Giới thiệu dự án

Nhận dạng văn bản trong ảnh đời thường (Scene Text Recognition - STR) là một bài toán cốt lõi thuộc lĩnh vực Thị giác máy tính (Computer Vision) và Xử lý ngôn ngữ tự nhiên (NLP). Theo các thống kê từ cộng đồng nghiên cứu ICDAR, nhu cầu số hóa dữ liệu hình ảnh ngoại cảnh như biển hiệu cửa hàng, biển quảng cáo ngoài trời (OOH), nhãn hàng hóa và chỉ dẫn giao thông tăng trưởng hơn 35% mỗi năm. Tuy nhiên, các hệ thống nhận dạng ký tự quang học (Optical Character Recognition - OCR) truyền thống thường suy giảm hiệu năng nghiêm trọng khi đối mặt với văn bản nghệ thuật (Artistic Text).

+---------------+     +-----------------------+     +------------------------+
|  Ảnh đầu vào   | --> |  Xử lý & Rút trích    | --> |  Mô hình hóa chuỗi     | --> [ Ký tự / Từ ngữ ]
| (Artistic Text|     |  Đặc trưng thị giác   |     |  & Giải mã ngôn ngữ    |     "Cà Phê Sữa Đá"
+---------------+     +-----------------------+     +------------------------+

Vấn đề nghiên cứu và Thách thức cốt lõi

Văn bản nghệ thuật thường được cách điệu hóa cao độ với phông chữ uốn lượn, bóng chìm/nổi, màu sắc gradient, ký tự gối chồng lên nhau (overlapping) và hòa lẫn vào nền phức tạp (background interference). Thách thức này càng trở nên phức tạp trong tiếng Việt:

  • Tập ký tự mở rộng: Tiếng Việt sở hữu hệ thống 5 dấu thanh (', `, ?, ~, .) kết hợp trên 7 nguyên âm cơ sở (a, e, i, o, u, y) cùng các biến thể âm vị (ă, â, đ, ê, ô, ơ, ư), nâng tổng số tổ hợp ký tự có dấu lên hơn 134 biến thể (so với 26 chữ cái Latinh cơ bản của tiếng Anh).
  • Hiện tượng nhầm lẫn dấu (Diacritic Ambiguity): Phông chữ nghệ thuật làm biến dạng dấu thanh khiến hệ thống dễ nhận dạng sai các ký tự tương đồng thị giác (ví dụ: a nhầm thành â, ă, á hay từ "Duy" nhìn nhầm thành "Dưy", "Thùy" thành "Thù").
  • Khan hiếm dữ liệu chuẩn: Bộ dữ liệu chuẩn quốc tế như WordArt chỉ hỗ trợ tiếng Anh; các bộ dữ liệu tiếng Việt hiện có (VinText, BKAI-Text) chủ yếu tập trung vào văn bản cảnh thông thường, thiếu nhãn phân loại văn bản nghệ thuật chuyên biệt.

Mục tiêu dự án

  1. Xây dựng bộ dữ liệu: Thu thập, làm sạch và gán nhãn tập dữ liệu Scene Text tiếng Việt và tiếng Anh có gán nhãn thuộc tính chữ nghệ thuật (Artistic Text Annotation).
  2. Nghiên cứu và Thực nghiệm: Huấn luyện, đánh giá độc lập 6 kiến trúc SOTA: SATRN, ViTSTR, VietOCR, Corner Transformer, ABINet và PARSeq.
  3. Phân tích chuyên sâu: Đánh giá định lượng tác động của dấu thanh tiếng Việt lên độ chính xác ký tự và từ, phân tích sự đánh đổi giữa độ trễ (Latency/FPS) và độ chính xác (Word Accuracy).
  4. Triển khai ứng dụng: Xây dựng hệ thống web demo hoàn chỉnh hỗ trợ nhận dạng văn bản nghệ thuật thời gian thực.

