Báo cáo NCKH: Nghiên cứu kỹ thuật học sâu trong nhận dạng đối tượng tại ĐH SPKT TPHCM

Luận văn thạc sĩ kỹ thuật nghiên cứu nghiên cứu kỹ thuật học sâu trong nhận dạng đối tượng hướng đến ứng dụng trong giám sát thông minh, khảo sát thực trạng, phân tích nguyên

• Tác giả: Văn Hoàng Phước Toàn
• Người hướng dẫn: PGS.TS Hoàng Văn Dũng
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật điều khiển và tự động hóa
• Đề tài: Nghiên cứu kỹ thuật học sâu trong nhận dạng đối tượng hướng đến ứng dụng trong giám sát thông minh
• Loại tài liệu: nghiên cứu khoa học của sinh viên
• Năm xuất bản: 2022
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• MỞ ĐẦU
• 0.1. Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài
• 0.2. Lý do chọn đề tài
• 0.3. Mục tiêu đề tài
• 0.4. Phương pháp nghiên cứu
• 0.5. Đối tượng và phạm vi nghiên cứu
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Ảnh và xử lý ảnh
• 1.2. Học sâu và trí tuệ nhân tạo
• 1.3. Mạng thần kinh tích chập
• 1.3.1. Tích chập (Convolution)
• 1.4. Mô hình mạng thần kinh tích chập
• 1.5. Nhận dạng đối tượng
• 1.5.1. Khái niệm và ứng dụng
• 1.5.2. Các phương pháp nhận dạng đối tượng phổ biến hiện nay
• 1.5.2.1. Mạng thần kinh tích chập theo vùng (R-CNN)
• 1.5.2.2. Single Shot MultiBox Detector (SSD)
• 2. CHƯƠNG 2: KỸ THUẬT HỌC SÂU TRONG NHẬN DẠNG SỨ ĐIỆN
• 2.1. Tầm quan trọng của nhận dạng sứ điện
• 2.2. Nhận dạng sứ bằng YOLO
• 2.2.1. Giới thiệu về YOLO
• 2.2.2. Cách thức hoạt động của YOLO
• 2.2.3. Kiến trúc mạng YOLO
• 2.2.4. Các hàm Loss của YOLO (Loss function)
• 3. CHƯƠNG 3: GIẢI PHÁP NHẬN DẠNG SỨ ĐIỆN
• 3.1. Giải pháp tổng thể
• 3.2. Giải pháp chi tiết
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ GIẢI PHÁP
• 4.1. Môi trường và công cụ thực nghiệm
• 4.2. Thu thập và xử lý dữ liệu
• 4.3. Thực nghiệm và đánh giá
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận
• 5.2. Hướng phát triển
• Tài Liệu Tham Khảo

Tóm tắt

I. Tổng quan về nghiên cứu

Nghiên cứu tập trung vào kỹ thuật học sâu (Deep Learning) trong nhận dạng đối tượng, hướng đến ứng dụng trong giám sát thông minh. Học sâu là một nhánh của trí tuệ nhân tạo (AI) và học máy (ML), mang lại những tiến bộ đáng kể trong lĩnh vực thị giác máy tính. Đề tài này nhấn mạnh việc sử dụng các mô hình như YOLOv5 và YOLOv7 để cải thiện độ chính xác trong nhận dạng sứ điện, một ứng dụng quan trọng trong giám sát mạng lưới điện.

1.1. Tình hình nghiên cứu hiện tại

Các nghiên cứu trước đây đã sử dụng các mô hình như YOLO-tiny và SSD để nhận dạng sứ điện, đạt được độ chính xác cao. Tuy nhiên, việc ứng dụng học sâu trong giám sát thông minh tại Việt Nam vẫn còn hạn chế, chủ yếu dựa vào phương pháp thủ công như sử dụng drone và quan sát trực tiếp.

1.2. Lý do chọn đề tài

Sứ điện hư hỏng có thể gây ảnh hưởng nghiêm trọng đến mạng lưới điện. Việc kiểm tra thủ công tiềm ẩn nhiều rủi ro. Ứng dụng học sâu trong giám sát thông minh giúp giảm thiểu thời gian và nhân lực, đồng thời nâng cao hiệu quả trong việc phát hiện và xử lý sự cố.

II. Cơ sở lý thuyết

Chương này trình bày các khái niệm cơ bản về xử lý ảnh, học sâu, và mạng thần kinh tích chập (CNN). Xử lý ảnh là nền tảng quan trọng trong thị giác máy tính, bao gồm các bước thu thập, tiền xử lý, và nhận dạng ảnh. Học sâu là kỹ thuật học máy mô phỏng hoạt động của bộ não con người, sử dụng các mạng nơ-ron nhiều lớp để xử lý dữ liệu phức tạp.

2.1. Ảnh và xử lý ảnh

Xử lý ảnh bao gồm các bước thu thập, tiền xử lý, và nhận dạng. Tiền xử lý giúp cải thiện chất lượng ảnh, loại bỏ nhiễu, và chuẩn bị dữ liệu cho các bước phân tích tiếp theo. Nhận dạng đối tượng dựa trên việc trích xuất các đặc trưng từ ảnh.

2.2. Mạng thần kinh tích chập CNN

CNN là mô hình học sâu phổ biến trong thị giác máy tính, sử dụng các lớp tích chập và lớp gộp để trích xuất đặc trưng từ ảnh. CNN có khả năng nhận dạng các đối tượng với độ chính xác cao, nhờ vào tính bất biến vị trí và khả năng tổng hợp các đặc trưng từ cấp thấp đến cấp cao.

