Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh chuyển đổi số quốc gia tại Việt Nam đang diễn ra với tốc độ nhanh chóng, khối lượng giao dịch và chia sẻ dữ liệu liên thông giữa các cơ quan, tổ chức gia tăng mạnh mẽ. Các hệ thống lớn như nền tảng tích hợp và chia sẻ dữ liệu quốc gia ghi nhận hơn 1,6 triệu giao dịch mỗi ngày; cơ sở dữ liệu bảo hiểm đã đối soát và xác thực thông tin cho 91 triệu công dân; cơ sở dữ liệu cán bộ, công chức, viên chức đã thu thập dữ liệu của gần 2,1 triệu người với tỷ lệ kết nối 95% trên cả nước. Tuy nhiên, trên thực tế, tài liệu dạng giấy truyền thống vẫn là phương tiện lưu trữ và truyền tải thông tin chủ đạo tại nhiều cơ quan, doanh nghiệp.

Việc phụ thuộc vào tài liệu giấy bộc lộ nhiều hạn chế lớn như khó truy cập từ xa, chi phí bảo quản và lưu trữ vật lý cao, công tác quản lý dữ liệu phức tạp và rủi ro thất lạc, hư hỏng tài liệu. Nhu cầu số hóa tài liệu trở nên cấp thiết khi nhiều tổ chức phải tiếp nhận và xử lý tới 1.000 tài liệu phi cấu trúc mỗi ngày dưới dạng tệp PDF hoặc ảnh quét. Phần lớn quy trình nhập liệu hiện nay tại Việt Nam vẫn thực hiện thủ công, đòi hỏi nhiều nhân lực, tốn thời gian và dễ phát sinh sai sót. Các giải pháp trích xuất dữ liệu thương mại từ nước ngoài (như SAP) hoặc trong nước (như Computer Vision) có chi phí sử dụng cao và công nghệ nền tảng mang tính chất "hộp đen", gây khó khăn cho việc tùy biến và làm chủ kỹ thuật.

Xuất phát từ thực trạng trên, đề tài khóa luận "Development of an AI System for Data Extraction from Vietnamese Printed Documents" (Xây dựng hệ thống AI trích xuất dữ liệu từ tài liệu in tiếng Việt) được thực hiện nhằm giải quyết bài toán tự động hóa quy trình số hóa và bóc tách thông tin từ các biểu mẫu quét.

Mục tiêu nghiên cứu cụ thể của đề tài bao gồm:

  1. Phát triển giao diện lập trình ứng dụng (API) tương thích với các dòng máy quét (scanner) phổ biến trên thị trường để thu nhận ảnh tài liệu trực tiếp.
  2. Xây dựng hệ thống ứng dụng trí tuệ nhân tạo để phân tích bố cục, nhận dạng ký tự và trích xuất thông tin trọng tâm từ các biểu mẫu tài liệu tiếng Việt.
  3. Thiết kế hệ thống máy chủ và cơ sở dữ liệu để xử lý, lưu trữ và quản lý thông tin trích xuất với chi phí thấp và thời gian phản hồi nhanh.
  4. Xây dựng giao diện đồ họa người dùng (Web GUI) trực quan, cho phép người dùng thao tác quét, định dạng khuôn mẫu (template), chỉnh sửa khung dữ liệu và quản lý thông tin.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các tài liệu in, văn bản hành chính và biểu mẫu tiếng Việt chứa cả chữ in (typed text) và chữ viết tay (handwritten text).
  • Phạm vi thông tin trích xuất: Tập trung trích xuất các trường thông tin định danh cụ thể như họ tên, số điện thoại và các mục dữ liệu theo mẫu định sẵn.
  • Không gian và thời gian: Nghiên cứu được thực hiện bởi nhóm sinh viên ngành Robot và Trí tuệ nhân tạo, Khoa Cơ khí chế tạo máy / Bộ môn Cơ điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM trong niên khóa 2020 - 2024, hoàn thành nghiệm thu vào tháng 7 năm 2024.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng dựa trên các lý thuyết chuyên sâu về Document AI (Trí tuệ nhân tạo cho tài liệu), Phân tích bố cục tài liệu (Document Layout Analysis - DLA) và Nhận dạng ký tự quang học (Optical Character Recognition - OCR).

