Nghiên cứu phương pháp phát hiện một số sâu bệnh trên lúa sử dụng đặc trưng SIFT

Khoa học Kỹ thuật và Công nghệ

Nghiên cứu phương pháp phát hiện
một số sâu bệnh trên lúa sử dụng đặc trưng sift
Nguyễn Ngọc Tú1*, Bùi Thị Thanh Phương1, Lê Hoàng Nam1, Ngô Nam Thạnh2
1
Viện Ứng dụng Công nghệ
Trung tâm Giống cây trồng Sóc Trăng

2

Ngày nhận bài 19/10/2018; ngày chuyển phản biện 23/10/2018; ngày nhận phản biện 26/11/2018; ngày chấp nhận đăng 10/12/2018

Tóm tắt:
Sinh trưởng và phát triển của cây trồng nông nghiệp phụ thuộc rất nhiều yếu tố như giống, chế độ dinh dưỡng, điều
kiện thời tiết…, trong đó yếu tố sâu bệnh tác động trực tiếp đến năng suất và có khả năng lây lan trên diện rộng. Đối
với lúa, một loại cây trồng chủ lực của Việt Nam, đóng vai trò quan trọng trong an ninh lương thực và xuất khẩu,
mặc dù quy trình chăm sóc - phòng trừ sâu bệnh được tuân thủ một cách nghiêm ngặt, nhưng vẫn không thể kiểm
soát hoàn toàn các mầm mống của sâu bệnh. Với mô hình canh tác trên diện tích lớn, sử dụng mắt người rất khó
để phát hiện các dấu hiệu của sâu bệnh trong những giai đoạn phát triển ban đầu. Trong bài báo này, các tác giả
nghiên cứu đề xuất mô hình sử dụng trích chọn đặc trưng SIFT (Scale-Invariant Feature Transform) và phân lớp
SVM (Support Vector Machine) nhằm xử lý các hình ảnh trên lá của cây lúa. Mô hình này có thể phát hiện và nhận
biết 4 loại sâu bệnh trên cây lúa: đốm vằn, đạo ôn, sâu cuốn lá, rầy nâu. Kết quả thực nghiệm trên mô hình có thể đạt
được độ chính xác từ 80 đến 85%.
Từ khóa: sâu bệnh lúa, SIFT, SVM.
Chỉ số phân loại: 2.2
Đặt vấn đề

Việt Nam là một nước nông nghiệp và hiện đang là một
trong những quốc gia đứng đầu về xuất khẩu lúa gạo. Lúa là
loại cây lương thực được trồng nhiều vụ trong năm tại hầu

hết các vùng đồng bằng trên cả nước, đặc biệt là Đồng bằng
sông Cửu Long và Đồng bằng sông Hồng, khi sâu bệnh gây
hại sẽ làm sản lượng lúa sụt giảm đáng kể. Trong hầu hết các
trường hợp, sâu hoặc bệnh đều được phát hiện qua lá hoặc
thân cây lúa (thể hiện rõ nhất trong giai đoạn trổ bông).
Do đó, việc xác định sớm các triệu chứng của sâu bệnh có
ý nghĩa rất quan trọng trong phát triển sản xuất. Để tăng
năng suất cho một mùa vụ, người nông dân cần phải tiếp
cận các chuyên gia tư vấn về việc điều trị dịch hại, bệnh
cho cây trồng và các biện pháp xử lý. Hiện nay, trên thế giới
đã có nhiều công trình nghiên cứu về nhận dạng sâu bệnh
trên các loại cây ăn quả ngắn ngày như cà chua, dưa… bằng
các phương pháp có sử dụng kỹ thuật xử lý ảnh đã đem lại
được những kết quả rất khả quan. Các hệ thống phát hiện
này thường chỉ được áp dụng trong các môi trường lý tưởng
như môi trường nhà kính, chưa được áp dụng rộng rãi trong
điều kiện thực tế ngoài trời. Trong nước cũng chưa có nhiều
công trình nghiên cứu về nhận dạng sâu bệnh chuyên cho
một loại nông sản, hơn nữa các phương pháp phát hiện sâu
bệnh cũng chưa được tối ưu.
Trong những năm gần đây, các nghiên cứu trên thế giới

đã tập trung nhiều hơn vào sử dụng các thuật toán, phương
pháp xử lý ảnh để phát hiện và phân loại các loại sâu bệnh
cho cây lúa. Nandini và Anoop (2016) [1] đã đưa ra phương
pháp phân loại bệnh trên cây lúa sử dụng kỹ thuật biểu đồ
thích nghi của Wiener [2], sau đó sử dụng phương pháp
Otsu [3] cho tách ngưỡng nhị phân, cuối cùng phân lớp bằng
cách kết hợp giữa phương pháp SVM và Fuzzy logic cho độ
chính xác đạt được từ 85,71 đến 93,33%. Do sử dụng biểu

đồ thích nghi cho tính toán đặc trưng của ảnh, nên phương
pháp do nhóm tác giả đưa ra cần sử dụng mẫu đầu vào có độ
phân giải cao và bị ảnh hưởng mạnh khi xuất hiện các thành
phần khác không phải là dấu hiệu sâu bệnh. Phadikar và cs
(2013) [4] đưa ra phương pháp phân đoạn dựa trên năng
lượng Fermi để cô lập khu vực bị nhiễm của hình ảnh lá
lúa, các tính năng quan trọng được chọn bằng cách sử dụng
lý thuyết tập thô (RST), kết quả của phương pháp đạt được
91,89%. Nghiên cứu của Pawankumar và Angadi (2017) [5]
đã xây dựng thành công một Web server để xử lý trực tiếp
bộ ảnh thu thập, cả hai thuộc tính màu sắc và trích xuất đặc
trưng được sử dụng với đa phân lớp SVM đã cho độ chính
xác 84,41%. Mohanty và cs (2016) [6] đã đề xuất sử dụng
Deep Learning cho phát hiện 26 loại bệnh trên 14 loại lá
cây với tập dữ liệu lớn 54.306 ảnh đầu vào, dựa trên các mô
hình xây dựng nhóm nghiên cứu đã đạt được độ chính xác
lên tới 99,35%.

