Mô hình CNN nhẹ cho bài toán phân loại sâu bệnh trên lúa

Bài viết đề xuất một mô hình CNN nhẹ (lightweight) có khả năng phân loại sâu bệnh trên cây lúa. Mô hình sử dụng thiết kế SkipLayer Excitation (SLE) với số lượng tham số ít, độ phức tập tính toán thấp, rất phù hợp để triển khai trong thực tế trên các thiết bị nhúng với khả năng xử lý hạn chế.
Nội dung trích xuất từ tài liệu:
Mô hình CNN nhẹ cho bài toán phân loại sâu bệnh trên lúa Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Mô hình CNN nhẹ cho bài toán phân loại sâu bệnh trên lúa Nguyễn Thanh Thiện Khoa Kỹ thuật Máy tính, Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP.HCM Email: thiennt@uit.edu.vnAbstract— Việc phát hiện sâu bệnh đóng vai trò quan (Convolution Neural Network – CNN), để giải quyếttrọng trong hoạt động nông nghiệp nói chung cũng như bài toán này có thể phân chia thành một số hướng tiếpsản xuất lúa gạo nói riêng. Trong xu thế ứng dụng các cận chính. Hướng tiếp cận đầu tiên dựa trên phươngthành tựu khoa học kỹ thuật vào sản xuất nông nghiệp, pháp transfer learning: sử dụng lại trọng số (toàn bộhướng tới một nền nông nghiệp công nghệ cao, tiên tiến, hoặc một phần) của các mô hình đã được huấn luyệnhiện đại, làm thế nào để có thể phát hiện chính xác một (pre-trained) trên một tập dữ liệu tổng quát với kíchcách tự động sâu bệnh trở thành một bài toán có nhiều ý thước lớn (thường là ImageNet), sau đó tiến hành tinhnghĩa thực tế. Trong bài báo này, chúng tôi đề xuất một chỉnh cấu trúc mạng và cuối cùng là huấn luyện lại cấumô hình CNN nhẹ (lightweight) có khả năng phân loại trúc mạng mới (nếu cần). Các thao tác tinh chỉnh cấusâu bệnh trên cây lúa. Mô hình sử dụng thiết kế Skip-Layer Excitation (SLE) với số lượng tham số ít, độ phức trúc mạng thường được sử dụng gồm có thêm hoặc bớttập tính toán thấp, rất phù hợp để triển khai trong thực một số lớp CNN, thay đổi bộ phân lớp – thường là cáctế trên các thiết bị nhúng với khả năng xử lý hạn chế. Kết lớp kết nối đầy đủ (Fully Connected – FC). Hướng tiếpquả thực nghiệm cho thấy mô hình có hiệu quả tương cận sử dụng transfer learning được sử dụng phổ biếnđương các mô hình tương tự trên nhiều tập dữ liệu khác trong nhiều nghiên cứu về bài toán này. Nhóm tác giảnhau. Shrivastava [1] sử dụng mô hình AlexNet để trích xuất đặc trưng và dùng Support Vector Machine (SVM) để Keywords- Phân loại ảnh, mô hình CNN nhẹ, sâu bệnh phân lớp dựa trên các đặc trưng này. Nghiên cứu củatrên lúa, Skip-Layer Excitation. Chen [2] kết hợp mô hình DenseNet với khối Inception để tạo thành mô hình DENS-INCEP. Kathiresan và các I. GIỚI THIỆU đồng nghiệp [3] đề xuất mô hình RiceDenseNet dựa trên kiến trúc mạng Densenet-169 bằng cách thêm lớp Lúa là một trong những cây lương thực quan trọng Max pooling vào mô hình gốc và thêm các lớp Averagetrên thế giới. Sự phát triển của cây lúa chịu tác động pooling, FC, Dropout, Batch Normalization vào bộcủa nhiều yếu tố trong đó sâu bệnh là một trong những phân lớp hiện có. Nhìn chung, hướng tiếp cận transferyếu tố tiêu cực gây ra nhiều ảnh hưởng nghiêm trọng. learning dễ thực hiện và có hiệu suất cao (phần lớn đềuNếu không được phát hiện và diệt trừ sớm, sâu bệnh sẽ đạt được độ chính xác hơn 90%) vì được xây dựng dựalàm chậm quá trình sinh trưởng của cây lúa cũng như trên các mô hình đã chứng tỏ được hiệu quả trong bàilàm giảm năng suất và chất lượng lúa thu hoạch. toán phân lớp ảnh tổng quát. Tuy nhiên, hầu hết các mô Nếu như trước đây sâu bệnh chỉ được phát hiện một hình trên đều có kích thước lớn, nhiều tham số do sửcách thủ công thông qua quan sát bằng mắt thường thì dụng nhiều lớp CNN nên khó triển khai hoặc nếu triển khai được cũng hoạt động kém hiệu quả trong môihiện nay bằng việc áp dụng một số công nghệ và kỹ trường ứng dụng thực tế (thường chỉ có các thiết bị cóthuật mới, việc phát hiện sâu bệnh đã có thể được thực khả năng xử lý hạn chế, hiệu năng thấp như điện thoạihiện một cách tự động với độ chính xác cao, góp phần di động, Raspberry Pi, …).làm giảm chi phí, tăng cường hiệu quả sản xuất nôngnghiệp ...