Luận án Lê Thanh Việt: Hệ thống IoT, Học sâu phân loại cá thể nuôi thủy sản

Nghiên cứu phát triển hệ thống IoT thu thập dữ liệu, kết hợp học sâu phân vùng và phân loại cá thể, ứng dụng tối ưu hóa trong nuôi trồng thủy sản.

Chuyên ngành

Kỹ thuật Viễn thông

Tác giả

Luan An

Thể loại

Luận án tiến sĩ

Năm xuất bản

Số trang

133

Thời gian đọc

20 phút

Lượt xem

0

Lượt tải

0

Phí lưu trữ

40 Point

Tóm tắt nội dung

I. Tổng quan IoT Học sâu trong nuôi trồng thủy sản

Nuôi trồng thủy sản đối mặt nhiều thách thức. Quản lý môi trường, sức khỏe cá thể đòi hỏi sự chính xác. Công nghệ IoT mang lại giải pháp giám sát hiệu quả. Học sâu cải thiện khả năng phân tích dữ liệu hình ảnh. Nghiên cứu này tập trung phát triển hệ thống IoT thu thập dữ liệu. Nó cũng phát triển thuật toán học sâu để phân vùng và phân loại cá thể. Mục tiêu là tối ưu hóa quy trình nuôi trồng thủy sản. Hệ thống hỗ trợ ra quyết định kịp thời, giảm thiểu rủi ro. Công nghệ này hứa hẹn nâng cao năng suất, giảm chi phí. Hiện trạng nuôi trồng thủy sản truyền thống thường thiếu dữ liệu. Việc giám sát thủ công tốn kém, không chính xác. Biến động môi trường nước ảnh hưởng lớn đến tôm cá. Bệnh tật lây lan nhanh chóng. Cần có giải pháp tự động hóa toàn diện. IoT cung cấp khả năng thu thập dữ liệu liên tục. Các cảm biến đo pH, nhiệt độ, oxy hòa tan. Dữ liệu này được truyền về trung tâm. Học sâu xử lý hình ảnh từ camera. Nó giúp nhận diện, đếm và phân loại từng cá thể. Điều này mang lại cái nhìn sâu sắc về sức khỏe và tăng trưởng. Ứng dụng này đặc biệt quan trọng trong các mô hình nuôi thâm canh. Nhu cầu về một hệ thống thông minh là rất lớn. Nó giúp người nông dân chủ động hơn trong quản lý. Các vấn đề như chất lượng nước, mật độ nuôi được kiểm soát tốt hơn. Công nghệ giúp phát hiện sớm các dấu hiệu bất thường.

1.1. Nhu cầu ứng dụng IoT trong thủy sản

Nông nghiệp hiện đại yêu cầu dữ liệu. Nuôi trồng thủy sản không ngoại lệ. IoT giải quyết bài toán giám sát liên tục. Các thông số môi trường nước được theo dõi. Nhiệt độ, độ pH, oxy hòa hòa tan là các chỉ số quan trọng. Hệ thống IoT thu thập dữ liệu này. Nó cảnh báo sớm các bất thường. Điều này giảm thiểu thiệt hại do môi trường. Quản lý thức ăn cũng được tối ưu hóa. Nông dân có thể điều chỉnh lượng thức ăn. Tránh lãng phí, giảm ô nhiễm. IoT tăng cường hiệu quả vận hành tổng thể.

1.2. Thách thức phân loại cá thể tự động

Phân loại cá thể trong môi trường nước khó khăn. Hình ảnh thường mờ, nhiễu. Cá thể di chuyển nhanh, che khuất lẫn nhau. Môi trường ánh sáng thay đổi liên tục. Kích thước và chủng loại cá đa dạng. Phân loại thủ công tốn thời gian, không chính xác. Cần thuật toán mạnh mẽ. Học sâu cung cấp công cụ hiệu quả. Nó xử lý hình ảnh phức tạp. Phát hiện, đếm và phân loại từng con cá. Điều này hỗ trợ ước lượng sinh khối. Quản lý sức khỏe đàn cá tốt hơn.