Tác giả liên hệ: Email:

*

61(8) 8.2019

44


Khoa học Kỹ thuật và Công nghệ

Rice pests and diseases

identification using sift feature
Ngoc Tu Nguyen1*, Thi Thanh Phuong Bui1,
Hoang Nam Le1, Nam Thanh Ngo2
National Center for Technological Progress
2
Soc Trang Plant Breeding Center

1

Received 19 October 2018; accepted 10 December 2018

Đối tượng và phương pháp nghiên cứu

Đối tượng và địa điểm nghiên cứu
Đối tượng nghiên cứu: các mẫu lá lúa bị 4 loại sâu bệnh
hại: đốm vằn, đạo ôn, sâu cuốn lá, rầy nâu được chụp từ cánh
đồng ươm tạo tại Trung tâm Giống cây trồng Sóc Trăng.
Địa điểm nghiên cứu: Phòng thí nghiệm 308, Trung tâm
Quang điện tử - Viện Ứng dụng Công nghệ (Thanh Xuân
Bắc, Thanh Xuân, Hà Nội).
Phương pháp nghiên cứu

Abstract:
The growth and development of crops in agriculture
depends on many factors including seed, nutritional
status, weather conditions, and etc., in which pests
and diseases directly affect the yield of crops and can
spread widely. Rice, a major crop of Vietnam, plays an
important role of food security and export. Although the
pest and disease control procedures for rice are strictly

applied, it is still unable to fully control the germ of pests.
With a large-scale cultivation mode, the human eye is
found very difficult to detect signs of pests in the early
stages of development. In this paper, authors propose a
model using SIFT (Scale-Invariant Feature Transform)
features and SVM (Support Vector Machine) for
processing images of rice’s leaves. This model can detect
and identify 4 pests in rice: zebra blast, rice blast, leaf
rollers, and brown backed hoppers. Experimental results
on the model can achieve the accuracy from 80 to 85%.
Keywords: rice pests and diseases, SIFT, SVM.

Bố trí thực nghiệm:
- Tạo mẫu dữ liệu: khảo sát và thu thập mẫu ảnh về lúa,
bao gồm lá phát triển bình thường và lá bị bệnh trong giai
đoạn trổ bông. Căn cứ theo các dấu hiệu sâu bệnh của lúa
[8] để sử dụng phương pháp chọn mẫu ngẫu nhiên đơn giản
[9].
- Xử lý dữ liệu ảnh trên máy tính để trích chọn các đặc
trưng, phân lớp trên phần mềm.
Kết quả ứng dụng trích chọn đặc trưng SIFT và phân lớp SVM

Cây lúa nước vào mỗi thời điểm trong năm do điều kiện
khí hậu nhiệt đới thích hợp cho các loại sâu bệnh phát triển,
gây nên thiệt hại không nhỏ và thể hiện rõ rệt nhất trên thân,
lá, bông hạt, đặc biệt là với các bệnh sâu cuốn lá, đốm vằn,
đầu vào của phần mềm gồm: màu sắc của lá, vết thủng hay biến dạng bề mặt lá…
đạo
ôn và rầy nâu. Dưới đây là một số hình ảnh về các bệnh
Những đặc trưng của từng loại bệnh khi thu được sẽ được thuật toán xử lý rồi đưa ra

kết quả một
cách chính
xác.cây
Từ đó,
nông dân
sẽ cóDữ
phản liệu
ứng kịp
thời cũng
như
thông
thường
trên
lúangười
(hình
1, 2).
thực
tế thu
được hướng dẫn trực tiếp qua phần mềm các phương án đối phó với bệnh. Về hình
được
là
cơ
sở
để
tiến
hành
xử
lý
cho
quá

trình
huấn
luyện.
thức tiếp cận cây lúa, giải pháp sử dụng Drone [7] mang theo thiết bị quét được cho là
rất khả quan do tiết kiệm được thời gian và công sức lấy mẫu.

Classification number: 2.2

Trong bài báo này, chúng tôi đi sâu vào phương pháp
phát hiện sâu bệnh có sử dụng kỹ thuật xử lý ảnh tích hợp
thuật toán SIFT và phân lớp SVM. Hệ thống được đề xuất
nhằm phát triển một chương trình phần mềm để nhận ra
hình ảnh của lá bệnh hay bông lúa bệnh bằng cách sử dụng
các lớp đã được huấn luyện trước đó. Các thông số đầu vào
của phần mềm gồm: màu sắc của lá, vết thủng hay biến
dạng bề mặt lá… Những đặc trưng của từng loại bệnh khi
thu được sẽ được thuật toán xử lý rồi đưa ra kết quả một
cách chính xác. Từ đó, người nông dân sẽ có phản ứng kịp
thời cũng như được hướng dẫn trực tiếp qua phần mềm các
phương án đối phó với bệnh. Về hình thức tiếp cận cây lúa,
giải pháp sử dụng Drone [7] mang theo thiết bị quét được
cho là rất khả quan do tiết kiệm được thời gian và công sức
lấy mẫu.

61(8) 8.2019

(A)

(B)

(D)

(C)

(E)

Hình 1. Những biểu hiện của từng loại sâu bệnh trên lúa. (A) Cháy bìa lá, (B) Bệnh

Hình 1. Những biểu hiện của từng loại sâu bệnh trên lúa. (A)
bạc lá, (D) Sâu cuốn lá, (C, E) Bệnh đạo ôn.
Cháy bìa lá, (B) Bệnh bạc lá, (C, E) Bệnh đạo ôn, (D) Sâu cuốn lá.

45


Khoa học Kỹ thuật và Công nghệ
(D)

(E)

Hình 1. Những biểu hiện của từng loại sâu bệnh trên lúa. (A) Cháy bìa lá, (B) Bệnh
bạc lá, (D) Sâu cuốn lá, (C, E) Bệnh đạo ôn.

Bảng 1. Tham số lựa chọn cho giá trị sigma.

Octave

Hình 2. Ảnh bệnh cháy bìa lá lúa tại Trung tâm Giống cây trồng
3
Sóc Trăng.

Trích chọn đặc trưng ảnh bằng kỹ thuật SIFT
Kỹ thuật SIFT được Lowe và David nghiên cứu, giới
thiệu và phát triển từ năm 1999 đến năm 2004 [10]. SIFT có
khả năng dò tìm và trích chọn các đặc trưng của đối tượng từ
ảnh đầu vào. Các đặc trưng được phát hiện đó có khả năng
bất biến khi đối tượng bị thay đổi về tỷ lệ, bị xoay trong ảnh
khác.

Tỷ lệ 1

Tỷ lệ 2

Tỷ lệ 3

Tỷ lệ 4

Tỷ lệ 5

0,707107

1,00

1,414214

2,00

2,828427

1,414214

2,00

2,828427

4,00

5,656854

2,828427

4,00

5,656854

8,00

11,313708

5,656854

8,00

11,313708

16,00

22,627417

Tìm sai khác trong hàm Gaussian

Để có được kết quả nhận biết vị trí các keypoint ổn định
trong quy mô không gian, chúng ta sử dụng các đỉnh trong
hàm Diference-of-Gaussian với ảnh (hình 3). D(x, y, σ) được
tính là sự khác nhau giữa 2 điểm ảnh ở 2 quy mô không gian
kề nhau bởi giá trị k:
D(x, y, σ) = G(x, y, kσ) - G(x, y, σ)*I(x, y, σ)

(3)

= L(x, y, kσ) - L(x, y, σ)