III. Kỹ thuật học sâu trong nhận dạng sứ điện

Chương này tập trung vào việc ứng dụng kỹ thuật học sâu để nhận dạng sứ điện. Các mô hình như YOLO và SSD được sử dụng để phát hiện và định vị sứ điện trong hình ảnh. YOLO là mô hình nhận dạng đối tượng một giai đoạn, cho phép xử lý nhanh chóng và hiệu quả.

3.1. Giới thiệu về YOLO

YOLO (You Only Look Once) là mô hình nhận dạng đối tượng một giai đoạn, chia ảnh thành các ô và dự đoán các hộp giới hạn cùng lớp đối tượng trong mỗi ô. YOLO có ưu điểm về tốc độ xử lý và độ chính xác cao.

3.2. Cách thức hoạt động của YOLO

YOLO hoạt động bằng cách chia ảnh thành các ô lưới, mỗi ô dự đoán các hộp giới hạn và xác suất lớp đối tượng. Mô hình sử dụng các hàm Loss để tối ưu hóa quá trình huấn luyện, đảm bảo độ chính xác trong nhận dạng.

IV. Giải pháp nhận dạng sứ điện

Chương này đề xuất các giải pháp cụ thể để nhận dạng sứ điện sử dụng kỹ thuật học sâu. Các giải pháp bao gồm việc tối ưu hóa các tham số huấn luyện, sử dụng các mô hình như YOLOv5 và YOLOv7, và cải thiện độ chính xác thông qua việc điều chỉnh siêu tham số.

4.1. Giải pháp tổng thể

Giải pháp tổng thể bao gồm việc xây dựng mô hình nhận dạng sứ điện từ dữ liệu hình ảnh, cung cấp thông tin cho nhân viên điện lực để xử lý kịp thời. Mô hình được huấn luyện trên các bộ dữ liệu lớn, đảm bảo độ chính xác cao.

4.2. Giải pháp chi tiết

Giải pháp chi tiết tập trung vào việc tối ưu hóa các tham số huấn luyện, sử dụng các kỹ thuật như tăng cường dữ liệu và điều chỉnh siêu tham số để cải thiện hiệu suất của mô hình. Các thử nghiệm được thực hiện để đánh giá độ chính xác và tốc độ xử lý của mô hình.

V. Thực nghiệm và đánh giá

Chương này trình bày các kết quả thực nghiệm và đánh giá hiệu quả của các mô hình nhận dạng sứ điện. Các thử nghiệm được thực hiện trên các bộ dữ liệu khác nhau, sử dụng các mô hình như YOLOv5 và YOLOv7. Kết quả cho thấy mô hình đạt được độ chính xác cao trong việc nhận dạng sứ điện.

5.1. Môi trường và công cụ thực nghiệm

Các thử nghiệm được thực hiện trong môi trường máy tính cấu hình cao, sử dụng các công cụ như Roboflow để gán nhãn và tăng cường dữ liệu. Các mô hình được huấn luyện trên các bộ dữ liệu lớn, đảm bảo độ chính xác cao.

5.2. Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy mô hình YOLOv5 đạt được độ chính xác cao trong việc nhận dạng sứ điện, với các thông số như precision, recall, và mAP đạt mức tối ưu. Mô hình YOLOv7 cũng cho kết quả khả quan, nhưng cần thêm các điều chỉnh để cải thiện hiệu suất.

VI. Kết luận và hướng phát triển

Nghiên cứu đã chứng minh hiệu quả của kỹ thuật học sâu trong việc nhận dạng sứ điện, hướng đến ứng dụng trong giám sát thông minh. Các mô hình như YOLOv5 và YOLOv7 đạt được độ chính xác cao, giúp giảm thiểu thời gian và nhân lực trong việc kiểm tra mạng lưới điện. Hướng phát triển trong tương lai bao gồm việc tối ưu hóa các mô hình và mở rộng ứng dụng trong các lĩnh vực khác.

6.1. Kết luận

Nghiên cứu đã thành công trong việc ứng dụng kỹ thuật học sâu để nhận dạng sứ điện, mang lại hiệu quả cao trong giám sát thông minh. Các mô hình như YOLOv5 và YOLOv7 đạt được độ chính xác cao, giúp cải thiện hiệu suất trong việc phát hiện và xử lý sự cố.

6.2. Hướng phát triển

Hướng phát triển trong tương lai bao gồm việc tối ưu hóa các mô hình, mở rộng ứng dụng trong các lĩnh vực khác như giám sát giao thông và phát hiện sản phẩm lỗi. Nghiên cứu cũng hướng đến việc tích hợp các công nghệ mới như IoT và AI để nâng cao hiệu quả trong giám sát thông minh.

Nội dung chính

Nghiên Cứu Kỹ Thuật Học Sâu Trong Nhận Dạng Đối Tượng Hướng Đến Ứng Dụng Trong Giám Sát Thông Minh Lưới Điện

---

Tóm tắt nghiên cứu

Nghiên cứu tập trung giải quyết câu hỏi trọng tâm: Làm thế nào để ứng dụng hiệu quả các mô hình học sâu (Deep Learning) và tối ưu hóa siêu tham số nhằm tự động hóa quy trình nhận dạng sứ cách điện trên mạng lưới truyền tải điện quốc gia từ hình ảnh thu thập bởi máy bay không người lái (UAV)?