Khung lý thuyết và mô hình tiếp cận

  • Phương pháp thu nhận ảnh tài liệu (Document Imaging): Phân tích so sánh giữa chụp ảnh kỹ thuật số (Image Capturing) và quét tài liệu chuyên dụng (Document Scanning). Nghiên cứu lựa chọn giải pháp quét tài liệu kết hợp bộ nạp giấy tự động (ADF) nhằm bảo đảm tính đồng nhất về chất lượng hình ảnh, độ chiếu sáng và khả năng xử lý hàng loạt.
  • Phân loại bố cục tài liệu (Document Layout Types): Khảo cứu 6 cấu trúc bố cục văn bản in gồm dạng chữ nhật (rectangular), Manhattan, Non-Manhattan, đa cột Manhattan (multi-column Manhattan), chồng lấp ngang (horizontal overlapping) và chồng lấp chéo (diagonal overlapping), cùng khả năng mở rộng sang các dạng tài liệu có bố cục tùy ý.
  • Chiến lược phân tích bố cục (DLA Strategies):
    • Chiến lược từ dưới lên (Bottom-up): Dựa trên phân tích thành phần liên thông (Connected Component Analysis / thuật toán Docstrum), phân tích kết cấu (Texture analysis), biểu đồ Voronoi, phép tam giác hóa Delaunay (Delaunay Triangulation), và các mạng nơ-ron tích chập (FCNN, ARU-Net).
    • Chiến lược từ trên xuống (Top-down): Phân tích kết cấu dựa trên bản đồ năng lượng, thuật toán làm nhòe độ dài đoạn chạy (Run Length Smearing Algorithm - RLSA), thuật toán cắt chiếu X-Y (X-Y cut projection profile) và phân tích khoảng trắng (Whitespace Analysis).
    • Chiến lược lai (Hybrid): Kết hợp giữa mô hình học sâu phân loại đối tượng với RLSA hoặc phân tích khoảng trắng để tinh chỉnh ranh giới phân đoạn.
  • Các mô hình học sâu cho DLA:
    • YOLOv8: Kiến trúc phát hiện đối tượng với mô-đun C2f tích hợp đặc trưng mức cao, thiết kế decoupled head không sử dụng neo (anchor-free), hàm mất mát CIoU, DFL và Binary Cross-Entropy, cùng biến thể phân đoạn ảnh YOLOv8-Seg.
    • LayoutLMv3: Mô hình Transformer đa phương thức kết hợp chuỗi nhúng văn bản (khởi tạo từ RoBERTa kèm tọa độ 1D và 2D) và chuỗi nhúng hình ảnh thông qua các mảng tuyến tính (patch embeddings), tối ưu bằng các mục tiêu tiền huấn luyện masked language/image modeling và căn chỉnh từ - mảng ảnh (word-patch alignment).
    • DiT (Document Image Transformer): Kiến trúc Transformer tự giám sát huấn luyện trên tập dữ liệu ảnh tài liệu quy mô lớn không gán nhãn dựa trên khung Vision Transformer (ViT).
  • Công nghệ OCR và Nhận dạng tiếng Việt:
    • Phát hiện văn bản (Text Detection): Tiếp cận qua mô hình phát hiện đối tượng (TextBoxes, EAST) hoặc phân vùng cá thể (PSENet, SAST, DBNet, Centripetal Text).
    • Nhận dạng văn bản (Text Recognition): Nghiên cứu các phương pháp CTC, Encoder-Decoder/Attention và Transformer. Ứng dụng mô hình VietOCR với hai nhánh kiến trúc chính là TransformerOCR (CNN kết hợp Transformer Encoder) và AttentionOCR (CNN kết hợp Seq2Seq Attention) chuyên biệt cho hệ thống ký tự và dấu thanh tiếng Việt.
  • Kỹ thuật đối sánh mẫu (Template Matching): Sử dụng thuật toán Scale Invariant Feature Transform (SIFT) để trích xuất các điểm đặc trưng cục bộ bất biến theo tỷ lệ, hỗ trợ căn chỉnh góc xoay và tọa độ của tài liệu quét so với biểu mẫu gốc.