Do đó: G(x, y, kσ) - G(x, y, σ) ≈ (k-1) σ2 ∇2G
(4)
Quá trình trích chọn điểm đặc trưng SIFT được thực
Hình
2.
Ảnh
bệnh
cháy
bìa
lá
lúa
tại
Trung
tâm
Giống
cây
trồng
Sóc
Trăng.

hiện qua các bước sau: xây dựng lựa chọn tỷ lệ - không gian
kimTrích
tự tháp;
xácđặc
địnhtrưng
vị trí ảnh
của các
“keypoint”;
xác định và
chọn
bằng
kỹ thuật SIFT
gắn Kỹ
hướng
các được
“keypoint”;
tả keypoint.
thuậtcho
SIFT
Lowe mô
và David
nghiên cứu, giới thiệu và phát triển từ năm
1999 Xây
đếndựng
năm 2004
[10].
SIFT
có
khả
năng

dò tìm và trích chọn các đặc trưng của đối
lựa chọn scale-space kim tự tháp
tượng từ ảnh đầu vào. Các đặc trưng được phát hiện đó có khả năng bất biến khi đối
cáctỷkeypoint,
chúng
ta ảnh
sử dụng
tượngĐể
bị phát
thay hiện
đổi về
lệ, bị xoay
trong
khác.bộ lọc tuần
tự đểQuá
xáctrình
định những
điểm
có
khả
năng
là
“keypoint”
các hiện qua các bước sau: xây
trích chọn điểm đặc trưng SIFT đượctại
thực
vị trílựa
và chọn
tỷ lệ. tỷ
Đểlệnhận

biết vịgian
trí những
biếnxác
đốiđịnh
với sự
dựng
- không
kim tựbất
tháp;
vị trí của các “keypoint”; xác
thayvàđổi
quy mô
ảnh, chúng
dụng kernel
định
gắnvềhướng
chocủa
cácbức
“keypoint”;
môtatảsửkeypoint.
XâyGaussian
dựng lựablur.
chọnCác
scale-space
kimthực
tự tháp
là hàm
ảnh sau khi
hiện với hàm
Để phát

chúng
Gausian
blurhiện
sẽ bịcác
mờ keypoint,
đi, tùy theo
thamtasốsử
lựadụng
chọnbộmàlọc
độ tuần tự để xác định những
điểm
có
khả
năng
là
“keypoint”
tại
các
vị
trí
và
tỷ
lệ.
Để
nhận biết vị trí những bất
mờ của bức ảnh được thay đổi.
biến đối với sự thay đổi về quy mô của bức ảnh, chúng
ta
kernel
là hàm

Hình 3. sử
Mô dụng
hình thực
hiện hàm
DOG.
Hàmblur.
Gaussian
áp dụng
cho ảnh
tính blur
Hình
3.
Mô
hình
thực
hiện hàm DOG.
Gaussian
Các blur
ảnh sau
khi thực
hiệntheo
vớicông
hàmthức
Gausian
sẽ
bị
mờ
đi,
tùy
theo

Sau khi tính được Diference-ofnhư
sau:
tham số lựa chọn mà độ mờ của bức ảnh được thay đổi. Gaussian, taSau
cần khi
khảo tính
sát điểm
đó Diference-of-Gaussian,
so với 8
được
ta cần khảo
điểm
cậnsau:
xung quanh trong một scale với
Hàmy,Gaussian
áp dụng
tính lân
như
L(x,
σ) = G(x,blur
y, σ)*I(x,
y) cho ảnh theo công thức(1)
sát
điểm
đó
so
với
8
điểm
lân
cận

xung
quanh
trong một
9 điểm thuộc octacve trước và 9 điểm thuộc
L(x, y, ) = G(x,y, )*I(x, y)
(1)
scale
với
9
điểm
thuộc
octacve
trước
và
9
điểm
thuộc
octave
octave sau (hình 4). Điểm nào không có đủ 26
Hàm
điểm lân
cận
sẽ
bị
loại
bỏ.
Nếu
điểm
đó
có

giá
Hàm G(x,
G(x, y,y,σ) )có
códạng:
dạng:
sau (hình 4). Điểm nào không có đủ 26 điểm lân cận sẽ bị
trị nhỏ nhất hoặc lớn nhất so với 26 điểm thì
(2)
loại
Nếucóđiểm
đó(2)
có
G(x, y, ) =
nó được
xét bỏ.
là điểm
điều kiện
trở giá
thànhtrị nhỏ nhất hoặc lớn nhất so
với
26
điểm
thì
nó
được
xét
là điểm có điều kiện trở thành
một
keypoint.
Các giá

giá trị
trị σ được
được tính
tinh cho
cho ảnh
ảnh tiếp
tiếp theo
theo với
với k*
k* σ (k là
số tự chọn).
Các
là hằng
Xác
định
keypoint
một
keypoint.
cho các ảnh trong quy mô không gian SIFT Sau khi đã xác định được những điểm Hình 4. Sơ đồ tính cực trị trong
hằngHàm
số tựlọc
chọn).
Hình 3. Mô hình thực hiện hàm DOG.
Trước khi áp dụng các tham số cho hàm Gaussian blur,
cần
hiệntrởtạo
cácmộtảnh
cực trị
có thực
khả năng

thành
keypoint, Difference of Gaussian.
Sau khi tính được Diference-oftiến hành
lọc bớt các điểm có độ tương phản
lọc cho
cácgian
ảnh SIFT.
trong
quy
môkhảo
không
gian
SIFT
trongHàm
quy mô
không
chia
Gaussian,SIFT
ta cầnđược
sát
điểmthành
đó so 4
vớicột
8 (4 octave), octave sau có
thấp hoặc các điểm nằm trên cạnh của chi tiết. Phương pháp này được phát triển bởi
điểm octave
lân cận xung
quanhvà
trong
một octave

scale với có 5 ảnh (bảng 1). Các ảnh
kích Trước
thước khi
ảnh áp
bằng
một
trước
mỗi
Brown và Lowe (2002) [11] bằng cách sử dụng chuỗi Taylor mở rộng với hàm scaledụng
cácnửa
tham
số
cho
hàm
Gaussian
blur,
9 điểm thuộc octacve trước và 9 điểm thuộc
trong một octave được gọioctave
là scale,
scale
mỗi
D(x, y,có) kích
để dịchthước
chuyển tương
gốc tại điểm lấy mẫu:
(hìnhcác
4). Điểm
nào trong
không
đủ space

26octave
cần thực hiện tạo các ảnh trongsauquy
mô
không
giancóSIFT.
điểm lân
cận hàm
sẽ bị loại
bỏ. Nếu điểm
đó cóthì
giá cóD(x)
đương nhau nhưng khi áp dụng
với
Gaussian
blur
giá= trị
D +sigma+ khác nhau.
(5)
SIFT được chia thành 4 cột
(4 nhất
octave),
octave
kích
trị nhỏ
hoặc lớn
nhất so sau
với 26có
điểm
thì
Các scale có thứ tự giống nhau

thì
tham
số
sigma
là
bằng
nhau.
̂
Với
thí
nghiệm
của
Lowe,
tất
cả
các
đỉnh
với
giá
trị
của
D(
)<0,03
bị
loại
bỏ
nó được xét là điểm có điều kiện trở thành
thước ảnh bằng một nửa octave
trước và mỗi octave có(giá
5 trị mức xám của các điểm ảnh cần được đưa từ 0…255 về dải từ 0…1).

