i ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN XUÂN CƢỜNG NGHIÊN CỨU KỸ THUẬT NHẬN DẠNG ẢNH LÁ CÂY DƢỢC LIỆU SỬ DỤNG MẠNG NƠ RON Chuyên ngành: Khoa học máy tính Mã số: 60.48.01.01 TÓM TẮT LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH THÁI NGUN, 2016 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn ii Cơng trình đƣợc hồn thành tại: Trƣờng Đại học Cơng nghệ Thơng tin Truyền thông - Đại học Thái Nguyên Ngƣời hƣớng dẫn khoa học: TS Nguyễn Văn Tảo Phản biện 1: TS Phạm Đức Long Phản biện 2: PGS TS Ngô Quốc Tạo Luận văn đƣợc bảo vệ trƣớc hội đồng chấm luận văn họp tại: Trƣờng Đại học Công nghệ Thông tin Truyền thông - Đại học Thái Nguyên, ngày 17 tháng năm 2016 Có thể tìm hiểu luận văn tại: - Trung tâm học liệu Đại học Thái Nguyên - Thƣ viện trƣờng Đại học Công nghệ Thơng tin Truyền thơng Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn iii LỜI CAM ĐOAN Tôi xin cam đoan nghiên cứu nhận dạng ảnh dƣợc liệu sử dụng mạng nơ ron tơi viết khơng chép từ tài liệu, không sử dụng kết ngƣời khác mà khơng trích dẫn cụ thể Tơi xin cam đoan ứng dụng tơi trình bày khố luận tơi tự phát triển dƣới hƣớng dẫn thầy Nguyễn Văn Tảo không chép ứng dụng ngƣời khác Nếu sai tơi hồn tồn chịu trách nhiệm theo quy định trƣờng Đại Học Công Nghệ Thông tin Truyền thông- Đại Học Thái Nguyên Thái Nguyên, ngày tháng năm 2016 Học viên Nguyễn Xuân Cƣờng Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn iv LỜI CẢM ƠN Trong thời gian qua, nhận đƣợc nhiều hƣớng dẫn giúp đỡ động viên tận tình từ nhiều phía Tất điều trở thành nguồn động lực lớn giúp tơi thực đƣợc đề tài nghiên cứu đƣợc giao Với tất cảm kích trân trọng, tơi xin đƣợc gửi lời cảm ơn đến tất ngƣời Trƣớc hết xin chân thành cảm ơn thầy hƣớng dẫn – Tiến sĩ Nguyễn Văn Tảo ngƣời nhiệt tình bảo ban hƣớng dẫn, đóng góp ý kiến quý báu cho tơi để học tập hồn thành khóa luận tốt nghiệp Xin gửi lời cảm ơn chân thành đến Ban giám hiệu trƣờng Đại học Công Nghệ Thông Tin truyền thông – Đại học Thái Ngun tạo điều kiện giúp đỡ tơi thực đề tài Cảm ơn thầy cô công tác trƣờng Đại học Công Nghệ Thông Tin truyền thông – Đại học Thái Nguyên dạy dỗ truyền đạt kiến thức quí báu cho suốt thời gian học tập rèn luyện trƣờng Tôi xin đƣợc gửi lời biết ơn vô hạn tới cha mẹ, ngƣời thân nuôi dƣỡng tạo điều kiện tốt cho học tập sinh hoạt, bên tơi lúc khó khăn để chuyên tâm thực khóa luận Cuối cùng, xin cảm ơn tập thể lớp cao học CNTT K13E đặc biệt ngƣời bạn tốt bên tôi, khuyến khích, động viên tơi cho tơi lời khun chân thành sống học tập Xin trân trọng cảm ơn! Thái Nguyên, ngày tháng năm 2016 Học viên Nguyễn Xuân Cƣờng Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn v MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN iii MỤC LỤC v DANH MỤC CÁC HÌNH VẼ vii TÓM TẮT NỘI DUNG x MỞ ĐẦU 1 Đặt vấn đề Đối tƣợng phạm vi nghiên cứu 3 Hƣớng nghiên cứu đề tài 4 Những nội dung nghiên cứu Phƣơng pháp nghiên cứu Ý nghĩa khoa học đề tài CHƢƠNG 1: GIỚI THIỆU VỀ MẠNG NƠ RON VÀ XỬ LÝ ẢNH SỐ 1.1 Giới thiệu mạng nơ ron 1.1.1 Giới thiệu mạng