Phương pháp nghiên cứu

  • Tổng quan tài liệu và phân tích tổng hợp (Meta-analysis): Hệ thống hóa các công trình nghiên cứu trong nước và quốc tế về Document AI, so sánh ưu nhược điểm của các giải pháp thương mại và mã nguồn mở.
  • Nghiên cứu thực nghiệm (Experimental Research): Huấn luyện, đánh giá và đối chuẩn (benchmark) các mô hình DLA (YOLOv8 so với LayoutLMv3) và mô hình nhận dạng văn bản (VietOCR TransformerOCR so với AttentionOCR) trên tập dữ liệu biểu mẫu.
  • Phương pháp sinh dữ liệu bán nhân tạo (Synthetic Data Generation): Xây dựng quy trình tự động chuyển đổi mẫu chữ viết tay thực tế thành phông chữ số để tạo dữ liệu tổng hợp huấn luyện mô hình OCR.
  • Thiết kế và tích hợp hệ thống: Lập trình API phần cứng, xây dựng cơ sở dữ liệu quan hệ và phát triển giao diện Web GUI tương tác hoàn chỉnh.

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc mô-đun khép kín từ tầng phần cứng đến tầng ứng dụng người dùng, gồm các phân hệ chính:

[Máy quét (Scanner Hardware)]
[Phân hệ Thu nhận hình ảnh (Acquisition)]
[Phân hệ Tạo khuôn mẫu (Template Creation)]   [Phân hệ Trích xuất thông tin (Extraction)]
   - Tiền xử lý & Phân tích DLA                   - Đối sánh mẫu SIFT (Template Matching)
   - Nhận diện nhãn trường & Layout               - Text Detection & Recognition (VietOCR)
   - Hiệu chỉnh Bounding Box trên GUI             - Bóc tách giá trị trường theo tọa độ
   - Tự động tạo bảng trong Cơ sở dữ liệu         - Tự động lưu bản ghi vào CSDL
            [Giao diện Web GUI & Quản lý CSDL]
  1. Phân hệ Thu nhận ảnh (Document Image Acquisition API):

    • Hỗ trợ hai mô hình kết nối: Mô hình Đơn người dùng - Đa máy quét (Single-User to Multi-Scanner) và mô hình Đa người dùng - Đa máy quét trên nền tảng máy chủ (Multi-User to Multi-Scanner Server-Based).
    • Xử lý chuỗi dữ liệu nhị phân quét từ thiết bị, chuẩn hóa thứ tự bit và byte (bit and byte order) của dữ liệu ảnh thô thành các định dạng tiêu chuẩn.
  2. Phân hệ Sinh dữ liệu chữ viết tay tổng hợp (Data Generation):

    • Thiết kế bảng mẫu ký tự (Glyph Template) có mã QR định danh.
    • Cắt và trích xuất từng ký tự từ ảnh quét mẫu sang định dạng PNG, chuyển đổi sang BMP và vector hóa sang định dạng SVG.
    • Tự động căn chỉnh thông số khoảng cách biên hai phía (side bearings: left_value = 60, right_value = -50) của từng glyph để đóng gói thành phông chữ viết tay.
    • Sử dụng phông chữ viết tay để sinh dữ liệu ảnh văn bản tiếng Việt nhân tạo phục vụ quá trình tinh chỉnh (fine-tuning) mô hình OCR.
  3. Phân hệ Tạo khuôn mẫu biểu mẫu (Template Creation System):

    • Xử lý ảnh mẫu đầu vào: Tiền xử lý khử nhiễu, phân tích phân đoạn tài liệu (Document Parsing) và phân tích bố cục (DLA).
    • Trích xuất tiêu đề biểu mẫu và nhận dạng các nhãn trường. Hệ thống tự động tạo một bảng mới trong cơ sở dữ liệu có tên trùng khớp với tiêu đề biểu mẫu.
    • Cung cấp giao diện đồ họa (GUI) cho phép người dùng nhấp chọn, kéo thả thay đổi vị trí, kích thước khung bao (bounding box) và hiệu chỉnh lại văn bản định danh trường dữ liệu ("Enter text for selected box").
  4. Phân hệ Trích xuất thông tin (Information Extraction System):

