Seminar: “Phát hiện bất thường tổ ong dựa trên kết quả đếm ong tại cửa tổ”

Vào lúc 14h00 ngày 01/8/2025, tại Phòng P307 - Trung tâm Nghiên cứu Xuất sắc và Đổi mới Sáng tạo, Nhóm Nghiên cứu mạnh (NCM) “Dữ liệu lớn và Chuyển đổi số” đã tổ chức buổi seminar học thuật với sự tham gia của các giảng viên, nhà nghiên cứu quan tâm đến lĩnh vực công nghệ số, dữ liệu lớn và ứng dụng thực tiễn trong nông nghiệp.

ThS. Lê Thị Nhung trình bày báo cáo

Trong khuôn khổ buổi seminar, ThS. Lê Thị Nhung đã trình bày về ý tưởng “Phát hiện bất thường tổ ong dựa trên kết quả đếm ong tại cửa tổ” được đề xuất trong khuôn khổ đề tài KC-4.0-20/19-25 (Học viện Nông nghiệp Việt Nam chủ trì) bởi nhóm nghiên cứu thuộc SigM Lab, Trường Điện-Điện tử, Đại học Bách khoa Hà Nội. Theo đó, mô hình YOLO (You Only Look Once) đã được sử dụng để phát hiện và đếm số lượng ong trong các khung hình được trích xuất từ các video thu nhận tại cửa tổ ong. YOLO là một mô hình phát hiện đối tượng tiên tiến với độ chính xác phát hiện cao và khả năng phát hiện thời gian thực. Sau sự ra đời của phiên bản đầu tiên YOLOv1 (Y. Redmon và cộng sự, 2016), kiến trúc YOLO đã không ngừng được cải tiến qua một loạt các phiên bản khác nhau nhằm cải thiện độ chính xác phát hiện, tối ưu hóa hiệu suất tính toán và giải quyết các thách thức đối với bài toán phát hiện đối tượng trên các tập dữ liệu khác nhau. Phiên bản YOLOv5 (G. Jocher và cộng sự, 2020) được xem là một mô hình phát hiện đối tượng mạnh mẽ, cân bằng giữa độ chính xác phát hiện và thời gian thực thi, phù hợp với các ứng dụng thời gian thực. Kiến trúc của YOLOv5 gồm 3 thành phần chính: Backbone là CSP‑Darknet53; Neck, bao gồm Spatial Pyramid Pooling - Fast (SPPF) và Path Aggregation Network (PANet); và Head (YOLOv3 Head). Với những cải tiến trong chiến lược tăng cường dữ liệu, phương pháp huấn luyện và kỹ thuật tính toán loss, YOLOv5 cho phép cải thiện các ứng dụng phát hiện đối tượng trong nhiều lĩnh vực như giám sát, xe tự hành và nhận dạng hình ảnh.

Khi sử dụng để phát hiện và đếm ong, YOLOv5 cho kết quả phát hiện với độ chính xác cao. Dựa trên kết quả phát hiện và đếm ong, trung bình chuỗi giá trị số lượng ong đếm được tại một thời điểm xác định trong nhiều ngày liên tiếp được tính toán, là cơ sở để xác định mức độ biến động số lượng ong và đưa ra cảnh báo bất thường tới người nuôi ong. Kết quả thử nghiệm cho thấy, phương pháp đề xuất có độ tin cậy cao, có tiềm năng để triển khai trong thực tế. Điều này đã mở ra một hướng đi mới trong lĩnh vực giám sát sức khỏe đàn ong cũng như trong nghiên cứu và ứng dụng công nghệ số vào nông nghiệp.

Một số hình ảnh khác của buổi seminar:

Các thành viên trong nhóm tập trung lắng nghe bài trình bày

Diễn giả trao đổi, thảo luận cùng các thành viên trong nhóm

Khoa CNTT