Đồ án nhận dạng biển số xe: Nghiên cứu và triển khai (ĐH Bách Khoa HN)

Đề tài nhận dạng biển số xe: Tìm hiểu công nghệ, ứng dụng và thách thức trong việc tự động nhận diện biển số xe. Phân tích các phương pháp hiệu quả nhất.

• Tác giả: Vũ Minh Nguyệt
• Người hướng dẫn: Vũ Thành Nam
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Hệ Thống Thông Tin Quản Lý
• Đề tài: Nhận dạng biển số xe
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỤC LỤC
• DANH MỤC HÌNH VẼ
• 1. CHƯƠNG I: GIỚI THIỆU VỀ ĐỀ TÀI
• 1.1. Mục đích nghiên cứu
• 1.2. Đối tượng nghiên cứu
• 1.3. Phạm vi nghiên cứu
• 1.4. Ứng dụng của đề tài
• 1.4.1. Khái niệm nhận dạng biển số xe
• 2. CHƯƠNG II: CƠ SỞ LÝ THUYẾT
• 2.1. Mạng nơ-ron nhân tạo
• 2.1.1. Kiến trúc mạng nơ- ron
• 2.1.2. Các kỹ thuật quan trọng trong mạng nơ-ron
• 2.2. Mạng nơ-ron tích chập (Convolutional neural network - CNN)
• 2.2.1. Kiến trúc mạng tích chập
• 2.2.2. Mô hình phát hiện đối tượng
• 2.3. Phân đoạn và nhận dạng ký tự
• 2.3.1. Tổng quan về phân đoạn ký tự
• 2.3.2. Nhận dạng ký tự
• 3. CHƯƠNG III: MÔ HÌNH ĐỀ XUẤT
• 3.1. Mô hình mạng học sâu YOLOv5
• 3.1.1. Mô hình mạng học sâu YOLO (You Only Look Once)
• 3.1.2. Thuật toán YOLOv5
• 3.2. Mô hình WPOD
• 3.3. Mô hình đề xuất
• 3.3.1. Phát hiện phương tiện giao thông
• 3.3.2. Phát hiện và căn chỉnh biển số
• 3.3.3. Nhận dạng ký tự
• 4. CHƯƠNG IV: KẾT LUẬN
• 4.1. Phương hướng phát triển
• TÀI LIỆU THAM KHẢO
• MỞ ĐẦU
• LỜI CẢM ƠN

Tóm tắt

I. Giới Thiệu Đề Tài Cách Nhận Dạng Biển Số Xe Hiệu Quả

Trong bối cảnh giao thông ngày càng phức tạp và số lượng phương tiện tăng nhanh, việc nhận dạng biển số xe tự động trở nên vô cùng quan trọng. Các hệ thống quản lý giao thông thông minh đòi hỏi khả năng nhận dạng biển số xe chính xác và nhanh chóng để phục vụ cho nhiều ứng dụng như quản lý giao thông, thu phí tự động, kiểm soát an ninh và kiểm soát ra vào. Bài toán này là tiền đề quan trọng để xây dựng các mô hình quản lý giao thông tự động. Tuy nhiên, việc triển khai các hệ thống như vậy ở Việt Nam vẫn còn hạn chế, đòi hỏi sự phát triển và nghiên cứu sâu rộng hơn. Do đó, việc nghiên cứu và phát triển các phương pháp nhận dạng biển số xe hiệu quả là vô cùng cần thiết.

Đề tài nhận dạng biển số xe không chỉ mang tính học thuật mà còn có giá trị ứng dụng thực tiễn cao. Nó đóng góp vào việc xây dựng các hệ thống giao thông thông minh, giúp cải thiện hiệu quả quản lý và giảm thiểu các vấn đề liên quan đến giao thông. Các ứng dụng của hệ thống nhận dạng biển số xe rất đa dạng, từ việc tự động hóa các trạm thu phí đến việc hỗ trợ lực lượng chức năng trong việc phát hiện và xử lý các vi phạm giao thông. Vì vậy, việc tập trung nghiên cứu và phát triển các giải pháp nhận dạng biển số xe là một hướng đi đúng đắn và cần được khuyến khích.

