Chương 1: Tổng quan: Nhóm sẽ trình bài về vấn đề được đề cập, giới thiệu lí do lựa chọn đề tài này, mục tiêu cụ thể của nghiên cứu, nội dung chi tiết của đề tài, giới hạn của nghiên cứu và bố cục tổ chức của bài viết. Chương 2: Cơ sở lý thuyết: Trình bày tổng thể về các thành phần cũng như chức năng của từng loại phần cứng được tích hợp trong hệ thống, liệt kê cụ thể các chi tiết có trong hệ thống để xây dựng hoàn chỉnh về mô hình. 4 Downloaded by bong bong (bongbong1@gmail.com) lOMoARcPSD|39475011 Chương 3: Xây dựng và thiết kế hệ thống: Từ những yêu cầu đề tài,nhóm tiến hành tính toán để chọn lựa các linh kiện phù hợp với hệ thống. Sau đó, thiết kế sơ đồ khối, phân tích sơ đồ khối nêu chức năng của từng khối có trong hệ thống.
Chương 4: Thi công hệ thống: Trình bày quá trình thiết kế phần cứng cho các thành phần của hệ thống, kiểm tra toàn bộ mạch, đồng thời kiểm tra bằng một chương trình cơ bản. Sau đó, chúng ta sẽ lắp ráp các thành phần thành một mô hình. Cung cấp lưu đồ giải thuật và giải thích cách hoạt động của toàn bộ hệ thống. Chương 5: Kết quả thực hiện: Trình bày về kết quả của các chức năng trong hệ thống và kết quả điều khiển thông qua hình ảnh, video.
Đưa ra các kết quả thực hiện. Chương 6: Kết luận và hướng phát triển: Theo những kết quả thực nghiệm có được từ chương 5, thống kê và đưa ra kết luận tổng quan về đề tài, cũng như những gì mà nhóm đạt được và chưa đạt được của đề tài. Từ đó đưa ra những hướng phát triển để cải tiến các chức năng của hệ thống. 5 Downloaded by bong bong (bongbong1@gmail.com) lOMoARcPSD|39475011 CHƯƠNG 2 CƠ SỞ LÝ THUYẾT 2.1 MẠNG CNN FACENET 2.1 Giới thiệu về mạng FaceNet Năm 2015, các kỹ sư của Google đã công bố một kiến trúc mạng có tên là FaceNet [6] thông qua một bài báo khoa học.
Kiến trúc này đã được thiết kế để trích xuất các đặc trưng của gương mặt con người được minh họa như hình 2. Điều này đã đóng góp đáng kể cho việc phát triển các ứng dụng liên quan đến nhận diện khuôn mặt và xử lý ảnh trong các lĩnh vực như an ninh, y tế và giải trí.1: Ảnh gương mặt người được nhúng bởi FaceNet Mạng FaceNet cơ bản sẽ trích xuất các đặc trưng của gương mặt từ dữ liệu đầu vào và nén chúng thành một vectơ 128 chiều. Quá trình này cũng được thực hiện cho gương mặt cần xác định danh tính. Để xác thực gương mặt, hệ thống sẽ so sánh khoảng cách giữa hai vectơ.
Nếu khoảng cách Euclide giữa hai vectơ gương mặt là nhỏ, thì mức độ tương đồng giữa chúng là cao, cho thấy chúng thuộc về cùng một người. Qua đó, kiến trúc mạng FaceNet đã đóng góp đáng kể cho việc phát triển các ứng dụng nhận diện khuôn mặt và xử lý ảnh trong các lĩnh vực như an ninh, y tế và giải trí. 6 Downloaded by bong bong (bongbong1@gmail.com) lOMoARcPSD|39475011 Trong quá trình nghiên cứu kỹ thuật nhận diện khuôn mặt, các nhà nghiên cứu đã tìm cách chuyển đổi ảnh gương mặt thành các vectơ nhúng tương tự như FaceNet. Tuy nhiên, các kỹ thuật này thường tạo ra các vectơ nhúng có kích thước lớn, vượt quá 1000 điểm ảnh, điều này ảnh hưởng đến hiệu năng và thời gian tính toán của hệ thống.
