Một phương pháp kết hợp muộn cho nhận dạng cây dựa trên nhiều ảnh bộ phận cây

 ISSN: 1859-2171 
e-ISSN: 2615-9562 
TNU Journal of Science and Technology 225(06): 541 - 547 
 Email: jst@tnu.edu.vn 541 
MỘT PHƯƠNG PHÁP KẾT HỢP MUỘN CHO NHẬN DẠNG CÂY 
DỰA TRÊN NHIỀU ẢNH BỘ PHẬN CÂY 
Nguyễn Thị Thanh Nhàn 
Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên 
TÓM TẮT 
Nhận dạng cây với mục đích là xác định tên của loài cây từ các ảnh quan sát được của loài cây. Các 
nghiên cứu trước đây thường mới tập trung cho kết hợp dựa trên hai bộ phận. Trong bài báo này, một 
phương pháp kết hợp muộn cho bài toán nhận dạng cây dựa trên nhiều ảnh bộ phận của cây được đề 
xuất áp dụng cho việc kết hợp từ hai cho đến sáu bộ phận của cây theo các bộ phận lá, hoa, quả, thân, 
cành, toàn bộ cây. Phương pháp này được xây dựng dựa trên việc kết hợp luật nhân và luật tổng có 
sử dụng trọng số gán cho bộ phận của cây. Việc nhận dạng đơn bộ phận được áp dụng phương pháp 
học sâu hiện đại. Các kết quả thực nghiệm đã chỉ ra hiệu quả của phương pháp đề xuất, vượt trội hơn 
so với các phương pháp kết hợp theo luật lớn nhất, luật tổng, luật nhân. Phương pháp cũng chỉ ra 
rằng càng kết hợp nhiều bộ phận thì độ chính xác đạt được càng cao. Phương pháp đề xuất đã đạt 
được độ chính xác cao nhất là 98,8% khi thực hiện kết hợp sáu bộ phận. 
Từ khóa: Kết hợp muộn; học sâu; luật nhân; luật tổng; nhận dạng cây 
Ngày nhận bài: 12/5/2020; Ngày hoàn thiện: 31/5/2020; Ngày duyệt đăng: 31/5/2020 
A LATE FUSION METHOD FOR MULTI-ORGAN PLANT IDENTIFICATION 
Nguyen Thi Thanh Nhan 
TNU - University of Information and Communication Technology 
ABSTRACT 
Plant identification that aims at determining the name of plant species from images of plant 
species’ observation. Previous studies have often focused on two organs. In this paper, a new late 
fusion method for multi-organ plant identification is proposed for combining two to six organs 
according to leaf, flower, fruit, stem, branch, entire. This method is based on combining the 
product rule and sum rule using weights assigned to plant organs. A deep learning method- a state 
of the art method- is applied for single organ identification. The experimental results have shown 
the effectiveness of the proposed method, it outperforms than max rule, sum rule, product rule. 
The results also indicate that the more organs are combined, the better the identification accuracy 
is. The proposed method achieves the highest accuracy of 98.8% when combining 6 organs. 
Keywords: late fusion; deep learning; product rule; sum rule; plant identification 
Received: 12/5/2020; Revised: 31/5/2020; Published: 31/5/2020 
Email:nttnhan@ictu.edu.vn 
Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 541 - 547 
542  Email: jst@tnu.edu.vn 
1. Giới thiệu 
Nhận dạng cây tự động bằng máy tính điện tử 
đang rất được quan tâm hiện nay với mục 
đích giúp cộng đồng người dùng dễ dàng 
nhận dạng được các cây cối họ quan tâm, từ 
đó giúp bảo tồn sự đa dạng của thực vật [1]. 
