ĐỒ ÁN TỐT NGHIỆP NHẬN DẠNG CÁC BỆNH TRÊN LÁ CÂY DÙNG KỸ THUẬT XỬ LÝ ẢNH DANH MỤC CÁC TỪ VIẾT TẮT GLCM Gray Level Coocurrence Matrices ICA Independent Component Analysis KNN K-Nearest Neighbor PCA Principal Component Analysis SVM Support Vector Machine SIFT The Scale Invariant Feature Transform ĐỒ ÁN TỐT NGHIỆP Trang 1/41 CHƯƠNG GIỚI THIỆU ĐỀ TÀI 1.1 Giới thiệu Bệnh lá được xem là bệnh phổ biến đối với người nhà nông, mỗi loại bệnh lá làm cho sinh trưởng phát triển kém, suất bị giảm sút Ví dụ bệnh vàng lá, bệnh sâu vẽ bùa… Hình 1-1 Bệnh vàng lá [4] Hình 1-2 Bệnh sâu vẽ bùa [4] Để giúp người nhà nông các nhà nghiên cứu đã tìm nhiều phương hướng khắc phục, một các giải pháp đó là phát bệnh lá thông qua xử lý ảnh Nhận dạng các loại bệnh lá thông qua xử lý ảnh là phương pháp nhận dạng màu sắc, hình dạng, kích thước của lá bị bệnh so với lá bình thường ban đầu, từ đó rút nguyên nhân gây bệnh của mà khắc phục 1.2 Mục tiêu đề tài Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 2/41 Tìm hiểu được các loại bệnh lá của ăn quả có múi (cây bưởi) và xây dựng giải thuật nhận diện các loại bệnh lá thông qua kỹ thuật xử lý ảnh Phần mềm Matlab được dùng để thực tính toán, phân tích và so sánh dữ liệu bệnh lá, từ đó xây dựng giao diện tương tác giúp đỡ cho những người trồng trọt 1.3 Nội dung thực đề tài Đề tài được thực với các nội dung bản sau:  Tìm hiểu tổng quan về xử lý ảnh và nhận dạng  Tìm hiểu các loại bệnh lá ăn quả có múi, tập trung vào lá bưởi  Xây dựng mô hình giải thuật phát các bệnh bản lá bưởi o Tập hợp sở dữ liệu các ảnh lá bị bệnh o Xây dựng mô hình hệ thống gờm các bước: Tiền xử lý, trích đặc trưng dựa mùa sắc/hình dạng bệnh lá, phân loại dùng thuật toán phân lớp SVM  Thực đánh giá mô hình giải thuật phát bệnh dựa tập sở dữ liệu đã thu thập  Xây dựng được một giao diện tương tác người dùng Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 3/41 CHƯƠNG TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ NHẬN DẠNG 1.4 Lý thuyết xử lý ảnh Xử lý ảnh và đồ họa có vai trò rất quan trọng tương tác người và máy, với việc thu nhận thông tin thông qua các giác quan, thị giác đóng vai trò quan trọng nhất Gần với sự phát triển mạnh mẽ của công nghệ nói chung và xử lý ảnh nói riêng, xử lý ảnh có rất nhiều ứng dụng cuộc sống, góp phần làm thỏa mãn các nhu cầu của người 1.1.1 Những khái niệm bản hệ thống xử lý ảnh  Điểm ảnh (Picture Element) Điểm ảnh (Pixel) là một phần tử của ảnh số tại toạ độ (x, y) với độ xám màu nhất định Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thích hợp cho mắt người cảm nhận sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần ảnh thật Mỗi phần tử ma trận được gọi là một phần tử ảnh  Độ phân giải ảnh Độ phân giải (Resolution) của ảnh là mật độ điểm ảnh được ấn định một ảnh số được hiển thị Theo định nghĩa, khoảng cách giữa các điểm ảnh phải được chọn làm cho mắt người thấy được sự liên tục của ảnh Việc lựa chọn khoảng cách thích hợp tạo nên mợt mật đợ phân bở, đó là độ phân giải và được phân bố theo trục