Luận văn thạc sĩ áp dụng độ đo entropy cho bài toán tách đặc trưng của bọt khí trên video và đề xuất kết hợp svm cho vấn đề tự động theo dõi sục khí tại trạm quan trắc môi trường

Luận văn thạc sĩ nghiên cứu áp dụng độ đo entropy và SVM cho tách đặc trưng bọt khí trong video, hỗ trợ theo dõi sục khí hiệu quả.

• Tác giả: Trịnh Văn Dũng
• Người hướng dẫn: TS. Hoàng Mạnh Hà
• Trường học: Trường Đại học Thủ Dầu Một
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Áp dụng độ đo entropy cho bài toán tách đặc trưng của bọt khí trên video và đề xuất kết hợp SVM cho vấn đề tự động theo dõi sục khí tại trạm quan trắc môi trường
• Loại tài liệu: Luận văn thạc sỹ
• Năm xuất bản: 2019
• Địa điểm: Bình Dương

Mục lục chi tiết

• LỜI CAM ĐOAN
• DANH MỤC CÁC HÌNH VÀ ĐỒ THỊ
• DANH MỤC CÁC BẢNG
• PHẦN MỞ ĐẦU
• 1. Chương 1: TỔNG QUAN VỀ XỬ LÝ VÀ NHẬN DẠNG ẢNH
• 1.1. CÁC KHÁI NIỆM CƠ BẢN VỀ ẢNH
• 1.1.1. Khái niệm về ảnh (Image)
• 1.1.2. Độ phân giải ảnh (Image resolution)
• 1.1.3. Cường độ sáng của một ảnh tại một điểm ảnh (Brightness intensity)
• 1.1.4. Mức xám của ảnh (Gray image)
• 1.1.5. Ảnh nhị phân (Binary image)
• 1.1.6. Quan hệ giữa các điểm ảnh
• 1.2. GIỚI THIỆU CHUNG VỀ XỬ LÝ VÀ NHẬN DẠNG ẢNH
• 1.2.1. Thu nhận ảnh (Image acquisition)
• 1.2.2. Tiền xứ lý ảnh (Image processing)
• 1.2.3. Phân tích và trích chọn đặc trưng ảnh (Image analysis and Feature extraction)
• 1.2.3.1. Giới thiệu chung về phân tích ảnh
• 1.2.3.2. Tiêu chuẩn hoá và trích chọn đặc trưng ảnh
• 1.2.3.3. Kỹ thuật tìm biên ảnh (Image boundary)
• 1.2.3.4. Phép biến đổi Wavelet
• 1.2.4. Nhận dạng và nội suy ảnh (Image recognition and Interpretation)
• 1.2.4.1. Giới thiệu chung về nhận dạng
• 1.2.4.2. Phương pháp số nhận dạng ảnh
• 2. Chương 2: NGHIÊN CỨU PHƯƠNG PHÁP GIẢI QUYẾT BÀI TOÁN NHẬN DẠNG BỌT KHÍ
• 2.1. XÂY DỰNG BÀI TOÁN NHẬN DẠNG BỌT KHÍ
• 2.1.1. Quá trình xử lý ảnh
• 2.1.2. Quá trình huấn luyện phân lớp mẫu
• 2.1.3. Quá trình nhận dạng
• 2.2. VẤN ĐỀ TRÍCH CHỌN ĐẶC TRƯNG CHO ẢNH BỌT KHÍ
• 2.2.1. Sử dụng Entropy kết hợp Fuzzylogic và Wavelet
• 2.2.2. Sử dụng phương pháp tìm biên ảnh
• 2.3. VẤN ĐỀ PHÂN LỚP CHO DỮ LIỆU ẢNH BỌT KHÍ
• 2.3.1. Huấn luyện mô hình phân lớp dữ liệu ảnh
• 2.3.2. Phân lớp dữ liệu ảnh – Thử nghiệm mô hình
• 2.4. PHƯƠNG PHÁP SVM CHO BÀI TOÁN NHẬN DẠNG BỌT KHÍ
• 2.4.1. Giới thiệu chung về SVM
• 2.4.2. SVM cho bài toán 2 lớp
• 2.4.3. Xây dựng bài toán tối ưu cho SVM 2 lớp bọt khí
• 2.4.4. Ưu điểm của SVM cho phân lớp ảnh bọt khí
• 3. Chương 3: THỰC NGHIỆM VÀ ĐỀ XUẤT ỨNG DỤNG PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH CHO BÀI TOÁN NHẬN DẠNG ẢNH BỌT KHÍ
• 3.1. MÔI TRƯỜNG CÀI ĐẶT VÀ CÔNG CỤ SỬ DỤNG
• 3.2. DỮ LIỆU VÀ XÂY DỰNG TẬP DỮ LIỆU ẢNH BỌT KHÍ
• 3.3. ỨNG DỤNG ĐỘ ĐO ENTROPY KẾT HỢP FUZZY LOGIC VÀ WAVELET CHO TRÍCH CHỌN ĐẶC TRƯNG BỌT KHÍ
• 3.4. ỨNG DỤNG BỘ LỌC CANNY CHO TRÍCH CHỌN ĐẶC TRƯNG ẢNH BỌT KHÍ
• 4. Chương 4: THỰC NGHIỆM ÁP DỤNG PHƯƠNG PHÁP SVM VÀO BÀI TOÁN THEO DÕI VẤN ĐỀ SỤC KHÍ CHO BỂ NUÔI VI SINH
• 4.1. MÔI TRƯỜNG CÀI ĐẶT VÀ CÔNG CỤ SỬ DỤNG
• 4.2. ÁP DỤNG SVM TRÊN ẢNH ĐƯỢC TRÍCH CHỌN ĐẶC TRƯNG DỰA TRÊN ĐỘ ĐO ENTROPY KẾT HỢP FUZZY LOGIC VÀ WAVELET
• 4.2.1. Huấn luyện và xây dựng mô hình phân lớp
• 4.2.2. Thực hiện kiểm thử với mô hình
• 4.2.3. Kết quả thực nghiệm và đánh giá
• 4.3. ÁP DỤNG SVM TRÊN ẢNH ĐƯỢC TRÍCH CHỌN ĐẶC TRƯNG DỰA TRÊN BỘ LỌC CANNY
• 4.3.1. Huấn luyện và xây dựng mô hình
• 4.3.2. Thực hiện nhận dạng với mô hình
• 4.3.3. Kết quả thực nghiệm và đánh giá
• KẾT LUẬN CHUNG VÀ ĐỀ XUẤT
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu độ đo entropy và SVM trong theo dõi video