Các nghiên cứu trước đây thường tập trung 
nhận dạng cây dựa trên một bộ phận chủ yếu 
là lá và cũng đã đạt được một số kết quả ấn 
tượng. Tuy nhiên với một số lượng lớn các 
loài, độ chính xác nhận dạng cây dựa trên một 
bộ phận vẫn còn một số hạn chế. Hình ảnh 
của một bộ phận là không đủ thông tin để 
nhận dạng do sự giống nhau lớn giữa các loài 
khác nhau và sự khác biệt lớn giữa các ảnh 
cùng một bộ phận của loài cây. Gần đây các 
nghiên cứu đã chuyển sang tập trung nhận 
dạng cây dựa trên nhiều ảnh bộ phận của cây 
cho phép cung cấp nhiều thông tin của cây 
giúp cải thiện được kết quả nhận dạng cây, 
đặc biệt khi có sự ra đời của cơ sở dữ liệu cây 
được công bố và cập nhật hàng năm của cuộc 
thi nhận dạng cây trong khuôn khổ cuộc thi 
LifeCLEF với dữ liệu nhiều ảnh bộ phận của 
cây [2]-[6]. Tại một thời điểm quan sát, khi 
một bộ phận của cây không tồn tại, khi đó có 
thể xem xét việc kết hợp các bộ phận khác 
của cây. Đây là một nhu cầu thực tế khi một 
người dùng cố gắng nhận dạng cây dựa trên 
các quan sát khác nhau của một cây, điều này 
cũng đúng với quan điểm nhận dạng cây của 
các nhà thực vật học. Việc quan sát các bộ 
phận khác nhau của cây cho phép các nhà 
thực vật học phân biệt rõ các loài mà có thể 
gây ra nhầm lẫn nếu chỉ sử dụng một bộ phận 
của cây. 
Các phương pháp kết hợp kết quả nhận dạng 
cây dựa trên nhiều bộ phận có thể chia thành 
2 nhóm là các phương pháp kết hợp sớm và 
các phương pháp kết hợp muộn. Đầu tiên là 
các phương pháp kết hợp sớm thực hiện kết 
hợp các đặc trưng của các bộ phận cây khác 
nhau trước khi thực hiện phân lớp [7]. 
Thứ hai là các phương pháp kết hợp muộn, 
mỗi bộ phận sẽ thực hiện một bộ phân lớp 
riêng biệt, kết quả nhận dạng trên mỗi bộ 
phân lớp sẽ được kết hợp lại với nhau để cho 
ra kết quả nhận dạng cuối cùng. Phương pháp 
kết hợp muộn thường kết hợp dựa trên các độ 
tin cậy trả về. Có một số nghiên cứu đã áp 
dụng các phương pháp kết hợp muộn áp dụng 
cho nhận dạng cây từ các kết quả nhận dạng 
cây trên các bộ phận khác nhau của cây. Các 
phương pháp kết hợp thường sử dụng cho bài 
toán nhận dạng cây có thể kể đến như luật 
nhân [8], luật trung bình [9], luật lớn nhất, 
luật tổng [10], [11] luật nhỏ nhất [12], luật 
IprMNZ [4], luật bình chọn theo số đông 
(majority voting rule) [13], luật tổng có trọng 
số [14]. Các phương pháp này thường được 
sử dụng do tính đơn giản và hiệu quả của các 
phương pháp. Các nghiên cứu trước cũng đã 
chỉ ra nhận dạng cây dựa trên nhiều bộ phận 
cho kết quả tốt hơn là nhận dạng dựa trên một 
bộ phận [6], [15], [16], và mới tập trung cho 
nhận dạng dựa trên hai bộ phận của cây [9]. 
Với mục đích tiếp tục cải thiện khả năng kết 
hợp, bài báo đề xuất một phương pháp kết 
hợp mới bằng việc kết hợp các phương pháp 
kết hợp đã có, có sử dụng trọng số gán cho 
mỗi bộ phận của cây. Bài báo sẽ thực hiện kết 
hợp cho nhiều hơn bằng hai bộ phận. Với 
nhận dạng cây cho mỗi bộ phận, một phương 
pháp học sâu được áp dụng để nâng cao kết 
quả nhận dạng cây. 
Nội dung phần 2 trình bày chi tiết phương 
pháp đề xuất, phần 3 trình bày các kết quả đạt 
được và phần cuối là phần kết luận. 
2. Phương pháp kết hợp đề xuất cho nhận 
dạng cây dựa trên nhiều ảnh bộ phận của cây 
Trong bài báo này, tác giả đề xuất một 
phương pháp kết hợp mới dựa trên việc kết 
hợp các phương pháp đã có, có sử dụng trọng 
số bộ phận gán cho cây. Câu truy vấn đầu vào 
gồm N ảnh của N bộ phận quan tâm. Trong 
các thực nghiệm, N biến đổi từ 2 đến 6. Cho 
mỗi bộ phận, một bộ phân lớp tương ứng sẽ 
được xây dựng. Với mỗi ảnh đầu vào mô hình 
này sẽ trả về một danh sách các loài cây 
tương ứng với độ tin cậy kèm theo. Phương 
Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 541 - 547 
 Email: jst@tnu.edu.vn 543 
pháp kết hợp sẽ lấy các danh sách các độ tin 
cậy này như là đầu vào, sau đó thực hiện kết 
hợp các độ tin cậy này để trả về danh sách các 
loài cây mới. Đóng góp của bài báo là đề xuất 
một phương pháp kết hợp mới và không mất 
tính tổng quát một phương nhận dạng cây bất 
kỳ đều có thể áp dụng cho việc nhận dạng 
một bộ phận bất kỳ. 