nơron nhân tạo 1.1.2 Nơron sinh học nơron nhân tạo 10 1.2 Tổng quan dƣợc liệu 19 1.3 Giới thiệu xử lý ảnh số 20 CHƢƠNG 2: KỸ THUẬT NHẬN DẠNG SỬ DỤNG MẠNG NƠ RON 22 2.1 Kỹ thuật trích chọn đặc trƣng ảnh 22 2.1.1 Kỹ thuật phát đặc trƣng biên 22 2.1.2 Một số kỹ thuật phát biên trực tiếp 23 2.1.3 Kỹ thuật xây dựng đặc trƣng ảnh từ biên 25 2.2 Mạng nơ-ron lan truyền thẳng nhiều lớp 30 2.2.1 Mạng perceptron lớp 30 2.2.2 Mạng perceptron nhiều lớp 32 2.2.3 Một số vấn đề cần ý sử dụng mạng MLP 43 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn vi CHƢƠNG 3: THỬ NGHIỆM NHẬN DẠNG ẢNH LÁ CÂY DƢỢC LIỆU 47 3.1 Giới thiệu 47 3.2 Thu thập, phân tích xử lý liệu 48 3.2.1 Thu thập liệu 48 3.2.2 Xử lý liệu 51 3.2.3 Hậu xử lý 51 3.3 Mạng nơron hệ thống nhận dạng dƣợc liệu 51 3.4 Một số kết thƣ̉ nghiê ̣m và đánh giá hệ thống nhận dạng dƣợc liệu 53 3.4.1 Thử nghiệm hệ thống nhận dạng dƣợc liệu 53 3.4.2 Đánh giá kết nhận dạng 61 3.4.3 Hƣớng phát triển tƣơng lai 64 KẾT LUẬN CHUNG 65 DANH MỤC TÀI LIỆU THAM KHẢO 67 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn vii DANH MỤC CÁC HÌNH VẼ Hình 1.1: Cấu trúc nơron sinh học điển hình 11 Hình 1.2: Nơron nhân tạo 12 Hình 1.3: Mạng tự kết hợp 15 Hình 1.4: Mạng kết hợp khác kiểu 16 Hình 1.5: Mạng truyền thẳng 16 Hình 1.6: Mạng phản hồi 17 Hình 1.7: Perceptron 17 Hình 1.8: Mạng MLP tổng quát 18 Hình 2.1: Lƣu đồ kỹ thuật Prewitt Edge Detection 26 Hình 2.2: Ảnh dƣợc liệu áp dụng thuật toán tách biên trực tiếp 27 Hình 2.3: Lƣới phủ lên tập biên ảnh xác định tập đặc trƣng điểm rút gọn27 Hình 2.4: Lƣới phủ lên tập biên ảnh xác định tập đặc trƣng điểm rút gọn với kích thƣớc khác 28 Hình 2.5: Đặc trƣng ảnh dƣợc liệu 28 Hình 2.6: Tam giác vng biểu diễn góc đặc trƣng 29 Hình 2.7: Mạng perceptron lớp 31 Hình 2.8 Thực hàm XOR mạng MLP 33 Hình 2.9: Lan truyền tín hiệu q trình học theo phƣơng pháp lan truyền ngƣợc sai số 34 Hình 2.10 Sai số E đƣợc xét hàm trọng số W 36 Hình 2.11 Minh họa ý nghĩa quán tính thực tế 42 Hình 2.12 Hàm sigmoid g(x) = 1/(1+e-x) 43 Hình 2.13 Nội suy hàm y = sin(x/3) + v, 0≤ x ≤ 20 sử dụng MLP 45 Hình 3.1: Các loại dƣợc liệu dùng để nhận dạng 49 Hình 3.2: Một phần tập ảnh huấn luyện 50 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn viii Hình 3.3: Một phần tập ảnh thử nghiệm 50 Hình 3.4: Mơ hình Noron toán nhận dạng mẫu 52 Hình 3.5: Giao diện hệ thống nhận dạng dƣợc liệu 53 Hình 3.6: Giao diện nhận dạng đặc trƣng ảnh 54 Hình 3.7: Giao diện chức huấn luyện mạng nơron 55 Hình 3.8: Giao diện chức nhận dạng ảnh dƣợc liệu 56 Hình 3.9: Kết nhận dạng tham số khoảng cách điểm lớn 62 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn ix DANH MỤC CÁC BẢNG Bảng 1.1: Một số hàm truyền thông dụng 14 Bảng 3.1: Số lƣợng ảnh tập huấn luyện tập thử nghiệm loài57 Bảng 3.2: Kết thử nghiệm nhận dạng ảnh dƣợc liệu 58 Bảng 3.3: Một số kết thử nghiệm nhận dạng dƣợc liệu 59 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn x TĨM TẮT NỘI DUNG Tóm tắt Hiện nhu cầu tìm kiếm hiểu biết thêm thông tin loại thuốc ngƣời lớn, đòi