Luận Văn Thạc Sĩ Về Mô Hình Trí Tuệ Nhân Tạo Hỗ Trợ Drone DJI Tello Nhận Diện Hình Học Cơ Bản

• Người hướng dẫn: TS. Hà Quốc Dũng
• Trường học: Đại Học Huế
• Chuyên ngành: Kỹ Thuật
• Đề tài: Mô Hình Trí Tuệ Nhân Tạo Nhận Diện Hình Học Cơ Bản Trên Drone DJI Tello
• Loại tài liệu: luận văn
• Năm xuất bản: 2023
• Địa điểm: Huế

• LỜI CAM ĐOAN
• 1. PHẦN I: MỞ ĐẦU
• 1.1. Lý do chọn đề tài
• 1.2. Mục tiêu nghiên cứu
• 1.2.1. Mục tiêu tổng quát
• 1.2.2. Mục tiêu cụ thể
• 1.3. Đối tượng và phạm vi nghiên cứu
• 1.3.1. Đối tượng nghiên cứu
• 1.3.2. Phạm vi nghiên cứu
• 1.4. Phương pháp nghiên cứu
• 1.5. Cấu trúc của luận văn
• 2. PHẦN II: NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU
• 2.1. CHƯƠNG I: CƠ SỞ LÝ THUYẾT
• 2.1.1. Tổng quan về drone
• 2.1.1.1. Giới thiệu về drone
• 2.1.1.2. Ứng dụng của drone
• 2.1.1.3. Giới thiệu về DJI Tello Drone
• 2.1.2. Tổng quan về học máy
• 2.1.2.1. Giới thiệu về học máy
• 2.1.2.2. Phân loại các phương pháp học máy
• 2.1.2.3. Ứng dụng của học máy
• 2.1.2.4. Một số phương pháp đánh giá hệ thống phân loại
• 2.1.2.4.1. Ma trận nhầm lẫn (Confusion Matrix)
• 2.1.2.4.2. True/False Positive/Negative
• 2.1.3. Tổng quan về học sâu
• 2.1.3.1. Giới thiệu về học sâu
• 2.1.3.2. Cách thức hoạt động của học sâu
• 2.1.3.3. Ứng dụng của học sâu
• 2.1.3.4. Tổng quan mạng thần kinh tích chập
• 2.1.3.4.1. Giới thiệu về mạng thần kinh tích chập
• 2.1.3.4.2. Kiến trúc mạng thần kinh tích chập
• 2.1.3.4.3. Ứng dụng của mạng thần kinh tích chập trong nhận diện vật thể
• 2.1.4. Ngôn ngữ lập trình Python cho học máy
• 2.1.4.1. Giới thiệu chung
• 2.1.4.2. Các thư viện Python phổ biến hỗ trợ học máy
• 2.1.4.3. DjiTelloPy – Bộ thư viện hỗ trợ điều khiển DJI Tello Drone
• 2.1.4.4. Nền tảng trực tuyến Google Colab
• 2.1.5. Các công trình nghiên cứu liên quan
• 2.2. CHƯƠNG II: HUẤN LUYỆN THIẾT BỊ BAY KHÔNG NGƯỜI LÁI NHẬN DẠNG VẬT THỂ CÓ DẠNG HÌNH HỌC CƠ BẢN
• 2.2.1. Tổng quan phương pháp
• 2.2.2. Sơ đồ tổng thể phương pháp
• 2.2.3. Giải thích các bước trong sơ đồ tổng thể phương pháp
• 2.2.4. Mô tả và xây dựng bộ dữ liệu hình ảnh vật thể
• 2.2.4.1. Giới thiệu tổng quan về bộ dữ liệu hình ảnh vật thể
• 2.2.4.2. Xây dựng thuật toán hỗ trợ việc xây dựng bộ dữ liệu hình ảnh
• 2.2.5. Ứng dụng thuật toán mạng thần kinh tích chập trong việc giải quyết bài toán nhận diện vật thể có dạng hình học cơ bản
• 2.2.6. Nhận diện vật thể có dạng hình học cơ bản thông qua camera
• 2.3. CHƯƠNG III: KẾT QUẢ THỰC NGHIỆM VÀ BÀN LUẬN
• 2.3.1. Kết quả thực nghiệm
• 2.3.2. Kết quả nhận diện vật thể hình chữ nhật
• 2.3.3. Kết quả nhận diện vật thể hình tam giác
• 2.3.4. Kết quả nhận diện vật thể hình tròn
• 2.3.5. Kết quả nhận diện vật thể hình ngũ giác đều
• 3. PHẦN III: KẾT LUẬN
• 3.1. Kết quả thu được
• 3.2. Hướng phát triển của bài toán
• TÀI LIỆU THAM KHẢO