Phương pháp tiếp cận dựa trên việc xây dựng pipeline thị giác máy tính toàn diện, ứng dụng các kiến trúc mạng nơ-ron tích chập (CNN) một giai đoạn tiên tiến nhất hiện nay thuộc họ YOLO (YOLOv5 và YOLOv7). Nhóm tác giả đã thu thập bộ dữ liệu thực tế gồm 972 ảnh chất lượng cao (từ hơn 2.000 ảnh thô) phối hợp cùng Tập đoàn Điện lực Việt Nam (EVN), sau đó tiến hành tiền xử lý, tăng cường dữ liệu khảm (Mosaic Augmentation) và thực nghiệm phương pháp tinh chỉnh siêu tham số (Hyperparameter Tuning) trên nền tảng GPU Tesla T4.

Kết quả nghiên cứu cho thấy mô hình YOLOv5x sau khi hiệu chỉnh siêu tham số tối ưu (lrf = 0.2, cls = 0.25, obj = 0.6, scale = 0.9, mixup = 0.15) đạt sự vượt trội rõ rệt về độ chính xác (Precision), độ thu hồi (Recall) và độ chính xác trung bình (mAP) so với các phiên bản mặc định (YOLOv5n, YOLOv5m, YOLOv5x gốc) và mô hình YOLOv7 trên tập dữ liệu thực địa. Mô hình nhanh chóng đạt độ hội tụ ổn định chỉ sau 80 epoch huấn luyện.

Nghiên cứu mang lại ý nghĩa thực tiễn to lớn: mở ra giải pháp nhúng mô hình AI vào các thiết bị bay không người lái (UAV/Drone) phục vụ công tác giám sát, bảo trì lưới điện thông minh, giảm thiểu rủi ro tai nạn lao động cho công nhân điện lực và tối ưu hóa chi phí vận hành hệ thống năng lượng quốc gia.

---

Bối cảnh và tầm quan trọng

1. Hiện trạng kiến thức và ứng dụng thực tế

Trong kỷ nguyên Cách mạng Công nghiệp 4.0, sự phát triển vượt bậc của Trí tuệ Nhân tạo (AI), Học máy (Machine Learning) và Học sâu (Deep Learning) đã tạo nên bước ngoặt lớn trong lĩnh vực thị giác máy tính (Computer Vision). Các mô hình phát hiện đối tượng ngày càng được ứng dụng sâu rộng trong giao thông thông minh, y tế, nông nghiệp chính xác và sản xuất công nghiệp.

Đối với ngành năng lượng, sứ cách điện (gồm sứ gốm, sứ thủy tinh, sứ polymer) đóng vai trò then chốt trong việc cố định dây dẫn, cách ly điện áp cao với thân cột và ngăn ngừa sự cố chập cháy lưới điện. Tuy nhiên, tại Việt Nam, công tác kiểm tra định kỳ tình trạng sứ trên các tuyến truyền tải cao thế vẫn phụ thuộc phần lớn vào phương pháp thủ công: công nhân phải leo trực tiếp lên cột điện nguy hiểm hoặc dùng thiết bị bay không người lái để quay phim, sau đó quan sát, đánh giá thủ công bằng mắt thường.

2. Khoảng trống nghiên cứu (Research Gap)

Phương pháp quan sát thủ công bộc lộ nhiều hạn chế:

• Tốn kém thời gian và nhân lực: Lưới điện trải dài trên nhiều địa hình hiểm trở đòi hỏi khối lượng nhân công khổng lồ.
• Rủi ro sai sót cao: Sự mệt mỏi và yếu tố chủ quan của con người dễ dẫn đến việc bỏ sót các khiếm khuyết nhỏ của sứ.
• Hạn chế của các nghiên cứu trước: Các giải pháp sử dụng mô hình học máy truyền thống (SVM + HOG) hoặc mạng hai giai đoạn (R-CNN, Faster R-CNN) thường có tốc độ xử lý chậm, không đáp ứng được yêu cầu thời gian thực trên drone. Các nghiên cứu dùng YOLO đời đầu hoặc SSD thường gặp khó khăn khi phát hiện sứ trong điều kiện góc chụp biến thiên, tỷ lệ kích thước thay đổi linh hoạt và phông nền thiên nhiên phức tạp.

3. Tính cấp thiết và tác động tiềm năng

Việc ứng dụng mô hình học sâu một giai đoạn (One-stage Detector) có tối ưu hóa siêu tham số cho bài toán nhận dạng sứ điện là yêu cầu cấp thiết. Giải pháp này giúp hiện đại hóa hạ tầng giám sát, xây dựng mạng lưới điện thông minh (Smart Grid), đảm bảo an toàn tuyệt đối cho người lao động và duy trì dòng điện ổn định phục vụ sản xuất và đời sống xã hội.