một keypoint.
Bảng
1. Tham
chọn
cho
giá
trị
sigma.
Xác
định
keypoint
ảnh (bảng
1). số
Cáclựa
ảnh
trong
một
octave
được gọi là scale, Gán hướng cho “keypoints”
Bằng4.việc
gắntính
mộtcực
hướng trong
duy nhất cho mỗi “keypoints” dựa trên thuộc tính tại vị
Sau khi đã xác định được những điểm Hình
Sơ
Hình
4.đồSơ
đồ
tínhtrịcực

trị trong Difference of Gaussian.
các scale trong mỗi octavecực
có trị
kích
thước
tương
đương
nhau
trí trên
ảnh, việc
mô
tả “keypoint” có thể được biểu diễn liên quan tới hướng đó, vì thế
có
khả
năng
trở
thành
một
keypoint,
Difference
of
Gaussian.
Tỷ lệ 1
Tỷ lệ 2
Tỷ lệ 3
Tỷ lệ 4
Tỷ lệ 5
tiến hành
lọc bớt cácblur
điểm thì

có độ
có được sự bất biến đối với sự quay của ảnh.
nhưng khi áp dụng với hàm
Gaussian
cótương
giáphản
trị
Xác
keypoint
thấp hoặc các điểm nằm trên cạnh của chi tiết. Phương
pháp định
này keypoint
được
phát được
triển bởi
Không gian
của
sử dụng để lựa chọn Gaussian làm mịn ảnh, với L
sigma khác nhau.
Các scale
có và
thứ
tự (2002)
giống
nhau
0,707107
1,00
1,414214
2,00
2,828427

Brown
Lowe
[11]
bằng thì
cáchtham
sử là
dụng
chuỗi
Taylor
mở
rộng
với hàm
scalequy mô gần
nhất,
mỗi
mẫu
ảnh
L
lớn của
gradient
m, hướng
công
x,
Sau khi đã xác địnhy, độ
được
những
điểm
cực trịta có
cócác
khả

lấy mẫu:
tính như sau:
số sigma là bằng nhau. space D(x, y, ) để dịch chuyển gốc tại điểmthức
Octave

1,414214
2,828427
5,656854

Tìm sai khác trong

2,00D(x) = D +

+
(5)
2,828427
4,00 m = √ 5,656854
Với thí nghiệm của Lowe, tất cả các đỉnh với giá trị của D( ̂ )<0,03 bị loại bỏ
(giá
trị mức xám của 5,656854
các điểm ảnh cần được
đưa từ 0…255 về
dải từ 0…1).
4,00
8,00
11,313708
Gán hướng cho “keypoints”
Bằng việc gắn một hướng duy nhất cho mỗi “keypoints” dựa trên thuộc tính tại vị
61(8)
46diễn liên22,627417

trí8,00
trên8.2019
ảnh, việc mô 11,313708
tả “keypoint” có thể16,00
được biểu
quan tới hướng đó, vì thế
có được sự bất biến đối với sự quay của ảnh.
hàm Gaussian
Không gian của keypoint được sử dụng để lựa chọn Gaussian làm mịn ảnh, với L
là quy mô gần nhất, mỗi mẫu ảnh Lx, y, độ lớn của gradient m, hướng ta có các công

(6)

5


9 điểm thuộc octacve trước và 9 điểm thuộc
=
(
)
(7)
Hình 3.sau
Mô (hình
hình thực
octave
4). hiện
Điểmhàm
nàoDOG.
không có đủ 26 5. Mô tả tại một keypoint với cửa sổ 2x2.
Mô tả keypoint tại vị trí trên Hình

ảnh (hình 5)
điểm Sau
lân cận
bị loại
bỏ. Nếu
điểm
đó có giá
khi sẽ Để
tính
Diference-ofmôđược
tả keypoints,
cần tính toán để mô
tả các5.bất
biến
vị tríkeypoint
trên ảnh. Sử
Hình
Mô
tảtạitạicácmột
với cửa sổ 2x2.
keypoint
được
môkeypoint,
tả bằngtuy
cách tính toán độ lớn của độ
trị
nhỏ
nhất
hoặc
lớn

nhất
so
với
26
thì
tương
quanMột
cho các
intensity xung
quanh
Gaussian, tadụng
cần phương
khảo sát pháp
điểmchuẩn
đó sohóa
với điểm
8
Khoa học Kỹ thuật và Công nghệ
điểm
ảnh,
những
trọng
số
được
tính
bằng
cách
một
s
Một

keypoint
được
mô
tả
bằng
tính sử
toándụng
độ lớn
củacửa
độ dố
nhiên
này
nhạytrở
cảmthành
với những thay đổi bên ngoài gây ra như biến đổi cách
nó
được
xét
là tương
điểm
có
điểm
lân cận
xung
quanhquan
trongđiều
mộtdễkiện
scale
với
hình

học
hoặc
các
biến
dạng
khác.
điểm
ảnh,
những
trọng
số
được
tính
bằng
cách
sử
dụng
một
cửa
sổ
chồng
chập,
sau
đó
chúng
được
tổng
hợp
vào
biểu

đồ
hướng
tổn
Hình 5. Mô tả tại một keypoint với cửa sổ 2x2.
một
keypoint.
9 điểm
thuộc octacve trước và 9 điểm thuộc
chồng
chập,
sau đóngười
chúng ta
được
vàocửa
biểusổ
đồmô
hướng
tổng
rộng
hơn,
thông
thường
sử tổng
dụnghợp
một
tả 4x4
Xác
định
keypoint
octave sau (hình 4). Điểm nào không có đủ 26

keypoint được mô tả bằng cách tính toán độ lớn của độ dốc và hướng tại mỗi
rộngMột
hơn,
thông thường người ta sử dụng một cửa sổ mô tả 4x4 c
16x16.
điểm
ảnh,
những
được
bằng
cửa 8sổô hình
khi
đã
xác
được
điểm
Hình
Sơ
đồ
tính
trịtính
trong
điểm
lântrởcận
sẽ bị
loại
bỏ.định
Nếu điểm
đó những
cólọc

giá bớt
năngSau
thành
một
keypoint,
tiến hành
các điểm
có 4.
tổng
hợptrọng
4x4,sốcực
với
mỗi
16
ô ta cách
đưa sử
cácdụng
giá một
trị vào
theotròn Gaussian
16x16.
Sau
khi
nhân
các
giá
trị
độ
lớn
độ

