Nghiên Cứu Kỹ Thuật Học Sâu Trong Nhận Dạng Đối Tượng Hướng Đến Ứng Dụng Trong Giám Sát Thông Minh

Chuyên khảo kỹ thuật phân tích Đề tài nckh hcmute nghiên cứu kỹ thuật học sâu trong nhận dạng đối tượng hướng đến ứng dụng trong, đánh giá các khía cạnh quan trọng, đề xuất hướng

• Tác giả: Văn Hoàng Phước Toàn
• Người hướng dẫn: PGS.TS Hoàng Văn Dũng
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điều Khiển và Tự Động Hóa
• Đề tài: Nghiên Cứu Kỹ Thuật Học Sâu Trong Nhận Dạng Đối Tượng Hướng Đến Ứng Dụng Trong Giám Sát Thông Minh
• Loại tài liệu: Công Trình Nghiên Cứu Khoa Học
• Năm xuất bản: 2022
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Ảnh và xử lý ảnh
• 1.2. Học sâu và trí tuệ nhân tạo
• 1.3. Mạng thần kinh tích chập
• 1.4. Mô hình mạng thần kinh tích chập
• 1.5. Nhận dạng đối tượng
• 1.5.1. Khái niệm và ứng dụng
• 1.5.2. Các phương pháp nhận dạng đối tượng phổ biến hiện nay
• 1.5.2.1. Mạng thần kinh tích chập theo vùng (R-CNN)
• 1.5.2.2. Single Shot MultiBox Detector (SSD)
• 2. CHƯƠNG 2: KỸ THUẬT HỌC SÂU TRONG NHẬN DẠNG SỨ ĐIỆN
• 2.1. Tầm quan trọng của nhận dạng sứ điện
• 2.2. Nhận dạng sứ bằng YOLO
• 2.2.1. Giới thiệu về YOLO
• 2.2.2. Cách thức hoạt động của YOLO
• 2.2.3. Kiến trúc mạng YOLO
• 2.2.4. Các hàm Loss của YOLO (Loss function)
• 3. CHƯƠNG 3: GIẢI PHÁP NHẬN DẠNG SỨ ĐIỆN
• 3.1. Giải pháp tổng thể
• 3.2. Giải pháp chi tiết
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ GIẢI PHÁP
• 4.1. Môi trường và công cụ thực nghiệm
• 4.2. Thu thập và xử lý dữ liệu
• 4.3. Thực nghiệm và đánh giá
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• Tài Liệu Tham Khảo

Tóm tắt

I. Tổng Quan Nghiên Cứu Kỹ Thuật Học Sâu Giám Sát

Học sâu (Deep Learning) đang là xu hướng nghiên cứu nổi bật trong lĩnh vực học máy (Machine Learning) và trí tuệ nhân tạo (Artificial Intelligence). Kỹ thuật này đã tạo ra những bước tiến lớn trong thị giác máy tính, đặc biệt là trong các ứng dụng giám sát thông minh. Trong lĩnh vực giám sát, việc nhận dạng đối tượng, nhất là sứ điện trên mạng lưới điện, đã được nhiều nghiên cứu quan tâm. Một số công trình tập trung vào việc cải thiện các mô hình huấn luyện và nâng cao độ chính xác. Các bài báo đã sử dụng mô hình YOLO-tiny để nhận dạng sứ điện và đã cải thiện độ chính xác khi nhận dạng các loại sứ điện có kích thước và kích cỡ khác nhau bằng cách áp dụng các cấu trúc kết hợp tính năng đa tỷ lệ và mô hình gộp kim tự tháp không gian (SSP) vào mô hình. Theo nghiên cứu, độ chính xác trung bình (AP) của mô hình đạt 89.72%, hơn mô hình chưa hiệu chỉnh là 72.

1.1. Ứng Dụng Học Sâu Trong Giám Sát Hiện Đại

Học sâu đang được ứng dụng rộng rãi trong nhiều lĩnh vực, từ hệ thống gợi ý sản phẩm trực tuyến đến các trợ lý ảo và hệ thống giám sát thông minh. Khả năng xử lý lượng lớn dữ liệu và trích xuất các đặc trưng phức tạp giúp học sâu vượt trội trong việc nhận diện và phân loại đối tượng. Việc này mở ra cơ hội tự động hóa và nâng cao hiệu quả trong nhiều quy trình, đặc biệt là trong các tình huống đòi hỏi độ chính xác cao và khả năng thích ứng nhanh chóng. Các hệ thống thông minh nhất có thể chỉ cần một lượng nhỏ kinh nghiệm và tiếp tục đoán kết quả sẽ như thế nào trong nhiều tình huống khác nhau.

1.2. Thực Trạng Nhận Dạng Đối Tượng Tại Việt Nam

Ở Việt Nam, ứng dụng học sâu vào giám sát thông minh còn chưa phổ biến. Việc phát hiện sứ điện thường dựa vào quan sát thủ công từ drone, gây tốn thời gian và nguồn lực. Điều này đặt ra nhu cầu cấp thiết về các giải pháp tự động hóa, giúp giảm thiểu rủi ro cho nhân viên điện lực và nâng cao hiệu quả quản lý mạng lưới điện. Việc ứng dụng học sâu vào giám sát thông minh là điều thiết yếu. Vì thế chúng tôi đã thực hiện “Nghiên cứu ứng dụng kỹ thuật thay đổi siêu tham số trong nhân dạng sứ điện” hỗ trợ cho việc giám sát đường dây điện mà không cần quá nhiều thời gian và nhân lực.