---

Methodology và phương pháp tiếp cận

Nghiên cứu được thiết kế theo quy trình thực nghiệm khoa học, chặt chẽ qua 5 bước chính:

[Thu thập dữ liệu EVN (2000+ ảnh)] 
  ➔ [Tiền xử lý & Gán nhãn Roboflow (972 ảnh)] 
  ➔ [Chia tập Train/Val/Test (78/11/11)] 
  ➔ [Huấn luyện & Tối ưu Siêu tham số (YOLOv5/v7 trên GPU T4)] 
  ➔ [Đánh giá & So sánh Metrics (mAP, Precision, Recall)]

1. Thu thập và tiền xử lý dữ liệu

• Nguồn dữ liệu: Bộ dữ liệu gồm hơn 2.000 ảnh chụp sứ điện thực tế trên các tuyến đường dây truyền tải điện Việt Nam do EVN cung cấp, sử dụng thiết bị bay không người lái của DJI ở nhiều mốc thời gian, góc chụp và điều kiện thời tiết khác nhau.
• Sàng lọc dữ liệu: Loại bỏ ảnh mất nét, nhòe mờ, giữ lại 972 ảnh đạt tiêu chuẩn phân bố ở hai nhóm: sứ polymer (màu xám, sẫm) và sứ thủy tinh (màu xanh lục nhạt trong suốt).
• Tăng cường dữ liệu (Data Augmentation): Thực hiện trên nền tảng Roboflow và trình tải dữ liệu YOLOv5 với các kỹ thuật:
  • Xoay ngẫu nhiên từ $-20^\circ$ đến $+20^\circ$.
  • Tinh chỉnh không gian màu (HSV Hue = 0.015, Saturation = 0.7, Value = 0.4).
  • Tăng cường khảm (Mosaic Augmentation): Ghép 4 hình ảnh ngẫu nhiên giúp mô hình học tốt các vật thể kích thước nhỏ và giảm sự phụ thuộc vào ngữ cảnh đơn lẻ.
  • Phân chia tập dữ liệu: 752 ảnh huấn luyện (78%), 110 ảnh kiểm định (11%) và 110 ảnh kiểm tra độc lập (11%).

2. Kiến trúc mô hình và thuật toán

Nghiên cứu khảo sát hai dòng kiến trúc tiên tiến:

• Họ mô hình YOLOv5 (YOLOv5n, YOLOv5m, YOLOv5x):
  • Backbone: CSPDarknet53 kết hợp cấu trúc CSP Bottleneck giúp giảm thiểu lặp lại gradient, tiết kiệm tham số tính toán và tránh hiện tượng triệt tiêu đạo hàm (Vanishing Gradient).
  • Neck: Mạng PA-Net (Path Aggregation Network) nâng cao khả năng lan truyền đặc trưng đa quy mô từ dưới lên và từ trên xuống.
  • Head: Bộ phát hiện đa tỷ lệ (P3/8, P4/16, P5/32) kết hợp anchor box tự động học để dự đoán bounding box và nhãn phân loại.
• Mô hình YOLOv7: Đánh giá kiến trúc mở rộng E-ELAN (Extended Efficient Layer Aggregation Network), kỹ thuật phân tỷ lệ mô hình kết hợp (Compound Model Scaling), tái tham số hóa mô-đun và cơ chế gán nhãn Lead/Auxiliary Head.

3. Chiến lược tối ưu hóa siêu tham số (Hyperparameter Tuning)

Nhóm nghiên cứu áp dụng phương pháp tìm kiếm thực nghiệm (Empirical Search / Trial-and-Error) để xác định bộ siêu tham số tối ưu cho YOLOv5x:

• Tốc độ học ban đầu (lr0): 0.01; Tốc độ học OneCycleLR chu kỳ cuối (lrf): 0.2.
• Hệ số động lượng SGD Momentum: 0.937; Trọng số suy giảm (Weight Decay): 0.0005.
• Tăng tỷ lệ co giãn (scale): 0.9 (giúp nhận diện sứ khi drone thay đổi cao độ chụp).
• Hệ số mất mát đối tượng (obj loss gain): 0.6; Hệ số mất mát lớp (cls loss gain): 0.25.
• Kỹ thuật nâng cao: mixup = 0.15, copy_paste = 0.1, warmup_epochs = 3.0.

4. Tiêu chí đánh giá tính hợp lệ và độ tin cậy

Mô hình được đo lường dựa trên chuẩn MS COCO với các chỉ số:

• Precision (Độ chính xác): $Precision = \frac{TP}{TP + FP}$
• Recall (Độ thu hồi): $Recall = \frac{TP}{TP + FN}$
• IoU (Intersection over Union): Tỷ lệ diện tích giao trên diện tích hợp giữa bounding box dự đoán và nhãn thực tế.
• mAP@0.5 và mAP@0.5:0.95: Độ chính xác trung bình tại ngưỡng IoU = 0.5 và trung bình trên các ngưỡng IoU từ 0.5 đến 0.95.

---

Phát hiện chính

Nghiên cứu đã đưa ra các kết quả thực nghiệm nổi bật sau quá trình đào tạo và kiểm thử:

+-------------------------------------------------------------------------+
|                  SO SÁNH HIỆU NĂNG NHẬN DẠNG SỨ ĐIỆN                    |
+------------------------------------+------------------------------------+
| Mô hình thử nghiệm                 | Đánh giá chất lượng thực tế        |
+------------------------------------+------------------------------------+
| 1. YOLOv5n (Nano)                  | Nhẹ, nhanh nhưng dễ nhầm lẫn nền   |
| 2. YOLOv5m (Medium)                | Cân bằng tốc độ / độ chính xác     |
| 3. YOLOv5x (Default)               | Độ chính xác cao, còn lỗi góc khuất|
| 4. YOLOv5x (Tuned Hyperparameters) | TỐI ƯU NHẤT: Bắt chính xác đa cự ly|
| 5. YOLOv7 (Default)                | Xuất hiện false positive nền rừng  |
+------------------------------------+------------------------------------+

1. Tối ưu hóa siêu tham số giúp tăng vọt độ chính xác nhận diện

Việc điều chỉnh siêu tham số chuyên biệt cho bài toán sứ điện đem lại bước nhảy vọt về chất lượng:

• Việc tăng tham số scale = 0.9 giúp mô hình thích ứng linh hoạt với sự thay đổi kích thước của sứ khi máy bay không người lái bay ở các khoảng cách xa - gần khác nhau.
• Tinh chỉnh obj loss gain = 0.6 và cls loss gain = 0.25 giải quyết triệt để sự mất cân bằng giữa vùng đối tượng sứ và vùng nền môi trường rộng lớn (cây cối, đồi núi, bầu trời, tháp sắt).

