Header Page of 126 BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG NGUYỄN THỊ DIỆU PHƯƠNG ỨNG DỤNG MẠNG NƠ-RON TRONG NHẬN DẠNG MẪU VÀ ĐÁNH GIÁ CHẤT LƯỢNG QUẢ XOÀI Chuyên ngành: Khoa học máy tính Mã số: 60.48.01 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT Đà Nẵng - Năm 2013 Footer Page of 126 Header Page of 126 Công trình hoàn thành ĐẠI HỌC ĐÀ NẴNG Người hướng dẫn khoa học: TS HUỲNH HỮU HƯNG Phản biện 1: PGS.TS PHAN HUY KHÁNH Phản biện 2: GS.TS NGUYỄN THANH THUỶ Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ Kỹ thuật họp Đại học Đà Nẵng vào ngày tháng năm 2013 Có thể tìm hiểu luận văn tại: - Trung tâm Thông tin - Học liệu, Đại Học Đà Nẵng Footer Page of 126 18 Header Page of 126 MỞ ĐẦU Lý chọn đề tài Xử lý ảnh công nghệ ứng dụng rộng rãi nhiều lĩnh vực đời sống xã hội Không dừng lại việc xử lý vết nhòe, tái chế phục hồi ảnh cũ, ngày công nghệ xử lý ảnh mang lại tiến vượt bậc nhận dạng vân tay, nhận dạng khuôn mặt, nhận dạng đối tượng, phân loại đối tượng kết hợp với mạng nơ-ron nhân tạo Đề tài tiếp cận khâu cuối tiêu chuẩn GAP nhằm kiểm soát đánh giá chất lượng xoài trước đưa vào đóng gói xuất thị trường: Rau thu hoạch độ chín, loại bỏ bị héo, bị sâu, dị dạng,…Cụ thể “ứng dụng mạng nơ-ron nhận dạng mẫu đánh giá chất lượng xoài” nhằm tăng cường tự động hóa trình sản xuất nông nghiệp nước ta Việc đánh giá chất lượng xoài thực nhiều nhà nghiên cứu, hầu hết họ dựa đặc trưng quan trọng xoài như: kích thước, hình dáng, màu sắc kết cấu bề mặt Các đặc trưng hướng tiếp cận để lựa chọn thực đề tài Mục tiêu nhiệm vụ nghiên cứu 2.1 Mục tiêu đề tài Đánh giá chất lượng xoài kỹ thuật xử lý ảnh số nhận dạng mẫu mà không phá vỡ cấu trúc chúng So sánh phương pháp đánh giá, thấy sử dụng mạng nơ-ron để đánh giá chất lượng xoài cho kết xác Footer Page of 126 Header Page of 126 2.2 ụ đề a : nghiên cứu kỹ thuật xử lý ảnh; thu thập, xây dựng sở liệu ảnh số loại xoài Việt Nam ; nghiên cứu cách tiếp cận kỹ thuật đánh giá chất lượng xoài, kiểm tra bề mặt xoài có bị sâu, bị héo, bị xốp, xoài có bị biến dạng, độ chín xoài ; ứng dụng mạng nơ-ron toán phân loại xoài đạt hay không đạt chất lượng Đối tượng phạm vi nghiên cứu Đối tượng nghiên cứu: xoài, loại trái phổ biến có tiềm xuất Phạm vị nghiên cứu: Kỹ thuật xử lý ảnh nhận dạng đối tượng (quả xoài), ứng dụng mạng nơ-ron để đánh giá chất lượng xoài Phương pháp nghiên cứu Phương pháp tài liệu: Cơ sở lý thuyết kỹ thuật xử lý ảnh, kỹ thuật mạng nơ-ron, đánh giá chất lượng sản phẩm xoài Phương pháp thực nghiệm: Xây dựng cở sở liệu ảnh huấn luyện (thu thập ảnh xoài) & xây dựng chương trình thử