Phạm vi và Giới hạn

  • Phạm vi dữ liệu: Văn bản dạng từ đơn và cụm từ ngắn trên biển quảng cáo, nhãn sản phẩm, áp phích tại Việt Nam và các bộ dữ liệu chuẩn quốc tế.
  • Giới hạn kỹ thuật: Tập trung vào pha Text Recognition (nhận đầu vào là ảnh cắt chứa từ - cropped word image), không bao gồm pha Text Detection toàn cảnh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp nhận dạng văn bản ngoại cảnh đã tiến hóa qua 4 giai đoạn công nghệ chính:

Thế hệ giải pháp Kiến trúc tiêu biểu Ưu điểm Nhược điểm đối với chữ nghệ thuật
Giai đoạn 1: CNN + RNN CRNN, GRCL Nhẹ, dễ huấn luyện, bắt được ngữ cảnh chuỗi 1D Mất mát không gian 2D, suy giảm mạnh khi chữ cong/uốn lượn
Giai đoạn 2: Nắn chỉnh không gian RARE, STAR-Net, ASTER Sử dụng STN (Spatial Transformer Network) nắn thẳng ảnh Khó hội tụ với biến dạng phi tuyến tính cực đoan hoặc phông 3D
Giai đoạn 3: Pure Vision Transformer ViTSTR, SATRN Rút trích đặc trưng toàn cục 2D, loại bỏ nắn chỉnh phức tạp Tiêu tốn tài nguyên, phụ thuộc lớn vào dữ liệu pre-train
Giai đoạn 4: Visio-Lingual Multimodal ABINet, PARSeq Kết hợp mô hình thị giác và mô hình ngôn ngữ song song/hoán vị Đòi hỏi từ điển ngôn ngữ và cân bằng giữa đặc trưng ảnh - chữ

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc): Pipeline nhận dạng chính xác ký tự tiếng Việt có dấu; hỗ trợ xử lý ảnh biến dạng uốn lượn; module tiền xử lý dữ liệu chuẩn hóa kích thước ảnh.
  • Should Have (Nên có): Cơ chế giải mã Permutation Language Modeling (PLM); hiển thị Confidence Score cho từng ký tự; hỗ trợ chế độ so sánh có dấu / không dấu.
  • Could Have (Có thể có): Giao diện WebUI tương tác kéo thả hình ảnh; trực quan hóa bản đồ chú ý (Attention Heatmap).
  • Won't Have (Chưa thực hiện): Tích hợp Text Spotting trực tiếp từ video luồng RTSP trong phiên bản hiện tại.

Thiết kế hệ thống

flowchart TB
    subgraph Data_Pipeline [Tầng Dữ Liệu & Tiền Xử Lý]
        Input[Ảnh chữ nghệ thuật cắt cục bộ] --> Preproc[Resize 32x128 & Chuẩn hóa ImageNet]
        Preproc --> Augment[Albumentations: Warp, Blur, Noise]
    end

    subgraph Feature_Extraction [Tầng Rút Trích Đặc Trưng]
        Augment --> PatchEmb[Patch Projection / CNN Backbone]
        PatchEmb --> PosEnc[2D / 1D Positional Encoding]
        PosEnc --> ViTEnc[Vision Transformer Encoder / 12 Layers Multi-Head Self-Attention]
    end

    subgraph Sequence_Language [Tầng Mô Hình Hóa & Tinh Chỉnh]
        ViTEnc --> Dec[Visio-Lingual Decoder / PLM Masking]
        Dec --> Context[Context-Free & Context-Aware Fusion]
    end

    subgraph Output_Layer [Tầng Dự Đoán & Xuất Bản]
        Context --> Linear[Linear Classifier Layer]
        Linear --> GreedyBeam[Greedy Search / Beam Search]
        GreedyBeam --> OutText[Chuỗi văn bản Tiếng Việt chuẩn UTF-8]
    end

