BỘ KHOA HỌC VÀ CÔNG NGHỆ
HỆ THỐNG THÔNG TIN QUỐC GIA VỀ KHOA HỌC, CÔNG NGHỆ VÀ ĐỔI MỚI SÁNG TẠO

Lọc theo danh mục
  • Năm xuất bản
    Xem thêm
  • Lĩnh vực
liên kết website
Lượt truy cập
 Lượt truy cập :  30,391,966
  • Công bố khoa học và công nghệ Việt Nam

50

Khoa học máy tính

Phạm Thế Anh, Trịnh Thị Anh Loan(1), Nguyễn Tuấn Anh

Ứng dụng trí tuệ nhân tạo thúc đẩy chuyển đổi số trong lĩnh vực kiểm lâm

An application of artificial intelligence for boosting digital transformation in the field of forest management

Khoa học (Đại học Hạ Long)

2022

5

15-24

2815-5521

Cutout, Deep learning, Mixup, MobileNetV3

Cutout, Deep learning, Mixup, MobileNetV3

Chuyển đổi số đã và đang tác động mạnh mẽ đến mọi lĩnh vực và đóng vai trò quan trọng thúc đẩy phát triển nhanh và bền vững kinh tế – xã hội. Nhằm đẩy mạnh chuyển đổi số trong lĩnh vực kiểm lâm, bài báo này nghiên cứu ứng dụng công nghệ trí tuệ nhân tạo trên thiết bị di động (mobile app) để giải quyết hiệu quả bài toán nhận dạng các loài động thực vật quý hiếm phục vụ công tác nghiệp vụ của ngành kiểm lâm. Bài báo sử dụng mô hình mạng nơron nhân chập MobileNetV3 thông qua kỹ thuật học chuyển tiếp (transfer learning) để tối ưu thời gian xử lý và nâng cao độ chính xác nhận dạng. Ngoài ra, bài báo cũng tìm hiểu, nghiên cứu các kỹ thuật tăng cường dữ liệu (data augmentation) hiện đại và làm trơn nhãn (label smoothing) để nâng cao hiệu năng của mô hình khi đưa vào sử dụng trong thực tế. Kết quả nhận dạng cho thấy hệ thống hoạt động khá hiệu quả trên các thiết bị di động (Android và iOS), đồng thời cho độ chính xác nhận dạng khá cao.

Digital transformation has been strongly affecting many factors of different fields and is a crucial tool to enable the fast and sustainable development of economy and the modern society. This paper focuses on studying and applying artificial intelligence, specifically its sub-domain in deep learning, to create a case study of digital transformation in the area of forest management with a particular emphasis on solving the problem of animal and plant recognition. Specifically, the paper proposes using the MobileNetV3 as the backbone network because of its advantages in efficiency and accuracy. Following that, optimized learning techniques such as soft labeling, data augmentation, and transfer learning were used to improve generality and performance. Experimental results showed that the model performs well in terms of both recognition accuracy and inference time in comparison with other methods. Finally, we have developed an application on mobile platforms (iOS and Android) and the deployment test showed promising performance.

TTKHCNQG, CVv 538

Xem toàn văn