1.3. Vai trò thị giác máy tính và học sâu

Thị giác máy tính là nền tảng. Nó giúp máy tính "nhìn" và "hiểu" hình ảnh. Học sâu đẩy xa khả năng này. Các mạng nơ-ron tích chập (CNN) học đặc trưng phức tạp. Chúng tự động phân vùng, phân loại vật thể. Trong thủy sản, học sâu nhận diện cá. Nó phân biệt loài, phát hiện dấu hiệu bệnh. Ước lượng kích thước, đếm số lượng cá thể. Công nghệ này giảm sự phụ thuộc vào con người. Tăng độ chính xác, tốc độ xử lý. Giúp quản lý trang trại hiệu quả.

II. Thiết kế Hệ thống IoT thu thập dữ liệu môi trường

Một hệ thống IoT hoàn chỉnh được phát triển. Nó hướng đến ứng dụng thực tế trong nuôi trồng thủy sản. Kiến trúc hệ thống bao gồm nhiều khối chức năng. Các thiết bị đầu cuối IoT thu thập dữ liệu từ cảm biến. Chúng đo lường các thông số môi trường nước. Nhiệt độ, pH, độ mặn, oxy hòa tan được giám sát liên tục. Thiết bị IoT điều khiển cơ cấu chấp hành. Chúng tự động điều chỉnh quạt nước, hệ thống cho ăn. IoT cổng (gateway) tổng hợp dữ liệu. Nó chuyển tiếp thông tin lên đám mây. Hệ thống camera thu thập hình ảnh chất lượng cao. Phần mềm giám sát trung tâm hiển thị dữ liệu. Nó cho phép người dùng điều khiển từ xa. Giải pháp này đảm bảo tính ổn định, độ tin cậy. Việc triển khai thử nghiệm tại Kiên Giang đã xác nhận hiệu quả. Hệ thống IoT được thiết kế tối ưu hóa. Nó hoạt động ổn định trong môi trường khắc nghiệt. Các thiết bị đầu cuối tiêu thụ năng lượng thấp. Giao thức truyền thông LoRa được sử dụng. LoRa cung cấp phạm vi phủ sóng rộng. Nó phù hợp cho các trang trại thủy sản lớn. Các cảm biến chuyên dụng đảm bảo độ chính xác. Chúng chịu được môi trường nước biển, nước lợ. Phần cứng được chế tạo chắc chắn. Phần mềm giám sát trực quan, dễ sử dụng. Nó hiển thị biểu đồ, cảnh báo tức thì. Người dùng có thể truy cập qua máy tính hoặc điện thoại. Hệ thống hỗ trợ ra quyết định nhanh chóng. Giúp phản ứng kịp thời với thay đổi. Nâng cao khả năng quản lý trang trại.

2.1. Kiến trúc hệ thống IoT cho thủy sản

Kiến trúc hệ thống ba lớp được áp dụng. Lớp cảm biến thu thập dữ liệu. Lớp mạng truyền dữ liệu. Lớp ứng dụng xử lý và hiển thị. Các thiết bị đầu cuối tích hợp cảm biến. Chúng giao tiếp với IoT gateway. Gateway tổng hợp dữ liệu. Sau đó, nó gửi dữ liệu lên máy chủ đám mây. Nền tảng đám mây xử lý, lưu trữ dữ liệu. Giao diện người dùng truy cập dữ liệu. Nó cho phép giám sát, điều khiển từ xa. Kiến trúc này đảm bảo tính linh hoạt. Nó dễ dàng mở rộng khi cần.

2.2. Phát triển phần cứng và phần mềm IoT

Thiết bị đầu cuối IoT được chế tạo riêng. Chúng tích hợp cảm biến môi trường. Chip vi điều khiển điều khiển hoạt động. Module truyền thông LoRa gửi dữ liệu. Nguồn pin dự phòng đảm bảo liên tục. Phần mềm điều khiển thiết bị được lập trình. Nó quản lý việc đọc cảm biến, gửi dữ liệu. Phần mềm giám sát trung tâm được phát triển. Nó cung cấp giao diện đồ họa. Người dùng dễ dàng theo dõi thông số. Nó cũng cho phép cài đặt ngưỡng cảnh báo. Hệ thống đảm bảo tính ổn định, bảo mật.

