Luận văn thạc sĩ về hệ thống kiểm tra chiết rót chai tự động

Luận văn thạc sĩ nghiên cứu nghiên cứu hệ thống kiểm tra chiết rót chai tự động, khảo sát thực trạng, phân tích nguyên nhân, đề xuất giải pháp cải thiện thực tiễn.

• Tác giả: Trần Thiên Nam
• Người hướng dẫn: GVCC. Nguyễn Trọng Doanh
• Trường học: Trường Đại Học Bách Khoa Hà Nội
• Chuyên ngành: Kỹ Thuật Cơ Điện Tử
• Đề tài: Nghiên Cứu Hệ Thống Kiểm Tra Chiết Rót Chai Tự Động
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• TÓM TẮT NỘI DUNG LUẬN VĂN
• MỤC LỤC
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Tính cấp thiết của đề tài
• 1.2. Mục tiêu đề tài
• 1.3. Nội dung của luận văn
• 2. CHƯƠNG 2: TỔNG QUAN VỀ XỬ LÝ ẢNH
• 2.1. Cơ bản về xử lý ảnh
• 2.2. Các kĩ thuật lọc nhiễu trong ảnh
• 2.2.1. Nguyên tắc chung của lọc ảnh
• 2.2.2. Một số bộ lọc làm mịn ảnh
• 2.3. Các kĩ thuật dò cạnh
• 2.3.1. Khái quát về dò cạnh
• 2.3.2. Các phương pháp dò cạnh
• 2.3.3. Kĩ thuật hình thái học (Morphological technique)
• 3. CHƯƠNG 3: MỘT SỐ KĨ THUẬT THUẬT TOÁN PHÁT HIỆN VÀ NHẬN DẠNG ĐỐI TƯỢNG
• 3.1. Tổng quát chung khái niệm nhận dạng đối tượng
• 3.2. Các thuật toán chính để phát hiện và nhận dạng đối tượng
• 3.2.1. Lớp các mô hình họ R-CNN
• 3.2.2. Lớp các mô hình họ YOLO
• 3.2.3. SSD máy dò Multi-Box
• 4. CHƯƠNG 4: MÔ HÌNH YOLO TRONG BÀI TOÁN NHẬN DẠNG ĐỐI TƯỢNG
• 4.1. Giới thiệu khái quát thuật toán
• 4.2. Tổng quát mô hình của thuật toán
• 4.2.1. CNN cho YOLO object detection
• 4.3. Hàm lỗi Loss Function
• 4.3.1. Classification Loss
• 4.3.2. Localization Loss
• 4.3.3. Confidence Loss
• 4.4. Dự đoán lớp và tọa độ boundary box sau quá trình training
• 5. CHƯƠNG 5: THUẬT TOÁN NHẬN DẠNG LỖI CHAI
• 5.1. Cấu trúc phần cứng của hệ thống
• 5.1.1. Tổng quan hệ thống
• 5.2. Hệ xử lý ảnh trong hệ thống
• 5.2.1. Xây dựng thuật toán phân loại chai coca
• 5.3. Phương pháp
• 5.3.1. Phương pháp 1: Sử dụng thuật toán Template Matching
• 5.3.2. Phương pháp 2: Thuật toán sử dụng Edge Detection (tìm biên cạnh)
• 5.3.3. Phương pháp 3 được đề xuất trong bài toàn của luận văn (kết hợp giữa thuật toán YOLO trong neural network và edge detection sử dụng trong phương pháp 2)
• 5.3.4. Phân tích kết quả đã đạt được của phương pháp đề xuất
• 6. CHƯƠNG 6: KẾT LUẬN CHUNG VÀ HƯỚNG PHÁT TRIỂN CỦA LUẬN VĂN
• 6.1. Kết luận chung
• 6.2. Hướng phát triển của luận văn

Tóm tắt

I. Giới thiệu về hệ thống kiểm tra chiết rót chai tự động

Hệ thống kiểm tra chiết rót chai tự động là một phần quan trọng trong quy trình sản xuất hiện đại. Hệ thống kiểm tra này không chỉ giúp đảm bảo chất lượng sản phẩm mà còn nâng cao hiệu quả sản xuất. Việc tự động hóa quy trình kiểm tra giúp giảm thiểu sai sót do con người và tăng tốc độ kiểm tra. Hệ thống này thường sử dụng các công nghệ như xử lý ảnh và học sâu để phát hiện lỗi trong chai. Theo nghiên cứu, việc áp dụng công nghệ này có thể đạt được độ chính xác lên đến 95%. Điều này cho thấy tầm quan trọng của việc phát triển và tối ưu hóa công nghệ chiết rót trong ngành công nghiệp sản xuất nước giải khát.