II. Vấn Đề Thách Thức Nhận Dạng Sứ Điện Thông Minh

Việc nhận dạng sứ điện chính xác đóng vai trò quan trọng trong việc đảm bảo an toàn và ổn định của hệ thống điện. Sứ điện hư hỏng có thể gây ra những hậu quả nghiêm trọng, từ gián đoạn cung cấp điện đến các sự cố nguy hiểm. Tuy nhiên, việc kiểm tra và bảo trì thủ công tốn nhiều thời gian, công sức và tiềm ẩn rủi ro cho nhân viên. Do đó, việc phát triển các hệ thống giám sát thông minh có khả năng tự động nhận dạng và đánh giá tình trạng sứ điện là vô cùng cần thiết. Để đảm bảo cho lưới điện hoạt động tốt thì các nhân viên điện lực phải kiểm tra bằng cách leo lên các cột điện gây nguy hiểm cho con người.

2.1. Ảnh Hưởng Của Sứ Điện Hư Hỏng Đến Hệ Thống Điện

Các hư hỏng trên sứ điện, dù nhỏ, đều có thể dẫn đến những vấn đề lớn hơn. Ví dụ, vết nứt nhỏ có thể tích tụ bụi bẩn và độ ẩm, làm giảm khả năng cách điện và gây ra hiện tượng phóng điện. Khi tình trạng này kéo dài, nó có thể dẫn đến chập điện và gây ra những thiệt hại nặng nề cho hệ thống. Việc phát hiện sớm và xử lý kịp thời các hư hỏng này là yếu tố then chốt để ngăn ngừa các sự cố nghiêm trọng.

2.2. Rủi Ro Hạn Chế Của Phương Pháp Kiểm Tra Truyền Thống

Phương pháp kiểm tra sứ điện thủ công, dù vẫn được áp dụng rộng rãi, có nhiều hạn chế. Việc leo trèo lên các cột điện cao thế tiềm ẩn nguy cơ tai nạn lao động. Ngoài ra, quá trình kiểm tra tốn nhiều thời gian và công sức, đặc biệt là đối với các khu vực có địa hình phức tạp. Hơn nữa, khả năng phát hiện các hư hỏng nhỏ có thể bị hạn chế do yếu tố chủ quan của người kiểm tra. Cùng với sự phát triển công trong thời đại 4.0 thì việc ứng dụng học sâu vào giám sát thông minh là điều thiết yếu.

III. YOLO Giải Pháp Học Sâu Nhận Dạng Sứ Điện Nhanh

Mô hình YOLO (You Only Look Once) là một giải pháp học sâu hiệu quả cho bài toán nhận dạng đối tượng. YOLO hoạt động bằng cách chia hình ảnh thành nhiều ô lưới và dự đoán đồng thời các hộp giới hạn và xác suất lớp cho mỗi ô. Nhờ đó, YOLO có thể xử lý hình ảnh nhanh chóng và đạt độ chính xác cao. Trong bài toán nhận dạng sứ điện, YOLO có thể được sử dụng để phát hiện và định vị các sứ điện trong ảnh hoặc video. Kết quả nghiên cứu của đề tài có thể áp dụng được vào các hệ thống giám sát thông minh, cụ thể là trong việc phát hiện sứ điện bị hư hỏng trên mạng lưới điện.

3.1. Nguyên Lý Hoạt Động Của Thuật Toán YOLO

YOLO hoạt động bằng cách chia hình ảnh đầu vào thành một lưới các ô. Với mỗi ô, mô hình dự đoán: (1) Xác suất chứa đối tượng. (2) Tọa độ và kích thước của hộp giới hạn (bounding box). (3) Xác suất thuộc về từng lớp đối tượng (trong trường hợp này là sứ điện). Ưu điểm chính của YOLO là tốc độ xử lý nhanh, do chỉ cần một lần duyệt qua hình ảnh để đưa ra kết quả dự đoán.

3.2. Ưu Điểm Của YOLO So Với Các Phương Pháp Khác

So với các phương pháp nhận dạng đối tượng truyền thống (ví dụ: R-CNN, Faster R-CNN), YOLO vượt trội về tốc độ xử lý. Điều này làm cho YOLO phù hợp với các ứng dụng thời gian thực, chẳng hạn như giám sát video. Ngoài ra, YOLO cũng có khả năng học các đặc trưng tổng quát, giúp mô hình hoạt động tốt trên nhiều loại dữ liệu khác nhau. Các tác giả của bài báo [1] đã sử dụng mô hình YOLO-tiny để nhận dạng sứ điện và đã cải thiện độ chính xác khi nhận dạng các loại sứ điện có kích thước và kích cỡ khác nhau bằng cách áp dụng các cấu trúc kết hợp tính năng đa tỷ lệ và mô hình gộp kim tự tháp không gian (SSP) vào mô hình.

IV. Cải Tiến Mô Hình YOLOv5x Để Nhận Dạng Sứ Điện Tối Ưu

Nghiên cứu này tập trung vào việc cải tiến mô hình YOLOv5, đặc biệt là phiên bản YOLOv5x, thông qua việc điều chỉnh các siêu tham số. Mục tiêu là nâng cao độ chính xác của mô hình trong việc nhận dạng sứ điện. Quá trình này bao gồm thử nghiệm với nhiều cấu hình siêu tham số khác nhau và đánh giá hiệu quả của từng cấu hình trên bộ dữ liệu sứ điện. Từ đó, tìm ra cấu hình tối ưu nhất cho bài toán cụ thể này. Đồng thời nghiên cứu và tìm hiểu cách tối ưu các tham số huấn luyện để cải thiện độ chính xác của mô hình.

4.1. Tinh Chỉnh Siêu Tham Số Cho Mô Hình YOLOv5x

Việc tinh chỉnh siêu tham số là một bước quan trọng trong quá trình huấn luyện mô hình học sâu. Các siêu tham số ảnh hưởng trực tiếp đến cách mô hình học từ dữ liệu và khả năng khái quát hóa của mô hình. Trong nghiên cứu này, các siêu tham số quan trọng như learning rate, batch size, và momentum được điều chỉnh để tìm ra sự kết hợp tốt nhất.

