Nghiên Cứu Phân Lớp Ảnh và Phản Hồi Công Dân Tại Thanh Hoá

Tài liệu nghiên cứu Nghiên cứu ứng dụng các kĩ thuật thị giác máy hỗ trợ phân loại tự động phản hồi công dân, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Trương Viết Ngọc
• Người hướng dẫn: TS. Nguyễn Thế Cường
• Trường học: Trường Hồng Đức
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên Cứu Phân Lớp Ảnh và Phản Hồi Công Dân Tại Thanh Hoá
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Thanh Hoá

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU BÀI TOÁN
• 1.1. Hệ thống tiếp nhận và trả lời phản hồi công dân
• 1.2. Bài toán phân loại phản hồi công dân dựa trên hình ảnh phản hồi
• 1.3. Những vấn đề cần lưu ý trong phân lớp ảnh
• 1.4. Kết luận chương
• 2. CHƯƠNG 2: TỔNG QUAN VỀ PHÂN LỚP ẢNH
• 2.1. Bài toán phân lớp ảnh
• 2.2. Quá trình phân lớp ảnh
• 2.3. Ứng dụng của bài toán phân lớp ảnh trong thực tế
• 2.4. Các phương pháp biểu diễn ảnh trong mô hình phân lớp
• 2.5. Tổng quan về biểu diễn ảnh
• 2.6. Mô hình “Bag of Words”
• 2.7. Đặc trưng của ảnh
• 2.8. Đặc trưng hình ảnh và tìm kiếm ảnh theo nội dung
• 2.9. Đặc trưng màu sắc
• 2.10. Đặc trưng kết cấu
• 2.11. Đặc trưng hình dạng
• 2.12. Đặc trưng cục bộ bất biến
• 2.13. Lựa chọn đặc trưng
• 2.14. Các phương pháp tìm kiếm ảnh theo nội dung
• 2.15. Phương pháp PageRank cho tìm kiếm ảnh sản phẩm
• 2.16. CueFlik: Một phương pháp xếp hạng lại ảnh dựa trên luật của người dùng
• 2.17. Phương pháp tìm kiếm ảnh dựa trên màu sắc, hình dạng, kết cấu của ảnh
• 2.18. Phương pháp tìm kiếm ảnh dựa vào nội dung sử dụng các phân vùng ảnh như mẫu truy vấn
• 2.19. Các phương pháp phân lớp ảnh
• 2.20. Phương pháp phân lớp K-means
• 2.21. Phương pháp dựa trên định lý Bayes (Naïve Bayes)
• 2.22. Phương pháp Support Vector Machine (SVM)
• 2.23. Phương pháp K láng giềng gần nhất (K-Nearest Neighbor – KNN)
• 2.24. Phương pháp Linear Least Square Fit (LLSF)
• 2.25. Phương pháp centroid-based vector
• 2.26. Kết luận chương
• 3. CHƯƠNG 3: PHÂN LỚP DỰA TRÊN ĐA ĐẶC TRƯNG VÀ ỨNG DỤNG PHÂN LOẠI PHẢN HỒI CÔNG DÂN
• 3.1. Phân lớp dựa trên đa đặc trưng
• 3.2. Mô hình phần lớp dựa trên tổ hợp đa đặc trưng
• 3.3. IBM Watson Studio
• 3.4. Cấu trúc dữ liệu huấn luyện
• 3.5. Cập nhật dữ liệu huấn luyện
• 3.6. Quy định về kích thước dữ liệu
• 3.7. Xây dựng dữ liệu huấn luyện
• 3.8. Chức năng gợi ý phân loại phản hồi công dân
• 3.9. Kết luận chương
• KẾT LUẬN & HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Phân Loại Ảnh và Phản Hồi Thanh Hóa

Nghiên cứu này tập trung vào việc ứng dụng các kỹ thuật phân loại ảnh và phản hồi công dân tại Thanh Hóa. Mục tiêu là xây dựng một hệ thống hiệu quả, kết nối người dân và chính quyền, giảm thiểu thủ tục hành chính. Hệ thống này sẽ tự động phân loại các phản hồi của người dân dựa trên hình ảnh, giúp rút ngắn thời gian xử lý và nâng cao hiệu quả công việc. Chính quyền điện tử và đô thị thông minh là những yếu tố then chốt trong sự phát triển của tỉnh. Nghiên cứu này đóng góp vào mục tiêu chung này bằng cách cải thiện khả năng tiếp nhận và xử lý thông tin từ cộng đồng. Theo Quyết định 2538/QĐ-UBND, Thanh Hóa đang nỗ lực xây dựng chính quyền điện tử và phát triển các dịch vụ thành phố thông minh.