x và trục y không gian hai chiều  Mức xám ảnh Mức xám là cường độ sáng của điểm ảnh, được gán giá trị số tại điểm đó Các thang giá trị mức xám thông thường: 16, 32, 64, 128, 256 (Mức 256 là mức phổ biến) Lý do: từ kỹ thuật máy tính dùng byte (8 bit), để biểu diễn mức xám: Mức xám dùng byte biểu diễn: 28=256 mức, tức là từ đến 255)  Một số phân loại ảnh: Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 4/41 o Ảnh đen trắng: là ảnh có hai màu đen, trắng (không chứa màu khác) với mức xám ở các điểm ảnh có thể khác o Ảnh nhị phân: là ảnh có mức đen trắng phân biệt tức dùng bit mô tả 21 mức khác Nói cách khác: mỗi điểm ảnh của ảnh nhị phân có thể là o Ảnh màu: khuôn khổ lý thuyết ba màu (Red, Blue, Green) để tạo nên thế giới màu, người ta thường dùng byte để mô tả mức màu, đó các giá trị màu: triệu màu o Ảnh số: Ảnh số là tập hợp các điểm ảnh với mức xám phù hợp, dùng để mô tả ảnh gần với ảnh thật  Không gian màu HSV Không gian màu HSV là một không gian màu dựa ba số liệu: o H(Hue): Vùng màu o S(Saturation): Độ bão hòa màu o V(Value): Độ sáng Hình 2-1 Khơng gian màu HSV [6] Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 5/41  Hệ màu lab Hệ màu CIE L*a*b*, được xây dựng dựa khả cảm nhận màu của mắt người Các giá trị Lab mô tả tất cả những màu sắc, mà mắt một người bình thường có thể nhìn thấy được Lab được coi là một mô hình màu độc lập đối với thiết bị, thường được sử dụng một sở tham chiếu, chuyển đổi một màu từ một không gian màu này sang một không gian màu khác Hình 2-2 Hệ màu Lab [6] Đới với hệ màu lab:       có giá trị càng lớn, màu của ảnh nghiêng về màu trắng có giá trị càng nhỏ, màu của ảnh nghiêng về màu đen có giá trị càng lớn, màu của ảnh nghiêng về màu đỏ có giá trị càng nhỏ, màu của ảnh nghiêng về màu lục có giá trị càng lớn, màu của ảnh nghiêng về màu vàng có giá trị càng nhỏ, màu của ảnh nghiêng về màu xanh Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 6/41 1.1.2 Giới thiệu về hệ thống xử lý ảnh Các bước bản một hệ thống xử lý ảnh được thể hình 2.3 Thu nhân ảnh Tiền xử lý ảnh Phân đoạn ảnh Biểu diễn và mô tả Nhân dạng và nơi suy Hình 2-3 Các bước xử lý ảnh  Thu nhận ảnh (Image Acquisition) Ảnh có thể nhận qua camera màu đen trắng Thường ảnh nhận qua camera là ảnh tương tự (loại camera ống chuẩn CCIR với tần số 1/25, mỗi ảnh 25 dòng), có loại camera đã số hoá (như loại CCD – Change Coupled Device) là loại photodiot tạo cường độ sáng tại mỗi điểm ảnh Camera thường dùng là loại quét dòng, ảnh tạo có dạng hai chiều Chất lượng một ảnh thu nhận được phụ thuộc vào thiết bị thu, vào môi trường (ánh sáng, phong cảnh)  Tiền xử lý (Image Processing) Sau bộ thu nhận, ảnh có thể nhiễu độ tương phản thấp, nên cần đưa vào bộ tiền xử lý để nâng cao chất lượng Chức của bợ tiền xử lý là lọc nhiễu, nâng độ tương phản để làm ảnh rõ hơn, nét  Phân đoạn (Segmentation) hay phân vùng ảnh Phân vùng ảnh là tách một ảnh đầu vào, thành các vùng thành phần để biểu diễn phân tích, nhận dạng ảnh Ví dụ: để nhận dạng chữ (hoặc mã vạch) phong