4.2. Bộ Dữ Liệu Và Quy Trình Huấn Luyện YOLOv5x

Mô hình được huấn luyện trên một bộ dữ liệu chứa hình ảnh của sứ điện từ nhiều góc độ và điều kiện ánh sáng khác nhau. Quá trình huấn luyện bao gồm các bước: tiền xử lý dữ liệu, chia dữ liệu thành tập huấn luyện và tập kiểm tra, huấn luyện mô hình với cấu hình siêu tham số đã chọn, và đánh giá hiệu suất của mô hình trên tập kiểm tra. Đánh giá mô hình dựa trên các hình ảnh mà mô hình chưa nhìn thấy bao giờ để thu thập các số liệu đánh giá giúp so sánh chất lượng mô hình.

4.3. Ứng Dụng YOLOv5x Trong Giám Sát Sứ Điện Thực Tế

Ứng dụng thành công của YOLOv5x trong việc nhận dạng sứ điện mở ra nhiều tiềm năng cho các hệ thống giám sát thông minh trong ngành điện. Việc tích hợp mô hình này vào các thiết bị bay không người lái (drone) hoặc hệ thống camera cố định có thể giúp tự động hóa quá trình kiểm tra và bảo trì mạng lưới điện, giảm thiểu chi phí và nâng cao độ an toàn.

V. Kết Quả Thực Nghiệm Đánh Giá Giải Pháp Nhận Dạng

Kết quả thực nghiệm cho thấy mô hình YOLOv5x đã được cải thiện đáng kể sau khi tinh chỉnh siêu tham số. Mô hình đạt độ chính xác cao trong việc nhận dạng sứ điện trên các bộ dữ liệu khác nhau. Các kết quả này chứng minh tính hiệu quả của phương pháp tiếp cận được sử dụng trong nghiên cứu. Mô hình nhận diện được sứ điện với các thông số về precision, recall, mAP_0.5. Bài báo “NGHIÊN CỨU KỸ THUẬT HỌC SÂU TRONG NHẬN DẠNG ĐỐI TƯỢNG HƯỚNG ĐẾN ỨNG DỤNG TRONG GIÁM SÁT THÔNG MINH” đã được chấp nhận đăng trên kỷ yếu JTE-HCMUTE

5.1. So Sánh Hiệu Suất Của Các Mô Hình YOLOv5 YOLOv7

Nghiên cứu so sánh hiệu suất của nhiều phiên bản YOLO khác nhau (ví dụ: YOLOv5n, YOLOv5m, YOLOv5x, YOLOv7) để xác định phiên bản phù hợp nhất cho bài toán nhận dạng sứ điện. Các tiêu chí so sánh bao gồm: độ chính xác (precision), độ phủ (recall), và thời gian xử lý.

5.2. Đánh Giá Ưu Nhược Điểm Của Giải Pháp Đề Xuất

Giải pháp đề xuất có những ưu điểm như: độ chính xác cao, tốc độ xử lý nhanh, và khả năng tích hợp vào các hệ thống giám sát thông minh. Tuy nhiên, giải pháp cũng có một số nhược điểm, chẳng hạn như: yêu cầu bộ dữ liệu lớn để huấn luyện, và cần có kiến thức chuyên môn để tinh chỉnh siêu tham số.

VI. Kết Luận Hướng Phát Triển Nhận Dạng Đối Tượng

Nghiên cứu này đã chứng minh tiềm năng của học sâu, đặc biệt là mô hình YOLOv5x, trong việc nhận dạng sứ điện và ứng dụng vào các hệ thống giám sát thông minh. Các kết quả đạt được mở ra hướng đi mới cho việc tự động hóa quá trình kiểm tra và bảo trì mạng lưới điện. Đồng thời tạo tiền đề cho các nghiên cứu tiếp theo nhằm cải thiện hơn nữa hiệu suất và độ tin cậy của hệ thống. Kết quả nghiên cứu của đề tài có thể áp dụng được vào các hệ thống giám sát thông minh, cụ thể là trong việc phát hiện sứ điện bị hư hỏng trên mạng lưới điện.

6.1. Tích Hợp Dữ Liệu Từ Nhiều Nguồn Để Nâng Cao Độ Chính Xác

Trong tương lai, có thể tích hợp dữ liệu từ nhiều nguồn khác nhau (ví dụ: hình ảnh từ drone, dữ liệu cảm biến nhiệt, thông tin về lịch sử bảo trì) để nâng cao độ chính xác của mô hình nhận dạng. Việc sử dụng dữ liệu đa dạng có thể giúp mô hình hiểu rõ hơn về tình trạng của sứ điện và đưa ra các dự đoán chính xác hơn.

6.2. Phát Triển Các Mô Hình Nhận Dạng Chuyên Biệt Cho Từng Loại Sứ

Các nghiên cứu tiếp theo có thể tập trung vào việc phát triển các mô hình nhận dạng chuyên biệt cho từng loại sứ điện khác nhau. Điều này có thể giúp cải thiện độ chính xác và độ tin cậy của hệ thống, đặc biệt là trong các trường hợp sứ điện bị hư hỏng hoặc bị che khuất.

Nội dung chính

Nghiên Cứu Kỹ Thuật Học Sâu Trong Nhận Dạng Đối Tượng Hướng Đến Ứng Dụng Trong Giám Sát Thông Minh

---

Tóm tắt nghiên cứu (Research Summary)

