Đồ Án HCMUTE: Thiết Kế Mô Hình Ứng Dụng Nhận Diện Nhãn Hiệu

• Tác giả: Nguyễn Phạm Duy Đức
• Người hướng dẫn: ThS. Huỳnh Hoàng Hà
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Máy Tính
• Đề tài: Thiết Kế Mô Hình Ứng Dụng Nhận Diện Nhãn Hiệu
• Loại tài liệu: đồ án tốt nghiệp
• Năm xuất bản: 2019
• Địa điểm: Thành Phố Hồ Chí Minh

• LỜI CẢM ƠN
• TÓM TẮT
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Giới thiệu đề tài
• 1.2. Tính cấp thiết đề tài
• 1.3. Mục tiêu đề tài
• 1.4. Phạm vi đề tài
• 1.5. Phương pháp nghiên cứu
• 1.6. Bố cục đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT LIÊN QUAN
• 2.1. Machine learning và Object Detection
• 2.2. Khái niệm Machine Learning
• 2.3. Image Recognition and Object Detection
• 2.4. CNN - Convolutional Neural Network
• 2.4.1. Convolutional
• 2.4.2. Cấu trúc của mạng CNN
• 2.4.3. Trường tiếp nhận cục bộ (local receptive field)
• 2.4.4. Trọng số chia sẻ (shared weight and bias)
• 2.4.5. Lớp tổng hợp (pooling layer)
• 2.5. Region Proposal Network (RPN)
• 2.6. Cách tạo mô hình máy học bằng tensorflow API
• 2.7. Xây dựng hệ thống firebase
• 2.8. Liên kết firebase với python
• 2.9. Liên kết firebase với android application
• 3. CHƯƠNG 3: THIẾT KẾ VÀ THI CÔNG ỨNG DỤNG NHẬN DIÊN NHÃN HIỆU
• 3.1. Sơ đồ khối hệ thống
• 3.2. Yêu cầu hệ thống
• 3.3. Chức năng từng khối
• 3.4. Hoạt động của hệ thống
• 3.5. Thiết kế hệ thống
• 3.6. Khối xử lý trung tâm
• 3.7. Khối nhập xuất
• 3.8. Thiết kế mô hình máy học
• 4. CHƯƠNG 4: KẾT QUẢ VÀ THỰC NGHIỆM
• 5. CHƯƠNG 5: NHẬN XÉT VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

I. Mô hình nhận diện nhãn hiệu HCMUTE Tổng quan và bối cảnh

Đề tài nghiên cứu tập trung vào việc thiết kế mô hình ứng dụng nhận diện nhãn hiệu tại HCMUTE. Nghiên cứu này có tính cấp thiết cao trong bối cảnh thương mại điện tử phát triển mạnh mẽ. Việc nhận diện logo hiệu quả hỗ trợ các công ty, đặc biệt các công ty Việt Nam, trong việc đánh giá hiệu quả quảng cáo trực tuyến. Nhiều ứng dụng nhận diện logo hiện có, như Google Image Recognition hay Amazon Rekognition, nhưng vẫn còn nhiều hạn chế về dữ liệu và độ chính xác, đặc biệt đối với các nhãn hiệu nhỏ. Do đó, nghiên cứu nhận diện nhãn hiệu này hướng đến việc xây dựng một mô hình ứng dụng thực tiễn, giải quyết các điểm yếu của các giải pháp hiện tại. Ứng dụng nhận diện thương hiệu này sẽ đóng góp vào việc thúc đẩy niềm tin của khách hàng đối với sản phẩm Việt Nam.

1.1 Ứng dụng nhận diện thương hiệu Mục tiêu và phạm vi

Mục tiêu chính là xây dựng một ứng dụng Android có khả năng chụp ảnh, nhận diện logo và cung cấp thông tin doanh nghiệp. Mô hình nhận diện hướng đến độ chính xác trên 85%. Hệ thống cần xử lý thời gian thực, truyền tải dữ liệu giữa thiết bị và máy chủ hiệu quả. Phạm vi nghiên cứu tập trung vào nhận diện 10 loại logo. Ứng dụng được phát triển cho Android 8 trở lên. Việc xây dựng thương hiệu HCMUTE thông qua nghiên cứu này tập trung vào tính ứng dụng thực tiễn và độ chính xác cao. Ứng dụng nhận diện nhãn hiệu này cần khả năng thích ứng cao để mở rộng nhận diện các logo khác trong tương lai.

