Content uploaded by Tran Anh Tu
Author content
All content in this area was uploaded by Tran Anh Tu on Nov 23, 2021
Content may be subject to copyright.
HỘI NGHỊ KHOA HỌC & CÔNG NGHỆ TRẺ BÁCH KHOA 2019
1
Tóm tắt — Với mục tiêu sử dụng viễn thám
Drone kết hợp với học máy có giám sát mã nguồn
mở và GIS để đánh giá hiệu quả trồng cây phục hồi
cải tạo môi trường mỏ tại mỏ titan X - tỉnh Bình
Thuận, bài báo tập trình bày kết quả xây dựng một
mô hình thử nghiệm nhận dạng cây trồng từ ảnh
độ phân giải cao. Trong mô hình thử nghiệm này,
nhóm tác giả đã kết hợp thuật toán học máy có
giám sát mã nguồn mở viết bằng ngôn ngữ Python
giúp nhận dạng đối tượng cây phi lao trên một
vùng ảnh Drone có kích thước 600x600 pixel. Kết
quả nhận dạng số lượng cây chính xác đạt trên
96% với mật độ cây trồng đạt 1,605 cây/ha. . Các
lợi ích mà công cụ có thể đem lại là giảm thời gian
khảo sát, chi phí nhân công và cho kết quả chính
xác hơn.
Từ khóa — Nhận dạng cây trồng, học máy có
giám sát, viễm thám Drone, công cụ mã nguồn mở,
phục hồi cải tạo mỏ, mỏ titan.
1GIỚI THIỆU
heo báo cáo của Tổng cục Địa chất và
Khoáng sản Việt Nam, tổng trữ lượng
quặng titan của Bình Thuận tính đến
tháng 1/2013 là 599 triệu tấn. Việc khai thác titan
ở Bình Thuận được đánh giá có nhiều tác động
đến cảnh quang, đặc biệt trên địa hình cồn cát
nếu không có lớp phủ thực vật sẽ dẫn đến các
hiện tượng cát bay và cát xâm lấn vào các khu
vực canh tác nông nghiệm lân cận. Do đó, công
tác trồng cây cải tạo, phục hồi môi trường bắt
buộc phải thực hiện theo hình thức cuốn chiếu.
Công tác khai thác thực hiện theo các bước gồm
lớp thực phủ được loại bỏ sau đó tách
quặng/khoáng vật năng ra khỏi cát thạch anh nhẹ
hơn, cát thạch anh sau đó được bơm ngược về
phía sau theo hướng khai thác để hoàn thổ. Sau
hoàn thổ thì loại cây trồng bản địa được lựa chọn
để trồng cây phục hồi môi trường mỏ là cây phi
lao. Theo quy trình kỹ thuật trồng rừng phi lao tại
Bình Thuận thì mật độ trồng rừng thuần được
quy định là 2500 cây/ha, hàng cách hàng 2 m,
cây cách cây 2 m[4].
Tuy nhiên, việc đánh giá hiệu quả trồng cây
phục hồi cải tạo môi trường mỏ titan hiện có rất ít
nghiên cứu. Gần đây nhất là nghiên cứu “Ứng
dụng GIS và viễn thám giám sát việc thực hiện
cải tạo, phục hồi môi trường mỏ titan X, tỉnh
Bình Thuận”, 2018[1]. Theo đó, các dữ liệu ảnh
vệ tinh độ phân giải 15 m được sử dụng nên công
tác giám sát từng cây và mật độ chưa đạt dược.
Mục tiêu của bài báo này tập trung trình bày
mô hình thử nghiệm giúp nhận diện cây phi lao
từ không ảnh Drone, đếm số lượng cây và tính
mật độ cây trồng để làm cơ sở đánh giá hiệu quả
trồng cây phục hồi cải tạo môi trường mỏ titan.
2KHU VỰC NGHIÊN CỨU
Mỏ titan X với tổng diện tích khai thác là
807.2 ha thuộc thành phố Phan Thiết, tỉnh Bình
Thuận, nằm về phía Đông - Đông Bắc thành phố
Phan Thiết khoảng 20 km.
Thời điểm mỏ được cấp phép hoạt động là
năm 2011, tổng thời gian khai thác là 25 năm.
Trong quá trình khai thác gần 589.8 ha sẽ được
trả lại cho dự án xây dựng khu đô thị; phần diện
tích còn lại, diện tích khoảng 217.4 ha sẽ thực
hiện vào các mục đích quy hoạch khác[4].