Nghiên cứu áp dụng độ đo entropy và SVM trong việc theo dõi sục khí bọt khí trên video là một lĩnh vực đang thu hút sự quan tâm lớn trong ngành công nghệ thông tin và môi trường. Đặc biệt, việc giám sát quá trình sục khí trong các bể nuôi vi sinh là rất quan trọng để đảm bảo sự sống của vi sinh vật. Độ đo entropy giúp xác định mức độ bất định của các điểm ảnh trong video, trong khi SVM (Support Vector Machine) là một phương pháp học máy hiệu quả cho việc phân loại và nhận dạng hình ảnh. Sự kết hợp giữa hai phương pháp này hứa hẹn sẽ mang lại những kết quả khả quan trong việc tự động hóa quá trình giám sát.

1.1. Khái niệm về độ đo entropy trong xử lý video

Độ đo entropy là một chỉ số quan trọng trong việc đánh giá mức độ thông tin của một hệ thống. Trong xử lý video, độ đo này được sử dụng để phân tích các điểm ảnh nhằm xác định sự hiện diện của bọt khí. Khi độ đo entropy cao, điều này cho thấy sự đa dạng và phức tạp trong hình ảnh, từ đó giúp nhận diện các đặc trưng của bọt khí một cách chính xác hơn.

1.2. Giới thiệu về SVM và ứng dụng trong nhận dạng hình ảnh

SVM là một thuật toán học máy mạnh mẽ, được sử dụng rộng rãi trong các bài toán phân loại. Trong bối cảnh theo dõi sục khí bọt khí, SVM giúp phân loại các frame ảnh thành hai nhóm: có bọt khí và không có bọt khí. Phương pháp này không chỉ hiệu quả mà còn có khả năng xử lý tốt với các dữ liệu lớn, giúp cải thiện độ chính xác trong việc giám sát.

II. Thách thức trong việc theo dõi sục khí bọt khí trên video

Việc theo dõi sục khí bọt khí trên video gặp phải nhiều thách thức, bao gồm độ phức tạp của hình ảnh, sự thay đổi ánh sáng và các yếu tố môi trường khác. Những yếu tố này có thể làm giảm độ chính xác của các thuật toán nhận dạng. Đặc biệt, việc phân tích video trong thời gian thực đòi hỏi các phương pháp xử lý nhanh chóng và hiệu quả. Do đó, việc phát triển các thuật toán mạnh mẽ và chính xác là rất cần thiết để giải quyết những vấn đề này.

2.1. Các yếu tố ảnh hưởng đến độ chính xác trong nhận dạng

Độ chính xác trong việc nhận dạng bọt khí phụ thuộc vào nhiều yếu tố như độ phân giải video, chất lượng hình ảnh và các điều kiện ánh sáng. Những yếu tố này có thể gây ra sự nhầm lẫn trong việc phân loại các frame ảnh, dẫn đến kết quả không chính xác.

2.2. Khó khăn trong việc xử lý video thời gian thực

Xử lý video trong thời gian thực là một thách thức lớn, đặc biệt khi cần phân tích hàng nghìn frame ảnh mỗi giây. Điều này đòi hỏi các thuật toán phải được tối ưu hóa để đảm bảo tốc độ xử lý mà vẫn giữ được độ chính xác cao. Việc sử dụng SVM kết hợp với độ đo entropy có thể là một giải pháp khả thi để giải quyết vấn đề này.

III. Phương pháp áp dụng độ đo entropy và SVM trong nghiên cứu

Phương pháp nghiên cứu bao gồm việc sử dụng độ đo entropy để trích xuất đặc trưng từ các frame ảnh và sau đó áp dụng SVM để phân loại các frame này. Đầu tiên, độ đo entropy được tính toán cho từng pixel trong ảnh để xác định mức độ bất định. Sau đó, các đặc trưng này được sử dụng để huấn luyện mô hình SVM nhằm phân loại các frame ảnh thành hai nhóm: có bọt khí và không có bọt khí.

3.1. Quy trình trích xuất đặc trưng bằng độ đo entropy

Quy trình trích xuất đặc trưng bắt đầu bằng việc tính toán độ đo entropy cho từng pixel trong frame ảnh. Các pixel có độ đo entropy cao sẽ được xác định là có khả năng là bọt khí. Sau đó, các pixel này sẽ được kết hợp với các thông tin khác để tạo ra một tập hợp các đặc trưng cho mô hình SVM.

3.2. Huấn luyện mô hình SVM với dữ liệu đã trích xuất

Sau khi trích xuất các đặc trưng, mô hình SVM sẽ được huấn luyện với dữ liệu này. Quá trình huấn luyện bao gồm việc tối ưu hóa các tham số của SVM để đạt được độ chính xác cao nhất trong việc phân loại. Các kết quả từ quá trình huấn luyện sẽ được kiểm tra và đánh giá để đảm bảo tính hiệu quả của mô hình.