bì thư cho mục đích phân loại bưu phẩm, cần chia các câu, chữ về địa tên người thành các từ, các số, các chữ (hoặc các vạch), riêng biệt để nhận dạng Đây là phần phức tạp khó khăn nhất xử lý ảnh và dễ gây lỗi, làm mất đợ xác của ảnh, kết quả nhận dạng ảnh phụ thuộc rất nhiều vào công đoạn này  Biểu diễn ảnh (Image Representation) Đầu ảnh sau phân đoạn, chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn), cộng với mã liên kết với các vùng lận cận Việc biến đổi các số liệu này thành dạng thích hợp là việc cần thiết cho xử lý tiếp theo máy tính Việc chọn các tính Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 7/41 chất để thể ảnh gọi là trích chọn đặc trưng (Feature Selection), gắn với việc tách các đặc tính của ảnh dạng các thông tin định lượng, làm sở để phân biệt lớp đối tượng này với lớp đới tượng khác phạm vi ảnh nhận được Ví dụ: nhận dạng ký tự phong bì thư, chúng ta miêu tả các đặc trưng của từng ký tự giúp phân biệt ký tự này với ký tự khác  Nhận dạng và nội suy ảnh (Image Recognition and Interpretation) Nhận dạng ảnh là quá trình xác định ảnh Quá trình này thường thu được cách so sánh với mẫu chuẩn đã được học (hoặc lưu) từ trước Nội suy là phán đoán theo ý nghĩa sở nhận dạng Ví dụ: Các chữ sớ và các nét gạch ngang phong bì thư có thể được nội suy thành mã điện thoại Có nhiều cách phân loai ảnh khác về ảnh Theo lý thuyết về nhận dạng, các mô hình toán học về hình ảnh được phân theo hai loại nhận dạng ảnh bản: o Nhận dạng theo tham số o Nhận dạng theo cấu trúc Một số đối tượng nhận dạng khá phổ biến được áp dụng vào khoa học và công nghệ là: nhận dạng ký tự (chữ viết tay, chữ in, chữ ký điện tử), nhận dạng văn bản (Text), nhận dạng mã vạch, nhận dạng vân tay, nhận dạng mặt người… 1.5 Các kỹ thuật nhận dạng Đề phân lớp (Classification) và dự đoán (prediction) là hai bài toán bản, có rất nhiều ứng dụng tất cả các lĩnh vực Có nhiều phương pháp đã được nghiên cứu và ứng dụng cho các bài toán dạng này như: mạng Nơron nhân tạo, phương pháp học thống kê, phương pháp phân lớp SVM (support vector machines), phương pháp phân vùng KNN (k-nearest neighbor), dựa thành phần chung-nét tổng thể PCA (Principal Component Analysis) hay thành phần riêng ICA (Independent Component Analysis) của đối tượng… 1.1.3 Phương pháp Support Vector Machines 1.1.1.1 Giới thiệu Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 8/41 SVM là phương pháp học có giám sát Vladimir N Vapnik đề xuất vào năm 1995, và ngày càng được sử dụng phổ biến nhiều lĩnh vực, đặc biệt là lĩnh vực phân loại mẫu và nhận dạng mẫu 1.1.1.2 Tổng qt SVM Ví dụ, có điểm liệu hình dưới với điểm thc lớp cho trước: Lớp Lớp Hình 2-4 Các điểm liệu nằm hai lớp [2] Mơt đường thẳng phân cách vẽ sau: Lớp Đường phân cách Lớp Hình 2-5 Đường thẳng phân chia hai lớp [2] Đường thẳng chia cách tốt lớp mặt phẳng, tất điểm liệu nằm bên trái đường thẳng, thc lớp hình tròn, điểm nằm bên phải thc lớp hình vng Nhiệm vụ SVM tìm đường thẳng / siêu phẳng phân cách cách cho phân loại liệu