Phân loại thực vật bằng mô hình học sâu

Abstract

Trong những năm gần đây, phân loại hình ảnh đã trở thành một lĩnh vực nghiên cứu chính trong lĩnh vực khoa học máy tính. Với sự phát triển của học sâu, lĩnh vực này ảnh đã đạt được mức hiệu suất chưa từng có. Có hàng ngàn loài thực vật trong hệ sinh thái tự nhiên trên thế giới, và việc phân biệt chúng thường là một công việc thủ công phức tạp và tốn thời gian. Sự ra đời của học máy, đặc biệt là học sâu, đã mở ra một con đường mới để phân loại thực vật. Tuy nhiên, việc áp dụng phân loại thực vật dựa trên các mô hình học sâu vẫn còn nhiều hạn chế. Luận án này đề ra 02 hướng tiếp cận để giải quyết vấn đề nhận dạng thực vật rừng. Ứng với mỗi hướng tiếp cận đề tài đã đề xuất 01 mô hình hiệu quả. Hướng tiếp cận thứ nhất: sử dụng các kỹ thuật phân loại như MLP, SVM, SGD để can thiệp vào các lớp cuối của mô hình học sâu. Hướng tiếp cận này phù hợp với bộ dữ liệu ổn định và ít thay đổi. Hướng tiếp cận thứ hai: sử dụng kỹ thuật K láng giềng cùng kết hợp với các thuật toán PCA, LDA. Hướng tiếp cận này phù hợp với dữ liệu có sự biến động và thường xuyên cập nhật. Hai mô hình đề xuất PlantViT_SGD và PlantKViT_PCA_LDA đã được đào tạo và đánh giá được thực hiện trên bộ dữ liệu QuangNamForestPlant, bao gồm 24314 ảnh và 710 loài thực vật rừng. Mô hình PlantViT_SGD đạt độ chính xác gần 94%, đây là một cải tiến đáng kể so với các mô hình mạng học sâu tiền nhiệm. Trong khi đó, mô hình PlantKViT_PCA_LDA tuy có hiệu quả thấp hơn PlantViT_SGD nhưng lại có thấy tiềm năng nhận dạng các loài thực vật mới ở mức chấp nhận được ở mức 92.5%. Các mô hình đề xuất cho thấy tiềm năng nhận dạng thảm thực vật rừng không chỉ trong các bộ dữ liệu được thực hiện mà còn trên toàn cầu. Công việc trong tương lai sẽ tập trung vào việc mở rộng bộ dữ liệu và cải thiện độ chính xác cũng như hiệu suất của việc xác định thảm thực vật rừng.