AI nhận diện ảnh chụp từ drone là dùng mô hình thị giác máy tính để tự tìm, đếm hoặc khoanh vùng những thứ cần quan tâm trong ảnh và video trên cao: cây trồng, vết nứt trên bê tông, điểm nóng trên tấm pin mặt trời, người cần cứu hộ, xe trong bãi. Máy làm việc nhanh hơn người hàng trăm lần trên hàng nghìn tấm ảnh, nhưng nó đoán theo xác suất dựa trên những gì đã học, nên có thể bỏ sót thứ có thật và báo nhầm thứ không có.
Hai loại lỗi đó không hiếm và không phải lỗi phần mềm theo nghĩa thông thường: chúng là đặc tính của cách mô hình hoạt động. Ảnh chụp ở độ cao khác, ánh sáng khác, mùa vụ khác, loại cây khác với dữ liệu huấn luyện đều làm kết quả lệch. Bài này giải thích máy nhìn ảnh từ trên cao thế nào, các nguồn gốc lỗi hay gặp, và một quy trình kiểm đơn giản trước khi dùng kết quả để ra quyết định như phun thuốc, sửa chữa hay báo cáo.
Máy "nhìn" một tấm ảnh từ trên cao như thế nào
Mô hình nhận diện được huấn luyện bằng rất nhiều ảnh đã có người đánh dấu sẵn: đây là cây, đây là vết nứt, đây là người. Qua quá trình huấn luyện, mô hình học ra những đặc điểm về hình dạng, màu sắc, kết cấu giúp phân biệt các loại. Khi gặp ảnh mới, nó đưa ra các khung hoặc vùng kèm một điểm tin cậy, ví dụ "vùng này có khả năng là vết nứt với độ tin cậy cao".
Ảnh từ drone có những đặc thù khác ảnh chụp thông thường. Vật thể nhìn từ trên xuống, nhỏ và nhiều. Kích thước một điểm ảnh tương ứng bao nhiêu centimet trên mặt đất, gọi là độ phân giải mặt đất, thay đổi theo độ cao bay và camera. Bay cao gấp đôi thì mỗi điểm ảnh phủ diện tích lớn hơn nhiều, một vết nứt nhỏ có thể chỉ còn vài điểm ảnh hoặc biến mất. Vì vậy, một mô hình được huấn luyện trên ảnh chụp ở độ cao thấp thường kém hẳn khi áp dụng cho ảnh bay cao.
Với nông nghiệp, ngoài ảnh màu thông thường còn có ảnh đa phổ, ghi thêm ánh sáng cận hồng ngoại mà mắt người không thấy. Từ đó tính ra các chỉ số phản ánh tình trạng diệp lục của cây, giúp khoanh những vùng cây có dấu hiệu khác thường. Chỉ số này cho biết "chỗ này khác chỗ kia", không tự cho biết nguyên nhân là thiếu nước, sâu bệnh hay thiếu phân; phần chẩn đoán vẫn cần người thăm đồng và cán bộ chuyên môn.
Những lý do khiến máy nhìn nhầm
Dữ liệu huấn luyện khác thực tế. Mô hình học từ ảnh vườn ở nước khác, giống cây khác, đất khác màu; áp dụng cho vườn sầu riêng hay ruộng lúa ở Việt Nam thì kết quả có thể lệch. Đây là nguồn lỗi lớn nhất và khó thấy nhất.
Ánh sáng và bóng đổ. Nắng gắt buổi trưa, bóng cây dài buổi chiều, ảnh chụp ngược sáng. Bóng đổ trên tường có thể bị đọc thành vết nứt, ánh nắng loá trên mái tôn có thể bị đọc thành điểm bất thường.
Độ cao và góc chụp không như lúc huấn luyện. Bay cao quá, vật thể quá nhỏ; chụp xiên thay vì thẳng đứng, hình dạng biến dạng.
Vật thể bị che hoặc chồng lên nhau. Tán cây giao nhau làm việc đếm cây sai; người đứng dưới mái che không được phát hiện.
Những thứ "na ná". Vết dầu loang, vết sơn, khe nối thiết kế trên bê tông có thể giống vết nứt; túi ni lông trắng trên ruộng có thể giống một vật thể cần chú ý.
Ảnh mờ, nhoè do rung hoặc gió. Ảnh chất lượng kém làm mô hình mất tự tin hoặc đoán bừa.