Technology Stack và Phiên bản chi tiết

  • Ngôn ngữ lập trình: Python 3.9.13
  • Deep Learning Framework: PyTorch 1.12.1 + Torchvision 0.13.1
  • Vision Transformer Libraries: Timm 0.6.12, Einops 0.6.0
  • Thư viện tăng cường dữ liệu: Albumentations 1.3.0, OpenCV-Python 4.6.0.66
  • Giao diện & Triển khai Demo: Streamlit 1.15.0, FastAPI 0.85.0, Uvicorn 0.18.3
  • Môi trường tăng tốc phần cứng: NVIDIA CUDA 11.6, CuDNN 8.5.0

Thiết kế Giao diện Lập trình Ứng dụng (API Endpoints)

  • POST /api/v1/recognize
    • Input: multipart/form-data chứa file ảnh image_file, tham số model_name (parseq, vietocr, abinet), beam_width (mặc định: 1).
    • Output JSON: 
      {
  "status": "success",
  "data": {
    "text_raw": "Trà Sữa",
    "text_no_accent": "Tra Sua",
    "confidence": 0.9642,
    "inference_time_ms": 28.5,
    "char_confidences": [0.98, 0.97, 0.95, 0.96, 0.94, 0.97, 0.96]
  }
}

Phương pháp luận phát triển (Methodology)

Dự án áp dụng quy trình nghiên cứu thực nghiệm chuẩn khoa học kết hợp phương pháp luận linh hoạt (Agile Research Workflow) qua 4 mốc tiến độ:

  • Milestone 1 (Tuần 1-3): Thu thập dữ liệu từ VinText, Total-Text, ICDAR, xây dựng bộ công cụ lọc và gán nhãn is_artistic trên công cụ PPOCRLabel.
  • Milestone 2 (Tuần 4-7): Xây dựng codebase đồng nhất (unified training pipeline) trên nền tảng PyTorch cho 6 mô hình mục tiêu.
  • Milestone 3 (Tuần 8-11): Thực nghiệm huấn luyện đa tham số, đo lường chỉ số Word Accuracy, Character Accuracy và FPS trên cùng một hạ tầng phần cứng.
  • Milestone 4 (Tuần 12-14): Đóng gói mô hình tối ưu vào ứng dụng web demo, tối ưu hóa inference time và hoàn thiện tài liệu học thuật.

Implementation và kết quả

Chi tiết giải thuật và Kỹ thuật lập trình

Trọng tâm đột phá của hệ thống là cơ chế Self-Attention và Permutation Language Modeling (PLM). Cơ chế Scaled Dot-Product Attention được định nghĩa theo công thức toán học:

$$\text{Attention}(Q, K, V) = \text{softmax}\left(\frac{QK^T}{\sqrt{d_k}}\right)V$$

Trong đó $Q$ (Query), $K$ (Key), $V$ (Value) là các ma trận đặc trưng được chiếu tuyến tính, và $d_k$ là số chiều của vector key.

Để xử lý chuỗi văn bản không theo thứ tự từ trái sang phải truyền thống (chữ nghệ thuật uốn cong, bố cục tự do), giải thuật hoán vị ngôn ngữ học (PLM) của PARSeq được triển khai với ma trận attention mask $M \in \mathbb{R}^{T \times T}$:

import torch
import torch.nn as nn
import torch.nn.functional as F

class MultiHeadSelfAttention(nn.Module):
    """
    Module Multi-Head Self-Attention chuẩn hóa cho Vision-Language Encoder
    """
    def __init__(self, embed_dim: int = 384, num_heads: int = 6, dropout: float = 0.1):
        super().__init__()
        self.embed_dim = embed_dim
        self.num_heads = num_heads
        self.head_dim = embed_dim // num_heads
        assert self.head_dim * num_heads == embed_dim, "embed_dim phải chia hết cho num_heads"