hỏi phát triển ứng dụng nhận dạng để phục vụ nhu cầu ngày cao Việc sử dụng hệ thống nhận dạng có ý nghĩa quan trọng trọng vơ hữu ích cho ngƣời Các hệ thống nhận dạng giúp nâng cao khả tự động nhƣ phân loại đối tƣợng đời sống thực tế Chính vai trò quan trọng , l ̣n văn tìm hiểu triǹ h bày mô ̣t phƣơng pháp nhâ ̣n diê ̣n với đối tƣợng lá sƣ̉ du ̣ng ma ̣ng nơron truyề n thẳ ng nhiề u lớp lan truyề n ngƣơ ̣c đồng thời xây dƣ̣ng ̣ thố n g nhâ ̣n diê ̣n lá Kết đạt đƣợc bao gồm hai phần chính: Trình bày tổng quan nhận dạng mẫu toán nhận dạng dƣợc liệu dùng mạng nơ ron lan truyền ngƣợc Hệ thống hóa số vấn đề nhận dạng mẫu sử dụng mạng nơron Thực nghiệm: Xây dựng thành công hệ thống nhận dạng mẫu dƣợc liệu, hệ thống giải thành công yêu cầu toán đặt nhƣ khả tìm đặc trƣng ảnh, nhận dạng đƣợc mẫu dƣợc liệu đƣợc huấn luyện Tuy hệ thống đơn giản nhƣng phần giải đƣợc toán nhận dạng dƣợc liệu với độ xác tƣơng đối Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 54 Hình 3.6: Giao diện nhận dạng đặc trưng ảnh Sau thêm đủ mẫu loài chuyển qua phần mạng nơron, phần tiến hành huấn luyện mạng nơron với tham số thiết lập nhƣ số nơron đầu vào, số nơron ẩn, số nơron đầu ra, tốc độ học,… Hình 3.7 ví dụ tiến hành huấn luyện mạng Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 55 Hình 3.7: Giao diện chức huấn luyện mạng nơron Phần cuối phần nhận dạng mẫu dƣợc liệu Sau tiến hành huấn luyện xong cho mạng nơron tiến hành việc nhận dạng mẫu Tải ảnh cần nhận dạng vào thiết lập tham số, sau ấn nút “Nhận diện”, kết đƣợc hiển thị cột bên Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 56 Hình 3.8: Giao diện chức nhận dạng ảnh dược liệu Với mẫu dƣợc liệu thử gai hệ thống cho kết mẫu dƣợc liệu phù hợp với gai tới 95% mẫu khác kết phù hợp lần lƣợt đơn đỏ (77%), hƣơng nhu (77%), tía tơ (77%) Chúng ta sử dụng tập liệu 100 ảnh 10 loài dƣợc liệu để tiến hành kiểm tra độ xác hệ thống Số lƣợng ảnh tập huấn luyện tập thử nghiệm loài đƣợc thống kê bảng 3.1 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 57 Bảng 3.1: Số lượng ảnh tập huấn luyện tập thử nghiệm loài Tên loài Số ảnh huấn luyện Số ảnh test Tổng số ảnh Lá gai 10 Lá đơn đỏ 10 Lá hổ sâm 10 Lá đào 10 Lá hƣơng nhu 10 Lá mơ 10 Lá rau má 10 Lá tía tơ 10 Lá diếp cá 10 Lá mã đề 10 Sau cho huấn luyện hệ thống với 70 ảnh 10 loài dƣợc liệu Chúng ta tiến hành nhận điện 30 ảnh thuộc 10 loài dƣợc liệu (mỗi loài ảnh) kết nhƣ bảng 3.2, bảng 3.3 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 58 Bảng 3.2: Kết thử nghiệm nhận dạng ảnh dược liệu Tên loài Lá gai Lá đơn đỏ Lá hƣơng nhu Lá hổ sâm Lá tía tơ Lá mơ Lá rau má Mã đề Phần trăm thử Độ xác nghiệm độ tƣơng tự Lá gai 96.346% Chính xác Lá gai 95.586% Chính xác Lá gai 95.849% Chính xác Đơn đỏ 93.260% Chính xác Đơn đỏ 95.566% Chính xác Đơn đỏ 93.994% Chính xác Hƣơng nhu 96.133% Chính xác Hƣơng nhu 96.133% Chính xác Hƣơng nhu 90.506% Chính xác Hổ sâm 94.240% Chính xác Hổ sâm 82.779% Chính xác Hổ sâm 94.240% Chính xác Tía tơ 76.325% Chính xác Tía tơ 77.356% Chính xác Tía tơ 