1.1. Tính cấp thiết của nghiên cứu

Trong bối cảnh công nghiệp hóa và hiện đại hóa, việc tự động hóa quy trình sản xuất là rất cần thiết. Ngành sản xuất nước ngọt đóng chai yêu cầu độ chính xác cao và khử trùng tuyệt đối. Do đó, việc nghiên cứu và phát triển hệ thống kiểm tra là một giải pháp quan trọng. Hệ thống này không chỉ giúp phát hiện lỗi mà còn đảm bảo chất lượng sản phẩm, từ đó nâng cao uy tín của thương hiệu. Việc áp dụng công nghệ xử lý ảnh trong kiểm tra chất lượng sản phẩm sẽ mở ra nhiều cơ hội cho việc cải tiến quy trình sản xuất và nâng cao hiệu quả kinh tế.

II. Tổng quan về xử lý ảnh trong kiểm tra chai

Xử lý ảnh là một lĩnh vực quan trọng trong việc phát triển hệ thống kiểm tra. Các giai đoạn của quá trình xử lý ảnh bao gồm thu nhận, xử lý trước, phân đoạn và phân loại ảnh. Mỗi giai đoạn đều có vai trò quan trọng trong việc đảm bảo chất lượng hình ảnh đầu vào cho hệ thống. Việc áp dụng các kỹ thuật lọc nhiễu giúp cải thiện chất lượng ảnh, từ đó nâng cao khả năng phát hiện lỗi. Các phương pháp như lọc Gauss và lọc trung vị được sử dụng phổ biến để loại bỏ nhiễu và làm mịn ảnh. Điều này giúp cho việc nhận dạng và phát hiện lỗi trong chai trở nên chính xác hơn.

2.1. Các kỹ thuật lọc nhiễu trong ảnh

Các kỹ thuật lọc nhiễu trong ảnh đóng vai trò quan trọng trong việc cải thiện chất lượng hình ảnh. Lọc trung bình và lọc Gauss là hai phương pháp phổ biến. Lọc trung bình giúp làm mịn ảnh nhưng không hoàn toàn loại bỏ được nhiễu. Trong khi đó, lọc Gauss được cho là hiệu quả nhất trong việc xử lý ảnh, giúp giảm thiểu nhiễu mà vẫn giữ lại các chi tiết quan trọng. Việc áp dụng các kỹ thuật này trong hệ thống kiểm tra giúp nâng cao độ chính xác trong việc phát hiện lỗi, từ đó cải thiện quy trình sản xuất.

III. Các thuật toán phát hiện và nhận dạng đối tượng

Các thuật toán phát hiện và nhận dạng đối tượng là phần cốt lõi trong hệ thống kiểm tra chiết rót chai tự động. Các mô hình như R-CNN, YOLO và SSD được sử dụng để phát hiện và phân loại các lỗi trong chai. Mô hình YOLO, với khả năng xử lý nhanh và chính xác, đã được chứng minh là hiệu quả trong việc nhận dạng đối tượng trong thời gian thực. Việc áp dụng các thuật toán này không chỉ giúp phát hiện lỗi mà còn tối ưu hóa quy trình sản xuất, giảm thiểu thời gian kiểm tra và nâng cao hiệu quả sản xuất.

3.1. Mô hình YOLO trong nhận dạng đối tượng

Mô hình YOLO (You Only Look Once) là một trong những thuật toán tiên tiến nhất trong lĩnh vực nhận dạng đối tượng. YOLO cho phép phát hiện nhiều đối tượng trong một bức ảnh chỉ trong một lần duy nhất, điều này giúp tiết kiệm thời gian và tăng cường hiệu suất. Mô hình này sử dụng mạng nơ-ron sâu để phân tích hình ảnh và đưa ra dự đoán về vị trí và loại đối tượng. Việc áp dụng YOLO trong hệ thống kiểm tra giúp nâng cao độ chính xác và khả năng kiểm tra trực tuyến, từ đó đảm bảo chất lượng sản phẩm.