Một số ký hiệu được sử dụng như sau: 
• 𝑞 = {𝐼1, 𝐼2,  , 𝐼𝑁} là câu truy vấn 
chứa 𝑁 ảnh của 𝑁 bộ phận; 
• 𝐶: là số lớp của cơ sở dữ liệu; 
• 𝑠𝑖(𝐼𝑘) là độ tin cậy của loài 𝑖 khi sử 
dụng ảnh 𝐼𝑘 là câu truy vấn từ bộ 
nhận dạng đơn bộ phận tương ứng, ở 
đó 1 ≤ 𝑖 ≤ 𝐶, 1 ≤ 𝑘 ≤ 𝑁; 
• 𝑐: lớp dự đoán của loài cho câu truy 
vấn 𝑞 
Một số phương pháp kết hợp cơ bản: 
Luật lớn nhất (Max rule) là một trong 
những phương pháp kết hợp phổ biến nhất. 
Độ tin cậy lớn nhất được lựa chọn trong danh 
sách các độ tin cậy là độ tin cậy được trả về 
[17]. Trong trường hợp này câu truy vấn 𝑞 
được gán vào lớp 𝑐 như sau: 
𝑐 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑖=1..𝑁 { max
𝑘=1..𝑁
{𝑠𝑖(𝐼𝑘)}} (1) 
Luật tổng (Sum rule) cũng là một luật kết 
hợp được sử dụng phổ biến [17]. Tổng của 
các độ tin cậy được trả về. Luật tổng gán câu 
truy vấn về lớp 𝑐 như sau: 
𝑐 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑖=1..𝑁{∑ 𝑠𝑖
𝑁
𝑘=1 (𝐼𝑘)} (2) 
Luật nhân (Product rule) tính độ tin cậy của 
các độ tin cậy trả về [17]. Câu truy vấn 𝑞 
được gán vào lớp 𝑐 như sau: 
𝑐 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑖=1..𝑁{∏ 𝑠𝑖
𝑁
𝑘=1 (𝐼𝑘)} (3) 
Phương pháp kết hợp đề xuất 
Từ việc quan sát các bộ phận trên cây có các 
vai trò khác nhau trong quá trình nhận dạng 
cây, do vậy tác giả sẽ gán trọng số cho bộ phận 
cây và sử dụng luật tổng có gán trọng số. Sau 
đó xuất phát từ ý tưởng là kết hợp các phương 
pháp kết hợp cơ bản đã có. Ở đây tác giả đề 
xuất phương pháp kết hợp luật nhân và luật 
tổng có gán trọng số cho mỗi bộ phận, việc 
tích hợp được thực hiện dựa trên toán tử nhân. 
Đầu tiên mỗi bộ phận sẽ được gán một trọng 
số, trọng số này thể hiện tầm quan trọng của 
bộ phận này với các bộ phận khác trong quá 
trình nhận dạng. Bộ phận Ok được gán trọng 
số wk. Dựa trên kết quả nghiên cứu [18] các 
kết quả nhận dạng cây dựa trên các mạng 
khác nhau cho các bộ phận cây đều được sắp 
xếp theo chiều giảm dần là hoa, lá, quả, cành, 
thân, toàn bộ cây. Do đó trong bài báo này 
các trọng số được gán cho các bộ phận cây có 
giá trị giảm dần cho các bộ phận lần lượt là 
hoa, lá, quả, cành, thân, toàn bộ cây. Cụ thể, ở 
đây trong phần thực nghiệm trọng số cho các 
bộ phận được gán như sau: hoa: 6, lá: 5, quả: 
4, cành: 3, thân: 2, toàn bộ cây: 1. 
