Trong bối cảnh ngành nuôi tôm ngày càng phát triển và đối mặt với nhiều loại bệnh phức tạp, việc áp dụng công nghệ AI để hỗ trợ phát hiện sớm và chính xác bệnh có ý nghĩa quan trọng trong việc giảm thiểu rủi ro và nâng cao hiệu quả sản xuất.

Nghiên cứu sử dụng bộ dữ liệu gồm 6 lớp bệnh tôm khác nhau và áp dụng phương pháp kết hợp giữa trích xuất đặc trưng hình ảnh bằng thuật toán SURF (Speeded-Up Robust Features) và phân cụm dữ liệu bằng thuật toán K-means. Trên cơ sở đó, bốn mô hình học máy được lựa chọn để so sánh hiệu quả phân loại gồm: hồi quy logistic đa thức (Multinomial Logistic Regression), Naïve Bayes, K láng giềng gần nhất (K-Nearest Neighbors – KNN) và rừng ngẫu nhiên (Random Forest). Hiệu suất của các mô hình được đánh giá thông qua các chỉ số phổ biến như Precision, Recall và F1-score.

Kết quả thử nghiệm ban đầu cho thấy độ chính xác của các mô hình chưa cao khi áp dụng trực tiếp trên tập đặc trưng ban đầu, trong đó mô hình Random Forest đạt kết quả tốt nhất với chỉ số Recall là 47,7%. Để cải thiện hiệu quả, nghiên cứu tiếp tục thực hiện phân cụm dữ liệu thành 4 nhóm bằng thuật toán K-means và tiến hành huấn luyện lại các mô hình trên dữ liệu đã được phân nhóm. Kết quả cho thấy sự cải thiện rõ rệt, đặc biệt mô hình Random Forest đạt độ chính xác cao nhất với Recall lên đến 85,9%.

Nghiên cứu khẳng định rằng việc kết hợp các kỹ thuật xử lý ảnh và học máy có thể nâng cao đáng kể hiệu quả nhận diện bệnh tôm. Đồng thời, mô hình Random Forest được xác định là phù hợp nhất trong bối cảnh nghiên cứu này. Kết quả là cơ sở quan trọng cho việc phát triển các hệ thống hỗ trợ chẩn đoán bệnh tự động, góp phần thúc đẩy ứng dụng công nghệ số trong ngành nuôi trồng thủy sản.