77.356 Chính xác Lá mơ 69.576% Khơng xác Lá mơ 77.562 Khơng xác Lá mơ 69.676% Khơng xác Rau má 96.725% Chính xác Rau má 96.725% Chính xác Rau má 96.725% Chính xác Mã đề 93.442% Chính xác Mã đề 94.092% Chính xác Mã đề 93.442% Chính xác Ảnh test Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 59 Bảng 3.3: Một số kết thử nghiệm nhận dạng dược liệu Tên loài Lá Ảnh test Kết nhận dạng Ảnh Chính xác Ảnh Chính xác Ảnh Chính xác Ảnh Chính xác đơn đỏ Lá hƣơng nhu Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 60 Ảnh Chính xác Ảnh Khơng xác Lá hổ Ảnh Chính xác Ảnh Chính xác Ảnh Chính sâm xác Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 61 Lá tía Ảnh Chính xác Ảnh Chính xác Ảnh Chính xác tơ Số ảnh test 30 có 23 trƣờng hợp nhận dạng xác trƣờng hợp nhận dạng chƣa xác Tỉ lệ nhận dạng xác 76, 67% 3.4.2 Đánh giá kết nhận dạng 3.4.2.1 Độ xác Qua q trình chạy thử kiểm tra hệ thống cho kết nhận dạng tốt Tỉ lệ nhận dạng 76,67% Một điều cần ý để hệ thống cho kết tốt ngồi việc chọn tham số q trình xử lý chất lƣợng ảnh đầu vào yếu tố quan trọng Trong lấy đặc trƣng có sử dụng tham số khoảng cách điểm viền đƣợc lấy Nếu để khoảng cách điểm nhỏ số điểm viền tăng lên Số điểm viền nhiều lên đặc trƣng ảnh Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 62 rõ ràng Khi khả phân biệt đặc trăng tăng lên Tuy nhiên số điểm nhiều khó xác định đƣợc đặc trƣng lồi So với số kỹ thuật nhận dạng đƣợc cơng bố kết nhận dạng cho mức độ xác tƣơng tự Bây xem xét ví dụ: Giả sử tập ảnh đầu vào giống nhau, ảnh cần nhận dạng giống Chúng ta thay đổi tham số khoảng cách điểm ảnh viền Khi số khoảng cách giảm số điểm ảnh viền tăng lên so sánh kết đạt đƣợc Hình 3.9: Kết nhận dạng tham số khoảng cách điểm lớn Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 63 Ảnh đầu vào ảnh gai nhƣng với số khoảng cách điểm lớn, hệ thống lại cho kết khơng xác Bây giảm khoảng cách điểm: Hình 3.10: Kết nhận dạng tham số khoảng cách điểm nhỏ Khi giảm khoảng cách điểm kết hệ thống nhận dạng xác gai * Nhận xét: 3.4.2.2 Ưu điểm hạn chế Ưu điểm: Hệ thống nhận dạng tốt với mẫu đặc trƣng có độ xác cao Thời gian xử lý ảnh nhận dạng tƣơng đối nhanh Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 64 Nhược điểm: Hệ thống phụ thuộc nhiều đầu vào ảnh Đối với số ảnh khơng rõ nét việc tìm đặc trƣng ảnh tƣơng đối khó khăn cho kết khơng tốt phần nhận dạng ảnh Hệ thống triển khai môi trƣờng desktop nên chƣa thật tiện lợi cho ngƣời sử dụng 3.4.3 Hướng phát triển tương lai Hệ thống dành cho desktop, tƣơng lai em hi vọng triển khai hệ thống thiết bị mobile Ngoài hệ thống tƣơng lai cần bổ sung số tính hệ thống nhƣ sau: Hiển thị thêm thông tin lá: vùng hay xuất hiện, tuổi đời trung bình, tác dụng (hoặc có chứa độc tố khơng) Nâng cao thuật tốn xử lý ảnh việc trích chọn đặc trƣng ngồi việc sử dụng viền sử dụng thêm số đặc trƣng khác để nhận dạng nhƣ gân Có thể mở rộng tốn sử dụng nguồn liệu thuốc lớn Kế t luâ ̣n chƣơng Chƣơng tiến hành áp dụng lý thuyết nghiên cứu để tìm hiểu xây dựng hệ thống nhận dạng mẫu dƣợc liệu