Trí tuệ nhân tạo (artificial intelligence - AI), học máy (machine learning – ML) hay học sâu (deep learning - DL) là những thuật ngữ thường được sử dụng ngày nay.
Trong đó, ML là một hướng nghiên cứu của khoa học máy tính và là một phần trong hệ thống của trí tuệ nhân tạo, dễ dàng tích hợp các loại dữ liệu khác nhau. Trong khi đó, DL là một nhánh cụ thể của ML với việc sử dụng các giá trị dữ liệu phân cấp, trong đó có việc chuyển đổi thông tin giữa các bước khác nhau thành các biểu diễn phức tạp hơn của dữ liệu. Cuối cùng, AI là một nhánh của khoa học máy tính, được dùng để nghiên cứu và xây dựng phần mềm và máy móc thông minh. Việc ứng dụng AI vào phân lớp hình ảnh được ứng dụng mạnh mẽ trong khoảng thời gian gần đây.
Phân loại hình ảnh là kỹ thuật được sử dụng để trích xuất thông tin từ hình ảnh, nhãn và pixel từ hình ảnh. Để thực hiện phân loại, các hình ảnh cùng đối tượng sẽ được cung cấp kết hợp với một sơ đồ phân loại thích hợp và khi đủ số lượng mẫu huấn luyện thì hiệu quả phân loại sẽ càng cao. Do đó, hệ thống phân loại phụ thuộc vào yêu cầu của người dùng thông qua việc bố trí sơ đồ phân loại thích hợp. Phân loại ảnh có nhiều cách tiếp cận khác nhau bằng cách sử dụng các giải thuật của máy học, mà phổ biến là mạng nơ-ron nhân tạo, hệ chuyên gia và logic mờ,... Quá trình tiền xử lý ảnh bao gồm các thao tác lựa chọn mẫu, tiền xử lý hình ảnh, trích xuất đặc trưng, lựa chọn giải thuật, xử lý sau phân loại và đánh giá độ chính xác của giải thuật. Trong đó, quá trình lựa chọn mẫu và tiền xử lý có vai trò quan trọng, ảnh hưởng đến độ chính xác của giải thuật phân loại. Kết quả đạt được giúp phát hiện và nhận biết tôm bệnh nhanh và hiệu quả. Sớm thực hành phát hiện và điều trị có thể giúp kịp thời ứng phó với các bệnh tôm mới nổi giảm thiểu dịch bệnh tàn phá, giúp nông dân có biện pháp xử lý kịp thời, từ đó tăng năng suất và chất lượng sản phẩm.
Sơ đồ huấn luyện hệ thống phân loại bệnh tôm dựa trên hình ảnh. Ảnh: Hồng Huyền
Một thử nghiệm bước đầu đã thực hiện trên 644 hình ảnh gồm: hình ảnh của 5 loại bệnh tôm và hình ảnh tôm khỏe mạnh, từ nhiều nguồn khác nhau, để chia làm 6 lớp dữ liệu. Sau khi tiền xử lý, 2 bộ dữ liệu thu được gồm: 14.530 mẫu dùng đặc trưng SURF và 4.096 mẫu dùng Kmeans. Việc kiểm thử các giải thuật AI trong nhận diện bệnh tôm được tiến hành trên 4 giải thuật, gồm: giải thuật hồi qui tuyến tính, Naïve Bayes, K láng giềng gần nhất và RF. Các giải thuật này được huấn luyện trên 70% số mẫu của bộ dữ liệu và được kiểm tra trên 30% số mẫu còn lại. Các tiêu chí được dùng để đánh giá độ tin cậy của giải thuật bao gồm: Precision, Recall và F1. Kết quả kiểm thử cho thấy giải thuật RF có độ chính xác cao nhất, đạt 85,9% theo tiêu chí đánh giá Recall.
Ảnh mẫu của bệnh đốm đen sau khi phân chia làm 4 cụm bằng K-means. Ảnh: Hồng HuyềnMột kỹ thuật khác ứng dụng của mô hình deep learning trong nuôi tôm phát hiện bệnh cho phép phát hiện bệnh nhanh chóng và chính xác. Cụ thể, ba mô hình khác nhau (SVM, VGG16, GonCNN) đã được xây dựng, thử nghiệm, so sánh và đánh giá. Kết quả kiểm định cho thấy mô hình GonCNN đề xuất vượt trội so với 2 mô hình còn lại, với tỷ lệ 92,93% độ chính xác. Trong khi SVM và VGG16 với độ chính xác tương ứng 75,67% và 86,94%. Dựa trên những phát hiện, mô hình GonCNN đã được được chọn để phát triển hệ thống phát hiện bệnh cho tôm bằng cách sử dụng ảnh chụp bằng máy ảnh của thiết bị di động.
Ứng dụng có thể được mở rộng để thực hiện bao gồm nhiều bệnh hơn, cho phép máy tính học hỏi, xây dựng và hoàn thiện cơ sở dữ liệu thông tin dịch bệnh cho tôm. Kể từ đó, ứng dụng đã phát triển thành một cộng đồng ứng dụng đã được triển khai trong hệ thống thủy sinh để hỗ trợ nông dân và những người quan tâm đến các bệnh của tôm cũng như các loại thủy sản khác kịp thời phát hiện để có thể đưa ra quyết định sớm trong chăm sóc, cải tạo nuôi trồng thủy sản.
_1766291527.jpg)
_1766135975.jpg)
_1766135975.jpg)
_1766124792.jpg)