dốc
với
cửa
sổ
trọng
số G
chồng
chập,
sau
đó
chúng
được
tổng
hợp
vào
biểu
đồ
hướng
tổng
trên
khu vực
sự
phân
chia
định
hướng,
mỗi
ô
này
có

giá
trị
tương
ứng
từ một
cực
trị
có phản
khả thấp
năng
trở
thành
keypoint,
tương
hoặc
nằmthì
trên cạnh của
chi Sau of
trịđộnhỏ
nhất
hoặc
lớn
nhất
socác
vớiđiểm
26 một
điểm
Difference
Gaussian.
khi

nhân
các
giá
trị
độ
lớn
độ
dốc
với
cửa
sổ
trọng
số
Ga
rộng
hơn,
thông
thường
người
ta
sử
dụng
một
cửa
sổ
mô
tả
4x4
cho
một

mảng
mẫu
nh 4. Sơ đồ tính
cực
trị
trong
o
cho
tấtLowe
cả 16x16
để đưa
vào vậy,
tổng
mỗi
, … Như
tổnghợp
cộng4x4,
ta tính với
cho mỗi
một16 ô ta đư
0…44o,ô45…89
Phương
bởi Brown
nótiết.
được
xét
điểmnày
có được
điều phát
kiện

trở
tiến
hành
lọclàpháp
bớt
các
điểm
có triển
độ thành
tương
phảnvà
cho
tất
cả
16x16
ô
để
đưa
vào
tổng
hợp
4x4,
với
mỗi
16
ô
ta
đưa
16x16.
fference of thấp

Gaussian.
theo
sựPhương
phân keypoint
chia này
định
hướng,
mỗi bởi
ô này
tương ứng từ 0
baođược
gồm
4x4x8=128
điểm
khảocó
sát giá
xungtrị
quanh.
(2002)
cách
sử dụng
chuỗi của
Taylor
mở
rộng
với
hoặc[11]
cácbằng
điểm
nằm

trên cạnh
chi
tiết.
triển
một
keypoint.
Sau
khi
nhânchia
các giá
trịphát
độ
lớn
độ dốc
trọng
Gaussian
thực từ
hiện0…
theo
sựpháp
phân
định
hướng,
mỗivớiô cửa
nàysổcó
giásốtrị
tươngtaứng
Như
vậy,
cộng

ta
tính
cho
mỗi
một
keypoint
gồm
4x4x8
hàmXác
scale-space
D(x,
y, σ)[11]
để dịch
chuyển
tại
điểm
lấytổng
định
keypoint
cho
tấtTaylor
cả 16x16
ô cộng
để
đưa
vàotính
tổng
hợp
4x4,
vớimột

mỗi
16 ôhóa
ta tất
đưabao
cáccác
giá
trị vào
8ô
Brown
và
Lowe
(2002)
bằng
cáchgốc
sử
dụng
chuỗi
mở
rộng
với
hàmcho
scaleSau
khi
tổng
hợp
xong,
ta
thực
hiện
chuẩn

cả
Như
vậy,
tổng
ta
mỗi
keypoint
bao
gồm
4x4x8=
o
o
o
hương pháp này
được phát triển bởi
xung
mẫu:
theo
phân
chia
hướng,
mỗi ô nàyCác
có giá
trị tương
ứng
từ 0…44
vector
trong
một
“keypoint”.

keypoint
này
nằm
tại giữa, 45 …89 , …
Sau
định chuyển
được những
Hình
Sơ
đồsựtính
cực
trịđịnh
trong
space
D(x,khiy,đã )xác
để dịch
gốc điểm
tại điểm
lấy4.quanh.
mẫu:
xung
quanh.
huỗi Taylor mở
rộng với hàm scaleNhưkhi
vậy,các
tổng
cộnghợp
ta tínhxong,
chobước
mỗi ta

một
keypoint
bao
gồm
4x4x8=128
Sau
hiện
chuẩn
tấtkhảo
cảsát
cá
điểm
thế
cuốithực
cùng
cần
phải
nội
suy đểhóa
tạođiểm
cực trị có khả năng trở thành một keypoint, Difference
of Gaussian.
Sautổng
khi ảnh,
tổngvì hợp
xong,
ta
thực
hiện
chuẩn

hóa
tất
cả
các
xung
quanh.
(5)
D(x)
=
D
+
(5)
Hình
5. Mô tả+
tại một keypoint với
cửa
sổ
2x2.
ẫu:
Các
keypoint
này
nằm
tại
giữa
điểm
thế
ra định
hướng
và độ

lớnnày
của dữ
liệutại
nằm ở các
giữa các
pixel.ảnh,
tiến hành lọc bớt các điểm có độ tương phản “keypoint”.
“keypoint”.
Các
keypoint
nằm
điểm
ảnh,
vìvìthế
Sau khi tổng
hợp
xong, ta thực
hiện
chuẩn giữa
hóa tấtcác
cả các
vector
trong
một b
Như
vậy
đã
thực
hiện
xong

việc
mô
tả
“keypoint”.
phải
nội
suy
để
tạo
ra
định
hướng
và
độ
lớn
của
dữ
liệu
nằm
ở
giữ
̂
Mộtnằm
keypoint
được
mô
tả tiết.
bằng
cách
toán

độtrị
lớn
của
độ
dốc
hướng
tại
mỗi
Với các
thí điểm
nghiệm
của
cácPhương
đỉnhtính
với
giá
của
D(
)<0,03
bị tạiloại
bỏcác
thấp hoặc
trên Lowe,
cạnh
củatất
chicả
pháp
này
được
phát

triển
bởi
phải
nội
suy
để
tạo
ravàđịnh
hướng
và điểm
độ lớn
liệu
nằm
ở cần
giữa
“keypoint”.
Các
keypoint
này
nằm
giữa
ảnh, của
vì thếdữ
bước
cuối
cùng
(5)
Với thíđiểm
nghiệm
của

Lowe,
tất số
cả các
đỉnh
với
giácách
trị hiện
của
ảnh,
những
trọng
được
tính
bằng
sử
dụng
một
cửa
sổ
hình
tròn
Gaussian
đã
thực
xong
việc
mô
tả
“keypoint”.
nội rộng

suy
đểvới
tạo
ra định
hướng
và
độ
lớn(hình
của dữ
đã
thực
hiện
xong
việc
mô
tảSVM
“keypoint”.
(giá
trị mức
xám(2002)
của các
ảnh cần
được
đưaTaylor
từphải
0…255
về
dải
từ
0…1).