1.2 Phương pháp nghiên cứu và cấu trúc đề tài

Phương pháp nghiên cứu dựa trên việc tham khảo tài liệu, bài báo về máy học, nhận diện vật thể và mạng nơ-ron. Các nguồn tài nguyên trực tuyến như Coursera cũng được sử dụng. Nghiên cứu cũng tham khảo các thảo luận trên Github. Đề tài được trình bày theo cấu trúc gồm 5 chương. Chương 1 giới thiệu tổng quan về đề tài, mục tiêu và phạm vi. Chương 2 trình bày cơ sở lý thuyết về máy học, nhận diện vật thể, và mạng nơ-ron tích chập (CNN). Chương 3 tập trung vào thiết kế và triển khai ứng dụng nhận diện nhãn hiệu. Chương 4 trình bày kết quả và phân tích. Cuối cùng, chương 5 đưa ra nhận xét và hướng phát triển trong tương lai. Nghiên cứu này sử dụng phương pháp tiếp cận khoa học, bài bản và thực tiễn.

II. Cơ sở lý thuyết nhận diện nhãn hiệu Máy học và mạng nơ ron tích chập

Phần này trình bày cơ sở lý thuyết về máy học (machine learning) và mạng nơ-ron tích chập (CNN), nền tảng của mô hình nhận diện nhãn hiệu. Máy học được định nghĩa là lĩnh vực của trí tuệ nhân tạo cho phép hệ thống tự học từ dữ liệu. Nhận diện hình ảnh, bao gồm nhận diện vật thể (object detection), là một ứng dụng quan trọng của máy học. CNN là một kiến trúc mạng nơ-ron đặc biệt hiệu quả cho việc xử lý dữ liệu hình ảnh. CNN sử dụng các lớp tích chập (convolutional layers) để trích xuất đặc trưng từ ảnh. Các khái niệm quan trọng của CNN bao gồm: trường tiếp nhận cục bộ (local receptive field), trọng số chia sẻ (shared weights), và lớp tổng hợp (pooling layer). Mạng CNN được huấn luyện bằng cách sử dụng các tập dữ liệu lớn, được gắn nhãn (labeled datasets). Phân tích dữ liệu là một phần quan trọng trong quá trình huấn luyện này.

2.1 Mạng nơ ron tích chập CNN Chi tiết kiến trúc và hoạt động

Mạng CNN hoạt động bằng cách sử dụng các bộ lọc (filters) để quét qua ảnh, trích xuất các đặc trưng. Convolutional layers tạo ra các bản đồ đặc trưng (feature maps). Lớp pooling giảm kích thước của bản đồ đặc trưng, giúp giảm tính toán và tăng tính bất biến vị trí (location invariance). Các lớp fully connected ở cuối mạng giúp phân loại các đặc trưng đã trích xuất. Region Proposal Network (RPN) là một kỹ thuật thường được sử dụng trong nhận diện vật thể, giúp xác định các vùng quan tâm (regions of interest) trong ảnh. Phân tích hình ảnh dựa trên CNN đã cho thấy hiệu quả cao trong nhiều ứng dụng, bao gồm nhận diện khuôn mặt, nhận diện chữ viết tay, và nhận diện vật thể. Việc lựa chọn kiến trúc CNN phù hợp là yếu tố quan trọng quyết định hiệu quả của mô hình nhận diện nhãn hiệu.