2.3. Triển khai thực nghiệm tại Kiên Giang

Hệ thống được thử nghiệm thực tế. Địa điểm triển khai là một trang trại thủy sản ở Kiên Giang. Các thiết bị được lắp đặt trong ao nuôi. Dữ liệu môi trường được thu thập liên tục. Camera giám sát hành vi cá thể. Kết quả thử nghiệm cho thấy hiệu quả. Hệ thống hoạt động ổn định, chính xác. Nó cung cấp thông tin hữu ích cho nông dân. Giúp họ đưa ra quyết định dựa trên dữ liệu. Kiểm soát chất lượng nước tốt hơn. Giảm thiểu rủi ro, tối ưu hóa sản xuất.

III. Thuật toán Học sâu phân vùng và phân loại cá thể

Phát triển các thuật toán học sâu là trọng tâm. Chúng xử lý hình ảnh thu được từ hệ thống camera. Mục tiêu là phân vùng chính xác từng cá thể. Sau đó, phân loại chúng theo loài hoặc tình trạng sức khỏe. Nghiên cứu đề xuất mô hình mạng nơ-ron tích chập mới. Mô hình sử dụng khối giảm chiều đa tỉ lệ theo không gian. Hàm mất mát cũng được cải tiến. Nó dựa trên đường bao cục bộ. Điều này giúp nâng cao độ chính xác trong phân đoạn ảnh cá. Ngoài ra, mô hình tập trung chú ý ConvMixer được áp dụng. Nó dùng để phân loại các loài cá. Các thử nghiệm cho thấy hiệu quả vượt trội. Thuật toán này giúp ước lượng sinh khối chính xác. Nó hỗ trợ phát hiện sớm bệnh tật. Công nghệ này cải thiện quản lý đàn cá. Phân tích hình ảnh cá là một nhiệm vụ phức tạp. Thuật toán truyền thống gặp nhiều hạn chế. Học sâu cung cấp khả năng học hỏi từ dữ liệu. Nó tự động trích xuất các đặc trưng quan trọng. Mạng nơ-ron tích chập (CNN) là công cụ chính. Mô hình được huấn luyện trên tập dữ liệu lớn. Tập dữ liệu bao gồm hình ảnh các loài cá khác nhau. Quá trình huấn luyện tinh chỉnh các tham số mạng. Mục tiêu là đạt độ chính xác cao nhất. Phân vùng ảnh giúp tách biệt từng con cá. Điều này cần thiết cho việc đếm và đo kích thước. Phân loại sau đó xác định loài. Thuật toán cũng có thể phát hiện các dấu hiệu bệnh lý. Kết quả thực nghiệm chứng minh hiệu quả của các mô hình. Độ chính xác cao được ghi nhận. Thời gian xử lý cũng được tối ưu hóa. Điều này cho phép ứng dụng trong thời gian thực.

3.1. Phương pháp phân vùng ảnh cá dựa trên học sâu

Phân vùng ảnh là bước quan trọng. Nó giúp xác định ranh giới từng cá thể cá. Mô hình học sâu được thiết kế đặc biệt. Nó sử dụng kiến trúc mạng nơ-ron tích chập. Các khối giảm chiều đa tỉ lệ được tích hợp. Điều này cho phép mạng học các đặc trưng ở nhiều quy mô. Hàm mất mát dựa trên đường bao cục bộ. Nó giúp mô hình tập trung vào ranh giới vật thể. Kết quả là phân vùng ảnh cá chính xác hơn. Thuật toán hoạt động tốt ngay cả trong môi trường phức tạp.

3.2. Mô hình ConvMixer cho phân loại loài cá

Phân loại loài cá là một thách thức. Mô hình tập trung chú ý ConvMixer được đề xuất. Đây là một kiến trúc mạng nơ-ron tiên tiến. ConvMixer kết hợp các khối trộn kênh và trộn không gian. Nó cho phép mạng học các mối quan hệ phức tạp. Mô hình được huấn luyện trên dữ liệu ảnh cá đa dạng. Kết quả thử nghiệm cho thấy độ chính xác cao. ConvMixer vượt trội so với các phương pháp truyền thống. Nó phân biệt hiệu quả các loài cá khác nhau.