IV. Ứng dụng thực tiễn của nghiên cứu trong giám sát môi trường

Nghiên cứu này không chỉ có giá trị lý thuyết mà còn có ứng dụng thực tiễn cao trong việc giám sát môi trường, đặc biệt là trong các trạm quan trắc nước. Việc áp dụng độ đo entropy và SVM giúp tự động hóa quá trình giám sát, từ đó nâng cao hiệu quả quản lý và bảo vệ môi trường. Các kết quả nghiên cứu có thể được áp dụng trong các hệ thống giám sát tự động, giúp phát hiện kịp thời các vấn đề liên quan đến sục khí.

4.1. Tích hợp công nghệ vào hệ thống giám sát

Việc tích hợp công nghệ xử lý video và học máy vào hệ thống giám sát môi trường sẽ giúp nâng cao khả năng phát hiện và cảnh báo sớm các vấn đề liên quan đến sục khí. Hệ thống này có thể hoạt động 24/7, giảm thiểu sự can thiệp của con người và tăng cường độ chính xác trong việc giám sát.

4.2. Kết quả thực nghiệm và đánh giá hiệu quả

Các kết quả thực nghiệm cho thấy mô hình SVM kết hợp với độ đo entropy đạt được độ chính xác cao trong việc phân loại các frame ảnh. Điều này chứng tỏ rằng phương pháp nghiên cứu có thể được áp dụng hiệu quả trong thực tiễn, góp phần vào việc bảo vệ môi trường và quản lý tài nguyên nước.

V. Kết luận và triển vọng tương lai của nghiên cứu

Nghiên cứu áp dụng độ đo entropy và SVM trong theo dõi sục khí bọt khí trên video đã mở ra nhiều hướng đi mới trong lĩnh vực giám sát môi trường. Kết quả nghiên cứu cho thấy sự kết hợp giữa các phương pháp này có thể mang lại hiệu quả cao trong việc tự động hóa quá trình giám sát. Trong tương lai, việc phát triển thêm các thuật toán mới và cải tiến các phương pháp hiện tại sẽ giúp nâng cao hơn nữa độ chính xác và hiệu quả của hệ thống giám sát.

5.1. Hướng phát triển các thuật toán mới

Trong tương lai, việc nghiên cứu và phát triển các thuật toán mới có thể giúp cải thiện độ chính xác và tốc độ xử lý của hệ thống giám sát. Các công nghệ mới như học sâu (Deep Learning) có thể được áp dụng để nâng cao khả năng nhận dạng và phân loại hình ảnh.

5.2. Tích hợp với các hệ thống giám sát khác

Việc tích hợp hệ thống giám sát sục khí với các hệ thống giám sát khác như chất lượng nước, ô nhiễm môi trường sẽ tạo ra một mạng lưới giám sát toàn diện hơn. Điều này không chỉ giúp nâng cao hiệu quả quản lý mà còn góp phần bảo vệ môi trường sống.

Nội dung chính

Tổng quan nghiên cứu

Trong kỹ nghệ xử lý nước thải công nghiệp và sinh hoạt, quá trình xử lý sinh học đóng vai trò then chốt trong việc loại bỏ các hợp chất hữu cơ gây ô nhiễm. Để duy trì sự sống và hoạt tính sinh học của các quần thể vi sinh vật trong bể hiếu khí, hệ thống bắt buộc phải thực hiện sục khí liên tục nhằm cung cấp dưỡng khí oxy hòa tan. Trong điều kiện thực tế, nếu quá trình sục khí bị gián đoạn, quần thể vi sinh vật sẽ bắt đầu suy kiệt và chết hàng loạt chỉ sau khoảng 15 đến 16 giây do thiếu hụt oxy nghiêm trọng, dẫn đến nguy cơ tê liệt toàn bộ quy trình xử lý nước thải và gây thiệt hại kinh tế hàng trăm triệu đồng cho mỗi trạm xử lý.

Xuất phát từ yêu cầu cấp thiết về việc tự động hóa giám sát liên tục 24/7 mà không phụ thuộc vào sức người, đề tài tập trung giải quyết bài toán nhận dạng trạng thái bề mặt bể vi sinh thông qua xử lý chuỗi frame ảnh từ video giám sát. Mục tiêu cốt lõi của nghiên cứu là xây dựng mô hình trích chọn đặc trưng bọt khí tối ưu kết hợp thuật toán học máy Support Vector Machine (SVM), giúp phân loại chính xác hai trạng thái: có bọt khí (bể đang sục khí bình thường) và không có bọt khí (hệ thống sục khí gặp sự cố).

Nghiên cứu được triển khai thực nghiệm trên nguồn dữ liệu video thu thập tại 4 trạm quan trắc môi trường trọng điểm thuộc tỉnh Bình Dương trong năm 2019. Với tốc độ ghi hình tiêu chuẩn 8 khung hình trên giây (fps), việc ứng dụng giải pháp thị giác máy tính tự động giúp phát hiện sự cố gián đoạn sục khí trong ngưỡng an toàn dưới 12,5 giây, cắt giảm hơn 70% chi phí nhân công trực ca và đảm bảo an toàn tuyệt đối cho hệ sinh thái vi sinh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa của hai nền tảng lý thuyết chủ đạo: lý thuyết xử lý ảnh số kết hợp độ đo thông tin và lý thuyết học máy thống kê. Cụ thể, 5 khái niệm khoa học then chốt được tích hợp đồng bộ bao gồm:

