Đề án Tối ưu hóa siêu tham số cho mạng học sâu và áp dụng nhận dạng bệnh lá cây trồng đã tiến hành nghiên cứu, tìm hiểu và so sánh đánh giá các phương pháp tối ưu hóa siêu tham số như: Chemical Reaction Optimization (CRO), tìm kiếm lưới (Grid search), tìm kiếm ngẫu nhiên(Random search) và tối ưu hóa Bayes. Từ đó lựa chọn ra phương pháp phù hợp nhất để tối ưu hoá siêu tham số cho mạng học sâu đó là phương pháp : Chemical Reaction Optimization (CRO). Bên cạnh đó đề án còn nghiên cứu và đề xuất ra một mô hình mạng Học sâu (DL) được tối ưu hoá siêu tham số bằng phương pháp CRO, được cải tiến dựa trên mô hình học sâu cơ bản và so sánh với các mô hình CNN đã có sẵn : như ResNet-50, MobileNetV2 và EfficientNet-B0 để phân loại ít nhất 10 loại bệnh lá cây trồng phổ biến tại Việt Nam. Thu thập một tập dữ liệu gồm ít nhất 2000 hình ảnh lá cây, với 100 – 300 hình ảnh cho mỗi loại bệnh, và đạt độ chính xác phân loại trên 90% trên tập kiểm tra. Từ đó vận dụng, xây dựng nghiên cứu và ứng dụng các phương pháp học sâu nhằm nhận dạng bệnh trên lá cây trong bối cảnh nông nghiệp Việt Nam hướng tới chuyển đổi số. Nghiên cứu tập trung vào việc xây dựng mô hình CNN cải tiến kết hợp SVM và tối ưu hóa siêu tham số bằng nhiều phương pháp, nổi bật là CRO, giúp đạt độ chính xác cao (99,18%). Đồng thời, nghiên cứu cũng so sánh với các mô hình pretrained như VGG16, MobileNetV2 và cho thấy mô hình đề xuất cho hiệu quả tốt hơn trong bài toán chuyên biệt. Kết quả khẳng định hướng tiếp cận tối ưu hóa siêu tham số đóng vai trò quan trọng, góp phần nâng cao hiệu quả ứng dụng học sâu trong nông nghiệp thông minh.. Đề án được trình bày trong 3 chương, gồm: Chương 1: Giới thiệu tổng quan; Chương 2: Tối ưu hóa siêu tham số; Chương 3: Nhận dạng bệnh lá cây trồng.

Ngôn ngữ:	vie
Tác giả:	Nguyễn Thanh Triều, GVHD: Nguyễn Bá Nghiễn
Thông tin nhan đề:	Tối ưu hóa siêu tham số cho mạng học sâu và áp dụng nhận dạng bệnh lá cây trồng
Nhà xuất bản:	Đại học Công nghiệp Hà Nội
Loại hình:	Luận văn Thạc sĩ / Bộ sưu tập: Công nghệ thông tin
Mô tả vật lý:	88tr.
Năm xuất bản:	2025