Đặt vấn đề Hiện nay, cuộc cách mạng công nghiệp 4.0 có sự tác động mạnh mẽ trên nhiều lĩnh vực, với sự xuất hiện của robot có trí tuệ nhân tạo, người máy làm việc thông minh, có khả năng ghi nhớ, học hỏi vô biên, trong khi khả năng đó ở con người thường chỉ có trong thời gian giới hạn. Chính vì vậy, việc các công nghệ cao và máy móc thông minh sẽ tạo cơ hội cho con người làm việc và hoạt động kinh doanh hiệu quả hơn bằng cách tận dụng những lợi thế mà cuộc cách mạng công nghệ 4. Tại Việt Nam, với việc đi sau và thừa hưởng những thành tựu từ cuộc cách mạng công nghiệp 4.0 do thế giới để lại cũng giúp chúng ta tiết kiệm được một cơ số thời gian nghiên cứu. Thay vào đó chúng ta có thể tập trung phát triển những thành tựu đó sao cho phù hợp và mang lại hiệu quả tốt nhất cho nền kinh tế đất nước.
Bên cạnh đó, vấn đề an ninh bảo mật đang được yêu cầu khắc khe tại mọi quốc gia trên thế giới. Các hệ thống xác định, nhận dạng con người được ra đời với độ tin cậy cao. Một trong những bài toàn nhận dạng con người được quan tâm nhất hiện nay đó là nhận dạng qua khuôn mặt. Riêng đối với lĩnh vực giáo dục: khi học sinh quá đông mà tài nguyên thì có hạn, nên việc đưa thành tựu của cuộc cách mạng công nghiệp 4.0 trong quản lý giáo dục là rất cần thiết, cụ thể ở đây tôi ứng dụng công nghệ AI (Artificial Intelligence), Machine Learning và Deep Learning vào việc điểm danh học sinh bằng công nghệ nhận dạng khuôn mặt.Với mục đích đưa những tiến bộ công nghệ vào phục vụ cho cuộc sống, tôi xin chọn đề tài nghiên cứu: “Hệ thống điểm danh học sinh tại trường phổ thông sử dụng công nghệ nhận dạng khuôn mặt”.
Mục tiêu và phạm vi nghiên cứu Mục tiêu nghiên cứu: - Nghiên cứu phương pháp nhận dạng bằng mạng Neural. - Tìm hiều mô hình Convolutional Neural Network – cnn Trang 1 - Áp dụng thành công mô hình Convolutional Neural Network – cnn phương pháp trên vào việc nhận dạng khuôn mặt. Phạm vi nghiên cứu: - Dữ liệu học sinh được xử lý là file ảnh tĩnh và động với ảnh được chụp với nhiều góc khác nhau hoặc lấy trực tiếp từ camera - Ảnh được chụp trong điều kiện ánh sáng bình thường (không chụp ngược sáng, chụp bằng máy kỹ thuật số hoặc bằng camera của máy tính). Tổng quan về mô hình Hình 1.Mô hình tổng quan Trang 2 CHƯƠNG 2 -KIẾN THỨC NỀN TẢNG 2.
Mạng nơron nhân tạo 2. Giới thiệu Mạng nơron nhân tạo (ANN) là một mô phỏng xử lý thông tin, được nghiên cứu ra từ hệ thống thần kinh của sinh vật, giống như bộ não để xử lý thông tin. Nó bao gồm số lượng lớn các mối gắn kết cấp cao để xử lý các yếu tố làm việc trong mối liên hệ giải quyết vấn đề rõ ràng. ANN giống như con người, được học bởi kinh nghiệm, lưu những kinh nghiệm hiểu biết và sử dụng trong những tình huống phù hợp.
Đầu tiên ANN được giới thiệu năm 1943 bởi nhà thần kinh học Warren McCulloch và nhà logic học Walter Pits. Nhưng với những kỹ thuật trong thời gian này chưa cho phép họ nghiên cứu được nhiều. Những năm gần đây mô phỏng ANN xuất hiện và phát triển. Các nghiên cứu ứng dụng đã được thực hiện trong các ngành: điện, điện tử, kỹ thuật chế tạo, y học, quân sự, kinh tế.và mới nhất là các nghiên cứu ứng dụng trong lĩnh vực quản lý dự án xây dựng.