Phương pháp kết hợp mới được đề xuất như 
sau, tích các độ tin cậy trả về được nhân với 
tổng có trọng các độ tin cậy. Câu truy vấn 𝑞 
được gán vào lớp 𝑐 như sau: 
𝑐 = 𝑎𝑟𝑔𝑚𝑎𝑥𝑖=1..𝑁 {(∑ 𝑠𝑖(𝐼𝑘). 𝑤𝑘
𝑁
𝑘=1
) . (∏ 𝑠𝑖(𝐼𝑘)
𝑁
𝑘=1
)} (4) 
Với phương pháp đề xuất như vậy khi độ tin 
cậy 𝑠𝑖(𝐼𝑘) càng cao thì các giá trị ∏ 𝑠𝑖(𝐼𝑘)
𝑁
𝑘=1 
và ∑ 𝑠𝑖(𝐼𝑘). 𝑤𝑘
𝑁
𝑘=1 càng cao. Việc kết hợp 
bằng toán tử nhân cặp giá trị này giúp gia 
tăng khoảng cách chênh lệnh với các cặp độ 
tin cậy trả về có giá trị thấp hơn, giúp cho 
việc dự đoán lớp đúng trả về có độ chính xác 
cao. Phương pháp này sẽ giúp gia tăng độ tin 
cậy của lớp trả về do gán trọng số cho bộ phận, 
ưu tiên kết quả nhận dạng cho những ảnh 
thuộc bộ phận được gán trọng số cao, hơn nữa 
việc kết hợp hai phương pháp sẽ tận dụng 
được các ưu điểm của mỗi phương pháp. Để so 
sánh hiệu quả của phương pháp đề xuất, tác giả 
thực hiện so sánh với các phương pháp cơ sở 
trên là luật lớn nhất, luật tổng, luật nhân. 
Đối với việc xây dựng bộ phân lớp cho nhận 
dạng đơn bộ phận, bất kỳ một bộ phân lớp 
nào đều có thể được áp dụng. Các nghiên cứu 
liên quan đã chỉ ra rằng các phương pháp học 
sâu đã cho kết quả nhận dạng tốt hơn so với 
Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 541 - 547 
544  Email: jst@tnu.edu.vn 
phương pháp dựa trên việc trích chọn đặc 
trưng tự thiết kế đặc biệt khi làm việc với cơ 
sở dữ liệu lớn và đa dạng [6]. Do vậy, trong 
bài báo này tác giả đã áp dụng một kiến trúc 
học sâu là sử dụng mạng nơ-ron tích chập 
GoogLeNet cho nhận dạng đơn bộ phận. 
GoogLeNet đã chiến thắng trong cuộc thi 
nhận dạng các đối tượng trên cơ sở dữ liệu 
hình ảnh lớn, đa dạng ImageNet năm 2014 
[19]. GoogLeNet có kiến trúc sâu hơn và rộng 
hơn so với nhiều kiến trúc mạng khác như 
AlexNet, VGGNet. Mạng này cho phép giảm 
một số lượng lớn các tham số huấn luyện. Nó 
bao gồm 6,8 triệu tham số, 22 lớp với 9 mô 
đun lặp (inception), 2 lớp nhân chập, 2 lớp 
chuẩn hóa, 5 lớp giảm chiều, một lớp kết nối 
đầy đủ, một lớp tuyến tính với hàm kích hoạt 
Softmax như là một bộ phân lớp. Một môđun 
inception sử dụng song song các lớp nhân 
chập có kích thước 1 × 1, 3 × 3, 5 × 5 với các 
lớp khác để giảm số chiều. Kiến trúc này còn 
được gọi là kiến trúc mạng trong mạng. Trong 
quá trình huấn luyện GoogLeNet kết nối với 2 
bộ phân lớp phụ trợ với các lớp ở giữa mạng để 
tiến hành hiệu quả tính toán lan truyền ngược 
qua các tất cả các lớp. Ở đây mỗi bộ phận sẽ 
được huấn luyện bởi một mạng GoogLeNet 
riêng biệt. 
3. Kết quả thực nghiệm 
Các kết quả thực nghiệm được tiến hành trên 
cơ sở dữ liệu hình ảnh cây với 6 bộ phận là lá, 
hoa, toàn bộ cây, cành, quả và thân. Để triển 
khai thành công phương pháp học sâu, một cơ 
sở dữ liệu nhiều ảnh huấn luyện được yêu 
cầu, tác giả đã tiến hành trích rút 50 loài cây 
phổ biến (có đủ 6 bộ phận và chứa nhiều hình 
ảnh) từ cơ sở dữ liệu cây LifeCLEF 2015. Để 
gia tăng kích thước của cơ sở dữ liệu tác giả 
cũng đã tiến hành thu thập thêm các ảnh trên 
internet thông qua tên của 50 loài cây. Các kết 
quả ảnh thu thập được, sau đó được đánh giá 
bởi chuyên gia thực vật học. Thông tin chi tiết 
được trình bày trong bảng 1. Hình 1 biểu diễn 
các hình ảnh thuộc 6 bộ phận, các ảnh trong 
cơ sở dữ liệu thực nghiệm hầu hết đều có nền 
phức tạp. 