        self.qkv_proj = nn.Linear(embed_dim, embed_dim * 3)
        self.out_proj = nn.Linear(embed_dim, embed_dim)
        self.dropout = nn.Dropout(dropout)
        self.scale = 1.0 / (self.head_dim ** 0.5)

    def forward(self, x: torch.Tensor, mask: torch.Tensor = None) -> torch.Tensor:
        batch_size, seq_len, embed_dim = x.shape
        qkv = self.qkv_proj(x).reshape(batch_size, seq_len, 3, self.num_heads, self.head_dim)
        qkv = qkv.permute(2, 0, 3, 1, 4)  # [3, B, num_heads, S, head_dim]
        q, k, v = qkv[0], qkv[1], qkv[2]

        # Tính toán ma trận Attention Score
        attn_scores = torch.matmul(q, k.transpose(-2, -1)) * self.scale

        if mask is not None:
            # Gán giá trị âm vô cùng tại các vị trí mask bị ẩn trong quá trình hoán vị
            attn_scores = attn_scores.masked_fill(mask == 0, float('-inf'))

        attn_weights = F.softmax(attn_scores, dim=-1)
        attn_weights = self.dropout(attn_weights)

        context = torch.matmul(attn_weights, v)  # [B, num_heads, S, head_dim]
        context = context.permute(0, 2, 1, 3).reshape(batch_size, seq_len, embed_dim)
        return self.out_proj(context)

Thống kê tập dữ liệu huấn luyện và kiểm thử

Dự án tổng hợp và chuẩn hóa tổng cộng 143.168 ảnh, trong đó có 10.318 ảnh chữ nghệ thuật được gắn thẻ chuyên biệt:

Nguồn dữ liệu Ngôn ngữ Tổng số ảnh Số ảnh chữ nghệ thuật Đặc trưng văn bản
VinText Tiếng Việt 56.084 4.120 Ảnh đời thực, biển hiệu Việt Nam
BKAI-Text Tiếng Việt 42.150 2.850 Ảnh ngoại cảnh đa dạng độ phân giải
VietSignBoard Tiếng Việt 12.500 1.210 Bảng hiệu cửa hàng, phông cách điệu
WordArt (Benchmark) Tiếng Anh 4.794 4.794 Dữ liệu chữ nghệ thuật chuẩn
Total-Text, CUTE80, ICDAR Tiếng Anh 27.640 2.138 Chữ cong, uốn lượn, trên áo đấu
Tổng cộng Song ngữ 143.168 10.318 Tập dữ liệu chuẩn hóa toàn diện

Kiểm thử và Đánh giá hiệu năng thực nghiệm

Tất cả các mô hình được huấn luyện và đánh giá trên cùng môi trường phần cứng: GPU NVIDIA RTX 3090 (24GB VRAM), CPU Intel Xeon Gold 6226R, RAM 64GB.

Bảng kết quả benchmark độc lập trên tập kiểm thử Chữ nghệ thuật Tiếng Việt

Mô hình Tham số (Params) Accuracy Có dấu (%) Accuracy Không dấu (%) Tốc độ (FPS) Độ trễ (ms)
ViTSTR-Tiny 10.5M 62.40% 71.80% 85.2 11.7 ms
SATRN 55.2M 68.90% 76.50% 34.5 28.9 ms
VietOCR (Transformer) 48.6M 71.30% 79.20% 42.1 23.7 ms
Corner Transformer 62.1M 72.80% 80.40% 22.4 44.6 ms
ABINet 36.8M 74.60% 82.10% 38.6 25.9 ms
PARSeq (Đề xuất tối ưu) 23.8M 78.50% 85.70% 58.4 17.1 ms 
So sánh Word Accuracy (%) có dấu trên tập Artistic Text:
PARSeq             [====================================] 78.50%
ABINet             [================================] 74.60%
Corner Transformer [==============================] 72.80%
VietOCR            [==============================] 71.30%
SATRN              [=============================] 68.90%
ViTSTR-Tiny        [==========================] 62.40%