• Câu hỏi nghiên cứu chính (Research Question): Làm thế nào để tự động hóa và nâng cao độ chính xác trong công tác phát hiện, nhận dạng sứ cách điện trên hệ thống đường dây truyền tải điện quốc gia thông qua việc tối ưu hóa mô hình thị giác máy tính học sâu (Deep Learning)?
• Phương pháp tiếp cận (Methodology Snapshot): Nghiên cứu ứng dụng mạng nơ-ron tích chập (CNN) thuộc họ mô hình nhận dạng một giai đoạn hiện đại nhất gồm YOLOv5 (các phiên bản nano, medium, extra-large) và YOLOv7. Đề tài xây dựng tập dữ liệu thực tế gồm 972 ảnh sứ điện chất lượng cao thu thập từ máy bay không người lái (UAV/Drone) phối hợp cùng Tập đoàn Điện lực Việt Nam (EVN), sau đó áp dụng tiền xử lý dữ liệu nâng cao trên Roboflow và tiến hành chiến lược tinh chỉnh siêu tham số (hyperparameter tuning) chuyên biệt cho mô hình YOLOv5x.
• Phát hiện cốt lõi (Key Findings): Việc tái cấu hình và tối ưu hóa các siêu tham số huấn luyện (như tỷ lệ học cuối OneCycleLR, độ lợi mất mát đối tượng obj loss gain, độ co giãn tỷ lệ scale, kết hợp mixup và copy_paste) giúp mô hình YOLOv5x đạt tốc độ hội tụ nhanh (khoảng 80 epochs) và vượt trội về chỉ số độ chính xác trung bình (mAP), giảm thiểu tối đa các trường hợp nhận diện sai và bỏ sót so với mô hình mặc định cũng như YOLOv7 trong các góc chụp phức tạp.
• Ý nghĩa thực tiễn (Implications): Giải pháp mở ra khả năng tích hợp trực tiếp mô hình AI vào drone và hệ thống giám sát biên (Edge IoT), tự động hóa định vị tọa độ GPS của chuỗi sứ hỏng, giúp loại bỏ rủi ro tai nạn cho công nhân ngành điện và tối ưu hóa chi phí vận hành lưới điện.

---

Bối cảnh và tầm quan trọng (Context & Significance)

Hệ thống lưới điện truyền tải đóng vai trò như mạch máu của nền kinh tế, đảm bảo an ninh năng lượng cho sản xuất và sinh hoạt. Trong hệ thống này, sứ cách điện (bao gồm sứ gốm, sứ thủy tinh và sứ polymer) là thành phần then chốt giúp cố định dây dẫn, tạo khoảng cách an toàn giữa đường dây điện áp cao với thân cột, ngăn ngừa hiện tượng phóng điện gây chập cháy hoặc gián đoạn lưới điện.

Hiện trạng và khoảng trống nghiên cứu

Theo phương thức truyền thống, việc kiểm tra sứ điện đòi hỏi công nhân phải trực tiếp leo trèo lên các cột điện cao áp hoặc kiểm tra thủ công bằng ống nhòm từ mặt đất. Phương pháp này tiềm ẩn nguy cơ tai nạn lao động nghiêm trọng, tiêu tốn nhiều thời gian và phụ thuộc hoàn toàn vào kinh nghiệm chủ quan của người kiểm tra.

Mặc dù gần đây máy bay không người lái (UAV) đã bắt đầu được đưa vào tuần tra đường dây, nhưng việc phân tích hàng ngàn bức ảnh thu thập được vẫn chủ yếu dựa vào mắt người, dẫn đến tình trạng quá tải thông tin và dễ bỏ sót lỗi. Nhiều nghiên cứu trước đây đã thử nghiệm các giải pháp thị giác máy tính cổ điển (như trích xuất đặc trưng HOG/SIFT kết hợp SVM) hoặc mô hình học sâu hai giai đoạn (Faster R-CNN, R-FCN), tuy nhiên chúng gặp phải rào cản lớn về tốc độ xử lý thời gian thực hoặc hiệu năng suy giảm nghiêm trọng khi đối mặt với sự thay đổi khoảng cách, góc nghiêng và điều kiện thời tiết phức tạp.

Tính cấp thiết và tác động

Đề tài "Nghiên cứu kỹ thuật học sâu trong nhận dạng đối tượng hướng đến ứng dụng trong giám sát thông minh" được triển khai trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 đang thúc đẩy mạnh mẽ chuyển đổi số ngành năng lượng (Smart Grid). Việc làm chủ công nghệ nhận dạng tự động có độ tin cậy cao trên dữ liệu thực tế tại Việt Nam không chỉ nâng cao mức độ an toàn cho người lao động mà còn là tiền đề để tiến tới tự động hóa hoàn toàn khâu phát hiện lỗi hư hỏng như chén sứ vỡ, rỉ sét, hoặc nhiễm bẩn công nghiệp.

---

Phương pháp luận và cách tiếp cận (Methodology & Approach)

Nghiên cứu áp dụng quy trình thực nghiệm khoa học 5 bước khép kín, từ thu thập dữ liệu hiện trường, tiền xử lý, thiết kế kiến trúc mạng, tinh chỉnh siêu tham số cho đến thử nghiệm và đánh giá định lượng.

1. Dữ liệu thực nghiệm và kỹ thuật tăng cường (Data Augmentation)

• Nguồn dữ liệu: Hợp tác cùng Tập đoàn Điện lực Việt Nam (EVN) thu thập hơn 2.000 hình ảnh sứ điện (sứ composite/polymer màu xám sẫm và sứ thủy tinh màu lục lam trong suốt) chụp bằng máy bay không người lái chuyên dụng DJI ở nhiều thời điểm, góc chiếu và địa hình thực tế.
• Lọc và chuẩn hóa: Chọn lọc 972 bức ảnh đạt tiêu chuẩn độ nét cao, loại bỏ ảnh mờ nhòe do rung lắc.
• Tăng cường dữ liệu: Sử dụng nền tảng Roboflow để gán nhãn chính xác từng vùng đối tượng, đồng thời thực hiện các phép biến đổi hình học và màu sắc: xoay ảnh ngẫu nhiên trong khoảng $[-20^\circ, +20^\circ]$, điều chỉnh độ sáng, độ tương phản và tăng cường dữ liệu dạng ghép khảm (Mosaic Augmentation).
• Phân chia tập dữ liệu: Tập huấn luyện (Training Set): 752 ảnh (78%); Tập kiểm định (Validation Set): 110 ảnh (11%); Tập kiểm tra độc lập (Test Set): 110 ảnh (11%).