sử dụng mạng nơ ron lan truyền ngƣợc Kết đạt đƣợc chƣơng trình có độ xác tƣơng đối Trong trƣờng hợp hình dáng giống độ xác nhận dạng thấp từ ta sử dụng thêm số kỹ thuật khác để nhận dạng nhƣ nhận dạng theo màu sắc Trong tƣơng lai, để hệ thống đạt tới độ xác tối ƣu nhất, cần bổ sung thêm thuộc tính liên quan tới dƣợc liệu tăng lƣợng liệu chất lƣợng liệu đầu vào hệ thống Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 65 KẾT LUẬN CHUNG Thời đại ngày thời đại công nghệ Công nghệ phát triển không ngừng sâu, phần thiếu, trợ thủ đắc lực cho sống Các hệ thống nhận dạng sản phẩm phát triển công nghệ Việc sử dụng hệ thống nhận dạng có ý nghĩa quan trọng trọng vô hữu ích cho ngƣời Các hệ thống nhận dạng giúp nâng cao khả tự động nhƣ phân loại đối tƣợng đời sống thực tế Chính vai trò quan trọng , l ̣n văn tìm hiểu trin ̀ h bày mơ ̣t phƣơng pháp nhâ ̣n diê ̣n với đối tƣợng lá sƣ̉ du ̣ng mạng nơron truyền thẳng nhiều lớp lan truy ền ngƣợc đồng thời xây dựng hệ thố ng nhâ ̣n diê ̣n lá Kết đạt đƣợc bao gồm hai phần chính: Trình bày tổng quan nhận dạng mẫu toán nhận dạng dƣợc liệu dùng mạng nơ ron lan truyền ngƣợc Hệ thống hóa số vấn đề nhận dạng sử dụng mạng nơron Thực nghiệm: Tác giả xây dựng thành công hệ thống nhận dạng mẫu dƣợc liệu, hệ thống giải thành cơng u cầu tốn đặt nhƣ khả tìm đặc trƣng ảnh, nhận dạng đƣợc mẫu dƣợc liệu đƣợc huấn luyện Tuy hệ thống đơn giản nhƣng phần giải đƣợc toán nhận dạng dƣợc liệu với độ xác tƣơng đối Kiến nghị nghiên cứu , để phát triển thêm đề tài cầ n tăng quy mô tâ ̣p liệu huấ n luyê ̣n nhận da ̣ng , liệu phải đa dạng phong phú Thêm vào đó, hệ thống đƣợc phát triển, mở rộng để cung cấp thêm thơng tin hữu ích dƣợc liệu, loài thực vật cho ngƣời dùng nhƣ: Lá dƣợc liệu thuộc lồi gì, họ gì, sống chủ yếu vùng miền nào? Hoặc hệ thống phát triển theo hƣớng nhận dạng, phân loại Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 66 dƣợc liệu mắc bệnh dựa đặc điểm nhận dạng dƣợc liệu bị bệnh Các ứng dụng thật hữu ích phục vụ cơng việc hàng ngày sống ngƣời Vì thời gian nghiên cứu tƣơng đối ngắn hiểu biết hạn chế nên luận văn khơng tránh khỏi thiếu xót Em kính mong Thầy Cơ góp ý để luận văn đƣợc hoàn thiện Em xin chân thành cảm ơn Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 67 DANH MỤC TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt : [1] Đỗ Năng Tồn, Phạm Việt Bình (2008), Xử lý ảnh, Nhà xuất Khoa học kỹ thuật Hà Nội [2] Nguyễn Văn Tảo nhóm nghiên cứu, Đề tài cấp Đại học Thái Nguyên “Nghiên cứu kỹ thuật tra cứu ảnh, ứng dụng tra cứu quản lý số loại dược liệu quý vùng rừng núi tỉnh Thái Nguyên”, 2013-2014 [3] Nguyễn Văn Tảo cộng (2014), Sách chuyên khảo“Ứng dụng CNTT vào quản lý liệu dược liệu”, NXB ĐHQGHN [4] Nguyễn Văn Tảo, Nguyễn Văn Huân, Lê Triệu Tuấn, (2013), “Một giải pháp thu thập quản lý liệu dược liệu quý Việt Nam”, Tạp chí Khoa học Cơng nghệ - ĐH Thái Ngun Tài liệu tiếng Anh: [5] J Hertz, A Krogh, and R.G Palmer (1991), Introduction to the Theory of Neural Computation, New York: Addison-Wesley [6] Steve