Tài liệu Luận văn nghiên cứu kỹ thuật nhận dạng ảnh lá cây dược liệu sử dụng mạng nơ ron

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 NGUYÊN, 2016 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn ii Công trình đƣợc hoàn thành tại: Trƣờng Đại học Công nghệ Thông tin và 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 và Truyền thông - Đại học Thái Nguyên, ngày 17 tháng 9 năm 2016 Có thể tìm hiểu luận văn tại: - Trung tâm học liệu Đại học Thái Nguyên - Thƣ viện trƣờng Đại học Công nghệ Thông tin và Truyền thông Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn iii LỜI CAM ĐOAN Tôi xin cam đoan những nghiên cứu của tôi về nhận dạng ảnh lá cây dƣợc liệu sử dụng mạng nơ ron là những gì tôi viết ra không sao chép từ các tài liệu, không sử dụng các kết quả của ngƣời khác mà không trích dẫn cụ thể. Tôi xin cam đoan ứng dụng này tôi trình bày trong khoá luận là do tôi tự phát triển dƣới sự hƣớng dẫn của thầy Nguyễn Văn Tảo không sao chép ứng dụng của ngƣời khác. Nếu sai tôi hoàn toàn chịu trách nhiệm theo quy định của trƣờng Đại Học Công Nghệ Thông tin và Truyền thông- Đại Học Thái Nguyên. Thái Nguyên, ngày tháng năm 2016 Học viên Nguyễn Xuân Cƣờng Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn iv LỜI CẢM ƠN Trong thời gian qua, tôi đã nhận đƣợc rất nhiều sự hƣớng dẫn giúp đỡ và động viên tận tình từ nhiều phía. Tất cả những điều đó đã trở thành một nguồn động lực lớn giúp tôi có thể thực hiện đƣợc đề tài nghiên cứu đƣợc giao. Với tất cả sự cảm kích và trân trọng, tôi xin đƣợc gửi lời cảm ơn đến tất cả mọi ngƣời. Trƣớc hết tôi xin chân thành cảm ơn thầy hƣớng dẫn – Tiến sĩ Nguyễn Văn Tảo ngƣời đã hết sức nhiệt tình bảo ban hƣớng dẫn, đóng góp những ý kiến quý báu cho tôi để có thể học tập và hoàn thành khóa luận tốt nghiệp này. Xin gửi lời cảm ơn chân thành nhất đến Ban giám hiệu trƣờng Đại học Công Nghệ Thông Tin và truyền thông – Đại học Thái Nguyên đã tạo điều kiện giúp đỡ tôi có thể thực hiện đề tài. Cảm ơn các thầy cô công tác tại trƣờng Đại học Công Nghệ Thông Tin và truyền thông – Đại học Thái Nguyên đã dạy dỗ và truyền đạt những kiến thức quí báu cho tôi trong suốt thời gian học tập và rèn luyện tại trƣờng. Tôi xin đƣợc gửi lời biết ơn vô hạn tới cha mẹ, ngƣời thân đã nuôi dƣỡng và tạo điều kiện tốt nhất cho tôi học tập sinh hoạt, ở bên tôi những lúc khó khăn nhất để chuyên tâm thực hiện khóa luận. Cuối cùng, xin cảm ơn tập thể lớp cao học CNTT K13E và đặc biệt những ngƣời bạn tốt đã ở bên tôi, khuyến khích, động viên tôi và cho tôi những lời khuyên chân thành trong cuộc sống và học tập. Xin trân trọng cảm ơn! Thái Nguyên, ngày tháng năm 2016 Học viên Nguyễn Xuân Cƣờng Số hóa bởi 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 1. Đặt vấn đề.................................................................................................. 1 2. Đối tƣợng và phạm vi nghiên cứu............................................................. 3 3. Hƣớng nghiên cứu của đề tài .................................................................... 4 4. Những nội dung nghiên cứu chính ............................................................ 