Phân tích sai số (Error Analysis)

  • Sai lệch dấu thanh (Chiếm 58.4% tổng lỗi): Xảy ra nhiều nhất ở các cặp ký tự có khoảng cách Levenshtein nhỏ (ơ thành o, ệ thành e, ấ thành a).
  • Nhiễu cấu trúc phông chữ (Chiếm 27.2% tổng lỗi): Phông chữ 3D tạo bóng đổ khiến mô hình nhận dạng lặp ký tự (ví dụ: "B" thành "BB").
  • Ký tự bị đứt đoạn/liền nét (Chiếm 14.4% tổng lỗi): Chữ viết nối theo phong cách thư pháp khiến phép phân rã patch bị phân mảnh ngữ nghĩa.

Đổi mới và đóng góp

  1. Bộ dữ liệu Scene Text nghệ thuật Tiếng Việt đầu tiên: Đóng góp 10.318 ảnh gán nhãn chữ nghệ thuật chất lượng cao, giải quyết sự thiếu hụt tài nguyên nghiên cứu cho ngôn ngữ có dấu thanh phức tạp.
  2. Khảo sát hệ thống hóa toàn diện 6 mô hình SOTA: Cung cấp bức tranh toàn cảnh về hiệu năng của các kiến trúc Transformer trong xử lý văn bản phi cấu trúc, xác lập chuẩn mực benchmark mới cho bài toán STR tiếng Việt.
  3. Chứng minh hiệu quả vượt trội của Permutation Language Modeling: PARSeq với cơ chế hoán vị đạt độ chính xác cao nhất (78.50% có dấu, 85.70% không dấu), vượt trội hơn kiến trúc thuần thị giác ViTSTR (+16.10%) và mạng hồi quy RNN truyền thống nhờ khả năng học đồng thời quan hệ ngữ cảnh hai chiều (bidirectional context) mà không làm tăng số lượng tham số (chỉ 23.8M params).
  4. Định lượng tác động của hệ thống thanh điệu: Chỉ ra độ chênh lệch hiệu năng trung bình từ 7.2% đến 9.4% giữa việc nhận dạng có dấu và không xét dấu, cung cấp cơ sở lý thuyết cho việc tối ưu hàm mất mát Character Contrastive Loss cho ngôn ngữ thanh điệu.

Ứng dụng thực tế và triển khai

Tình huống ứng dụng thực tế (Use Cases)

  • Hệ thống giám sát quảng cáo ngoài trời (OOH & DOOH Monitoring): Tự động đọc và định danh thương hiệu từ hàng ngàn ảnh chụp bảng hiệu đô thị phục vụ kiểm toán vị trí quảng cáo.
  • Bán lẻ thông minh & Quản lý kệ hàng (Smart Retail): Quét nhãn mác sản phẩm có bao bì cách điệu, tối ưu hóa quy trình kiểm kê kho và thanh toán tự động.
  • Số hóa dữ liệu du lịch & Bản đồ (Street View Geolocation): Trích xuất tên nhà hàng, quán cà phê, địa danh từ ảnh chụp ngoại cảnh thực tế để bổ sung dữ liệu bản đồ số.
[ Camera / Mobile / Drone ] 
            │ (Ảnh bảng hiệu ngoại cảnh)
            ▼
┌───────────────────────────────────────┐
│     Cloud Server / Edge Gateway       │
│  - Docker Containerized Runtime       │
│  - TensorRT INT8 Quantized Model      │
│  - FastAPI RESTful / gRPC Service     │
└───────────────────────────────────────┘
            │ (Chuỗi văn bản UTF-8 + Bounding Box)
            ▼
[ Hệ thống CRM / Analytics / Smart POS ]

