Nghiên Cứu Giải Pháp Làm Sạch Tổ Yến Dựa Trên Công Nghệ Học Sâu

Chuyên khảo phân tích Nghiên cứu và đề xuất giải pháp làm sạch tổ yến, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Trần Văn Xuân
• Người hướng dẫn: PGS. Nguyễn Tấn Tiến
• Trường học: Đại học Bách Khoa - ĐHQG TP. Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Cơ Điện Tử
• Đề tài: Giải Pháp Hiệu Quả Làm Sạch Tổ Yến Dựa Trên Công Nghệ Học Sâu
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN THẠC SĨ
• ABSTRACT
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Quy trình làm sạch tạp chất tổ yến
• 1.2. Tình hình nghiên cứu
• 1.3. Mục tiêu, phạm vi và đối tượng nghiên cứu
• 1.3.1. Phạm vi nghiên cứu
• 1.3.2. Đối tượng nghiên cứu
• 1.4. Bố cục của luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Mạng nơron nhân tạo
• 2.2. Suy giảm độ dốc và lan truyền ngược
• 2.3. Mạng học sâu tích chập
• 2.4. Một số lớp CNN
• 2.5. Lớp Batch Normalization
• 2.6. Kĩ thuật huấn luyện
• 2.6.1. Kiểm chứng chéo (Cross-validation)
• 2.7. Phương pháp đánh giá mạng học sâu
• 2.7.1. Precision và Recall
• 2.7.2. IoU và mAP
• 2.8. Hàm mất mát
• 2.8.1. Hàm mất mát Cross Entropy
• 2.8.2. Hàm mất mát DIoU
• 3. CHƯƠNG 3: PHƯƠNG ÁN NGUYÊN LÍ
• 3.1. Xác định bài toán
• 3.2. Khảo sát và thu thập dữ liệu
• 3.3. Xây dựng tập dữ liệu
• 3.4. Mô hình đề xuất
• 3.4.1. Cấu trúc máy gắp
• 3.4.2. Mô hình học sâu Mask R-CNN
• 3.4.3. Xác định vị trí lông yến
• 3.5. Phương án thí nghiệm
• 4. CHƯƠNG 4: THỰC HIỆN THÍ NGHIỆM
• 4.1. Thí nghiệm một: Xác định cấu hình dữ liệu
• 4.2. Thí nghiệm hai: Thí nghiệm sử dụng mạng Restnet50-FPN
• 4.3. Thí nghiệm ba: Thí nghiệm sử dụng mạng Restnet101-FPN
• 4.4. Thí nghiệm bốn: Thí nghiệm sử dụng mạng Restnet50
• 4.5. Thí nghiệm năm: Thí nghiệm sử dụng mạng Restnet101
• 5. CHƯƠNG 5: KẾT QUẢ THỰC NGHIỆM
• 5.1. Kết quả thí nghiệm
• 5.1.1. Kết quả thí nghiệm một
• 5.1.2. Kết quả thí nghiệm hai
• 5.1.3. Kết quả thí nghiệm ba
• 5.1.4. Kết quả thí nghiệm bốn
• 5.1.5. Kết quả thí nghiệm năm
• 5.2. Đánh giá kết quả thí nghiệm và tính toán vị trí
• 5.2.1. Tổng kết kết quả
• 5.2.2. Hướng nghiên cứu tiếp theo
• TÀI LIỆU THAM KHẢO
• DANH SÁCH HÌNH ẢNH
• DANH SÁCH BẢNG
• BẢNG THUẬT NGỮ ANH - VIỆT

Tóm tắt

I. Tổng Quan Về Giải Pháp Làm Sạch Tổ Yến Dựa Trên Công Nghệ Học Sâu

Giải pháp làm sạch tổ yến đang trở thành một vấn đề quan trọng trong ngành công nghiệp chế biến thực phẩm. Tổ yến, với giá trị dinh dưỡng cao, cần được làm sạch một cách hiệu quả để đảm bảo chất lượng sản phẩm. Công nghệ học sâu đã mở ra những hướng đi mới trong việc tự động hóa quy trình làm sạch, giúp giảm thiểu sức lao động và nâng cao hiệu quả. Việc áp dụng công nghệ này không chỉ giúp tiết kiệm thời gian mà còn đảm bảo độ chính xác trong việc phát hiện và loại bỏ tạp chất.