2.2 Thuật toán phát hiện vật thể Object Detection Ứng dụng trong nhận diện logo

Thuật toán Object Detection, đặc biệt là Faster R-CNN, được áp dụng trong đề tài này. Faster R-CNN kết hợp RPN và mạng CNN để phát hiện và phân loại các vật thể trong ảnh. Thu thập dữ liệu và gắn nhãn dữ liệu là bước quan trọng trước khi huấn luyện mô hình. Dữ liệu huấn luyện cần đa dạng và chất lượng cao để đảm bảo độ chính xác của mô hình. Phát hiện vật thể là một lĩnh vực nghiên cứu đang phát triển nhanh chóng, với nhiều thuật toán mới được phát triển liên tục. Việc lựa chọn thuật toán phù hợp phụ thuộc vào yêu cầu về độ chính xác, tốc độ xử lý và tài nguyên máy tính. Deep learning và machine learning đóng vai trò then chốt trong việc nâng cao hiệu quả của thuật toán Object Detection.

III. Thiết kế và triển khai ứng dụng nhận diện nhãn hiệu HCMUTE

Phần này mô tả chi tiết về thiết kế và triển khai ứng dụng nhận diện nhãn hiệu trên nền tảng Android. Mô hình ứng dụng được xây dựng dựa trên kiến trúc client-server. Phần client (ứng dụng Android) chịu trách nhiệm chụp ảnh, gửi ảnh lên server và hiển thị kết quả. Phần server (máy chủ) chịu trách nhiệm xử lý ảnh và trả về kết quả nhận diện. Hệ thống sử dụng cơ sở dữ liệu Firebase để lưu trữ thông tin về các nhãn hiệu. Giao diện người dùng được thiết kế thân thiện và dễ sử dụng. Quản lý dữ liệu được tối ưu để đảm bảo hiệu suất của hệ thống. Xây dựng hệ thống này yêu cầu kiến thức về lập trình Android, xử lý ảnh và quản trị cơ sở dữ liệu.

3.1 Kiến trúc hệ thống Client server và cơ sở dữ liệu Firebase

Kiến trúc client-server được lựa chọn để đảm bảo tính khả năng mở rộng và hiệu suất của hệ thống. Ứng dụng Android (client) gửi yêu cầu nhận diện đến server. Server xử lý yêu cầu và trả về kết quả. Firebase được sử dụng làm cơ sở dữ liệu, cung cấp khả năng lưu trữ và đồng bộ dữ liệu thời gian thực. Firebase đơn giản hoá việc quản lý dữ liệu và tích hợp với ứng dụng Android. Việc lựa chọn Firebase giúp giảm thiểu thời gian phát triển và chi phí. Cơ sở dữ liệu được tổ chức logic để dễ dàng truy xuất và cập nhật thông tin về các nhãn hiệu.

3.2 Triển khai ứng dụng Giao diện người dùng và trải nghiệm người dùng

Ứng dụng Android có giao diện đơn giản, dễ sử dụng. Người dùng có thể chụp ảnh hoặc chọn ảnh từ bộ nhớ thiết bị. Ứng dụng hiển thị kết quả nhận diện một cách trực quan. Trải nghiệm người dùng được đặt lên hàng đầu trong quá trình thiết kế và phát triển. Thiết kế giao diện chú trọng tính thẩm mỹ và sự tiện dụng. Khả năng sử dụng của ứng dụng được kiểm tra và đánh giá kỹ lưỡng. Quá trình triển khai tuân thủ các quy trình phát triển phần mềm chuyên nghiệp. Ứng dụng được tối ưu hóa để hoạt động mượt mà trên các thiết bị Android khác nhau.

IV. Kết quả và đánh giá mô hình ứng dụng nhận diện nhãn hiệu HCMUTE

Phần này trình bày kết quả đánh giá hiệu quả của mô hình ứng dụng nhận diện nhãn hiệu. Các chỉ số đánh giá bao gồm độ chính xác (accuracy), độ phủ (recall), và độ chính xác trung bình (mean average precision - mAP). Kết quả thực nghiệm được phân tích kỹ lưỡng. Các yếu tố ảnh hưởng đến hiệu quả của mô hình được xem xét. Đánh giá hiệu quả cho thấy khả năng ứng dụng thực tiễn của mô hình ứng dụng. Phân tích thống kê được sử dụng để hỗ trợ việc đánh giá.

