Chương 1: GIỚI THIỆU VỀ MẠNG NƠ RON VÀ XỬ LÝ ẢNH SỐ Chương 2: KỸ THUẬT NHẬN DẠNG ẢNH SỬ DỤNG MẠNG NƠ RON Chương 3: THỬ NGHIỆM NHẬN DẠNG ẢNH LÁ CÂY DƢỢC LIỆU Phần kết luận: Tóm tắt các kết quả đạt đƣợc, hƣớng phát triển tiếp Tài liệu tham khảo 5. Phƣơng pháp nghiên cứu Phƣơng pháp nghiên cứu của đề tài luận văn đƣợc sử dụng là kết hợp giữa nghiên cứu lý thuyết với nghiên cứu thực nghiệm, cụ thể: - Phương pháp nghiên cứu lý thuyết: Thu thập tài liệu, đọc hiểu các kiến thức cơ bản về xử lý ảnh số; Nghiên cứu một số kỹ thuật xử lý ảnh và nhận dạng ảnh lá cây dƣợc liệu dựa vào các đặc trƣng về màu sắc, hình dạng, gân lá,… So sánh, phân tích và đánh giá các kết quả nghiên cứu với những công Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 5 trình của các tác giả khác đã công bố và đƣa ra những phƣơng pháp, kỹ thuật đề xuất mới và đề xuất cải tiến. Tìm hiểu một số công cụ hỗ trợ lập trình. - Phương pháp nghiên cứu thực nghiệm: + Nghiên cứu xây dựng cơ sở dữ liệu ảnh huấn luyện (thu nhận ảnh lá cây dƣợc liệu, các mẫu lá cây dƣợc liệu, hình dạng,…) + Nghiên cứu, đánh giá và lựa chọn phƣơng pháp, giải pháp công nghệ cài đặt thử nghiệm với một số mẫu dữ liệu và đánh giá kết quả.
- Phương pháp trao đổi khoa học: Công bố, trao đổi, thảo luận và báo cáo tại các hội thảo, hội nghị khoa học,… 6. Ý nghĩa khoa học của đề tài Nghiên cứu mạng nơ ron tế bào và các ứng dụng. Nghiên cứu các kỹ thuật xử lý ảnh và nhận dạng ảnh mẫu lá cây dƣợc liệu. Nghiên cứu một số giải thuật, phƣơng pháp để đánh giá độ tin cậy của ảnh đƣợc nhận dạng.
Ứng dụng công nghệ xử lý ảnh và mạng nơ ron tế bào vào bài toán thực tế. Giải quyết bài toán: Phát hiện, khai thác cây dƣợc liệu của Việt Nam dựa vào nhận dạng ảnh lá cây dƣợc liệu. Kết quả là nhận dạng đƣợc cây dƣợc liệu, công dụng của cây đối với việc chăm sóc sức khỏe, chữa trị bệnh cho con ngƣời. Là cơ sở khoa học nhằm hỗ trợ nâng cao hiệu quả phát hiện, khai thác các cây dƣợc liệu của Việt Nam.
Đồng thời, các kết quả của đề tài sẽ còn làm cơ sở khoa học cho việc đề xuất và xây dựng các chƣơng trình ứng dụng cho nhiều ứng dụng thực tế trong lĩnh vực y học. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 6 CHƢƠNG 1: GIỚI THIỆU VỀ MẠNG NƠ RON VÀ XỬ LÝ ẢNH SỐ 1. Giới thiệu về mạng nơ ron 1. Giới thiệu về mạng nơron nhân tạo 1.
Mạng nơron nhân tạo là gì? Định nghĩa: Mạng nơron nhân tạo, Artificial Neural Network (ANN) gọi tắt là mạng nơron, neural network, là một mô hình xử lý thông tin phỏng theo cách thức xử lý thông tin của các hệ nơron sinh học. Nó đƣợc tạo lên từ một số lƣợng lớn các phần tử (gọi là phần tử xử lý hay nơron) kết nối với nhau thông qua các liên kết (gọi là trọng số liên kết) làm việc nhƣ một thể thống nhất để giải quyết một vấn đề cụ thể nào đó. Một mạng nơron nhân tạo đƣợc cấu hình cho một ứng dụng cụ thể (nhận dạng mẫu, phân loại dữ liệu, .) thông qua một quá trình học từ tập các mẫu huấn luyện. Về bản chất học chính là quá trình hiệu chỉnh trọng số liên kết giữa các nơron.