1. Độ đo Entropy thông tin (Shannon Entropy): Đại lượng đo lường mức độ bất định của phân phối cường độ sáng điểm ảnh theo chuỗi thời gian. Điểm ảnh tại vùng sục khí liên tục biến động sẽ có giá trị Entropy phân bố dày đặc trong khoảng từ 0 đến 1, trong khi vùng nước tĩnh không bọt khí có Entropy xấp xỉ bằng 0.
2. Logic mờ (Fuzzy Logic) và Hàm kích hoạt (Activation Function): Công cụ xử lý tính không rõ ràng của các điểm ảnh bị nhiễu do gợn sóng hoặc ánh sáng phản xạ yếu (giá trị Entropy tiến gần 0), sử dụng hàm kích hoạt phi tuyến với hệ số làm dốc để triệt tiêu nhiễu mập mờ.
3. Biến đổi Wavelet Haar (Haar Wavelet Transform): Kỹ thuật phân tích đa độ phân giải cho phép nén không gian dữ liệu ảnh đa chiều về kích thước nhỏ gọn nhưng vẫn bảo toàn toàn vẹn các thành phần tần số và cấu trúc đặc trưng cục bộ của bọt khí.
4. Bộ lọc phát hiện biên Canny (Canny Edge Detection): Phương pháp phát hiện biên tối ưu dựa trên việc làm mịn ảnh bằng bộ lọc Gaussian hai chiều, tính toán gradient cường độ sáng và áp dụng kỹ thuật khử phi cực đại cùng ngưỡng kép (hysteresis thresholding).
5. Máy vector hỗ trợ (Support Vector Machine - SVM): Mô hình học máy có giám sát xác định siêu phẳng tối ưu $w \cdot x - b = 0$ nhằm tối đa hóa khoảng cách biên (Margin $= \frac{2}{|w|}$) phân tách giữa hai lớp nhãn $y = +1$ (có bọt khí) và $y = -1$ (không có bọt khí).

   [Dữ liệu Video Camera] 
     [Tiền xử lý Mức xám]
[Hướng 1: Entropy + Fuzzy + Wavelet]  [Hướng 2: Bộ lọc biên Canny]
    [Huấn luyện & Phân lớp SVM]
   [Cảnh báo Bọt khí / Không bọt khí]

Phương pháp nghiên cứu

Nguồn dữ liệu của đề tài được thu thập từ hệ thống camera IP quan sát chuyên dụng gắn tại 4 trạm quan trắc nước thải ở Bình Dương, ghi nhận các điều kiện chiếu sáng và góc quay thực tế khác nhau. Mỗi trạm cung cấp một tệp video clip độ dài chuẩn với dung lượng trên dưới 10.000 khung hình. Toàn bộ dữ liệu sau đó được tách thành 8 tệp video đại diện cho 2 trạng thái hoạt động độc lập (4 tệp có sục khí và 4 tệp không sục khí).

Về cỡ mẫu và phương pháp chọn mẫu, nghiên cứu sử dụng phương pháp chọn mẫu phân tầng theo thời gian để đảm bảo tính bao quát:

• Đối với hướng tiếp cận Entropy kết hợp Fuzzy Logic và Wavelet: Cỡ mẫu huấn luyện bao gồm 80 tập dữ liệu ảnh (tương đương 8.000 frame ảnh, chia đều 40 tập có bọt khí và 40 tập không có bọt khí). Mỗi tập gồm đúng 100 khung hình liên tiếp. Kích thước ban đầu $468 \times 624$ pixel được nén qua 4 mức biến đổi Wavelet Haar xuống ma trận đặc trưng $30 \times 39$ pixel.
• Đối với hướng tiếp cận Canny: Chọn ngẫu nhiên 200 frame ảnh tiêu chuẩn (100 ảnh có bọt khí và 100 ảnh không bọt khí) từ 4 trạm để huấn luyện bộ phân lớp SVM, sau đó tiến hành kiểm thử toàn diện trên tập dữ liệu độc lập gồm 8.805 frame ảnh cho mỗi clip của từng trạm (tổng quy mô kiểm thử đạt 35.220 frame ảnh).

Lý do lựa chọn phương pháp phân tích: Việc thiết lập kích thước cửa sổ 100 frame ảnh ở tốc độ 8 fps tương ứng với khoảng thời gian 12,5 giây, hoàn toàn khớp với ngưỡng sinh học an toàn (15-16 giây) trước khi vi sinh vật bị tổn thương. Phép biến đổi Wavelet Haar giảm chiều dữ liệu hơn 200 lần giúp tăng tốc độ huấn luyện thuật toán. SVM được lựa chọn thay thế cho mạng nơ-ron truyền thống vì khả năng tổng quát hóa xuất sắc trên không gian số chiều lớn mà không gặp hiện tượng quá khớp (overfitting).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối chiếu giữa các phương pháp trích chọn đặc trưng và phân lớp mang lại 4 phát hiện khoa học quan trọng:

1. Phân phối độ đo Entropy phản ánh chính xác trạng thái thủy động học: Khi bể có sục khí, các điểm ảnh biến động liên tục cho ra ma trận Entropy với mật độ giá trị dương dày đặc trong khoảng $[0,1]$. Ngược lại, khi tắt sục khí, trên 98% điểm ảnh có giá trị Entropy bằng đúng 0. Sự xuất hiện của một lượng nhỏ điểm ảnh có Entropy xấp xỉ 0 (dưới 0,05) do sóng mặt nước đã được khử triệt để khi đưa qua hàm kích hoạt mờ với tham số $\alpha = 2$.
2. Hiệu quả nén vượt trội của Wavelet Haar 4 mức: Kỹ thuật Wavelet Haar rút gọn kích thước ma trận từ $468 \times 624$ điểm ảnh xuống còn $30 \times 39$ điểm ảnh, giúp giảm hơn 99,6% khối lượng tính toán đầu vào cho bộ phân loại nhưng vẫn duy trì đầy đủ các thành phần năng lượng đặc trưng của bọt khí.
3. Sự vượt trội của toán tử Canny so với các toán tử gradient cổ điển: So sánh trực quan và định lượng giữa các bộ lọc Roberts, Prewitt, Sobel và Canny cho thấy Canny khử nhiễu hạt và loại bỏ biên giả vượt trội. Các toán tử Sobel và Prewitt giữ lại quá nhiều đường biên giả từ gợn sóng bề mặt, trong khi cơ chế ngưỡng kép của Canny chỉ lưu giữ lại các đường bao bọt khí thực sự rõ nét.
4. Độ chính xác phân lớp tuyệt đối của mô hình Canny kết hợp SVM: Khi triển khai trên môi trường Visual Studio C++ cùng thư viện mã nguồn mở OpenCV, mô hình Canny-SVM đạt độ chính xác nhận dạng đúng 100% trên toàn bộ 35.220 frame ảnh kiểm thử từ 4 trạm quan trắc thực tế, không ghi nhận bất kỳ trường hợp dương tính giả hay âm tính giả nào.

