Trong thế kỷ trước, sản xuất nông nghiệp đã đạt được các thành tựu vượt trội nhờ vào việc canh tác trên diện rộng kết hợp với cơ khí hóa các công cụ sản xuất. Ngoài ra, các giống tăng trưởng và biến đổi gen, cũng như thuốc trừ sâu, diệt cỏ và phân bón cũng đã góp phần nâng cao năng suất sản xuất. Tuy nhiên, xu hướng này cũng gây ra một số vấn đề. Việc sử dụng các hóa chất để trừ sâu và diệt cỏ trên diện rộng tác động xấu đến môi trường và dẫn đến tình trạng kháng thuốc ở các động thực vật liên quan. Theo thống kê ở báo cáo [1], tình trạng cỏ kháng thuốc đã làm tăng chi phí sản xuất lên 27% trên một mẫu Anh tại Australia do tăng chi phí diệt cỏ và thiệt hại về năng suất cây trồng. Tại Mỹ, các nông dân phải trả thêm 150 USD trên một mẫu Anh để nhổ cỏ thủ công khi các biện pháp diệt cỏ bằng hóa chất không còn hiệu quả do cỏ kháng thuốc. Tuy chưa có thống kê cụ thể tại Việt Nam nhưng một số nghiên cứu trong nước cũng đã đánh giá mức độ cỏ kháng thuốc và đưa ra các khuyến cáo [2].

Nhằm giải quyết vấn đề này, bên cạnh các biện pháp sử dụng thuốc diệt cỏ hợp lý thì việc áp dụng các kỹ thuật và công nghệ tiên tiến để thay thế một phần hoặc hoàn toàn phương pháp sử dụng hóa chất đang được quan tâm nghiên cứu. Gần đây, các robot diệt cỏ tự động với khả năng phân loại cây trồng và cỏ dại cho phép cắt giảm lượng hóa chất sử dụng vì không phải phun trên diện rộng [3-5]. Một số nghiên cứu khác đề xuất các thiết kế kết hợp giữa xe tự hành và máy bay không người lái để phát triển một nền tảng robot quản lý cây trồng và cỏ dại [6]. Đối với các mô hình này thì khối phát hiện và phân loại các đối tượng cây trồng, cỏ dại đóng vai trò quan trọng. Việc phát hiện cỏ dại thường được tiến hành thông qua hình ảnh thu hoặc từ camera màu thông thường hoặc kết hợp với camera cận hồng ngoại. Việc sử dụng camera thông thường có ưu điểm về giá thành. Tuy có giá thành cao nhưng camera cận hồng ngoại lại có lợi thế hơn do bức xạ trong dải tần này được phản xạ mạnh bởi lá cây. Phương pháp chung để phát hiện cây trồng, cỏ dại là phân vùng ảnh theo màu sắc trong các không gian màu khác nhau như HSV, Lab, … [3]. Tuy nhiên, phương pháp này bị ảnh hưởng nhiều bởi sự đa dạng và phức tạp về màu sắc của cây trồng và nhiễu ánh sáng từ môi trường. Việc phân loại cây trồng và cỏ dại được thực hiện thông qua các mô hình học máy (machine learning) với các đặc trưng đầu vào liên quan đến hình dáng, cấu trúc, gradient, … [4, 5].

Trong thời gian gần đây, với sự phát triển của kỹ thuật học sâu (deep learning), các bài toán phát hiện và phân loại đối tượng được giải quyết hiệu quả. Các nghiên cứu [7-12] đã đề xuất các mô hình phát hiện đối tượng, phù hợp với các tiêu chí ứng dụng khác nhau như độ chính xác, tốc độ xử lý, … Các mô hình phát hiện đối tượng dựa trên kỹ thuật học sâu được chia thành 2 loại cơ bản như sau [7]: Thứ nhất, các mô hình như R-CNN [8], Fast R- CNN [9], … đưa ra các vùng đề xuất và thực hiện phân loại đối tượng cho các vùng này; Thứ hai, các mô hình như YOLO [10, 11], SSD [12], … thực hiện phép hồi quy để dự đoán các thông tin về vị trí và phân loại đối tượng dựa trên các đặc trưng phân tích được từ ảnh thông qua mạng nơ-ron tích chập. Các mô hình dựa trên vùng đề xuất có lợi thế về độ chính xác đối với định vị đối tượng nhưng có tốc độ xử lý chậm. Trong khi đó, các mô hình dựa trên hồi quy có ưu điểm về tốc độ xử lý nhanh và độ chính xác đối với phân loại đối tượng.

Trong bài báo này, nhóm tác giả đề xuất một thiết kế robot diệt cỏ tự động với khối phát hiện, phân loại và định vị đối tượng được xây dựng dựa trên mô hình học sâu. So với các nghiên cứu liên quan [3-6], nhóm tác giả có 3 đóng góp chính trong nghiên cứu này. Cụ thể như sau: Thứ nhất, nhóm tác giả đề xuất một thiết kế khung robot với cơ cấu đầu kẹp để nhổ cỏ nhằm tránh sử dụng hóa chất diệt cỏ. Dựa vào thiết kế này, chế tạo một nguyên mẫu để kiểm thử và đánh giá; Thứ hai, áp dụng mô hình học sâu với cơ sở dữ liệu được thu thập thực tế để phát hiện và phân loại đối tượng đối tượng cây trồng, cỏ dại; Thứ ba, đề xuất phương pháp xác định tọa độ 3D của các điểm quan tâm từ tọa độ ảnh tương ứng dựa vào mô hình camera.

Qua quá trình nghiên cứu có thể kết luận một hệ thống robot diệt cỏ tự động dựa trên phân tích hình ảnh bằng kỹ thuật học sâu; Đưa ra một thiết kế khung robot theo hệ Prusa với cơ cấu kẹp để nhổ cỏ; Mô hình YOLO được áp dụng để thực hiện phát hiện đối tượng. Nhóm tác giả đã xây dựng một nguyên mẫu của robot theo thiết kế đề xuất. Kết quả thí nghiệm cho thấy, hệ thống có khả năng phát hiện đối tượng và xác định tọa độ 3D của đối tượng với độ chính xác cao. Hướng nghiên cứu tiếp theo sẽ phát triển khối định vị và định hướng để robot có thể tự hành.

nhahuy (TH)