nghiệm dùng công cụ matlab Bố cục luận văn Nội dung luận văn trình bày bao gồm chương: Chương 1: Nghiên cứu tổng quan Chương trình bày tổng quan kỹ thuật xử lý ảnh số giới thiệu mạng nơ-ron Trước tiên giới thiệu khái niệm ảnh số, ứng dụng xử lý ảnh số thực tế Tiếp theo giới thiệu khái quát bước xử lý ảnh số như: trình thu nhận ảnh, lọc cải thiện ảnh, phục hồi ảnh, xử lý ảnh màu, xử lý hình thái học, phân đoạn ảnh, biểu diễn mô tả ảnh, nhận dạng đối Footer Page of 126 Header Page of 126 tượng, sở tri thức Cuối chương trình bày tổng quan mạng nơron Chương 2: Các phương pháp đánh giá chất lượng Từ tiêu chí đánh giá chất lượng xoài, ta sử dụng phương pháp để đánh giá chất lượng xoài: phát khuyết điểm bề mặt xoài sử dụng thuật toán Otsu, phát khuyết điểm bề mặt xoài sử dụng thuật toán K-Means, đánh giá chất lượng xoài sử dụng thuật toán k-NN Chương 3: Ứng dụng mạng nơ-ron nhận dạng mẫu đánh giá chất lượng xoài Tôi xây dựng tập mẫu xoài đạt chất lượng tập mẫu xoài không đạt chất lượng, làm đầu vào cho phương pháp đánh giá chất lượng Với phương pháp đánh giá chất lượng trình bày chương sử dụng công cụ Matlab để thử nghiệm Tiếp tục xây dựng mạng nơ-ron để đánh giá chất lượng xoài công cụ Matlab So sánh kết đánh giá phương pháp, từ đưa kết luận Footer Page of 126 Header Page of 126 CHƯƠNG NGHIÊN CỨU TỔNG QUAN 1.1 GIỚI THIỆU CHUNG VỀ XỬ LÝ ẢNH SỐ VÀ ỨNG DỤNG Từ năm 1980 tới nay, xử lý ảnh phát triển không ngừng ứng dụng nhiều lĩnh vực khác điện tử gia đình, thiên văn học, y tế, sinh vật học, nông nghiệp, vật lý, địa lý, nhân chủng học,…Nhìn nghe hai phương tiện quan trọng để người nhận thức giới bên ngoài, đáng ngạc nhiên mà xử lý ảnh số có nhiều khả ứng dụng, không khoa học, kỹ thuật mà hoạt động khác người Một ảnh xác định hàm không gian hai chiều f(x,y), x y vị trí tọa độ không gian (thường gọi điểm ảnh - pixel), độ lớn f cặp điểm (x, y) gọi độ sáng (intensity) mức độ xám (gray level) ảnh điểm 1.2 TỔNG QUAN VỀ CÁC KỸ THUẬT XỬ LÝ ẢNH SỐ 1.2.1 Thu nhận ảnh 1.2.2 Lọc cải thiện ảnh a K ễu Khử nhiễu hệ thống Khử nhiễu ngẫu nhiên b Bộ lọ r ề k ô a Lọc trung bình – Mean/Average filter Lọc trung vị - Median filter Footer Page of 126 Header Page of 126 c Bộ lọ r ề ầ số Lọc đồng hình (Homomorphie Filter) Lọc thông thấp lọc thông cao 1.2.3 Xử lý ảnh màu a Không gian màu RGB b Không gian màu CIE 1.2.4 Xử lý hình thái học a K ả Xử lý ảnh hình thái học dựa cấu trúc hình dạng, dùng tính toán hình thái để làm đơn giản ảnh giữ lại đặc trưng Tất thao tác xử lý hình thái học dựa hai ý tưởng cở bản: Fit: Tất điểm ảnh nằm phần tử cấu trúc che phủ tất điểm ảnh ảnh