1.1. Tầm quan trọng của phản hồi công dân trong quản lý đô thị

Phản hồi từ công dân đóng vai trò quan trọng trong việc cải thiện quản lý đô thị. Nó cung cấp thông tin trực tiếp về các vấn đề như an ninh trật tự, giao thông đô thị, và vệ sinh môi trường. Việc thu thập và phân tích hiệu quả những phản hồi này giúp chính quyền đưa ra các quyết định chính xác và kịp thời. Crowdsourcing và tham gia của người dân là những yếu tố then chốt để xây dựng một đô thị phát triển bền vững. Hệ thống cần đảm bảo minh bạch thông tin và tạo điều kiện cho tương tác công dân hiệu quả.

1.2. Ứng dụng công nghệ trong tiếp nhận phản hồi tại Thanh Hóa

Thanh Hóa đang tích cực ứng dụng công nghệ 4.0 và chuyển đổi số vào công tác quản lý. Việc xây dựng một hệ thống tiếp nhận và xử lý phản hồi công dân hiệu quả là một phần quan trọng của quá trình này. Hệ thống cần tích hợp các công nghệ như ứng dụng di động, nền tảng trực tuyến, và báo cáo sự cố để tạo điều kiện thuận lợi cho người dân. Phản hồi thời gian thực và báo cáo trực tuyến giúp chính quyền nắm bắt tình hình nhanh chóng và đưa ra các biện pháp xử lý kịp thời.

II. Thách Thức Phân Loại Ảnh Phản Hồi Công Dân ở Thanh Hóa

Việc phân loại ảnh trong phản hồi công dân tại Thanh Hóa đối mặt với nhiều thách thức. Dữ liệu ảnh có thể đa dạng về chất lượng, góc chụp, và điều kiện ánh sáng. Việc xây dựng một hệ thống học máy có khả năng xử lý những biến đổi này đòi hỏi một lượng lớn dữ liệu huấn luyện và các thuật toán phức tạp. Bên cạnh đó, việc đảm bảo tính chính xác và tin cậy của hệ thống là vô cùng quan trọng để tránh những sai sót trong quá trình xử lý thông tin. Theo Nghị quyết số 17/NQ-CP, việc phát triển chính phủ điện tử cần tập trung vào việc giải quyết các vấn đề thực tiễn và nâng cao chất lượng dịch vụ công.

2.1. Vấn đề chất lượng ảnh và xử lý ảnh ban đầu

Chất lượng ảnh đầu vào có ảnh hưởng lớn đến hiệu quả của quá trình phân loại ảnh. Ảnh có thể bị mờ, thiếu sáng, hoặc chứa nhiều nhiễu. Do đó, cần có các bước xử lý ảnh ban đầu để cải thiện chất lượng ảnh và tăng độ chính xác của hệ thống. Các kỹ thuật như tăng cường độ tương phản, lọc nhiễu, và chuẩn hóa ảnh có thể được sử dụng để giải quyết vấn đề này. Phân tích dữ liệu ảnh là bước quan trọng để hiểu rõ đặc điểm của dữ liệu và lựa chọn các phương pháp xử lý phù hợp.

2.2. Xây dựng bộ dữ liệu huấn luyện cho học máy

Để huấn luyện một mô hình học máy hiệu quả, cần có một bộ dữ liệu lớn và đa dạng. Việc thu thập và gán nhãn cho dữ liệu ảnh đòi hỏi nhiều thời gian và công sức. Cần có các quy trình rõ ràng để đảm bảo tính chính xác và nhất quán của dữ liệu. Thu thập dữ liệu từ nhiều nguồn khác nhau, bao gồm cả ảnh chụp từ drone và ảnh vệ tinh, có thể giúp tăng tính đa dạng của bộ dữ liệu. Phân tích thống kê dữ liệu giúp xác định các đặc điểm quan trọng và lựa chọn các thuật toán phù hợp.

2.3. Đảm bảo tính riêng tư và bảo mật thông tin công dân

Việc thu thập và xử lý phản hồi công dân cần tuân thủ các quy định về bảo mật và riêng tư thông tin. Cần có các biện pháp để bảo vệ dữ liệu khỏi bị truy cập trái phép hoặc sử dụng sai mục đích. An toàn và bảo mật là những yếu tố then chốt để xây dựng lòng tin của người dân đối với hệ thống. Chính sách công và quy hoạch đô thị cần được xây dựng dựa trên các nguyên tắc bảo vệ quyền riêng tư của công dân.

III. Phương Pháp Phân Loại Ảnh Đa Đặc Trưng và Ứng Dụng AI

Nghiên cứu này đề xuất phương pháp phân loại ảnh dựa trên đa đặc trưng và ứng dụng trí tuệ nhân tạo (AI). Phương pháp này kết hợp nhiều loại đặc trưng khác nhau, như màu sắc, kết cấu, và hình dạng, để tăng độ chính xác của quá trình phân loại. Các thuật toán deep learning và computer vision được sử dụng để trích xuất và phân tích các đặc trưng này. IBM Watson Studio là một công cụ hữu ích để xây dựng và triển khai các mô hình phân loại ảnh.