Bảng 1. Cơ sở dữ liệu 50 loài với 6 bộ phận 
 Tập huấn 
luyện 
Tập kiểm 
thử 
Tổng 
Lá 1930 776 2706 
Hoa 1650 673 2323 
Cành 1388 553 1941 
Toàn bộ cây 825 341 1166 
Quả 3821 500 4321 
Thân 2912 500 3412 
Hình 1. Ảnh các bộ phận của loài Cotinus 
coggygria Scop 
3.1. Nhận dạng cây dựa trên một bộ phận 
Các kết quả thực nghiệm được tiến hành trên 
máy chủ với cấu hình: 2,20 GHz CPU, 16 GB 
RAM, GeForce GTX 1080 Ti GPU, thực hiện 
trên khung học sâu Caffe và TensorFlow. Kỹ 
thuật học chuyển đổi (transfer learning) và 
tinh chỉnh các tham số được áp dụng trên 
mạng GoogLeNet. Bộ trọng số tiền huấn 
luyện trên cơ sở dữ liệu rất lớn và đa dạng 
ImageNet được áp dụng là bộ trọng số khởi 
tạo cho quá trình huấn luyện. Mô hình được 
tối ưu cho phù hợp với bài toán nhận dạng 
cây, các tham số được tinh chỉnh, tối ưu như 
sau: learning_rate: 0,001, batch_size: 32, 
weight_decay: 0,0002, dropout: 0,4. Việc lựa 
chọn các tham số này dựa trên việc nghiên 
cứu các kết quả liên quan, các thực nghiệm và 
cấu hình máy thực nghiệm. 
Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 541 - 547 
 Email: jst@tnu.edu.vn 545 
Các kết quả đạt được cho nhận dạng dựa trên 
đơn bộ phận khi áp dụng mạng GoogLeNet 
được chỉ ra trong bảng 2. Bộ phận hoa cho kết 
quả nhận dạng cao nhất là 82,2% vì bộ phận 
hoa có nhiều đặc điểm bề ngoài (màu sắc, 
hình dạng) có tính chất phân biệt cao giữa các 
loài. Bộ phận toàn bộ cây cho kết quả nhận 
dạng thấp nhất do bộ phận này thường được 
chụp ở góc nhìn xa và sự tương tự lớn giữa 
các loài khi dựa trên ảnh toàn bộ của cây, nên 
độ phân biệt là không cao. 
Bảng 2. Kết quả nhận dạng đơn bộ phận 
Bộ phận Độ chính xác 
tại hạng 1 (%) 
Lá (Le) 75,0 
Hoa (Fl) 82,2 
Cành (Br) 53,2 
Toàn bộ cây (En) 36,4 
Quả (Fr) 68,8 
Thân (St) 37,6 
3.2. Đánh giá phương pháp kết hợp đề xuất 
cho nhận dạng cây dựa trên nhiều ảnh bộ 
phận của cây 
Các kết quả thực nghiệm được tiến hành kết 
hợp cho các cặp từ 2 đến 6 bộ phận của cây 
cho việc nhận dạng cây dựa trên nhiều ảnh bộ 
phận của cây. Các kết quả được chỉ ra ở trong 
bảng 3, có tổng tất cả 57 trường hợp kết hợp. 
Khi so sánh với các phương pháp kết hợp lấy 
giá trị lớn nhất, lấy giá trị tổng, lấy giá trị 
nhân thì phương pháp đề xuất là cho kết quả 
là tốt nhất. Phương pháp đề xuất cho kết quả 
vượt trội hơn phương pháp lấy giá trị lớn nhất 
và phương pháp lấy tổng. Còn so sánh với 
phương pháp nhân thì phương pháp đề xuất 
cho kết quả cao hơn một chút hoặc bằng trong 
tổng 47 trường hợp trên 57 trường hợp kết 
hợp. Trong 10 trường hợp còn lại phương 
pháp đề xuất chỉ kém phương pháp nhân 
trong khoảng từ 0,2 đến 1%. Điều này chỉ ra 
hiệu quả của phương pháp đề xuất. 