Hit: Điểm ảnh phần tử cấu trúc che phủ điểm ảnh ảnh b P ép ã ả ịp â Phép giãn ảnh (Dilation) Phép co ảnh (Erosion) c P ép ởả ịp â Phép mở ảnh phép đóng ảnh hai phép toán mở rộng từ hai phép toán hình thái phép co phép giãn ảnh nhị phân Phép mở ảnh thường làm trơn biên đối tượng ảnh, loại bỏ phần nhô có kích thước nhỏ Phép đóng ảnh tương tự làm trơn biên đối tượng ảnh ngược với phép mở 1.2.5 Phân đoạn ảnh a P â đ ả Footer Page of 126 dựa rê ưỡ Header Page of 126 b P â đ ả dựa rê ê c P â đ ả dựa rê ù 1.2.6 Cơ sở tri thức 1.3 TỔNG QUAN VỀ MẠNG NƠ-RON Mạng nơ-ron nhân tạo (Artificial Neural Network- ANN) giống não người, học kinh nghiệm (thông qua huấn luyện), có khả lưu giữ kinh nghiệm hiểu biết (tri thức) sử dụng tri thức việc dự đoán liệu chưa biết Các ứng dụng mạng nơ-ron sử dụng nhiều lĩnh vực điện, điện tử, kinh tế, quân sự,… để giải toán có độ phức tạp đòi hỏi có độ xác cao điều khiển tự động, khai phá liệu, nhận dạng,… 1.3.1 Kiến trúc tổng quát mạng nơ-ron Processing Elements (PE): Các PE ANN gọi nơ-ron, nơ-ron nhận liệu vào xử lý chúng cho kết Kết xử lý nơ-ron làm đầu vào cho nơ-ron khác Kiến trúc chung ANN gồm thành phần lớp đầu vào (Input Layer), Lớp ẩn (Hidden Layer) lớp đầu (Output Layer) Trong đó, lớp ẩn gồm nơ-ron, nhận liệu đầu vào từ nơ-ron lớp trước chuyển đổi đầu vào cho lớp xử lý Trong ANN có nhiều lớp ẩn Footer Page of 126 Header Page of 126 Hình 1.20 Kiến trúc tổng quát mạng nơ-ron nhân tạo 1.3.2 Quá trình học mạng nơ-ron Có hai vấn đề cần học mạng nơ-ron nhân tạo học tham số học cấu trúc Học tham số việc thay đổi trọng số liên kết nơ-ron mạng, học cấu trúc việc điều chỉnh cấu trúc mạng bao gồm thay đổi số lớp nơ-ron, số nơ-ron lớp cách liên kết chúng Hai vấn đề thực đồng thời tách biệt Footer Page of 126 Header Page 10 of 126 CHƯƠNG CÁC PHƯƠNG PHÁP ĐÁNH GIÁ CHẤT LƯỢNG Trước đưa phương pháp đánh giá chất lượng xoài trình bày tiêu chí để đánh giá chất lượng xoài (bảng 1), phạm vi đề tài đánh giá bên xoài bao gồm: Hình dáng, màu sắc, kết cấu, khuyết tật bề mặt xoài Kích thước (trọng lượng, khối lượng, kích thước) Hình dáng (đường kính, tỷ lệ độ sâu) Đánh giá Màu sắc (có tính đồng đều, cường độ) bên Kết cấu (độ mịn, thô, phẳng) Khuyết tật (vết thương, bị sâu đục, có đốm) Hương thơm (ngọt ngào, có mùi chua, có mùi chát, hương thơm) Đánh giá Đặc tính (săn chắc, tính chất dồn, nhiều nước) bên Dinh dưỡng (Carbohydrate, đạm, vitamin, chất dinh dưỡng khác) Khuyết tật (lỗ hỏng, hỏng cuống, bị bầm) Bảng 1: Các tiêu chuẩn đánh giá chất lượng 2.1 PHÁT HIỆN KHUYẾT ĐIỂM SỬ DỤNG THUẬT TOÁN OTSU 2.1.1 Mô hình hệ thống phát khuyết điểm 