Hình 1 Vị trí vùng nghiên cứu
Mỏ tiến theo hướng Bắc và hoàn thổ để trồng
cây phía nam nên vùng được chọn nghiên cứu
cây có tuổi dưới 04 năm và mật độ thưa dày khác
nhau. Hình 1, ô vuông màu đỏ là vị trí của vùng
ảnh chọn để thử nghiệm trên nền ảnh Drone.
ỨNG DỤNG CÔNG NGHỆ DRONE VÀ GIS ĐÁNH GIÁ HIỆU QUẢ TRỒNG CÂY
PHỤC HỒI CẢI TẠO MÔI TRƯỜNG MỎ TITAN X
Nguyễn Hữu Thi (1), Trần Anh Tú (1), Ngô Minh Mẫn(2) , Hồ Lâm Trường(3), Nguyễn Thế Được (1)
(1) Trường Đại học Bách Khoa Tp. Hồ Chí Minh. (2)Viện John Von Neumann.
(3) Trung tâm Vũ trụ Việt Nam.
T
HỘI NGHỊ KHOA HỌC & CÔNG NGHỆ TRẺ BÁCH KHOA 2019
2
3PHƯƠNG PHÁP NGHIÊN CỨU
3.1 Đặc điểm ảnh
Bộ dữ liệu không ảnh drone bao gồm 27 ảnh
Drone được nhóm tác giả thu thập được nhờ
phương pháp thực địa. Đặc điểm của bộ ảnh
được thể hiện theo Bảng 1.
Bảng 1: Đặc điểm bộ ảnh tháng 6/2018
Định dạng
JPG
Số lượng
27
Tổng dung lượng
194 MB
Thời điểm
11:00 sáng ngày 23/6/2018
Thời tiết
Nắng tốt
Thời gian bay
Xấp xỉ 5 phút
Độ cao bay
150 m
Độ phân giải
không gian
3.88 cm/ pixel
Diện tích bao phủ
15.44 ha
3.2 Phương pháp tiền xử lý ảnh
Phương pháp tiền xử lý ảnh được áp dụng
nhằm chuẩn bị dữ liệu đầu vào cho máy học bao
gồm:
Thay đổi định dạng của bộ dữ liệu ảnh từ
định dạng JPG sang GEOTIFF
Chuyển dữ liệu ảnh từ ảnh màu 3 kênh
RGB sang ảnh đơn sắc
Chọn ngẫu nhiên một ảnh từ bộ dữ liệu
ảnh đơn sắc, điều chỉnh histogram cấp
độ xám (CĐX) theo phương pháp biến
đổi độ xám tuyến tính. Ngưỡng giảm
nhiễu được chọn bao gồm một ngưỡng
xám trên ymax và ngưỡng xám dưới ymin.
Chênh lệch ymax, ymin càng nhỏ thì ảnh
sau điều chỉnh càng rõ nét và ymin và
ymax rơi vào khoảng giữa ở giữa hai đỉnh
trên histogram theo độ xám cây trồng và
đất nền phổ biến nhất. Điều chỉnh và
quan sát histogram ta chọn được
ngưỡng xám dưới tối ưu (hình 2 và hình
3) và đọc được giá trị phần trăm tích lũy
của ngưỡng xám dưới[2].
Với:
y – giá trị CĐX của pixel trên ảnh đã biến đổi
x – giá trị CĐX của pixel trên ảnh gốc
xmin – giá trị CĐX nhỏ nhất trên ảnh gốc
xmax – giá trị CĐX lớn nhất trên ảnh gốc
ymin – giá trị CĐX nhỏ nhất trên ảnh biến đổi
ymax – giá trị CĐX lớn nhất trên ảnh biến đổi
Hình 2 Histogram ban đầu của ảnh
Hình 3 Histogram của ảnh sau khi điều chỉnh
3.3 Phương pháp học máy có giám sát
Quá trình tập huấn máy học học có giám sát
được thực hiện thông qua việc xây dựng code và
tiến hành tập huấn máy học với đoạn code
T6_tree_detection được viết bằng ngôn ngữ
Python do nhóm tác giả tự xây dựng như sau:
#code T6_tree_detection
import os
import numpy as np
import tifffile as tiff
import cv2
import matplotlib.pyplot as plt
from skimage.segmentation import slic, m
ark_boundaries
def gray(image_id):
filename =os.path.join('E:\\Thi\\de
mo\\T6\\T6TIF','{}.tif'.format(image_i
d))
img =tiff.imread(filename)
img =np.rollaxis(img, 0,3)
t=np.zeros_like(img[:,:,0]) t
=0.299*img[:,:,0]+0.587*img[:,:,1]+0.114
*img[:,:,2]
return t.astype(np.uint8)
def region(size, sx, sy):
region_obs=grayT6[sx:sx+size, sy:sy+
size]
return region_obs
def Supervised_learning(size, forecast):
img_region=treeT6_background
img_histogram=treeT6_background
n=size*size