3.3. Cải tiến mạng nơ ron tích chập và hàm mất mát

Nghiên cứu tập trung cải tiến kiến trúc CNN. Các khối giảm chiều đa tỉ lệ được tích hợp. Điều này tăng khả năng học đặc trưng. Nó giúp mạng xử lý hình ảnh cá ở các kích cỡ khác nhau. Hàm mất mát cũng được tối ưu hóa. Hàm mất mát dựa trên đường bao cục bộ được sử dụng. Nó khuyến khích mô hình tạo ra ranh giới rõ ràng. Các cải tiến này giúp tăng cường hiệu suất. Độ chính xác phân vùng và phân loại được cải thiện đáng kể.

IV. Ứng dụng Lợi ích của IoT học sâu trong thủy sản

Sự kết hợp giữa IoT và học sâu mang lại nhiều lợi ích. Nó thay đổi cách quản lý nuôi trồng thủy sản. Hệ thống cung cấp giám sát toàn diện. Dữ liệu môi trường và hình ảnh được phân tích tự động. Nông dân có thể đưa ra quyết định sáng suốt hơn. Tối ưu hóa việc sử dụng tài nguyên. Giảm thiểu rủi ro từ bệnh tật và môi trường. Năng suất và chất lượng sản phẩm được nâng cao. Công nghệ này mở ra kỷ nguyên mới. Một kỷ nguyên của nuôi trồng thủy sản thông minh. Nó hướng tới sự bền vững, hiệu quả kinh tế cao. Các ứng dụng tiềm năng còn rất lớn. Hệ thống IoT với học sâu giúp tự động hóa nhiều công đoạn. Giám sát môi trường nước liên tục 24/7. Phát hiện sớm các biến động bất lợi. Cảnh báo ngay lập tức cho người quản lý. Phân tích hình ảnh cá thể giúp ước lượng sinh khối. Điều này quan trọng cho kế hoạch cho ăn. Nó cũng hỗ trợ quản lý mật độ nuôi. Phát hiện cá có dấu hiệu bệnh. Giúp cô lập và điều trị kịp thời. Tránh lây lan ra toàn đàn. Giảm tỷ lệ hao hụt. Tăng tỷ lệ sống sót. Chất lượng sản phẩm thủy sản cũng được cải thiện. Chi phí vận hành được tối ưu hóa. Lợi nhuận của người nông dân tăng lên. Đây là bước tiến lớn trong ngành.

4.1. Giám sát tối ưu và quản lý hiệu quả

Hệ thống IoT cung cấp giám sát liên tục. Các thông số môi trường nước được theo dõi. Nhiệt độ, pH, oxy hòa tan được báo cáo. Người quản lý nhận cảnh báo kịp thời. Học sâu phân tích hình ảnh từ camera. Nó giúp đếm và phân loại cá thể. Ước lượng sinh khối chính xác. Điều này hỗ trợ quản lý thức ăn. Tối ưu hóa mật độ nuôi. Giảm thiểu stress cho cá. Quản lý toàn diện trang trại.

4.2. Nâng cao năng suất và chất lượng sản phẩm

Giám sát thông minh giúp tăng năng suất. Môi trường nuôi được kiểm soát ổn định. Bệnh tật được phát hiện sớm. Tỷ lệ sống sót của cá tăng. Chất lượng thịt cá được đảm bảo. Lượng thức ăn được điều chỉnh chính xác. Tránh lãng phí, giảm chi phí. Sản phẩm thủy sản đạt tiêu chuẩn cao hơn. Điều này tăng giá trị thương phẩm. Góp phần vào phát triển kinh tế bền vững.

4.3. Hướng phát triển và tiềm năng tương lai

Công nghệ này còn nhiều tiềm năng phát triển. Tích hợp thêm cảm biến mới. Ví dụ, cảm biến chất lượng nước nâng cao. Phát triển thuật toán học sâu phức tạp hơn. Xử lý nhiều loại dữ liệu đa dạng. Mở rộng ứng dụng sang các loài thủy sản khác. Hệ thống có thể học hỏi và tự điều chỉnh. Tối ưu hóa hoàn toàn quy trình nuôi. Hướng tới trang trại thông minh tự động. Đóng góp vào an ninh lương thực toàn cầu.