1.1. Quy Trình Làm Sạch Tổ Yến Hiện Nay

Quy trình làm sạch tổ yến hiện nay bao gồm nhiều bước từ thu hoạch, phân loại đến làm sạch. Mỗi bước đều yêu cầu sự tỉ mỉ và kỹ thuật cao để đảm bảo chất lượng sản phẩm cuối cùng. Việc áp dụng công nghệ học sâu có thể cải thiện quy trình này, giúp phát hiện và loại bỏ tạp chất hiệu quả hơn.

1.2. Lợi Ích Của Công Nghệ Học Sâu Trong Làm Sạch Tổ Yến

Công nghệ học sâu mang lại nhiều lợi ích cho quy trình làm sạch tổ yến. Nó giúp tự động hóa việc phát hiện lông yến và các tạp chất khác, từ đó giảm thiểu sự can thiệp của con người. Điều này không chỉ tiết kiệm thời gian mà còn nâng cao độ chính xác trong việc làm sạch.

II. Vấn Đề Và Thách Thức Trong Làm Sạch Tổ Yến

Mặc dù công nghệ học sâu mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức trong việc áp dụng vào quy trình làm sạch tổ yến. Các yếu tố như độ trong suốt của tổ yến, sự thay đổi về mật độ và độ dày của các sợi nước bọt có thể gây khó khăn trong việc phát hiện tạp chất. Ngoài ra, việc thu thập và chuẩn bị dữ liệu cho mô hình học sâu cũng là một thách thức lớn.

2.1. Những Thách Thức Trong Việc Phát Hiện Tạp Chất

Việc phát hiện tạp chất trong tổ yến gặp nhiều khó khăn do sự đa dạng của các loại tạp chất và điều kiện môi trường. Các tạp chất như lông chim, bụi, và phân động vật có thể dễ dàng bị bỏ sót nếu không có công nghệ hỗ trợ.

2.2. Khó Khăn Trong Việc Chuẩn Bị Dữ Liệu

Chuẩn bị dữ liệu cho mô hình học sâu là một bước quan trọng nhưng cũng đầy thách thức. Cần phải có một tập dữ liệu lớn và đa dạng để mô hình có thể học hỏi và phát hiện chính xác các tạp chất trong tổ yến.

III. Phương Pháp Sử Dụng Công Nghệ Học Sâu Trong Làm Sạch Tổ Yến

Phương pháp sử dụng công nghệ học sâu trong làm sạch tổ yến bao gồm việc áp dụng các mô hình như Mask R-CNN để phát hiện và phân đoạn các tạp chất. Mô hình này cho phép xác định vị trí chính xác của lông yến và các tạp chất khác, từ đó nâng cao hiệu quả làm sạch.

3.1. Mô Hình Mask R CNN Trong Phát Hiện Tạp Chất

Mô hình Mask R-CNN được sử dụng để phát hiện và phân đoạn các tạp chất trong tổ yến. Mô hình này có khả năng xác định vị trí chính xác của lông yến, giúp quá trình làm sạch trở nên hiệu quả hơn.

3.2. Quy Trình Huấn Luyện Mô Hình Học Sâu

Quy trình huấn luyện mô hình học sâu bao gồm việc thu thập dữ liệu, gán nhãn và tối ưu hóa mô hình. Việc này đòi hỏi sự tỉ mỉ và kỹ thuật cao để đảm bảo mô hình hoạt động hiệu quả trong thực tế.

IV. Ứng Dụng Thực Tiễn Của Công Nghệ Học Sâu Trong Làm Sạch Tổ Yến

Công nghệ học sâu đã được áp dụng thành công trong nhiều lĩnh vực, và làm sạch tổ yến cũng không phải là ngoại lệ. Các ứng dụng thực tiễn cho thấy sự cải thiện rõ rệt trong quy trình làm sạch, từ việc phát hiện tạp chất đến tự động hóa quy trình.

4.1. Kết Quả Nghiên Cứu Về Ứng Dụng Công Nghệ

Nghiên cứu cho thấy việc áp dụng công nghệ học sâu trong làm sạch tổ yến đã giúp tăng năng suất và giảm thiểu sai sót trong quá trình phát hiện tạp chất. Các kết quả này mở ra hướng đi mới cho ngành công nghiệp chế biến thực phẩm.

4.2. Các Mô Hình Thành Công Trong Thực Tế

Nhiều mô hình học sâu đã được triển khai thành công trong thực tế, cho thấy khả năng phát hiện và phân loại tạp chất một cách chính xác. Điều này không chỉ giúp nâng cao chất lượng sản phẩm mà còn giảm thiểu chi phí sản xuất.

V. Kết Luận Về Tương Lai Của Giải Pháp Làm Sạch Tổ Yến

Tương lai của giải pháp làm sạch tổ yến dựa trên công nghệ học sâu hứa hẹn sẽ mang lại nhiều cải tiến đáng kể. Việc tiếp tục nghiên cứu và phát triển các mô hình học sâu sẽ giúp nâng cao hiệu quả và độ chính xác trong quy trình làm sạch, từ đó đáp ứng nhu cầu ngày càng cao của thị trường.

5.1. Hướng Nghiên Cứu Tiếp Theo

Hướng nghiên cứu tiếp theo sẽ tập trung vào việc cải thiện độ chính xác của các mô hình học sâu và mở rộng khả năng phát hiện tạp chất. Điều này sẽ giúp nâng cao chất lượng sản phẩm tổ yến và đáp ứng nhu cầu của người tiêu dùng.

5.2. Tương Lai Của Ngành Công Nghiệp Làm Sạch Tổ Yến

Ngành công nghiệp làm sạch tổ yến sẽ tiếp tục phát triển với sự hỗ trợ của công nghệ học sâu. Điều này không chỉ giúp nâng cao hiệu quả sản xuất mà còn tạo ra những sản phẩm chất lượng cao hơn cho người tiêu dùng.

Nội dung chính

Tổng quan nghiên cứu

Tổ yến là một loại thực phẩm quý giá, nổi tiếng với giá trị dinh dưỡng cao nhờ chứa glycoprotein và axit sialic, cùng 31 nguyên tố đa vi lượng như Ca, Fe, Mn, Br, Cu. Các thành phần này giúp tăng cường miễn dịch, cải thiện chức năng não, hỗ trợ điều trị lão hóa da và nâng cao sức khỏe tổng thể. Theo ước tính, ngành công nghiệp tổ yến tại Việt Nam đang phát triển mạnh mẽ với nhu cầu ngày càng tăng, đặc biệt trong khâu làm sạch tổ yến – một công đoạn quan trọng và tốn nhiều công sức.

Quá trình làm sạch tổ yến gồm bốn giai đoạn chính: thu hoạch, sơ chế, gắp lông và phơi khô/định hình sản phẩm. Trong đó, việc loại bỏ tạp chất như lông chim, phân chim, bụi bẩn và các vật thể lạ là thách thức lớn do tính chất phức tạp và đa dạng của tạp chất. Hiện nay, công đoạn này chủ yếu dựa vào sức lao động thủ công, gây tốn kém thời gian và chi phí.

Mục tiêu nghiên cứu là khảo sát, đánh giá và đề xuất giải pháp làm sạch tổ yến tự động, tập trung vào phát hiện và xác định vị trí lông yến bằng phương pháp học sâu. Phạm vi nghiên cứu tập trung vào việc phát hiện tạp chất trong ảnh chụp từ camera lắp đặt vuông góc với khay yến, trong điều kiện ánh sáng và góc quay thay đổi phù hợp với môi trường nhà máy chế biến. Nghiên cứu có ý nghĩa lớn trong việc nâng cao hiệu quả sản xuất, giảm chi phí nhân công và tăng độ chính xác trong khâu làm sạch tổ yến.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Mạng nơron nhân tạo (Artificial Neural Network - ANN): Mạng gồm các nút (neuron) mô phỏng hoạt động thần kinh, sử dụng hàm kích hoạt phi tuyến như ReLU, Sigmoid để biểu diễn mối quan hệ phức tạp giữa đầu vào và đầu ra.

• Mạng học sâu tích chập (Convolutional Neural Network - CNN): Sử dụng các lớp tích chập để trích xuất đặc trưng từ ảnh, giảm số lượng tham số và giữ tính cục bộ của dữ liệu. Các lớp như pooling, batch normalization giúp tăng hiệu quả huấn luyện và độ chính xác.

• Mô hình Mask R-CNN: Mạng học sâu đa nhiệm vụ, kết hợp phát hiện đối tượng (object detection) và phân đoạn cá thể (instance segmentation). Sử dụng khối Feature Pyramid Network (FPN) để trích xuất đặc trưng đa cấp độ, mạng Region Proposal Network (RPN) để đề xuất vùng chứa đối tượng, và nhánh phân đoạn để xác định chính xác vùng điểm ảnh của tạp chất.

• Các khái niệm chính: Precision, Recall, Intersection over Union (IoU), mean Average Precision (mAP) dùng để đánh giá hiệu quả mô hình phát hiện và phân đoạn.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Tập dữ liệu gồm 1200 ảnh chụp vụn yến có tạp chất, trong đó 100 ảnh được chú thích chi tiết. Dữ liệu được thu thập tại nhà máy chế biến yến Việt Nam, với điều kiện ánh sáng bóng đèn huỳnh quang, camera đặt vuông góc ở độ cao 20cm, khay yến trải lớp mỏng 1-5mm.

• Phương pháp phân tích: Sử dụng mạng Mask R-CNN với các mạng cơ sở ResNet50-FPN và ResNet101-FPN để huấn luyện và đánh giá. Các cấu hình chú thích dữ liệu được thử nghiệm gồm mở rộng vùng khung bao, phân đoạn và kết hợp cả hai nhằm tối ưu hóa khả năng nhận diện tạp chất nhỏ.

• Timeline nghiên cứu: Thu thập và xử lý dữ liệu từ tháng 9 đến tháng 12 năm 2022; huấn luyện và thí nghiệm mô hình trong tháng 12 năm 2022 đến tháng 1 năm 2023; đánh giá kết quả và đề xuất giải pháp hoàn thiện trong tháng 1 năm 2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Ảnh hưởng của cấu hình chú thích dữ liệu:

   • Cấu hình mở rộng vùng khung bao và phân đoạn giúp tăng khả năng phát hiện tạp chất nhỏ, cải thiện mAP lên khoảng 10-15% so với chú thích chính xác không mở rộng.
   • Cấu hình kết hợp mở rộng cả khung bao và phân đoạn đạt hiệu quả cao nhất, với mAP trung bình trên tập BN10 đạt khoảng 75%.

2. So sánh các mạng cơ sở:

   • Mạng ResNet101-FPN cho kết quả tốt hơn ResNet50-FPN khoảng 5% về mAP, đặc biệt trong việc phát hiện các tạp chất có kích thước nhỏ và độ tương phản thấp.
   • Tuy nhiên, ResNet50-FPN có ưu điểm về tốc độ huấn luyện và tính toán, phù hợp với ứng dụng thực tế cần xử lý nhanh.

3. Độ chính xác phát hiện và xác định vị trí:

   • Mô hình Mask R-CNN đạt độ chính xác phát hiện tạp chất trên 70%, vượt mức yêu cầu tối thiểu 50% đề ra.
   • Vị trí trung bình của tạp chất được xác định với sai số dưới 5mm, đảm bảo độ chính xác cho cơ cấu gắp lông yến tự động.

4. Khả năng ứng dụng thực tế:

   • Hệ thống thị giác máy tính kết hợp với robot gắp lông yến ba trục hoạt động hiệu quả trong môi trường nhà máy, giảm đáng kể thời gian và công sức so với phương pháp thủ công.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy việc áp dụng mạng học sâu Mask R-CNN với cấu hình chú thích dữ liệu mở rộng là giải pháp khả thi và hiệu quả cho bài toán làm sạch tổ yến. Việc sử dụng mạng ResNet101-FPN giúp cải thiện khả năng nhận diện các tạp chất nhỏ và khó phân biệt, phù hợp với đặc thù tổ yến có nhiều loại lông măng và vụn nhỏ.

So với các nghiên cứu trước đây, kết quả này vượt trội hơn về độ chính xác và tính ổn định, nhờ vào việc xây dựng tập dữ liệu thực tế phong phú và áp dụng kỹ thuật làm giàu dữ liệu. Các biểu đồ mAP theo từng cấu hình và mạng cơ sở minh họa rõ sự cải thiện qua từng bước điều chỉnh.

Tuy nhiên, vẫn còn một số hạn chế như độ nhạy với điều kiện ánh sáng thay đổi và một số tạp chất có màu sắc gần giống tổ yến gây khó khăn trong phân đoạn. Do đó, nghiên cứu tiếp theo có thể tập trung vào cải tiến thuật toán tiền xử lý ảnh và mở rộng tập dữ liệu đa dạng hơn.