Lawrence and C Lee Giles (2000), Overfitting and Neural Networks:Conjugate Gradient and Backpropagation, International Joint onference on Neural Networks, Como, Italy, July 24–27, 114–119, 2000 [7] Chin-Teng Lin, C.S George Lee (1996), Neural fuzzy systems: a neurofuzzy synergism to intelligent systems, Prentice-Hall Inc [8] Nelson, M.C and Illingworth, W.T (1991), A Practical Guide to Neural Nets, Reading, MA: Addison-Wesley [9] L.Wessels, E.Barnard (1992), Avoiding False Local Minima by Proper Initialization of Connections, IEEE Trans on Neural Networks [10] D.E Rumelhart; G.E Hinton and R.J Williams (1986), Learning internal representations by error propagation, Rumelhart, D.E et al (eds.): Parallel distributed processing: Explorations in the icrostructure of cognition (Cambridge MA.: MIT Press), 318-362 [11] Harken S Neural Networks: A Complete Foundation, Prentice Hall-1999 Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 68 [12] M S Prasad Babu & B.Srinivasa Rao, Leaves Recognition using Back Propagation Neural Network-Advice for Pest an Disease Control On Crops Andhra University, Visakhapatnam-AP-India-530 003 [13] Jyotismita Chaki, Ranjan Parekh, Plant Leaf Recognition using Shape based Features and Neural Network classifiers, International Journal of Advanced Computer Science and Applications, Vol 2, No 10, 2011 [14] Qingfeng Wu, Changle Zhou and Chaonan Wang, Feature Extraction and Automatic Recognition of Plant Leaf Using Artificial Neural Network, Xiamen University, 361005, Fujian, P.R China [15] Kue-Bum Lee and Kwang-Seok Hong, (2013), An implementation of Leaf Recognition System using Leaf Vein and Shape, International Journal of Bio-Science and Bio-Technology, Vol 5, No 2, South Korea [16] Patil J.K and Rạ Kumar, (2012), Feature extraction of diseased leaf images, Journal of Signal and Image Processing, Volume 3, Issue 1, pp 6063, India [17] Sarah Gillett and Anna Lawrence, (2004), Methodology for planning sustainable management of medicinal plants in India and Nepal, Oxford, OX1 3UB, UK [18] Jayamala K Patil and Raj Kumar, (2011), ”Advances in image processing for detection of plant diseases”, Journal of Advanced Bioinformatics Applications and Research, Vol 2, Issue 2, pp 135-141 [19] Ji-Xiang Du, Xiao-Feng Wang and Guo-Jun Zhang, (2007), “Leaf shape based plant species recognition”, China Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn ... luận văn Chương 1: GIỚI THIỆU VỀ MẠNG NƠ RON VÀ XỬ LÝ ẢNH SỐ Chương 2: KỸ THUẬT NHẬN DẠNG ẢNH SỬ DỤNG MẠNG NƠ RON Chương 3: THỬ NGHIỆM NHẬN DẠNG ẢNH LÁ CÂY DƢỢC LIỆU Phần kết luận: Tóm tắt kết... nhận dạng ảnh dƣợc liệu Hƣớng nghiên cứu đề tài - Nghiên cứu lý thuyết, thu thập, phân tích tài liệu có liên quan đến đối tƣợng đề tài - Nghiên cứu kỹ thuật xử lý ảnh nhận dạng ảnh dƣợc liệu sử dụng. .. dƣợc liệu, dƣợc liệu, kết cấu, màu sắc, hình dạng, gân dƣợc liệu, … - Một số thuật toán ứng dụng Phạm vi nghiên cứu: + Nghiên cứu lý thuyết mạng nơ ron tế bào, xử lý ảnh số + Nghiên cứu kỹ thuật