Hệ Thống Nhận Dạng Sản Phẩm Dựa Trên Hình Ảnh

Khám phá luận văn thạc sĩ về hệ thống nhận dạng sản phẩm dựa trên hình ảnh trong lĩnh vực khoa học máy tính, ứng dụng và tiềm năng phát triển.

• Tác giả: Trần Nguyễn Song Hiếu
• Người hướng dẫn: PGS. Lê Hoàng Thái
• Trường học: Đại học Sư Phạm Thành phố Hồ Chí Minh
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Hệ Thống Nhận Dạng Sản Phẩm Dựa Trên Hình Ảnh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• Lời cam đoan
• Lời cảm ơn
• Mục lục
• Danh mục ký hiệu và chữ viết tắt
• Danh mục các hình vẽ, đồ thị
• Danh mục các bảng
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN
• 1.1. Bài toán nhận dạng sản phẩm
• 1.2. Mục tiêu của luận văn
• 1.3. Các đóng góp chính của luận văn
• 1.4. Cấu trúc của luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN
• 2.1. Tổng quan về bài toán nhận dạng đối tượng
• 2.2. Các phương pháp trích chọn đặc trưng
• 2.3. Tổng quan về phương pháp học sâu
• 2.4. Một số mô hình học sâu
• 2.5. Tổng quan về Ensemble Learning
• 3. CHƯƠNG 3: MÔ HÌNH MULTI-YOLO NHẬN DẠNG SẢN PHẨM BẰNG HÌNH ẢNH
• 3.1. Bài toán nhận dạng sản phẩm bằng hình ảnh
• 3.2. Mô hình Multi-YOLO cho nhận dạng ảnh
• 3.3. Quá trình huấn luyện và kiểm thử
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ BÀN LUẬN
• 4.1. Phương pháp thực nghiệm
• 4.2. Môi trường thực nghiệm
• 4.3. Độ đo sử dụng để so sánh hiệu quả của mô hình
• 4.4. Kết quả thực nghiệm
• 4.5. Thực nghiệm đánh giá các mô hình YOLO
• 4.6. Thực nghiệm so sánh mô hình YOLO và mô hình Multi-YOLO
• 5. CHƯƠNG 5: TỔNG KẾT
• PHỤ LỤC
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tìm Hiểu Về Hệ Thống Nhận Dạng Sản Phẩm Tổng Quan 55 ký tự

Trong kỷ nguyên số, dữ liệu bùng nổ, đặc biệt là dữ liệu hình ảnh. Các hệ thống tìm kiếm hình ảnh, thanh toán bằng hình ảnh, và quản lý sản phẩm bằng hình ảnh ngày càng trở nên quan trọng. Khảo sát cho thấy, hơn 90% người dùng Việt Nam tìm kiếm thông tin sản phẩm trực tuyến thay vì hỏi người thân. Tuy nhiên, nhiều hệ thống vẫn chưa khai thác triệt để nguồn tài nguyên ảnh số. Việc khai thác dữ liệu ảnh số được xem là hướng đi tiềm năng. Doanh nghiệp đang tìm kiếm giải pháp ứng dụng ảnh số để nâng cao hiệu quả công việc, kinh doanh và trải nghiệm người dùng. Sự phát triển của thiết bị di động thông minh và công nghệ camera hiện đại đã tạo ra lượng lớn dữ liệu hình ảnh sản phẩm. Vì vậy, hệ thống nhận dạng sản phẩm dựa trên hình ảnh là một nhu cầu cấp thiết.

1.1. Bài toán Nhận Dạng Sản Phẩm Dựa Trên Hình Ảnh là gì

Bài toán nhận dạng sản phẩm (Object Detection) dựa trên hình ảnh thuộc lĩnh vực thị giác máy tính. Bài toán này nhận được sự quan tâm lớn từ các nhà nghiên cứu. Nó hướng đến việc định vị và phân loại các đối tượng trong hình ảnh. Đầu vào là hình ảnh sản phẩm; đầu ra là thông tin sản phẩm (tên sản phẩm,...). Quá trình nhận dạng gồm ba bước: (1) Nhập hình ảnh sản phẩm. (2) Sử dụng hệ thống máy học để nhận dạng sản phẩm. (3) Trích xuất và cung cấp thông tin sản phẩm cho người dùng.

1.2. Mục tiêu và Phạm vi của Luận văn về Nhận Dạng Sản Phẩm

Mục tiêu của luận văn này là xây dựng hệ thống nhận dạng sản phẩm dựa trên hình ảnh. Luận văn thực hiện thực nghiệm mô hình hệ thống đề xuất trên bài toán thực tiễn: nhận dạng sản phẩm thuộc nhãn hàng PG. Để đạt mục tiêu, luận văn đối mặt với thách thức: (1) Xây dựng mô hình máy học đáp ứng tốc độ và độ chính xác. (2) Xử lý đối tượng với góc chụp khác nhau. (3) Xử lý đối tượng bị che khuất. Các đóng góp chính của luận văn bao gồm đề xuất mô hình Multi-YOLO, quy trình huấn luyện, kiểm thử và vận hành, và chứng minh tính khả thi của mô hình.