4 5. Phƣơng pháp nghiên cứu........................................................................... 4 6. Ý nghĩa khoa học của đề tài ...................................................................... 5 CHƢƠNG 1: GIỚI THIỆU VỀ MẠNG NƠ RON VÀ XỬ LÝ ẢNH SỐ ................. 6 1.1. Giới thiệu về mạng nơ ron ..................................................................... 6 1.1.1. Giới thiệu về mạng nơron nhân tạo ................................................. 6 1.1.2. Nơron sinh học và nơron nhân tạo ................................................ 10 1.2. Tổng quan về cây dƣợc liệu ................................................................. 19 1.3. Giới thiệu về 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 hiện đặc trƣng biên ................................................. 22 2.1.2. Một số kỹ thuật phát hiện 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 một lớp .............................................................. 30 2.2.2. Mạng perceptron nhiều lớp ........................................................... 32 2.2.3 Một số vấn đề cần chú ý khi sử dụng mạng MLP ......................... 43 Số hóa bởi 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 và xử lý dữ liệu .................................................... 48 3.2.1. Thu thập dữ liệu ............................................................................ 48 3.2.2. Xử lý dữ liệu ................................................................................. 51 3.2.3. Hậu xử lý ....................................................................................... 51 3.3. Mạng nơron trong hệ thống nhận dạng lá cây dƣợc liệu ..................... 51 3.4. Một số kết quả thƣ̉ nghiê ̣m và đánh giá hệ thống nhận dạng lá cây dƣợc liệu ...................................................................................................... 53 3.4.1. Thử nghiệm hệ thống nhận dạng lá cây dƣợc liệu ........................ 53 3.4.2. Đánh giá kết quả nhận dạng .......................................................... 61 3.4.3. Hƣớng phát triển trong tƣơng lai .................................................. 64 KẾT LUẬN CHUNG ................................................................................................ 65 DANH MỤC TÀI LIỆU THAM KHẢO .................................................................. 67 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn vii DANH MỤC CÁC HÌNH VẼ Hình 1.1: Cấu trúc của một 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 lá cây dƣợc liệu áp dụng thuật toán tách biên trực tiếp. ......... 27 Hình 2.3: Lƣới phủ lên tập biên ảnh khi xác định tập đặc trƣng điểm rút gọn27 Hình 2.4: Lƣới phủ lên tập biên ảnh khi xác định tập đặc trƣng điểm rút gọn với kích thƣớc khác nhau. ............................................................................... 28 Hình 2.5: Đặc trƣng ảnh lá cây dƣợc liệu ....................................................... 28 Hình 2.6: Tam giác vuông biểu diễn góc đặc trƣng ........................................ 29 Hình 2.7: Mạng perceptron một lớp ................................................................ 31 Hình 2.8 Thực hiện hàm XOR bằng mạng MLP ............................................ 