IV. Kết quả nghiên cứu và ứng dụng thực tiễn

Kết quả nghiên cứu cho thấy việc kết hợp giữa mạng nơ-ron YOLO và các phương pháp truyền thống như tìm biên cạnh đã đạt được những thành công đáng kể. Độ chính xác của hệ thống có thể đạt tới 95%, cho phép ứng dụng trong sản xuất tự động. Hệ thống kiểm tra trên chai Cocacola đã được thực nghiệm và cho kết quả khả quan. Việc áp dụng công nghệ này không chỉ giúp phát hiện lỗi mà còn tiết kiệm thời gian xử lý, từ đó nâng cao hiệu quả sản xuất. Điều này chứng tỏ giá trị thực tiễn của nghiên cứu trong việc cải tiến quy trình sản xuất.

4.1. Đánh giá hiệu suất hệ thống

Đánh giá hiệu suất của hệ thống kiểm tra là một yếu tố quan trọng trong nghiên cứu. Kết quả thực nghiệm cho thấy hệ thống có khả năng phát hiện lỗi với độ chính xác cao. Việc áp dụng các thuật toán hiện đại như YOLO đã giúp cải thiện đáng kể hiệu suất kiểm tra. Hệ thống không chỉ hoạt động hiệu quả trong môi trường sản xuất mà còn có khả năng mở rộng ứng dụng cho các dây chuyền sản xuất khác. Điều này cho thấy tiềm năng lớn của công nghệ trong việc nâng cao chất lượng sản phẩm và tối ưu hóa quy trình sản xuất.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh công nghiệp hiện đại, tự động hóa đóng vai trò then chốt trong việc nâng cao hiệu quả sản xuất và đảm bảo chất lượng sản phẩm. Đặc biệt, ngành sản xuất nước ngọt đóng chai đòi hỏi quy trình khép kín, chính xác và khử trùng tuyệt đối. Theo ước tính, việc kiểm tra chất lượng chai sau quá trình chiết rót chiếm tỷ trọng quan trọng trong dây chuyền sản xuất, ảnh hưởng trực tiếp đến độ tin cậy và an toàn sản phẩm. Luận văn tập trung nghiên cứu hệ thống kiểm tra chiết rót chai tự động, ứng dụng công nghệ xử lý ảnh và học sâu nhằm phát hiện lỗi trên chai nước ngọt, cụ thể là chai Coca-Cola.

Mục tiêu chính của nghiên cứu là phát triển một thuật toán nhận dạng lỗi chai với độ chính xác cao, đồng thời đảm bảo khả năng kiểm tra trực tuyến, tiết kiệm thời gian xử lý. Phạm vi nghiên cứu tập trung vào hệ thống kiểm tra trên dây chuyền sản xuất tại Việt Nam, với dữ liệu thực nghiệm thu thập từ chai Coca-Cola. Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao hiệu quả kiểm soát chất lượng, giảm thiểu sai sót trong sản xuất và góp phần thúc đẩy tự động hóa trong ngành công nghiệp chế biến nước giải khát.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: xử lý ảnh kỹ thuật số và học sâu (Deep Learning) trong nhận dạng đối tượng.

1. Xử lý ảnh kỹ thuật số: Bao gồm các bước thu nhận ảnh, xử lý trước (lọc nhiễu, tăng cường ảnh), phân đoạn ảnh, trích xuất đặc trưng và phân loại. Các kỹ thuật lọc nhiễu như lọc Gauss, lọc trung vị và các phương pháp dò cạnh (Robert Cross, Sobel, Canny) được áp dụng để làm rõ biên cạnh và giảm nhiễu ảnh. Phép toán hình thái học (giãn nở, co, đóng) giúp loại bỏ nhiễu và làm nổi bật các đặc điểm quan trọng trên ảnh.

2. Mô hình YOLO (You Only Look Once): Là mạng nơ-ron tích chập (CNN) được sử dụng để phát hiện và nhận dạng đối tượng trong ảnh với tốc độ nhanh và độ chính xác cao. YOLO chia ảnh thành lưới ô vuông, dự đoán bounding box và nhãn lớp cho từng ô, sử dụng hàm lỗi tổng hợp giữa phân loại, định vị và độ tin cậy. Mô hình này phù hợp với yêu cầu kiểm tra trực tuyến trên dây chuyền sản xuất.