II. Thách Thức trong Xây Dựng Hệ Thống Nhận Diện Sản Phẩm 58 ký tự

Xây dựng một hệ thống nhận diện sản phẩm hiệu quả đối mặt với nhiều thách thức. Các bài toán nhận dạng trong các ngữ cảnh ứng dụng khác nhau có những khó khăn riêng. Các yếu tố như góc chụp, vị trí, kích thước đối tượng và chất lượng hình ảnh ảnh hưởng đến độ chính xác. Xây dựng mô hình đáp ứng cả độ chính xác và tốc độ xử lý là một thách thức lớn. Bên cạnh đó, dữ liệu ảnh số ngày càng lớn đòi hỏi hệ thống phải có khả năng xử lý và phân tích hiệu quả. Việc thiếu các bộ dữ liệu chuẩn cũng gây khó khăn cho việc huấn luyện và đánh giá mô hình. Cần có những nghiên cứu sâu hơn để giải quyết các vấn đề này.

2.1. Các Công đoạn Chính của Bài Toán Nhận Dạng Sản Phẩm

Quy trình của bài toán nhận dạng sản phẩm gồm ba công đoạn: (1) Xác định vùng giới hạn chứa đối tượng (Bounding Box). Thuật toán cần xác định vùng chứa các đối tượng trong hình ảnh. (2) Trích chọn đặc trưng. Lựa chọn và trích xuất các đặc trưng quan trọng phục vụ cho việc phân lớp. Các đặc trưng phải thể hiện được sự khác biệt giữa các lớp đối tượng. (3) Phân lớp đối tượng. Xây dựng bộ phân loại để phân loại đối tượng dựa trên đặc trưng.

2.2. Hai Giai đoạn Lịch sử của Nhận Dạng Đối Tượng

Tiến trình phát triển của nhận dạng đối tượng được chia thành hai giai đoạn: (1) Giai đoạn sử dụng đặc trưng thủ công (trước 2010). Do hạn chế về phần cứng, thuật toán ưu tiên đặc trưng đơn giản và tăng tốc độ xử lý. (2) Giai đoạn sử dụng phương pháp học sâu (sau 2010). Sự ra đời của Convolutional Neural Network (CNN) tạo ra sự thay đổi lớn. Các mô hình học sâu đạt được những thành tựu vượt bậc. Các đặc trưng học sâu mạnh mẽ và tách lớp rõ ràng hơn. Tiêu biểu là công trình về các mô hình YOLO.

III. Phương Pháp Multi YOLO cho Nhận Dạng Sản Phẩm Bằng Ảnh 59 ký tự

Luận văn đề xuất mô hình Multi-YOLO cho bài toán nhận dạng sản phẩm dựa trên hình ảnh. Mô hình này được xây dựng dựa trên kiến trúc YOLO. Quy trình từ huấn luyện đến kiểm thử và vận hành cho bài toán được đề xuất. Mô hình Multi-YOLO được thực nghiệm. Kết quả đánh giá trên dữ liệu thực nghiệm chứng minh tính khả thi của mô hình. Phân tích ưu điểm và khuyết điểm của mô hình cũng được thực hiện. Mô hình này hướng đến việc cải thiện độ chính xác và tốc độ so với các mô hình trước.

3.1. Kiến trúc của Mô hình Multi YOLO trong Nhận Dạng Hình Ảnh

Kiến trúc của mô hình Multi-YOLO dựa trên YOLO, nhưng có cải tiến để phù hợp với bài toán nhận dạng sản phẩm. Các cải tiến có thể bao gồm thay đổi cấu trúc mạng, sử dụng hàm mất mát khác, hoặc áp dụng các kỹ thuật tăng cường dữ liệu. Mục tiêu là tăng độ chính xác và giảm thời gian xử lý. Một trong những cải tiến quan trọng là sử dụng nhiều YOLO head để nhận diện các vật thể ở nhiều kích thước khác nhau.

3.2. Quy trình Huấn luyện và Kiểm thử của Mô hình Multi YOLO

Quy trình huấn luyện của mô hình Multi-YOLO bao gồm các bước: (1) Thu thập và chuẩn bị dữ liệu. (2) Lựa chọn kiến trúc mô hình. (3) Huấn luyện mô hình. (4) Đánh giá mô hình. Quy trình kiểm thử bao gồm: (1) Chuẩn bị dữ liệu kiểm thử. (2) Thực hiện kiểm thử. (3) Đánh giá kết quả kiểm thử. Các độ đo đánh giá bao gồm độ chính xác (accuracy), độ bao phủ (recall), và F1-score.

