CHƯƠNG 1: TỔNG QUAN Các kết quả đã đạt được của hệ thống so với mục tiêu ban đầu được trình bày ở chương này. Đồng thời đưa ra hiệu suất làm việc của hệ thống đó. Chương 6: Kết luận và hướng phát triển Chương này trình bày các kết quả rút ra được từ kết quả thực hiện đề tài và nêu lên các hướng phát triển của hệ thống trong tương lai. ĐỒ ÁN TỐT NGHIỆP 4 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.
Xử lý ảnh Xử lý ảnh là một lĩnh vực rộng lớn trong khoa học máy tính, tập trung vào việc thao tác, phân tích và biến đổi hình ảnh kỹ thuật số. Nó đóng vai trò quan trọng trong nhiều lĩnh vực khác nhau như nhiếp ảnh, y tế, an ninh, sản xuất, và giải trí. 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. Xử lý ảnh là một công cụ mạnh mẽ với nhiều ứng dụng trong đời sống thực.
Nó giúp chúng ta cải thiện chất lượng hình ảnh, trích xuất thông tin từ hình ảnh, và tự động hóa các tác vụ phức tạp. Nhờ những tiến bộ trong công nghệ, xử lý ảnh ngày càng trở nên phổ biến và đóng vai trò quan trọng trong nhiều lĩnh vực khác nhau. Học sâu và trí tuệ nhân tạo Học sâu và trí tuệ nhân tạo (AI) đang là những lĩnh vực phát triển nhanh chóng nhất trong khoa học máy tính, mang đến những đột phá phi thường trong nhiều lĩnh vực. Chúng ta đang chứng kiến sự bùng nổ của các ứng dụng AI trong đời sống hàng ngày, từ nhận dạng khuôn mặt đến xe tự lái, trợ lý ảo đến dịch máy.
Học sâu là một nhánh của trí tuệ nhân tạo sử dụng các mạng nơ-ron nhân tạo (ANN) được đào tạo trên một lượng lớn dữ liệu để học hỏi và thực hiện các nhiệm vụ phức tạp. Khác với các mô hình học máy truyền thống, học sâu sử dụng nhiều lớp mạng nơ-ron xếp chồng lên nhau, cho phép mô hình học hỏi các đặc trưng trừu tượng và cấp cao hơn từ dữ liệu. Trí tuệ nhân tạo là một lĩnh vực nghiên cứu rộng lớn nhằm tạo ra các hệ thống máy tính có khả năng mô phỏng trí thông minh của con người. AI bao gồm nhiều lĩnh vực con khác nhau như học máy, học sâu, xử lý ngôn ngữ tự nhiên, thị giác máy tính, v.
ĐỒ ÁN TỐT NGHIỆP 5 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Học sâu là một công cụ quan trọng cho trí tuệ nhân tạo. Các mô hình học sâu có thể học hỏi từ dữ liệu một cách hiệu quả và chính xác, giúp giải quyết các vấn đề phức tạp mà các phương pháp truyền thống không thể giải quyết được. Nhờ có học sâu, các hệ thống AI ngày càng thông minh và có khả năng thực hiện nhiều nhiệm vụ như con người. Học sâu và AI đang mang lại những thay đổi to lớn cho xã hội và nền kinh tế.
Chúng ta có thể thấy tác động của chúng trong nhiều lĩnh vực như giao thông vận tải, sản xuất, y tế, giáo dục, giải trí, … Hình 2. Mối quan hệ giữa học sâu và trí tuệ nhân tạo [1]. Mạng thần kinh tích chập Trong lĩnh vực trí tuệ nhân tạo (AI), mạng nơ-ron tính chập (CNN) đóng vai trò then chốt trong xử lý hình ảnh và nhận dạng đối tượng. Lấy cảm hứng từ cấu trúc và chức năng của thị giác con người, CNNs thể hiện khả năng phi thường trong việc trích xuất đặc trưng và phân loại các mẫu phức tạp từ hình ảnh.
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 miêu tả như sau: ĐỒ ÁN TỐT NGHIỆP 6 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Hình 2. Hình ảnh minh họa về tính chập [2] Hãy tưởng tượng bạn có một bức ảnh được chia thành các ô nhỏ, mỗi ô tương ứng với một điểm ảnh. Giá trị của mỗi điểm ảnh trong ảnh được biểu thị bằng 0 (màu đen) hoặc 1 (màu trắng), tạo thành một ma trận ảnh.
Ma trận này lưu trữ thông tin về màu sắc của từng điểm ảnh trong bức ảnh. Ma trận kernel, còn được gọi là filter hoặc feature detector, đóng vai trò như một "bộ lọc" được áp dụng lên ảnh đầu vào. Nó có kích thước nhỏ (ví dụ: 3x3) và chứa các giá trị trọng số. Mỗi giá trị trong ma trận kernel tương ứng với một điểm ảnh trong vùng tích chập.
Điểm neo xác định vị trí trung tâm của ma trận kernel trên ảnh đầu vào. Vị trí này thường được đặt tại tâm của ma trận kernel để đảm bảo tính đối xứng trong phép tính chập. Phép tích chập được thực hiện bằng cách di chuyển ma trận kernel trên ảnh đầu vào theo các bước nhất định (ví dụ: 1 pixel). Tại mỗi vị trí, ma trận kernel được đặt sao cho điểm neo trùng với một điểm ảnh trên ảnh.
Các giá trị trong ma trận kernel được nhân với các giá trị điểm ảnh tương ứng tại vị trí hiện tại. Kết quả của phép nhân được cộng lại và lưu trữ tại vị trí trung tâm của ma trận kernel trong ma trận đặc trưng. Sau khi thực hiện phép tích chập trên toàn bộ ảnh đầu vào, ta thu được một ma trận mới gọi là ma trận đặc trưng. Ma trận này có kích thước nhỏ hơn ảnh đầu vào do việc di chuyển và thu nhỏ của ma trận kernel.
Mỗi giá trị trong ma trận đặc trưng thể hiện mức độ kích hoạt của các đặc trưng cục bộ tại vị trí tương ứng trên ảnh đầu vào. ĐỒ ÁN TỐT NGHIỆP 7 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Mạng thần kinh tích chập (CNN) là một loại mạng nơ-ron tiến truyền có từ 20 đến 30 lớp. Tương tự như các mạng nơ-ron khác, CNN sử dụng hàm kích hoạt ReLU và có một lớp kết nối đầy đủ. Hàm kích hoạt ReLU đảm bảo tính phi tuyến khi dữ liệu đi qua mỗi lớp, giúp duy trì các đặc điểm quan trọng của dữ liệu.
Lớp kết nối đầy đủ ở cuối mạng sẽ thực hiện phân loại trên tập dữ liệu. Điểm khác biệt của CNN so với các mạng nơ-ron khác là nó có các lớp đặc biệt gọi là lớp tích chập (convolutional layer) và lớp gộp (pooling layer). Kiến trúc của mạng CNN [2] Lớp tích chập là lớp đầu tiên trích xuất các đặc trưng từ hình ảnh đầu vào, hoạt động bằng cách áp dụng một bộ lọc lên một vùng điểm ảnh. Lớp này duy trì mối tương quan giữa các điểm ảnh bằng cách học các đặc trưng của hình ảnh từ các ô vuông nhỏ trong dữ liệu đầu vào.
Quá trình này sử dụng hai đầu vào: ma trận hình ảnh đầu vào và bộ lọc, để tạo ra ma trận đặc trưng. Ma trận đặc trưng là kết quả của bộ lọc được áp dụng lên lớp trước đó. Bộ lọc được trượt qua từng điểm ảnh của lớp trước, mỗi vị trí kích hoạt một nơ-ron, và kết quả được thu thập trong ma trận đặc trưng. Lớp gộp giảm kích thước của bản đồ đặc trưng và giúp xử lý nhanh hơn bằng cách giảm tổng số tham số mà mạng cần xử lý.