Đề xuất và khuyến nghị

1. Triển khai hệ thống tự động làm sạch tổ yến tại nhà máy:

   • Áp dụng mô hình Mask R-CNN với cấu hình ResNet101-FPN để phát hiện và xác định vị trí tạp chất.
   • Mục tiêu giảm thời gian làm sạch thủ công ít nhất 50% trong vòng 6 tháng.
   • Chủ thể thực hiện: Ban quản lý nhà máy và bộ phận kỹ thuật tự động hóa.

2. Nâng cao chất lượng dữ liệu huấn luyện:

   • Thu thập thêm dữ liệu trong các điều kiện ánh sáng và góc chụp khác nhau để tăng tính đa dạng.
   • Thời gian thực hiện: 3 tháng tiếp theo.
   • Chủ thể: Nhóm nghiên cứu và kỹ thuật viên thu thập dữ liệu.

3. Cải tiến thuật toán tiền xử lý ảnh:

   • Phát triển các phương pháp lọc nhiễu, cân bằng sáng để giảm ảnh hưởng của điều kiện môi trường.
   • Mục tiêu tăng độ chính xác phát hiện thêm 10% trong 4 tháng.
   • Chủ thể: Nhóm phát triển phần mềm và chuyên gia thị giác máy tính.

4. Đào tạo nhân viên vận hành và bảo trì hệ thống:

   • Tổ chức các khóa đào tạo vận hành robot và hệ thống thị giác máy tính.
   • Thời gian: 1 tháng trước khi triển khai chính thức.
   • Chủ thể: Ban quản lý nhà máy phối hợp với nhóm nghiên cứu.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành Kỹ thuật Cơ điện tử, Thị giác máy tính:

   • Học hỏi phương pháp ứng dụng mạng học sâu trong bài toán thực tế, xây dựng tập dữ liệu và đánh giá mô hình.

2. Doanh nghiệp chế biến tổ yến và thực phẩm chức năng:

   • Áp dụng giải pháp tự động hóa làm sạch tổ yến, nâng cao năng suất và chất lượng sản phẩm.

3. Chuyên gia phát triển hệ thống robot công nghiệp:

   • Tham khảo kiến trúc hệ thống gắp lông yến ba trục kết hợp thị giác máy tính để phát triển các ứng dụng tương tự.

4. Cơ quan quản lý và phát triển công nghệ nông nghiệp:

   • Đánh giá tiềm năng ứng dụng công nghệ học sâu trong nâng cao giá trị sản phẩm nông nghiệp truyền thống.

Câu hỏi thường gặp

1. Tại sao chọn mạng Mask R-CNN cho bài toán phát hiện lông yến?
   Mask R-CNN không chỉ phát hiện vùng chứa đối tượng mà còn phân đoạn chính xác từng điểm ảnh của tạp chất, phù hợp với yêu cầu nhận diện lông yến nhỏ và phức tạp. Ví dụ, các tạp chất nhỏ như lông măng được phân biệt rõ ràng nhờ phân đoạn cá thể.

2. Làm thế nào để đảm bảo độ chính xác vị trí tạp chất trong môi trường thực tế?
   Nghiên cứu sử dụng ma trận chuyển đổi tọa độ camera và hiệu chuẩn kỹ lưỡng, kết hợp tính toán trung bình tọa độ điểm ảnh phát hiện để xác định vị trí thực tế với sai số dưới 5mm, đủ chính xác cho robot gắp.

3. Có thể áp dụng giải pháp này cho các loại tổ yến khác nhau không?
   Có thể, tuy nhiên cần điều chỉnh tập dữ liệu huấn luyện và cấu hình camera phù hợp với đặc điểm tổ yến từng loại để đảm bảo hiệu quả nhận diện.

4. Giải pháp có thể hoạt động trong điều kiện ánh sáng thay đổi không?
   Hiện tại, hệ thống hoạt động tốt trong điều kiện ánh sáng ổn định như bóng đèn huỳnh quang. Để ứng dụng trong điều kiện thay đổi, cần cải tiến thuật toán tiền xử lý ảnh và mở rộng tập dữ liệu huấn luyện.

5. Thời gian huấn luyện mô hình mất bao lâu và cần phần cứng gì?
   Mô hình được huấn luyện trên GPU Tesla P100 với khoảng 140 kỷ nguyên, tương đương vài ngày. Phần cứng cần có GPU mạnh và RAM tối thiểu 26GB để xử lý dữ liệu hiệu quả.