IV. Thực Nghiệm và Bàn Luận về Hệ Thống Nhận Dạng Bằng Ảnh 55 ký tự

Quá trình thực nghiệm được tiến hành trên tập dữ liệu thực tế, bao gồm hình ảnh sản phẩm thuộc nhãn hàng PG. Các mô hình YOLO khác nhau được so sánh với mô hình Multi-YOLO. Kết quả cho thấy, mô hình Multi-YOLO có hiệu suất tốt hơn so với các mô hình YOLO khác. Tuy nhiên, vẫn còn một số hạn chế cần được khắc phục, chẳng hạn như khả năng xử lý đối tượng bị che khuất. Các kết quả này cho thấy tính khả thi của việc ứng dụng Multi-YOLO vào thực tế.

4.1. Môi trường Thực nghiệm và Các Độ Đo Đánh Giá Mô Hình

Môi trường thực nghiệm bao gồm phần cứng (CPU, GPU) và phần mềm (TensorFlow, PyTorch). Các độ đo sử dụng để so sánh hiệu quả của mô hình bao gồm độ chính xác (accuracy), độ bao phủ (recall), F1-score, và mAP (mean Average Precision). Độ chính xác đo lường khả năng dự đoán đúng của mô hình. Độ bao phủ đo lường khả năng tìm thấy tất cả các đối tượng. F1-score là trung bình điều hòa của độ chính xác và độ bao phủ. mAP là độ đo tổng quan hơn, đánh giá hiệu suất của mô hình trên nhiều lớp đối tượng.

4.2. Kết quả So sánh Mô hình YOLO và Mô hình Multi YOLO

Kết quả thực nghiệm cho thấy, mô hình Multi-YOLO vượt trội hơn so với mô hình YOLO gốc về độ chính xác và độ bao phủ. Cụ thể, mAP của Multi-YOLO cao hơn đáng kể so với YOLO. Điều này chứng tỏ rằng việc sử dụng nhiều YOLO head giúp cải thiện khả năng nhận diện các đối tượng ở nhiều kích thước khác nhau. Tuy nhiên, thời gian xử lý của Multi-YOLO có thể chậm hơn một chút so với YOLO.

V. Kết Luận và Hướng Phát Triển Hệ Thống Nhận Dạng Ảnh 54 ký tự

Luận văn đã đề xuất và thực nghiệm thành công mô hình Multi-YOLO cho bài toán nhận dạng sản phẩm dựa trên hình ảnh. Kết quả cho thấy, mô hình có tính khả thi và có thể ứng dụng vào thực tế. Hướng phát triển trong tương lai bao gồm: (1) Cải thiện khả năng xử lý đối tượng bị che khuất. (2) Nghiên cứu các kiến trúc mô hình khác. (3) Thu thập và xây dựng bộ dữ liệu lớn hơn. (4) Ứng dụng mô hình vào các bài toán khác.

5.1. Tổng kết các đóng góp của luận văn về Nhận dạng sản phẩm

Luận văn đã đóng góp một mô hình máy học Multi- YOLO cho bài toán nhận dạng sản phẩm dựa trên hình ảnh. Luận văn đề xuất một quy trình từ huấn luyện đến kiểm thử thực nghiệm và vận hành cho bài toán nhận dạng sản phẩm bằng hình ảnh dựa trên mô hình Multi-YOLO. Luận văn đã tiến hành thực nghiệm dựa trên kiến trúc mô hình đề xuất cho bài toán và đã chứng minh được tính khả thi của mô hình đề xuất và khả năng ứng dụng vào thực tiễn.

5.2. Hướng Phát Triển và Ứng dụng Hệ Thống Nhận Dạng Sản Phẩm

Trong tương lai, hệ thống nhận dạng sản phẩm có thể được ứng dụng trong nhiều lĩnh vực, bao gồm: (1) Bán lẻ: Tự động hóa quy trình kiểm kê hàng hóa. (2) Sản xuất: Kiểm soát chất lượng sản phẩm. (3) Y tế: Hỗ trợ chẩn đoán bệnh. (4) Logistics: Theo dõi và quản lý hàng hóa. Việc kết hợp với các công nghệ khác như Internet of Things (IoT) và blockchain sẽ mở ra nhiều tiềm năng mới.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh bùng nổ dữ liệu số toàn cầu, khối lượng dữ liệu hình ảnh ngày càng tăng mạnh mẽ, đặc biệt từ năm 2010 đến 2020, tốc độ tăng trưởng dữ liệu đạt khoảng 50 lần. Tại Việt Nam, hơn 90% người dùng sử dụng công cụ tìm kiếm trực tuyến để tìm kiếm sản phẩm, cho thấy nhu cầu khai thác dữ liệu số, đặc biệt là dữ liệu hình ảnh, là rất lớn. Tuy nhiên, các hệ thống thương mại điện tử hiện nay chủ yếu khai thác dữ liệu văn bản, chưa tận dụng hiệu quả nguồn dữ liệu ảnh số phong phú. Bài toán nhận dạng sản phẩm dựa trên hình ảnh là một lĩnh vực thuộc thị giác máy tính, có tính ứng dụng cao trong các hệ thống tìm kiếm, quản lý sản phẩm, thanh toán tự động và nâng cao trải nghiệm người dùng.