gray=[img_histogram[0,0]]
f_list=[]
for iin range(size):
for jin range(size):
if (img_region[i,j] not in g
ray): gray=gray+[img_region[i,j]]
HỘI NGHỊ KHOA HỌC & CÔNG NGHỆ TRẺ BÁCH KHOA 2019
3
gray.sort(reverse=False)
f=0
sf=0
for xin range(len(gray)):
for iin range(size):
for jin range(size):
if (img_histogram[i,j]==
gray[x]): f=f+1
if (i==size-1)&(j==size-
1):
sf=sf+f
f_list=f_list+
[f]
f=0
peak_id=0
for yin range(len(f_list)):
if (sum(f_list[0:y+1])/n)>=forec
ast :
peak_id=y
break
peak=gray[peak_id]
for iin range(size):
for jin range(size):
if (img_region[i,j]<=peak):
img_region[i,j]=255
else: img_region[i,j]=0
return img_region, gray, peak
grayT6=gray('693')
plt.figure(1)
plt.imshow(grayT6)
cv2.imwrite(os.path.join('E:\\Thi\\demo\
\T6' ,'grayT6.tif'), grayT6)
size=600
treeT6_background=region(size, 600,290
0)
cv2.imwrite(os.path.join('E:\\Thi\\demo\
\T6' ,'treeT6_background.tif'), treeT6_
background)
plt.figure(2)
plt.imshow(treeT6_background)
forecast=0.07
treeT6_raster, d, e =Supervised_learning
(size, forecast)
cv2.imwrite(os.path.join('E:\\Thi\\demo\
\T6' ,'treeT6_raster2.tif'), treeT6_ras
ter)
plt.figure(3)
plt.imshow(treeT6_raster)
print(d, e)
Nhóm tác giả đã xây dựng 3 hàm chính sau:
1/ Hàm gray(image_id), có chức năng chuyển
ảnh từ ảnh màu 3 kênh RGB sang ảnh đơn sắc.
Tham số truyền đầu vào là tên ảnh image_id, kết
quả trả về ở đầu ra là ảnh đơn sắc (hình 4).
2/ Hàm region(size, sx, sy), có chức năng chọn ra
vùng ảnh hình vuông để nhận dạng cây trồng.
Tham số truyền đầu vào là kích thước của vùng
ảnh (size), tọa độ điểm gốc phía trên bên trái của
vùng ảnh (sx, sy) trong hệ tọa độ của ảnh gốc, khi
size=600 kết quả trả về ở đầu ra là vùng ảnh đơn
sắc có kích thước 600x600 pixel như thể hiện
trên hình 5.
3/ Hàm Supervised_learning (size, forecast) là
hàm tập huấn máy học giúp phân loại đối tượng
cây trồng và gán cho những pixel là cây trồng giá
trị 255. Tham số truyền đầu vào là kích thước
vùng ảnh (size), phần trăm tích lũy của giá trị
ngưỡng xám dưới trong đồ thị histogram
(forecast). Kết quả trả về là dữ liệu raster cây
trồng (hình 6), các pixel có giá trị 255 là cây
trồng; các giá trị cấp độ xám trong vùng ảnh
được chọn; và giá trị ngưỡng nhận dạng cây
trồng (peak), ymin=peak, ymax = peak+1. Nếu
kết quả trả về không như mong đợi thì ta quay lại
điều chỉnh thông số forecast cho máy học nhận
dạng lại. Tiếp tục quá trình tập huấn đến khi nhận
đươc kết quả nhận dạng cây trồng tối ưu.
Hình 4 Ảnh sau khi đưa về ảnh đơn sắc
Hình 5 Vùng ảnh được chọn
3.4 . Phương pháp phân tích raster
Ảnh raster cây trồng được làm làm đầy các vùng
raster chưa kín, sau đó loại bỏ các vùng raster có
số lượng pixel quá nhỏ dưới 10 pixel
HỘI NGHỊ KHOA HỌC & CÔNG NGHỆ TRẺ BÁCH KHOA 2019
4
Hình 6 Ảnh raster cây trồng
Hình 8 Đánh giá sai số của phương pháp
4KẾT QUẢ
4.1 Số lượng cây trồng
Tổng số cây nhận diện được là 87 cây và được
kiểm tra bằng cách chồng lớp polygon cây
trồng(hình 7) lên trên lớp ảnh đầu ra của hàm
region(size, x,y), cho thấy số lượng cây mà mô
hình này chưa nhận dạng được là 3 cây (nằm
trong vòng tròn màu đỏ), tức đạt độ tin cậy là
96,67%, hình 8.