33 Hình 2.9: Lan truyền tín hiệu trong quá trình học theo phƣơng pháp lan truyền ngƣợc sai số ..................................................................................................... 34 Hình 2.10. Sai số E đƣợc xét là hàm của trọng số W ..................................... 36 Hình 2.11. Minh họa về ý nghĩa của quán tính trong 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 lá cây dƣợc liệu dùng để nhận dạng ................................. 49 Hình 3.2: Một phần của tập ảnh huấn luyện ................................................... 50 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn viii Hình 3.3: Một phần của tập ảnh thử nghiệm................................................... 50 Hình 3.4: Mô hình Noron trong bài toán nhận dạng mẫu ............................... 52 Hình 3.5: Giao diện hệ thống nhận dạng lá cây dƣợc liệu .............................. 53 Hình 3.6: Giao diện nhận dạng đặc trƣng của ảnh cây ................................... 54 Hình 3.7: Giao diện chức năng huấn luyện mạng nơron ................................ 55 Hình 3.8: Giao diện chức năng nhận dạng ảnh lá cây dƣợc liệu .................... 56 Hình 3.9: Kết quả nhận dạng khi tham số khoảng cách giữa các điểm lớn .... 62 Số hóa bởi 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 trong tập huấn luyện và tập thử nghiệm của mỗi loài57 Bảng 3.2: Kết quả thử nghiệm nhận dạng ảnh lá cây dƣợc liệu ..................... 58 Bảng 3.3: Một số kết quả thử nghiệm nhận dạng lá cây dƣợc liệu ................. 59 Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn x TÓM TẮT NỘI DUNG Tóm tắt Hiện nay nhu cầu tìm kiếm và hiểu biết thêm về thông tin các loại lá thuốc của con ngƣời là rất lớn, đòi hỏi sự phát triển của các ứng dụng nhận dạng để phục vụ nhu cầu đó cũng ngày càng cao. Việc sử dụng các hệ thống nhận dạng có một ý nghĩa hết sức quan trọng trọng và vô cùng hữu ích cho con ngƣời. Các hệ thống nhận dạng giúp nâng cao khả năng tự động cũng nhƣ phân loại các đối tƣợng trong đời sống thực tế. Chính vì vai trò quan trọng của nó , luâ ̣n văn đã tìm hiểu và triǹ h bày mô ̣t phƣơng pháp nhâ ̣n diê ̣n với đối tƣợng là lá cây sƣ̉ du ̣ng ma ̣ng nơron truyề n thẳ ng nhiề u lớp lan truyề n ngƣơ ̣c đồng thời xây dƣ̣ng hê ̣ thố n g nhâ ̣n diê ̣n lá cây. Kết quả đạt đƣợc bao gồm hai phần chính: Trình bày tổng quan về nhận dạng mẫu và bài toán nhận dạng lá cây dƣợc liệu dùng mạng nơ ron lan truyền ngƣợc. Hệ thống hóa một số vấn đề về nhận dạng mẫu sử dụng mạng nơron. Thực nghiệm: Xây dựng thành công hệ thống nhận dạng mẫu lá cây dƣợc liệu, hệ thống đã giải quyết thành công các yêu cầu bài toán đặt ra nhƣ khả năng tìm đặc trƣng ảnh, nhận dạng đƣợc các mẫu lá cây dƣợc liệu đã đƣợc huấn luyện. Tuy hệ thống còn đơn giản nhƣng đã phần nào giải quyết đƣợc bài toán nhận dạng lá cây dƣợc liệu với độ chính xác tƣơng đối. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 1 MỞ ĐẦU 1. Đặt vấn đề Cây dƣợc liệu có những vai trò hết sức quan trọng đối với mỗi quốc gia, đặc biệt là trong chăm sóc sức khỏe cho con ngƣời. Việt Nam là một quốc gia nằm trong vùng khí hậu nhiệt đới gió mùa nóng ẩm, có nguồn tài nguyên động thực vật phong phú và đa dạng với khoảng 10.350 loài thực vật bậc cao, 800 loài rêu, 600 loài nấm và hơn 2.000 loài tảo. Theo kết quả điều tra của Viện Dƣợc liệu, cả nƣớc ghi nhận đƣợc 3.948 loài thực vật và nấm lớn, 52 loài tảo biển, 408 loài động vật và 75 loại khoáng sản có công dụng làm thuốc. Trong tổng số 3.948 loài cây thuốc, gần 90% là cây thuốc mọc tự nhiên tập trung chủ yếu trong các quần xã rừng, chỉ có gần 10% là cây thuốc trồng. Trong những năm qua, công tác quản lý dƣợc liệu đã đạt đƣợc những thành tựu nhƣ: tiến hành khảo sát, đánh giá sự phân bố của dƣợc liệu, tạo tiền đề xây dựng Danh mục cây thuốc Việt Nam, Danh mục động vật làm thuốc, Danh mục khoáng vật làm thuốc, Danh mục các loài cây thuốc có khả năng khai thác, Danh mục cây thuốc bị đe doạ cần bảo vệ ở Việt Nam. Điều này đã đƣợc kết luận tại Hội nghị toàn quốc về Quản lý và phát triển cây dƣợc liệu của Việt Nam đƣợc tổ chức tại TP. Hạ Long tỉnh Quảng Ninh diễn ra ngày 27/12/2013. Việt Nam có 3/4 diện tích là đồi núi, rừng, điều nay cho thấy chúng ta có một lƣợng lớn các loài cây dƣợc liệu tự nhiên, hiện nay chúng ta mới phát hiện và khai thác đƣợc khoảng 3000 loài cây. Trong khi theo dự báo thì chúng ta có khoảng hàng trăm nghìn loại cây dƣợc liệu khác nhau. Nhƣ vậy, cả nƣớc chúng ta mới phát hiện và khai thác đƣợc khoảng 30% theo trữ lƣợng dự báo và do đó còn khoảng 70% cây dƣợc liệu chƣa đƣợc phát hiện và khai thác. Đây là một bài toán luôn đƣợc đặt ra cho các nhà quản lý, nhà dƣợc liệu và các nhà khoa học. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 2 Để khắc phục đƣợc những hạn chế trên, trong nƣớc và thế giới đã nghiên cứu và ứng dụng các tiến bộ khoa học kỹ thuật của công nghệ thông tin, cụ thể là công nghệ xử lý ảnh vào hỗ trợ nhận dạng và phát hiện các cây dƣợc liệu để phục vụ cho việc khai thác, vì một thực tế là khi bà con chúng ta lên rừng, hay đi đâu đó gặp những cây thuốc mà chúng ta lại không biết đó là cây gì, tác dụng của các loại cây đó, nên việc nghiên cứu đề xuất các kỹ thuật xử lý ảnh và nhận dạng ra các cây dƣợc liệu là việc làm rất cần thiết. Ngày nay, trên thế giới đã có nhiều nhà khoa học quan tâm nghiên cứu và đề xuất những kỹ thuật nhận dạng ảnh các cây dƣợc liệu [19], cụ thể: Nhóm tác giả Lee và Hong [15], đề xuất phƣơng pháp nhận dạng ảnh cây dƣợc liệu dựa vào đặc trƣng của đƣờng viền của lá cây dƣợc liệu. Patil và Kumar [16,18], nhận dạng cây dƣợc liệu, tác dụng của cây dựa vào trích xuất các đặc trƣng của lá từ đó tiến hành cung cấp những thông tin về thuộc tính của cây và phân loại cây theo đặc trƣng tác dụng của cây [17]. Nhóm tác Du, Wang và Zhang [19]; Sari, Burak và Sankur [5,9,10,11], đề xuất kỹ thuật nhận dạng cây dƣợc liệu dựa vào hình dạng, các vùng đặc trƣng của lá, đặc trƣng kết cấu của lá cây dƣợc liệu, với đề xuất này giúp chúng ta có thể xây dựng các hệ thống nhận dạng dữ liệu cây dƣợc liệu cho kết quả tỷ lệ nhận dạng và phát hiện cao. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 3 Hình ảnh về lá cây dƣợc liệu đƣợc phân loại thành 3 lớp [4] Tuy nhiên, những đề xuất của các tác giả trên đều có một số hạn chế, đó là tốc độ chậm khi tập cơ sở dữ liệu về cây, lá cây dƣợc liệu lớn, điều này cũng dẫn đến độ tin cậy giảm. Để khắc phục những hạn chế trên thì nhiều công trình khác cũng đƣợc đề xuất nhƣ các kỹ thuật xử lý ảnh và nhận dạng ảnh cây dƣợc liệu dựa vào trích chọn đặc trƣng của ảnh cây, ảnh lá cây dƣợc liệu sử dụng mạng Noron tế bào [4]. Ở Việt Nam, việc nghiên cứu đề xuất các kỹ thuật xử lý ảnh vào nhận dạng ảnh cây dƣợc liệu còn rất khiêm tốn, mới chỉ tập trung vào một số nhóm tác giả [1,2,3,4]. Tuy nhiên, các đề xuất mới chỉ dừng lại ở việc nghiên cứu đề mô mà chƣa đánh giá, khắc phục đƣợc những hạn chế trên, chƣa so sánh đƣợc tốc độ nhận dạng và độ tin cậy của ảnh cây dƣợc liệu. Xuất phát từ thực tế, đề tài luận văn đƣợc chọn là “Nghiên cứu kỹ thuật nhận dạng ảnh lá cây dược liệu sử dụng mạng Noron” dựa vào trích chọn đặc trƣng về màu sắc, hình dạng, gân lá,… của lá cây dƣợc liệu. 2. Đối tƣợng và phạm vi nghiên cứu Đối tƣợng nghiên cứu - Một số loại cây dƣợc liệu - Đặc trƣng của cây dƣợc liệu, lá cây dƣợc liệu, kết cấu, màu sắc, hình dạng, gân lá cây dƣợc liệu,… - Một số thuật toán và ứng dụng Phạm vi nghiên cứu: + Nghiên cứu lý thuyết về mạng nơ ron tế bào, xử lý ảnh số + Nghiên cứu các kỹ thuật xử lý ảnh và nhận dạng ảnh lá cây dƣợc liệu + Biểu diễn, trích xuất và mô tả ảnh cây dƣợc liệu, các đặc trƣng của lá cây dƣợc liệu. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 4 + Xây dựng chƣơng trình thực nghiệm về nhận dạng ảnh lá cây dƣợc liệu 3. Hƣớng nghiên cứu của đề tài - Nghiên cứu lý thuyết, thu thập, phân tích các tài liệu có liên quan đến đối tƣợng của đề tài. - Nghiên cứu các kỹ thuật xử lý ảnh và nhận dạng ảnh lá cây dƣợc liệu sử dụng mạng nơ ron tế bào dựa vào các đặc trƣng của lá cây dƣợc liệu nhƣ màu sắc, kết cấu, hình dạng, gân lá,… - Cài đặt thử nghiệm, đánh giá, quan sát và hiệu chỉnh ảnh, kết xuất đƣợc các thành phần, thuộc tính, công dụng của các cây dƣợc liệu ra file định dạng nhằm phục vụ cho các yêu cầu thực tế. 4. Những nội dung nghiên cứu chính Dự kiến luận văn gồm: Phần mở đầu, ba chƣơng chính, phần kết luận, tài liệu tham khảo và phụ lục. Bố cục nhƣ sau: Phần mở đầu: Nêu lý do chọn đề tài và bố cục 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 các kết quả đạt đƣợc, hƣớng phát triển tiếp Tài liệu tham khảo 5. Phƣơng pháp nghiên cứu Phƣơng pháp nghiên cứu của đề tài luận văn đƣợc sử dụng là kết hợp giữa nghiên cứu lý thuyết với nghiên cứu thực nghiệm, cụ thể: - Phương pháp nghiên cứu lý thuyết: Thu thập tài liệu, đọc hiểu các kiến thức cơ bản về xử lý ảnh số; Nghiên cứu một số kỹ thuật xử lý ảnh và nhận dạng ảnh lá cây dƣợc liệu dựa vào các đặc trƣng về màu sắc, hình dạng, gân lá,… So sánh, phân tích và đánh giá các kết quả nghiên cứu với những công Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 5 trình của các tác giả khác đã công bố và đƣa ra những phƣơng pháp, kỹ thuật đề xuất mới và đề xuất cải tiến. Tìm hiểu một số công cụ hỗ trợ lập trình. - Phương pháp nghiên cứu thực nghiệm: + Nghiên cứu xây dựng cơ sở dữ liệu ảnh huấn luyện (thu nhận ảnh lá cây dƣợc liệu, các mẫu lá cây dƣợc liệu, hình dạng,…) + Nghiên cứu, đánh giá và lựa chọn phƣơng pháp, giải pháp công nghệ cài đặt thử nghiệm với một số mẫu dữ liệu và đánh giá kết quả. - Phương pháp trao đổi khoa học: Công bố, trao đổi, thảo luận và báo cáo tại các hội thảo, hội nghị khoa học,… 6. Ý nghĩa khoa học của đề tài Nghiên cứu mạng nơ ron tế bào và các ứng dụng. Nghiên cứu các kỹ thuật xử lý ảnh và nhận dạng ảnh mẫu lá cây dƣợc liệu. Nghiên