Mục tiêu của luận văn là xây dựng hệ thống nhận dạng sản phẩm dựa trên hình ảnh với độ chính xác và tốc độ xử lý phù hợp, áp dụng thực tiễn cho nhãn hàng PG tại Việt Nam. Phạm vi nghiên cứu tập trung vào việc phát triển mô hình máy học dựa trên kiến trúc YOLO, kết hợp kỹ thuật Ensemble Learning để cải thiện khả năng khái quát hóa và độ chính xác nhận dạng. Nghiên cứu có ý nghĩa quan trọng trong việc mở rộng ứng dụng công nghệ thị giác máy tính vào lĩnh vực thương mại điện tử và quản lý sản phẩm, góp phần nâng cao hiệu quả kinh doanh và trải nghiệm khách hàng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: Thị giác máy tính và học sâu (Deep Learning). Thị giác máy tính tập trung vào bài toán nhận dạng đối tượng trong ảnh, bao gồm xác định vị trí (bounding box) và phân lớp đối tượng. Học sâu, đặc biệt là mô hình mạng nơ-ron tích chập (CNN), được sử dụng để tự động trích xuất đặc trưng từ ảnh, vượt trội hơn các phương pháp đặc trưng thủ công truyền thống như SIFT, SURF, HOG.

Mô hình YOLO (You Only Look Once) là nền tảng chính, thuộc nhóm mô hình học sâu một giai đoạn, cho phép nhận dạng và định vị đối tượng trong ảnh chỉ với một mạng CNN duy nhất, ưu điểm về tốc độ xử lý. Tuy nhiên, YOLO có hạn chế về khả năng khái quát hóa dữ liệu phức tạp và độ chính xác với các đối tượng nhỏ hoặc chồng chéo. Để khắc phục, luận văn áp dụng phương pháp Ensemble Learning, cụ thể là kỹ thuật Bagging, kết hợp nhiều mô hình YOLO thành phần để tăng tính đa dạng và cải thiện độ chính xác tổng thể. Các khái niệm chính bao gồm: bounding box, confidence score, Intersection over Union (IoU), hàm kích hoạt ReLU, pooling, và thuật toán Non-Maximal Suppression.

Phương pháp nghiên cứu

Nguồn dữ liệu gồm hai tập ảnh: tập A với hình ảnh sản phẩm chất lượng cao, rõ nét, và tập B chứa ảnh sản phẩm chất lượng thấp, bị mờ hoặc nhiễu, thu thập từ thực tế triển khai doanh nghiệp. Cỡ mẫu khoảng vài nghìn ảnh được sử dụng cho huấn luyện và kiểm thử.

Phương pháp phân tích gồm xây dựng mô hình Multi-YOLO, trong đó hai mô hình YOLO thành phần được huấn luyện riêng biệt trên hai tập dữ liệu A và B. Kết quả dự đoán của hai mô hình được tổng hợp bằng hai thuật toán: thuật toán lấy giá trị confidence score cao nhất (max) và thuật toán tổng hợp có trọng số alpha. Quá trình huấn luyện sử dụng kỹ thuật tăng cường dữ liệu (data augmentation) như xoay ảnh, chuyển sang ảnh xám, áp dụng bộ lọc Blur, MedianBlur, CLAHE với tỉ lệ 0.01 để tăng tính đa dạng dữ liệu. Timeline nghiên cứu kéo dài trong năm 2022, bao gồm các giai đoạn thu thập dữ liệu, huấn luyện mô hình, kiểm thử và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả mô hình Multi-YOLO: Mô hình Multi-YOLO đạt độ chính xác tổng thể cao hơn khoảng 7-10% so với mô hình YOLO đơn lẻ trên tập kiểm thử thực tế, nhờ khả năng kết hợp tri thức từ hai mô hình thành phần huấn luyện trên dữ liệu đa dạng.

2. Tăng tính khái quát hóa: Mô hình Multi-YOLO giảm thiểu sai số nhận dạng đối với các ảnh chất lượng thấp, với tỷ lệ nhận dạng chính xác tăng từ khoảng 65% lên 78% so với YOLO truyền thống.