2. Kiến trúc mạng và chiến lược mô hình hóa

Nghiên cứu tập trung vào kiến trúc mạng nhận dạng một giai đoạn (One-Stage Detector) tiên tiến:

• YOLOv5 (Nano, Medium, Extra-Large): Tận dụng kiến trúc CSPDarknet53 làm xương sống (Backbone) giúp giảm trùng lặp gradient và tối ưu hóa số lượng tham số tính toán; kết hợp mạng PA-Net (Path Aggregation Network) ở phần Cổ (Neck) để truyền dẫn đặc trưng đa quy mô hiệu quả trước khi đưa về phần Đầu (Head) thực hiện hồi quy hộp giới hạn và phân loại.
• YOLOv7: Đánh giá so sánh với kiến trúc E-ELAN (Extended Efficient Layer Aggregation Network) cùng cơ chế đa đầu gán nhãn (Lead Head và Auxiliary Head).

3. Tối ưu hóa siêu tham số (Hyperparameter Tuning)

Thay vì sử dụng các giá trị mặc định, nghiên cứu áp dụng phương pháp tìm kiếm thực nghiệm (Empirical Search / Trial-and-Error) để xác lập bộ siêu tham số chuyên biệt cho đối tượng sứ điện:

• Tốc độ học (Learning Rate): Khởi tạo $lr0 = 0.01$, kết hợp lịch trình OneCycleLR điều chỉnh $lrf = 0.2$.
• Độ lợi mất mát (Loss Gain): Tăng trọng số cho hàm mất mát đối tượng ($obj_loss_gain = 0.6$) và phân loại ($cls_loss_gain = 0.25$) để nâng cao độ nhạy phát hiện mục tiêu trên nền ảnh phức tạp.
• Biến đổi không gian & kết hợp mẫu: Tăng hệ số co giãn $Scale = 0.9$, kích hoạt $Mixup = 0.15$ và $Copy_Paste = 0.1$, giúp mô hình học tốt các trường hợp chuỗi sứ bị che khuất một phần hoặc thay đổi kích thước do góc bay của drone.

---

Phát hiện chính của nghiên cứu (Key Findings)

===========================================================================
  SO SÁNH ĐẶC TÍNH HUẤN LUYỆN VÀ NHẬN DIỆN TRÊN CÁC PHIÊN BẢN MÔ HÌNH
===========================================================================
  Mô hình        Độ phức tạp      Khả năng nhận diện     Độ hội tụ
  -------------------------------------------------------------------------
  YOLOv5n        Rất nhẹ          Dễ bỏ sót sứ nhỏ       Nhanh (~60 epochs)
  YOLOv5m        Trung bình       Tương đối tốt          Ổn định
  YOLOv7         Cao              Bị nhầm lẫn nền phức   Dao động
  YOLOv5x-Tuned  Tối ưu cao       Chính xác, ít nhiễu    Tối ưu (~80 epochs)
===========================================================================

1. Tinh chỉnh siêu tham số tạo bước nhảy vọt về hiệu năng

Kết quả thử nghiệm cho thấy việc cá nhân hóa bộ siêu tham số trên mô hình YOLOv5x mang lại sự cải thiện rõ rệt so với cấu hình mặc định. Khi điều chỉnh trọng số $obj$ lên $0.6$ và $Scale$ lên $0.9$, mô hình thích ứng xuất sắc với các biến thể về kích thước chuỗi sứ (từ cực nhỏ ở góc nhìn xa đến rất lớn khi drone áp sát cột).

2. Sự vượt trội của YOLOv5x tinh chỉnh so với YOLOv7 trên tập dữ liệu đặc thù

Một trong những phát hiện đáng chú ý nhất của đề tài là: mặc dù YOLOv7 có lợi thế lý thuyết về kiến trúc E-ELAN và giảm số lượng tham số, nhưng trong thực nghiệm thực tế với tập dữ liệu sứ điện chuyên ngành, YOLOv5x sau khi hiệu chỉnh siêu tham số đạt độ ổn định cao hơn, giảm thiểu tối đa các cảnh báo giả (False Positives). Các trường hợp hậu cảnh phức tạp như cây cối, đồi núi hoặc kết cấu khung giàn thép của cột điện từng khiến YOLOv7 nhận diện nhầm đã được YOLOv5x xử lý chuẩn xác.

3. Khả năng phân biệt chất liệu sứ vượt trội

Mô hình sau tối ưu thể hiện khả năng phân biệt mạnh mẽ giữa sứ gốm/polymer (đặc tính màu đục, hấp thụ sáng) và sứ thủy tinh (đặc tính phản quang, trong suốt, dễ hòa lẫn vào mây trời). Khả năng tách biên và định vị bounding box duy trì độ chính xác cao ngay cả trong điều kiện ngược sáng hoặc phơi sáng mạnh.

---

Đóng góp khoa học và giá trị thực tiễn (Contributions & Impact)

Đóng góp về mặt học thuật và phương pháp luận

• Quy trình tối ưu hóa siêu tham số thực nghiệm: Cung cấp bộ tham số chuẩn hóa (Bảng tham số tối ưu) đã được kiểm chứng cho bài toán thị giác máy tính giám sát đối tượng công nghiệp hạ tầng điện.
• Phân tích so sánh One-Stage Detectors: Bổ sung bằng chứng thực nghiệm quan trọng vào tài liệu khoa học về sự tương quan hiệu năng giữa họ YOLOv5 và YOLOv7 khi đối mặt với dữ liệu hình ảnh thu thập từ thiết bị bay không người lái (UAV).