Xem trước tài liệu
Tải đầy đủ để xem toàn bộ nội dung
Nghiên cứu phát triển hệ thống iot thu thập dữ liệu và thuật toán phân vùng phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sản

Tải xuống file đầy đủ để xem toàn bộ nội dung

Tải đầy đủ (133 trang)

Trích đoạn nội dung luận án

Tải xuống để đọc toàn bộ

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC BÁCH KHOA HÀ NỘI LÊ THANH VIỆT NGHIÊN CỨU PHÁT TRIỂN HỆ THỐNG IoT THU THẬP DỮ LIỆU VÀ THUẬT TOÁN PHÂN VÙNG, PHÂN LOẠI CÁ THỂ SỬ DỤNG HỌC SÂU ĐỊNH HƯỚNG ỨNG DỤNG TRONG NUÔI TRỒNG THỦY SẢN LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG Hà Nội - 2024 BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC BÁCH KHOA HÀ NỘI LÊ THANH VIỆT NGHIÊN CỨU PHÁT TRIỂN HỆ THỐNG IoT THU THẬP DỮ LIỆU VÀ THUẬT TOÁN PHÂN VÙNG, PHÂN LOẠI CÁ THỂSỬ DỤNG HỌC SÂU ĐỊNH HƯỚNG ỨNG DỤNG TRONG NUÔI TRỒNG THỦY SẢN Ngành: Kỹ thuật Viễn thông Mã số: 9520208 LUẬN ÁN TIẾN SĨ KỸ THUẬT VIỄN THÔNG NGƯỜI HƯỚNG DẪN KHOA HỌC: GS.TS VŨ VĂN YÊM TS. VƯƠNG HOÀNG NAM Hà Nội - 2024 LỜI CAM ĐOAN Tôi xin cam đoan luận án “Nghiên cứu phát triển hệ thống IoT thu thập dữ liệu và thuật toán phân vùng, phân loại cá thể sử dụng học sâu định hướng ứng dụng trong nuôi trồng thủy sản” là kết quả nghiên cứu của riêng tôi. Các số liệu, kết quả nghiên cứu trình bày trong luận án là trung thực, một phần đã được công bố trên các tạp chí khoa học chuyên ngành trong và ngoài nước trong danh mục các công trình khoa học đã công bố của luận án. Phần còn lại chưa được ai công bố trong bất kỳ công trình nghiên cứu nào.

Hà Nội, ngày tháng năm 2024 Giảng viên hướng dẫn Tác giả luận án GS. Vương Hoàng Nam Lê Thanh Việt i LỜI CẢM ƠN Lời đầu tiên, tôi xin bày tỏ lòng biết ơn sâu sắc tới GS. Vũ Văn Yêm và TS. Vương Hoàng Nam, người đã tận tình hướng dẫn trực tiếp nghiên cứu sinh về mặt khoa học cũng như phần thực hành chế tạo thiết bị và hỗ trợ về mọi mặt để tôi có thể hoàn thành bản luận án này sau 7 năm làm nghiên cứu sinh.

Qua đây, tôi cũng xin cảm ơn Bộ môn hệ thống viễn thông, Viện Điện tử - Viễn thông trước đây, nay là Khoa kỹ thuật truyền thông, Trường Điện - Điện tử Đại học Bách khoa Hà Nội đã tạo mọi điều kiện thuận lợi cho nghiên cứu sinh trong quá trình học tập, nghiên cứu. Bản thân cũng xin gửi lời cảm ơn chân thành tới các thành viên nghiên cứu của RF lab, Đại học Bách khoa Hà Nội đã đồng hành cùng tôi trong suốt thời gian nghiên cứu vừa qua. Cuối cùng, tôi cũng xin cảm ơn gia đình, bạn bè, đồng nghiệp và người thân đã giúp đỡ, chia sẻ những khó khăn, khích lệ, động viên để tôi có thể hoàn thành luận án này. Xin trân trọng cảm ơn.

Hà Nội, ngày tháng năm 2024 Tác giả luận án Lê Thanh Việt ii MỤC LỤC LỜI CAM ĐOAN. ii MỤC LỤC. iii DANH MỤC CÁC CHỮ VIẾT TẮT. vii DANH MỤC CÁC HÌNH VẼ.

xi MỞ ĐẦU. TỔNG QUAN VỀ INTERNET KẾT NỐI VẠN VẬT VÀ MẠNG NƠ RON HỌC SÂU ỨNG DỤNG TRONG THỦY SẢN. Tổng quan về hệ thống IoT. Hiện trạng và nhu cầu ứng dụng IoT cho nuôi thủy sản.