2. YOLOv5x tinh chỉnh vượt trội hơn YOLOv7 mặc định trên tập dữ liệu đặc thù

Một phát hiện thực nghiệm thú vị là dù YOLOv7 sở hữu cấu trúc lý thuyết rất mạnh mẽ với mạng E-ELAN, trên tập dữ liệu sứ điện thực tế, YOLOv7 mặc định vẫn gặp một số lỗi nhận dạng sai (False Positive / False Negative) khi gặp nền phức tạp hoặc góc chụp chéo. Trong khi đó, YOLOv5x được tối ưu siêu tham số nhận diện chính xác tuyệt đối các chuỗi sứ, vẽ bounding box sát biên và không bị nhiễu bởi các thanh xà cột điện.

3. Tốc độ hội tụ nhanh và ổn định

Tất cả các biến thể YOLOv5 đều đạt trạng thái hội tụ ổn định sau khoảng 80 epochs. Đường cong mất mát (Loss curve) giảm đều đặn, không xuất hiện hiện tượng quá khớp (Overfitting) nhờ sự hỗ trợ của các kỹ thuật điều hòa như Dropout, Batch Normalization và hàm mất mát kết hợp CIoU/GIoU.

4. Khả năng phát hiện đa dạng chủng loại sứ

Mô hình thể hiện sự thích ứng xuất sắc trên cả hai dòng vật liệu có tính chất quang học trái ngược:

• Sứ thủy tinh: Vật liệu phản quang, dễ bị hòa lẫn vào nền trời hoặc ánh sáng mặt trời phản chiếu.
• Sứ polymer: Vật liệu sẫm màu, dễ bị nhầm lẫn với các cấu kiện kim loại của cột điện. Mô hình tối ưu đều khoanh vùng chính xác từng bát sứ đơn lẻ cũng như toàn bộ chuỗi sứ treo.

---

Đóng góp khoa học

1. Đóng góp về mặt lý thuyết

• Làm sáng tỏ cơ chế tác động của từng siêu tham số huấn luyện (learning rate schedule, loss gains, data scaling) đến khả năng học đặc trưng của mạng nơ-ron tích chập sâu trong bài toán phát hiện đối tượng công nghiệp ngoài trời.
• Cung cấp cơ sở lý luận thực nghiệm chứng minh rằng: Việc tối ưu hóa siêu tham số phù hợp với đặc thù dữ liệu có thể mang lại hiệu quả vượt trội hơn so với việc đơn thuần nâng cấp lên kiến trúc mạng mới nhưng giữ nguyên cấu hình mặc định.

2. Cải tiến phương pháp luận

• Xây dựng thành công quy trình chuẩn hóa từ khâu thu thập ảnh bằng UAV thực địa, gán nhãn chuẩn quốc tế đến kỹ thuật tăng cường dữ liệu hỗn hợp (Mosaic + Mixup), tạo tiền đề cho các nghiên cứu thị giác máy tính tiếp theo trong lĩnh vực điện lực.

3. Giá trị ứng dụng thực tiễn

• Đề xuất giải pháp module phần mềm có thể nhúng trực tiếp vào drone tuần tra đường dây hoặc các trạm quan trắc thông minh. Hệ thống tự động ghi nhận tọa độ GPS của vị trí sứ nghi ngờ hư hỏng, hỗ trợ nhân viên kỹ thuật đưa ra quyết định thay mới hoặc vệ sinh cách điện kịp thời.

4. Ý nghĩa chính sách và xã hội

• Đề tài đã được công bố trên kỷ yếu khoa học uy tín (Kỷ yếu JTE-HCMUTE, 11/2022), khẳng định năng lực nghiên cứu khoa học ứng dụng của sinh viên và đóng góp trực tiếp vào đề án Chuyển đổi số của Tập đoàn Điện lực Việt Nam.

---

Đối tượng quan tâm và lợi ích ứng dụng

Nghiên cứu hướng đến phục vụ đa dạng nhóm đối tượng trong hệ sinh thái công nghệ và năng lượng:

1. Tập đoàn Điện lực và các Công ty Truyền tải điện (EVN / PTC / PC)

• Lợi ích: Tự động hóa công tác tuần tra tuyến đường dây cao thế 110kV, 220kV, 500kV; giảm thiểu 70-80% thời gian kiểm tra thủ công; loại bỏ nguy cơ tai nạn điện áp cao cho công nhân bảo trì.

2. Các kỹ sư và nhà nghiên cứu Trí tuệ Nhân tạo / Thị giác máy tính

• Lợi ích: Tài liệu tham khảo thực chiến về cấu hình siêu tham số YOLOv5/YOLOv7; phương pháp xử lý bộ dữ liệu ảnh chụp từ thiết bị bay không người lái với phông nền phức tạp.