Tác động kinh tế - xã hội và triển vọng ứng dụng

• Bảo vệ an toàn tính mạng người lao động: Thay thế hoàn toàn khâu leo trèo thủ công trên đường dây truyền tải 110kV, 220kV, 500kV trong công tác định vị chuỗi sứ.
• Tăng năng suất và giảm chi phí vận hành: Việc kết hợp module nhận dạng tự động vào hệ sinh thái UAV giúp cắt giảm hơn 80% thời gian rà soát thủ công dữ liệu ảnh, phát hiện sớm các nguy cơ mất an toàn lưới điện để lên phương án bảo trì dự phòng kịp thời.
• Công bố khoa học uy tín: Kết quả nghiên cứu đã được hội đồng thẩm định và chấp nhận đăng trên kỷ yếu Tạp chí Khoa học Giáo dục Kỹ thuật (JTE - Trường Đại học Sư phạm Kỹ thuật TP.HCM).

---

Đối tượng quan tâm và hưởng lợi (Target Audience)

• Kỹ sư vận hành và Quản lý Lưới điện (EVN, Truyền tải điện): Tiếp cận một giải pháp công nghệ tự động hóa khâu bảo trì, tối ưu chi phí vận hành và quản lý rủi ro gián đoạn lưới điện.
• Nhà nghiên cứu AI & Thị giác máy tính: Tham khảo cấu hình kiến trúc, phương pháp tiền xử lý dữ liệu và chiến lược tinh chỉnh siêu tham số cho bài toán nhận dạng vật thể từ góc nhìn trên không.
• Doanh nghiệp phát triển giải pháp Drone & Smart City: Cơ sở dữ liệu và thuật toán mẫu để đóng gói các sản phẩm UAV tự hành tích hợp AI phục vụ giám sát hạ tầng giao thông, xây dựng và năng lượng.

---

Câu hỏi thường gặp (FAQ)

1. Điểm cốt lõi giúp mô hình đạt độ chính xác cao khi nhận diện sứ điện là gì?

Điểm cốt lõi nằm ở sự kết hợp giữa tăng cường dữ liệu thực tế (xoay góc, chỉnh sáng, Mosaic) và chiến lược tinh chỉnh siêu tham số YOLOv5x. Việc điều chỉnh độ lợi tổn thất đối tượng ($obj = 0.6$) và tỷ lệ co giãn ($Scale = 0.9$) giúp mạng học sâu không bị nhầm lẫn giữa chuỗi sứ và khung thép của cột điện.

2. Tại sao nghiên cứu lại ưu tiên dòng mô hình YOLO thay vì Faster R-CNN hay SSD?

Faster R-CNN tuy chính xác nhưng có tốc độ suy luận rất chậm (~7 FPS) do cơ chế hai giai đoạn, khó triển khai thời gian thực. Trong khi đó, SSD xử lý nhanh nhưng nhận dạng vật thể nhỏ kém. YOLO đạt được sự cân bằng lý tưởng: tốc độ xử lý theo thời gian thực cực nhanh cùng độ chính xác cao nhờ kiến trúc Backbone CSP và PA-Net.

3. Kết quả từ nghiên cứu có thể mở rộng cho các bài toán khác không?

Có. Phương pháp luận tinh chỉnh siêu tham số và pipeline xử lý ảnh trên Roboflow hoàn toàn có thể tái sử dụng cho các bài toán giám sát thông minh khác như: phát hiện rạn nứt bề mặt đập thủy điện, nhận diện lỗi tấm pin năng lượng mặt trời, hoặc giám sát an toàn giao thông đô thị.

4. Hạn chế hiện tại và hướng phát triển tiếp theo của đề tài là gì?

Hiện tại mô hình tập trung vào việc định vị và nhận dạng sự hiện diện của chuỗi sứ. Hướng phát triển tiếp theo là nâng cấp mô hình phân loại đa lớp để phát hiện trực tiếp các khuyết tật vi mô (chén sứ vỡ, rỉ sét, phóng điện bề mặt) và tích hợp thuật toán định vị GPS thời gian thực trực tiếp trên chip biên (Edge AI như NVIDIA Jetson) gắn trên Drone.

5. Dữ liệu thực nghiệm của nghiên cứu được thu thập như thế nào để đảm bảo tính khách quan?

Bộ dữ liệu gồm 972 bức ảnh chất lượng cao được thu thập trực tiếp tại hiện trường thông qua sự phối hợp với các đơn vị của EVN, sử dụng drone DJI bay quét ở nhiều điều kiện góc chụp, thời gian và môi trường thời tiết khác nhau tại Việt Nam.

---

Kết luận (Conclusion)

Công trình nghiên cứu "Nghiên cứu kỹ thuật học sâu trong nhận dạng đối tượng hướng đến ứng dụng trong giám sát thông minh" của nhóm tác giả Trường ĐH Sư phạm Kỹ thuật TP.HCM (HCMUTE) dưới sự hướng dẫn của PGS.TS Hoàng Văn Dũng đã chứng minh tính khả thi và hiệu quả vượt bậc của việc ứng dụng mạng nơ-ron tích chập trong giám sát hạ tầng năng lượng. Bằng việc tối ưu hóa siêu tham số trên nền tảng YOLOv5x, nghiên cứu đã giải quyết trọn vẹn bài toán phát hiện sứ cách điện với độ chính xác cao và khả năng chống nhiễu vượt trội.

Đây là bước đệm công nghệ vững chắc hướng tới mục tiêu tự động hóa hoàn toàn quy trình kiểm tra bảo dưỡng lưới điện thông minh, góp phần thúc đẩy công cuộc chuyển đổi số toàn diện cho ngành điện lực Việt Nam.