3. Tốc độ xử lý: Mô hình Multi-YOLO vẫn duy trì tốc độ xử lý nhanh, phù hợp với yêu cầu thời gian thực, chỉ giảm khoảng 15% so với YOLO đơn lẻ, đảm bảo khả năng ứng dụng trong các hệ thống thương mại điện tử.

4. So sánh thuật toán tổng hợp: Thuật toán tổng hợp dựa trên hệ số alpha cho phép điều chỉnh linh hoạt giữa hai mô hình thành phần, với alpha = 0.6 cho kết quả tối ưu nhất, nâng cao độ chính xác thêm 2-3% so với thuật toán max.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện là do mô hình Multi-YOLO tận dụng được tính đa dạng của dữ liệu huấn luyện, từ đó tăng khả năng khái quát hóa và giảm phương sai trong dự đoán. Kết quả này phù hợp với các nghiên cứu trong lĩnh vực Ensemble Learning, cho thấy việc kết hợp nhiều mô hình độc lập giúp tăng độ chính xác tổng thể. So với các mô hình học sâu hai giai đoạn như Faster R-CNN, Multi-YOLO có ưu thế về tốc độ xử lý, phù hợp với ứng dụng thực tế đòi hỏi thời gian thực.

Biểu đồ Precision-Recall Curve minh họa rõ sự vượt trội của Multi-YOLO so với YOLO đơn lẻ trên các tập dữ liệu kiểm thử. Bảng so sánh kết quả trên các tập Private-Test cũng cho thấy Multi-YOLO duy trì hiệu suất ổn định trên các điều kiện ảnh khác nhau, từ ảnh chất lượng cao đến ảnh bị nhiễu, mờ.

Đề xuất và khuyến nghị

1. Triển khai hệ thống nhận dạng sản phẩm dựa trên Multi-YOLO: Doanh nghiệp nên áp dụng mô hình Multi-YOLO vào hệ thống quản lý kho và bán hàng trực tuyến để nâng cao độ chính xác nhận dạng sản phẩm, dự kiến hoàn thành trong 6 tháng.

2. Mở rộng tập dữ liệu huấn luyện đa dạng: Thu thập thêm dữ liệu ảnh sản phẩm trong các điều kiện ánh sáng và góc chụp khác nhau nhằm tăng tính đa dạng, cải thiện khả năng khái quát hóa của mô hình, thực hiện liên tục trong vòng 12 tháng.

3. Tối ưu thuật toán tổng hợp kết quả: Nghiên cứu và áp dụng các thuật toán tổng hợp kết quả nâng cao hơn như weighted voting hoặc stacking để tăng độ chính xác nhận dạng, triển khai thử nghiệm trong 3 tháng tiếp theo.

4. Phát triển giao diện API tích hợp: Xây dựng giao diện API chuẩn để dễ dàng tích hợp hệ thống nhận dạng vào các nền tảng thương mại điện tử và ứng dụng di động, hoàn thành trong 4 tháng.

5. Đào tạo nhân sự và nâng cao nhận thức: Tổ chức các khóa đào tạo cho đội ngũ kỹ thuật và quản lý về công nghệ nhận dạng sản phẩm bằng hình ảnh, giúp khai thác hiệu quả hệ thống, thực hiện định kỳ hàng năm.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành Khoa học Máy tính, Thị giác máy tính: Luận văn cung cấp kiến thức chuyên sâu về mô hình học sâu YOLO và kỹ thuật Ensemble Learning, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

2. Doanh nghiệp thương mại điện tử và bán lẻ: Hướng dẫn áp dụng công nghệ nhận dạng sản phẩm bằng hình ảnh để nâng cao trải nghiệm khách hàng và tối ưu quản lý kho hàng.

3. Nhà phát triển phần mềm và kỹ sư AI: Cung cấp quy trình huấn luyện, kiểm thử và triển khai mô hình Multi-YOLO, giúp xây dựng các ứng dụng nhận dạng sản phẩm hiệu quả.

4. Các tổ chức đào tạo và giảng dạy công nghệ thông tin: Tài liệu tham khảo cho các khóa học về học sâu, thị giác máy tính và ứng dụng AI trong thương mại điện tử.

Câu hỏi thường gặp

1. Mô hình Multi-YOLO khác gì so với YOLO truyền thống?
   Multi-YOLO kết hợp nhiều mô hình YOLO thành phần huấn luyện trên các tập dữ liệu khác nhau, từ đó tăng tính đa dạng và khái quát hóa, cải thiện độ chính xác nhận dạng so với YOLO đơn lẻ.

2. Tại sao cần sử dụng hai tập dữ liệu chất lượng khác nhau để huấn luyện?
   Việc sử dụng tập dữ liệu chất lượng cao và tập dữ liệu chất lượng thấp giúp mô hình học được các đặc trưng đa dạng, từ đó nhận dạng chính xác hơn trong các điều kiện thực tế khác nhau.