Bảng 3. Độ chính xác tại hạng 1(%) khi kết hợp 
các bộ phận khác nhau. Phần in đậm là kết quả 
đạt được tốt nhất theo hàng 
Các bộ phận 
 kết hợp 
Luật 
lớn 
nhất 
Luật 
tổng 
Luật 
nhân 
Phương 
pháp đề 
xuất 
Le+Fl 91,4 92,0 95,4 95,8 
Le+Br 79,8 81,0 84,6 84,8 
Le+En 74,6 75,0 79,2 79,4 
Le+Fr 84,0 84,4 87,6 87,6 
Le+St 75,0 75,0 79,0 80,2 
Fl+Br 85,0 86,0 90,2 91,2 
Fl+En 79,2 79,8 83,4 84,6 
Fl+Fr 89,4 90,0 94,4 94,2 
Fl+St 82,4 82,8 85,6 87,0 
Br+En 58,0 58,8 61,8 63,8 
Br+Fr 75,4 75,6 82,6 81,6 
Br+St 60,4 61,0 66,6 66,4 
En+Fr 72,8 73,6 78,4 80,0 
En+St 50,8 51,0 54,4 53,4 
Fr+St 72,0 72,6 74,6 74,4 
Le+Fl+Br 91,4 93,2 96,2 96,6 
Le+Fl+En 91,4 92,4 96,0 96,2 
Le+Fl+Fr 91,4 95,8 97,6 97,8 
Le+Fl+St 91,4 92,2 94,8 94,8 
Le+Br+En 79,8 81,8 87,0 88,0 
Le+Br+Fr 79,8 90,4 93,2 93,6 
Le+Br+St 79,8 83,4 87,0 87,2 
Le+En+Fr 74,6 87,4 93,6 93,0 
Le+En+St 74,6 80,2 81,4 84,6 
Le+Fr+St 84,0 86,0 90,4 91,0 
Fl+Br+En 85,0 85,0 91,2 92,2 
Fl+Br+Fr 85,0 93,0 95,6 96,0 
Fl+Br+St 85,0 86,2 91,4 91,8 
Fl+En+Fr 79,2 91,0 93,6 94,8 
Fl+En+St 79,2 83,4 88,6 89,2 
Fl+Fr+St 89,4 91,0 93,2 93,8 
Br+En+Fr 58,0 81,8 87,8 88,0 
Br+En+St 58,0 67,4 74,6 75,2 
En+Fr+St 72,8 78,2 82,4 83,6 
Br+Fr+St 75,4 81,8 86,4 86,0 
Le+Fl+Br+En 89,6 94,2 97,4 97,2 
Le+Fl+Br+Fr 93,2 96,2 98,2 98,2 
Le+Fl+Br+St 91,4 92,6 98,0 97,6 
Le+Fl+En+Fr 92,6 96,0 98,2 98,4 
Le+Fl+En+St 90,2 93,2 96,6 96,8 
Le+Fl+Fr+St 93,0 95,8 97,8 97,8 
Le+Br+En+Fr 86,2 90,8 95,6 95,6 
Le+Br+En+St 80,4 84,8 90,6 90,8 
Le+Br+Fr+St 87,0 90,4 94,4 94,4 
Le+En+Fr+St 85,4 89,6 92,8 92,8 
Fl+Br+En+Fr 88,4 93,8 96,8 96,8 
Fl+Br+En+St 84,8 88,0 93,0 93,6 
Fl+Br+Fr+St 90,8 92,4 95,0 96,0 
Br+En+Fr+St 80,4 85,4 89,6 90,0 
Fl+En+Fr+St 89,6 91,6 95,2 95,8 
Le+Fl+Br+En+Fr 89,6 96,6 98,0 98,6 
Le+Fl+Br+En+St 89,6 94,4 97,8 97,8 
Le+Br+En+Fr+St 86,2 91,4 96,6 96,4 
Fl+Br+En+Fr+St 88,4 94,2 96,8 97,4 
Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 541 - 547 
546  Email: jst@tnu.edu.vn 
Các bộ phận 
 kết hợp 
Luật 
lớn 
nhất 
Luật 
tổng 
Luật 
nhân 
Phương 
pháp đề 
xuất 
Le+Fl+Br+Fr+St 93,2 95,2 98,0 98,2 
Le+Fl+En+Fr+St 92,6 96,6 98,2 98,2 
Le+Fl+Br+En+Fr+St 92,6 96,2 98,8 98,8 
Ngoài ra một số kết luận khác được rút ra từ 
bảng 3 như sau. Đầu tiên, càng nhiều bộ phận 
được kết hợp thì kết quả nhận dạng càng cao, 
điều này được chỉ rõ trong hình 2 với các kết 
quả nhận dạng cho số cặp bộ phận khi áp 
dụng phương pháp đề xuất. Ví dụ, sử dụng 
các ảnh hoa và lá đạt kết quả lần lượt là 
82,2% và 75,0% tại hạng 1 cho dữ liệu kiểm 