cứu một số giải thuật, phƣơng pháp để đánh giá độ tin cậy của ảnh đƣợc nhận dạng. Ứng dụng công nghệ xử lý ảnh và mạng nơ ron tế bào vào bài toán thực tế. Giải quyết bài toán: Phát hiện, khai thác cây dƣợc liệu của Việt Nam dựa vào nhận dạng ảnh lá cây dƣợc liệu. Kết quả là nhận dạng đƣợc cây dƣợc liệu, công dụng của cây đối với việc chăm sóc sức khỏe, chữa trị bệnh cho con ngƣời. Là cơ sở khoa học nhằm hỗ trợ nâng cao hiệu quả phát hiện, khai thác các cây dƣợc liệu của Việt Nam. Đồng thời, các kết quả của đề tài sẽ còn làm cơ sở khoa học cho việc đề xuất và xây dựng các chƣơng trình ứng dụng cho nhiều ứng dụng thực tế trong lĩnh vực y học. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 6 CHƢƠNG 1: GIỚI THIỆU VỀ MẠNG NƠ RON VÀ XỬ LÝ ẢNH SỐ 1.1. Giới thiệu về mạng nơ ron 1.1.1. Giới thiệu về mạng nơron nhân tạo 1.1.1.1. Mạng nơron nhân tạo là gì? Định nghĩa: Mạng nơron nhân tạo, Artificial Neural Network (ANN) gọi tắt là mạng nơron, neural network, là một mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơron sinh học. Nó đƣợc tạo lên từ một số lƣợng lớn các phần tử (gọi là phần tử xử lý hay nơron) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc nhƣ một thể thống nhất để giải quyết một vấn đề cụ thể nào đó. Một mạng nơron nhân tạo đƣợc cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân loại dữ liệu, ...) thông qua một quá trình học từ tập các mẫu huấn luyện. Về bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron. 1.1.1.2. Lịch sử phát triển mạng nơron Các nghiên cứu về bộ não con ngƣời đã đƣợc tiến hành từ hàng nghìn năm nay. Cùng với sự phát triển của khoa học kĩ thuật đặc biệt là những tiến bộ trong ngành điện tử hiện đại, việc con ngƣời bắt đầu nghiên cứu các nơron nhân tạo là hoàn toàn tự nhiên. Sự kiện đầu tiên đánh dấu sự ra đời của mạng nơron nhân tạo diễn ra vào năm 1943 khi nhà thần kinh học Warren McCulloch và nhà toán học Walter Pitts viết bài báo mô tả cách thức các nơron hoạt động. Họ cũng đã tiến hành xây dựng một mạng nơron đơn giản bằng các mạch điện. Các nơron của họ đƣợc xem nhƣ là các thiết bị nhị phân với ngƣỡng cố định. Kết quả của các mô hình này là các hàm logic đơn giản chẳng hạn nhƣ “ a OR b” hay “a AND b”. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 7 Tiếp bƣớc các nghiên cứu này, năm 1949 Donald Hebb cho xuất bản cuốn sách Organization of Behavior. Cuốn sách đã chỉ ra rằng các nơron nhân tạo sẽ trở lên hiệu quả hơn sau mỗi lần chúng đƣợc sử dụng. Những tiến bộ của máy tính đầu những năm 1950 giúp cho việc mô hình hóa các nguyên lý của những lý thuyết liên quan tới cách thức con ngƣời suy nghĩ đã trở thành hiện thực. Nathanial Rochester sau nhiều năm làm việc tại các phòng thí nghiệm nghiên cứu của IBM đã có những nỗ lực đầu tiên để mô phỏng một mạng nơron. Trong thời kì này tính toán truyền thống đã đạt đƣợc những thành công rực rỡ trong khi đó những nghiên cứu về nơron còn ở giai đoạn sơ khai. Mặc dù vậy những ngƣời ủng hộ triết lý “thinking machines” (các máy biết suy nghĩ) vẫn tiếp tục bảo vệ cho lập trƣờng của mình. Năm 1956 dự án Dartmouth nghiên cứu về trí tuệ nhân tạo (Artificial Intelligence) đã mở ra thời kỳ phát triển mới cả trong lĩnh vực trí tuệ nhân tạo lẫn mạng nơron. Tác động tích