Các khái niệm chính bao gồm: bounding box, Intersection over Union (IoU) để đánh giá độ chính xác phát hiện, thuật toán non-maximal suppression để loại bỏ các dự đoán trùng lặp, và các thuật toán lọc ảnh để xử lý dữ liệu đầu vào.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là hình ảnh thu nhận từ hệ thống camera Basler có độ phân giải 1920x1080 px, tốc độ 26 fps, được lắp đặt trên dây chuyền sản xuất chai Coca-Cola. Camera được đặt cách đối tượng 250 mm, sử dụng ống kính tiêu cự 1.18 mm để đảm bảo vùng quan sát phù hợp.

Phương pháp nghiên cứu bao gồm:

• Thu thập dữ liệu hình ảnh thực tế từ dây chuyền sản xuất.
• Tiền xử lý ảnh bằng các bộ lọc Gauss, trung vị và kỹ thuật dò cạnh Canny để làm rõ biên và giảm nhiễu.
• Xây dựng và tối ưu thuật toán nhận dạng lỗi chai kết hợp mô hình YOLO và phương pháp tìm biên cạnh truyền thống.
• Thực nghiệm trên hệ thống kiểm tra chai Coca-Cola với cỡ mẫu khoảng vài trăm chai, đánh giá độ chính xác và tốc độ xử lý.
• Phân tích kết quả bằng các chỉ số như độ chính xác (accuracy), tốc độ xử lý (fps), và tỷ lệ phát hiện lỗi.

Timeline nghiên cứu kéo dài trong khoảng 6 tháng, từ khảo sát lý thuyết, xây dựng mô hình, đến thử nghiệm và đánh giá thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác phát hiện lỗi đạt 95%: Thuật toán kết hợp YOLO và dò biên cạnh truyền thống cho kết quả chính xác cao trong việc nhận dạng các lỗi phổ biến như thiếu nắp, lệch nhãn, và mực nước không đúng chuẩn trên chai Coca-Cola.

2. Tốc độ xử lý đáp ứng kiểm tra trực tuyến: Hệ thống xử lý ảnh hoạt động với tốc độ khoảng 26 khung hình mỗi giây, phù hợp với yêu cầu kiểm tra trên dây chuyền sản xuất tự động.

3. Hiệu quả lọc nhiễu và tăng cường ảnh: Sử dụng bộ lọc Gauss và Canny giúp làm rõ biên cạnh, giảm nhiễu ảnh, từ đó cải thiện độ chính xác nhận dạng lỗi lên khoảng 10% so với phương pháp chỉ dùng YOLO.

4. So sánh với các phương pháp truyền thống: Thuật toán Template Matching và Edge Detection đơn thuần có độ chính xác thấp hơn (khoảng 80-85%) và không đáp ứng được tốc độ xử lý trực tuyến, trong khi phương pháp kết hợp mạng nơ-ron và dò biên cạnh vượt trội về cả hai mặt.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác là do mô hình YOLO tận dụng khả năng học sâu để nhận dạng đa dạng các đặc điểm lỗi trên chai, đồng thời phương pháp dò biên cạnh giúp xác định chính xác vùng lỗi trong ảnh. Kết quả này phù hợp với các nghiên cứu trong ngành công nghiệp tự động hóa, cho thấy sự kết hợp giữa học sâu và xử lý ảnh truyền thống là hướng đi hiệu quả.

Biểu đồ kết quả thực nghiệm đo liên tiếp các chai trên dây chuyền mô phỏng thể hiện độ ổn định của hệ thống với tỷ lệ phát hiện lỗi duy trì trên 90% trong suốt quá trình kiểm tra. Bảng so sánh kết quả giữa ba phương pháp cho thấy phương pháp đề xuất có ưu thế vượt trội về độ chính xác và tốc độ.

Ý nghĩa của kết quả là hệ thống có thể ứng dụng thực tế trong sản xuất tự động, giảm thiểu sai sót do con người và nâng cao năng suất kiểm tra chất lượng.

Đề xuất và khuyến nghị

1. Triển khai hệ thống kiểm tra tự động trên dây chuyền sản xuất: Áp dụng thuật toán kết hợp YOLO và dò biên cạnh để kiểm tra lỗi chai, nhằm nâng cao độ chính xác lên trên 95% và giảm thiểu thời gian kiểm tra. Thời gian thực hiện trong vòng 6 tháng, do bộ phận kỹ thuật và quản lý sản xuất phối hợp thực hiện.