tốt Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 26/41 (5) Trong đó , , , lần lượt là giá trị trung bình và độ lệch chuẩn của tổng hàng và cột ma trận Thông số F3 này phân tích sự phụ tḥc tún tính mức độ xám của các điểm ảnh lân cận Entropy: Entropy F4 được tính toán theo cơng thức sau: (5) Entropy đo lường tính ngẫu nhiên của các phần của ma trận GLCM Tính đờng nhất: Tính đờng nhất F5 được tính toán theo cơng thức sau: (5) Đặc trưng tính đờng nhất đo lường tính khít tính dày đặc được phân bố không gian của ma trận GLCM Bảng 4-1 Các giá trị tham số GLCM Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 27/41 Ảnh xám Các đặc trưng của Giá trị GLCM Contrast 0.5937 Correlation 0.9437 Energy 0.4881 Homogeneity 0.9431 Entropy 3.1217 Contrast Correlation Energy Homogeneity Entropy 0.9747 0.9001 0.4005 0.9123 4.0442 Contrast Correlation Energy Homogeneity Entropy 0.3890 0.9013 0.6831 0.9598 4.0442 Ngoài còn có các đặc trưng được xem xét phương sai (Variance), giá trị trung bình (mean), độ lệch chuẩn (Standard deviation), giá trị hiệu dụng (Rms), độ nhọn (Kurtosis) và đợ bất đới xứng (Skewness) Giá trị trung bình (mean): giá trị trung bình cho biết sự tập trung mức xám của ảnh Được tính theo cơng thức: (7) Với n là tổng số mức xám, xi là giá trị mức xám Phương sai (Variance): Phương sai cho biết trung bình của bình phương khoảng cách của mỗi giá trị mức xám tới điểm trung bình (mean) Được tính theo công thức: (7) Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 28/41 Với n là tổng số mức xám, xi là giá trị mức xám, là giá trị trung bình Độ lệch chuẩn (Standard deviation): độ lệch chuẩn cho biết sự biến thiên của các giá trị mức xám so với giá trị trung bình Được tính theo cơng thức sau: (7) Với n là tổng số mức xám, xi là giá trị mức xám, là giá trị trung bình và S là phương sai Độ nhọn (Kurtosis): Kurtosis mơt số đo lường đặc điểm hình dáng mơt phân phối xác suất Nó so sánh đô cao phần trung tâm môt phân phối so sánh với mơt phân phối ch̉n Được tính theo cơng thức sau: (8) Với n là tổng số mức xám, xi là giá trị mức xám, là giá trị trung bình và S là phương sai Độ bất đối xứng (Skewness): Skewness môt phân phối xác suất đo lường đối xứng phân phối đó, giá trị tuyệt đối lệch cao phân phối bất đối xứng Mơt phân phối đối xứng có lệch Được tính theo cơng thức sau: (8) Với n là tổng số mức xám, xi là giá trị mức xám, là giá trị trung bình và S là phương sai Giá trị hiệu dụng (root mean square): giá trị hiệu dụng cho biết giá trị trung bình bình phương của mức xám ảnh 1.15 Huấn luyện hệ thống (phân lớp với thuật toán SVM) Sau phân tách được phần bệnh của lá, dựa vào các đặc trưng thu được tạo nên một sở dữ liệu đặc trưng Tiếp theo dựa vào thuật toán SVM, hệ thống thực phân lớp các đặc trưng của các lá bệnh Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 29/41 Ở có lớp dữ liệu, lớp 0: bệnh vàng lá, lớp 1: bệnh sâu vẽ bùa, lớp 2: bệnh loét vi khuẩn, lớp 3: khỏe Các điểm dữ liệu của mỗi lớp là các đặc trưng SVM sẽ phân chia lần lượt từng lớp với Mặt