3. Thuật toán tổng hợp kết quả nào hiệu quả hơn?
   Thuật toán tổng hợp dựa trên hệ số alpha cho phép điều chỉnh trọng số giữa các mô hình thành phần, mang lại kết quả chính xác hơn so với thuật toán lấy max confidence score.

4. Mô hình có thể áp dụng cho các loại sản phẩm khác ngoài nhãn hàng PG không?
   Có thể, với việc huấn luyện lại trên tập dữ liệu phù hợp, mô hình Multi-YOLO có khả năng mở rộng ứng dụng cho nhiều loại sản phẩm khác nhau.

5. Tốc độ xử lý của mô hình Multi-YOLO có đáp ứng yêu cầu thời gian thực không?
   Mô hình duy trì tốc độ xử lý nhanh, chỉ giảm khoảng 15% so với YOLO đơn lẻ, phù hợp với các ứng dụng yêu cầu xử lý thời gian thực như thanh toán tự động và tìm kiếm sản phẩm.

Kết luận

• Luận văn đã đề xuất thành công mô hình Multi-YOLO, kết hợp hai mô hình YOLO thành phần huấn luyện trên dữ liệu đa dạng, nâng cao độ chính xác nhận dạng sản phẩm dựa trên hình ảnh.
• Mô hình đạt hiệu quả cao trên tập dữ liệu thực nghiệm, cải thiện khả năng khái quát hóa và duy trì tốc độ xử lý phù hợp với ứng dụng thực tế.
• Phương pháp tổng hợp kết quả dựa trên hệ số alpha được chứng minh là tối ưu trong việc kết hợp các dự đoán của mô hình thành phần.
• Quy trình huấn luyện, kiểm thử và triển khai mô hình được xây dựng chi tiết, có thể áp dụng cho các doanh nghiệp thương mại điện tử và các ứng dụng quản lý sản phẩm.
• Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng tập dữ liệu, tối ưu thuật toán tổng hợp và phát triển giao diện API tích hợp.

Các doanh nghiệp và nhà nghiên cứu nên triển khai thử nghiệm mô hình Multi-YOLO trong môi trường thực tế, đồng thời tiếp tục thu thập dữ liệu và tối ưu mô hình để nâng cao hiệu quả ứng dụng.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu. Chương nảy sẽ giới thiệu tông quan về dé tài nghiên cứu, nêu lên nội dung nghiên cứu, mục tiêu và những đóng góp khoa học chính của luận văn. Chương 2: Cơ sở lý thuyết và các nghiên cứu liên quan. Chương nảy sẽ trình bày tông quan ve hiện trạng của bài toán nhận dang đối tượng cùng với những cách tiếp cận như: sử dụng đặc trưng thủ công, sử dụng các mô hình học sâu.

Chương 3: Phương pháp đề xuất. Chương nảy sẽ trình bảy mô hình Multi-YOLO dé giải quyết bài toán và dé xuất quy trình huấn luyện thực nghiệm của mô hình. Chương 4: Thực nghiệm. Chương nay sẽ trình bay quá trình tiến hành thực nghiệm, các độ đo đánh giá mô hình thực nghiệm và đánh giá kết quả thực nghiệm.

Chương 5: Tong kết. Chương này là phần kết luận và nêu lên một số hướng phát triển trong tương lai. Cơ Sở Lý Thuyết Và Các Nghiên Cứu Liên Quan 2. Tổng quan về bài toán nhận đạng đối tượng Nhận dạng đối tượng là bai toán thuộc lớp thị giác máy tính với mục tiêu là định vị các đôi tượng đông thời phân lớp cho các đối tượng đó trong hình ảnh.

Có thẻ nói bài toán nhận dang đối tượng hướng đến hai mục tiêu chính. Mục tiêu dau tiên là việc định vị các đối tượng cần quan tâm trong hình ảnh bằng cách xác định một hộp giới hạn (Bounding Box) xung quanh các đối tượng cần được nhận điện này. Mục tiêu thứ hai là việc phân các đối tượng nảy vào chính xác các lớp đại diện của đối tượng đó. Tông hợp hai mục tiêu lại chính là cái đích của bài toán nhận đạng đối tượng.

Cùng với sự phát trién vượt bậc của ngành công nghệ thông tin va sự bùng nỗ về dir liệu trong đó có nguồn dữ liệu ảnh số. Các nguồn cơ sở dữ liệu ảnh số ngày càng nhiều trong đó có thê kẻ đến tập dit liệu ImageNet thường được sử dụng trong các cuộc thi về phân lớp ảnh có đến 1,2 triệu ảnh phân làm hơn 1000 lớp hay như tập dữ liệu MS COCO thường được dùng trong các cuộc thi nhận dang đối tượng có đến hơn 300 ngàn ảnh. Có thê thay được việc không tận dụng nguồn dit liệu ảnh số càng ngày càng lớn này là một sự lang phí. Như vậy việc giải quyết các bài toán liên quan đến hình ảnh là tắt yếu.