    • Khi tài liệu mới được quét vào, hệ thống thực hiện đối sánh mẫu với biểu mẫu chuẩn thông qua thuật toán SIFT (hiển thị các điểm đặc trưng đơn màu xanh và các đường đối sánh màu xanh lá).
    • Căn chỉnh biến đổi hình học để đưa tài liệu quét về đúng hệ tọa độ của template.
    • Cắt các vùng ảnh theo tọa độ trường dữ liệu đã lưu, đưa qua mô hình Text Detection và Text Recognition (VietOCR) để đọc nội dung.
    • Tự động ghi nhận thông tin đã bóc tách vào đúng các cột tương ứng trong bảng cơ sở dữ liệu đã tạo.

Nội dung chính theo từng chương

Khóa luận được cấu trúc thành 7 chương nội dung chuyên môn chính:

Chương 1. Introduction (Giới thiệu tổng quan)

Chương này phân tích động lực nghiên cứu dựa trên thực trạng số hóa tại Việt Nam, nêu rõ sự cần thiết của việc giảm thiểu nhân công nhập liệu thủ công cho các loại tài liệu biểu mẫu. Tác giả trình bày ý nghĩa khoa học và thực tiễn, xác định 4 mục tiêu nghiên cứu cụ thể, phạm vi trích xuất thông tin tiếng Việt (họ tên, số điện thoại), phương pháp nghiên cứu (tổng quan, phân tích tổng hợp, thực nghiệm) và các giới hạn kỹ thuật của đề tài.

Chương 2. Literature Review (Tổng quan tài liệu và cơ sở lý thuyết)

Tổng thuật chi tiết các nền tảng kỹ thuật của Document AI:

  • So sánh phương pháp chụp ảnh và quét tài liệu chuyên dụng.
  • Khảo sát các dạng bố cục tài liệu (Manhattan, Non-Manhattan, đa cột...).
  • Phân tích toàn diện 3 chiến lược DLA (Bottom-up, Top-down, Hybrid) và các kỹ thuật xử lý ảnh cổ điển (RLSA, Docstrum, X-Y Cut, Voronoi, Delaunay).
  • Đi sâu vào kiến trúc các mô hình học sâu hiện đại: YOLOv8 (với mô-đun C2f, YOLOv8-Seg), LayoutLMv3 (mô hình Transformer đa phương thức kết hợp văn bản và hình ảnh), DiT (Document Image Transformer).
  • Tổng quan quy trình OCR, bao gồm các mô hình Text Detection (TextBoxes, EAST, PSENet, SAST, DBNet, Centripetal Text) và mô hình Text Recognition cho tiếng Việt (VietOCR với TransformerOCR và AttentionOCR).
  • Định nghĩa các thang đo đánh giá: mAP, IoU trong DLA; CER (Character Error Rate) và WER (Word Error Rate) trong OCR.

Chương 3. Document Image Acquisition (Thu nhận ảnh tài liệu)

Tập trung vào việc nghiên cứu và thiết kế giao diện lập trình ứng dụng (API) để tích hợp trực tiếp với phần cứng máy quét. Nội dung mô tả chi tiết sơ đồ khối kiến trúc API, luồng xử lý kết nối máy quét ở cấu hình đơn người dùng và đa người dùng thông qua server, sơ đồ khối quy trình quét và quy chuẩn xử lý cấu trúc dữ liệu ảnh nhị phân (bit and byte order).

Chương 4. Development of Data Generation (Phát triển quy trình tạo dữ liệu)

Trình bày giải pháp giải quyết thách thức thiếu hụt dữ liệu chữ viết tay tiếng Việt. Tác giả xây dựng quy trình trích xuất ký tự từ bảng mẫu Glyph template, xử lý chuyển đổi định dạng ảnh qua các bước PNG -> BMP -> SVG, tính toán tự động giá trị khoảng cách biên (side bearings) để tạo phông chữ viết tay, từ đó tạo ra tập dữ liệu ảnh tổng hợp (synthetic dataset) kết hợp với tập dữ liệu thực tế thu thập được.

