Thuật toán alpha – WIoU YOLOv5 lượng tử hóa phát hiện bệnh trên cây lúa

https://doi.org/10.31130/ud-jst.2025.23(9A).235E

Tóm tắt: 187 | PDF: 76

##plugins.themes.academic_pro.article.main##

Author

  • Nguyen Thu Ha
    School of Electrical and Electronic Engineering, Hanoi University of Science and Technology, Vietnam
    Vu Duc Long
    School of Electrical and Electronic Engineering, Hanoi University of Science and Technology, Vietnam
    Nguyen Hung Cuong
    School of Electrical and Electronic Engineering, Hanoi University of Science and Technology, Vietnam
    Mai Ngoc Tam
    School of Electrical and Electronic Engineering, Hanoi University of Science and Technology, Vietnam
    Bui Dang Thanh
    School of Electrical and Electronic Engineering, Hanoi University of Science and Technology, Vietnam

Từ khóa:

Bệnh trên cây lúa
YOLOv5
CIoU
Alpha–WIoU
Lượng tử hóa mô hình

Tóm tắt

Bài báo trình bày về đề xuất một phương pháp cải tiến dựa trên mạng nơ-ron tích chập nhằm nhận diện và chẩn đoán sớm bệnh trên cây lúa. Mô hình YOLOv5n được điều chỉnh bằng cách thay thế hàm tính sai số gốc bằng hàm alpha-WIoU, giúp cải thiện khả năng học đặc trưng và tăng độ chính xác. Sau đó, mô hình được lượng tử hóa để giảm kích thước và tối ưu cho thiết bị có cấu hình thấp. Mô hình cải tiến đạt độ chính xác 93%, tăng 2,6% so với mô hình YOLOv5n ban đầu, trong khi kích thước mô hình giảm 45%. Ngoài ra, thời gian xử lý mỗi ảnh là 0,554 giây trên CPU, nhanh gấp gần ba lần so với mô hình gốc. Kết quả cho thấy mô hình đề xuất chính xác hơn, nhẹ và nhanh hơn, phù hợp triển khai thực tế góp phần phát triển nông nghiệp thông minh.

Tài liệu tham khảo

    [1] S. Muthayya, J. D. Sugimoto, S. Montgomery, and G. F. Maberly, "An overview of global rice production, supply, trade, and consumption", Annals of the New York Academy of Sciences, vol. 1324, no. 1, pp. 7–14, 2014. https://doi.org/10.1111/nyas.12540.
    [2] E. Crystal and P. Whittlesey, "The role of rice in Southeast Asia", Education About Asia, vol. 9, no. 3, pp. 50–55, 2004.
    [3] S. Shigetomi, K. Kubo, and K. Tsukada, "The World Food Crisis and the Strategies of Asian Rice Exporters", Institute of Developing Economies (IDE-JETRO), Chiba, Japan, Spot Survey 32, 2011.
    [4] K. Maitah, L. Smutka, J. Sahatqija, M. Maitah, and N. P. Anh, "Rice as a determinant of Vietnamese sustainability", Sustainability, vol. 12, p. 5123, 2020. https://doi.org/10.3390/su12125123.
    [5] T. Popović, N. Latinović, A. Pešić, Z. Zečević, B. Krstajić, and S. Djukanović, "Architecting an IoT-enabled platform for precision agriculture and ecological monitoring: A case study", Computers and Electronics in Agriculture, vol. 140, pp. 255–265, 2017. https://doi.org/10.1016/j.compag.2017.00008.
    [6] M. E. Haque, A. Rahman, I. Junaeid, S. U. Hoque, and M. Paul, "Rice leaf disease classification and detection using YOLOv5", arXiv preprint arXiv:2209.01579, 2022.
    [7] D. C. Trinh, A. T. Mac, K. G. Dang, H. N. Thanh, H. N. Thai, and T. B. Dang, "Alpha-EIOU-YOLOv8: An improved algorithm for rice leaf disease detection", AgriEngineering, vol. 6, pp. 302–317, 2024. https://doi.org/10.3390/agriengineering6010018.
    [8] C. D. Trinh, T. M. D. Le, T. H. Do, N. M. Bui, T. H. Nguyen, and Q. U. Ngo, "Improving YOLOv8 deep learning model in rice disease detection by using Wise-IoU loss function", Journal of Measurement, Control and Automation, vol. 29, no. 1, pp. 1–6, 2025.
    [9] T. Zeng, S. Li, Q. Song, F. Zhong, and X. Wei, "Lightweight tomato real-time detection method based on improved YOLO", Computers and Electronics in Agriculture, vol. 205, p. 107625, 2023. https://doi.org/10.1016/j.compag.2023.107625.
    [10] I. O. Muraina, "Ideal dataset splitting ratios in machine learning algorithms: General concerns for data scientists and data analysts", in 7th International Mardin Artuklu Scientific Researches Conference, 2021, pp. 496–504.
    [11] R. Khanam and M. Hussain, "What is YOLOv5: A deep look into the internal features of the popular object detector", arXiv preprint arXiv:2407.20892, 2024.
    [12] Z. Tong, Y. Chen, Z. Xu, and R. Yu, "Wise-IoU: Bounding box regression loss", arXiv preprint arXiv:2301.10051, 2023.
    [13] J. He, S. Erfani, X. Ma, J. Bailey, Y. Chi, and X. S. Hua, "Alpha-IoU: A family of power intersection over unit", in 35th Conference on Neural Information Processing Systems, 2021. https://doi.org/10.48550/arXiv.2110.13675.
    [14] I. Hubara, Y. Nahshan, Y. Hanani, R. Banner, and D. Soudry, "Accurate post-training quantization with small calibration sets", in 38th International Conference on Machine Learning, 2021.
Xem thêm

##plugins.themes.academic_pro.article.sidebar##

Đã Xuất bản

Sep 30, 2025
Download
PDF (English)
Cách trích dẫn
Ha, N. T., V. D. Long, N. H. Cuong, M. N. Tam, và B. D. Thanh. “Thuật toán Alpha – WIoU YOLOv5 lượng tử hóa phát hiện bệnh Trên cây Lúa”. Tạp Chí Khoa học Và Công nghệ - Đại học Đà Nẵng, vol 23, số p.h 9A, Tháng Chín 2025, tr 52-56, doi:10.31130/ud-jst.2025.23(9A).235E.

##plugins.themes.academic_pro.article.details##