1.1. Mục đích và Phạm Vi Nghiên Cứu Nhận Dạng Biển Số Xe

Mục đích chính của nghiên cứu là xây dựng một hệ thống nhận dạng biển số xe có khả năng trích xuất và nhận diện chính xác thông tin từ hình ảnh biển số. Hệ thống này dựa trên kỹ thuật xử lý ảnh số và máy học để thực hiện các bước như phân vùng biển số, tách ký tự và nhận dạng ký tự. Phạm vi nghiên cứu tập trung vào các biển số xe có chữ đen và nền trắng, còn nguyên vẹn, không bị che khuất và có hình chụp rõ ràng, không bị mờ hay chói sáng. Các yếu tố này đảm bảo rằng hệ thống có thể hoạt động hiệu quả trong điều kiện lý tưởng. Tuy nhiên, cần lưu ý rằng việc mở rộng phạm vi nghiên cứu để xử lý các biển số xe bị hư hỏng, che khuất hoặc có điều kiện ánh sáng phức tạp là một thách thức lớn và cần được xem xét trong các nghiên cứu tiếp theo.

1.2. Ứng Dụng Tiềm Năng của Nhận Dạng Biển Số Xe trong Giao Thông

Ứng dụng của nhận dạng biển số xe rất đa dạng, bao gồm quản lý giao thông, kiểm tra an ninh, thu phí giao thông tự động, trạm gác cổng và quản lý bãi giữ xe tự động. Ứng dụng nhận dạng biển số giúp tự động hóa các quy trình, giảm thiểu sự can thiệp của con người và tăng cường hiệu quả hoạt động. Trong giao thông thông minh, nhận dạng biển số xe có thể được sử dụng để theo dõi lưu lượng xe, phát hiện các hành vi vi phạm giao thông và cung cấp thông tin thời gian thực cho người tham gia giao thông. Trong lĩnh vực an ninh, nhận dạng biển số xe giúp kiểm soát ra vào các khu vực quan trọng, phát hiện xe bị đánh cắp và hỗ trợ điều tra các vụ án liên quan đến xe cộ. Theo [Tài liệu gốc], hệ thống nhận dạng biển số xe còn có khả năng phân tích hình ảnh để xác định thông tin như chủ sở hữu, ... thông qua video, thiết bị ghi hình và hình ảnh. Điều này cho thấy tiềm năng to lớn của công nghệ này trong việc cải thiện an ninh và quản lý đô thị.

II. Cơ Sở Lý Thuyết Về Công Nghệ Nhận Dạng Biển Số Xe

Để xây dựng một hệ thống nhận dạng biển số xe hiệu quả, cần nắm vững các kiến thức cơ bản về học sâu, mạng nơ-ron nhân tạo (ANN) và đặc biệt là mạng nơ-ron tích chập (CNN). Học sâu là một nhánh của máy học sử dụng các thuật toán để mô hình hóa dữ liệu ở mức độ trừu tượng cao, thông qua nhiều lớp xử lý phức tạp. Mạng nơ-ron nhân tạo là một mô hình xử lý thông tin được xây dựng dựa trên cách thức hoạt động của hệ nơ-ron sinh học. Mạng nơ-ron tích chập là một loại mạng nơ-ron đặc biệt, rất hiệu quả trong việc xử lý hình ảnh và phát hiện các đặc trưng quan trọng. Các thuật toán như YOLOv8 biển số xe, ALPR (Automatic License Plate Recognition) và ANPR (Automatic Number Plate Recognition) đều dựa trên những nền tảng lý thuyết này.

2.1. Mạng Nơ ron Nhân Tạo Nền Tảng Của Nhận Dạng Biển Số Xe

Mạng nơ-ron nhân tạo (ANN) là một mô hình xử lý thông tin mạnh mẽ, được xây dựng dựa trên cách thức hoạt động của hệ nơ-ron sinh học. Một mạng nơ-ron bao gồm nhiều nơ-ron (neuron) kết nối với nhau thông qua các liên kết có trọng số. Các nơ-ron này làm việc cùng nhau để giải quyết một vấn đề cụ thể. Kiến trúc của một mạng nơ-ron thường bao gồm các lớp: lớp đầu vào (input layer), lớp ẩn (hidden layer) và lớp đầu ra (output layer). Mỗi lớp có thể chứa nhiều nơ-ron, và các nơ-ron trong các lớp khác nhau được kết nối với nhau. Mặc dù mỗi nơ-ron đơn lẻ có thể thực hiện các chức năng xử lý thông tin nhất định, sức mạnh của tính toán nơ-ron chủ yếu có được nhờ sự kết hợp các nơ-ron trong một kiến trúc thống nhất.