Chương 5. Development of Template Creation (Phát triển hệ thống tạo khuôn mẫu)

Mô tả quy trình xây dựng khuôn mẫu biểu mẫu tự động. Ứng dụng mô hình DLA và OCR để bóc tách cấu trúc biểu mẫu thô, cung cấp sơ đồ tuần tự (sequence diagram) của hệ thống và giao diện người dùng GUI cho phép tùy chỉnh kích thước, vị trí các bounding box. Chương này cũng trình bày phương pháp tự động tạo bảng trong cơ sở dữ liệu tương ứng với tiêu đề biểu mẫu.

Chương 6. Development of Information Extraction (Phát triển hệ thống trích xuất thông tin)

Chi tiết hóa quy trình trích xuất dữ liệu từ tài liệu quét thực tế. Phân tích nguyên lý áp dụng thuật toán SIFT để đối sánh điểm ảnh giữa ảnh quét và biểu mẫu chuẩn nhằm hiệu chỉnh độ nghiêng và sai lệch vị trí. Trình bày sơ đồ tuần tự của luồng trích xuất, giao diện trích xuất dữ liệu và cơ chế lưu trữ kết quả tự động vào cơ sở dữ liệu.

Chương 7. Experimental Results and Discussion (Kết quả thực nghiệm và thảo luận)

Công bố các kết quả huấn luyện và đánh giá thực nghiệm:

  • Đánh giá định lượng và so sánh định tính hiệu năng nhận diện bố cục giữa mô hình YOLOv8 và LayoutLMv3.
  • Kết quả thực nghiệm của mô hình Text Detection trên cả biểu mẫu in và biểu mẫu viết tay.
  • Đánh giá so sánh hiệu năng của mô hình Text Recognition (VietOCR TransformerOCR so với AttentionOCR) dựa trên các tham số huấn luyện, tập dữ liệu thực nghiệm và phân tích các trường hợp nhận dạng chính xác cũng như các trường hợp nhận dạng sai.

Kết quả và đóng góp

Khóa luận đã hoàn thành các mục tiêu đề ra, xây dựng thành công một hệ thống trích xuất dữ liệu tài liệu in tiếng Việt hoàn chỉnh từ phần cứng tới giao diện người dùng.

Bảng tổng hợp các thành phần kỹ thuật và giải pháp trong đề tài

Thành phần hệ thống Công nghệ / Thuật toán áp dụng Vai trò và chức năng chính
Giao tiếp phần cứng Scanner API (Single-User / Server-based Multi-User) Điều khiển kết nối và thu nhận ảnh trực tiếp từ máy quét văn phòng
Chuẩn hóa & Đối sánh Thuật toán SIFT (Scale Invariant Feature Transform) Tìm điểm đặc trưng, nắn chỉnh sai lệch tọa độ giữa ảnh quét và mẫu chuẩn
Phân tích bố cục (DLA) YOLOv8 (C2f, Seg) / LayoutLMv3 Tự động phân đoạn tiêu đề, khối văn bản, bảng biểu trên biểu mẫu
Sinh dữ liệu tổng hợp Glyph Template -> SVG -> Phông chữ viết tay Tự động sinh tập dữ liệu văn bản viết tay tiếng Việt phục vụ huấn luyện OCR
Phát hiện văn bản DBNet, EAST, Instance Segmentation Xác định chính xác vị trí các dòng văn bản in và chữ viết tay
Nhận dạng chữ tiếng Việt VietOCR (TransformerOCR / AttentionOCR) Chuyển đổi ảnh vùng chữ thành văn bản số tiếng Việt có dấu
Lưu trữ & Quản trị Cơ sở dữ liệu quan hệ & Web App GUI Tự động sinh bảng dữ liệu theo form, chỉnh sửa bounding box và quản lý

Kết quả thực nghiệm chính

  • Hệ thống đạt hiệu năng nhận dạng cao đối với các văn bản in chuẩn (typed texts) và đạt mức độ chính xác chấp nhận được đối với chữ viết tay (handwritten texts).
  • Xây dựng thành công quy trình tạo phông chữ viết tay vector từ ký tự SVG với thông số căn lề tự động, tạo nguồn dữ liệu bổ trợ hiệu quả cho mô hình OCR tiếng Việt.
  • Mô hình DLA được thử nghiệm và đối chuẩn thành công giữa hai kiến trúc tiêu biểu là YOLOv8 và LayoutLMv3, chứng minh tính khả thi của việc phân đoạn cấu trúc biểu mẫu tiếng Việt.