cực của nó là thúc đẩy hơn nữa sự quan tâm của các nhà khoa học về trí tuệ nhân tạo và quá trình xử lý ở mức đơn giản của mạng nơron trong bộ não con ngƣời. Những năm tiếp theo của dự án Dartmouth, John von Neumann đã đề xuất việc mô phỏng các nơron đơn giản bằng cách sử dụng rơle điện áp hoặc đèn chân không. Nhà sinh học chuyên nghiên cứu về nơron Frank Rosenblatt cũng bắt đầu nghiên cứu về Perceptron. Sau thời gian nghiên cứu này Perceptron đã đƣợc cài đặt trong phần cứng máy tính và đƣợc xem nhƣ là mạng nơron lâu đời nhất còn đƣợc sử dụng đến ngày nay. Perceptron một tầng rất hữu ích trong việc phân loại một tập các đầu vào có giá trị liên tục vào một trong hai lớp. Perceptron tính tổng có trọng số các đầu vào, rồi trừ tổng này cho một ngƣỡng và cho ra một trong hai giá trị mong muốn có thể. Tuy nhiên Perceptron còn rất nhiều hạn chế, những hạn chế này đã đƣợc chỉ Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 8 ra trong cuốn sách về Perceptron của Marvin Minsky và Seymour Papert viết năm 1969. Năm 1959, Bernard Widrow và Marcian Hoff thuộc trƣờng đại học Stanford đã xây dựng mô hình ADALINE (ADAptive LINear Elements) và MADALINE. (Multiple ADAptive LINear Elements). Các mô hình này sử dụng quy tắc học Least-Mean-Squares (LMS: Tối thiểu bình phƣơng trung bình). MADALINE là mạng nơron đầu tiên đƣợc áp dụng để giải quyết một bài toán thực tế. Nó là một bộ lọc thích ứng có khả năng loại bỏ tín hiệu dội lại trên đƣờng dây điện thoại. Ngày nay mạng nơron này vẫn đƣợc sử dụng trong các ứng dụng thƣơng mại. Năm 1974 Paul Werbos đã phát triển và ứng dụng phƣơng pháp học lan truyền ngƣợc (back-propagation). Tuy nhiên phải mất một vài năm thì phƣơng pháp này mới trở lên phổ biến. Các mạng lan truyền ngƣợc đƣợc biết đến nhiều nhất và đƣợc áp dụng rộng dãi nhất nhất cho đến ngày nay. Thật không may, những thành công ban đầu này khiến cho con ngƣời nghĩ quá lên về khả năng của các mạng nơron. Chính sự cƣờng điệu quá mức đã có những tác động không tốt đến sự phát triển của khoa học và kỹ thuật thời bấy giờ khi ngƣời ta lo sợ rằng đã đến lúc máy móc có thể làm mọi việc của con ngƣời. Những lo lắng này khiến ngƣời ta bắt đầu phản đối các nghiên cứu về mạng nơ ron. Thời kì tạm lắng này kéo dài đến năm 1981. Năm 1982 trong bài báo gửi tới viện khoa học quốc gia, John Hopfield bằng sự phân tích toán học rõ ràng, mạch lạc, ông đã chỉ ra cách thức các mạng nơron làm việc và những công việc chúng có thể thực hiện đƣợc. Cống hiến của Hopfield không chỉ ở giá trị của những nghiên cứu khoa học mà còn ở sự thúc đẩy trở lại các nghiên cứu về mạng neuron. Cũng trong thời gian này, một hội nghị với sự tham gia của Hoa Kỳ và Nhật Bản bàn về việc hợp tác/cạnh tranh trong lĩnh vực mạng nơron đã đƣợc Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 9 tổ chức tại Kyoto, Nhật Bản. Sau hội nghị, Nhật Bản đã công bố những nỗ lực của họ trong việc tạo ra máy tính thế hệ thứ 5. Tiếp nhận điều đó, các tạp chí định kỳ của Hoa Kỳ bày tỏ sự lo lắng rằng nƣớc nhà có thể bị tụt hậu trong lĩnh vực này. Vì thế, ngay sau đó, Hoa Kỳ nhanh chóng huy động quỹ tài trợ cho các nghiên cứu và ứng dụng mạng nơ ron. Năm 1985, viện vật lý Hoa Kỳ bắt đầu tổ chức các cuộc họp hàng năm về mạng nơ ron ứng