2.1.2 Chuyển không gian màu RGB sang CIE L*a*b* ngược lại Để chuyển đổi từ không gian màu RGB sang không gian màu CIE L*a*b* thực bước sau: Footer Page 10 of 126 Header Page 12 of 126 10 Ảnh đơn sắc a* Ảnh qua tiếp phép Ảnh sau lấy qua lọc đóng ảnh nhằm loại ngưỡng Otsu biến trung vị nhiễu bên đổi sang nhị phân Hình 2.5 Phân đoạn ảnh đơn sắc a* sử dụng phương pháp lấy ngưỡng Otsu 2.2 PHÁT HIỆN KHUYẾT ĐIỂM SỬ DỤNG THUẬT TOÁN K-MEANS 2.2.1 Mô hình hệ thống phát khuyết điểm Tôi dùng thuật toán K-Means để phân hai cụm liệu (hai lớp), từ phát khuyết điểm bề mặt xoài Sau trình nghiên cứu thử nghiệm, xin đề xuất mô hình xử lý hình 2.6 Quả xoài đưa vào kiểm tra Ảnh RGB Chuyển đổi không gian màu RGB  CIE L*a*b* Tách kênh màu a*b* từ CIE L*a*b* Ảnh màu kênh a*b* Kết luận xoài có khuyết điểm không? Phân đoạn ảnh sử dụng thuật toán KMeans Hình 2.6 Mô hình phát khuyết điểm sử dụng thuật toán K-Means Footer Page 12 of 126 11 Header Page 13 of 126 2.2.2 Phân đoạn ảnh sử dụng thuật toán K-Means[3] Thuật toán K-Means thuật toán gom cụm hay phân đoạn không giám sát máy học, phân đoạn liệu tương tự thành cụm dựa chuẩn Thuật toán giả sử tập giá trị đầu vào không gian vector cố gắng tìm cụm (lớp) cách tự nhiên chúng Các giá trị đầu vào phân lớp dựa điểm tâm (centriod) i i  k cho khoảng cách chúng với điểm tâm nhóm nhỏ k V   (x i 1 x j  S i j  i ) (2.6) Đầu vào thuật toán ảnh hai chiều không gian màu a*b* thực qua bước sau đây: 1) Tính toán phân bố cường độ sáng (thường gọi lược đồ mức xám - histogram) điểm ảnh ảnh 2) Khởi tạo điểm tâm với cường độ ngẫu nhiên k 3) Lặp lại bước việc phân cụm nhãn ảnh không thay đổi nhiều 4) Phân cụm điểm tâm dựa khoảng cách từ giá trị cường độ sáng điểm tâm đến giá trị cường độ sáng (c(i) thường gọi hàm chi phí thuật toán K-Means) c (i )  arg || x (i )   j || j (2.7) 5) Tính toán giá trị điểm tâm cho cụm  1{c  j}x   1{c  j} m i (i ) i 1 m i 1 (i ) (2.8) (i ) Trong đó, k tham số đầu vào thuật toán (số cụm cần tìm), i biến lặp tất giá trị cường độ sáng ảnh, j Footer Page 13 of 126 12 Header Page 14 of 126 biến lặp tất điểm tâm i điểm tâm giá trị cường độ sáng Trong toán ta chọn k =2 Ảnh RGB Ảnh đánh nhãn số cụm Ảnh đối tượng Ảnh đối tượng cụm thứ cụm thứ hai Hình 2.8 Phân đoạn ảnh thuật toán K-Means với k=2 2.3 ĐÁNH GIÁ CHẤT LƯỢNG SỬ DỤNG THUẬT TOÁN k-NN 2.3.1 Mô hình hệ thống Quả xoài huấn luyện Quả xoài đưa vào kiểm Quả xoài huấn luyện tra Trích lọc đặc trưng: Màu sắc, hình dáng kết cấu bề mặt Cơ sở liệu Các thông số đặc trưng Trích lọc đặc trưng: Màu sắc, hình dáng kết cấu bề mặt Trích lọc đặc trưng: Màu sắc, hình dáng kết cấu