Đóng góp của đề tài

  1. Đề xuất quy trình số hóa khép kín (end-to-end), tự động hóa từ khâu quét ảnh, đối sánh mẫu SIFT, nhận dạng ký tự tiếng Việt đến lưu trữ cơ sở dữ liệu.
  2. Xây dựng giao diện lập trình ứng dụng (API) mở giúp đơn giản hóa việc kết nối phần mềm với nhiều dòng máy quét trên thị trường.
  3. Đề xuất khung sinh dữ liệu chữ viết tay bán nhân tạo (synthetic data framework) từ mẫu glyph và định dạng SVG để giải quyết bài toán thiếu dữ liệu OCR tiếng Việt.
  4. Cung cấp giải pháp phần mềm mã nguồn mở/trong suốt, giảm thiểu chi phí triển khai so với các dịch vụ thương mại đóng gói.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận trong văn bản

  • Đặc thù ngôn ngữ và nhận dạng ký tự: Hệ thống bước đầu tập trung vào tiếng Việt, gặp thách thức do số lượng mô hình tiền huấn luyện sẵn (pretrained models) chuyên sâu cho tiếng Việt còn hạn chế. Độ chính xác nhận dạng chữ viết tay còn phụ thuộc lớn vào sự biến thiên đa dạng trong phong cách viết của từng người.
  • Chất lượng ảnh quét: Hiệu năng nhận dạng OCR bị suy giảm nếu ảnh quét đầu vào có độ phân giải thấp, góc quét bị nghiêng lệch lớn, nền tài liệu có nhiều nhiễu hoặc tài liệu giấy bị hư hại, che khuất.
  • Ràng buộc kỹ thuật và tài nguyên: Việc huấn luyện các mô hình học sâu đòi hỏi tài nguyên tính toán lớn và dữ liệu phong phú; hệ thống gặp khó khăn khi xử lý các tài liệu có cấu trúc quá phức tạp hoặc hoàn toàn phi cấu trúc nếu không có các bước tiền xử lý bổ sung.
  • Nguồn lực nghiên cứu: Quá trình phát triển bị giới hạn bởi thời gian và tài nguyên thực nghiệm của nhóm tác giả sinh viên.

Hướng phát triển tiếp

  • Mở rộng phạm vi trích xuất sang nhiều loại biểu mẫu và tài liệu hành chính phi cấu trúc phức tạp hơn.
  • Tiếp tục tối ưu hóa và nâng cao độ chính xác của mô hình nhận dạng chữ viết tay tiếng Việt.
  • Tích hợp hệ thống với các nền tảng cơ sở dữ liệu sẵn có của các trường đại học hoặc cơ quan quản lý để liên thông dữ liệu.

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị tham khảo chuyên môn thiết thực cho các nhóm đối tượng:

  • Sinh viên và nhà nghiên cứu: Thuộc các chuyên ngành Robot và Trí tuệ nhân tạo, Kỹ thuật Cơ điện tử, Khoa học Máy tính và Công nghệ Thông tin đang thực hiện các đề tài về Thị giác máy tính (Computer Vision), Xử lý tài liệu thông minh (Document AI) và OCR tiếng Việt.
  • Kỹ sư phát triển phần mềm: Cần tài liệu tham khảo về kiến trúc tích hợp phần cứng máy quét qua API, quy trình chuẩn hóa dữ liệu ảnh nhị phân và thiết kế hệ thống bóc tách dữ liệu tự động.
  • Nội dung tham khảo nổi bật:
    • Quy trình sinh dữ liệu chữ viết tay nhân tạo từ Glyph template và định dạng SVG (Chương 4).
    • Phương pháp kết hợp thuật toán SIFT để căn chỉnh tọa độ biểu mẫu quét trước khi đưa vào mô hình OCR (Chương 6).
    • Khung lý thuyết và so sánh thực nghiệm giữa các mô hình DLA (YOLOv8, LayoutLMv3) và VietOCR (Chương 2 và Chương 7).