3. Các doanh nghiệp phát triển giải pháp Drone, Robotics và IoT

• Lợi ích: Nền tảng thuật toán để phát triển sản phẩm thương mại: "Drone tự hành kiểm tra lưới điện thông minh", tích hợp công nghệ AI Edge Computing xử lý trực tiếp tại biên.

---

Câu hỏi thường gặp (FAQ)

1. Phát hiện quan trọng nhất của nghiên cứu này là gì?

Trả lời: Phát hiện quan trọng nhất là việc chứng minh mô hình YOLOv5x sau khi tinh chỉnh siêu tham số chuyên biệt (đặc biệt là tỷ lệ scale=0.9 và obj loss gain=0.6) đạt độ chính xác nhận dạng sứ điện vượt trội so với các cấu hình mặc định và cả mô hình YOLOv7, giải quyết triệt để lỗi nhận dạng sai trong điều kiện ánh sáng và góc chụp phức tạp.

2. Phương pháp nghiên cứu (Methodology) có điểm gì đặc biệt?

Trả lời: Nghiên cứu sử dụng 100% dữ liệu ảnh thực tế thu thập từ drone của EVN trên lưới điện Việt Nam, kết hợp kỹ thuật tăng cường dữ liệu khảm Mosaic cùng chiến lược dò tìm siêu tham số thực nghiệm (Trial-and-Error) có hệ thống, giúp mô hình hội tụ nhanh chỉ sau 80 epoch.

3. Kết quả mô hình có thể tổng quát hóa (Generalize) cho các đối tượng khác không?

Trả lời: Hoàn toàn có thể. Quy trình tiền xử lý, gán nhãn và khung tinh chỉnh siêu tham số trong đề tài có thể mở rộng áp dụng cho nhiều thiết bị lưới điện khác như máy biến áp, chống sét van, rơ-le, đầu cosse dây dẫn hoặc các bài toán phát hiện nứt vỡ, rỉ sét cơ khí.

4. Hướng phát triển tiếp theo (Next Steps) của đề tài là gì?

Trả lời: Nhóm nghiên cứu định hướng: (1) Mở rộng nhận diện chi tiết các dạng hư hỏng cụ thể của sứ (bị vỡ chén sứ, phóng điện bề mặt, rỉ sét); (2) Nhúng mô hình lên các vi mạch AI biên (như NVIDIA Jetson) gắn trực tiếp trên drone để phát hiện lỗi theo thời gian thực (Real-time Edge AI).

5. Khả năng ứng dụng thực tiễn của nghiên cứu ra sao?

Trả lời: Đề tài có tính ứng dụng rất cao, sẵn sàng tích hợp vào phần mềm giám sát đường bay của UAV tuần tra lưới điện, tự động xuất báo cáo vị trí cột, chuỗi sứ kèm tọa độ GPS giúp đơn vị vận hành xử lý sự cố tức thì.

---

Kết luận

Nghiên cứu "Nghiên cứu kỹ thuật học sâu trong nhận dạng đối tượng hướng đến ứng dụng trong giám sát thông minh" đã chứng minh tính hiệu quả vượt trội của việc ứng dụng mạng nơ-ron tích chập YOLO kết hợp tối ưu hóa siêu tham số trong bài toán phát hiện sứ cách điện. Đề tài không chỉ đóng góp một giải pháp công nghệ có độ chính xác cao, tốc độ xử lý nhanh mà còn đặt nền móng vững chắc cho việc tự động hóa công tác bảo trì đường dây truyền tải điện quốc gia bằng thiết bị bay không người lái.

Trong tương lai, việc tích hợp mô hình lên các thiết bị phần cứng AI biên và mở rộng tập dữ liệu đa dạng khiếm khuyết sẽ tạo nên bước đột phá toàn diện cho ngành giám sát thông minh tại Việt Nam.

Trích đoạn nội dung tài liệu

Chương 1: CƠ SỞ LÝ THUYẾT 1.1 Ảnh và xử lý ảnh Xử lý ảnh là một trong những mảng quan trọng nhất trong kỹ thuật thị giác máy tính, là tiền đề cho nhiều nghiên cứu thuộc lĩnh vực này. Ngày nay kỹ thuật xử lý ảnh đã được ứng dụng rộng rãi ở rất nhiều lĩnh vực trong sản xuất cũng như trong đời sống. Ví dụ như các hệ thống giám sát công cộng, hệ thống phân loại sản phẩm lỗi trong công nghiệp hay các phần mềm xử lý ảnh chuyên dụng như Adobe Photoshop, Capture One,… Nhiệm vụ cơ bản của quá trình xử lý ảnh là làm giàu thông tin, chất lượng hình ảnh và xử lý số liệu cung cấp cho các quá trình bao gồm cả việc ứng dụng thị giác máy tính vào điều khiển. Một hệ thống xử lý ảnh bắt đầu từ việc thu nhận ảnh đầu vào, tác động các thuật toán hoặc các phép xử lý lên dữ liệu thay đổi cấu trúc ảnh và nhận dạng ở đầu ra đáp ứng phù hợp với các ứng dụng khác nhau.

