i ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG NGUYỄN XUÂN CƯỜNG NGHIÊN CỨU KỸ THUẬT NHẬN DẠNG ẢNH LÁ CÂY DƯỢC 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 hồn thành tại: Trường Đại học Cơng nghệ Thơng tin Truyền thông - Đại học Thái Nguyên Người hướng dẫn khoa học: TS Nguyễn Văn Tảo Phản biện 1: TS Phạm Đức Long Phản biện 2: PGS TS Ngô Quốc Tạo Luận văn bảo vệ trước hội đồng chấm luận văn họp tại: Trường 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 - Thư viện trường 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 dược liệu sử dụng mạng nơ ron tơi viết khơng chép từ tài liệu, không sử dụng kết người khác mà khơng trích dẫn cụ thể Tơi xin cam đoan ứng dụng tơi trình bày khố luận tơi tự phát triển hướng dẫn thầy Nguyễn Văn Tảo không chép ứng dụng người khác Nếu sai tơi hồn tồn chịu trách nhiệm theo quy định trường Đại Học Công Nghệ Thông tn Truyền thông- Đại Học Thái Nguyên Thái Nguyên, ngày tháng năm 2016 Học viên Nguyễn Xuân Cường Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn iv LỜI CẢM ƠN Trong thời gian qua, nhận nhiều hướng dẫn giúp đỡ động viên tận tình từ nhiều phía Tất điều trở thành nguồn động lực lớn giúp tơi thực đề tài nghiên cứu giao Với tất cảm kích trân trọng, tơi xin gửi lời cảm ơn đến tất người Trước hết xin chân thành cảm ơn thầy hướng dẫn – Tiến sĩ Nguyễn Văn Tảo người nhiệt tình bảo ban hướng 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 trường 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 trường 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 trường Tôi xin gửi lời biết ơn vô hạn tới cha mẹ, người thân nuôi dưỡng 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 người 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 Cường 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 1 Đặt vấn đề Đối tượng phạm vi nghiên cứu 3 Hướng nghiên cứu đề tài 4 Những nội dung nghiên cứu Phương pháp nghiên cứu Ý nghĩa khoa học đề tài CHƯƠNG 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 dược liệu 19 1.3 Giới thiệu xử lý ảnh số 20 CHƯƠNG 2: KỸ THUẬT NHẬN DẠNG SỬ DỤNG MẠNG NƠ RON 22 2.1 Kỹ thuật trích chọn đặc trưng ảnh 22 2.1.1 Kỹ thuật phát đặc trưng biên 22 2.1.2 Một số kỹ thuật phát biên trực tiếp 23 2.1.3 Kỹ thuật xây dựng đặc trưng 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 ĐẦU vi CHƯƠNG 3: THỬ NGHIỆM NHẬN DẠNG ẢNH LÁ CÂY DƯỢC 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 dược liệu 51 3.4 Một số kết thư nghiêm va đanh gia hệ thống nhận dạng dược liệu 53 3.4.1 Thử nghiệm hệ thống nhận dạng dược liệu 53 3.4.2 Đánh giá kết nhận dạng 61 3.4.3 Hướng phát triển tương lai 64 KẾT LUẬN CHUNG 65 DANH MỤC TÀI LIỆU THAM KHAO 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: Lưu đồ kỹ thuật Prewitt Edge Detection 26 Hình 2.2: Ảnh dược liệu áp dụng thuật toán tách biên trực tếp 27 Hình 2.3: Lưới phủ lên tập biên ảnh xác định tập đặc trưng điểm rút gọn27 Hình 2.4: Lưới phủ lên tập biên ảnh xác định tập đặc trưng điểm rút gọn với kích thước khác 28 Hình 2.5: Đặc trưng ảnh dược liệu 28 Hình 2.6: Tam giác vng biểu diễn góc đặc trưng 29 Hình 2.7: Mạng perceptron lớp 31 Hình 2.8 Thực hàm XOR mạng MLP 33 Hình 2.9: Lan truyền tín hiệu trình học theo phương pháp lan truyền ngược sai số 34 Hình 2.10 Sai số E 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 dược 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 tốn nhận dạng mẫu 52 Hình 3.5: Giao diện hệ thống nhận dạng dược liệu 53 Hình 3.6: Giao diện nhận dạng đặc trưng ảnh 54 Hình 3.7: Giao diện chức huấn luyện mạng nơron 55 Hình 3.8: Giao diện chức nhận dạng ảnh dược 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 lượng ảnh tập huấn luyện tập thử nghiệm loài57 