Hai loại lỗi và hệ quả trong từng việc
Trong mọi bài toán nhận diện có hai loại lỗi: báo có khi không có (dương tính giả) và báo không khi có (âm tính giả). Cân bằng giữa hai loại lỗi phụ thuộc vào việc bạn đang làm.
| Việc | Báo nhầm có thì sao | Bỏ sót thì sao | Nên ưu tiên tránh |
|---|---|---|---|
| Tìm người mất tích, cứu hộ | Đội cứu hộ mất thời gian đi kiểm | Có thể bỏ lỡ người cần cứu | Bỏ sót; chấp nhận báo nhầm nhiều hơn |
| Kiểm tra vết nứt công trình | Tốn công kiểm tra thêm | Hư hỏng không được sửa kịp | Bỏ sót, nhất là với kết cấu chịu lực |
| Khoanh vùng cây yếu để phun | Phun thừa, tốn thuốc, ảnh hưởng môi trường | Vùng bệnh lan rộng | Cân bằng; luôn thăm đồng xác nhận |
| Đếm cây, đếm vật nuôi để kiểm kê | Số liệu cao hơn thực | Số liệu thấp hơn thực | Cả hai; kiểm mẫu ngẫu nhiên |
| Phát hiện điểm nóng trên tấm pin mặt trời | Kỹ thuật viên kiểm tấm không lỗi | Tấm lỗi tiếp tục giảm hiệu suất | Bỏ sót ở mức độ vừa |
Hầu hết phần mềm cho phép chỉnh ngưỡng tin cậy. Hạ ngưỡng thì bắt được nhiều hơn nhưng báo nhầm cũng nhiều hơn, nâng ngưỡng thì ngược lại. Không có ngưỡng đúng cho mọi việc; người dùng phải chọn theo hệ quả của từng loại lỗi.
Chuẩn bị chuyến bay sao cho AI đọc được ảnh
Phần lớn chất lượng phân tích được quyết định trước khi phần mềm chạy, ngay từ lúc lên kế hoạch bay. Câu hỏi đầu tiên là vật nhỏ nhất cần phát hiện có kích thước bao nhiêu: một vết nứt chân chim trên tường khác hẳn một mảng mái tôn bị tốc. Từ đó suy ra độ phân giải mặt đất cần đạt, rồi ra độ cao bay với camera đang có. Phần mềm lập lộ trình thường tự tính con số này khi bạn nhập độ cao.
Câu hỏi thứ hai là điều kiện ánh sáng. Bay vào khung giờ có ánh sáng đều, bóng ngắn, tránh lúc nắng loá trên mặt kim loại, và giữ khung giờ tương tự giữa các lần bay nếu muốn so sánh theo thời gian. Câu hỏi thứ ba là độ chồng ảnh, nếu cần ghép thành bản đồ hoặc mô hình ba chiều: chồng ít thì ảnh ghép bị hở, chồng nhiều thì tốn pin và thời gian xử lý.
Cuối cùng là tính nhất quán: cùng độ cao, cùng camera, cùng thiết lập phơi sáng giữa các lần bay. Mô hình AI nhạy với những thay đổi mà mắt người không để ý; một lần đổi cài đặt camera có thể làm kết quả hai đợt không so được với nhau. Mọi chuyến bay này vẫn phải nằm trong khu vực được phép và tuân thủ thủ tục xin phép theo quy định hiện hành.
Ảnh của ai, được dùng vào việc gì
Một câu hỏi ít được đặt ra khi thuê dịch vụ phân tích ảnh drone: ảnh và kết quả thuộc về ai, và nhà cung cấp phần mềm có được dùng ảnh của bạn để huấn luyện tiếp mô hình của họ không. Với ảnh vườn tược, công trình, nhà xưởng, đây là dữ liệu có giá trị và có thể nhạy cảm. Nên đọc điều khoản dữ liệu, hỏi rõ ảnh được lưu ở đâu, bao lâu, ai truy cập được, và có cách yêu cầu xoá không.
Nếu ảnh chụp lọt nhà cửa, người, xe của hàng xóm, bạn cũng đang nắm dữ liệu của người khác. Cắt bỏ phần không cần thiết trước khi gửi đi phân tích là thói quen tốt, vừa giảm rủi ro riêng tư vừa giảm dung lượng xử lý. Với đơn vị làm dịch vụ cho nhiều khách hàng, nên tách thư mục dữ liệu theo từng khách, ghi rõ trong hợp đồng thời hạn lưu trữ, và không đem ảnh của khách này làm ví dụ cho khách khác khi chưa được đồng ý.
Quy trình kiểm kết quả AI trước khi ra quyết định
Quy trình dưới đây dùng được cho nhiều việc, từ kiểm tra mái nhà xưởng tới khoanh vùng cây trong vườn. Điểm cốt lõi là luôn có mắt người xác nhận một phần kết quả:
- Ghi lại điều kiện chụp: độ cao, giờ bay, thời tiết, camera; kết quả chỉ so được với nhau khi điều kiện tương tự.
- Xem nhanh toàn bộ ảnh có khoanh vùng, tìm những chỗ máy báo hàng loạt bất thường, thường là dấu hiệu lỗi hệ thống như bóng đổ.
- Lấy mẫu ngẫu nhiên một phần các vị trí máy báo có và một phần các vị trí máy báo không, kiểm bằng mắt trên ảnh gốc.
- Ra hiện trường xác nhận ở những điểm quan trọng hoặc điểm máy không chắc.
- Ghi tỷ lệ đúng sai từ mẫu kiểm để biết lần sau tin máy tới đâu với loại ảnh này.
- Chỉ ra quyết định khi phần quan trọng đã được người có chuyên môn xác nhận.