bề mặt Các thông số đặc trưng Cơ sở liệu Các thông số đặc trưng Sử dụng thuật toán kNN để phân lớp So sánh khoảng cách Euclidean Kết luận xoài kiểm tra đạt hay không đạt chất lượng Hình 2.9 Mô hình nhận dạng xoài sử dụng thuật toán k-NN Footer Page 14 of 126 13 Header Page 15 of 126 2.3.2 Trích lọc đặc trưng ảnh a M u sắ Để tách đặc trưng màu sắc, chọn không gian màu HSV Trong đó, kênh màu H chọn làm tham số đầu vào cho việc đo lường hình dáng kênh S tính toán giá trị trung bình để đưa vào tập huấn luyện, kênh V chọn làm tham số đầu vào cho sóng Gabor để làm đặc trưng kết sóng Gabor đưa vào ma trận GLMC trích lọc đặc trưng b Hình dáng Sau bước phân vùng ảnh có đối tượng, công việc tiến hành tính diện tích chu vi đối tượng Độ lớn hình dáng xoài tính toán dựa diện tích chu vi theo công thức sau [21]: shape  4 dien _ tich chu _ vi (2.12) c Kế ấu ề ặ Để trích lọc đo lường đặc trưng kết cấu, xin đề xuất mô sau: Ảnh màu RGB đầu vào sau chuyển đổi sang không gian màu HSV tách kênh H, S, V riêng biệt kênh đơn màu H dùng làm đầu vào cho sóng Gabor để trích lọc đặc trưng kết cấu, sóng Gabor có nhiều tham số khác nhau, bước phải thực để điều chỉnh chọn lọc giá trị tham số đầu vào sóng Gabor cho kết xử lý ảnh đơn màu H rõ kết cấu Sau đưa vào sóng Gabor ảnh đơn kênh có kết cấu rõ tạo (ảnh H’), ảnh H’ đưa vào ma trận đồng mức xám để đo lường giá trị kết cấu ảnh H’ Kết từ ma trận đồng mức xám Footer Page 15 of 126 Header Page 16 of 126 14 lưu vào CSDL – giai đoạn huấn luyện làm tham số đầu vào cho thuận toán k-NN để phân lớp đối tượng Ảnh đơn sắc (kênh H) Ảnh đơn sắc kênh H Sóng Gabor (Wavelet Gabor) Ảnh kết cấu H’ Các tham số kết cấu Ma trận Co-occurence Cơ sở liệu Hình 2.13 Mô hình trích lọc đo lường đặc trưng kết cấu  Sóng Gabor – Gabor Wavelet Hàm sóng Gabor miền không gian có dạng sau [7]: x'  y ' x' g  , , , , ( x, y)  exp( ) cos(2   ) (2.13)  2 Trong đó, x'  x cos( )  y sin( ) , y'   x sin( )  y cos( ) Ảnh kết cấu sau phân tích Ảnh RGB Gabor Wavelet Wavelet Gabor    8,   [0 ],   0.5 b  1, N  12,   108 Hình 2.14 Các tham số hàm Gabor Wavelet đặc trưng kết cấu  Ma trận đồng mức xám Co-occurrence GLCM ảnh f(x,y) có kích thước MxM có G mức độ xám ma trận hai chiều C(i, j) Do đó, có nhiều ma trận GLCM khác phụ thuộc vào cặp giá trị d GLCM tính toán sau [14]: Footer Page 16 of 126 15 Header Page 17 of 126 max(|x1  x2 |, | y1  y2 )  d ((x1 , y1 ), ( x2 , y2 ))   f ( x1 , y1 )  i, f ( x2 , y2 )  j Cd (i, j )  N ((x1 , y1 ), ( x2 , y2 ))  MxM (2.15) Haralick đề nghị tập hợp gồm 14 đặc trưng tính toán từ ma trận đồng mức xám GLCM sử dụng để phân lớp kết