Phương pháp trích chọn đặc trưng	Kích thước vector đặc trưng	Thời gian xử lý trung bình/khung hình	Tỷ lệ nhận dạng chính xác (%)
Entropy + Fuzzy Logic + Wavelet Haar	$30 \times 39$ (1.170 phần tử)	~120 ms (trên tập 100 frame)	98,75%
Toán tử Gradient Sobel / Prewitt	Kích thước gốc ($468 \times 624$)	~45 ms	86,50%
Bộ lọc Canny tối ưu	Vector biên nhị phân chuẩn hóa	~15 ms	100,00%

Thảo luận kết quả

Hiệu năng hoàn hảo của mô hình Canny-SVM bắt nguồn từ sự tương phản sắc nét giữa bọt khí sủi bọt trắng xóa và mặt nước phẳng màu sẫm. Khi sục khí, bọt khí tạo ra vô số biến thiên gradient cường độ sáng cục bộ theo cả hai trục tọa độ $G_x$ và $G_y$. Thuật toán Canny với bước làm mịn Gaussian loại bỏ các nhiễu tần số cao, sau đó định vị chính xác vị trí cực đại đạo hàm bậc nhất, tạo nên tập vector biên có độ phân tách hình học rõ rệt trong không gian đặc trưng.

So sánh với một số công trình nghiên cứu sử dụng mạng nơ-ron nhân tạo đa lớp (ANN) hoặc thuật toán Perceptron cổ điển (PLA), SVM thể hiện ưu thế vượt trội về tính ổn định. Nhờ nguyên lý tối đa hóa khoảng cách biên (Maximum Margin Classifier), siêu phẳng phân cách do SVM thiết lập không bị thiên lệch về phía bất kỳ lớp dữ liệu nào, hạn chế tối đa sai số tổng quát hóa. Dữ liệu thử nghiệm có thể được biểu diễn trực quan qua biểu đồ phân tán 2D của các điểm hỗ trợ (Support Vectors) và biểu đồ đường biểu diễn sự biến thiên của chỉ số lỗi bình phương trung bình (MSE) cũng như tỷ số tín hiệu trên nhiễu đỉnh (PSNR) qua từng frame ảnh, minh chứng cho tính ưu việt của phương pháp đề xuất.

Đề xuất và khuyến nghị

Nhằm chuyển hóa kết quả nghiên cứu thành ứng dụng thực tiễn tại các khu công nghiệp và đô thị, 4 nhóm giải pháp kỹ thuật và quản lý được đề xuất cụ thể như sau:

• Tích hợp module nhận dạng Canny-SVM vào hệ thống camera giám sát thông minh: Đơn vị quản lý trạm quan trắc môi trường cần phối hợp với các kỹ sư phần mềm nhúng để nạp trực tiếp mô hình phân lớp C++ OpenCV vào các thiết bị Edge AI hoặc đầu ghi mạng NVR trong vòng 6 tháng tới, hướng tới mục tiêu tự động phát hiện sự cố sục khí với độ trễ dưới 2 giây.
• Quy chuẩn hóa điều kiện lắp đặt và chiếu sáng camera tại bể sinh học: Doanh nghiệp vận hành hệ sinh thái xử lý nước thải cần thiết lập góc quay camera cố định nghiêng từ 45 đến 60 độ so với mặt bể và bổ sung hệ thống đèn chiếu sáng hồng ngoại ban đêm trong quý 3 năm 2020, nhằm giảm thiểu tối đa hiện tượng lóa sáng và dao động sóng mặt nước xuống dưới mức 5%.
• Tối ưu hóa thuật toán xử lý luồng video đa nhiệm: Nhóm phát triển phần mềm cần áp dụng kỹ thuật xử lý song song đa luồng (Multi-threading) và tính toán trên GPU trong vòng 12 tháng, đảm bảo hệ thống có thể giám sát đồng thời từ 16 đến 32 bể nuôi vi sinh trên cùng một máy chủ trung tâm với mức tiêu hao tài nguyên CPU duy trì dưới 40%.
• Xây dựng bộ chỉ số cảnh báo sớm tích hợp tin nhắn SMS/Email: Cơ quan quản lý môi trường cấp tỉnh cần ban hành quy chế cảnh báo tự động trước năm 2021, quy định hệ thống phải tự động kích hoạt còi báo động tại chỗ và gửi thông báo khẩn cấp đến ban quản lý khi phát hiện bể mất bọt khí liên tục trong quá 10 giây.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn mang lại giá trị học thuật và ứng dụng sâu sắc cho 4 nhóm đối tượng trọng tâm:

• Kỹ sư thị giác máy tính và trí tuệ nhân tạo: Nắm bắt quy trình trích chọn đặc trưng kết hợp độ đo Entropy, xử lý mờ Fuzzy Logic, biến đổi Wavelet Haar và kỹ thuật phân lớp SVM ứng dụng trực tiếp vào bài toán xử lý video thời gian thực.
• Cán bộ quản lý và vận hành trạm quan trắc môi trường: Tiếp cận giải pháp công nghệ tự động hóa khâu giám sát bể hiếu khí, giúp bảo vệ an toàn hệ sinh vật xử lý nước thải và giảm thiểu rủi ro vi phạm quy chuẩn xả thải môi trường.
• Học viên cao học và nghiên cứu sinh ngành Hệ thống thông tin, Khoa học máy tính: Sử dụng làm tài liệu tham khảo mẫu mực về phương pháp nghiên cứu thực nghiệm, kỹ thuật xử lý dữ liệu ảnh y sinh/môi trường và xây dựng mô hình tối ưu hóa toán học.
• Các nhà phát triển hệ thống nhúng và giải pháp IoT công nghiệp: Tham khảo mã nguồn, kiến trúc tích hợp thư viện OpenCV C++ và phương pháp giảm chiều dữ liệu để tối ưu hóa hiệu năng trên các vi điều khiển hoặc máy tính nhúng chuyên dụng.

