Home
Giới thiệu
Tài khoản
Đăng nhập
Quên mật khẩu
Đổi mật khẩu
Đăng ký tạo tài khoản
Liệt kê
Công trình khoa học
Bài báo trong nước
Bài báo quốc tế
Sách và giáo trình
Thống kê
Công trình khoa học
Bài báo khoa học
Sách và giáo trình
Giáo sư
Phó giáo sư
Tiến sĩ
Thạc sĩ
Lĩnh vực nghiên cứu
Tìm kiếm
Cá nhân
Nội dung
Góp ý
Hiệu chỉnh lý lịch
Thông tin chung
English
Đề tài NC khoa học
Bài báo, báo cáo khoa học
Hướng dẫn Sau đại học
Sách và giáo trình
Các học phần và môn giảng dạy
Giải thưởng khoa học, Phát minh, sáng chế
Khen thưởng
Thông tin khác
Tài liệu tham khảo
Hiệu chỉnh
Số người truy cập: 107,342,318
Hệ thống nhận dạng quả măng cụt chín dựa trên mô hình Faster R-CNN cải tiến
Tác giả hoặc Nhóm tác giả:
Trịnh Trung Hải, Ninh Khánh Duy, Nguyễn Hà Huy Cường, Hồ Phan Hiếu
Nơi đăng:
Hội thảo Khoa học Quốc gia lần thứ XVI, FAIR 2023;
S
ố:
ISBN: 978-604-316;
Từ->đến trang
: 337-344;
Năm:
2023
Lĩnh vực:
Công nghệ thông tin;
Loại:
Bài báo khoa học;
Thể loại:
Trong nước
TÓM TẮT
Xu hướng công nghệ trí tuệ nhận tạo được triển khai ứng dụng mạnh mẽ trong mọi lĩnh vực đời sống kinh tế - xã hội, trong đó nông nghiệp (hay nền nông nghiệp thông minh) đang được Chính phủ Việt Nam quan tâm, chú trọng phát triển. Nhận thấy nền nông nghiệp truyền thống đang bị lạc hậu, tốn nhiều chi phí nguồn nhân lực. Chính vì thế, cần vận dụng những thành tựu khoa học để giải quyết các vấn đề tự động hóa các khâu trong quy trình trồng trọt và chế biến nông sản. Việc phân loại trái cây khi vào thời kỳ thu hoạch đang là phương pháp kỹ thuật mới và mang những yếu tố tích cực trong lĩnh vực công nghệ cao. Trong bài báo này, chúng tôi tập trung trình bày nghiên cứu giải pháp phân loại quả Măng Cụt chín thông qua các kỹ thuật máy học và áp dụng các mô hình học sâu, mạng nơ-ron tích chập tiêu biểu là Faster R-CNN cải tiến dựa trên hình ảnh được chụp từ một số vùng trồng Măng Cụt. Sử dụng Mạng đề xuất khu vực để trích xuất vùng hình ảnh chứa vật phẩm để phân loại và xác định vị trí của Măng Cụt và ROI (Vùng quan tâm). Thuật toán tổng hợp bằng cách thêm lớp Căn chỉnh ROI để tối ưu hóa dữ liệu tính năng trong quá trình huấn luyện. Qua kỹ thuật lập trình và mô phỏng thực nghiệm với phương pháp đề xuất của chúng tôi đã cải thiện cả tốc độ lẫn độ chính xác trong việc xử lý các tập dữ liệu lớn và phức tạp. Khi sử dụng bộ dữ liệu gồm 5.000 ảnh chụp quả Măng Cụt chín và nhiều quả Măng Cụt kết quả mô hình của chúng tôi vượt trội hơn so với phương pháp tiếp cận một giai đoạn về độ chính xác trong khi vẫn duy trì tốc độ thời gian thực với độ chính xác đạt tối đa từ 94% cho tới 98,7%.
ABSTRACT
The trend of artificial intelligence technology is being strongly implemented in all areas of economic and social life, with a focus on agriculture (or smart agriculture) by the Vietnamese government. Traditional agriculture is seen as outdated and resource-intensive, prompting the need to apply scientific achievements to automate processes in farming and processing agricultural products. Fruit classification during harvest is a new technical method with positive aspects in the high-tech field. In this paper, we focus on presenting research on ripe mangosteen classification solutions using machine learning techniques and applying representative deep learning models, such as the improved Faster R-CNN based on images captured from various mangosteen cultivation areas. We use the proposed region proposal network to extract image regions containing objects for classification and identifying the position of ripe mangosteen and ROI (Region of Interest). The synthesized algorithm adds an ROI alignment layer to optimize feature data during training. Through programming and experimental simulation, our proposed method has improved both speed and accuracy in processing large and complex datasets. When using a dataset of 5,000 images of ripe mangosteen and many others, our model outperforms the one-stage approach in terms of accuracy while maintaining real-time speed, achieving a maximum accuracy of 94% to 98.7%.
[
2023\2023m012d020_9_34_1743B_FAIR2023_paper_495_Publish.pdf
]
© Đại học Đà Nẵng
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn