Trí tuệ nhân tạo (AI) đang dần trở thành công cụ quan trọng trong nhiều lĩnh vực, và ngành nuôi trồng thủy sản cũng không ngoại lệ. Trong bối cảnh ngành nuôi tôm đang đối mặt với những thách thức lớn do dịch bệnh gây ra, một nghiên cứu mới của các nhà khoa học đến từ Trường Đại học Nha Trang đã mở ra triển vọng mới cho việc ứng dụng AI vào tự động hóa chẩn đoán bệnh cho tôm sú (Penaeus monodon). Nghiên cứu này không chỉ giúp tăng hiệu quả chẩn đoán mà còn tiết kiệm chi phí và thời gian, góp phần vào sự phát triển bền vững của ngành tôm Việt Nam.
Tổng quan về ngành nuôi tôm và vấn đề dịch bệnh
Nuôi tôm là một trong những ngành kinh tế mũi nhọn của Việt Nam, đặc biệt là ở khu vực Đồng bằng sông Cửu Long, nơi có điều kiện thuận lợi cho việc nuôi trồng thủy sản. Theo Hiệp hội Chế biến và Xuất khẩu Thủy sản Việt Nam (VASEP), Việt Nam hiện là một trong những quốc gia sản xuất tôm sú hàng đầu thế giới, với diện tích nuôi hơn 600.000 ha và sản lượng lên đến 300.000 tấn mỗi năm. Xuất khẩu tôm đóng góp từ 13 đến 14% tổng giá trị xuất khẩu tôm toàn cầu, giải quyết việc làm cho hơn 3 triệu lao động. Tuy nhiên, dịch bệnh luôn là mối đe dọa lớn đối với ngành công nghiệp này. Các bệnh phổ biến như Hội chứng tử vong sớm (EMS), bệnh đốm trắng (WSSV), bệnh phân trắng (WFS), và bệnh đầu vàng (YHV) đã gây thiệt hại nghiêm trọng. Sự lây lan nhanh chóng của dịch bệnh trong môi trường nuôi tôm có mật độ cao đòi hỏi những phương pháp chẩn đoán nhanh và chính xác để kịp thời phát hiện và kiểm soát dịch bệnh.
Trí tuệ nhân tạo: Bước tiến mới trong chẩn đoán bệnh tôm
Nhóm nghiên cứu do Nguyễn Đình Hưng và cộng sự (2024) thực hiện đã áp dụng các kỹ thuật AI tiên tiến trong lĩnh vực thị giác máy tính để phát triển hệ thống tự động nhận dạng bệnh trên tôm sú. Các công cụ AI, đặc biệt là mô hình mạng neural tích chập (Convolutional Neural Network - CNN), đã được huấn luyện để nhận diện hình ảnh các loại bệnh thường gặp trên tôm thông qua các dấu hiệu đặc trưng trên bề mặt cơ thể tôm. Hình 1. Cấu trúc cơ bản của mô hình CNN
Các loại bệnh tôm được chẩn đoán
Nghiên cứu này tập trung vào bốn loại bệnh thường gặp trên tôm sú tại Việt Nam:
Đen mang (Black Gill Disease): Bệnh này làm cho mang của tôm chuyển sang màu đen, ảnh hưởng đến chức năng hô hấp của tôm.
Đốm đen (Black Spot Disease): Được nhận diện qua các đốm đen trên cơ thể tôm, thường xuất hiện khi tôm bị nhiễm vi khuẩn hoặc tổn thương mô.
Đốm trắng (White Spot Syndrome Virus - WSSV): Là một trong những bệnh nguy hiểm nhất, với triệu chứng là các đốm trắng trên vỏ tôm và tỷ lệ chết cao.
Hoại tử cơ (Infectious Myonecrosis - IMN): Bệnh này gây hoại tử các mô cơ, làm cho tôm suy yếu và có thể dẫn đến chết hàng loạt.
Công nghệ AI và mô hình CNN
Hệ thống AI được phát triển dựa trên mô hình mạng neural tích chập (Convolutional Neural Network - CNN), một kỹ thuật được sử dụng phổ biến trong các ứng dụng nhận diện hình ảnh. Mô hình CNN có khả năng học các đặc trưng từ dữ liệu hình ảnh thông qua các lớp mạng, giúp nhận diện các dấu hiệu bệnh trên tôm một cách tự động. Để đạt được độ chính xác cao, nhóm nghiên cứu đã sử dụng một phiên bản cải tiến của CNN, đó là mô hình EfficientNet-B4. Đây là mô hình nổi bật với khả năng xử lý tốt các dữ liệu hình ảnh phức tạp mà vẫn đảm bảo tốc độ và hiệu suất cao. Mô hình này sử dụng kỹ thuật học chuyển giao (transfer learning), một phương pháp giúp tái sử dụng kiến thức từ các mô hình đã được huấn luyện trên các tập dữ liệu lớn (như ImageNet) và áp dụng vào bài toán nhận diện bệnh tôm.