Lịch sử phát triển mạng nơron Các nghiên cứu về bộ não con ngƣời đã đƣợc tiến hành từ hàng nghìn năm nay. Cùng với sự phát triển của khoa học kĩ thuật đặc biệt là những tiến bộ trong ngành điện tử hiện đại, việc con ngƣời bắt đầu nghiên cứu các nơron nhân tạo là hoàn toàn tự nhiên. Sự kiện đầu tiên đánh dấu sự ra đời của mạng nơron nhân tạo diễn ra vào năm 1943 khi nhà thần kinh học Warren McCulloch và nhà toán học Walter Pitts viết bài báo mô tả cách thức các nơron hoạt động. Họ cũng đã tiến hành xây dựng một mạng nơron đơn giản bằng các mạch điện.
Các nơron của họ đƣợc xem nhƣ là các thiết bị nhị phân với ngƣỡng cố định. Kết quả của các mô hình này là các hàm logic đơn giản chẳng hạn nhƣ “ a OR b” hay “a AND b”. Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 7 Tiếp bƣớc các nghiên cứu này, năm 1949 Donald Hebb cho xuất bản cuốn sách Organization of Behavior. Cuốn sách đã chỉ ra rằng các nơron nhân tạo sẽ trở lên hiệu quả hơn sau mỗi lần chúng đƣợc sử dụng.
Những tiến bộ của máy tính đầu những năm 1950 giúp cho việc mô hình hóa các nguyên lý của những lý thuyết liên quan tới cách thức con ngƣời suy nghĩ đã trở thành hiện thực. Nathanial Rochester sau nhiều năm làm việc tại các phòng thí nghiệm nghiên cứu của IBM đã có những nỗ lực đầu tiên để mô phỏng một mạng nơron. Trong thời kì này tính toán truyền thống đã đạt đƣợc những thành công rực rỡ trong khi đó những nghiên cứu về nơron còn ở giai đoạn sơ khai. Mặc dù vậy những ngƣời ủng hộ triết lý “thinking machines” (các máy biết suy nghĩ) vẫn tiếp tục bảo vệ cho lập trƣờng của mình.
Năm 1956 dự án Dartmouth nghiên cứu về trí tuệ nhân tạo (Artificial Intelligence) đã mở ra thời kỳ phát triển mới cả trong lĩnh vực trí tuệ nhân tạo lẫn mạng nơron. Tác động tích cực của nó là thúc đẩy hơn nữa sự quan tâm của các nhà khoa học về trí tuệ nhân tạo và quá trình xử lý ở mức đơn giản của mạng nơron trong bộ não con ngƣời. Những năm tiếp theo của dự án Dartmouth, John von Neumann đã đề xuất việc mô phỏng các nơron đơn giản bằng cách sử dụng rơle điện áp hoặc đèn chân không. Nhà sinh học chuyên nghiên cứu về nơron Frank Rosenblatt cũng bắt đầu nghiên cứu về Perceptron.
Sau thời gian nghiên cứu này Perceptron đã đƣợc cài đặt trong phần cứng máy tính và đƣợc xem nhƣ là mạng nơron lâu đời nhất còn đƣợc sử dụng đến ngày nay. Perceptron một tầng rất hữu ích trong việc phân loại một tập các đầu vào có giá trị liên tục vào một trong hai lớp. Perceptron tính tổng có trọng số các đầu vào, rồi trừ tổng này cho một ngƣỡng và cho ra một trong hai giá trị mong muốn có thể. Tuy nhiên Perceptron còn rất nhiều hạn chế, những hạn chế này đã đƣợc chỉ Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 8 ra trong cuốn sách về Perceptron của Marvin Minsky và Seymour Papert viết năm 1969.
Năm 1959, Bernard Widrow và Marcian Hoff thuộc trƣờng đại học Stanford đã xây dựng mô hình ADALINE (ADAptive LINear Elements) và MADALINE. Các mô hình này sử dụng quy tắc học Least-Mean-Squares (LMS: Tối thiểu bình phƣơng trung bình). MADALINE là mạng nơron đầu tiên đƣợc áp dụng để giải quyết một bài toán thực tế. Nó là một bộ lọc thích ứng có khả năng loại bỏ tín hiệu dội lại trên đƣờng dây điện thoại.
