AI nhận diện bệnh trên tôm được sinh viên Trường Đại học FPT phát triển thành ứng dụng di động, hỗ trợ sàng lọc bệnh mang đen và đốm trắng.
Từ những hình ảnh tôm được chụp bằng điện thoại trong điều kiện thực tế, nhóm sinh viên chuyên ngành Trí tuệ nhân tạo Trường Đại học FPT đã nghiên cứu mô hình AI nhận diện bệnh trên tôm theo hướng gọn nhẹ, có khả năng xác định vùng có dấu hiệu bất thường và vận hành trực tiếp trên thiết bị di động. Đồ án hướng đến việc đưa kết quả nghiên cứu trí tuệ nhân tạo đến gần hơn với nhu cầu thực tế trong lĩnh vực nuôi trồng thủy sản.
Đồ án “Lightweight Deep Learning for Robust Shrimp Disease Detection on Mobile Devices under Diverse Environmental Conditions” được thực hiện bởi nhóm CVio dưới sự hướng dẫn của thầy Nguyễn Đình Vinh. Nhóm gồm Trần Hữu Nhân, sinh viên Trí tuệ nhân tạo K18, trưởng nhóm; Lê Thị Huỳnh Như, sinh viên Trí tuệ nhân tạo K18 và Nguyễn Văn Phong, sinh viên Trí tuệ nhân tạo K19.
Xuất phát từ thực tế nuôi tôm là lĩnh vực có giá trị kinh tế cao, trong khi những bệnh như mang đen và đốm trắng có thể ảnh hưởng lớn đến quá trình nuôi và sản xuất, nhóm CVio đặt ra bài toán ứng dụng trí tuệ nhân tạo để hỗ trợ sàng lọc ban đầu tình trạng của tôm thông qua hình ảnh.
Tuy nhiên, để một hệ thống AI nhận diện bệnh trên tôm có thể tiến gần hơn đến điều kiện sử dụng thực tế, nhóm phải giải quyết một thách thức quan trọng: hình ảnh được chụp bằng điện thoại có thể thay đổi đáng kể về ánh sáng, góc chụp, phông nền, độ nét và chất lượng camera.
Trong môi trường nghiên cứu, một mô hình AI có thể đạt kết quả tốt khi dữ liệu được thu thập trong điều kiện tương đối đồng nhất. Nhưng khi đưa vào điện thoại và sử dụng trong thực tế, hình ảnh đầu vào có thể không còn lý tưởng. Sự khác biệt về thiết bị, ánh sáng hoặc góc chụp có thể ảnh hưởng đến khả năng nhận diện của mô hình.
Thay vì chỉ tập trung xây dựng một mô hình có khả năng phân loại hình ảnh trong điều kiện lý tưởng, nhóm lựa chọn nghiên cứu đồng thời khả năng nhận diện tình trạng của tôm, xác định vị trí vùng có biểu hiện bất thường và đánh giá độ ổn định của hệ thống khi chất lượng hình ảnh thay đổi.
Đồ án vì thế được định hướng ngay từ đầu nhằm thu hẹp khoảng cách giữa một mô hình AI trong môi trường nghiên cứu và một công cụ có thể vận hành trên điện thoại trong thực tế. Đây cũng là điểm nổi bật trong cách nhóm tiếp cận bài toán AI nhận diện bệnh trên tôm, khi khả năng triển khai thực tế được đặt song song với hiệu quả của mô hình.
Với hệ thống do nhóm phát triển, người dùng có thể chụp hoặc lựa chọn hình ảnh tôm có sẵn trên điện thoại. AI sau đó phân tích hình ảnh và phân loại thành bốn nhóm gồm tôm khỏe, bệnh mang đen, bệnh đốm trắng hoặc trường hợp đồng thời có dấu hiệu của hai bệnh.
Khi nhận thấy dấu hiệu bệnh với mức độ tin cậy phù hợp, một mô hình thứ hai tiếp tục phân tích và đánh dấu trực tiếp trên hình ảnh những khu vực có dấu hiệu liên quan đến bệnh mang đen hoặc đốm trắng.
Cách tiếp cận này giúp kết quả không chỉ dừng lại ở việc đưa ra tên tình trạng dự đoán. Người dùng còn có thể quan sát khu vực trên con tôm đã góp phần vào kết quả phân tích, cùng mức độ tin cậy, các khả năng dự đoán khác và hình ảnh vùng bất thường.
Ứng dụng cũng lưu lại lịch sử các lần kiểm tra để hỗ trợ quá trình theo dõi. Nhờ đó, người dùng có thể xem lại những kết quả đã thực hiện thay vì chỉ nhận một kết quả tại thời điểm kiểm tra. Đây là một trong những yếu tố giúp giải pháp hướng đến trải nghiệm sử dụng thực tế hơn.
Điểm nổi bật của đồ án là việc kết hợp ba nhiệm vụ gồm nhận diện tình trạng, xác định vùng dấu hiệu bệnh và triển khai trên điện thoại trong cùng một quy trình. Hai mô hình AI đã được nhóm tích hợp thành công vào một ứng dụng Android hoàn chỉnh, vận hành trên ba thiết bị Android khác nhau và được thử nghiệm bằng hình ảnh thực tế từ ba camera điện thoại của các thành viên.