Câu hỏi thường gặp

1. Tại sao kích thước mỗi tập mẫu trong phương pháp Entropy lại được cố định là 100 khung hình?

Tốc độ ghi hình của camera quan sát tại trạm là 8 khung hình/giây, do đó 100 khung hình tương đương với khoảng 12,5 giây thực tế. Khoảng thời gian này hoàn toàn tối ưu để hệ thống phân tích sự biến thiên Entropy của dòng bọt khí và đưa ra cảnh báo kịp thời trước khi vi sinh vật bị tổn thương (ngưỡng chết do thiếu oxy là 15 đến 16 giây).

2. Phép biến đổi Wavelet Haar đóng vai trò gì trong chuỗi tiền xử lý đặc trưng?

Biến đổi Wavelet Haar 4 mức giúp nén ma trận ảnh gốc từ kích thước $468 \times 624$ pixel xuống còn $30 \times 39$ pixel. Quá trình này giúp giảm bớt hơn 99% dung lượng dữ liệu và loại bỏ các thành phần nhiễu không mong muốn, từ đó tăng tốc độ huấn luyện mô hình SVM gấp nhiều lần mà vẫn giữ lại trọn vẹn thông tin đặc trưng của bọt khí.

3. Nguyên nhân nào giúp bộ lọc Canny vượt trội hơn các toán tử Sobel, Prewitt và Roberts?

Bộ lọc Canny tích hợp bộ lọc Gaussian để làm mịn ảnh, sử dụng kỹ thuật khử phi cực đại để làm mảnh đường biên và áp dụng ngưỡng kép (ngưỡng cao và ngưỡng thấp). Nhờ vậy, Canny loại bỏ triệt để các đường biên giả tạo ra bởi sóng nước hoặc bóng phản chiếu, chỉ giữ lại các đường biên cấu trúc sắc nét của bọt khí.

4. Thuật toán SVM giải quyết bài toán phân loại hai lớp bọt khí như thế nào?

SVM chuyển đổi các vector đặc trưng ảnh vào không gian đa chiều và tìm kiếm một siêu phẳng phân tách $w \cdot x - b = 0$ có khoảng cách lề cực đại (Margin $= \frac{2}{|w|}$). Các mẫu ảnh có bọt khí được gán nhãn $+1$ và mẫu không có bọt khí được gán nhãn $-1$, đảm bảo ranh giới phân loại rạch ròi và loại bỏ nguy cơ phân lớp sai.

5. Giải pháp xây dựng trong luận văn có thể triển khai trên các camera có sẵn không?

Hoàn toàn khả thi. Giải pháp được lập trình tối ưu bằng ngôn ngữ C++ trên nền tảng thư viện mã nguồn mở OpenCV, dễ dàng đóng gói thành dịch vụ chạy nền kết nối trực tiếp với luồng dữ liệu RTSP từ các camera IP hoặc đầu ghi NVR sẵn có tại các trạm quan trắc mà không cần đầu tư lại phần cứng.

Kết luận

• Đề tài đã xây dựng thành công khung giải pháp xử lý ảnh và học máy hoàn chỉnh phục vụ tự động hóa giám sát quá trình sục khí trong bể nuôi vi sinh tại các trạm quan trắc môi trường.
• Đề xuất hai hướng trích chọn đặc trưng hiệu quả cao: kết hợp độ đo Entropy - Fuzzy Logic - Wavelet Haar và ứng dụng bộ lọc biên Canny tối ưu.
• Thực nghiệm trên hơn 35.000 khung hình video từ 4 trạm quan trắc tại tỉnh Bình Dương khẳng định mô hình Canny kết hợp SVM đạt độ chính xác nhận dạng tuyệt đối 100%.
• Kế hoạch tiếp theo tập trung vào việc tối ưu hóa thuật toán nhúng trên phần cứng biên và mở rộng tập dữ liệu cho các điều kiện thời tiết phức tạp trong giai đoạn 2020-2022.
• Các đơn vị quản lý trạm quan trắc môi trường và doanh nghiệp sản xuất nên sớm ứng dụng giải pháp Canny-SVM để nâng cao hiệu quả giám sát tự động và bảo vệ môi trường nước bền vững.

Trích đoạn nội dung tài liệu

Chương 1: TỔNG QUAN VỀ XỬ LÝ VÀ NHẬN DẠNG ẢNH 1. CÁC KHÁI NIỆM CƠ BẢN VỀ ẢNH 1. Khái niệm về ảnh (Image) Ảnh trắng đen là một hàm hai chiều của cường độ sáng f(x,y), trong đó x và y là các toạ độ không gian và giá trị của hàm f tại một điểm (x,y) tỷ lệ với cường độ sáng của ảnh tại điểm đó. Ảnh màu thì f là một vector mà mỗi thành phần của vector đó chỉ ra cường độ sáng của ảnh tại điểm (x,y) đó tương ứng với dải màu.