Kiến trúc và các giao thức hệ thống IoT. Kiến trúc hệ thống IoT. Giao thức truyền thông LORA trong IoT. Tổng quan về ứng dụng xử lý ảnh trong phân vùng và phân loại thủy sản.

Giới thiệu chung. Các thách thức trong phát hiện và ước lượng mật độ cá thể. Các mô hình thị giác máy tính dùng trong phát hiện cá thể. Ước lượng và đếm cá thể thủy sản.

Các kỹ thuật phát hiện vật thể trong thị giác máy tính. Giới thiệu chung về một số kỹ thuật trong thị giác máy tính. Một số phương pháp phân vùng ảnh cổ điển. Các phương pháp phát hiện vật thể hiện đại dùng học sâu.

Các vấn đề nghiên cứu cần giải quyết. Kết luận chương 1. MÔ HÌNH HỆ THỐNG IoT ĐỊNH HƯỚNG ỨNG DỤNG TRONG NUÔI THỦY SẢN TẠI KIÊN GIANG. Quy định, tiêu chuẩn về các tham số môi trường nước trong nuôi trồng thủy sản.

Mô hình hệ thống IoT ứng dụng trong nuôi thủy sản. Nghiên cứu thiết kế mô hình hệ thống IoT. Mô hình hệ thống IoT khi triển khai thực nghiệm tại hiện trường. Yêu cầu kỹ thuật, xây dựng giải pháp cho các khối trong hệ thống.

Thiết kế, chế tạo phần cứng và thiết kế phần mềm hệ thống IoT ứng dụng trong nuôi thủy sản. Thiết kế, chế tạo thiết bị đầu cuối IoT thu thập dữ liệu từ cảm biến. Thiết kế, chế tạo thiết bị IoT điều khiển cơ cấu chấp hành (IoT control node). Thiết kế và chế tạo IoT cổng (IoT gateway).

Hệ thống camera thu thập hình ảnh. Thiết kế phần mềm giám sát và điều khiển trung tâm. Tích hợp và thử nghiệm hệ thống IoT. Tích hợp thiết bị.

Thử nghiệm trong môi trường thực tế tại Kiên Giang. Kết luận chương 2. THUẬT TOÁN PHÂN VÙNG ẢNH VÀ PHÂN LOẠI CÁ THỂ TẠI TRUNG TÂM THU THẬP VÀ XỬ LÝ DỮ LIỆU TRONG HỆ THỐNG ĐỊNH HƯỚNG ỨNG DỤNG TRONG NUÔI THỦY SẢN. Phát hiện và phân loại cá thể dùng học sâu.

Phát hiện cá dùng phương pháp phân vùng. Phát hiện cá thể kết hợp phân loại. Mô hình mạng nơ ron tích chập sử dụng khối giảm chiều đa tỉ lệ theo không gian và hàm mất mát dựa trên đường bao cục bộ và ứng dụng cho phân vùng hình ảnh cá thể. Mô hình mạng nơ ron tích chập sử dụng khối giảm chiều đa tỉ lệ theo không gian.

Hàm mất mát cho mô hình bài toán phân đoạn ảnh cá. Kết quả thực nghiệm. Mô hình tập trung chú ý ConvMixer và áp dụng cho phân loại các loài cá. Mô hình tập trung chú ý ConvMixer đề xuất.

Kết quả thực nghiệm. Kết luận chương 3. 118 iv DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA LUẬN ÁN. 121 DANH MỤC TÀI LIỆU THAM KHẢO.