4.1 Đánh giá độ chính xác Các chỉ số đánh giá và phân tích kết quả

Độ chính xác của mô hình được đo lường bằng các chỉ số như accuracy, recall và mAP. Các chỉ số này được tính toán dựa trên tập dữ liệu kiểm thử (test dataset). Phân tích kết quả cho thấy hiệu quả của mô hình trong việc nhận diện các nhãn hiệu khác nhau. Độ chính xác có thể bị ảnh hưởng bởi chất lượng dữ liệu huấn luyện, điều kiện chụp ảnh và các yếu tố môi trường khác. Các chỉ số đánh giá cung cấp thông tin quan trọng để đánh giá chất lượng của mô hình ứng dụng và đưa ra các cải tiến cần thiết. Kết quả đánh giá cho thấy tiềm năng ứng dụng thực tiễn của mô hình.

4.2 Thực nghiệm và phân tích Yếu tố ảnh hưởng và hướng cải tiến

Thực nghiệm được tiến hành trên một tập dữ liệu lớn và đa dạng. Phân tích kết quả giúp xác định các yếu tố ảnh hưởng đến độ chính xác của mô hình. Chất lượng dữ liệu là yếu tố quan trọng ảnh hưởng đến hiệu quả. Điều kiện chụp ảnh cũng ảnh hưởng đến kết quả nhận diện. Các hướng cải tiến được đề xuất dựa trên kết quả phân tích. Cải thiện chất lượng dữ liệu và tối ưu hóa thuật toán có thể giúp nâng cao độ chính xác. Nghiên cứu thêm các kỹ thuật xử lý ảnh tiên tiến cũng là hướng cải tiến quan trọng. Tối ưu hóa hệ thống nhằm nâng cao tốc độ xử lý cũng cần được quan tâm.

V. Nhận xét và hướng phát triển mô hình ứng dụng nhận diện nhãn hiệu tại HCMUTE

Phần này tóm tắt những thành tựu và hạn chế của đề tài. Mô hình ứng dụng đã chứng minh khả năng nhận diện logo với độ chính xác nhất định. Tuy nhiên, vẫn còn nhiều tiềm năng để cải thiện. Các hướng phát triển trong tương lai bao gồm mở rộng số lượng nhãn hiệu được nhận diện, tích hợp các tính năng mới và tối ưu hóa hiệu suất hệ thống. Nghiên cứu tiếp theo có thể tập trung vào việc ứng dụng các kỹ thuật học sâu (deep learning) tiên tiến hơn để nâng cao độ chính xác và tốc độ xử lý. Hệ thống cần được tối ưu để hoạt động mượt mà trên các thiết bị di động khác nhau.

5.1 Kết luận Đánh giá tổng quan và đóng góp của nghiên cứu

Nghiên cứu đã thành công trong việc xây dựng một mô hình ứng dụng nhận diện nhãn hiệu hiệu quả. Mô hình có độ chính xác cao và khả năng ứng dụng thực tiễn. Nghiên cứu đóng góp vào việc phát triển công nghệ nhận diện hình ảnh tại HCMUTE. Ứng dụng này có thể được sử dụng trong nhiều lĩnh vực khác nhau, như marketing, quảng cáo và nghiên cứu thị trường. Kết quả nghiên cứu có giá trị tham khảo cho các nghiên cứu tương tự trong tương lai.

5.2 Hướng phát triển Mở rộng và cải tiến hệ thống

Hướng phát triển trong tương lai tập trung vào việc mở rộng số lượng nhãn hiệu được nhận diện. Cải thiện độ chính xác của mô hình bằng cách sử dụng các thuật toán và kỹ thuật hiện đại hơn. Tích hợp các tính năng mới, ví dụ như cung cấp thêm thông tin về sản phẩm, giá cả và nơi bán. Tối ưu hóa hệ thống để giảm thời gian xử lý và tăng tốc độ phản hồi. Ứng dụng có thể được tích hợp với các nền tảng mạng xã hội khác. Nghiên cứu thêm về việc xử lý ảnh trong các điều kiện ánh sáng khác nhau.