4.2 Mật độ cây trồng
Kết hợp với độ phân giải không gian của ảnh là
3.88 cm/pixel, đối với vùng ảnh 600x600pixel
thì diện tích của vùng ảnh khi quy đổi ra thực tế
là 5,419,584 cm2, tức là gần 542 m2. Như vậy,
mật độ cây trồng trong vùng ảnh nghiên cứu là
87 cây / 542 m2, có thể quy đổi là gần 1605
cây/ha.
5 KẾT LUẬN
Từ kết quả nhận dạng cây trồng của mô hình
rất khả quan, trên 96%, nhóm tác giả đưa ra một
số kết luận như sau:
Thứ nhất, số lượng 3 cây mà mô hình chưa
nhận dạng được có thể cây chết.
Thứ hai, kết quả nhận dạng cây ở dạng dữ liệu
polygon có thể ứng dụng cho các mô hình thống
kê tán lá, theo dõi tốc độ phát triển tán lá trong
tương lai.
Thứ ba,26 ảnh còn lại được ghép lại để tạo ảnh
lớn và triển khai mở rộng hơn 600x600 pixel với
phương pháp tương tự.
Cuối cùng, việc kết hợp các công nghệ viễn
thám Drone, học máy có giám sát mã nguồn mở
và GIS vào công tác quản lý và đánh giá hiệu quả
phục hồi cải tạo môi trường mỏ có rất nhiều tiềm
năng để tiếp tục phát triển và ứng dụng/ Phương
hướng hoàn thiện của mô hình này là phát triển
thành một công cụ chuyên nghiệp và tin cậy hỗ
trợ chính quyền địa phương và nhà quản lý mỏ sử
dụng, tiến xa hơn có thể hỗ trợ theo dõi cây trồng
ở các nông trại nông nghiệp công nghệ cao.
TÀI LIỆU THAM KHẢO
[1] Bùi Thị Tuyết Ngân, Trần Anh Tú,
Nguyễn Thế Được, “Ứng dụng GIS và viễn thám
giám sát việc thực hiện cải tạo, phục hồi môi
trường mỏ titan X, tỉnh Bình Thuận”, 2018
[2] Lương Mạnh Bá, Nguyễn Thanh Thủy,
“Nhập môn xử lý ảnh số”, Nhà xuất bản Khoa
học và kỹ thuật, 2003
[3] Tom M. Mitchell, “Machine learing”,
McGraw-Hill Science/Engineering/Math, 1997
[4] Công ty TNHH X, “Đề án cải tạo phục
hồi môi trường và ký quỹ cải tạo phục hồi môi
trường dự án đầu tư xây dựng công trình khai
thác và tuyển thô quặng sa khoáng tita-zircon tại
khu vực Long Sơn- Suối Nước, phường Mũi Né,
thành phố Phan Thiết, tỉnh Bình Thuận”,
Hình 7 Các polygon cây trồng
HỘI NGHỊ KHOA HỌC & CÔNG NGHỆ TRẺ BÁCH KHOA 2019
5
APPLICATION DRONE AND GIS TECHNOLOGY FOR
EVALUATING THE EFFICIENCY OF PLANTING
RECOVERY PLANT FOR TITAN X
Thi Nguyen Huu(1), Tu Tran Anh(1), Man Ngo Minh(2), Truong Ho Lam(3), Duoc Nguyen The(1)
(1)HCMUT, (2)JVN, (3)VNSC
Abstract — Along with the goal of using Drone images in combination with machine learning integrated to
open source and GIS tools to evaluate the effectiveness of planting trees to recover the mine environment at X
titanium mine - Binh Thuan province, this paper focuses on a pilot model to detect casuarina trees on high
resolution image. This this pilot model, the input data is a drone image with 600x600 pixels Drone image
was processed by supervised classification method and Python. The successful detection number of trees is over
96% and tree density is 1.605 trees per ha. In the future it is possible to complete this model as a tool integrated
into GIS to monitor crop management in general and mine rehabilitation management in particular. The
benefits that the tool can decrease survey time or labor cost, and get more accuracy results.
Index Terms: Object detection, Tree detection, Supervised learning, Open source tools, Drone, mine
rehabilitation, Titanium mining