Brown
và Lowe
[11]điểm
bằng cách
sử dụng
chuỗi
mở
hàm
scaleHuấn
luyện
phân
lớp
6, liệu
7) nằm ở giữa các pixel. Như vậy
<0,03
bịbịloại
bỏbỏ
(giá đó
trị chúng
mức xám
củatổng
cáchợp
điểm
ảnh
D ̂ )<0,03
ới giá trị của D(
loại
chồng
chập,
sau

được
vào
biểuluyện
đồ hướng
tổng
trên
một
khu(hình
vực(hình
Huấn
phân
lớp
SVM
6,
7)7)
đã
thực
hiện
xong
việc
mô
tả
“keypoint”.
Huấn
luyện
phân
lớp
SVM
6,
Gán

hướng
cho
“keypoints”
space được
D(x, y,đưa
) từ
đểhơn,
dịchthông
chuyển
gốctừtại
điểm ta
lấysửmẫu:
rộng
người
dụng một cửa
sổ mô
tả phân
4x4
chocứu
mộtnày,
mảng
Trong
nghiên
chúng
tôi sử dụng phương pháp
0…255
vềthường
dải
0…1).
0…255 về dảicần

từ 0…1).
Huấn
luyện
lớp
SVM
(hình
6,mẫu
7)tôi
Trong
nghiên
cứu
này,
chúng
sử
phương
phápSVM
SV
Trong
nghiên
cứu
này,
chúng
tôi
sửdụng
dụng
phương pháp
Bằng 16x16.
việc
gắn một
hướng duy nhất cho mỗi “keypoints”

dựaphân
trên lớp
thuộc
tại
vị
SVM
cho
các tính
loại
trích rútpháp
từ SIFT.
Trong
nghiên
cứu này,
chúng
tôiđặc
sử trưng
dụng phương
SVM cho phân lớp các
D(x) =
D + cho “keypoints”
+
(5)
Gán
hướng
loại
trưng
trích
rút
từrút

SIFT.
loại
đặcliên
trưng
trích
từ SIFT.
các giá trị
lớn
độ đặc
dốc
với
cửa
sổ
trọng
số
Gaussian
thực
trí trên ảnh, việcSau
môkhitảnhân
“keypoint”
cóđộthể
được
biểu
diễn
quan
vì hiện
thế
loại
đặc
trưng

trích
rúttới
từ hướng
SIFT. tađó,
keypoints” dựa trên
thuộc
tính
tại16x16
vị
Support
vector
được
biểu
diễn
sau:
xi.w+b= ±1
̂ )<0,03
Với
thí
nghiệm
của
Lowe,
tất
cả
các
đỉnh
với
giá
trị
của

D(
bị
loại
bỏ
cho
tất
cả
ô
để
đưa
vào
tổng
hợp
4x4,
với
mỗi
16
ô
ta
đưa
các
giá
trị
vào
8
ô như
Support
vector
được
biểu

diễn
như
sau:
Support
vector
được
biểu
diễn
như
sau:
có được
sựviệc
bất gắn
biến
đối
với sự
ảnh.“keypoints” Support vector được biểuo diễno như sau:
Bằng
một
hướng
duyquay
nhất của
cho mỗi
o
|
|
||
theo
sự
phân

chia
định
hướng,
mỗi
ô
này
có
giá
trị
tương
ứng
từ
0…44
,
45
…89
,
…
u diễn liên quan
tới
hướng
đó,
vì
thế
|
|
(giá
trịKhông
mứcthuộc
xám

của
các
điểm
cần
được
từ
0…255
dải
từcách
0…1).
Khoảng
cách
giữa
điểm
và
siêu
phẳng:
Khoảng
cách
giữa
điểm
và
phẳng:
dựa
trên
tính
tại
vị cộng
trí ảnh
trên

ảnh,
việc
mô
tảmột
“keypoint”
Khoảng
cách
giữa
điểm
vàđiểm
siêu
phẳng:
gian
của
keypoint
được
sửđưa
dụng
đểkeypoint
lựavềchọn
Gaussian
làm
mịn
ảnh,
vớisiêu
Lphẳng:
Khoảng
giữa
điểm
và khảo

siêu
‖
‖
Như
vậy,
tổng
ta
tính
cho
mỗi
bao
gồm
4x4x8=128
sát
‖
‖
‖ ‖
Gánđược
hướng
cho
“keypoints”
thể
biểu
diễn
liên quan
thế của
có được
quanh.
là có
quy

mô xung
gần
nhất,
mỗi
mẫu tới
ảnhhướng
Lx, y,đó,
độvìlớn
gradient
m,hạn
hướng
ta có các công
Giới
hạn
(margin):
Giới
hạn
(margin):
Giới
(margin):
a chọn Gaussian
làm
mịn
ảnh,
với
L
Giới
hạn
(margin):
Bằng

việc
gắn
một
hướng
duy
nhất
cho
mỗi
“keypoints”
dựa
trên
thuộc
tính
tại
vị
‖
‖
sự bất
với sự
ảnh.xong, ta thực hiện chuẩn hóa tất cả các ‖vector
Sau
khiquay
tổngcủa
hợp
một
‖ ‖ ‖trong
thức
tínhbiến
nhưđối
sau:

Công
thức
phân
lớpvì
(ranh
giới
quyếtgiới
định):
Công
thức
phân
lớp
(ranh
giới
quyết
định):
trí trên ảnh,ta“keypoint”.
việc
mô tảcông
“keypoint”
có thể
liên
quan
tới
hướng
đó,
thế
Công
thức
phân

lớp
(ranh
quyết
định):
gradient m, hướng
có các
Các keypoint
nàyđược
nằmbiểu
tại diễn
giữa
các
điểm
ảnh,
vì
thế
bước
cuối
cùng
cần
Công
thức
phân
lớp
(ranh
giới
quyết
định):
Không
gian

của
keypoint
được
sử
dụng
để
lựa
chọn
(6)
m
=
√
phảibiến
nộiđối
suyvới
đểsựtạo
ra định
hướng và độ lớn của dữ liệu nằm ở giữa các pixel. Như vậy
có được sự bất
quay
của ảnh.
∑
Gaussian đã
mịnhiện
với Lviệc
là quy
gần nhất, mỗi mẫu
thực
xong
mô

tả
“keypoint”.
Không làm
gian
của ảnh,
keypoint
được
sử mô
dụng
để lựa chọn Gaussian làm mịn ảnh, với∑
L ∑
(6)
5
luyện phân
lớp SVM
6, 7) thức
của gradient
m, hướng
θ ta có(hình
các công
ảnh Lx, y, độ lớn Huấn
- Nếu
thìphân
điểmlớp
thuộc
lớp 1
là quy mô gần nhất,
mỗi mẫu ảnh L , độ lớn của gradient m, hướng
ta cóx.w+b≥0
các công

SVM
cho
các
- Nếu pháp
thì
điểm
thuộc lớp
1
tính như sau: Trong nghiên cứux, ynày, chúng tôi sử dụng phương
thức tính nhưloại
sau:đặc trưng 5trích rút từ SIFT.
- Nếu
thì điểm
thuộc
thì điểm
2 lớp 1
thìthì
điểm
thuộcthuộc
lớp
2 lớp lớp
- Nếu - Nếu - Nếu x.w+b≤0
điểm
thuộc
1
Support vector được biểu diễn như sau:
(6)
m=√
(6)
|

| - Nếu
thì điểm thuộc lớpHình
2 6. Mô hình tìm siêu
Khoảng cách giữa điểm và siêu phẳng:
- Nếu
thì điểm thuộc lớp 2
‖ ‖
6
phẳng trong SVM.
Hình 6. M
(7)
=
( Giới hạn (margin):
)
(7)5