phân chia ưu Biên co đô rông tơi đa Hình 4-5 Mặt phẳng phân chia các lớp liệu Sau phân lớp xong, dữ liệu kiểm tra được đưa vào để chuẩn đoán và thống kê cho kết quả đánh giá hệ thống Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 30/41 CHƯƠNG MÔ PHỎNG VÀ KẾT QUẢ Mô hình giải thuật đã đề xuất ở chương được đánh giá thông qua mô phỏng xây dựng giải thuật và giao diện ứng dụng Matlab dùng sở dữ liệu thu thập được sau: 1.16 Cơ sở dữ liệu để đánh giá Để có được sở dữ liệu đánh giá, cần phải thu thập các ảnh bệnh vàng lá, bệnh sâu vẽ bùa, bệnh loét vi khuẩn và ảnh khỏe của lá Có sở dữ liệu đã tập hợp được bao gồm 160 ảnh, đó có 40 ảnh bệnh vàng lá, 40 ảnh bệnh sâu vẽ bùa, 40 ảnh bệnh loét vi khuẩn và 40 ảnh lá khỏe 1.17 Mô phỏng giải thuật nhận dạng Nhờ quá trình trích đặc trưng ảnh, thu được sở dữ liệu mẫu các đặc trưng của lá khỏe và lá bệnh Hình 5-1 Cơ sở liệu mẫu các đặc trưng Có 11 cột từ trái qua phải lần lượt là: Độ tương phản (contrast), đợ tương đờng (Correlation), lượng (Energy), tính đồng nhất (Homogeneity), giá trị trung bình (Mean), độ lệch chuẩn (Standard deviation), Entropy, giá trị hiệu dụng (Rms), phương sai (Variance), độ nhọn (Kurtosis), độ bất đối xứng (Skewness) Có 120 mẫu ứng với 120 hàng, từ hàng đến hàng 30 (lớp 0): bệnh vàng lá, từ hàng 31 đến Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 31/41 hàng 60 (lớp 1): bệnh sâu vẽ bùa, từ hàng 61 đến hàng 90 (lớp 2): bệnh loét vi khuẩn, từ hàng 91 đến 120 (lớp 3): khỏe 1.18 Kết quả và đánh giá Sau có được sở dữ liệu mẫu các đặc trưng trên, nhờ vào kỹ thuật phân lớp SVM để thực phân lớp và chuẩn đoán bệnh để đánh giá kết quả giải thuật sau Bảng 5-1 Số lượng mẫu dùng thực nghiệm Tên lớp Số Bệnh vàng lá Bệnh loét vi khuẩn Bệnh sâu vẽ bùa Cây khỏe Tổng luyện 30 30 30 30 120 mẫu huấn Số mẫu kiểm tra 10 10 10 10 40 Tổng số mẫu 40 40 40 40 160 Bảng 5-2 Kết thực nghiệm phân lớp máy học SVM Tên lớp Bệnh Bệnh sâu Bệnh loét Cây Tổng mẫu kiểm Bệnh vàng lá Bệnh sâu vẽ bùa vàng lá vẽ bùa vi khuẩn 0 khỏe tra Nhãn lớp Bệnh loét vi khuẩn Cây khỏe 1 0 10 10 10 10 Trong đó: Tên các lớp được gán nhãn từ đến tương ứng với tên lớp Bệnh vàng lá được gán nhãn là với tổng mẫu kiểm thử là 10, đó 9/10 mẫu chuẩn đoán đúng “bệnh vàng lá”, 1/10 mẫu được chuẩn đoán là “cây khỏe”, đợ xác = 9/10*100=90% Bệnh sâu vẽ bùa được gán nhãn là với tổng mẫu kiểm thử là 10, đó 9/10 mẫu chuẩn đoán đúng “bệnh sâu vẽ bùa”, 1/10 mẫu được chuẩn đoán là “bệnh vàng lá”, đợ xác = 9/10*100=90% Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 32/41 Bệnh loét vi khuẩn được gán nhãn là với tổng mẫu kiểm thử là 10, đó 9/10 mẫu chuẩn đoán đúng “bệnh loét vi khuẩn”, 1/10 mẫu được chuẩn đoán là “bệnh vàng lá”, đợ xác = 9/10*100=90% Cây khỏe được gán nhãn là với tổng mẫu kiểm thử là 10, đó 8/10 mẫu chuẩn đoán đúng “cây khỏe”, 1/10 mẫu được chuẩn đoán là “bệnh vàng lá” và 1/10 mẫu được chuẩn đoán là “bệnh sâu vẽ bùa”, độ xác = 8/10*100=80% Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 33/41 1.19 Giao diện Để có