2.2. Mạng Nơ ron Tích Chập CNN và Ứng Dụng Trong Xử Lý Ảnh

Mạng nơ-ron tích chập (CNN) là một loại mạng nơ-ron đặc biệt, được thiết kế để xử lý dữ liệu có cấu trúc lưới như hình ảnh. CNN sử dụng các lớp tích chập để trích xuất các đặc trưng quan trọng từ hình ảnh, như cạnh, góc và kết cấu. Các lớp gộp (pooling layer) được sử dụng để giảm kích thước của các bản đồ đặc trưng, giúp giảm số lượng tham số và tăng tính tổng quát của mô hình. CNN đã chứng minh được hiệu quả vượt trội trong nhiều bài toán xử lý ảnh, bao gồm phát hiện đối tượng, phân loại hình ảnh và nhận dạng biển số xe. Việc sử dụng CNN cho phép hệ thống nhận dạng biển số xe có thể xử lý các hình ảnh có độ phân giải khác nhau, góc nhìn khác nhau và điều kiện ánh sáng khác nhau một cách hiệu quả.

III. Hướng Dẫn Xây Dựng Mô Hình Nhận Dạng Biển Số Xe YOLOv5

Một trong những mô hình học sâu phổ biến nhất hiện nay để nhận dạng biển số xe là YOLOv5. YOLO (You Only Look Once) là một thuật toán phát hiện đối tượng theo thời gian thực, nổi tiếng với tốc độ và độ chính xác cao. YOLOv5 là phiên bản mới nhất của YOLO, với nhiều cải tiến về kiến trúc và hiệu suất. Để xây dựng một mô hình nhận dạng biển số xe bằng YOLOv5, cần thực hiện các bước sau: thu thập và gán nhãn dữ liệu, huấn luyện mô hình, đánh giá hiệu suất và triển khai mô hình.

3.1. Chuẩn Bị Dữ Liệu Huấn Luyện Cho Mô Hình Nhận Dạng

Việc chuẩn bị dữ liệu là một bước quan trọng trong quá trình xây dựng một mô hình nhận dạng biển số xe hiệu quả. Dữ liệu huấn luyện cần phải đa dạng, bao gồm các hình ảnh biển số xe từ nhiều nguồn khác nhau, với các điều kiện ánh sáng, góc nhìn và độ phân giải khác nhau. Mỗi hình ảnh cần được gán nhãn chính xác, với thông tin về vị trí và loại biển số xe. Dữ liệu huấn luyện càng lớn và càng đa dạng, mô hình càng có khả năng học được các đặc trưng quan trọng và đạt được độ chính xác cao. Có thể sử dụng các công cụ gán nhãn ảnh chuyên dụng để gán nhãn dữ liệu một cách nhanh chóng và chính xác.

3.2. Huấn Luyện Mô Hình YOLOv5 Để Nhận Dạng Biển Số Xe

Sau khi đã có dữ liệu huấn luyện, bước tiếp theo là huấn luyện mô hình YOLOv5. Quá trình huấn luyện bao gồm việc điều chỉnh các tham số của mô hình để giảm thiểu sai số giữa dự đoán của mô hình và nhãn thực tế. Có thể sử dụng các thư viện học sâu như PyTorch hoặc TensorFlow để huấn luyện mô hình YOLOv5. Quá trình huấn luyện có thể mất nhiều thời gian, tùy thuộc vào kích thước của dữ liệu huấn luyện và cấu hình phần cứng. Cần theo dõi quá trình huấn luyện và điều chỉnh các tham số để đạt được kết quả tốt nhất.