Câu hỏi thường gặp

1. Hệ thống sử dụng phương pháp nào để căn chỉnh sai lệch tọa độ giữa ảnh quét thực tế và biểu mẫu chuẩn?

Hệ thống sử dụng thuật toán Scale Invariant Feature Transform (SIFT) để trích xuất các điểm đặc trưng bất biến theo tỷ lệ trên ảnh quét và ảnh mẫu gốc. Bằng cách khớp các cặp điểm đặc trưng (hiển thị dưới dạng điểm xanh và đường nối xanh lá), hệ thống xác định ma trận biến đổi hình học để nắn chỉnh ảnh quét về đúng hệ tọa độ chuẩn của template trước khi trích xuất dữ liệu.

2. Tác giả giải quyết bài toán thiếu hụt dữ liệu huấn luyện chữ viết tay tiếng Việt bằng cách nào?

Tác giả phát triển một quy trình sinh dữ liệu tổng hợp (Synthetic Data Generation) khép kín: thu thập mẫu chữ qua bảng Glyph Template, cắt trích ký tự sang định dạng PNG/BMP, chuyển đổi thành đồ họa vector SVG, tự động tính toán khoảng cách biên (left_value = 60, right_value = -50) để đóng gói thành các phông chữ viết tay, sau đó kết xuất (render) thành ảnh văn bản nhân tạo nhằm tinh chỉnh mô hình OCR.

3. Những mô hình học sâu nào được khảo sát và so sánh cho bài toán Phân tích bố cục tài liệu (DLA)?

Đề tài nghiên cứu các kiến trúc học sâu gồm YOLOv8 (với biến thể phân đoạn YOLOv8-Seg ứng dụng mô-đun C2f), LayoutLMv3 (mô hình Transformer đa phương thức văn bản - hình ảnh) và DiT (Document Image Transformer tự giám sát), trong đó thực hiện thử nghiệm và đối chuẩn trực tiếp giữa YOLOv8 và LayoutLMv3 trên tập dữ liệu biểu mẫu.

4. Mô hình nhận dạng chữ tiếng Việt VietOCR trong khóa luận gồm những biến thể kiến trúc nào?

VietOCR được nhóm tác giả khảo cứu và triển khai trên hai biến thể kiến trúc: TransformerOCR (sử dụng mạng CNN cơ sở để trích xuất đặc trưng hình ảnh kết hợp khối Transformer Encoder để mã hóa thông tin ký tự) và AttentionOCR (sử dụng mạng CNN kết hợp mô hình chuỗi sang chuỗi Seq2Seq tích hợp cơ chế Attention).

5. Cơ sở dữ liệu của hệ thống được khởi tạo như thế nào trong quy trình tạo khuôn mẫu (Template Creation)?

Trong quy trình tạo template, sau khi hệ thống phân tích bố cục và nhận diện tiêu đề biểu mẫu, một bảng mới (table) sẽ được tự động tạo lập trong cơ sở dữ liệu với tên bảng trùng khớp với tiêu đề biểu mẫu. Các trường thông tin (bounding box) sau khi được hiệu chỉnh trên giao diện GUI sẽ ánh xạ trực tiếp thành các cột dữ liệu tương ứng trong bảng này.


Kết luận

Khóa luận tốt nghiệp "Development of an AI System for Data Extraction from Vietnamese Printed Documents" của nhóm tác giả Huỳnh Vĩnh Phúc, Nguyễn Xuân Phi và Chu Nhật Minh Quân đã xây dựng thành công một giải pháp toàn diện cho bài toán tự động hóa trích xuất dữ liệu từ biểu mẫu in tiếng Việt. Bằng việc kết hợp chặt chẽ giữa giao tiếp phần cứng máy quét, thuật toán đối sánh mẫu SIFT, mô hình phân tích bố cục DLA, quy trình sinh dữ liệu chữ viết tay tổng hợp và kiến trúc nhận dạng ký tự tiếng Việt VietOCR, đề tài đã chứng minh tính hiệu quả và khả thi trong thực tiễn. Công trình cung cấp nền tảng kỹ thuật mở, minh bạch, đóng góp giải pháp thiết thực cho tiến trình chuyển đổi số và tối ưu hóa quy trình quản lý văn bản tại Việt Nam.