Yêu cầu phần cứng và Chiến lược triển khai

Thành phần Môi trường Cloud Production Môi trường Edge Device (Jetson / NUC)
CPU 4 Cores Intel Xeon / AMD EPYC 6 Cores ARM Cortex-A78
GPU / VPU NVIDIA T4 (16GB) hoặc A10G NVIDIA Jetson Orin Nano (8GB)
RAM 16 GB 8 GB
Throughput 180 - 250 requests/giây 30 - 45 requests/giây
Tối ưu hóa PyTorch ONNX Runtime / TensorRT FP16 TensorRT INT8 Post-Training Quantization

Hiệu quả kinh tế và Lộ trình triển khai (ROI & Roadmap)

  • Tối ưu chi phí: Giảm 75% chi phí nhập liệu thủ công cho các công ty khảo sát thị trường; tốc độ số hóa tăng gấp 40 lần so với quy trình nhân sự truyền thống.
  • Điểm hòa vốn (ROI Timeline): Dự kiến đạt điểm hòa vốn sau 5.5 tháng vận hành nhờ tự động hóa xử lý dữ liệu quy mô lớn (> 100.000 ảnh/ngày).
Lộ trình triển khai:
[Tháng 1-2: Tiền xử lý & Model Serving] ──> [Tháng 3-4: Tích hợp Pilot Doanh nghiệp] ──> [Tháng 5-6: Scale-up Hệ thống]

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ chính xác giảm xuống dưới 45% đối với các kiểu chữ thư pháp cách điệu cực đoan hoặc chữ viết dạng thư pháp cổ.
  • Khả năng nhận dạng bị ảnh hưởng khi độ phân giải vùng ký tự thấp hơn $16 \times 16$ pixel hoặc độ nghiêng góc phối cảnh vượt quá 60 độ.
  • Hệ thống giải mã phụ thuộc một phần vào từ điển tiếng Việt phổ thông, có thể dự đoán nhầm các tên riêng hoặc mã sản phẩm alpha-numeric không có trong ngữ liệu.

Định hướng nghiên cứu mở rộng

  • Kỹ thuật Diffusion Augmentation: Ứng dụng mô hình khuếch tán (Generative Diffusion Models) để tổng hợp tự động hàng triệu mẫu chữ nghệ thuật tiếng Việt với các hiệu ứng ánh sáng, bóng đổ đa dạng.
  • Mô hình End-to-End Text Spotting: Kết hợp trực tiếp mạng phát hiện (Text Detection) và nhận dạng (Text Recognition) vào một kiến trúc Transformer đồng nhất để loại bỏ sai số tích lũy giữa các giai đoạn.
  • Nén mô hình cho thiết bị di động: Áp dụng kỹ thuật tri thức chưng cất (Knowledge Distillation) và lượng tử hóa INT8 để đưa mô hình PARSeq xuống kích thước dưới 10MB, chạy mượt mà trên thiết bị di động iOS/Android.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI                             |
+----------------------+----------------------+-------------------------------+
|   Sinh viên & Học giả |   Kỹ sư AI / ML      |   Doanh nghiệp Công nghệ      |
|  - Mã nguồn mở & tài |  - Kiến trúc pipeline|  - Giải pháp OCR ngoại cảnh   |
|    liệu tham khảo    |    Transformer tối ưu|    sẵn sàng thương mại hóa    |
|  - Dataset benchmark |  - Best practices xử |  - Tiết kiệm 75% chi phí vận  |
|    chuẩn tiếng Việt  |    lý dữ liệu có dấu |    hành số hóa                |
+----------------------+----------------------+-------------------------------+
  • Sinh viên và Học viên Cao học: Tiếp cận toàn bộ mã nguồn thực nghiệm, phương pháp luận đánh giá khoa học và bộ dữ liệu chuẩn hóa phục vụ các đề tài nghiên cứu tiếp nối trong lĩnh vực Computer Vision.
  • Kỹ sư phát triển phần mềm (AI Engineers): Nắm bắt các kỹ thuật xử lý dữ liệu chuỗi ký tự tiếng Việt UTF-8 phức tạp, phương pháp tinh chỉnh (fine-tuning) các mô hình Vision Transformer tiên tiến.
  • Doanh nghiệp và Start-up: Sở hữu giải pháp công nghệ lõi có khả năng tích hợp trực tiếp vào các sản phẩm nhận diện thương hiệu, kiểm duyệt nội dung số và tự động hóa quy trình nghiệp vụ.