Tại Việt Nam việc nghiên cứu ứng dụng ANN cũng được chú trọng trong những năm gần đây và đang trên đà phát triển. Mô hình mạng nơron nhân tạo [1] 2. Kiến trúc mạng Mạng nơron nhân tạo với cấu trúc tương tự trong đó một nơron là một khối tính toán gồm nhiều đầu vào, một đầu ra và một giá trị ngưỡng để cho phép tín hiệu có truyền qua nơron này hay không. Các giá trị đầu vào sẽ được nhân với một bộ trọng số w và tính tổng các kết quả cùng với một hằng số phụ b (bias).
Nếu tổng vượt giá trị ngưỡng thì đầu ra sẽ có giá trị thể hiện nơron này đã được kích hoạt (thường là +1), Trang 3 ngược lại sẽ là giá trị chưa được kích hoạt (thường là -1). Các giá trị trọng số đầu vào của mỗi nơron sẽ được điều chỉnh thông qua quá trình học để xây dựng được mạng nơron phù hợp cho bài toán đang cần giải quyết. Ảnh một tế bào Nơron nhân tạo [1] Inputs: Mỗi đầu vào (Input)tương ứng với 1 thuộc tính (attribute) của dữliệu mẫu (patterns) Các tín hiệu này thường được đưa vào dưới dạng một vector N chiều Output: Đầu ra là kết quả của một ANN là một giải pháp cho một vấn đề. Connection Weights (Trọng số liên kết): Đây là thành phần rất quan trọngcủa một ANN, n thể hiện mức độ quan trọng (độ mạnh) của dữ liệu đầu vào đối với quá trình xử lí thông tin (quá trình chuyển đổi dữ liệu từ lớp này sang lớp khác) Quá trình học (Learning Processing) của ANN thực ra là quá trình điều chỉnh các trọng số (Weight) của các dữ liệu đầu vào để có được kết quả mong muốn.
Thông thường, các trọng số này được khởi tạo một cách ngẫu nhiên ở thời điểm khởi tạo mạng và được cập nhật liên tục trong quá trình học của mạng. Summation Function (Hàm tổng): Tính tổng trọng số của tất cả các đầuvào được đưa vào mỗi nơron. Hàm tổng của một nơron đối với n đầu vào được tính theo công thức sau: 𝐧 𝐘𝐣 = ∑ 𝐗 𝐢 𝐖𝐢 𝐢=𝟏 Hàm tổng đối với nhiều nơron trong cùng một lớp: Trang 4 𝐧 𝐘𝐣 = ∑ 𝐗 𝐢 𝐖𝐢𝐣 𝐢=𝟏 Transformation (Transfer) Function (Hàm chuyển đổi): Hàm tổng(Summation Function) của một nơron cho biết khả năng kích hoạt (Activation) của nơron đócòn gọi là kích hoạt bên trong (internal activation). Các Nueron này có thể sinh ra một kết quả (output) hoặc không trong ANN (nói cách khác rằng có thể output của 1 nơron có thể được chuyển đến lớp tiếp theo trong mạng nơron hoặc không).
Mối quan hệ giữa Internal Activation và kết quả (output) được thể hiện bằng hàm chuyển đổi (Transfer Function) Hàm tổng: Y= 3(0.2 Hàm chuyển đổi: YT=1/(1+e-1.77 Việc lựa chọn chuyển đổi có tác động lớn đến kết quả của ANN. Hàm chuyển đổi phi tuyến được sử dụng phổ biến trong ANN là sigmoid (logical activation) function. 𝐘𝐓 = 𝟏/(𝟏 + 𝐞−𝐘 ) Trong đó : YT: Hàm chuyển đổi Y: Hàm tổng Kết quả xử lý tại các nơron (Output) đôi khi rất lớn, vì vậy Transfer function được sử dụng để xử lý output này trước khi chuyển đến lớp tiếp theo. Đôi khi thay vì sử dụng Transfer Function người ta sử dụng giá trị ngưỡng (Threshold value) để kiểm soát các output của các nơron tại một lớp nào đótrước khi chuyển các output này đến Trang 5 các lớp tiếp theo.