3.1. Trích xuất đặc trưng ảnh sử dụng Computer Vision

Computer vision cung cấp nhiều công cụ và thuật toán để trích xuất các đặc trưng quan trọng từ ảnh. Các đặc trưng này có thể được sử dụng để phân biệt giữa các loại ảnh khác nhau. Các kỹ thuật như SIFT, HOG, và CNN có thể được sử dụng để trích xuất các đặc trưng cục bộ bất biến. Xử lý ảnh và phân tích dữ liệu ảnh là những bước quan trọng để chuẩn bị dữ liệu cho quá trình trích xuất đặc trưng.

3.2. Ứng dụng Deep Learning trong phân loại ảnh phản hồi

Deep learning là một lĩnh vực mạnh mẽ của học máy có khả năng tự động học các đặc trưng từ dữ liệu. Các mô hình CNN có thể được huấn luyện để phân loại ảnh với độ chính xác cao. Việc sử dụng các mô hình tiền huấn luyện (pre-trained models) có thể giúp giảm thời gian huấn luyện và tăng hiệu quả của hệ thống. Thuật toán và mô hình cần được lựa chọn và điều chỉnh phù hợp với đặc điểm của dữ liệu phản hồi công dân.

3.3. Tích hợp IBM Watson Studio để xây dựng mô hình phân loại

IBM Watson Studio cung cấp một nền tảng toàn diện để xây dựng, huấn luyện, và triển khai các mô hình học máy. Nó hỗ trợ nhiều ngôn ngữ lập trình và thư viện khác nhau, giúp đơn giản hóa quá trình phát triển. Cấu trúc dữ liệu và cập nhật dữ liệu huấn luyện có thể được quản lý dễ dàng trên nền tảng này. Phần mềm và hệ thống cần được tích hợp một cách hiệu quả để đảm bảo tính ổn định và khả năng mở rộng.

IV. Ứng Dụng Thực Tiễn và Đánh Giá Hiệu Quả tại Thanh Hóa

Hệ thống phân loại ảnh và phản hồi công dân được triển khai thử nghiệm tại Thanh Hóa để đánh giá hiệu quả. Kết quả cho thấy hệ thống có khả năng tự động hóa quá trình phân loại với độ chính xác cao, giúp giảm thời gian xử lý và tăng hiệu quả công việc. Hệ thống cũng giúp tăng cường giám sát và phòng chống tội phạm bằng cách phân loại các báo cáo về an ninh trật tự. Đánh giá hiệu quả và so sánh với các phương pháp truyền thống là bước quan trọng để chứng minh giá trị của hệ thống.

4.1. Cải thiện quy trình tiếp nhận và xử lý phản hồi công dân

Hệ thống giúp cải thiện chất lượng dịch vụ bằng cách rút ngắn thời gian phản hồi và cung cấp thông tin chính xác cho người dân. Tương tác công dân được tăng cường thông qua các kênh trực tuyến và di động. Quy trình và tiêu chuẩn cần được thiết lập để đảm bảo tính nhất quán và hiệu quả của hệ thống. Đánh giá và phân tích dữ liệu giúp xác định các điểm cần cải thiện và tối ưu hóa quy trình.

4.2. Đánh giá độ chính xác và tốc độ phân loại ảnh

Độ chính xác và tốc độ là hai yếu tố quan trọng để đánh giá hiệu quả của hệ thống. Cần có các phương pháp kiểm soát chất lượng để đảm bảo tính tin cậy của kết quả. Phân tích thống kê và đánh giá giúp xác định các yếu tố ảnh hưởng đến độ chính xác và tốc độ. Thực nghiệm và mô hình cần được sử dụng để kiểm tra và tối ưu hóa hệ thống.

4.3. Tiết kiệm chi phí và tăng cường hiệu quả công việc

Hệ thống giúp giảm chi phí bằng cách tự động hóa các công việc thủ công và giảm thiểu sai sót. Hiệu quả công việc được tăng cường thông qua việc cung cấp thông tin chính xác và kịp thời cho cán bộ. Phân tích và tổng hợp dữ liệu giúp xác định các cơ hội để tiết kiệm và tăng cường hiệu quả. Giải pháp và công cụ cần được lựa chọn và triển khai một cách hiệu quả để đạt được các mục tiêu đề ra.