Kết luận

• Đề tài đã xây dựng thành công mô hình Mask R-CNN kết hợp mạng ResNet50/101-FPN để phát hiện và xác định vị trí lông yến trong tổ yến vụn với độ chính xác trên 70%.
• Cấu hình mở rộng vùng chú thích dữ liệu giúp cải thiện đáng kể hiệu quả nhận diện, đặc biệt với các tạp chất nhỏ và khó phân biệt.
• Hệ thống thị giác máy tính tích hợp robot gắp lông yến ba trục có thể ứng dụng thực tế, giảm chi phí nhân công và tăng năng suất làm sạch tổ yến.
• Các hạn chế về điều kiện ánh sáng và đa dạng tạp chất cần được nghiên cứu tiếp để hoàn thiện giải pháp.
• Khuyến nghị triển khai thử nghiệm tại nhà máy trong 6 tháng tới, đồng thời mở rộng nghiên cứu cải tiến thuật toán và dữ liệu.

Liên hệ nhóm nghiên cứu để được tư vấn triển khai hệ thống tự động làm sạch tổ yến, đồng thời tham gia các khóa đào tạo vận hành và bảo trì thiết bị.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN phản giữa tạp chất và EBN để phân đoạn tạp chất và phát hiện. Mô hình học máy được phát triển gần đây cho các ứng dụng về thị giác máy tính, tuy nhiên vẫn còn hạn chế trong lĩnh phức phát hiện lông yến. Công trình liên quan đến kiểm tra chất lượng trong quá trình xử lí gần đây trong nghiên cứu [13], cho thấy các nghiên cứu gần đây chuyển dần sang hướng sử dụng các mạng học sâu.

Trong nghiên cứu này tác giả sử dụng mạng U-Net huấn luyện và đánh giá trên tập dữ liệu được tác giả tự xây dựng. Dựa trên nghiên cứu các công trình liên quan đến việc phát hiện lông yến, có thể thấy các hướng tiếp cận được thực hiện dựa trên các phương pháp Hình 1. Các hướng tiếp cận phát hiện tạp chất Trong các phương pháp trên các phương pháp dựa trên học sâu cho kết quả tốt hơn so với phương pháp khác, và không cần cấu hình nguồn sáng phức tạp hoặc phụ thuộc vào vị trí của camera. Ngoài ra một số công trình dựa trên các đặc tính hóa học không thích hợp cho chủ đề nhận diện dựa trên hình ảnh.

Do đó trong luận văn này, tác giả tiếp tục công trình nghiên cứu dựa trên học sâu.3 Mục tiêu, phạm vi và đối tượng nghiên cứu 1.1 Mục tiêu Mục tiêu của đề tài là khảo sát và đánh giá các nghiên cứu mới về bài toán phát hiện đối tượng áp dụng cho lớp bài toán xác định vị trí lông yến, từ đó đề xuất thay đổi, cải tiến và tìm ra mô hình phù hợp nhất đối với bài toán phát hiện và xác định vị trí lông yến. Đồng thời cũng thử nghiệm các loại mạng cơ sở nhằm có được mô hình tốt. Ngoài ra để phục vụ cho các nghiên cứu về đề tài phát hiện và xác định vị trí lông yến, tác giả cũng xây dựng tập dữ liệu về tạp chất cho các nghiên cứu sau.2 Phạm vi nghiên cứu Phạm vi nghiên cứu của đề tài là xác định đối tượng tạp chất trong ảnh bao gồm vị trí và từng điểm ảnh thuộc tạp chất, được sử dụng trong các camera được lắp ở góc máy ở vị trí vuông góc với khay yến. Điều kiện ánh sáng, góc quay, và độ cao của các camera này là có thể thay đổi phù hợp với điều kiện làm việc thực tế tại các công ty xử lí chế biến yến.3 Đối tượng nghiên cứu Đối tượng nghiên cứu của đề tài là các phương pháp thiết kế mô hình mạng, các phương pháp rút trích đặc trưng, kiến trúc mạng học máy, các phương pháp cải thiện, các phương pháp làm giàu dữ liệu theo hướng tập trung chủ yếu cho bài toán phát hiện đối tượng(object detection), dựa trên mô hình tiếp cận nhiều giai đoạn (multi-stage).4 Bố cục của luận văn Chương 1: Tổng quan: giới thiệu về quy trình làm sạch yến, mục tiêu, đối tượng nghiên cứu, cấu trúc luận văn.