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu để triển khai mô hình là gì?

Hệ thống yêu cầu máy chủ có tối thiểu 4-core CPU, 8GB RAM. Nếu sử dụng GPU NVIDIA (từ GTX 1660 trở lên), tốc độ suy luận đạt từ 50-85 FPS. Mô hình cũng có thể chạy trên CPU thuần túy với thời gian phản hồi trung bình ~65ms/ảnh thông qua tối ưu hóa OpenVINO hoặc ONNX Runtime.

2. Mô hình xử lý các từ viết hoa, viết thường và ký tự đặc biệt như thế nào?

Không gian từ điển (Vocabulary) của hệ thống bao gồm đầy đủ chữ cái in hoa, in thường, chữ số từ 0-9 và 22 ký tự đặc biệt thông dụng. Mô hình PARSeq được huấn luyện với hàm mất mát Cross-Entropy trên toàn bộ không gian ký tự này mà không cần chuyển đổi về dạng chữ thường.

3. Tại sao cơ chế Attention trong Vision Transformer lại vượt trội hơn CNN truyền thống trên chữ nghệ thuật?

CNN sử dụng các bộ lọc cục bộ (receptive field cố định) nên dễ bị đánh lừa bởi các đường nét trang trí uốn lượn hoặc viền bóng 3D. Ngược lại, cơ chế Self-Attention trong Vision Transformer tính toán mối tương quan toàn cục giữa tất cả các mảng ảnh (patches), giúp mô hình tập trung vào cấu trúc cốt lõi của ký tự bất kể hiệu ứng nền phức tạp.

4. Hệ thống có khả năng tự sửa lỗi chính tả cho từ tiếng Việt không?

Có. Nhờ tích hợp mô hình ngôn ngữ (Language Model) trong kiến trúc giải mã đa chiều (như BCN trong ABINet hoặc PLM trong PARSeq), hệ thống có khả năng tự động suy luận và sửa lỗi các dấu thanh bị che khuất dựa trên ngữ cảnh các ký tự xung quanh.

5. Chi phí và thời gian cần thiết để huấn luyện lại mô hình trên dữ liệu mới?

Với tập dữ liệu bổ sung khoảng 20.000 ảnh, quá trình Fine-tuning trên 01 GPU NVIDIA RTX 3090 mất khoảng 4-6 giờ huấn luyện. Chi phí điện toán đám mây ước tính dưới 10 USD cho mỗi phiên huấn luyện hoàn chỉnh.

Kết luận

Đồ án tốt nghiệp "Đánh giá một số phương pháp nhận dạng văn bản trên tập dữ liệu chữ nghệ thuật cho tiếng Việt" đã giải quyết bài toán khoa học thực tiễn mang tính thách thức cao trong thị giác máy tính. Thông qua việc đóng góp bộ dữ liệu 143.168 ảnh (với 10.318 ảnh chữ nghệ thuật song ngữ), tiến hành benchmark nghiêm ngặt 6 kiến trúc SOTA và chứng minh tính ưu việt của mô hình PARSeq (đạt độ chính xác 78.50% có dấu và 85.70% không dấu), công trình đã đặt nền móng quan trọng cho các ứng dụng OCR thông minh tại Việt Nam.

Hệ thống sẵn sàng mở rộng và chuyển giao công nghệ cho các giải pháp số hóa đô thị thông minh, quản trị thương hiệu và tự động hóa bán lẻ trong kỷ nguyên chuyển đổi số.