Phương pháp nghiên cứu và triển khai hệ thống AI
Bộ dữ liệu đầu vào gồm 473 hình ảnh về tôm, trong đó có tôm khỏe mạnh và tôm mắc bốn loại bệnh kể trên. Để tăng cường độ chính xác của mô hình, các kỹ thuật tăng cường dữ liệu (data augmentation) như xoay ảnh, lật ảnh, và cắt ảnh được áp dụng, tạo ra 1892 ảnh từ bộ dữ liệu gốc. Nhóm nghiên cứu cũng áp dụng kỹ thuật loại bỏ nền tự động để giữ lại các chi tiết quan trọng trong hình ảnh của tôm, nhờ đó nâng cao hiệu quả nhận diện.
Hình 2. Sơ đồ quy trình huấn luyện mô hình phân loại bệnh tôm qua ảnh Hình 3. Kết quả xử lý loại bỏ hình nền tự động. Bên trái: Ảnh ban đầu, bên phải: ảnh thu được sau khi xử lý
Kết quả nghiên cứu
Độ chính xác (accuracy) được dùng để đánh giá hiệu năng của mô hình nhận dạng, thể hiện qua công thức sau: Độ chính xác = Số mẫu dự đoán đúng tổng số mẫu dự đoán x 100% Bảng 1 thể hiện độ chính xác của các mô hình nhận dạng bệnh tôm trên bộ dữ liệu kiểm thử. Kết quả thực nghiệm cho thấy năm mô hình CNN đều cho độ chính xác dự đoán trên 80%, giá trị trung bình là 84.7%, trong đó mô hình Effi cient Net - B4 có độ chính xác cao nhất (87.58%). Kết quả dự đoán với một ảnh mẫu vật được minh họa trong Hình 5 với mô hình Effi cient Net - B4, thể hiện giá trị dự đoán chính xác (tôm bị bệnh đốm đen). Bảng 1. Độ chính xác của các mô hình CNN sau huấn luyện
STT
Mô hình
Số lượng tham số (đơn vị tính: triệu)
Độ chính xác (%)
1
Resnet18 [12]
11.7
82.35
2
Resnet50 [12
25.6
87.23
3
Resnet101 [12]
44.5
85.71
4
Effi cient Net - B0 [13]
5.3
80.61
5
Effi cient Net - B4 [13]
19.3
87.58
Nhóm tác giả thực nghiệm với hai mô hình phân lớp MobileNet-V1 và Inception-V3 với số chu trình huấn luyện đến 3000 epoch, có sử dụng kỹ thuật tìm kiếm lưới (grid search) để tìm mô hình tối ưu. Ngoài ra, trong nghiên cứu [6] hệ thống dự đoán bệnh tôm chưa hoàn toàn tự động do áp dụng xử lý loại bỏ ảnh nền được thực hiện bằng tay. Độ chính xác cao nhất đạt được là 90,02% với mô hình Inception-V3. Trong nghiên cứu này, chúng tôi thiết lập hệ thống nhận dạng cho phép quá trình nhận dạng từ ảnh đầu vào đến kết quả đầu ra hoàn toàn tự động. Khi thực nghiệm với số chu trình huấn luyện 1000 epoch và tốc độ cập nhật là 0.01, độ chính xác thu được tương đương với kết quả của nghiên cứu này.
Hình 4: Đồ thị thể hiện độ chính xác (accuracy) của mô hình thu được trong quá trình huấn luyện
Đồ thị biểu diễn độ chính xác của mô hình Effi cient Net - B0 trong quá trình huấn luyện. Trong đó đồ thị màu xanh thể hiện độ chính xác thu được trên bộ dữ liệu huấn luyện, đồ thị màu vàng thể hiện độ chính xác thu được trên bộ dữ liệu kiểm thử. Đồ thị cho thấy trong quá trình huấn luyện, độ chính xác của mô hình CNN tăng lên rất nhanh trong những epoch đầu tiên, sau đó tăng thêm rất ít hoặc không đổi. Để gia tăng độ chính xác cần huấn luyện với bộ dữ liệu lớn hơn và/hoặc thử nghiệm với mô hình nhận dạng tốt hơn Hình 5. Kết quả dự đoán với hai mẫu ảnh
Tổng kết
Nghiên cứu này khảo sát thực nghiệm ứng dụng trí tuệ nhân tạo (AI) trong tự động hóa quá trình nhận dạng bệnh trên tôm sú (Penaeus monodon). Mô hình mạng neural tích chập (CNN) được sử dụng để huấn luyện hệ thống chẩn đoán bệnh tôm từ hình ảnh mẫu vật. Nghiên cứu cũng đề xuất một hệ thống nhận dạng bệnh tôm hoàn toàn tự động ứng dụng kỹ thuật học sâu (DL). Kết quả thực nghiệm cho thấy hệ thống nhận dạng đạt độ chính xác cao nhất là 87.58% với mô hình phân lớp Effi cient Net - B4. Kết quả nghiên cứu cho thấy tiềm năng của ứng dụng AI vào dự đoán bệnh tôm, giúp giảm thiểu thời gian và chi phí so với phương pháp truyền thống, góp phần hạn chế thiệt hại của dịch bệnh gây ra đối với công nghiệp nuôi tôm.
x 100%