cấu hình ảnh Một số tính quan trọng kể đến lượng (energy), độ tương phản (contrast), entropy, độ tương đồng (Correlation), tính đồng (homogeneity), Ảnh RGB Các giá trị tham số GLCM tương ứng với Gabor Wavelet Gabor Wavelet Entropy: 0.928362 Contrast: 0.201412    4,   [0 ],   0.5 b  1, N  12,   108 Correlation: 0.970319 Energy: 0.136772 Homogeneity: 0.899294 2.3.3 Phân lớp xoài sử dụng thuật toán k-NN[21] a T uậ k-NN b T uậ k- a số p â l x Đối với toán nhận dạng xoài, tham số đặc trưng trích lọc đưa vào làm giá trị đầu vào cho k-NN Tham số màu sắc bao gồm: Giá trị trung bình kênh màu HSV độ lệch chuẩn kênh màu không gian màu HSV Tham số hình dáng bao gồm: Độ rắn Tham số kết cấu bề mặt bao gồm: Entropy, độ tương phản, độ tương đồng, lượng tính đồng góc xoay  = 108 Footer Page 17 of 126 16 Header Page 18 of 126 CHƯƠNG ỨNG DỤNG MẠNG NƠ-RON TRONG NHẬN DẠNG MẪU VÀ ĐÁNH GIÁ CHẤT LƯỢNG QUẢ XOÀI Một giải pháp mà lựa chọn ứng dụng mạng nơ-ron để đánh giá chất lượng xoài đưa vào kiểm tra đạt hay không đạt chất lượng dựa kinh nghiệm học mạng nơ-ron Tiêu chí để đánh giá xoài đạt chất lượng là: màu sắc đồng đều, kết cấu phẳng, bề mặt láng mịn, số lượng đốm bề mặt ít, kích thước đốm nhỏ 3.1 TẬP MẪU HUẤN LUYỆN 3.1.1 Tập mẫu huấn luyện xoài đạt chất lượng Hình 3.1 Tập mẫu xoài đạt chất lượng 3.1.2 Tập mẫu huấn luyện xoài không đạt chất lượng Hình 3.2 Tập mẫu xoài không đạt chất lượng Footer Page 18 of 126 Header Page 19 of 126 17 3.2 CÀI ĐẶT CHƯƠNG TRÌNH Yêu cầu chương trình thu nhận hình ảnh xoài đầu vào đầu chương trình nhằm đánh giá chất lượng xoài: đạt chất lượng không đạt chất lượng Hiện để xử lý ảnh ta sử dụng ngôn ngữ C#, Matlab,…Tôi lựa chọn ngôn ngữ lập trình Matlab thư viện Matlab có nhiều hàm hỗ trợ sẵn 3.2.1 Giao diện môđun phát khuyết điểm bề mặt xoài dựa phân đoạn ảnh Hình 3.4 Kết kiểm tra với thuật toán Otsu Hình 3.5 Kết kiểm tra với thuật toán K-Means Footer Page 19 of 126 Header Page 20 of 126 18 3.2.2 Giao diện môđun đánh giá chất lượng sử dụng thuật toán k-NN Hình 3.6 Kết kiểm tra với thuật toán k-NN 3.3 BÀI TOÁN ĐÁNH GIÁ CHẤT LƯỢNG QUẢ XOÀI DỰA TRÊN MẠNG NƠ-RON 3.3.1 Mô hình hệ thống 3.3.2 Các bước trình thiết kế xây dựng mạng Bướ 1: Chọn lựa biến Bướ 2: Thu thập liệu Bướ 3: Tiền xử lý liệu Bướ 4: Phân chia tập liệu Bướ 5: Xác định cấu trúc mạng Bướ 6: Xác định tiêu chuẩn đánh giá Bướ 7: Huấn luyện mạng Bướ 8: Thực thi 3.3.3 Cài đặt chương trình a Lấy a số đầu ơ-ron Trong mục 3.3.2 trích chọn 25 tham số đặc trưng cho vector đưa vào huấn luyện Tập sở liệu mà lựa chọn bao gồm 29 xoài bao gồm xoài đạt chất lượng xoài Footer Page 20 of 