Trong đó bai toán nhận dang đối tượng là một trong những bai toán quan trọng và thách thức nhất cũng như đạt được nhiều sự quan tâm của giới nghiên cứu trong lĩnh vực thị giác máy tính. Bài toán này quan trọng bởi tính ứng dụng rất cao của trong thực tiễn có thé kế đến như các hệ thông nhận diện gương mặt, nhận diện con người, nhận điện các vật thẻ xung quanh trong hệ thong xe tự lái, các hệ thông giám sát an ninh,. Đồng thời bài toán nhận dạng đối tượng cũng có nhiều thách thức: các bải toán nhận dang đối tượng trong những ngừ cánh ứng dụng khác nhau sẽ gặp phải những khó khăn khác nhau, sự ảnh hưởng của các góc chụp, vị trí, kích thước của các đối tượng nhận điện và chất lượng của bản thân hình ảnh cũng ảnh hưởng rất lớn đến độ chính xác trong việc dự đoán, việc xây dựng các mô hình thỏa mãn nhu câu về độ chính xác và tốc độ xử lí dé có thé ứng dụng trong thực tiễn là những thách thức chính của bai toán. Từ những khái niệm cơ bản nói trên về bải toán nhận dạng đối tượng ta có thể khái quát ra được quy trình của một bài toán nhận dạng đối tượng chủ yếu được chia thành ba công đoạn chính: e Xác định vùng giới hạn chứa đối tượng.

Mục tiêu chính của công đoạn này là việc xây đựng thuật toán dé xác định vùng giới hạn của danh sách các đối tượng có chứa trong hình ảnh. Các đối tượng này có thé xuất hiện ở bắt kì vị trí nào cũng như có tỷ lệ khác nhau trong các hình ảnh khác nhau. e Trích chọn đặc trưng. Dé có thé nhận dang đối tượng thì việc lựa chọn trích xuất các đặc trưng là vô cùng cần thiết.

Đây là công đoạn quan trọng phục vụ cho việc phân lớp đối tượng do đó các đặc trưng được trích chọn phải thể hiện được đặc trưng phân lớp của đối tượng tức là đặc trưng đó cho phép ta phân biệt rõ ràng giữa các lớp đối tượng với nhau. e Phân lớp đối tượng. Bên cạnh đó, việc xây dựng một bộ phân loại dé có thé phân loại các đối tượng vào đúng các lớp đại điện của chúng dựa vào đặc trưng từ công đoạn trước. Hình ảnh minh họa việc nhận dạng đối tượng trong hình ảnh Hiện nay, co khá nhiều công trình nghiên cứu về bài toán nảy tuy nhiên đề tỏng quát hóa lại thì chúng ta có thé phân chia tiến độ phát trién của các công trình nghiên cứu thanh hai giai đoạn lịch sử riêng biệt.

Đỏ là giai đoạn nhận dạng đối tượng sử dụng các đặc trưng thủ công (khoảng trước năm 2010) và giai đoạn nhận dang đối tượng sử dung phương pháp học sâu (khoảng sau năm 2010). Trong giai đoạn nhận dạng đối tượng sử dụng các đặc trưng thủ công, bởi sự hạn chế vẻ tài nguyên phan cứng của máy tính cho nên việc xây dựng các thuật toán lựa chon đặc trưng ưu tiên những đặc trưng không qua phức tạp và kèm với việc phát trién các thuật toán tăng tốc độ xử lí trong điều kiện hạn chế về tài nguyên như vậy. Tiêu biêu các công trình trong giai đoạn này có thé kê đến như công trình SURF [3], HOG [5]. công trình DPM [7].

Trong hơn một thập ky gần đây, với sự phát triển mạnh mẽ của các mô hình học sâu (Deep Learning) đặc biệt là sự ra đời của mô hình Convolutional Neural Network (CNN — Mạng Neural tích chập) đã tạo ra một sự thay đôi lớn trong lĩnh vực thị giác máy tính. Nhiều bải toán trong lĩnh vực thị giác máy tính đã đạt được những thành tựu vượt bậc nhờ áp dụng các mô hình học sâu, trong đó có cả bài toán nhận dạng đối tượng [13]. Khi mà độ chính xác và hiệu suất của các đặc trưng thủ công dan đạt đến một sự bão hòa thì việc sử dụng các đặc trưng thông qua quá trình học sâu đã đạt được những kết quả vô cùng kha quan. Các đặc trưng học sâu có tính đại diện mạnh mẽ hơn vả tách lớp rõ ràng hơn so với các đặc trưng truyền thống.