IV. Mô Hình WPOD Phát Hiện Và Căn Chỉnh Biển Số Xe Chính Xác

Mô hình WPOD (Warped Plane Object Detection) là một phương pháp hiệu quả để phát hiện và căn chỉnh biển số xe, đặc biệt trong các trường hợp biển số bị nghiêng hoặc biến dạng. WPOD sử dụng một mạng nơ-ron để dự đoán các điểm góc của biển số, sau đó thực hiện một phép biến đổi affine để căn chỉnh biển số thành hình chữ nhật chuẩn. Điều này giúp cải thiện đáng kể độ chính xác của quá trình nhận dạng ký tự sau đó. "

4.1. Ưu Điểm Của WPOD So Với Các Phương Pháp Phát Hiện Biển Số Xe Khác

So với các phương pháp phát hiện biển số xe truyền thống, WPOD có nhiều ưu điểm vượt trội. WPOD có thể xử lý các biển số xe bị nghiêng, biến dạng hoặc che khuất một phần một cách hiệu quả. WPOD cũng có khả năng hoạt động tốt trong các điều kiện ánh sáng khác nhau. Ngoài ra, WPOD có thể được tích hợp dễ dàng vào các hệ thống nhận dạng biển số xe hiện có.

4.2. Ứng Dụng WPOD Kết Hợp Với YOLOv5 Để Tăng Cường Độ Chính Xác

Việc kết hợp WPOD với YOLOv5 có thể tạo ra một hệ thống nhận dạng biển số xe mạnh mẽ và chính xác. WPOD được sử dụng để phát hiện và căn chỉnh biển số xe, trong khi YOLOv5 được sử dụng để nhận dạng ký tự. Sự kết hợp này giúp tận dụng tối đa ưu điểm của cả hai phương pháp, mang lại kết quả tốt nhất.

V. Nhận Dạng Ký Tự Trên Biển Số OCR và Các Phương Pháp Tiên Tiến

Sau khi đã phát hiện và căn chỉnh biển số xe, bước tiếp theo là nhận dạng ký tự trên biển số. Nhận dạng ký tự (OCR - Optical Character Recognition) là một quá trình chuyển đổi hình ảnh ký tự thành văn bản. Có nhiều phương pháp OCR khác nhau, từ các phương pháp truyền thống dựa trên đặc trưng đến các phương pháp hiện đại dựa trên học sâu. Việc lựa chọn phương pháp OCR phù hợp phụ thuộc vào chất lượng hình ảnh biển số và yêu cầu về độ chính xác.

5.1. Các Phương Pháp OCR Truyền Thống và Hạn Chế Của Chúng

Các phương pháp OCR truyền thống thường dựa trên việc trích xuất các đặc trưng từ hình ảnh ký tự, như đường thẳng, đường cong và góc. Sau đó, các đặc trưng này được so sánh với các mẫu ký tự đã biết để nhận dạng ký tự. Tuy nhiên, các phương pháp truyền thống thường gặp khó khăn khi xử lý các hình ảnh ký tự bị méo, mờ hoặc có độ phân giải thấp.

5.2. Ứng Dụng Học Sâu Trong Nhận Dạng Ký Tự để Vượt Qua Thách Thức

Các phương pháp học sâu đã chứng minh được hiệu quả vượt trội trong bài toán nhận dạng ký tự. Các mô hình CNN có thể học được các đặc trưng phức tạp từ hình ảnh ký tự một cách tự động, giúp cải thiện đáng kể độ chính xác và khả năng chống nhiễu. Việc sử dụng học sâu cho phép hệ thống nhận dạng biển số xe có thể xử lý các hình ảnh biển số xe có chất lượng khác nhau một cách hiệu quả.

VI. Kết Luận Hướng Phát Triển Của Công Nghệ Nhận Dạng Biển Số Xe

Công nghệ nhận dạng biển số xe đang ngày càng phát triển và đóng vai trò quan trọng trong nhiều lĩnh vực. Việc nghiên cứu và phát triển các phương pháp nhận dạng biển số xe hiệu quả là vô cùng cần thiết để đáp ứng nhu cầu ngày càng tăng của xã hội. Trong tương lai, có thể kỳ vọng vào sự ra đời của các hệ thống nhận dạng biển số xe thông minh hơn, có khả năng hoạt động tốt trong mọi điều kiện và tích hợp với các công nghệ khác như trí tuệ nhân tạo và giao thông thông minh.