Trích đoạn nội dung tài liệu

Chương 1: CƠ SỞ LÝ THUYẾT 1.1 Ảnh và xử lý ảnh Xử lý ảnh là một trong những mảng quan trọng nhất trong kỹ thuật thị giác máy tính, là tiền đề cho nhiều nghiên cứu thuộc lĩnh vực này. Ngày nay kỹ thuật xử lý ảnh đã được ứng dụng rộng rãi ở rất nhiều lĩnh vực trong sản xuất cũng như trong đời sống. Ví dụ như các hệ thống giám sát công cộng, hệ thống phân loại sản phẩm lỗi trong công nghiệp hay các phần mềm xử lý ảnh chuyên dụng như Adobe Photoshop, Capture One,… Nhiệm vụ cơ bản của quá trình xử lý ảnh là làm giàu thông tin, chất lượng hình ảnh và xử lý số liệu cung cấp cho các quá trình bao gồm cả việc ứng dụng thị giác máy tính vào điều khiển. Một hệ thống xử lý ảnh bắt đầu từ việc thu nhận ảnh đầu vào, tác động các thuật toán hoặc các phép xử lý lên dữ liệu thay đổi cấu trúc ảnh và nhận dạng ở đầu ra đáp ứng phù hợp với các ứng dụng khác nhau.

Phân tích và Camera Hình ảnh Tiền xử lý nhận dạng Lưu trữ Hình 1: Sơ đồ tổng quan hệ thống xử lý ảnh Sơ đồ khối về tổng quan hệ thống xử lý ảnh được thể hiện như hình trên, trong đó gồm 3 khối chức năng cơ bản: - Khối thu thập hình ảnh: Khối này thực hiện chức năng thu nhận ảnh và lưu trữ hình ảnh theo định dạng yêu cầu. - Khối tiền xử lý: Là giai đoạn đầu tiên trong xử lý ảnh số, có mục đích làm cho ảnh dễ nhận dạng hơn, loại bỏ các yếu tố không cần thiết hoặc ảnh hưởng tới 3 các kết quả về sau và tăng cường cải thiện chất lượng hình ảnh chẳng hạn như khử nhiễu, bóp méo hình ảnh, resize ảnh… phù hợp với yêu cầu. - Khối phân tích và nhận dạng: Ở bước này các đặc điểm của đối tượng sẽ được trích xuất tùy theo mục đích cần nhận dạng, Trích xuất hiệu quả các đặc điểm sẽ giúp cho việc nhận dạng đối tượng được chính xác. Sau đó dựa vào các đặc trưng được trích xuất từ ảnh mà thực hiện quá trình nhận dạng, đưa ra các quyết định tương ứng với yêu cầu như phân loại đối tượng hay phát hiện đối tượng.2 Học sâu và trí tuệ nhân tạo Trí tuệ nhân tạo là một nhánh của khoa học máy tính liên quan đến việc xây dựng các máy thông minh có khả năng thực hiện các nhiệm vụ thường đòi hỏi trí tuệ con người.

Trí tuệ nhân tạo là một ngành khoa học với nhiều cách tiếp cận, như những tiến bộ trong học máy và học sâu đang tạo ra sự thay đổi mô hình trong hầu hết mọi lĩnh vực công nghệ của ngành công nghiệp. Nhà nghiên cứu học sâu và kỹ sư của Google, François Chollet, lập luận rằng trí thông minh là “tốc độ mà người học biến kinh nghiệm của mình và cải tiến thành các kỹ năng mới ở những nhiệm vụ có giá trị liên quan đến sự không chắc chắn và thích nghi”. Nói cách khác: Các hệ thống thông minh nhất có thể chỉ cần một lượng nhỏ kinh nghiệm và tiếp tục đoán kết quả sẽ như thế nào trong nhiều tình huống khác nhau. Trí tuệ nhân tạo có thể được định nghĩa như: - Hành động nhân bản: hành động theo cách bắt chước hành vi của con người.

- Hành động theo lý trí: hành động theo cách nhằm đạt được một mục tiêu cụ thể. - Tư duy nhân bản: bắt chước tư duy dựa trên bộ óc của con người. - Suy nghĩ hợp lý: bắt chước suy nghĩ dựa trên suy luận logic. Vai trò của AI ngày càng trở quan trọng đối với cuộc sống.

Chẳng hạn như trong các hệ thống gợi ý sản phẩm trên các trang thương mại điện tử, gợi ý các bài hát bạn có thể yêu thích dựa trên lịch sử nghe của bạn hay là các trợ lý ảo, các hệ thống giám sát thông minh,… Có thể nói trong tương lai trí tuệ nhân tạo vẫn là một lĩnh vực sẽ được phát triển mạnh mẽ. Trí tuệ nhân tạo (AI) đề cập đến việc mô phỏng trí thông minh của con người trong máy móc được lập trình để suy nghĩ giống như con người và bắt chước hành động của họ. Đặc tính của trí tuệ nhân tạo là khả năng hợp lý hóa và thực hiện các hành động 4 phương án tối ưu nhất để đạt được một mục tiêu cụ thể. Các kỹ thuật học sâu cho phép AI hoạt động thông qua việc hấp thụ một lượng lớn dữ liệu như văn bản, hình ảnh hoặc video.

Học sâu là kỹ thuật học máy, là một chức năng của trí tuệ nhân tạo, bắt chước hoạt động của bộ não con người trong việc xử lí dữ liệu và tạo ra các mẫu để sử dụng cho việc ra quyết định. Trong học sâu, máy tính học cách thực hiện các nhiệm vụ phân loại trực tiếp từ hình ảnh, văn bản hoặc âm thanh. Các mô hình học sâu có thể đạt được độ chính xác hiện đại. Các mô hình được đào tạo bằng cách sử dụng một tập hợp lớn dữ liệu được gắn nhãn và kiến trúc mạng nơ-ron chứa nhiều lớp Hình 2: Mối quan hệ giữa AI ML và DL 1.3 Mạng thần kinh tích chập Mạng thần kinh tích chập, hay còn được gọi là CNN, là mô hình học sâu được sử dụng phổ biến cho các ứng dụng thị giác máy tính (chẳng hạn như phân loại hình ảnh) và trong một số trường hợp được sử dụng cho các tác vụ xử lý ngôn ngữ tự nhiên (chẳng hạn như phân loại văn bản).