Bảng 3.2: Kết thử nghiệm nhận dạng ảnh dược liệu 58 Bảng 3.3: Một số kết thử nghiệm nhận dạng dược 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 tm kiếm hiểu biết thêm thông tn loại thuốc người 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 vô hữu ích cho người Các hệ thống nhận dạng giúp nâng cao khả tự động phân loại đối tượng đời sống thực tế Chính vai trò quan trọng , ln văn tm hiểu trinh bay môt phương phap nhân diên với đối tượng la sư dung mang nơron truyên thăng nhiêu lơp lan truyên ngươc đồng thời xây dưng thôn g nhân diên la Kết đạt bao gồm hai phần chính: Trình bày tổng quan nhận dạng mẫu toán nhận dạng dược liệu dùng mạng nơ ron lan truyền ngược Hệ thống hóa số vấn đề nhận dạng mẫu sử dụng mạng nơron Thực nghiệm: Xây dựng thành công hệ thống nhận dạng mẫu dược liệu, hệ thống giải thành công yêu cầu toán đặt khả tìm đặc trưng ảnh, nhận dạng mẫu dược liệu huấn luyện Tuy hệ thống đơn giản phần giải toán nhận dạng dược liệu với độ xác tương 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 số nơron đầu vào, số nơron ẩn, số nơron đầu ra, tốc độ học,… Hình 3.7 ví dụ tến hành huấn luyện mạng 55 Hình 3.7: Giao diện chức huấn luyện mạng nơron Phần cuối phần nhận dạng mẫu dược 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 hiển thị cột bên 56 Hình 3.8: Giao diện chức nhận dạng ảnh dược liệu Với mẫu dược liệu thử gai hệ thống cho kết mẫu dược liệu phù hợp với gai tới 95% mẫu khác kết phù hợp đơn đỏ (77%), hương nhu (77%), tía tơ (77%) Chúng ta sử dụng tập liệu 100 ảnh 10 loài dược liệu để tến hành kiểm tra độ xác hệ thống Số lượng ảnh tập huấn luyện tập thử nghiệm loài thống kê bảng 3.1 57 Bảng 3.1: Số lượng ảnh tập huấn luyện tập thử nghiệm loài Tên loài Lá gai Số ảnh huấn luyện Số ảnh test Tổng số ảnh 10 Lá đơn đỏ 10 Lá hổ sâm 10 Lá đào 10 Lá hương 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 dược liệu Chúng ta tiến hành nhận điện 30 ảnh thuộc 10 loài dược liệu (mỗi loài ảnh) kết bảng 3.2, bảng 3.3 58 Bảng 3.2: Kết thử nghiệm nhận dạng ảnh dược liệu Tên loài Lá gai Lá đơn đỏ Lá hương nhu Lá hổ sâm Lá tía tơ Lá mơ Lá rau má Mã đề Ảnh test Phần trăm thử Độ xác nghiệm độ tương 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 Hương nhu 96.133% Chính xác Hương nhu 96.133% Chính xác Hương 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 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 hương nhu 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 trường hợp nhận dạng xác trường hợp nhận dạng chưa 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 việc chọn tham số trình xử lý chất lượng ảnh đầu vào yếu tố quan trọng Trong lấy đặc trưng có sử dụng tham số khoảng cách điểm viền lấy Nếu để khoảng cách điểm nhỏ số điểm viền tăng lên Số điểm viền nhiều lên đặc trưng 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 đặc trưng loài So với số kỹ thuật nhận dạng cơng bố kết nhận dạng cho mức độ xác tương 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 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 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 trưng có độ xác cao Thời gian xử lý ảnh nhận dạng tương 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 trưng ảnh tương đối khó khăn cho kết không tốt phần nhận dạng ảnh Hệ thống triển khai môi trường desktop nên chưa thật tện lợi cho người sử dụng 3.4.3 Hướng phát triển tương lai Hệ thống dành cho desktop, tương lai em hi vọng triển khai hệ thống thiết bị mobile Ngoài hệ thống tương lai cần bổ sung số tính hệ thống 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 trưng ngồi việc sử dụng viền sử dụng thêm số đặc trưng khác để nhận dạng gân Có thể mở rộng toán sử dụng nguồn liệu thuốc lớn Kêt