thể tương tác với người dùng, một giao diện mô phỏng được xây dựng dùng tính giao diện guide của Matlab Hình 5-2 Giao diện guide Giao diện thể mợt số kết quả của các bước tiền xử lý tách vùng bệnh, và các đặc trưng trích được từ ảnh Kết quả chuẩn đoán bệnh được hiển thị giao diện đồng thời bật lên thông báo kết quả để người dùng chú ý Thông báo này có thể được cải thiện thêm thêm cách thông tin cụ thể về bệnh phuông pháp phòng trừ, xử lý Một số kết quả chạy giao diện được thể cho từng trường hợp cụ thể sau 1.1.22 Cây khỏe Các tham số đặc trưng và kết quả chuẩn đoán của ảnh khỏe đưa vào kiểm tra Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 34/41 Hình 5-3 Kết chuẩn đoán khỏe 1.1.23 Bệnh vàng lá Các tham số đặc trưng và kết quả chuẩn đoán của ảnh lá bị bệnh vàng lá đưa vào kiểm tra Hình 5-4 Kết chuẩn đoán bệnh vàng lá 1.1.24 Bệnh sâu vẽ bùa Các tham số đặc trưng và kết quả chuẩn đoán của ảnh lá bị bệnh sâu vẽ bùa đưa vào kiểm tra Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 35/41 Hình 5-5 Kết chuẩn đoán bệnh sâu vẽ bùa 1.1.25 Bệnh loét vi khuẩn Các tham số đặc trưng và kết quả chuẩn đoán của ảnh lá bị bệnh loét vi khuẩn đưa vào kiểm tra Hình 5-6 Kết chuẩn đoán bệnh loét vi khuẩn Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 36/41 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 1.20 Kết quả thực Sau một thời gian nghiên cứu và tìm hiểu đề tài, đạt được kết quả sau:  Tìm hiểu những nguyên lý bản của kĩ thuật xử lý ảnh điều chỉnh độ tương phản, tách ảnh  Tìm hiểu phương pháp trích lọc các đặc trưng  Tìm hiểu phương pháp phân lớp và chuẩn đoán của thuật toán SVM  Áp dụng thành công vào việc tìm các bệnh có múi 1.1.26 Ưu điểm  Thuật toán SVM phân lớp và chuẩn đoán có đợ xác cao 1.1.27 Nhược điểm  Hệ thống có thời gian xử lý chậm lại CSDL tăng lên  Chưa có sự so sánh giữa thuật toán SVM với các thuật toán khác  Đề tài sử dụng phần mềm matlab làm mô phỏng, nên chưa có giao diện đẹp 1.21 Hướng phát triển Hướng phát triển của đề tài đó là nhận dạng và chuẩn đoán bệnh từ ảnh trực tiếp thiết bị di động Khi có kết quả bệnh thì đưa những tư vấn và cách chữa trị, chăm sóc đối với từng loại bệnh ăn quả có múi Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 37/41 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Nguyễn Quang Hoan (2016), “Xử lý ảnh”, Trung tâm đào tạo bưu viễn thông 1, Hà Nội [2] Nguyễn Hoàng Nam (2018), “Giới thiệu về Support Vector Machine Machine Learning”, tạp chí trí tuệ nhân tạo [3] Hữu Vũ Tiệp (2017), “K- nearest neighbors”, tạp chí machine learning bản [4] Bưởi Diễn Văn Trì (2018), “Những bệnh hại thường gặp nhất ở bưởi”, tạp chí bán bưởi diễn [5] Hồ Đức Lĩnh (2012), “Nghiên cứu các kĩ thuật nhận dạng mẫu và ứng dụng đánh giá chất lượng trái bưởi”, Đại Học Đà Nẵng [6] Computer Vision Group (2013), “Khơng gian màu”, tạp chí Computer Vision and Application [7] Nguyễn Thị Huyền Trang (2014), “Thống kê bản”, Đại Học Y Dược Huế [8] Nguyễn Tài (2016), “Độ nhọn và đợ bất đới xứng”, tạp chí tui học tài chính Tiếng Anh [9] Robert M Haralick, K Shanmugam, Its’Hak Dinstein (1973), “Textural features for image classification”, Institude of Electrical Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 38/41 PHỤ LỤC % chon anh [filename, pathname] = uigetfile({'*.