Ngày nay mạng nơron này vẫn đƣợc sử dụng trong các ứng dụng thƣơng mại. Năm 1974 Paul Werbos đã phát triển và ứng dụng phƣơng pháp học lan truyền ngƣợc (back-propagation). Tuy nhiên phải mất một vài năm thì phƣơng pháp này mới trở lên phổ biến. Các mạng lan truyền ngƣợc đƣợc biết đến nhiều nhất và đƣợc áp dụng rộng dãi nhất nhất cho đến ngày nay.
Thật không may, những thành công ban đầu này khiến cho con ngƣời nghĩ quá lên về khả năng của các mạng nơron. Chính sự cƣờng điệu quá mức đã có những tác động không tốt đến sự phát triển của khoa học và kỹ thuật thời bấy giờ khi ngƣời ta lo sợ rằng đã đến lúc máy móc có thể làm mọi việc của con ngƣời. Những lo lắng này khiến ngƣời ta bắt đầu phản đối các nghiên cứu về mạng nơ ron. Thời kì tạm lắng này kéo dài đến năm 1981.
Năm 1982 trong bài báo gửi tới viện khoa học quốc gia, John Hopfield bằng sự phân tích toán học rõ ràng, mạch lạc, ông đã chỉ ra cách thức các mạng nơron làm việc và những công việc chúng có thể thực hiện đƣợc. Cống hiến của Hopfield không chỉ ở giá trị của những nghiên cứu khoa học mà còn ở sự thúc đẩy trở lại các nghiên cứu về mạng neuron. Cũng trong thời gian này, một hội nghị với sự tham gia của Hoa Kỳ và Nhật Bản bàn về việc hợp tác/cạnh tranh trong lĩnh vực mạng nơron đã đƣợc Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.vn 9 tổ chức tại Kyoto, Nhật Bản. Sau hội nghị, Nhật Bản đã công bố những nỗ lực của họ trong việc tạo ra máy tính thế hệ thứ 5.
Tiếp nhận điều đó, các tạp chí định kỳ của Hoa Kỳ bày tỏ sự lo lắng rằng nƣớc nhà có thể bị tụt hậu trong lĩnh vực này. Vì thế, ngay sau đó, Hoa Kỳ nhanh chóng huy động quỹ tài trợ cho các nghiên cứu và ứng dụng mạng nơ ron. Năm 1985, viện vật lý Hoa Kỳ bắt đầu tổ chức các cuộc họp hàng năm về mạng nơ ron ứng dụng trong tin học (Neural Networks for Computing). Năm 1987, hội thảo quốc tế đầu tiên về mạng nơ ron của Viện các kỹ sƣ điện và điện tử IEEE (Institute of Electrical and Electronic Engineer) đã thu hút hơn 1800 ngƣời tham gia.
Ngày nay, không chỉ dừng lại ở mức nghiên cứu lý thuyết, các nghiên cứu ứng dụng mạng nơron để giải quyết các bài toán thực tế đƣợc diễn ra ở khắp mọi nơi. Các ứng dụng mạng nơron ra đời ngày càng nhiều và ngày càng hoàn thiện hơn. Điển hình là các ứng dụng: xử lý ngôn ngữ (Language Processing), nhận dạng kí tự (Character Recognition), nhận dạng tiếng nói (Voice Recognition), nhận dạng mẫu (Pattern Recognition), xử lý tín hiệu (Signal Processing), Lọc dữ liệu (Data Filtering),…. So sánh mạng nơron với máy tính truyền thống Các mạng nơron có cách tiếp cận khác trong giải quyết vấn đề so với máy tính truyền thống.
Các máy tính truyền thống sử dụng cách tiếp cận theo hƣớng giải thuật, tức là máy tính thực hiện một tập các chỉ lệnh để giải quyết một vấn đề. Vấn đề đƣợc giải quyết phải đƣợc biết và phát biểu dƣới dạng một tập chỉ lệnh không nhập nhằng. Những chỉ lệnh này sau đó phải đƣợc chuyển sang một chƣơng trình ngôn ngữ bậc cao và chuyển sang mã máy để máy tính có thể hiểu đƣợc. Trừ khi các bƣớc cụ thể mà máy tính cần tuân theo đƣợc chỉ ra rõ ràng, máy tính sẽ không làm đƣợc gì cả.
Điều đó giới hạn khả năng của các máy Số hóa bởi Trung tâm Học liệu – ĐHTN http://www.