126 19 Header Page 21 of 126 không đạt chất lượng Như ta có ma trận 29 vector x 25 đặc trưng ma trận 29 vector x lớp (lớp đạt chất lượng lớp không đạt chất lượng) để đưa vào huấn luyện Hình 3.12 Lấy tham số đầu vào b Huấ luy ơ-ron Trường hợp huấn luyện với xác suất lỗi 6.9% (có xoài đạt bị nhận dạng xoài không đạt xoài không đạt nhận dạng xoài đạt) Footer Page 21 of 126 Header Page 22 of 126 20 Trường hợp huấn luyện đạt kết tốt với xác suất lỗi 0% Hình 3.15 Kết trình huấn luyện mạng Tập mẫu huấn luyện đưa vào mạng nơ-ron gồm có 29 xoài: 80% dùng cho huấn luyện (13 xoài), 10% dùng cho kiểm định (3 xoài), 10% dùng cho kiểm tra (3 xoài) Bảng kết hình 3.15b thể kết tốt trình huấn luyện mạng nơ-ron gồm có ma trận - Ma trận lỗi tập huấn luyện (Training Confusion Matrix) - Ma trận lỗi tập kiểm định (Validation Confusion Matrix) - Ma trận lỗi tập kiểm tra (Test Confusion Matrix) - Ma trận lỗi (All Confusion Matrix) Ở toán đánh giá chất lượng xoài phân thành lớp: lớp xoài đạt chất lượng lớp xoài không đạt chất lượng Trong ma trận lỗi cột thứ biểu diễn lớp đạt chất lượng hàm mục tiêu, cột thứ biễu diễn lớp không đạt chất lượng hàm mục tiêu, hàng thứ biểu diễn lớp đạt chất lượng hàm ngõ rõ, hàng thứ biễu diễn lớp không đạt chất lượng hàm ngõ Ma trận lỗi tập huấn luyện thể kết trình Footer Page 22 of 126 21 Header Page 23 of 126 huấn luyện: có 10 xoài đạt chất lượng mạng nơ-ron nhận dạng thuộc lớp đạt chất lượng, xoài không đạt chất lượng mạng nơ-ron nhận dạng thuộc lớp đạt chất lượng (xác suất lỗi : 0%), xoài đạt chất lượng mạng nơ-ron nhận dạng thuộc lớp không đạt chất lượng (xác suất lỗi : 0%), 13 xoài không đạt chất lượng mạng nơ-ron nhận dạng thuộc lớp không đạt chất lượng c K ể ấ lượ x đưa Ta chọn xoài đưa vào kiểm tra sau kết hiển thị bên cạnh Nếu xoài đạt chất lượng xếp vào “Class : 1”, xoài không đạt chất lượng xếp vào “Class : 2” Hình 3.17 Kết trả sau kiểm tra 3.4 NHẬN XÉT CÁC PHƯƠNG PHÁP ĐÁNH GIÁ CHẤT LƯỢNG QUẢ XOÀI Với phương pháp phát khuyết điểm ngưỡng toàn cục Otsu thuận lợi thời gian xử lý nhanh sử dụng phép Footer Page 23 of 126 Header Page 24 of 126 22 xử lý ảnh xám, thuật toán đơn giản Ta đếm số vùng bị hỏng xoài tô màu vùng bị hỏng Đầu tiên chuyển ảnh màu thu sang không gian màu L*a*b* Tiếp theo tách kênh a* kênh rõ khuyết điểm, dùng ngưỡng Otsu để tách xoài khỏi làm vùng màu bị hỏng bề mặt xoài Trong trình xử lý ta có xử lý hình thái học ảnh đồng thời làm tăng kích thước vùng hỏng bề mặt xoài Quả xoài có bề mặt trơn bóng nên thu nhận ảnh không cẩn thận để lại vùng chói xoài vùng chói bị chương trình xem vùng hỏng Quả xoài có