*';'*.bmp';'*.jpg';'*.gif'}, 'Chon la tu file luu tru); I = imread([pathname,filename]); I = imresize(I,[256,256]); % dieu chinh tuong phan anh I = imadjust(I,stretchlim(I)); figure, imshow(I);title('Contrast Enhanced'); % ap dung he mau L*a*b* cform = makecform('srgb2lab'); lab_he = applycform(I,cform); % su dung thuat toan k-mean de tach vung benh anh ab = double(lab_he(:,:,2:3)); nrows = size(ab,1); ncols = size(ab,2); ab = reshape(ab,nrows*ncols,2); nColors = 3; [cluster_idx cluster_center] = kmeans(ab,nColors,'distance','sqEuclidean', 'Replicates',3); pixel_labels = reshape(cluster_idx,nrows,ncols); segmented_images = cell(1,3); rgb_label = repmat(pixel_labels,[1,1,3]); for k = 1:nColors colors = I; colors(rgb_label ~= k) = 0; segmented_images{k} = colors; end Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 39/41 % Chuyen anh RGB sang anh xam img = rgb2gray(seg_img); figure, imshow(img); title('anh xam'); % Ap dung ma tran dong hien muc xam (GLCM) stats = graycoprops(glcms,'Contrast Correlation Energy Homogeneity'); % Cac dac trung Contrast = stats.Contrast % tuong phan Correlation = stats.Correlation % tuong dong Energy = stats.Energy % nang luong Homogeneity = stats.Homogeneity % tinh dong nhat Mean = mean2(seg_img) % gia tri trung binh cua ma tran Standard_Deviation = std2(seg_img) % lech chuan Entropy = entropy(seg_img) RMS = mean2(rms(seg_img)) % nhieu % gia tri hieu dung Variance = mean2(var(double(seg_img))) %phuong sai Kurtosis = kurtosis(double(seg_img(:))) % nhon Skewness = skewness(double(seg_img(:))) % bat doi xung feat_disease = [Contrast,Correlation,Energy,Homogeneity, Mean, Standard_Deviation, Entropy,RMS,Variance, Kurtosis, Skewness]; % lay co so du lieu load('Training1.mat') % su dung SVM phan lop va chuan doan test = feat_disease result = multisvm(Train_Feat,Train_Label,test) % Ket qua if result == helpdlg(' Benh vang la '); disp(' Benh vang la '); Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 40/41 elseif result == helpdlg(' Benh sau ve bua '); disp('Benh sau ve bua'); elseif result == helpdlg('Benh loet vi khuan '); disp(' Benh loet vi khuan '); elseif result == helpdlg(' Cay Khoe '); disp('Cay khoe '); Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ... tài Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 2/41 Tìm hiểu được các loại bệnh lá của ăn quả có múi (cây bưởi) và xây dựng giải thuật nhận. .. bệnh lá thông qua xử lý ảnh Nhận dạng các loại bệnh lá thông qua xử lý ảnh là phương pháp nhận dạng màu sắc, hình dạng, kích thước của lá bị bệnh so với lá bình thường... dùng Nhận dạng các bệnh lá dùng kỹ thuật xử lý ảnh ĐỒ ÁN TỐT NGHIỆP Trang 3/41 CHƯƠNG TỔNG QUAN VỀ XỬ LÝ ẢNH VÀ NHẬN DẠNG 1.4 Lý thuyết xử lý ảnh Xử lý ảnh và đồ họa có