Nếu output của một nơron nào đónhỏ hơn Threshold thì nó sẽ không được chuyển đến lớp tiếp theo [1] Bảng 1. Một số hàm truyền thông dụng Kiến trúc chung của một ANN gồm 3 thành phần đólà Input layer, Hidden layer và output layer. Trong đó, lớp ẩn (Hidden Layer) gồm các nơron nhận dữ liệu input từ các nơron ở lớp (Layer) trước đóvà chuyển đổi các input này cho các lớp xử lý tiếp theo. Trong một ANN có thể có nhiều Hidden Layer.
Mô hình đơn giản nhất của mạng nơron chính là mạng nơron truyền thẳng. Các nơron trong mạng truyền thẳng liên kết với nhau mà không hình thành chu trình nên tín hiệu sẽ truyền thẳng từ đầu vào qua các lớp n và đến đầu ra. Mạng nơron truyền thẳng [1] 2. Huấn luyện mạng Tiến trình học là tiến trình quan trọng của con người, nhờ học mà bộ não ngày càng tích luỹ những kinh nghiệm để thích nghi với môi trường và xử lý tình huống tốt hơn.
Mạng nơron xây dựng lại cấu trúc bộ não thì cần phải có khả năng nhận biết dữ liệu thông qua tiến trình học, với các thông số tự do của mạng có thể thay đổi liên tục bởi những thay đổi của môi trường và mạng nơron ghi nhớ giá trị đó. ANN được huấn luyện (Training) hay được học (Learning) theo 2 kỹ thuật cơ bản đólà học có giám sát (Supervised Learning) và học không giám sát (Unsupervised Learning). Trong phạm vi của luận văn này tôi chủ yếu đề cập về quá trình huấn luyện ANN theo kỹ thuật Supervised learning. Supervised learning: Quá trìnhTraining được lặp lại cho đến kết quả(output) của ANN đạt được giá trị mong muốn (Desired value) đã biết Điển hình cho kỹ thuật này là mạng Neuron lan truyền ngược (Backpropagation).
Quá trình học của Supervised ANN [1] Mạng Neuron có 3 cách huấn luyện chính: + On-line training: Các trọng số của mạng (weight)được cập nhật ngay lập tức sau khi một input pattern được đưa vào mạng + Stohastic training: cũng giống như on-line training nhưng việc chọn các input patterns để đưa vào mạng từ training set được thực hiện ngẫu nhiên (random) + Batch training thì tất cả các input patterns được đưa vào mạng cùng lúc vàsau đó cập nhật các trọng số mạng đồng thời Giả sử sau khi tính toán từ các input value đã cho, ta có output là Y Giá trị mong muốn (Desired) là Z đã biết trước. Sự chênh lệch giữa Y và kết quả mong muốn Z được biểu diễn bởi tham số delta (gọi là lỗi) = Z - Y Mục đích của việc huấn luyện là làm sao cho delta càng nhỏ càng tốt (Nếu delta =0 là hoàn hảo nhất) bằng cách điều chỉnh trọng số (weight) của các dữ liệu vào Trang 8 Hình 6. Quá trình học của mạng nơron [1] 2. Giải thuật Back – Propagation Thuật toán Back – Propagation được sử dụng để điều chỉnh các trọng số kết nối sao cho tổng sai số e nhỏ nhất.
𝐧 𝐄=∑ (𝐭(𝐱 𝐢 , 𝐰) − 𝐲( 𝐱 𝐢 ))𝟐 𝐢=𝟏 Trong đó: t(xi, w): giá trịcủa tập mẫu y(xi): giá trịkết xuất của mạng Trước tiên, ta xét trên 1 nơron, mỗi nơron đều có giá trị vào và ra, mỗi giá trị đều có một trọng số để đánh giá mức độ ảnh hưởng của giá trị vào đó. Thuật toán Back - Propagation sẽ điều chỉnh các trọng số đó để giá trị ej = tj – yj là nhỏ nhất. Trước hết ta phải xác định vị trí của mỗi nơron. Nơron nào là của lớp ẩn và nơron nào là của lớp xuất.
Ta cần biết các ký hiệu: Wij: vector trọng số của nơron j số đầu vào i uj: vector giá trị kết xuất của nơron trong lớp j Trang 9 Hình 7.