Kết quả thực nghiệm cho thấy mô hình phân loại cuối cùng đạt độ chính xác 91,33% và 91,01% Macro-F1, cải thiện 1,99 điểm phần trăm Macro-F1 so với mô hình đối chứng trong cùng điều kiện thí nghiệm.
Đối với nhiệm vụ khoanh vùng dấu hiệu bệnh, mô hình cuối cùng có khoảng 2,855 triệu tham số và đạt 55,07% mAP50 trên nhóm ảnh có vùng bệnh được gán nhãn. Những kết quả này cho thấy hướng tiếp cận của nhóm có khả năng kết hợp mô hình gọn nhẹ với chức năng xác định vị trí dấu hiệu bệnh để hướng tới triển khai trên thiết bị di động.
Việc tối ưu mô hình để có thể vận hành trên điện thoại mang ý nghĩa quan trọng đối với AI nhận diện bệnh trên tôm. Thay vì phụ thuộc hoàn toàn vào một hệ thống máy tính có cấu hình cao, giải pháp có thể được đưa vào thiết bị phổ biến hơn, qua đó mở rộng khả năng thử nghiệm trong những bối cảnh sử dụng khác nhau.
Dù vậy, kết quả hiện tại vẫn cần được tiếp tục kiểm chứng trên quy mô rộng hơn. Điều kiện thực tế của các vùng nuôi có thể khác nhau về môi trường, giống tôm, chất lượng hình ảnh và thiết bị sử dụng. Việc mở rộng dữ liệu và thử nghiệm trong nhiều điều kiện là bước cần thiết để đánh giá sâu hơn độ ổn định của mô hình.
Từ hướng nghiên cứu chính của đồ án, nhóm CVio còn phát triển công trình “ASL-LDAM with SimAM-DCFR Attention for Robust YOLO-Based Shrimp Disease Image Classification Under Noisy Imaging Conditions”. Công trình đã nhận thông báo chấp nhận trình bày báo cáo miệng tại ISBM 2026 và chấp nhận xuất bản có điều kiện sau khi hoàn thành các yêu cầu của hội nghị và quy trình chất lượng xuất bản của Springer.
Việc tiếp tục phát triển nghiên cứu cho thấy nhóm không chỉ tập trung vào một ứng dụng cụ thể mà còn tìm cách cải thiện khả năng xử lý hình ảnh trong điều kiện nhiễu. Đây là hướng có ý nghĩa đối với các bài toán AI nhận diện bệnh trên tôm, bởi hình ảnh thực tế thường khó đảm bảo đồng nhất về chất lượng như dữ liệu trong phòng thí nghiệm.
CVio được nhóm xác định là công cụ hỗ trợ sàng lọc hình ảnh ban đầu, không thay thế chẩn đoán của chuyên gia thú y hoặc các phương pháp xét nghiệm chuyên môn. Vì vậy, kết quả từ ứng dụng cần được xem như một nguồn thông tin tham khảo để hỗ trợ nhận diện dấu hiệu bất thường, thay vì sử dụng như kết luận chẩn đoán cuối cùng.
Việc tiếp tục cải thiện tính ổn định của ứng dụng và mở rộng thử nghiệm trong môi trường thực tế cũng là những hướng phát triển tiếp theo được đặt ra cho dự án. Khi có thêm dữ liệu từ nhiều điều kiện nuôi trồng khác nhau, nhóm có thể tiếp tục đánh giá khả năng thích ứng của mô hình và xác định những điểm cần tối ưu.
Từ một bài toán của ngành nuôi trồng thủy sản, nhóm CVio đã đi qua quá trình nghiên cứu, thực nghiệm, tối ưu mô hình và phát triển ứng dụng trên thiết bị di động. Đồ án cho thấy cách sinh viên Trường Đại học FPT đưa kiến thức trí tuệ nhân tạo từ giảng đường đến gần hơn với những bài toán thực tế.
Với hướng tiếp cận AI nhận diện bệnh trên tôm, dự án không chỉ tập trung vào việc xây dựng một mô hình có độ chính xác cao mà còn quan tâm đến khả năng vận hành trên thiết bị phổ biến, khả năng giải thích kết quả thông qua vùng dấu hiệu bất thường và tính ổn định khi hình ảnh thay đổi.
Đây cũng là nền tảng để nhóm tiếp tục nghiên cứu khả năng ứng dụng AI trong quản lý sức khỏe vật nuôi thủy sản. Khi công nghệ được phát triển theo hướng gọn nhẹ, dễ tiếp cận và có khả năng hỗ trợ sàng lọc ban đầu, trí tuệ nhân tạo có thêm cơ hội trở thành công cụ hỗ trợ người nuôi trong quá trình theo dõi tình trạng vật nuôi, đồng thời mở ra những hướng nghiên cứu mới cho việc ứng dụng công nghệ vào ngành thủy sản.