Điểm đặc biệt của CNN là nó có thể nhận dạng hiệu quả các đối tượng xuất hiện trong hình ảnh đầu vào, bao gồm hình dạng, độ dốc, mắt hoặc thậm chí là khuôn mặt. Do khả năng nhận dạng chi tiết rất tốt của CNN, nên mô hình này chủ yếu được sử dụng trong các ứng dụng thị giác máy tính.1 Tích chập (Convolution) Tích chập là kỹ thuật được sử dụng trong xử lý ảnh, được sử dụng chủ yếu trong các phép toán lên ảnh như làm mịn ảnh hay làm sắc nét ảnh hay trích xuất biên cạnh ảnh. Cơ chế của tích chập được qua hình minh họa bên dưới. Hình 3: Ví dụ về Tích chập Ảnh đầu vào input là một ảnh nhị phân với mỗi ô là một điểm ảnh.

Mỗi giá trị của ma trận ảnh tương ứng với một điểm ảnh, 0 là màu đen, 1 là màu trắng. Ta có thể xem tích chập như một bộ lọc áp đặt lên ma trận, có tên gọi là ma trận kernel (hay còn gọi là filter, feature detector). Hình minh họa trên sử dụng ma trận 3x3 nhân từng thành phần tương ứng với ma trận input. Điểm neo (anchor point) sẽ quyết định vùng ma trận trên ảnh để tích chập, thường được chọn là tâm của kernel.

Phép tích chập ở đây dùng ma trận kernel nhân với ma trận input trượt lần lượt từ trái sang phải và đặt anchor point ở tâm ma trận, kết quả ta được một ma trận đặc trưng (feature map). Ví dụ như sử dụng bộ lọc Gaussian blur 7x7 lên ảnh ta sẽ được kết quả như sau: 6 Hình 4: Làm mờ ảnh dùng ma trận tích chập Gaussian blur 7x7 1.2 Mô hình mạng thần kinh tích chập Mạng thần kinh tích chập là một mạng nơ-ron chuyển tiếp gồm 20 đến 30 layer. Giống như các mạng nơ-ron khác, CNN sử dụng kích hoạt ReLu và một lớp được kết nối đầy đủ. Về cơ bản, lớp ReLu đảm bảo tính phi tuyến tính khi dữ liệu đi qua mỗi lớp và nếu không có nó, dữ liệu sẽ mất đi kích thước cần thiết để duy trì.

Sau đó, lớp được kết nối đầy đủ sẽ thực hiện phân loại trên tập dữ liệu. Mạng thần kinh tích chập khác với các mạng nơ-ron khác là nó có các phân lớp đặc biệt gọi là lớp tích chập (convolutional layer) và lớp gộp (pooling layer). Hình 5: Kiến trúc cơ bản của CNN Lớp tích chập là lớp đầu tiên trích xuất các tính năng từ hình ảnh đầu vào và hoạt động bằng cách đặt một bộ lọc lên một vùng điểm ảnh. Lớp này sẽ duy trì mối tương quan giữa các điểm ảnh bằng cách tìm hiểu các tính năng của hình ảnh, sử dụng các ô vuông nhỏ của dữ liệu đầu vào, có nghĩa là sử dụng hai đầu vào gồm ma trận hình ảnh đầu vào và bộ lọc để trích xuất ma trận đặc trưng.

Ma trận đặc trưng là kết quả của một bộ lọc đã được áp dụng cho lớp trước đó. Bộ lọc được trượt trên từng điểm ảnh một của 7 lớp trước. Mỗi vị trí sẽ kích hoạt một nơ-ron và kết quả được thu thập được trong ma trận đặc trưng. Lớp gộp làm giảm kích thước mẫu của bản đồ đối tượng và cũng giúp xử lý nhanh hơn vì nó làm giảm tổng số tham số mà mạng cần xử lý.

Có hai khía cạnh đáng chú ý của CNN đó là Sự bất biến của vị trí (Location Invariance) và Tích hợp phần (Compositionality). Giả sử ta muốn phân loại xem có đối tượng ta cần nhận dạng trong một hình ảnh hay không. Bởi vì ta đang trượt bộ lọc của mình trên toàn bộ hình ảnh, ta không thực sự quan tâm nơi đối tượng xuất hiện. Trên thực tế, việc sử dụng các lớp gộp cũng mang lại cho bạn sự bất biến đối với dịch (translation), xoay (rotation) và chia tỷ lệ (scaling).

Khía cạnh quan trọng thứ hai là tính tổng hợp (Compositionality). Mỗi bộ lọc tạo một bản vá cục bộ của các tính năng cấp thấp hơn thành các biểu diễn cấp cao hơn. Đó là lý do tại sao CNN rất mạnh mẽ trong Thị giác máy tính. Nó có ý nghĩa trực quan rằng bạn xây dựng các cạnh từ pixel, hình dạng từ các cạnh và các đối tượng phức tạp hơn từ hình dạng.4 Nhận dạng đối tượng 1.1 Khái niệm và ứng dụng Nhận dạng đối tượng là một nhiệm thị giác máy tính quan trọng liên quan tới việc xác định và định vị các đối tượng trong hình ảnh hoặc video.

Chúng ta xác định vị trí các đối tượng đang ở đâu hoặc đã di chuyển qua một cảnh nhất định bằng cách vẽ các hộp giới hạn xung quanh đối tượng cần được phát hiện. Việc nhận dạng đối tượng có thể được chia thành các phương pháp tiếp cận: hoặc là dựa trên học máy hoặc là dựa trên học sâu. Hầu hết các thuật toán phát hiện đối tượng ban đầu được xây dựng dựa trên các tính năng thủ công. Do thiếu biểu diễn hình ảnh hiệu quả vào thời điểm đó, mọi người không có lựa chọn nào khác ngoài việc thiết kế các biểu diễn tính năng tinh vi và nhiều kỹ năng tăng tốc khác nhau để sử dụng hết tài nguyên máy tính hạn chế.