đặc điểm lúc chín bề mặt có xuất chấm đen nhỏ, dễ bị nhầm lẫn trình phát khuyết điểm Với phương pháp phát khuyết điểm thuật toán KMeans thời gian xử lý lâu xử lý ảnh màu Thuật toán K-Means thuật toán phân cụm, ý tưởng tách vùng màu bị hỏng vùng màu không bị hỏng bề mặt xoài Từ ta phát khuyết điểm cụm tách Dùng thuật toán k-NN để đánh giá chất lượng xoài phương pháp đơn giản, dễ cài đặt, tăng độ xác thuật toán ta sử dụng nhiều tham số đặc trưng xoài Mạng nơ-ron huấn luyện để xấp xỉ hàm mà không cần biết trước liên hệ đầu vào đầu Chúng hoạt động nhớ tự liên hợp cách sử dụng liệu đặc thù cho ứng dụng, toán lĩnh vực cụ thể Đó đặc trưng đem lại cho mạng nơ-ron lợi mô hình khác, đặc trưng thứ lỗi Trong luận văn này, xem xét thuộc tính mạng nơ-ron truyền thẳng trình xác định đầu vào, kiến Footer Page 24 of 126 Header Page 25 of 126 23 trúc mạng phục vụ cho toán cụ thể Chúng xây dựng hệ chương trình phân loại xoài nhằm áp dụng vấn đề lý thuyết tìm hiểu Các thí nghiệm cho thấy, huấn luyện tốt tập liệu đầy đủ hoàn thiện với tham số lựa chọn cẩn thận kết phân loại xác đến 90% Footer Page 25 of 126 Header Page 26 of 126 24 KẾT LUẬN Kết luận Xét mặt lý thuyết, đề tài hoàn thành việc tìm hiểu phần lý thuyết đặt như: tìm hiểu sử dụng thành thạo phần mềm matlab để phát triển toán, tìm hiểu khái niệm xử lý ảnh số, tìm hiểu thuật toán phân lớp liệu: thuật toán Otsu, thuật toán K-Means, thuật toán k-NN, tìm hiểu phương pháp rút trích đặc trưng xoài : kết hợp sóng Gabor với ma trận đồng mức xám GLCM, tìm hiểu mạng nơ-ron toán phân loại trái Xét mặt thực tiễn, đề tài hoàn thành mục tiêu đặt như: đánh giá chất lượng từ hình ảnh xoài thu được, hoàn thành việc cài đặt chạy thành công thuật toán nghiên cứu phần lý thuyết, thực việc so sánh, đánh giá ưu nhược điểm phương pháp chọn giải pháp phù hợp với toán đánh giá chất lượng xoài: sử dụng mạng nơ-ron để đánh giá chất lượng xoài Phạm vi ứng dụng Đề tài có phạm vi ứng dụng hệ thống phân loại trái (cụ thể xoài) Footer Page 26 of 126 ... 10 xoài đạt chất lượng mạng nơ-ron nhận dạng thuộc lớp đạt chất lượng, xoài không đạt chất lượng mạng nơ-ron nhận dạng thuộc lớp đạt chất lượng (xác suất lỗi : 0%), xoài đạt chất lượng mạng nơ-ron. .. xoài sử dụng thuật toán k-NN Chương 3: Ứng dụng mạng nơ-ron nhận dạng mẫu đánh giá chất lượng xoài Tôi xây dựng tập mẫu xoài đạt chất lượng tập mẫu xoài không đạt chất lượng, làm đầu vào cho... sánh, đánh giá ưu nhược điểm phương pháp chọn giải pháp phù hợp với toán đánh giá chất lượng xoài: sử dụng mạng nơ-ron để đánh giá chất lượng xoài Phạm vi ứng dụng Đề tài có phạm vi ứng dụng hệ