6.1. Tích Hợp AI để Nâng Cao Khả Năng Nhận Dạng Biển Số Xe

Việc tích hợp trí tuệ nhân tạo (AI) có thể giúp nâng cao đáng kể khả năng nhận dạng biển số xe. AI có thể được sử dụng để cải thiện khả năng phát hiện và căn chỉnh biển số, nhận dạng ký tự và xử lý các trường hợp đặc biệt như biển số xe bị che khuất hoặc hư hỏng. AI cũng có thể được sử dụng để phân tích dữ liệu nhận dạng biển số xe và cung cấp thông tin hữu ích cho các nhà quản lý giao thông và lực lượng chức năng.

6.2. Tiềm Năng Phát Triển Của Nhận Dạng Biển Số Xe Trong Giao Thông Thông Minh

Nhận dạng biển số xe đóng vai trò then chốt trong việc xây dựng các hệ thống giao thông thông minh. Nhận dạng biển số xe có thể được sử dụng để theo dõi lưu lượng xe, quản lý bãi đỗ xe, thu phí tự động và phát hiện các hành vi vi phạm giao thông. Việc tích hợp nhận dạng biển số xe với các công nghệ khác như cảm biến, camera và hệ thống định vị có thể tạo ra một hệ thống giao thông thông minh toàn diện, giúp cải thiện hiệu quả quản lý và giảm thiểu các vấn đề liên quan đến giao thông.

Trích đoạn nội dung tài liệu

CHƯƠNG I: GIỚI THIỆU VỀ ĐỀ TÀI 1.1 Mục đích nghiên cứu Hệ thống nhận dạng biển số xe là một ứng dụng dựa trên trên kỹ thuật xử lý ảnh số. Mục đích của nhận dạng biển số xe là thực hiện các bước xử lý để từ một ảnh đầu vào, máy tính có thể nhận ra chính xác biển số xe trên ảnh. Nhận dạng biển số xe trở thành một ứng dụng hữu ích, được đưa vào trong những lĩnh vực như: quản lý giao thông, kiểm tra an ninh, thu phí giao thông, trạm gác cổng, quản lý các bãi giữ xe một cách tự động.2 Đối tượng nghiên cứu Đây là một trong những ứng dụng xử lý ảnh nhận được nhiều sự nghiên cứu về cả hai mặt lý thuyết và thực hiện chương trình. Đề tài của em bao gồm các quá trình xử lý: phân vùng biển số, tách các ký tự và nhận biết các ký tự.3 Phạm vi nghiên cứu Việc có nhiều biển số xe với định dạng và độ sáng khác nhau gây khó khăn cho việ nhận dạng và trích xuất biển số từ ảnh chụp nên độ sáng khác nhau làm tăng độ phức tạp trong quá trình nhận dạng.

Do thời thực hiện đề tài không cho phép nên các biển số xe bị giới hạn với điều kiện như sau:  Biển số xe có chữ đen, có  Biển số phải còn nguyên vẹn, không bị tróc sơn hay rỉ sét, không bị che khuất.  Hình chụp biển số không bị mờm ký tự biển số còn phân biệt, nhận dạng được bằng trực quan.  Không bị nhiễu bởi ánh sáng làm ảnh chụp bị chói.4 Ứng dụng của đề tài 1.1 Khái niệm nhận dạng biển số xe 8 Hệ thống nhận dạng biển số xe là hệ hệ thống có khả năng phân tích hình ảnh và xác định biển số trên xe, thông qua video, thiết bị ghi hình và hình ảnh. Sau là xác định thông tin như: chủ sở hữu, … Phân loại ứng dụng nhận dạng biển số xe: Ứng dụng nhận dạng biển số xe là ứng dụng có khả năng phân tích hình ảnh và xác định biển số xe từ các hình ảnh chụp được từ các thiết bị thu hình.

Nguồn hình ảnh cho ứng dụng có rất nhiều. Trong báo cáo tốt nghiệp em chỉ dừng lại ở mức xác định biển số xe (cắt các vùng chữ trên biển) từ các hình ảnh. Có nhiều cách thức khác nhau để phân loại các ứng dụng nhận dạng biển số xe. Một trong những cách đơn giản là phân loại ứng dụng nhận dạng biển số xe thông qua mục đích sử dụng.