‖ ‖
Hình tron
6.
phẳng
Công
Mô tả keypoint
tạithức
vị tríphân
trên lớp
ảnh(ranh
(hình giới
5) quyết định):
phẳng tro
Để mô

tả keypoints,
tính toán
để mô5)tả các bất biến tại các vị trí trên ảnh. Sử
Mô
tả keypoint
tại vịcần
trí trên
ảnh
(hình
∑
dụng Để
phương
pháp
chuẩn hóacầntương
các intensity
xung quanh keypoint, tuy
mô tả
keypoints,
tính quan
toán cho
để mô
tả các bất
nhiên
tương
quan
này
dễ
nhạy
cảm
với

những
thay
đổi
bên
ngoài
gây ra như biến đổi
biến tại các vị -trí
trên ảnh. Sử dụng
phương
pháp
Nếu
thì điểm
thuộc
lớpchuẩn
1
hình
học
hoặc
các
biến
dạng
khác.
hóa tương quan cho các intensity xung quanh keypoint, tuy
- Nếu

thì điểm thuộc lớp 2

nhiên tương quan này dễ nhạy cảm với những thay đổi bên
ngoài gây ra như biến đổi hình học hoặc các biến dạng khác.

HìnhHình
6. Mô6.hình
tìmhình
siêu phẳng
trong SVM.
Mô
tìm siêu
6
phẳng nghiên
trong SVM.
Nhóm
cứu sử dụng thư viện LibSVM của Chang

Chih-Chung và Chih-Jen Lin (2011) [12] để xây dựng mô
hình phân lớp sau khi có được tập tin đặc trưng đã chuẩn
hóa, tập tin này sẽ trở thành đầu vào của máy học SVM, các
bước thực hiện như sau:
Bước 1: các đặc trưng đã được trích xuất ở bước trích
chọn SIFT của tập ảnh mẫu sẽ là đầu vào của quá trình huấn
luyện phân lớp.
Độ dốc điểm ảnh
Mô tả keypoint
Bước 2: chọn các thông số phù hợp cho việc xây dựng
Hình 5. Mô tả tại một keypoint với cửa sổ 2x2.
Hình
5. Mô tả tại một keypoint với cửa sổ 2x2.
mô hình phân lớp. Đối với mỗi tập tin đặc trưng đầu vào, sử
Một keypoint được mô tả bằng cách tính toán độ lớn của dụng công cụ grid.py của thư viện LibSVM để chọn tham số
Một keypoint được mô tả bằng cách tính toán độ lớn của độ dốc và hướng tại mỗi
độ dốc và hướng tại mỗi điểm ảnh, những trọng số được tính tốt nhất, đảm bảo cho quá trình huấn luyện đem lại độ chính

điểm
những
trọng một
số được
tínhhình
bằngtròn
cáchGaussian
sử dụng một
cửa sổ hình tròn Gaussian
bằngảnh,
cách
sử dụng
cửa sổ
chồng
xáctrên
caomột
nhất.khu
Đốivực
với tập đặc trưng đã chọn ở trên, tham số
chồng
sauchúng
đó chúng
tổngvào
hợpbiểu
vào đồ
biểuhướng
đồ hướng
chập,chập,
sau đó
được được

tổng hợp
tổng tổng
g (gamma của hàm nhân) được chọn là 0,125 và c (chi phí)
rộng
thường
ta sử thường
dụng một
cửa ta
sổ sử
môdụng
tả 4x4 cho một mảng mẫu
trênhơn,
một thông
khu vực
rộngngười
hơn, thông
người
được chọn là 8.
16x16.
một cửa sổ mô tả 4x4 cho một mảng mẫu 16x16.
Bướcta3:thực
huấn
luyện mô hình SVM bằng hàm thực thi
Sau khi nhân các giá trị độ lớn độ dốc với cửa sổ trọng số Gaussian
hiện
Sau khi nhân các giá trị độ lớn độ dốc với cửa sổ trọng Train() với tập tin đặc trưng đã chọn ở bước 1, các thông số
cho tất cả 16x16 ô để đưa vào tổng hợp 4x4, với mỗi 16 ô ta đưa các giá trị vào 8 ô
ởobướco2.
số Gaussian ta thực hiện cho tất cả 16x16 ô để đưa vào đã chọn
o

theo sự phân chia định hướng, mỗi ô này có giá trị tương ứng từ 0…44 , 45 …89 , …
Như vậy, tổng cộng ta tính cho mỗi một keypoint bao gồm 4x4x8=128 điểm khảo sát
xung quanh.
47 vector trong một
Sau khi tổng hợp xong,
ta 8.2019
thực hiện chuẩn hóa tất cả các
61(8)
“keypoint”. Các keypoint này nằm tại giữa các điểm ảnh, vì thế bước cuối cùng cần
phải nội suy để tạo ra định hướng và độ lớn của dữ liệu nằm ở giữa các pixel. Như vậy


ụng thư viện LibSVM của Chang Chih-Chung và Chihng mô hình phân lớp sau khi có được tập tin đặc trưng đã
Khoa học Kỹ thuật và Công nghệ
hành đầu vào của máy học SVM, các bước thực hiện như

đã được trích xuất ở bước trích chọn SIFT của tập ảnh
h huấn luyện phân lớp.
số phù hợp cho việc
Đối với mỗi tập tin đặc
cụ grid.py của thư viện
nhất, đảm bảo cho quá
hính xác cao nhất. Đối
rên, tham số g (gamma
125 và c (chi phí) được

hình SVM bằng hàm
trưng đã chọn ở bước
2.

