Professional Documents
Culture Documents
1
THÔNG TIN KẾT QUẢ NGHIÊN CỨU
1. Thông tin chung:
Tên đề tài dự án: ỨNG DỤNG KỸ THUẬT NHẬN DẠNG TRONG
PHÂN LOẠI TỰ ĐỘNG RAU CỦ QUẢ
Mã số: 17.40
Nhóm: 6A
Đơn vị: Khoa Điện Tử - Viễn Thông.
2. Mục tiêu:
Nhận dạng rau củ quả trong nhà bếp bằng đặc trưng hình dáng.
Tiếp cận với các phương pháp tiền xử lý và xử lý ảnh với các thuật toán
trích đặc trưng, phân lớp, machine learning, Neruron Network, …
3. Kết quả nghiên cứu:
Hoàn thành cơ sở dữ liệu gốc của ảnh rau củ quả.
Hoàn thành các dữ liệu sau khâu tiền xử lý.
Hoàn thành trích đặc trưng.
Nhận dạng thành công 3 loại rau củ quả.
Cơ sở dữ liệu gốc:
4. Sản phẩm:
Ớt : 100 ảnh
Tỏi : 100 ảnh
Hành tây : 100 ảnh
Các cơ sở dữ liệu được biến đổi từ cơ sở dữ liệu gốc sau quá trình tiền xử
lý.
Code matlab: Chương trình nhận dạng.
Báo cáo kết quả dự án.
5. Phương thức chuyển giao kết quả nghiên cứu và khả năng áp dụng:
Chuyển giao cho Khoa Điện Tử - Viễn Thông để phục vụ mục đích học
tập (không cho mục đích kinh doanh). Hoặc kết quả có thể được áp dụng để làm
cơ sở cho các đề tài nghiên cứu mang mục đích phi thương mại.
2
I. MỞ ĐẦU:
3
Chất chống oxy hóa.
Chứa các hợp chất chống ung thư
Kiểm soát lượng đường trong máu.
Có thể tăng cường sức khoẻ xương.
Có đặc tính kháng khuẩn.
Tăng cường sức khỏe tiêu hóa.
Trong đời sống hiện nay, rau củ quả là nguyên liệu nấu ăn được sử dụng thường xuyên
nhưng nhiều loại lại có hình dạng giống nhau và dễ gây nhầm lẫn trong công việc nấu
ăn cũng như thu hoạch dẫn đến những khó khăn trong công tác nấu ăn cũng như thu
hoạch của nông dân.
Để khắc phục những khó khăn này, dựa vào những kiến thức được học từ học
phần “ Kĩ thuật nhận dạng” chúng ta có thể dễ dàng phân biệt được những loại rau củ
quả mà cụ thể là 3 loại Ớt, Hành tây, Tỏi để giúp cho những người nông dân dễ dàng
thu hoạch cũng như mọi người có thể chọn để nấu ăn mà không bị nhầm lẫn.
4
2. Mục tiêu:
Tìm hiểu 3 loại rau củ quả: Ớt, Hành tây, Tỏi.
Thu thập, chụp hình lá, xây dựng cơ sở dử liệu
Số lượng ảnh: 100 ảnh/ loại .
5
Ảnh đạt chất lượng tốt không hiện bóng trên nền của ảnh chụp.
Trích xuất được các vector đặc trưng.
Nhận dạng được loại rau củ quả.
5. Đối tượng:
Một số rau củ quả trong nhà bếp thường gặp ở xung quanh cuộc sống.
6
II. NỘI DUNG CHÍNH
A. Tiền xử lý cơ sở dữ liệu :
Chuyển sang ảnh nhị phân: Phương pháp chuyển sang ảnh nhị phân:
• Từ ảnh màu đã được xóa bóng, chúng ta chuyển sang ảnh xám.
• Từ những ảnh xám thì sẽ chuyển những pixel có giá trị = 255 thì sẽ chuyển thành pixel
= 0, những pixel còn lại sẽ có giá trị là 1.