Có thể chia ứng dụng nhận dạng biển số xe thành hai loại sau: Loại 1: Giới hạn vùng nhìn  Đầu vào: ảnh thu trực tiếp từ các thiết bị ghi nhận ảnh kỹ thuật số. Ảnh được ghi nhận thường chỉ giới hạn trong vùng có biển số xe.  Nguyên lý hoạt động: các phương tiện giao thông phải chạy với một tốc độ đủ chậm để máy ghi nhận hình ảnh có thể thu được ảnh vùng biển số xe.  Ứng dụng: những ứng dụng nhận dạng biển số xe loại này thường được dùng tại các trạm kiểm soát, các trạm thu phí, các bãi gửi xe tự động, các trạm các cổng… 9 Hình 1.1 - Hệ thống tự động nhận dạng biển số xe Loại 2: Không giới hạn vùng nhìn  Đầu vào: ảnh đầu vào thu được từ thiết bị ghi hình tự động, không phụ thuộc vào góc độ, các đối tượng xung quanh, ảnh không cần bắt buộc chỉ chụp vùng chứa biển số xe, mà có thể là ảnh tổng hợp như chứa thêm các đối tượng như người, cây, đường phố, … miễn là vùng biển số phải đủ rõ để có thể nhận dạng được ký tự trong vùng đó.

 Nguyên lý hoạt động: do đặc tính không giới hạn vùng nhìn mà ảnh đầu vào có thể thu được từ một thiết bị ghi hình (camera, máy ảnh). Và do đó, công việc đầu tiên là dò tìm trong ảnh, để xác định đúng vùng nào là biển số xe. Sau đó, thực hiện tách vùng và nhận dạng. Cuối cùng tùy thuộc vào mục đích sử dụng mà kết quả nhận dạng được truyền đi hay lưu trữ để phục vụ nhu cầu của người dùng cuối.

 Ứng dụng: vì không phụ thuộc vào phạm vi hình ảnh thu được nên có thể dùng ứng dụng tại nhiều nơi như tại những điểm điều tiết giao thông, tại các vị trí nhạy cảm của giao thông như ngã ba, ngã tư đường giao nhau. Kiểm soát, phát hiện những hành vi vi phạm an toàn giao thông.2 Ứng dụng Hệ thống nhận dạng biển số xe được xây dựng nhằm mục đích giám sát, kiểm soát các phương tiện. Dưới đây đề cập đến một số ứng dụng phổ biến đối với hệ thộng nhận dạng biển số xe: - Thu phí giao thông: Lắp đặt hệ thống nhận dạng biển số xe tại các trạm thu phí nhằm hỗ trợ hoặc tự động hóa công tác thu phí. - Kiểm soát xe tại các đường biên giới: Mỗi quốc gia đều có những quy định riêng về biển số xe, để phục vụ công tác quản lý và phát hiện những phương tiện giao thông vượt biên bất hợp pháp.

Việc lắp đặt hệ thống nhận dạng biển số xe tại các trạm kiểm soát sẽ góp phần hỗ trợ công tác kiểm tra và an ninh quốc gia. - Các trạm gác cổng: Việc lắp đặt hệ thống sẽ hỗ trợ hoặc tự động hóa công tác mở cổng cho xe ra vào. - Xử lý vi phạm giao thông: Khi lắp đặt hệ thống sẽ hỗ trợ việc xử lý vi phạm giao thông đường bộ và có thể tự động báo lỗi vi phạm. 11 CHƯƠNG II: CƠ SỞ LÝ THUYẾT 2.1 Học sâu Học sâu (deep learning) là một nhánh của ngành máy học, dựa trên một tập hợp các thuật toán để cố gắng mô hình dữ liệu để trừu tượng hóa ở mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, hoặc bằng cách khác bao gồm nhiều lớp biến đổi phi tuyến để trích tách đặc trưng và chuyển đổi.

Mỗi lớp kế tiếp dùng đâu ra của lớp trước làm đầu vào. Các thuật toán này có thể được giám sát hoặc không cần giám sát và các ứng dụng bao gồm các mô hình phân tích (không giám sát) và phân loại (giám sát). Một trong những phương pháp học sâu thành công nhất là mô hình mạng nơ- ron nhân tạo 2.2 Mạng nơ-ron nhân tạo Mạng nơron nhân tạo, Artificial Neural Network (ANN) gọi tắt là mạng nơron (neural network) là một mô hình xử lý thông tin được xây dựng dựa theo cách thức xử lý thông tin của các hệ nơron sinh học. Trong hơn hai thập kỷ qua nó là lĩnh vực khoa học được nhiều người quan tâm nghiên cứu và ứng dụng rộng rãi.