7. Quyết định phân lớp cho 1 điểm ngẫu nhiên trong
hính xác của Hình
mô hình
Hình 7. Quyết định phân lớp
không gian.
eClassificationProblem().
ô hình phân lớp. Mô hình cho 1 điểm ngẫu nhiên trong
Bước 4: kiểm
tra độgian.
chính xác của mô hình bằng phương
không
g sâu bệnh. thức EvaluateClassificationProblem().
Đầu ra của giai đoạn
của kết quả này
chẩnlà đoán
mô hình phân lớp. Mô hình này dùng để phân lớp
IFT và SVM nhận dạng sâu bệnh.
g cho thử nghiệm bao gồm 800 hình ảnh. Trong đó, 300
độ bệnh.
chính50%
xác của
chẩn đoán sâu
ờng và 500 hình Đánh
ảnh là giá
lá lúa
hìnhkết
ảnhquả
trong
bệnh
ứng

dụng
kỹ
thuật
SIFT
và
SVM
luyện và kiểm tra. Các thực nghiệm được tiến hành với
ảnh khác nhau. Bảng
và 3được
cho sử
thấy
kếtcho
quảthử
phân
loại bao gồm 800
Tập dữ2 liệu
dụng
nghiệm
trưng SIFT so
sánh
kết
quả
với
đặc
trưng
toàn
phần
hình ảnh. Trong đó, 300 hình ảnh là các lá lúa bình thường
) [13]. Kết quả
cho hình

thấy,ảnhtính
khoảng
và 500
là lánăng
lúa bệnh.
50%cách
hìnhcạnh
ảnh trong mỗi lớp
đượcnăng
sử dụng
huấn
và loại
kiểmcao
tra.hơn
Các thực nghiệm
ng cùng với tính
SIFTđểcho
tỷ luyện
lệ phân
được tiến hành với sự kết hợp các tính năng hình ảnh khác
nhau. Bảng 2 và 3 cho thấy kết quả phân loại khi sử dụng
đối với lá lúavới
bình
thƣờng
vàtrưng
sâu bệnh
(độsánh
chính
xác với đặc trưng
SVM

với đặc
SIFT so
kết quả
True, tỷ lệ âmtoàn
tínhphần
TNR).
HOG (Histogram of Gradient) [13]. Kết quả
cho
thấy,
tính
năng khoảng cách cạnh thông qua thuật toán
Giá trị
CC
Độ tính
lệchnăngGiá
trịcho
dự tỷ lệ phân loại
chuyển
dòng
cùng
với
SIFT
thu đƣợc TNR
%)
chuẩn
đoán âm
cao
hơn
85%
so

với
HOG.
(TPR)
Tỷ lệ phân loại
(%) đối với 0,779
lá lúa bình thường và bị sâu
5,0
0,858Bảng 2. 0,836
0,897
chính xác ACC,
tỷ lệ dương
tính TPR-True, tỷ lệ âm
2,1
0,848bệnh (độ0,776
0,8635
0,754
tính TNR).

đối với lá lúaĐặc
bìnhSốthƣờng
và lúaGiábịtrị thu
bệnh
lượng ACC
đượcvới 1 .000
Độ lệch

mẫu vật

tính

ảnh

(%)

(TPR)

SIFT
HOG

500
500

85,0
82,1

0,858
0,848

Độ chính xác

TNR

0,836
0,776

Thời gian xử lý trung
bình

chuẩn

Giá trị dự
đoán âm

0,897
0,8635

0,779
0,754

Bảng 3. Tỷ lệ phân loại (%) đối với lá lúa bình thường và lúa bị
bệnh với 1.000 mẫu mỗi loại.

tính năng mang lại độ chính xác lên tới 85% so với phương
pháp chỉ sử dụng đặc trưng mô tả HOG. Hướng phát triển
nghiên cứu tiếp theo của chúng tôi nhằm cải thiện độ chính
xác cho quá trình phát hiện bệnh trên lúa sẽ giải quyết các
vấn đề sau: (1) Thu thập thêm nhiều mẫu ảnh dữ liệu cho
quá trình huấn luyện; (2) Sử dụng kết hợp các đặc trưng
cục bộ như SIFT, SUFT… với HOG hoặc HOG -DLMA
[14]; (3) Sử dụng mạng neural xoắn ốc (deep convolutional
neural network) trong phân loại để nâng cao độ chính xác.
TÀI LIỆU THAM KHẢO
[1] C. Nandini, G.L. Anoop (2016), “Classification and grading the
level of paddy leaf diseases using multi classifiers”, International Journal
of Advances in Science Engineering and Technology, 4(4), pp.28-32.
[2] Wiener, Norbert (1949),  Extrapolation, Interpolation, and
Smoothing of Stationary Time Series, New York: Wiley,  ISBN  0-26273005-7.
[3] N. Otsu (1979), “A threshold selection method from gray level
histograms”, IEEE Trans. Systems Ma. and Cybernetics, 9, pp.62-66.
[4] Phadikar, Santanu, Jaya Sil, and Asit Kumar Das (2013), “Rice

diseases classification using feature selection and rule generation
techniques”, Computers and Electronics in Agriculture, 90, pp.76-85.
[5] K.L. Pawankumar, S.A. Angadi (2017), “An automated system for
detection and classification of rice plant diseases”, IJSRD - International
Journal for Scientific Research & Development, 5(7), pp.705-707.
[6] Mohanty, P. Sharada, Hughes, P. David, Salathé, Marcel (2016),
“Using deep learning for image-based plant disease detection”, Frontiers
in Plant Science, 7, p.1419.
[7] D. Zhang, X. Zhou, J. Zhang, Y. Lan, C. Xu, D. Liang (2018),
“Detection of rice sheath blight using an unmanned aerial system with
high-resolution color and multispectral imaging”, PLOS ONE, 13(5),
e0187470. 
[8] Nguyễn Ngọc Đệ (2008), Giáo trình cây lúa, Nhà xuất bản Đại
học Quốc gia Tp Hồ Chí Minh.
[9] Vũ Cao Đàm (2003), Phương pháp luận nghiên cứu khoa học,
Nhà xuất bản Khoa học và Kỹ thuật, Hà Nội.
[10] Lowe, G. David (1999), “Object recognition from local scaleinvariant features”, Proceedings of the International Conference on
Computer Vision, 2, pp.1150-1157, doi:10.1109/ICCV.1999.790410.

Đặc tính

Số mẫu vật

Độ chính xác

Thời gian xử lý trung bình

[11] M. Brown, D. Lowe (2002), “Invariant features from interest
point groups”, BMVC 2002: 13th British Machine Vision Conference,
Cardiff, pp.253-262.

Khô vằn
Đạo ôn
Cuốn lá
Rầy nâu

1.000
1.000
1.000
1.000

84,6
81,2
80,1
82,7

365 ms
277 ms
251 ms
338 ms

[12] Chang Chih-Chung, and Chih-Jen Lin (2011), “LibSVM: a
library for support vector machines”, ACM Transactions on Intelligent
Systems and Technology (TIST), 2(3), p.27.

7

Kết luận

Bài báo này đã tập trung vào nghiên cứu ứng dụng trích

chọn đặc trưng hình thái học sử dụng SIFT và phân lớp
SVM trong việc xác định lá lúa bị sâu bệnh. Các kết quả
phân loại thu được bằng cách sử dụng sự kết hợp của cả hai

61(8) 8.2019

[13] N. Dalal and B. Triggs (2005), “Histograms of oriented gradients
for human detection”, Proceedings of the Conference on Computer Vision
and Pattern Recognition, 2, pp.886-893.
[14] P. Balamurugan, Rajesh, Reghunadhan (2012), “Neural network
based system for the classification of leaf rot disease in cocos nucifera
tree leaves”, European Journal of Scientific Research, 88, pp.1450-216.

48