2. Nâng cấp hệ thống chiếu sáng và camera: Tối ưu cấu hình ánh sáng và sử dụng camera có độ phân giải cao hơn để cải thiện chất lượng ảnh đầu vào, từ đó nâng cao hiệu quả xử lý ảnh. Chủ thể thực hiện là phòng kỹ thuật, thời gian 3 tháng.

3. Phát triển thuật toán nhận dạng đa dạng lỗi hơn: Mở rộng phạm vi nhận dạng các lỗi khác như vết xước, biến dạng chai bằng cách huấn luyện thêm dữ liệu và cải tiến mô hình YOLO. Thời gian nghiên cứu và phát triển khoảng 9 tháng, do nhóm nghiên cứu AI đảm nhiệm.

4. Tích hợp hệ thống với phần mềm quản lý sản xuất: Kết nối dữ liệu kiểm tra với hệ thống ERP để theo dõi và phân tích chất lượng sản phẩm theo thời gian thực, giúp ra quyết định nhanh chóng. Thời gian triển khai 4 tháng, do phòng IT và quản lý sản xuất phối hợp.

Đối tượng nên tham khảo luận văn

1. Kỹ sư tự động hóa và cơ điện tử: Nhận được kiến thức chuyên sâu về ứng dụng xử lý ảnh và học sâu trong kiểm tra chất lượng sản phẩm, giúp thiết kế và vận hành hệ thống tự động hiệu quả.

2. Nhà quản lý sản xuất trong ngành nước giải khát: Hiểu rõ các giải pháp công nghệ mới nhằm nâng cao chất lượng sản phẩm và giảm thiểu lỗi trong dây chuyền đóng chai.

3. Nhà nghiên cứu và sinh viên ngành kỹ thuật cơ điện tử, công nghệ thông tin: Tham khảo phương pháp kết hợp xử lý ảnh truyền thống và mạng nơ-ron sâu trong bài toán thực tế, làm cơ sở cho các nghiên cứu tiếp theo.

4. Doanh nghiệp sản xuất và cung cấp thiết bị công nghiệp: Có thể ứng dụng kết quả nghiên cứu để phát triển sản phẩm mới, nâng cao tính cạnh tranh trên thị trường tự động hóa.

Câu hỏi thường gặp

1. Hệ thống kiểm tra chiết rót chai tự động hoạt động như thế nào?
   Hệ thống sử dụng camera tốc độ cao thu nhận hình ảnh chai trên dây chuyền, sau đó xử lý ảnh bằng thuật toán kết hợp mạng nơ-ron YOLO và dò biên cạnh để phát hiện lỗi như thiếu nắp, lệch nhãn, hoặc mực nước không đúng. Ví dụ, khi phát hiện chai thiếu nắp, hệ thống sẽ báo lỗi và kích hoạt cơ cấu loại bỏ chai lỗi.

2. Độ chính xác của thuật toán nhận dạng lỗi đạt được bao nhiêu?
   Thuật toán đề xuất đạt độ chính xác khoảng 95% trong việc phát hiện các lỗi phổ biến trên chai Coca-Cola, cao hơn đáng kể so với các phương pháp truyền thống chỉ đạt khoảng 80-85%.

3. Tốc độ xử lý của hệ thống có đáp ứng yêu cầu sản xuất không?
   Với tốc độ xử lý khoảng 26 khung hình mỗi giây, hệ thống hoàn toàn đáp ứng được yêu cầu kiểm tra trực tuyến trên dây chuyền sản xuất tự động, giúp không làm gián đoạn quá trình sản xuất.

4. Có thể áp dụng hệ thống này cho các loại chai khác không?
   Có thể, tuy nhiên cần thu thập dữ liệu hình ảnh và huấn luyện lại mô hình YOLO để phù hợp với đặc điểm hình dạng và lỗi của từng loại chai cụ thể.

5. Hệ thống có thể phát hiện những loại lỗi nào khác ngoài thiếu nắp và lệch nhãn?
   Ngoài các lỗi trên, hệ thống còn có khả năng phát hiện mực nước không đúng chuẩn, nắp chai bị lắp lệch, và có thể mở rộng để nhận dạng các lỗi bề mặt như vết xước hoặc biến dạng nếu được huấn luyện thêm.