Phân tích và Camera Hình ảnh Tiền xử lý nhận dạng Lưu trữ Hình 1: Sơ đồ tổng quan hệ thống xử lý ảnh Sơ đồ khối về tổng quan hệ thống xử lý ảnh được thể hiện như hình trên, trong đó gồm 3 khối chức năng cơ bản: - Khối thu thập hình ảnh: Khối này thực hiện chức năng thu nhận ảnh và lưu trữ hình ảnh theo định dạng yêu cầu. - Khối tiền xử lý: Là giai đoạn đầu tiên trong xử lý ảnh số, có mục đích làm cho ảnh dễ nhận dạng hơn, loại bỏ các yếu tố không cần thiết hoặc ảnh hưởng tới 3 các kết quả về sau và tăng cường cải thiện chất lượng hình ảnh chẳng hạn như khử nhiễu, bóp méo hình ảnh, resize ảnh… phù hợp với yêu cầu. - Khối phân tích và nhận dạng: Ở bước này các đặc điểm của đối tượng sẽ được trích xuất tùy theo mục đích cần nhận dạng, Trích xuất hiệu quả các đặc điểm sẽ giúp cho việc nhận dạng đối tượng được chính xác. Sau đó dựa vào các đặc trưng được trích xuất từ ảnh mà thực hiện quá trình nhận dạng, đưa ra các quyết định tương ứng với yêu cầu như phân loại đối tượng hay phát hiện đối tượng.2 Học sâu và trí tuệ nhân tạo Trí tuệ nhân tạo là một nhánh của khoa học máy tính liên quan đến việc xây dựng các máy thông minh có khả năng thực hiện các nhiệm vụ thường đòi hỏi trí tuệ con người.

Trí tuệ nhân tạo là một ngành khoa học với nhiều cách tiếp cận, như những tiến bộ trong học máy và học sâu đang tạo ra sự thay đổi mô hình trong hầu hết mọi lĩnh vực công nghệ của ngành công nghiệp. Nhà nghiên cứu học sâu và kỹ sư của Google, François Chollet, lập luận rằng trí thông minh là “tốc độ mà người học biến kinh nghiệm của mình và cải tiến thành các kỹ năng mới ở những nhiệm vụ có giá trị liên quan đến sự không chắc chắn và thích nghi”. Nói cách khác: Các hệ thống thông minh nhất có thể chỉ cần một lượng nhỏ kinh nghiệm và tiếp tục đoán kết quả sẽ như thế nào trong nhiều tình huống khác nhau. Trí tuệ nhân tạo có thể được định nghĩa như: - Hành động nhân bản: hành động theo cách bắt chước hành vi của con người.

- Hành động theo lý trí: hành động theo cách nhằm đạt được một mục tiêu cụ thể. - Tư duy nhân bản: bắt chước tư duy dựa trên bộ óc của con người. - Suy nghĩ hợp lý: bắt chước suy nghĩ dựa trên suy luận logic. Vai trò của AI ngày càng trở quan trọng đối với cuộc sống.

Chẳng hạn như trong các hệ thống gợi ý sản phẩm trên các trang thương mại điện tử, gợi ý các bài hát bạn có thể yêu thích dựa trên lịch sử nghe của bạn hay là các trợ lý ảo, các hệ thống giám sát thông minh,… Có thể nói trong tương lai trí tuệ nhân tạo vẫn là một lĩnh vực sẽ được phát triển mạnh mẽ. Trí tuệ nhân tạo (AI) đề cập đến việc mô phỏng trí thông minh của con người trong máy móc được lập trình để suy nghĩ giống như con người và bắt chước hành động của họ. Đặc tính của trí tuệ nhân tạo là khả năng hợp lý hóa và thực hiện các hành động 4 phương án tối ưu nhất để đạt được một mục tiêu cụ thể. Các kỹ thuật học sâu cho phép AI hoạt động thông qua việc hấp thụ một lượng lớn dữ liệu như văn bản, hình ảnh hoặc video.

Học sâu là kỹ thuật học máy, là một chức năng của trí tuệ nhân tạo, bắt chước hoạt động của bộ não con người trong việc xử lí dữ liệu và tạo ra các mẫu để sử dụng cho việc ra quyết định. Trong học sâu, máy tính học cách thực hiện các nhiệm vụ phân loại trực tiếp từ hình ảnh, văn bản hoặc âm thanh. Các mô hình học sâu có thể đạt được độ chính xác hiện đại. Các mô hình được đào tạo bằng cách sử dụng một tập hợp lớn dữ liệu được gắn nhãn và kiến trúc mạng nơ-ron chứa nhiều lớp Hình 2: Mối quan hệ giữa AI ML và DL 1.3 Mạng thần kinh tích chập Mạng thần kinh tích chập, hay còn được gọi là CNN, là mô hình học sâu được sử dụng phổ biến cho các ứng dụng thị giác máy tính (chẳng hạn như phân loại hình ảnh) và trong một số trường hợp được sử dụng cho các tác vụ xử lý ngôn ngữ tự nhiên (chẳng hạn như phân loại văn bản).

Điểm đặc biệt của CNN là nó có thể nhận dạng hiệu quả các đối tượng xuất hiện trong hình ảnh đầu vào, bao gồm hình dạng, độ dốc, mắt hoặc thậm chí là khuôn mặt. Do khả năng nhận dạng chi tiết rất tốt của CNN, nên mô hình này chủ yếu được sử dụng trong các ứng dụng thị giác máy tính.1 Tích chập (Convolution) Tích chập là kỹ thuật được sử dụng trong xử lý ảnh, được sử dụng chủ yếu trong các phép toán lên ảnh như làm mịn ảnh hay làm sắc nét ảnh hay trích xuất biên cạnh ảnh. Cơ chế của tích chập được qua hình minh họa bên dưới. Hình 3: Ví dụ về Tích chập Ảnh đầu vào input là một ảnh nhị phân với mỗi ô là một điểm ảnh.