Mạng nơron được tạo nên từ một số lượng lớn các phần tử (gọi là phần tử xử lý hay nơron) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc như một thể thống nhất để giải quyết một vấn đề cụ thể nào đó. Một nơron là một đơn vị xử lý thông tin và là thành phần cơ bản của một mạng nơron.1 Kiến trúc mạng nơ- ron Mạng Neural Network là sự kết hợp của của các tầng perceptron hay còn được gọi là perceptron đa tầng (multilayer perceptron) Mỗi một mạng Neural Network thường bao gồm 3 kiểu tầng là: 12  Tầng input layer (tầng vào): Tầng này nằm bên trái cùng của mạng, thể hiện cho các đầu vào của mạng.  Tầng output layer (tầng ra): Là tầng bên phải cùng và nó thể hiện cho những đầu ra của mạng.  Tầng hidden layer (tầng ẩn): Tầng này nằm giữa tầng vào và tầng ra nó thể hiện cho quá trình suy luận logic của mạng.

Mỗi một Neural Network chỉ có duy nhất một tầng vào và một tầng ra nhưng lại có rất nhiều tầng ẩn. Hình Kiến trúc mạng nơ-ron nhân tạo Mặc dù mỗi nơron đơn lẻ có thể thực hiện những chức năng xử lý thông tin nhất định, sức mạnh của tính toán nơron chủ yếu có được nhờ sự kết hợp các nơron trong một kiến trúc thống nhất. Một mạng nơron là một mô hình tính toán được xác định qua các tham số: kiểu nơron (như là các nút nếu ta coi cả mạng nơron là một đồ thị), kiến trúc kết nối (sự tổ chức kết nối giữa các nơron) và thuật toán học (thuật toán dùng để học cho mạng). Về bản chất một mạng nơron có chức năng như là một hàm ánh xạ F: X → Y, trong đó X là không gian trạng thái đầu vào (input state space) và Y là không gian trạng thái đầu ra (output state space) của mạng.

Các mạng chỉ đơn giản là làm nhiệm vụ ánh xạ các vectơ đầu vào x ∈ X sang các vec-tơ đầu ra y 13 ∈ Y thông qua “bộ lọc” (filter) các trọng số. Tức là y = F(x) = s(W, x), trong đó W là ma trận trọng số liên kết. Hoạt động của mạng thường là các tính toán số thực trên các ma trận. Một nơ-ron bao gồm các liên kết nhận tín hiệu vào bằng số có các trọng số kết nối w tương ứng, một hàm tổng và một hàm truyền còn gọi là hàm kích hoạt để tạo tín hiệu ra dựa trên giá trị hàm tổng và giá trị ngưỡng θ.

 Liên kết: Mỗi liên kết thứ i sẽ nhận vào giá trị x i có trọng số kết nối w i tương ứng.  Trọng số kết nối: Các trọng số kết nối của đường liên kết là yếu tố then chốt của nơ-ron, chúng ta sẽ được xác định tùy theo tập dữ liệu nhờ quá trình huấn luyện.  Hàm tổng: Hàm tổng là tổng của tích các trọng số kết nối với các tín hiệu vào trên các liên kết tương ứng: n s = ∑ wi xi i=1 Với a i là giá trị nhập hoặc giá trị xuất của một nút có cùng kết nối với nút j và trọng số kết nối là w ij. Trong bộ não của con người, các tế bào nơron liên kết với nhau chằng chịt và tạo nên một mạng lưới vô cùng phức tạp, tuy nhiên mạng nơron nhân tạo được chia thành các loại chính sau: Hình Mạng nơron chỉ có 1 nút và có sự phản hồi 14 Mạng nơron truyền thẳng một lớp (perceptron) là loại mạng chỉ có lớp nơron đầu vào và một lớp nơron đầu ra (thực chất lớp nơron đầu vào không có vai trò xử lý, do đó ta nói mạng chỉ có một lớp).

Loại mạng này còn được gọi là mạng perceptron một lớp. Mỗi nơron đầu ra có thể nhận tín hiệu từ các đầu vào x1, x2, …, xm để tạo ra tín hiệu đầu ra tương ứng.