệ thống sẽ được thiết kế để có khả năng tích hợp với các ứng dụng di động, giúp
người dùng truy cập thông tin và khuyến nghị mọi lúc, mọi nơi.
Tập dữ liệu thực vật được lấy từ các tài liệu thực tế hoặc Internet, đảm bảo hình ảnh được
rõ nét và đúng bệnh để hệ thống dễ dàng nhận dạng. Kích thước hình ảnh bao gồm các ảnh tỉ lệ
1:1, với mỗi đối tượng sẽ thu thập 7 file ảnh để phục vụ cho quá trình đào tạo và kiểm tra độ
chính xác của mô hình.
Sau khi thu thập hình ảnh liên quan đến các loại bệnh của thực vật, dữ liệu sẽ tiếp tục
được xử lý gán nhãn dữ liệu bằng cách đưa hình mỗi loại thực vật bị bệnh vào một thư mục đại
diện cho loại bệnh cần nhận dạng
3
Bệnh gỉ sắt Cây khỏe
Thu thập dữ liệu huấn luyện được thực hiện theo các bước sau:
Vào hệ thống Teachable Machine → Tạo class và đặt tên từng class tương ứng với loại
hình ảnh → Vào mục Upload tại mỗi class để cập nhật ảnh từ thiết bị lên cho phù hợp → Vào
mục Preview chọn các ảnh khác các ảnh đã được upload ban đầu để thử nghiệm → Hệ thống
xuất kết quả → Kết thúc.
Dựa vào kết quả thu được ta tiến hành hiển thị lên màn hình kết quả đối tượng có tỷ lệ dự
đoán cao nhất, cùng với tên và tỷ lệ dự đoán của đối tượng. Chi tiết số lượng ảnh của từng loại
sau khi tiền xử lý được thể hiện trong Bảng 1, 2, 3. Số lượng hình ảnh trong tập dữ liệu tương
đối cân bằng giữa các loại nhãn dữ liệu (Tên bệnh cần nhận dạng), tạo điều kiện thuận lợi cho
việc huấn luyện mô hình.
4
Số ảnh nhận dạng Số ảnh nhận dạng Tỉ lệ chính
Tên bệnh cần
chính xác cao (trên chính xác thấp xác
nhận dạng
80%) (dưới 80%) (Cao nhất)
Bệnh vàng lá
3/8 5/8 37,5 %
Greening
Bảng 1. Chi tiết độ chính xác của từng lớp qua lần huấn luyện 1
5
Số ảnh nhận dạng Số ảnh nhận dạng Tỉ lệ chính
Tên bệnh cần
chính xác cao (trên chính xác thấp xác
nhận dạng
80%) (dưới 80%) (Cao nhất)
Bệnh vàng lá
5/8 3/8 62,5 %
Greening
Bảng 2. Chi tiết độ chính xác của từng lớp qua lần huấn luyện 2
6
Số ảnh nhận dạng Số ảnh nhận dạng Tỉ lệ chính
Tên bệnh cần
chính xác cao (trên chính xác thấp xác
nhận dạng
80%) (dưới 80%) (Cao nhất)
Bệnh vàng lá
8/8 0/8 100 %
Greening
Bảng 3. Chi tiết độ chính xác của từng lớp qua lần huấn luyện 3
7
Lần 1:
Lần 2: 89%
Lần 3: 96%
Lần 4: 98%
8
Kết quả chạy thử nghiệm dạng biểu đồ:
Sau khi chạy thử nghiệm vài lần thì kết quả cho thấy: độ chính xác (accuracy) của
mô hình đã đạt tới 100%, độ mất mát (loss) gần như về 0%.
Hệ thống Teachable Machine vận dụng những kiến thức từ việc được training để cung cấp
cho con người cách tiếp cận một cách chính xác và dễ dàng phát hiện được bệnh của cây trồng.
Hệ thống này sử dụng thuật toán học máy để phân biệt lượng lớn dữ liệu, bao gồm hình ảnh cây
trồng, điều kiện thời tiết và hồ sơ lịch sử bệnh tật.
Bằng cách so sánh dữ liệu do con người cung cấp với các mô hình và chỉ số đã biết về bệnh
cây trồng, Teachable Machine có thể xác định nhanh chóng và chính xác sự hiện diện của bệnh
trên cây trồng. Từ đó giúp con người phát hiện sớm bệnh của cây trồng, để có những kế hoạch
ngăn chặn kịp thời và hiệu quả tránh lây lan trên diện rộng. Bên cạnh đó, với khả năng phát hiện
sớm các loại bệnh, con người cũng dễ dàng quản lý và đưa ra các giải pháp canh tác phù hợp,
giảm thiểu khả năng bệnh tác động đến năng suất cây trồng.