thử. Khi thực hiện kết hợp hai bộ phận này 
theo phương pháp đề xuất đạt kết quả vượt 
trội là 95,8% cải thiện kết quả so với bộ phận 
hoa là 13,6% và bộ phận lá là 20,8%. Các kết 
quả kết hợp giữa các bộ phận thường được cải 
thiện nhiều khi kết hợp với bộ phận có kết 
quả nhận dạng cao trong nhận dạng đơn bộ 
phận hay bộ phận được gán trọng số cao, ví 
dụ như bộ phận hoa, lá. Các kết quả nhận 
dạng tiếp tục được cải thiện khi kết hợp nhiều 
bộ phận hơn nữa. Kết quả nhận dạng đạt được 
tốt nhất trên ba bộ phận, bốn bộ phận, năm bộ 
phận và tất cả các bộ phận lần lượt là 95,8%, 
97,8%, 98,4%, 98,6%, 98,8%. Khi kết hợp 
càng nhiều bộ phận thì tốc độ cải thiện nhận 
dạng càng giảm. 
Hình 2. Kết quả nhận dạng cây của phương pháp 
kết hợp đề xuất cho nhiều bộ phận 
Thứ hai, chúng ta có thể quan sát thấy rằng 
việc kết hợp nhiều bộ phận cho phép cải thiện 
cận dưới và cận trên của phạm vi độ chính 
xác. Độ chính xác khi sử dụng một bộ phận 
biến đổi trong phạm vi [37,6%-82,2%]. Phạm 
vi độ chính được xác được tăng lên khi kết 
hợp hai, ba, bốn, năm và sáu bộ phận lần lượt 
là [53,4%-95,8%], [75,2%-97,8%], [90,0%-
98,4%], [96,4%-98,6%] và 98,8%. Phương 
pháp đề xuất cho phép chúng ta có thể kết 
hợp các ảnh của các bộ phận một cây cần 
nhận dạng có kết quả cao. Cách tiếp cận này 
là linh hoạt, phù hợp với thực tế bởi vì một 
cây không phải luôn tồn tại sẵn tất cả các bộ 
phận của cây tại một thời điểm. Khi kết hợp 
luôn ưu tiên kết hợp các bộ phận có trọng số 
cao trước. 
4. Kết luận 
Một phương pháp kết hợp mới cho nhận dạng 
cây dựa trên nhiều ảnh bộ phận cây được đề 
xuất thực hiện kết hợp giữa luật nhân và luật 
tổng có gán trọng số cho bộ phận. Các kết quả 
chỉ ra rằng phương pháp đề xuất là hiệu quả 
khi so sánh với các phương pháp lấy giá trị 
lớn nhất, lấy tổng và phương pháp nhân. Bài 
báo đã tiến hành 57 thực nghiệm cho các cặp 
bộ phận từ hai đến sáu bộ phận, từ đó đã phân 
tích và đưa ra một số gợi ý cho nhận dạng cây 
dựa trên nhiều ảnh bộ phận của cây. 
TÀI LIỆU THAM KHẢO/ REFERENCES 
[1]. J. Wäldchen, and P. Mäder, "Plant species 
identification using computer vision 
techniques: A systematic literature 
review," Archives of Computational Methods 
in Engineering, vol. 25, no. 2, pp. 507-543, 
2018. 
[2]. H. Goëau, P. Bonnet, and A. Joly "Lifeclef 
plant identification task 2015," in CEUR-WS 
(Ed.), CLEF: Conference and Labs of the 
Evaluation forum, vol. 1391 of CLEF2015 
Working notes, Toulouse, France, 2015. 
[3]. H. Goëau, P. Bonnet, A. Joly, V. Bakic, D. 