Mỗi giá trị của ma trận ảnh tương ứng với một điểm ảnh, 0 là màu đen, 1 là màu trắng. Ta có thể xem tích chập như một bộ lọc áp đặt lên ma trận, có tên gọi là ma trận kernel (hay còn gọi là filter, feature detector). Hình minh họa trên sử dụng ma trận 3x3 nhân từng thành phần tương ứng với ma trận input. Điểm neo (anchor point) sẽ quyết định vùng ma trận trên ảnh để tích chập, thường được chọn là tâm của kernel.

Phép tích chập ở đây dùng ma trận kernel nhân với ma trận input trượt lần lượt từ trái sang phải và đặt anchor point ở tâm ma trận, kết quả ta được một ma trận đặc trưng (feature map). Ví dụ như sử dụng bộ lọc Gaussian blur 7x7 lên ảnh ta sẽ được kết quả như sau: 6 Hình 4: Làm mờ ảnh dùng ma trận tích chập Gaussian blur 7x7 1.2 Mô hình mạng thần kinh tích chập Mạng thần kinh tích chập là một mạng nơ-ron chuyển tiếp gồm 20 đến 30 layer. Giống như các mạng nơ-ron khác, CNN sử dụng kích hoạt ReLu và một lớp được kết nối đầy đủ. Về cơ bản, lớp ReLu đảm bảo tính phi tuyến tính khi dữ liệu đi qua mỗi lớp và nếu không có nó, dữ liệu sẽ mất đi kích thước cần thiết để duy trì.

Sau đó, lớp được kết nối đầy đủ sẽ thực hiện phân loại trên tập dữ liệu. Mạng thần kinh tích chập khác với các mạng nơ-ron khác là nó có các phân lớp đặc biệt gọi là lớp tích chập (convolutional layer) và lớp gộp (pooling layer). Hình 5: Kiến trúc cơ bản của CNN Lớp tích chập là lớp đầu tiên trích xuất các tính năng từ hình ảnh đầu vào và hoạt động bằng cách đặt một bộ lọc lên một vùng điểm ảnh. Lớp này sẽ duy trì mối tương quan giữa các điểm ảnh bằng cách tìm hiểu các tính năng của hình ảnh, sử dụng các ô vuông nhỏ của dữ liệu đầu vào, có nghĩa là sử dụng hai đầu vào gồm ma trận hình ảnh đầu vào và bộ lọc để trích xuất ma trận đặc trưng.

Ma trận đặc trưng là kết quả của một bộ lọc đã được áp dụng cho lớp trước đó. Bộ lọc được trượt trên từng điểm ảnh một của 7 lớp trước. Mỗi vị trí sẽ kích hoạt một nơ-ron và kết quả được thu thập được trong ma trận đặc trưng. Lớp gộp làm giảm kích thước mẫu của bản đồ đối tượng và cũng giúp xử lý nhanh hơn vì nó làm giảm tổng số tham số mà mạng cần xử lý.

Có hai khía cạnh đáng chú ý của CNN đó là Sự bất biến của vị trí (Location Invariance) và Tích hợp phần (Compositionality). Giả sử ta muốn phân loại xem có đối tượng ta cần nhận dạng trong một hình ảnh hay không. Bởi vì ta đang trượt bộ lọc của mình trên toàn bộ hình ảnh, ta không thực sự quan tâm nơi đối tượng xuất hiện. Trên thực tế, việc sử dụng các lớp gộp cũng mang lại cho bạn sự bất biến đối với dịch (translation), xoay (rotation) và chia tỷ lệ (scaling).

Khía cạnh quan trọng thứ hai là tính tổng hợp (Compositionality). Mỗi bộ lọc tạo một bản vá cục bộ của các tính năng cấp thấp hơn thành các biểu diễn cấp cao hơn. Đó là lý do tại sao CNN rất mạnh mẽ trong Thị giác máy tính. Nó có ý nghĩa trực quan rằng bạn xây dựng các cạnh từ pixel, hình dạng từ các cạnh và các đối tượng phức tạp hơn từ hình dạng.4 Nhận dạng đối tượng 1.1 Khái niệm và ứng dụng Nhận dạng đối tượng là một nhiệm thị giác máy tính quan trọng liên quan tới việc xác định và định vị các đối tượng trong hình ảnh hoặc video.

Chúng ta xác định vị trí các đối tượng đang ở đâu hoặc đã di chuyển qua một cảnh nhất định bằng cách vẽ các hộp giới hạn xung quanh đối tượng cần được phát hiện. Việc nhận dạng đối tượng có thể được chia thành các phương pháp tiếp cận: hoặc là dựa trên học máy hoặc là dựa trên học sâu. Hầu hết các thuật toán phát hiện đối tượng ban đầu được xây dựng dựa trên các tính năng thủ công. Do thiếu biểu diễn hình ảnh hiệu quả vào thời điểm đó, mọi người không có lựa chọn nào khác ngoài việc thiết kế các biểu diễn tính năng tinh vi và nhiều kỹ năng tăng tốc khác nhau để sử dụng hết tài nguyên máy tính hạn chế.