Trong giai đoạn sử dụng phương pháp học sâu, các công trình nghiên cứu về nhận dạng đối tượng có thê được nhóm lại thành hai nhóm chính đó là nhóm nhận dạng đối tượng hai giai đoạn (two-stage detector) và nhóm nhận dang đối tượng một giai đoạn (one-stage detector), Nhóm nhận dạng đối tượng hai giai đoạn tách riêng việc định vị đối tượng và phân lớp đối tượng làm hai quá trình riêng biệt. Tiêu biểu của nhóm nay là các công trình R-CNN [14], Fast R-CNN [16], Fater R-CNN [17]. Nhóm nhận dang đối tượng một giai đoạn đem công đoạn định vị dối tượng và phân lớp dối tượng trong một mang Neural duy nhất. Tiêu biểu của nhóm này là họ các công trình YOLO [18]-[19]- [20]-[21]-[24].

Nhan dang doi tượng Nhận dạng đối tượng một giai đoạn Hình 2. Các phương pháp nhận dạng đối tượng 2. Mô hình CNN CNN hay còn gọi là mang Neural tích chap la một trong những mô hình học sâu tiên tiền. CNN được sử dụng nhiều trong các bài toán liên quan đến ảnh số bởi tính chất của lớp tích chập (Convolution) giúp phát hiện và trích xuất những đặc trưng - chỉ tiết (patterns) xuất hiện trong ánh vì vậy CNN hoạt động vô cùng hiệu quả trong các bài toán nhận dang ảnh [13].

Mô hình CNN là một mô hình học sâu cho nên sẽ tôn tại nhiều lớp (layer) liên kết với nhau. Tuy nhiên, điểm khác biệt chính giữa mô hình CNN và các mô hình học sâu khác đến từ cơ chế tích chập. Tầng tiếp theo trong mô hình CNN sẽ là kết quả tích chập của tầng trước đó kết hợp với những hàm kích hoạt phi tuyến như hàm ReLu hoặc hàm Sigmoid, ham tanh dé tạo ra các thông tin trừu tượng hơn cho tầng phía sau. Như vậy mô hình CNN sẽ tự động trích xuất được các đặc trưng trong hình ảnh thông qua các tầng tích chap, Pooling, Softmax,.

Các kết quả khác nhau sẽ đến từ việc hiệu chinh ‘ 2 ss các tang với nhau. H Input images Convolution Pooling C F¬ 4 Output onnecte Feature Learning Classification Hình 2. Kiến trúc cơ bản của mô hình CNN [8] Hình 2.3 mô tả một kiến trúc cơ bản của mô hình CNN. Trong đó, tầng quan trọng nhất chính là tầng tích chập, sau tang tích chập thưởng sẽ đi với một hàm kích hoạt.

Sau đó sẽ được truyền sang tầng pooling với mục đích là giảm kích thước của ảnh đầu vảo (anh đầu ra sau tang tích chập) bằng bộ lọc thích hợp. Cuối cùng sẽ truyền đến tang Fully Connected dé tiễn hành suy luận ra kết quả. Tầng tích chập Tầng tích chập là tang đặc biệt quan trọng nhất trong mô hình CNN bởi vì tang tích chập có mục đích chính là phát hiện và trích xuất ra các đặc trưng trong ảnh. Giống như trong các mô hình học sâu khác, tang tích chập sẽ lay dữ liệu đầu vào từ tang phía trước hoặc là ảnh đầu vào sau đó thực hiện các phép biến đổi dé tạo ra dit liệu đầu vào cho tầng tiếp theo.

Phép biến đôi trong mô hình CNN được gọi là phép tích chập. Trong mỗi tang tích chập sẽ có một bộ lọc tương ứng dé trích xuất ra những đặc trưng an của hình ảnh. Trong việc nhận dạng đối tượng thì việc tìm và xác định các đặc trưng của ảnh là rat quan trọng. Đặc trưng ảnh 1a những chỉ tiết xuất hiện trong anh từ những chỉ tiết tong quan để hình dung như là màu sắc của hình ảnh, các hình dang vật thé cho đến những chỉ tiết vô cùng phức tạp như các bộ phận con người, mắt, miệng, đường nét gương mặt, mạch mau,.

Thông qua việc sử dụng các đặc trưng có tinh phân lớp càng tốt thì độ chính xác trong việc phân lớp càng cao. Việc sử dụng phép tích chập với các bộ lọc sẽ giúp tim ra những đặc trưng ân có tính đại điện cao dé phân lớp và nhận dạng đối tượng. 12 Phép tích chập sẽ áp các bộ lọc này vảo các vùng của hình ảnh. Như ta đã biết hình ảnh là một tập hợp các ma trận M xN.

Các bộ lọc thông thường sẽ là một ma trận có kích thước nhỏ hơn rất nhiều so với hình ảnh.