I. Mở đầu

Mô hình trí tuệ nhân tạo trong nhận diện hình học cơ bản trên drone DJI Tello là một trong những ứng dụng tiên tiến của công nghệ hiện đại. Nghiên cứu này nhằm phát triển mô hình AI có khả năng nhận diện và phân loại các vật thể có dạng hình học cơ bản như hình tròn, tam giác, hình chữ nhật và ngũ giác. Việc tích hợp machine learning vào hệ thống drone không chỉ nâng cao hiệu suất bay mà còn tối ưu hóa khả năng nhận diện vật thể trong các tình huống thực tế. Theo nghiên cứu, mô hình AI sử dụng mạng nơ-ron tích chập (CNN) cho thấy hiệu quả cao trong việc trích xuất đặc trưng từ dữ liệu hình ảnh, từ đó giúp cải thiện độ chính xác trong việc nhận diện và phân loại các hình dạng.

1.1. Lý do chọn đề tài

Trong bối cảnh công nghệ 4.0, việc ứng dụng trí tuệ nhân tạo vào drone đã trở thành một xu hướng tất yếu. Drone không chỉ được sử dụng trong các lĩnh vực quân sự mà còn mở rộng sang nhiều lĩnh vực như giám sát, khảo sát và cứu hộ. Việc phát triển mô hình AI nhằm nhận diện các vật thể có hình dạng cơ bản không chỉ giúp cải thiện khả năng tự động hóa mà còn nâng cao tính an toàn trong quá trình bay. Chẳng hạn, việc nhận diện chính xác các vật thể có thể giúp drone tránh va chạm và thực hiện các nhiệm vụ một cách hiệu quả hơn.

II. Nội dung và kết quả nghiên cứu

Nghiên cứu tập trung vào việc xây dựng mô hình AI dựa trên mạng nơ-ron tích chập (CNN) để nhận diện các hình dạng cơ bản. Dữ liệu hình ảnh được thu thập từ các vật thể có dạng hình học cơ bản với màu sắc đa dạng. Quá trình huấn luyện mô hình diễn ra trên nền tảng Google Colab, sử dụng thư viện Python như OpenCV và Matplotlib để xử lý và phân tích dữ liệu. Kết quả cho thấy mô hình đạt độ chính xác trên 99% trong việc nhận diện và phân loại các hình dạng. Đặc biệt, các chỉ số precision, recall và F1-score đều đạt giá trị tối đa 1.00 cho mỗi loại hình dạng, chứng tỏ khả năng phân loại chính xác và hiệu quả của mô hình.

2.1. Phương pháp nghiên cứu

Phương pháp nghiên cứu bao gồm các bước như xây dựng bộ dữ liệu hình ảnh, huấn luyện mô hình AI và đánh giá hiệu quả của mô hình. Bộ dữ liệu được xây dựng từ các hình ảnh của các vật thể có dạng hình học cơ bản với màu sắc khác nhau. Sau khi thu thập và xử lý dữ liệu, mô hình CNN được huấn luyện để nhận diện và phân loại các hình dạng. Các kết quả thu được từ quá trình kiểm tra cho thấy mô hình có khả năng nhận diện và phân loại chính xác, giúp nâng cao hiệu suất và tính an toàn cho các ứng dụng thực tế của drone.

III. Kết luận

Nghiên cứu đã chứng minh rằng việc áp dụng trí tuệ nhân tạo vào drone DJI Tello có thể nâng cao khả năng nhận diện và phân loại các vật thể có hình dạng cơ bản. Mô hình AI được phát triển không chỉ đạt hiệu quả cao trong việc nhận diện mà còn mở ra nhiều cơ hội ứng dụng trong các lĩnh vực khác nhau. Việc tích hợp machine learning vào hệ thống drone sẽ tiếp tục được nghiên cứu và phát triển để cải thiện hơn nữa khả năng tự động hóa và an toàn trong các nhiệm vụ bay. Đặc biệt, các công nghệ mới trong hệ thống nhận diện sẽ giúp drone trở thành một công cụ hữu ích trong nhiều lĩnh vực, từ cứu hộ đến giám sát môi trường.

3.1. Định hướng nghiên cứu tiếp theo

Trong tương lai, nghiên cứu sẽ tiếp tục mở rộng để cải thiện khả năng nhận diện của mô hình AI bằng cách áp dụng các thuật toán học sâu tiên tiến hơn. Đồng thời, việc thử nghiệm mô hình trên các loại drone khác nhau cũng sẽ được thực hiện để đánh giá tính khả thi và hiệu quả trong các điều kiện thực tế khác nhau. Mục tiêu cuối cùng là phát triển một hệ thống tự động hoàn chỉnh có khả năng nhận diện và phản ứng nhanh chóng với các tình huống trong môi trường bay.