Có hai khía cạnh đáng chú ý của CNN là Sự bất biến của vị trí (Location Invariance) và Tính tổng hợp (Compositionality). - Sự bất biến của vị trí (Location Invariance): Giả sử ta muốn phân loại xem có đối tượng cần nhận dạng trong một hình ảnh hay không. Bởi vì ta trượt bộ lọc qua toàn bộ hình ảnh, vị trí của đối tượng không quan trọng. Lớp gộp ĐỒ ÁN TỐT NGHIỆP 8 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT còn mang lại sự bất biến đối với dịch (translation), xoay (rotation) và chia tỷ lệ (scaling).
- Tính tổng hợp (Compositionality): Mỗi bộ lọc tạo ra một bản vá cục bộ của các đặc trưng cấp thấp hơn thành các biểu diễn cấp cao hơn. Điều này có nghĩa là CNN xây dựng các cạnh từ pixel, hình dạng từ các cạnh, và các đối tượng phức tạp hơn từ các hình dạng. Các phương pháp nhận dạng đối tượng Nhận dạng đổi tượng (còn được gọi là nhận dạng vật lý) là quá trình nhận biết và phân biệt các đối tượng dựa trên các đặc điểm vật lý đặc trưng của chúng. Trong lĩnh vực khoa học máy tính và trí tuệ nhân tạo, nhận dạng đổi tượng đã trở thành một lĩnh vực nghiên cứu quan trọng, đặc biệt trong việc phát triển các hệ thống tự động nhận dạng hình ảnh và video.
Nhận dạng đối tượng, đóng vai trò cốt lõi trong thị giác máy tính, là chìa khóa giúp máy móc "nhìn nhận" và "hiểu biết" thế giới xung quanh. Để hiện thực hóa điều này, các thuật toán đóng vai trò then chốt, cung cấp nền tảng cho các hệ thống nhận dạng đối tượng hoạt động hiệu quả. Các phương pháp nhận dạng đối tượng phổ biển hiện nay: a) R-CNN (Region-based Convolutional Neural Networks) R-CNN là một dạng mở rộng của CNN, nơi các vùng đáng chú ý trong hình ảnh được xác định trước bằng các kỹ thuật phát hiện vùng (ví dụ như Selective Search). Sau đó, các vùng này được áp dụng các lớp tích chập để trích xuất đặc trưng và lớp kết nối đầy đủ để phân loại.
R-CNN cải thiện khả năng nhận dạng và tăng tốc quá trình bằng cách giảm số lượng vùng cần xử lý so với phương pháp truyền thống. ĐỒ ÁN TỐT NGHIỆP 9 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT Hình 2. Kiến trúc của mạng R-CNN [3] Đặc điểm chính của R-CNN là sự kết hợp giữa việc sử dụng mạng thần kinh tích chập (CNN) để trích xuất đặc trưng và các kỹ thuật phát hiện vùng (region proposal) để xác định các vùng đối tượng trên hình ảnh. Quá trình hoạt động của R-CNN bao gồm Tạo ra các đề xuất vùng (Region Proposals): Trước khi áp dụng CNN, R-CNN sử dụng các kỹ thuật như Selective Search để tạo ra các đề xuất vùng ứng viên trên hình ảnh.
Các đề xuất này đại diện cho những vùng có khả năng chứa đối tượng. Trích xuất đặc trưng: Sau khi có các đề xuất vùng, mỗi vùng sẽ được cắt ra từ hình ảnh gốc và được đưa vào mạng CNN để trích xuất các đặc trưng. Các đặc trưng này sẽ được sử dụng để đại diện cho các đối tượng có trong từng vùng. Phân loại và định vị: Các đặc trưng trích xuất từ mạng CNN được đưa vào các lớp kết nối đầy đủ (fully-connected layers) để phân loại đối tượng và dự đoán vị trí của chúng trên hình ảnh ban đầu.