Kết luận

• Luận văn đã phát triển thành công hệ thống kiểm tra chiết rót chai tự động ứng dụng công nghệ xử lý ảnh và mạng nơ-ron YOLO, đạt độ chính xác 95% và tốc độ xử lý 26 fps.
• Kết hợp phương pháp dò biên cạnh truyền thống giúp cải thiện độ chính xác và ổn định của hệ thống.
• Hệ thống được thử nghiệm thực tế trên dây chuyền sản xuất chai Coca-Cola, chứng minh tính khả thi và hiệu quả ứng dụng.
• Đề xuất các giải pháp nâng cấp hệ thống chiếu sáng, mở rộng nhận dạng lỗi và tích hợp với phần mềm quản lý sản xuất để tối ưu hóa hiệu quả.
• Các bước tiếp theo bao gồm triển khai thực tế, mở rộng phạm vi ứng dụng và nghiên cứu nâng cao thuật toán nhận dạng đa dạng lỗi hơn.

Hành động ngay hôm nay để nâng cao chất lượng sản xuất và tự động hóa dây chuyền của bạn bằng hệ thống kiểm tra chiết rót chai tự động tiên tiến!

Trích đoạn nội dung tài liệu

Mở đầu Chương 2: Tổng quan về xử lý ảnh Chương 3: Một số kĩ thuật thuật toán phát hiện và nhận dạng đối tượng Chương 4: Mô hình YOLO trong bài toán nhận dạng đối tượng Chương 5: Thuật toán nhận dạng lỗi chai Chương 6: Kết luận chung và hướng phát triển của luận văn 10 Luan van TỔNG QUAN VỀ XỬ LÝ ẢNH Cơ bản về xử lý ảnh Các giai đoạn của một quá trình xử lý ảnh Để có thể hình dung cấu hình một hệ thống xử lý ảnh chuyên dụng hay một hệ thống xử lý ảnh trong nghiên cứu, các bước cần thiết trong xử lý ảnh được xem xét như sau. Thu nhận Tách các Xử lý trước Phân đoạn Phân loại ảnh đặc tính Hình 2.1 Các giai đoạn của một quá trình xử lý ảnh Thu nhận ảnh Ảnh có thể thu nhận qua camera. Thường ảnh thu nhận qua camera là tín hiệu tương tự (loại camera ống kiểu CCIR), nhưng cũng có thể là tín hiệu số hoá (loại CCD - Charge Coupled Device). Ảnh cũng có thể thu nhận từ vệ tinh qua các bộ cảm ứng hay ảnh, tranh được quét trên scanner.

Sau đó được lưu trữ trong máy tính. Gồm có 2 quá trình: - Biến đổi năng lượng quang học sang năng lượng điện - Biến đổi năng lượng điện sang các ma trận. Xử lí trước Quá trình xử lí trước thực ra bao gồm nhiều công đoạn nhỏ. Trước hết là công việc tăng cường ảnh để nâng cao chất lượng ảnh.

Do những nguyên nhân khác nhau: có thể do chất lượng thiết bị thu nhận ảnh, do nguồn sáng hay do nhiễu, ảnh có thể bị suy biến. Do vậy cần phải tăng cường và khôi phục lại ảnh để làm nổi bật một số đặc tính chính của ảnh, hay làm cho ảnh gần giống nhất với trạng thái gốc (trạng thái trước khi ảnh bị biến dạng). Nhằm các mục đích phục vụ cho các bước tiếp theo. Những mục đích riêng biệt có thể đặt ra cho quá trình xử lý trước là: + Thực hiện điều chỉnh độ chiếu sáng để khắc phục hậu quả của sự chiếu sáng không đồng đều.

+ Giảm nhỏ thành phần nhiễu. + Cải thiện độ tương phản của ảnh màu do khuôn màu không tốt. + Hiệu chỉnh độ méo giá trị xám + Loại bỏ tính không đồng thể của ảnh gây nên từ tính không đồng bộ của lớp nhạy quang của hệ thống thu nhận ảnh. + Chuẩn hóa độ lớn, dạng và màu.

+ Điều chỉnh bộ lọc để khuyếch đại các tần số với những thông tin quan trọng được khuyếch đại và nén đi các tần số khác. 11 Luan van Phân đoạn Là quá trình phân chia các đối tượng cần khảo sát ra khỏi phần nội dung còn lại của ảnh, phân tách các đối tượng tiếp giáp nhau và phân tách những đối tượng riêng biệt thành những đối tượng con. Một phương pháp phân đoạn ảnh là sử dụng một ngưỡng giá trị xám để phân tách ảnh thành đối tượng và nền (những điểm dưới ngưỡng xám thuộc về nền, ngược lại thuộc về đối tượng). Tách ra các đặc tính Dựa trên các thông tin thu nhận được qua quá trình phân đoạn, kết hợp với các kỹ thuật xử lý để đưa ra các đặc trưng, đối tượng ảnh cũng như các thông tin cần thiết trong quá trình xử lý.

