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.

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.