Ngoài ra, các kỹ thuật này khi kết hợp với hàm mất mát sẽ không đạt hiệu quả cao trong việc nhận diện, do chúng chỉ học được sự giống nhau nếu hai gương mặt thuộc cùng một lớp, hoặc khác nhau nếu hai gương mặt thuộc hai lớp khác nhau. Các kỹ thuật này không học được cách phân biệt sự giống và khác nhau đồng thời trong cùng một quá trình huấn luyện. Từ những vấn đề đã đề cập ở trên, các nhà nghiên cứu đã tìm ra những cách giải quyết và áp dụng chúng vào mạng FaceNet, điều này đem lại hiệu quả lớn. Một trong những điểm tối ưu của FaceNet là việc sử dụng mạng CNN để giảm chiều dữ liệu xuống còn 128 điểm.
Điều này giúp tối ưu quá trình tính toán và tăng tốc độ suy luận, đồng thời giảm thiểu ảnh hưởng đến hiệu năng của hệ thống. Hàm mất mát thông thường thường không đạt hiệu quả cao trong việc nhận diện khuôn mặt do không thể học được sự giống nhau và khác nhau giữa các ảnh cùng lớp và khác lớp cùng lúc trong quá trình huấn luyện. Vì vậy, hàm mất mát được thay thế bằng hàm Triplet, giải quyết được các hạn chế trên. Hàm Triplet cho phép học đồng thời sự khác biệt giữa hai bức ảnh cùng nhóm và phân biệt được các bức ảnh khác nhóm trong một pha huấn luyện.
Điều này đem lại hiệu quả cao hơn trong việc trích xuất đặc trưng và nhận diện khuôn mặt.2 Hàm Triplet Loss Hàm triplet loss thường được sử dụng trong các ứng dụng nhận dạng khuôn mặt, trong đó một mô hình được huấn luyện để biểu diễn các khuôn mặt dưới dạng các vector. Vector này sẽ được sử dụng để so sánh giữa các khuôn mặt khác nhau. Cụ thể, ta sử dụng hàm triplet loss để huấn luyện mô hình sao cho khoảng cách giữa các vector biểu diễn cho cùng một người sẽ gần nhau hơn so với khoảng cách giữa các vector biểu diễn cho các người khác nhau. 7 Downloaded by bong bong (bongbong1@gmail.com) lOMoARcPSD|39475011 Hình 2.2: Quá trình huấn luyện hàm triplet loss Quá trình huấn luyện hàm triplet loss hình 2.2 được sử dụng để huấn luyện hệ thống nhận dạng khuôn mặt.
Để sử dụng hàm mất mát này, hệ thống sẽ chọn ra 3 tấm ảnh chứa gương mặt để huấn luyện, gồm có ảnh Anchor, Negative và Positive. Trong đó, ảnh Anchor và ảnh Positive là các ảnh có cùng một lớp, tức là cùng một người, và ảnh Negative là một ảnh khác lớp, tức là một người khác, được chọn ngẫu nhiên từ các ảnh đã được sử dụng trong quá trình huấn luyện trước đó.3 minh họa cho quá trình chọn ra 3 tấm ảnh ngẫu nhiên theo quy tắc trên để bắt đầu tính toán hàm mất mát.3: Ảnh đầu vào để tính toán trên hàm Triplet Công thức tính hàm triplet loss như sau: 8 Downloaded by bong bong (bongbong1@gmail.3) Hàm triplet loss sử dụng công thức (2.2) để tính toán khoảng cách Euclide giữa ảnh Anchor và Positive, và giữa ảnh Anchor và Negative. Mục đích của hàm Triplet là giảm khoảng cách giữa Anchor và Negative và tăng khoảng cách giữa Anchor và Positive. Vì vậy, khi chọn các tấm ảnh để huấn luyện, cần chọn sao cho ảnh Anchor và ảnh Positive thuộc cùng một lớp, tức là cùng một người, và ảnh Negative thuộc lớp khác, tức là một người khác, để tăng khả năng phân biệt giữa các người.
- Để đạt được giá trị cực đại của khoảng cách d(A, P), cần chọn ảnh Positive mà khác biệt nhất so với ảnh Anchor. Việc chọn lựa như vậy sẽ khiến cho thuật toán của hàm Triplet học được khó hơn, tuy nhiên nếu thành công trong việc phân biệt được giữa các ảnh thì mô hình mạng FaceNet sẽ trở nên thông minh hơn. - Để đạt được giá trị cực tiểu của khoảng cách d(A, P), cần chọn ảnh Positive giống nhất so với ảnh Anchor. Việc chọn lựa như vậy sẽ giúp mạng có thể phân biệt được 2 người khác nhau có gương mặt gần giống nhau.