Nhờ các đặc tính có được từ ảnh ta có thể phân loại các đối tượng khác nhau của ảnh. Phân loại ảnh Thực hiện công việc sắp xếp một đối tượng vào một lớp đối tượng cho trước. Để giải quyết bài toán này thì các đặc tính có ý nghĩa phải được lựa chọn. Ta tìm thấy các đặc tính có ý nghĩa khi ta phân tích các mẫu được lựa chọn từ những đối tượng khác nhau.

Các kĩ thuật lọc nhiễu trong ảnh Nguyên tắc chung của lọc ảnh Nguyên tắc chung của các phương pháp lọc là cho ma trận ảnh nhân với một ma trận lọc (Kernel). Trong đó ma trận lọc lọc (Kernel) còn có thể được gọi là cửa số chập (trong phép nhân chập), cửa sổ lọc, mặt nạ…. Việc nhân ảnh với ma trận lọc giống như việc trượt ma trận lọc theo hàng trên ảnh và nhân với từng vùng của ảnh, cộng các kết quả lại tạo thành kết quả của điểm ảnh trung tâm. 12 Luan van Hình 2.2 Quy tắc nhân chập ma trận lọc kernel Ma trận đầu vào I được nhân với ma trận lọc (phần xám ở hình trái) để tạo thành ma trận đầu ra O.

Trên thực tế, hai phép lọc ảnh là tương quan (correlation) và tích chập (convolution). Với phép tương quan, ma trận lọc sẽ được trượt đi và nhân với từng vùng của ảnh như trên. Tuy nhiên với phép tích chập, ma trận lọc sẽ được xoay 180 độ (theo cả chiều ngang và dọc) trước khi thực hiện nhân. 2 phép toán này là tương đương khi ma trận lọc đối xứng.

Với mỗi phép lọc ta có những ma trận lọc (Kernel) khác nhau, không có một quy định cụ thể nào cho việc xác định M. Kích thước ma trận M là một số lẻ. Khi nhân các phần tử tương ứng với nhau (giữa pixel, các điểm lân cận – các thành phần trong kernel), đối với các phần tử ở cạnh thì sẽ có một số pixel bị khuyết, lúc này, có nhiều cách giải quyết như bỏ qua, chèn thêm một (một số) hàng, cột mang giá trị 0 hoặc bằng giá trị gần nhất, hoặc tạo một đối xứng gương ở cạnh ảnh. Một số bộ lọc làm mịn ảnh: a, Lọc trung bình (Normanlize Box Filter): Đây là bộ lọc đơn giản nhất.

Nó được xây dựng dựa trên ý tưởng tính giá trị một điểm ảnh bằng trung bình cộng các điểm ảnh xung quanh nó. Ma trận lọc của lọc trung bình có dạng: 1 1 1 .1) Cách lọc này thường được áp dụng cho làm trơn ảnh vẫn muốn giữ lại biên không bị mờ. 13 Luan van Hình 2.3 Kết quả sau khi lọc trung bình [8] Ưu điểm: +Đơn giản trong tính toán +Ảnh đạt độ trơn mịn Khuyết điểm: +Không hoàn toàn loại bỏ được nhiễu, các pixel đơn lẻ (nhiễu sẽ ảnh hướng đến giá trị trung bình của các pixel lân cận. +Độ sắc nét của ảnh kém +Độ tương phản thấp b, Lọc Gauss (Gaussian Filter): Bộ lọc Gauss được cho là bộ lọc hữu ích nhất, được thực hiện bằng cách nhân chập ảnh đầu vào với một ma trận lọc Gauss sau đó cộng chúng lại để tạo thành ảnh đầu ra.

Ý tưởng chung là giá trị mỗi điểm ảnh sẽ phụ thuộc nhiều vào các điểm ảnh ở gần hơn là các điểm ảnh ở xa. Trọng số của sự phụ thuộc được lấy theo hàm Gauss (cũng được sử dụng trong quy luật phân phối chuẩn). 14 Luan van Hình 2.4 Sơ đồ phân phối Gauss [8] Giả sử ảnh là một chiều. Điểm ảnh ở trung tâm sẽ có trọng số lớn nhất.