Barthélémy, N. Boujemaa, and J. -F. Molino, 
“The imageclef 2013 plant identification 
task,” in CLEF: Conference and Labs of the 
Evaluation forum, 2013. 
[4]. H. Goëau, A. Joly, P. Bonnet, S. Selmi, J.-F. 
Molino, D. Barthélémy, and N. Boujemaa, 
“Lifeclef plant identification task 2014,” in 
CLEF2014 Working Notes. Working Notes for 
CLEF 2014 Conference, Sheffield, UK, 
September 15-18, 2014, pp. 598-615. 
[5]. H. Goëau, P. Bonnet, and A. Joly, “Plant 
identification in an open-world (lifeclef 
Nguyễn Thị Thanh Nhàn Tạp chí KHOA HỌC & CÔNG NGHỆ ĐHTN 225(06): 541 - 547 
 Email: jst@tnu.edu.vn 547 
2016),” CLEF working notes 2016, 2016, pp. 
428-439. 
[6]. H. Goëau, P. Bonnet, and A. Joly, “Plant 
identification based on noisy web data: the 
amazing performance of deep learning 
(lifeclef 2017),” CEUR Workshop 
Proceedings, 2017. 
[7]. A. He, and X. Tian, “Multi-organ plant 
identification with multi-column deep 
convolutional neural networks”, in 2016 IEEE 
International Conference on Systems, Man, 
and Cybernetics (SMC) 2016, 2016, pp. 
002020-002025. 
[8]. J. Kittler, M. Hatef, R. P. Duin, and J. Matas, 
“On combining classifiers,” IEEE 
transactions on pattern analysis and machine 
intelligence, vol. 20, no. 3, pp. 226-239, 1998. 
[9]. H. Nakayama, “Nlab-utokyo at imageclef 
2013 plant identification task,” in: CLEF 
(Working Notes), 2013. 
[10]. I. Mohamed, L. Diane, and P. Frédéric, 
“Plant species recognition using bag- of-word 
with svm classifier in the context of the 
lifeclef challenge”, Working Notes of CLEF, 
2014. 
[11]. M. Rzanny, P. Mader, A. Deggelmann, M. 
Chen, and J. Waldchen, “Flowers, leaves or 
both? how to obtain suitable images for 
automated plant identification,” Plant 
Methods, vol. 15, no. 77, pp. 1-11, 2019. 
[12]. I. Dimitrovski, G. Madjarov, D. Kocev, and 
P. Lameski, “Maestra at lifeclef 2014 plant 
task: Plant identification using visual data,” in 
CLEF (Working Notes), 2014, pp. 705-714. 
[13]. S. Choi, “Plant identification with deep 
convolutional neural network: Snumedinfo at 
lifeclef plant identification task 2015,” in 
CLEF (Working Notes), 2015. 
[14]. G. Cerutti, L. Tougne, C. Sacca, T. Joliveau, 
P.-O. Mazagol, D. Coquin, and A. Vacavant, 
“Late information fusion for multi-modality 
plant species identification,” in Working notes 
for Conference and Labs of the Evaluation 
Forum, 2013. 
[15]. H. Zhu, X. Huang, S. Zhang, and P. C. Yuen, 
“Plant identification via multipath sparse 
coding,” Multimedia Tools and Applications 
vol. 76, no. 3, pp. 4599-4615, 2017. 
[16]. S. H. Lee, Y. L. Chang, and C. S. Chan, 
“Lifeclef 2017 plant identification challenge: 
Classifying plants using generic-organ 
correlation features,” Working Notes of 
CLEF, 2017. 
[17]. A. Jain, K. Nandakumar, and A. Ross, 
"Score normalization in multimodal biometric 
systems," Pattern recognition, vol. 38, no. 12, 
pp. 2270-2285, 2005. 
[18]. Ghazi, M. Mehdipour, B. Yanikoglu, and E. 
Aptoula, "Plant Identification Using Deep 
Neural Networks via Optimization of Transfer 
Learning arameters," Neurocomputing, vol. 
235, pp. 228-235, 2017. 
[19]. C. Szegedy, W. Liu, Y. Jia, P. Sermanet, S. 
Reed, D. Anguelov, D. Erhan, V. Vanhoucke, 
and A. Rabinovich, “Going deeper with 
convolutions,” in Proceedings of the IEEE 
Conference on Computer Vision and Pattern 
Recognition, 2015, pp. 1-9.