Trong mọi trường hợp, hàm triplet loss sẽ luôn sử dụng 3 bức ảnh đầu vào để tính toán.4) Để làm cho khoảng cách giữa vế trái và vế phải của hàm triplet loss bé hơn, ta sẽ cộng thêm một hằng số không âm α vào vế trái.4) sẽ được cập nhật theo cách này.6) 9 Downloaded by bong bong (bongbong1@gmail.com) lOMoARcPSD|39475011 Dựa trên cách cộng thêm hằng số α vào vế trái để làm cho khoảng cách giữa vế trái và vế phải của hàm triplet loss bé hơn, các nhà nghiên cứu đã xây dựng được biểu thức chính thức của hàm Triplet.7) Trong quá trình huấn luyện mạng FaceNet sử dụng hàm triplet loss, cần xác định cặp ảnh (A, P) thuộc cùng một người và ảnh N là của một người khác. Theo biểu thức (2.7), quá trình tối ưu hàm mất mát này sẽ giúp cho mô hình có khả năng phân biệt tốt giữa các ảnh Positive và Negative, đồng thời giúp tăng độ chính xác trong việc nhận dạng khuôn mặt.4 minh họa sự thay đổi của hàm triplet loss trước và sau khi quá trình huấn luyện được thực hiện.4: Khoảng cách giữa các vectơ nhúng trước và sau khi đào tạo bởi hàm triple loss 2.3 Mạng FaceNet được huấn luyện trước Mạng FaceNet là một mô hình đã được đào tạo trước với một tập dữ liệu lớn để giải quyết các vấn đề tương tự. Điều này giúp người dùng tiết kiệm thời gian và công sức so với việc phải xây dựng kiến trúc và huấn luyện các trọng số từ đầu. Tuy nhiên, mô hình huấn luyện trước không thể đạt được độ chính xác tuyệt đối, nhưng vẫn giúp giải quyết các vấn đề về nhận diện khuôn mặt một cách hiệu quả.2 CÔNG NGHỆ NHẬN DẠNG TẦN SỐ VÔ TUYẾN 2.1 Khái niệm về RFID RFID (Radio Frequency Identification) là một công nghệ sử dụng sóng vô tuyến để xác thực dữ liệu đối tượng, giúp nhận dạng và theo dõi thông tin trong một thẻ (Tag).
Kỹ thuật này cho phép truyền thông không dây trong dải tần sóng vô tuyến để chuyển dữ liệu từ các thẻ đến các đầu đọc (Reader). Thẻ RFID được gắn hoặc đính kèm vào đối tượng nhận dạng như sản phẩm, hộp hoặc sách. [7] 10 Downloaded by bong bong (bongbong1@gmail.com) lOMoARcPSD|39475011 Hiện nay, hệ thống RFID đơn giản nhất là hệ thống RFID bị động, hoạt động bằng cách Reader truyền một tín hiệu sóng vô tuyến điện từ qua anten của nó đến một con chip. Sau đó, Reader sẽ nhận thông tin phản hồi từ chip và gửi nó đến máy tính để xử lý và lưu trữ thông tin được thu thập từ chip.
Điểm đặc biệt của chip RFID là không cần tiếp xúc và không cần được tích điện, chúng hoạt động bằng cách sử dụng năng lượng từ tín hiệu được gửi bởi Reader.2 Các thành phần của một hệ thống RFID Để thực hiện giải pháp RFID, một sơ đồ khối hệ thống RFID như hình 2.5 bao gồm một tập hợp các thành phần. Thông thường, một hệ thống RFID được cấu thành từ các thành phần sau: - Tag: Là bộ phận quan trọng cấu thành lên hệ thống RFID. Nó chứa các thông tin như mã sản phẩm, số seri, thông tin về vị trí, thời gian.và được sử dụng để theo dõi và xác định các đối tượng - Reader: Reader trong hệ thống RFID là một thiết bị đọc thẻ RFID.