luân chương Chương tiến hành áp dụng lý thuyết nghiên cứu để tìm hiểu xây dựng hệ thống nhận dạng mẫu dược liệu sử dụng mạng nơ ron lan truyền ngược Kết đạt chương trình có độ xác tương đối Trong trường hợp hình dáng giống độ xác nhận dạng thấp từ ta sử dụng thêm số kỹ thuật khác để nhận dạng nhận dạng theo màu sắc Trong tương lai, để hệ thống đạt tới độ xác tối ưu nhất, cần bổ sung thêm thuộc tính liên quan tới dược liệu tăng lượng liệu chất lượng 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 người Các hệ thống nhận dạng giúp nâng cao khả tự động phân loại đối tượng đời sống thực tế Chính vai trò quan trọng , luân văn tm hiểu trinh bay môt phương phap nhân diên với đối tượng la sư dung mạng nơron truyền thẳng nhiều lớp lan truy ền ngược đồng thời xây dựng hệ thông nhân diên la Kết đạt bao gồm hai phần chính: Trình bày tổng quan nhận dạng mẫu toán nhận dạng dược liệu dùng mạng nơ ron lan truyền ngược 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 dược liệu, hệ thống giải thành cơng u cầu tốn đặt khả tm đặc trưng ảnh, nhận dạng mẫu dược liệu huấn luyện Tuy hệ thống đơn giản phần giải toán nhận dạng dược liệu với độ xác tương đối Kiến nghị nghiên cứu , để phát triển thêm đề tài cân tăng quy mô tâp liệu huân luyên nhận dang , liệu phải đa dạng phong phú Thêm vào đó, hệ thống phát triển, mở rộng để cung cấp thêm thơng tn hữu ích dược liệu, loài thực vật cho người dùng như: Lá dược liệu thuộc lồi gì, họ gì, sống chủ yếu vùng miền nào? Hoặc hệ thống phát triển theo hướng nhận dạng, phân loại Số hóa Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 66 dược liệu mắc bệnh dựa đặc điểm nhận dạng dược liệu bị bệnh Các ứng dụng thật hữu ích phục vụ công việc hàng ngày sống người Vì thời gian nghiên cứu tương đối ngắn hiểu biết hạn chế nên luận văn khơng tránh khỏi thiếu xót Em kính mong Thầy Cơ góp ý để luận văn hồn 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 KHAO Tà i li ệu t iếng Vi ệt : [1] Đỗ Năng Toàn, 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 Nguyên Tà i li ệu t iếng Anh: [5] J Hertz, A Krogh, and R.G Palmer (1991), Introduction to the Theory of Neural Computaton, New York: Addison-Wesley [6] Steve Lawrence and C Lee Giles (2000), Overftting and Neural Networks:Conjugate Gradient and Backpropagation, Internatonal 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 neuro- fuzzy synergism to intelligent systems, Prentce-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 representatons by error propagation, Rumelhart, D.E et al (eds.): Parallel distributed processing: Exploratons in the icrostructure of cognition (Cambridge MA.: MIT Press), 318-362 [11] Harken S Neural Networks: A Complete Foundaton, Prentce 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 Recogniton 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 Recogniton using Shape based Features and Neural Network classifiers, Internatonal Journal of Advanced Computer Science and Applications, Vol 2, No 10, 2011 [14] Qingfeng Wu, Changle Zhou and Chaonan Wang, Feature Extraction and Automatic Recogniton 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 Bioinformatcs 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 ... xuất kỹ thuật xử lý ảnh nhận dạng ảnh dược liệu dựa vào trích chọn đặc trưng ảnh cây, ảnh dược liệu sử dụng mạng Noron tế bào [4] Ở Việt Nam, việc nghiên cứu đề xuất kỹ thuật xử lý ảnh vào nhận dạng. .. đề tài Nghiên cứu mạng nơ ron tế bào ứng dụng Nghiên cứu kỹ thuật xử lý ảnh nhận dạng ảnh mẫu dược liệu Nghiên cứu số giải thuật, phương pháp để đánh giá độ tin cậy ảnh nhận dạng Ứng dụng công... 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 DƯỢC LIỆU Phần kết luận: Tóm tắt kết