Chương 2: Cơ sở lý thuyết: Các kiến thức cơ sở có liên quan và hỗ trợ cho các đề xuất trong đề tài. Chương 3: Phương án nguyên lí: xác định bài toán, các bước giải quyết bài toán. Chương 4: Thực hiện thí nghiệm: Trình bày phương pháp và cách thức thí nghiệm. Chương 5: Kết quả thí nghiệm: So sánh và đánh giá hiệu quả của các thí nghiệm.

TỔNG QUAN Chương 6: Kết luận: Tổng kết kết quả thí nghiệm, và những điểm cần cải thiện, cần thí nghiệm thêm trong tương lai. TỔNG QUAN Hình 1. Quy trình làm sạch lông yến 10 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT Học máy là một trong các lĩnh vực phát triển nhanh hiện nay. Học máy được chia ra nhiều phương pháp trong đó phương pháp sử dụng mạng nơron đang phát triển nhanh trong những năm gần đây.

Mạng học sâu dần trở thành một nhánh quan trọng và có ứng dụng trong nhiều lĩnh vực từ xử lí âm thanh cho đến giọng nói. Riêng lĩnh vực thị giác máy tính, mạng học sâu cũng có tác động to lớn trong việc giải quyết các bài toán về xử lí ảnh. Với sự phát triển của tốc độ và bộ nhớ phần cứng, các phương pháp học sâu có cơ sở để hiện thực hóa các giải thuật vốn đòi hỏi tốc độ và bộ nhớ tính toán cao, do đó chúng đang trở thành cách tiếp cận thống trị trong nhiều lĩnh vực của thị giác máy tính, xử lý ngôn ngữ tự nhiên và khoa học dữ liệu. Đối với bài toán truyền thống phát hiện và phân loại đối tượng, mạng học sâu cũng được áp dụng trong các công trình [13], [14],[15], [16], [17], [18].1 Mạng nơron nhân tạo Mạng nơron được thể hiện là một mạng các nút, trong đó tạo thành mạng lưới các hàm toán học.

Mỗi neron gồm nhiều đầu vào và đầu ra mô phỏng hoạt động của mạng thần kinh trong tự nhiên. Để thể hiện đóng góp của mỗi tín hiệu đầu vào, đầu ra lấy tổng có trọng số của các điểm đầu vào. Phép tổng có trọng số được coi là phép biến đổi tuyến tính đầu vào bằng đầu ra. Để thể hiện tính chất phi tuyến của khả năng học, một hàm kích hoạt phi tuyến nhận đầu vào là tổ hợp tuyến tính và cho ra kết quả đầu ra.

Sơ đồ biểu diễn một nút mạng nơron được thể hiện như trong hình bên dưới: 11 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Hình 2. Sơ đồ tính toán một nút nơron Các hàm kích hoạt thường thấy là hàm Tank, ReLU, Sigmoid,. Tuy nhiên để mạng học được, các hàm kích hoạt phải có các tính chất sau để đảm bảo quá trình học không bị suy giảm độ dốc về không: 1.

Đồng biến trên không gian số thực, cho phép đặc trưng cho tính chất của dữ liệu đầu vào 2. Có thể lấy đạo hàm trên không gian số thực Dựa trên giải thuật học, các trọng số của mạng nơron sẽ được điều chỉnh theo đầu ra của dữ liệu huấn luyện. Khả năng học của mạng nơron là do việc kết hợp nhiều nút mạng lại với nhau, tăng khả năng biểu diễn của 1 bài toán. Mạng nơron có thể biểu diễn được mối quan hệ giữa đầu ra và đầu vào trong mọi vấn đề.

Do đó, mạng nơron là phương pháp rất linh hoạt trong việc giải quyết nhiều nhiệm vụ phức tạp mà việc thiết kế giải thuật thông thường khó có thể có được.2 Suy giảm độ dốc và lan truyền ngược Các giải thuật học cho mạng nơron hiện nay đều dựa trên giải thuật suy giảm độ dốc và phương pháp tối thiểu hóa hàm mục tiêu L. Hàm mục tiêu là một hàm thể hiện mối quan hệ giữa đầu ra quan sát, đầu vào, và đầu ra của mạng sao cho khi hàm L được tối thiểu hóa, các trọng số ω được cập nhật tối ưu theo giải thuật lan truyền ngược. Các thay đổi của ω sẽ giảm đi một lượng bằng đạo hàm của hàm L. Công thức cập nhật trọng số của một nơron được thể hiện như công thức bên dưới: ∂L ω =ω−α× (2.