Dùng chatbot đa phương thức để xem ảnh drone: được gì, phải cẩn thận gì
Các chatbot có khả năng xem ảnh ngày nay có thể mô tả một tấm ảnh drone, chỉ ra vùng có vẻ bất thường, gợi ý những gì nên kiểm thêm. Với người không chuyên, đây là cách nhanh để có ý kiến ban đầu. Câu lệnh nên cụ thể và yêu cầu máy nói rõ mức chắc chắn, ví dụ: "Đây là ảnh chụp thẳng từ trên xuống một mái tôn nhà xưởng ở độ cao thấp. Hãy mô tả các vùng có thể là vết gỉ, chỗ tôn bị cong vênh hoặc lỗ thủng, nêu vị trí theo góc ảnh, và với mỗi vùng ghi rõ chắc chắn hay chỉ là nghi ngờ. Không kết luận về nguyên nhân hay mức độ nguy hiểm."
Chatbot đa năng không được huấn luyện chuyên cho ảnh drone, nên kết quả chỉ để tham khảo, không thay cho phần mềm chuyên dụng hay kỹ sư. Trước khi tải ảnh lên, kiểm xem ảnh có lọt mặt người, biển số xe, sân nhà hàng xóm hay khu vực nhạy cảm không; xoá thông tin vị trí đi kèm ảnh nếu không cần. Với ảnh của khách hàng hay công trình chưa công bố, chỉ dùng công cụ AI khi đã được đồng ý và trong điều khoản dữ liệu phù hợp.
Ví dụ giả định: đếm cây trong vườn cà phê trên sườn đồi
Ví dụ giả định. Một hợp tác xã ở Tây Nguyên muốn kiểm kê số cây trong một khu vườn cà phê trồng trên sườn đồi, dùng drone chụp và phần mềm đếm cây tự động. Kết quả đầu tiên cho con số thấp hơn đáng kể so với sổ sách. Kiểm mẫu cho thấy ở những chỗ cây trồng dày, tán giao nhau, phần mềm gộp hai ba cây thành một; ở chỗ cây trồng xen cây che bóng, một số cây cà phê nằm dưới tán bị bỏ sót hoàn toàn.
Nhóm kỹ thuật điều chỉnh: bay thấp hơn để tăng độ phân giải, chụp vào buổi sáng khi bóng ngắn, chia vườn thành khu và kiểm mẫu ngẫu nhiên mỗi khu bằng cách đếm tay một số hàng. Từ tỷ lệ sai ở mẫu, họ hiệu chỉnh con số ước lượng và ghi rõ trong báo cáo đây là số ước lượng có sai số, kèm phương pháp. Con số cuối không hoàn hảo, nhưng người đọc báo cáo biết nó đáng tin tới đâu.
Bài học không chỉ cho nông nghiệp: kết quả AI từ ảnh drone nên luôn đi kèm phương pháp và mức sai số, không trình bày như một con số tuyệt đối.
Câu hỏi thường gặp
AI có tự chẩn đoán được bệnh cây từ ảnh drone không?
AI có thể khoanh vùng cây có dấu hiệu khác thường, nhưng việc xác định bệnh gì, do đâu cần người thăm đồng và cán bộ khuyến nông hoặc chuyên gia bảo vệ thực vật. Không nên phun thuốc chỉ dựa vào bản đồ AI chưa được xác nhận.
Ảnh chụp bằng flycam thông thường có dùng được cho AI phân tích không?
Được cho nhiều việc như đếm, khoanh vùng, kiểm tra hư hỏng nhìn thấy được. Với phân tích tình trạng cây cần ảnh đa phổ, hoặc đo đạc chính xác cần định vị và quy trình chụp phù hợp. Chất lượng kết quả phụ thuộc nhiều vào cách bay và chụp.
Làm sao biết phần mềm AI có hợp với vườn, công trình của mình không?
Hỏi nhà cung cấp mô hình được huấn luyện trên loại dữ liệu nào, rồi tự thử trên một phần nhỏ, kiểm bằng mắt, tính tỷ lệ đúng sai. Nếu kết quả lệch nhiều so với thực tế, không nên áp dụng rộng.
Có nên gửi ảnh drone lên chatbot miễn phí để phân tích không?
Có thể dùng để tham khảo với ảnh không nhạy cảm, đã xoá thông tin vị trí và không lọt mặt người, biển số. Với ảnh công trình, ảnh của khách hàng hay khu vực nhạy cảm, cần cân nhắc điều khoản dữ liệu và sự đồng ý của chủ sở hữu.
Kết quả AI khác với nhận định của kỹ sư thì tin bên nào?
Coi kết quả AI là một ý kiến cần kiểm. Khi có khác biệt, xem lại ảnh gốc và ra hiện trường. Quyết định liên quan tới an toàn công trình hay chi phí lớn nên dựa trên nhận định của người có chuyên môn đã xác nhận tại chỗ.
AI phát hiện người trong ảnh drone có vi phạm quyền riêng tư không?
Phát hiện người để cứu hộ hay đảm bảo an toàn khác với nhận dạng danh tính hay theo dõi. Dù mục đích chính đáng, vẫn cần hạn chế lưu và chia sẻ hình ảnh có người, tuân thủ quy định về dữ liệu cá nhân hiện hành.