Các điểm ảnh ở càng xa trung tâm sẽ có trọng số giảm dần khi khoảng cách từ chúng tới điểm trung tâm tăng lên. Như vậy điểm càng gần trung tâm sẽ càng đóng góp nhiều hơn vào giá trị điểm trung tâm. Trên thực tế, việc lọc ảnh dựa trên hàm Gauss 2 chiều (ngang và dọc). Phân phối chuẩn 2 chiều có thể biểu diễn dưới dạng: 2 −( x − µ _ x ) 2 − ( y − µ _y ) + 2 2σ 2y G _ 0( x, y) = Ae 2σ _ x (2.2) Trong đó μ là trung bình (đỉnh), σ2 là phương sai của các biến số x và y Tham số μ quyết định tác dụng của bộ lọc Gauss lên ảnh.

Độ lớn của ma trận lọc (kernel) cần được lựa chọn cho đủ rộng. 15 Luan van Hình 2.5 Kết quả sau khi lọc Gauss [8] c, Lọc trung vị (Median Filter): Phép lọc trung vị cũng được thực hiện với các ma trận lọc. Tuy nhiên nó tính trung vị tất cả các giá trị điểm ảnh trong vùng ma trận lọc và sử dụng trung vị này cho giá trị điểm trung tâm. Một điều khá thú vị là với các cách lọc ở trên, giá trị điểm trung tâm được tính mới (có thể bằng hoặc khác với giá trị một điểm trong vùng ma trận lọc), còn với phép lọc trung vị, giá trị điểm trung tâm luôn được thay bằng một giá trị điểm ảnh trong bức ảnh đầu vào.

Do vậy, phương pháp lọc này có khả năng loại bỏ nhiễu muối tiêu (salt-and-pepper noise) khá tốt. Có một điểm cũng cần được chú ý là phép lọc trung bình và lọc Gauss là phép lọc tuyến tính, nhưng phép lọc trung vị không phải là một phép lọc tuyến tính. 16 Luan van Hình 2.6 Kết quả sau khi lọc trung vị [8] Các kĩ thuật dò cạnh Khái quát về dò cạnh Các cạnh là những vùng ảnh mà có độ tương phản cao. Vì thế các cạnh thường xuyên xuất hiện tại những vị trí được thấy như là những đường bao quanh vật trên hình ảnh, xác định cạnh thường được dùng phổ biến trên những hình ảnh có nhiều vật thể khác nhau khi ta muốn chia hình ảnh thành những vùng khác nhau có chứa vật thể.

Biểu diễn một hình ảnh bằng các cạnh thì có nhiều thuận lợi hơn là làm giảm được dữ liệu ảnh trong khi vẫn đảm bảo giữ được những thông tin về vật thể trên ảnh. Các cạnh chủ yếu có tần số cao nên theo lý thuyết, dò cạnh sử dụng lọc tần số cao bằng phương pháp Fourier hay bằng cách nhân chập hình ảnh với những Kernel thích hợp trong miền không gian Fourier. Trên thực tế, dò cạnh được thực hiện trong miền không gian vì thực hiện dễ dàng hơn và thường cho ra kết quả tốt hơn. Cách xác định cạnh: vì các cạnh tương ứng với sự chiếu sáng mạnh, từ đó có thể làm nổi bật lên bằng cách tính toán đạo hàm của hình ảnh.

Có thể thấy rằng vị trí của cạnh có thể được ước lượng với giá trị lớn nhất của đạo hàm bậc nhất hay với điểm uốn của đạo hàm bậc 2. Vì thế sẽ tìm một kĩ thuật để tính toán đạo hàm của một hình ảnh 2 chiều. Những Kernel dùng cho việc xác định cạnh được tính dựa theo công thức trên cho phép tính toán đạo hàm bậc một và bậc hai của một hình ảnh 2 chiều. Có 2 tiến trình chung tính đạo hàm bậc một trong một hình ảnh hai chiều, dò cạnh Pretwitt compass và dò cạnh gradient.

Các phương pháp dò cạnh a, Phương pháp Robert Cross: 17 Luan van Theo Roberts, để xác định cạnh ta cần dựa vào các tính chất sau: cạnh được tạo ra cần được xác định rõ, nền của ảnh có ít nhiễu và cường độ của cạnh được xác định bằng mắt thường. Với những đặc tính đó, Roberts đưa ra phương trình sau: ,= ,   ,=   , ,  + , ,  (2.