10. NGHIÊN CỨU VÀ ỨNG DỤNG THUẬT TOÁN YOLOV7 ĐỂ PHÂN LOẠI CÀ CHUA
Thanh bên bài viết
Đã nộp
14 Tháng năm 2024
Đã xuất bản
30 Tháng ba 2024
Các từ khóa:
-
Công nghệ thông tin Information technology
Giới thiệu
Hiện nay, trí tuệ nhân tạo và học máy đang ngày càng phát triển và được ứng dụng rộng rãi trong nhiều lĩnh vực trong đời sống. Trí tuệ nhân tạo có khả năng xử lý dữ liệu khổng lồ, học hỏi từ dữ liệu và đưa ra quyết định một cách tự động. Trong quá trình nghiên cứu, nhóm đã ứng dụng nhận diện cà chua bằng thị giác máy tính thông qua thuật toán YOLOv7. Từ đó đánh giá, phân tích dựa trên dữ liệu cà chua thu thập được. Mô hình nhận diện quả cà chua đã đạt được độ chính xác 93,3 % đối với quả bình thường và đạt 89,1 % với quả hỏng trên tập dữ liệu thử nghiệm. Từ kết quả nghiên cứu có thể phân loại được cà chua một cách chính xác nhất nhằm tăng sản lượng, chất lượng sản phẩm trong lĩnh vực nông nghiệp Việt Nam.
Toàn văn bài báo
Được tạo từ tệp XML
Trích dẫn
[1]. Redmon, J., & Farhadi, A., (2018). YOLOv3: An incremental improvement. arXiv preprint arXiv:1804.02767.
[2]. Wang, C. Y., Bochkovskiy, A., Hong-Yuan, Y., (2022). YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv preprint arXiv:2207.02485.
[3]. Wang, C. Y., Bochkovskiy, A., (2020). CSPNet: A new Backbone that can enhance the performance of visual recognition models. arXiv preprint arXiv:1911.11929.
[4]. Wu, H., Zhang, Y., Xu, Y., Bao, J., Guo, Z., (2021). VoVNet: Vision transformer with variable input resolution for object detection. arXiv preprint arXiv:2106.14833.
[5]. Hastie, T., Tibshirani, R., Friedman, J., (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer Science & Business Media.
[6]. Brachmann, M., Rother, C., (2014). Measuring the object detection accuracy using intersection over union. Proceedings of the IEEE conference on computer vision and pattern recognition (p. 2.980-2.987).
[7]. Nguyen Mai (2023). Series [Paper Explain] YOLOv7: Su dung cac “trainable bag-off-freebies” dua YOLO len mot tam cao moi. Kênh Youtube Nguyen Mai.
[2]. Wang, C. Y., Bochkovskiy, A., Hong-Yuan, Y., (2022). YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors. arXiv preprint arXiv:2207.02485.
[3]. Wang, C. Y., Bochkovskiy, A., (2020). CSPNet: A new Backbone that can enhance the performance of visual recognition models. arXiv preprint arXiv:1911.11929.
[4]. Wu, H., Zhang, Y., Xu, Y., Bao, J., Guo, Z., (2021). VoVNet: Vision transformer with variable input resolution for object detection. arXiv preprint arXiv:2106.14833.
[5]. Hastie, T., Tibshirani, R., Friedman, J., (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer Science & Business Media.
[6]. Brachmann, M., Rother, C., (2014). Measuring the object detection accuracy using intersection over union. Proceedings of the IEEE conference on computer vision and pattern recognition (p. 2.980-2.987).
[7]. Nguyen Mai (2023). Series [Paper Explain] YOLOv7: Su dung cac “trainable bag-off-freebies” dua YOLO len mot tam cao moi. Kênh Youtube Nguyen Mai.
Các tác giả
Nguyễn Văn, M., Lê Văn, A., Trần Đức, L., Nguyễn Tuấn, T., Nguyễn Thị Thanh, H., Ngô Thị Bích, T., & Nguyễn Thái, C. (2024). 10. NGHIÊN CỨU VÀ ỨNG DỤNG THUẬT TOÁN YOLOV7 ĐỂ PHÂN LOẠI CÀ CHUA. Tạp Chí Khoa học Tài Nguyên Và Môi trường, (50), 102–112. https://doi.org/10.63064/khtnmt.2024.569
##submission.license.notAvailable##