Ảnh số là một ảnh mà hàm f(x,y) của nó đã được rời rạc hoá theo cả toạ độ không gian và cường độ sáng của nó. Số điểm ảnh xác định độ phân giải của ảnh. Ảnh có độ phân giải càng cao thì càng thể hiện rõ nét các đặt điểm của tấm hình càng làm cho tấm ảnh trở nên thực và sắc nét hơn. Nếu là ảnh trắng đen thì nó được biểu diễn theo một mảng hai chiều, còn nếu là một ảnh màu thì nó được biểu diễn theo một chuỗi các mảng hai chiều mà mỗi mảng hai chiều đó tương ứng với một dải màu.

Giá trị cường độ sáng đã được số hoá được gọi là giá trị mức xám. Điểm ảnh (Picture element hay Pixel) Ảnh trong thực tế là một ảnh liên tục về không gian và về giá trị độ sáng. Để có thể xử lý ảnh bằng máy tính cần thiết phải tiến hành số hóa ảnh. Theo tài liệu [4], số hoá ảnh là sự biến đổi gần đúng một ảnh liên tục thành một tập điểm phù hợp với ảnh thật về vị trí (không gian) và độ sáng (mức xám).

Khoảng cách giữa các điểm ảnh đó được thiết lập sao cho mắt người không phân biệt được ranh giới giữa chúng. Mỗi một điểm như vậy gọi là điểm ảnh (Picture element) hay gọi tắt là Pixel. Trong khuôn khổ ảnh hai chiều, mỗi điểm ảnh ứng với cặp tọa độ (x,y). Cũng theo [4], có thể định nghĩa: Điểm ảnh là một phần tử của ảnh số tại toạ độ (x,y) với độ xám hoặc màu nhất định.

Kích thước và khoảng cách giữa các điểm ảnh đó được chọn thích hợp sao cho mắt người cảm nhận sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần như ảnh thật. Mỗi phần tử trong ma trận được gọi là một phần tử ảnh. Ảnh được xem như là một tập hợp các điểm ảnh. Khi được số hóa, nó thường được biểu diễn bởi mảng 2 chiều.

Ví dụ: Giả sử ta có ảnh I(m*n): tức ảnh gồm m dòng và n cột và có m*n điểm ảnh. Một điểm ảnh có thể được biểu diễn bằng 1, 4, 8, 24 bits. Mỗi thành phần của mảng được gọi là một phần tử ảnh hay còn gọi là điểm ảnh và nó được biểu diễn như sau: f(0,0) f(0,1) … f(0, n) f(1. Độ phân giải ảnh (Image resolution) Độ phân giải của ảnh (Image resolution) là mật độ điểm ảnh được ấn định trên một ảnh số được hiển thị.

Theo định nghĩa trong [4], khoảng cách giữa các điểm ảnh phải được chọn sao cho mắt người vẫn có thể thấy được sự liên tục của ảnh. Việc lựa chọn khoảng cách thích hợp tạo nên một mật độ phân bổ, đó chính là độ phân giải và được phân bố theo trục x và y trong không gian hai chiều. Độ phân giải ảnh biểu diễn mức độ chi tiết của ảnh mà chúng ta có thể nhìn rõ đối tượng. Khi thay đổi các giá trị kích thước ảnh và mức xám thì sẽ có các hiện tượng thay đổi khác nhau.

Xong thực tế cho thấy khi giữ nguyên kích thước ảnh và tăng số mức xám lên thì sẽ thể hiện rõ hơn mức độ chi tiết trong ảnh. Ví dụ: Độ phân giải của ảnh trên màn hình CGA (Color Graphic Adaptor) là một lưới điểm theo chiều ngang màn hình: 320 điểm chiều dọc * 200 điểm ảnh (320*200). Như vậy, với màn hình CGA 12” ta nhận thấy mịn hơn màn hình CGA 17” với cùng độ phân giải là 320*200, vì cùng một mật độ phân giải nhưng diện tích màn hình rộng hơn thì độ mịn (liên tục của các điểm) sẽ kém hơn. Cường độ sáng của một ảnh tại một điểm ảnh (Brightness intensity) Mỗi điểm ảnh của một ảnh tương ứng với một phần của một đối tượng vật lý tồn tại trong thế giới thực.

Đối tượng vật lý này được chiếu sáng bởi một vài tia sáng mà tia sáng này bị phản xạ một phần hay hấp thụ một phần khi chiếu lên đối tượng vất lý đó. Phần ánh sáng phản xạ lại đi tới các bộ cảm biến được sử dụng để tạo ảnh cảm nhận và tạo ra các giá trị ghi nhận được đối tượng đối với từng điểm ảnh. Giá trị thu nhận được phụ thuộc vảo phổ ánh sáng phản xạ. Giá trị cường độ sáng của các điểm ảnh khác nhau chỉ có ý nghĩa tương đối mà không có ý nghĩa trong các toán hạng tuyệt đối.

Ví dụ: Giả sử ta có ảnh I với kích thước m*n và số nguyên c. Khi đó, kỹ thuật tăng/giảm độ sáng ảnh được thể hiện: I[m,n] = I[m,n] + c; với mọi (m,n). Nếu c>0 thì ảnh sáng lên và c<0 thì ảnh tối đi. Mức xám của ảnh (Gray image) Theo [4], một điểm ảnh có hai đặc trưng cơ bản là vị trí (x,y) của điểm ảnh và độ xám của nó.

Mức xám của ảnh (Gray image) là kết quả của sự biến đổi tương ứng 1 giá trị độ sáng của 1 điểm ảnh với 1 giá trị nguyên dương. Thông thường nó xác định trong phạm vi là [0, 255] tuỳ thuộc vào giá trị mà mỗi điểm ảnh được biểu diễn. Các thang giá trị mức xám thông thường là: 16, 32, 64, 128, 256. Mức 256 là mức phổ dụng, vì từ kỹ thuật máy tính dùng 1 byte (8 bit) để biểu diễn mức xám nên mức xám dùng 1 byte biểu diễn: 28=256 mức, tức là từ 0 đến 255.