CƠ SỞ LÝ THUYẾT Trong đó α là hệ số tỉ lệ đặc trưng cho việc học nhanh hay chậm của giải thuật gọi là hệ số học (Learning Rate). Việc chọn lựa α được coi là chọn lựa các siêu tham số vì mỗi mô hình và giải thuật học, chúng sẽ có giá trị tối ưu khác nhau. Nếu chọn không đúng hệ số này có thể khiến cho mô hình không thể học được. Sơ đồ tính toán hai nút nơron Trong mô hình ví dụ như trong Hình 2.2, là một mạng nơron gồm hai nút mạng, trong đó nơron n1 sẽ lấy tổng đầu vào x1 và ω1 , và là đầu vào của hàm f1 (x), nơron n2 sẽ lấy tổng đầu vào x2 và ω2 , và là đầu vào của hàm f2 (x).

Để tính toán được khả năng học của mô hình mạng nơron khi sử dụng giải thuật suy giảm độ dốc, ta cần tính toán được giá trị đạo hàm của hàm L theo các trong số. Công thức tính toán được cho trong phương trình bên dưới sử dụng lan truyền ngược: ∂L ∂L ∂f2 = × (2.3) ∂ω1 ∂f2 ∂f1 ∂ω1 Sau khi đã tính toán được đạo hàm của mỗi thông số, áp dụng Công Thức 3.10 ta nhận được các trọng số tối ưu. Quá trình học một mạng nơron nhiều lớp cũng diễn ra tương tự như quá trình tính toán ở trên, trong đó gồm các bước sau: 1. Lan truyền thuận: Dữ liệu đầu vào được đưa vào mạng tính toán và cho ra kết quả.

Sau đó các dữ liệu tính toán đầu ra được lưu lại để tính toán cho bước lan truyền thuận. Lan truyền ngược: đạo hàm được tính toán từng lớp một và lan truyền ngược về từng lớp mạng dựa trên quy tắc dây truyền (Chain-Rule) tính đạo hàm. Quá trình này được tính toán lần lượt cho mỗi trọng số của mỗi lớp mạng. Cập nhật trọng số: các trọng số được cập nhật theo Công Thức 3.10 cho đến khi hàm L không còn thay đổi nhiều, lúc này hàm tối ưu.

Quá trình học kết thúc.3 Mạng học sâu tích chập Mạng học sâu tích chập là mạng sử dụng các phép toán tích chập trên đầu vào dữ liệu hoặc trong các bước trung gian, nhằm phát hiện được các đặc trưng của dữ liệu. Các phép toán tích chập được chồng theo nhiều lớp, trong đó đầu ra của lớp trước phía trước là đầu vào của lớp phía sau. Các lớp này dùng để phát hiện đặc trưng ngày càng trừu tượng của dữ liệu. Phép toán tích chập thích hợp cho các bài toán về xử lí ảnh, trong đó dữ liệu có dạng mảng hai chiều, có thể dễ dàng áp dụng phép tích chập bằng cách sử dụng phép nhân ma trận.

Một kiến trúc mạng tích chập điển hình thường gồm hai phần: trích xuất đặc trưng và lớp phân loại như hình bên dưới. Hầu hết các mạng xử lí hiệu hiện nay cho dữ liệu ảnh đều sử dụng CNN và các phiên bản sửa đổi của chúng cho kết quả tối ưu về trích xuất đặc trưng trong quá trình học. Ví dụ minh họa cho các lớp tích chập Trong mạng nơron tích chập, một lớp tính toán tích chập là một phép tích chập đa kênh với kernel là bộ tham số. Mỗi kênh trong tensor đa kênh được gọi là một bản đồ đặc trưng (feature map), nói cách khác ảnh đa kênh được gọi là một bộ bản đồ đặc trưng.

Mỗi giá trị ở đầu ra sẽ không được tính trên toàn bộ đầu vào, mà chỉ được tính từ một trường tiếp nhận (receptional field). Điều này thỏa mãn giả thiết rằng thông 14 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT tin từ các điểm ảnh nằm gần nhau sẽ có ý nghĩa hơn các điểm ảnh nằm xa nhau. Với ý tưởng này, lớp tích chập giảm đáng kể lượng trọng số trong một lớp, đồng thời giữ được tính cục bộ của dữ liệu.