122 v DANH MỤC CÁC KÝ HIỆU STT Kí hiệu Mô tả 1 µ Hệ số trong hàm mất mát 2 α Hệ số trong hàm mất mát 3 λ Hệ số trong hàm mất mát 4 𝐿𝐿𝐶𝐶𝐶𝐶 Tổn thất entropy chéo 5 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 Tổn thất đường viền hoạt động dựa trên cục bộ 6 𝐿𝐿𝐿𝐿𝐿𝐿𝐿𝐿 Độ dài 7 W Chiều rộng của hình ảnh 8 H Chiều cao của hình ảnh 9 TP Số lượng đúng dự đoán dương tính 10 FN Số lượng đúng dự đoán âm tính giả 11 FP Số lượng đúng dự đoán dương tính giả 12 SF Hệ số trải phổ 13 BW Băng thông 14 CR Tốc độ mã hóa 15 F Kích thước ảnh đầu ra bộ lọc 16 S Độ trượt 17 P Padding 18 O Kích thước đầu ra bộ lọc 19 𝐿𝐿𝐷𝐷𝐷𝐷𝑐𝑐𝑐𝑐 Hàm mất mát Dice 20 𝐿𝐿𝐵𝐵𝐶𝐶𝐶𝐶 Hàm mất mát binary cross entropy (BCE 21 𝐿𝐿𝐶𝐶𝐶𝐶_𝐴𝐴𝐴𝐴 Hàm mất mát đề xuất vi DANH MỤC CÁC CHỮ VIẾT TẮT Từ viết tắt Nghĩa tiếng Anh Nghĩa tiếng Việt ACL Access Control List Danh sách kiểm soát truy cập ADC Analog to Digital Bộ chuyển đổi tín hiệu tương tự/số AES Advanced Encryption Standard Chuẩn mật mã hóa tiên tiến AP Access Point Điểm truy cập AIoT Artificial Intelligence Of Things Trí tuệ nhân tạo của vạn vật Application Programming API Giao diện lập trình ứng dụng Interface BW Bandwidth Băng thông CDMA Code Division Multiple Access Đa truy cập phân chia theo mã Nông nghiệp thích ứng với khí CSA Climate-SmartTech hậu CSMA/CA Carrier Senser Multiple Access Đa truy nhập theo cảm nhận sóng with Collision Avoidance mang cùng cơ chế tránh xung đột CSS Chirp Spread Spectrum Trải phổ xung chirp CR Coding Rate Tốc độ mã hóa DDOS Distributed Denial of Service Tấn công từ chối dịch vụ phân tán DHCP Dynamic Host Configuration Giao thức cấu hình động máy chủ Protocol Enhanced Data for GSM Di động theo chuẩn EDGE EDGE Evolution (2.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ

Câu hỏi thường gặp

Luận án "IoT, Học sâu phân loại cá thể: Ứng dụng nuôi trồng thủy sản" nghiên cứu về vấn đề gì?

Nghiên cứu phát triển hệ thống IoT thu thập dữ liệu, kết hợp học sâu phân vùng và phân loại cá thể, ứng dụng tối ưu hóa trong nuôi trồng thủy sản.

Luận án "IoT, Học sâu phân loại cá thể: Ứng dụng nuôi trồng thủy sản" được bảo vệ tại trường nào?

Luận án này được bảo vệ tại Đại học Bách khoa Hà Nội. Năm bảo vệ: 2024.

Luận án "IoT, Học sâu phân loại cá thể: Ứng dụng nuôi trồng thủy sản" thuộc chuyên ngành gì?

Luận án "IoT, Học sâu phân loại cá thể: Ứng dụng nuôi trồng thủy sản" thuộc chuyên ngành Kỹ thuật Viễn thông. Danh mục: Trí Tuệ Nhân Tạo.

Luận án "IoT, Học sâu phân loại cá thể: Ứng dụng nuôi trồng thủy sản" có bao nhiêu trang?

Luận án "IoT, Học sâu phân loại cá thể: Ứng dụng nuôi trồng thủy sản" có 133 trang. Bạn có thể xem trước một phần tài liệu ngay trên trang web trước khi tải về.

Cách tải luận án "IoT, Học sâu phân loại cá thể: Ứng dụng nuôi trồng thủy sản" về máy như thế nào?

Để tải luận án về máy, bạn nhấn nút "Tải xuống ngay" trên trang này, sau đó hoàn tất thanh toán phí lưu trữ. File sẽ được tải xuống ngay sau khi thanh toán thành công. Hỗ trợ qua Zalo: 0559 297 239.

Luận án liên quan

Chia sẻ tài liệu: Facebook Twitter