dụng trong tin học (Neural Networks for Computing). Năm 1987, hội thảo quốc tế đầu tiên về mạng nơ ron của Viện các kỹ sƣ điện và điện tử IEEE (Institute of Electrical and Electronic Engineer) đã thu hút hơn 1800 ngƣời tham gia. Ngày nay, không chỉ dừng lại ở mức nghiên cứu lý thuyết, các nghiên cứu ứng dụng mạng nơron để giải quyết các bài toán thực tế đƣợc diễn ra ở khắp mọi nơi. Các ứng dụng mạng nơron ra đời ngày càng nhiều và ngày càng hoàn thiện hơn. Điển hình là các ứng dụng: xử lý ngôn ngữ (Language Processing), nhận dạng kí tự (Character Recognition), nhận dạng tiếng nói (Voice Recognition), nhận dạng mẫu (Pattern Recognition), xử lý tín hiệu (Signal Processing), Lọc dữ liệu (Data Filtering),….. 1.1.1.3. So sánh mạng nơron với máy tính truyền thống Các mạng nơron có cách tiếp cận khác trong giải quyết vấn đề so với máy tính truyền thống. Các máy tính truyền thống sử dụng cách tiếp cận theo hƣớng giải thuật, tức là máy tính thực hiện một tập các chỉ lệnh để giải quyết một vấn đề. Vấn đề đƣợc giải quyết phải đƣợc biết và phát biểu dƣới dạng một tập chỉ lệnh không nhập nhằng. Những chỉ lệnh này sau đó phải đƣợc chuyển sang một chƣơng trình ngôn ngữ bậc cao và chuyển sang mã máy để máy tính có thể hiểu đƣợc. Trừ khi các bƣớc cụ thể mà máy tính cần tuân theo đƣợc chỉ ra rõ ràng, máy tính sẽ không làm đƣợc gì cả. Điều đó giới hạn khả năng của các máy Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn 10 tính truyền thống ở phạm vi giải quyết các vấn đề mà chúng ta đã hiểu và biết chính xác cách thực hiện. Các máy tính sẽ trở lên hữu ích hơn nếu chúng có thể thực hiện đƣợc những việc mà bản thân con ngƣời không biết chính xác là phải làm nhƣ thế nào. Các mạng nơron xử lý thông tin theo cách thức giống nhƣ bộ não con ngƣời. Mạng đƣợc tạo nên từ một số lƣợng lớn các phần tử xử lý đƣợc kết nối với nhau làm việc song song để giải quyết một vấn đề cụ thể. Các mạng nơron học theo mô hình, chúng không thể đƣợc lập trình để thực hiện một nhiệm vụ cụ thể. Các mẫu phải đƣợc chọn lựa cẩn thận nếu không sẽ rất mất thời gian, thậm chí mạng sẽ hoạt động không đúng. Điều hạn chế này là bởi vì mạng tự tìm ra cách giải quyết vấn đề, thao tác của nó không thể dự đoán đƣợc. Các mạng nơron và các máy tính truyền thống không cạnh tranh nhau mà bổ sung cho nhau. Có những nhiệm vụ thích hợp hơn với máy tính truyền thống, ngƣợc lại có những nhiệm vụ lại thích hợp hơn với các mạng nơron. Thậm chí rất nhiều nhiệm vụ đòi hỏi các hệ thống sử dụng tổ hợp cả hai cách tiếp cận để thực hiện đƣợc hiệu quả cao nhất (thông thƣờng một máy tính truyền thống đƣợc sử dụng để giám sát mạng nơron). 1.1.2. Nơron sinh học và nơron nhân tạo 1.1.2.1. Nơron sinh học Qua quá trình nghiên cứu về bộ não, ngƣời ta thấy rằng: bộ não con ngƣời bao gồm khoảng 1011 nơron tham gia vào khoảng 1015 kết nối trên các đƣờng truyền. Mỗi đƣờng truyền này dài khoảng hơn một mét. Các nơron có nhiều đặc điểm chung với các tế bào khác trong cơ thể, ngoài ra chúng còn có những khả năng mà các tế bào khác không có đƣợc, đó là khả năng nhận, xử lý và truyền các tín hiệu điện hóa trên các đƣờng mòn nơron, các con đƣờng này tạo nên hệ thống giao tiếp của bộ não. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.lrc.tnu.edu.vn