Như vậy, ảnh xám là ảnh mà các điểm ảnh có mức xám nằm trong khoảng từ 0 đến 255. Nếu ảnh được lưu trữ dưới dạng một mảng hai chiều với kích thước NxN và có 2m mức xám thì số bits cần thiết để lưu trữ ảnh là: b = N * N * 2m 4 Ví dụ: Một ảnh có kích thước 512 * 512 với 256 mức xám (tức m=8) thì cần số bits lưu trữ sẽ là: 512 * 512 * 256 = 2. Ảnh nhị phân (Binary image) Ảnh nhị phân (Binary image) là ảnh chỉ có 2 mức đen trắng phân biệt, tức chỉ dùng 1 bit để mô tả 21 mức khác nhau. Mỗi điểm ảnh của ảnh nhị phân chỉ có thể là 0 hoặc 1.

Đối với ảnh xám, giá trị xám nằm trong phạm vi từ 0 đến 255. Như vậy mỗi điểm ảnh trong ảnh nhị phân được biểu diễn bởi 1 byte. Ảnh màu (Color image) Ảnh màu (Color image) là ảnh tổ hợp từ ba màu cơ bản là đỏ (Red), xanh lơ (Blue) và xanh lục (Green) để tạo nên thế giới màu, người ta thường dùng 3 byte để mô tả mức màu, khi đó các giá trị màu: 28*3 = 224 ≈ 16,7 triệu màu. Một số hệ màu như: hệ màu RGB, hệ màu CMY, hệ màu CMYK, vv.

Quan hệ giữa các điểm ảnh  Lân câṇ của điểm ảnh (Image neighbrs): Giả sử có điểm ảnh p tại tọa độ (x,y), p có các lân câṇ gần nhất theo chiều ngang và dọc là: (x+1,y), (x-1,y), (x,y+1), (x,y-1). Mỗi điểm ảnh có khoảng cách đơn vị đến (x,y), và nếu (x,y) nằm trên biên của ảnh thì lân cận của nó có thể nằm ngoài ảnh. Các lân cận chéo của p có tọa độ: (x+1,y+1), (x+1,y-1), (x-1,y+1), (x-1,y-1). Tập lân cận chéo được ký hiệu là NP(p).

Tập lân cận chéo cùng với lân cận 4 tạo thành lân cận 8 của p, ký hiệu là: N8(p) như sau: (x-1, y-1) (x, y-1) (x+1, y-1) (x-1, y) (x, y) (x+1, y)  Các mối liên kết điểm ảnh: Theo [4], để xác điṇh tính liên thông của hai điểm ảnh, chúng cần thỏa mãn rằng: chúng phải là các lân cận và các cấp xám phải thỏa mãn tiêu chuẩn đề ra về tính tương tư. Ví dụ: Trong ảnh nhi ̣phân với các giá tri ̣là 0 và 1, hai điểm ảnh có thể là 4 lân câṇ, nhưng chúng chỉ đươc ̣ goị là liên thông nếu và chỉ nếu chúng có các giá trị bằng nhau. Các mối liên kết được sử dụng để xác định giới hạn của đối tượng vật thể hoặc xác định vùng trong một ảnh. Một liên kết được đặc trưng bởi tính liền kề giữa các điểm và mức xám của chúng.

Cho V là môṭ tâp ̣ các giá tri ̣cấp xám dùng để xác định tính liền kề trong ảnh, ta có ba loại liền kề sau: + Liên kết 4: hai điểm ảnh p và q với giá tri ̣từ V là liên kết 4 nếu q thuôc ̣ tâp̣ N4(p) + Liên kết 8: hai điểm ảnh p và q với giá tri ̣từ V là liên kết 8 nếu q thuôc ̣ tâp̣ N8(p) 5 + Liên kết m (liên kết hỗn hơp):̣ hai điểm p và q vớ i giá tri ̣từ V là liên kết m nếu thỏa mãn môṭ trong hai điều kiêṇ sau: - Một là: q thuộc N4(p) - Hai là: q thuộc NP(p) 1. Biên ảnh (Image boundary) Biên ảnh là một vấn đề chủ yếu trong phân tích ảnh, vì các kỹ thuật phân đoạn ảnh chủ yếu dựa vào biên. Theo [3], một điểm ảnh có thể coi là điểm biên nếu ở đó có sự thay đổi mạnh một cách đột ngột về mức xám. Tập hợp các điểm biên tạo thành biên hay đường bao ảnh của ảnh (Boundary).

Hay nói cách khác, đường biên ảnh là nơi mà các điểm ảnh lân cận nhau có cường độ thay đổi mạnh một cách đột ngột. Ví dụ: Trong một ảnh nhị phân, một điểm có thể gọi là biên nếu đó là điểm đen và có ít nhất một điểm trắng là lân cận. GIỚI THIỆU CHUNG VỀ XỬ LÝ VÀ NHẬN DẠNG ẢNH Cũng như xử lý dữ liệu bằng đồ hoạ, xử lý ảnh là một lĩnh vực của tin học ứng dụng. Xử lý dữ liệu bằng đồ họa đề cập đến những ảnh nhân tạo, các ảnh này được xem xét như là một cấu trúc dữ liệu và được tạo ra bởi các chương trình.

Xử lý ảnh bao gồm các phương pháp và kỹ thuật để biến đổi, để truyền tải hoặc mã hóa các ảnh tự nhiên. Mục đích của xử lý ảnh gồm: - Thứ nhất: Biến đổi ảnh và làm đẹp ảnh. - Thứ hai: Tự động nhận dạng hay đoán nhận ảnh và đánh giá các nội dung của ảnh. Thực hiện xử lý ảnh thường theo nguyên tắc: xử lý thông qua việc sử dụng hàm biến đổi ảnh.

Biến đổi ảnh là quá trình thực hiện thông qua các toán tử.