1. Phương pháp:
Tiền xử lý
7
Nhận dạng
8
C. Phương pháp so khớp mẫu:
Cách làm:
Ta sẽ so khớp 7 giá trị log Hu của ảnh cần test với cơ sở dữ liệu. Từ đó ta sẽ
tính được khoảng cách nhỏ nhất giữa các ảnh và kết luận ảnh đó thuộc loại nào.
Ở đây ta dùng công thức của Euclidean distance:
Kết quả:
9
Tỏi Hành tây Ớt
Tỏi 89 10 1
Hành tây 18 80 2
Ớt 0 0 92
Tỷ lệ thành công:
(89+80+92)/3=87%
2. Thí nghiệm:
Kịch bản: Dùng phương pháp Neuron Network để nhận dạng lá cây.
Tiến hành:
o Bước 1: Chuẩn bị cơ sở dữ liệu 1000 ảnh lá, chia làm 10 thư mục, mỗi
thư mục có 100 ảnh lá bao gồm: 21 lá rau muống, 16 lá cần tây, 10 lá
gừng, 56 lá ngọc lan.
Các ma trận vector:
+ TRAIN chứa 7 vector đặc trưng của mỗi lá trong mỗi thư mục.
+ TARGET chứa 4 vector đầu ra của mỗi lá trong mỗi thư mục.
+ TEST chứa 7 vector đặc trưng của từng loại lá để đưa vào kiểm thử.
Hình 1
Hình 2
10
Hình 3
o Bước 2: Tạo NETWORK sử dụng công cụ nntool của Matlab với các
ma trận vector TRAIN và TARGET ứng với từng thư mục.
o Bước 3: Tiến hành TRAIN. Sau đó lưu kết quả.
11
o Bước 4: Dùng ma trận vector TEST để kiểm thử với với NETWORK đã
được huấn luyện. Kiểm tra kết quả.
Hình 4 Hình 5
12
Kết quả:
Bảng kết quả
13
III. KẾT LUẬN VÀ KIẾN NGHỊ
Nhóm đã thu thập được số lượng lớn cơ sở dữ liệu gốc và các ảnh đã qua xử lý,
các code Matlab chạy tốt và hệ thống đã hoạt động, nhận dạng thành công 4 loại lá
nghiên cứu.
Các lĩnh vực về nhận dạng ảnh có thể ứng dụng và sử dụng kết quả nghiên cứu.
Trong tương lai, nhóm sẽ phát triển thành một hệ thống nhận dạng cây thuốc nam
thông qua lá cây với một cơ sở dữ liệu rộng lớn hơn, hoạt động ổn định hơn.
14
TÀI LIỆU THAM KHẢO
(1) Học viện công nghệ Bưu chính Viễn Thông (2007), Nhập môn Trí Tuệ Nhân
tạo, Hà Nội.
(2) K.- L. Du, PhD, M.N.S. Swamy, PhD, D.Sc (Eng) (2006), Neural
Networks in a Softcomputing Framework.pdf, Concordia University,
Montreal, Canada.
for i = 1:m
distance = 0;
for j = 1:n
distance = distance + (item(j) - data(i, j))^2;
end
distance = sqrt(distance);
distances(i) = distance;
end
min = intmax;
idx = 0;
for i = 1:m
if (distances(i) < min) & (distances(i) > 0)
min = distances(i);
idx = i;
end
end
class = data(idx, 8);
end
clc;
close all;
clear;
for k=1:300
[distances, class, idx] = sokhopmau(k);
pred(k) = class;
end
xlswrite('X.xlsx', pred);
ata=xlsread('X.xlsx','sheet1');
ata1=0;
ata2=0;
ata3=0;
15
ata4=0;
ata5=0;
ata6=0;
for i =1:100
if ata(:,i)==1
ata1=ata1+1;
else if ata(:,i)==2
ata2=ata2+1;
else if ata(:,i)==3
ata3=ata3+1;
else if ata(:,i)==4
ata4=ata4+1;
else if ata(:,i)==5
ata5=ata5+1;
else if ata(:,i)==6
ata6=ata6+1;
end
end
end
end
end
end
end
16
PHỤ LỤC
17