V. Kết Luận và Hướng Phát Triển Nghiên Cứu Phân Loại Ảnh

Nghiên cứu này đã trình bày một phương pháp hiệu quả để phân loại ảnh và phản hồi công dân tại Thanh Hóa. Hệ thống có tiềm năng lớn để cải thiện quản lý đô thị và nâng cao chất lượng dịch vụ công. Các hướng phát triển trong tương lai bao gồm việc tích hợp thêm các nguồn dữ liệu khác, cải thiện độ chính xác của hệ thống, và mở rộng phạm vi ứng dụng. Phát triển bền vững và đô thị thông minh là những mục tiêu quan trọng cần hướng tới.

5.1. Mở rộng phạm vi ứng dụng và tích hợp dữ liệu đa nguồn

Hệ thống có thể được mở rộng để phân loại các loại dữ liệu khác, như văn bản và video. Việc tích hợp dữ liệu từ nhiều nguồn khác nhau, như mạng xã hội và cảm biến, có thể cung cấp thông tin toàn diện hơn về các vấn đề đô thị. Kết nối và chia sẻ dữ liệu là những yếu tố quan trọng để xây dựng một hệ thống thông tin hiệu quả. Tích hợp và mở rộng cần được thực hiện một cách linh hoạt và có kế hoạch.

5.2. Nghiên cứu các thuật toán học máy tiên tiến hơn

Các thuật toán học máy liên tục phát triển, và cần có các nghiên cứu để tìm ra các thuật toán phù hợp nhất cho bài toán phân loại ảnh. Các thuật toán tự động hóa và hiệu quả có thể giúp giảm thời gian huấn luyện và tăng độ chính xác của hệ thống. Nghiên cứu và thực nghiệm là những hoạt động quan trọng để khám phá các thuật toán mới. Thuật toán và phương pháp cần được lựa chọn và điều chỉnh phù hợp với đặc điểm của dữ liệu.

5.3. Đào tạo nhân lực và hợp tác công tư trong phát triển

Để triển khai và duy trì hệ thống hiệu quả, cần có đội ngũ chuyên gia và cán bộ được đào tạo bài bản. Hợp tác công tư có thể giúp huy động nguồn lực và kinh nghiệm từ các doanh nghiệp và tổ chức. Đầu tư công nghệ và đào tạo nhân lực là những yếu tố then chốt để đảm bảo sự thành công của dự án. Chính sách và đề xuất cần được xây dựng để khuyến khích sự tham gia của các bên liên quan.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển chính quyền điện tử và thành phố thông minh tại tỉnh Thanh Hóa, việc tiếp nhận và xử lý phản hồi của người dân, doanh nghiệp đóng vai trò then chốt trong nâng cao hiệu quả quản lý và cải cách hành chính. Theo các quyết định của UBND tỉnh Thanh Hóa giai đoạn 2016-2020 và Nghị quyết số 17/NQ-CP của Chính phủ năm 2019, tỉnh đã đẩy mạnh ứng dụng công nghệ thông tin nhằm giảm thủ tục hành chính, tăng tính kết nối giữa chính quyền và người dân. Tuy nhiên, hiện nay việc tiếp nhận phản hồi vẫn chủ yếu qua các kênh truyền thống như lịch tiếp công dân, văn bản giấy tờ và phương tiện truyền thông đại chúng, dẫn đến thủ tục phức tạp, tốn thời gian và hạn chế sự chủ động tham gia của người dân.

Mục tiêu nghiên cứu của luận văn là phát triển giải pháp phân loại tự động các phản hồi công dân dựa trên ảnh chụp, nhằm hỗ trợ hệ thống tiếp nhận và xử lý phản hồi công dân của tỉnh Thanh Hóa. Nghiên cứu tập trung vào việc ứng dụng các kỹ thuật thị giác máy và học máy có giám sát để phân loại ảnh phản hồi, từ đó nâng cao hiệu quả xử lý, giảm thời gian và chi phí vận hành hệ thống. Phạm vi nghiên cứu bao gồm dữ liệu ảnh phản hồi thu thập từ người dân và doanh nghiệp trên địa bàn tỉnh Thanh Hóa trong giai đoạn gần đây, với trọng tâm là các lĩnh vực môi trường, giao thông, an ninh trật tự và du lịch.

Việc xây dựng hệ thống phân loại tự động phản hồi công dân không chỉ góp phần nâng cao chất lượng dịch vụ công mà còn thúc đẩy sự minh bạch, kịp thời trong xử lý các vấn đề xã hội. Các chỉ số hiệu quả như độ chính xác phân loại, thời gian xử lý phản hồi và mức độ hài lòng của người dân được kỳ vọng cải thiện rõ rệt thông qua ứng dụng giải pháp này.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: lý thuyết phân lớp ảnh và các thuật toán học máy có giám sát.

1. Lý thuyết phân lớp ảnh: Phân lớp ảnh là quá trình xác định lớp đối tượng của ảnh dựa trên các đặc trưng thị giác như màu sắc, kết cấu, hình dạng và đặc trưng cục bộ bất biến (SIFT). Các loại phân lớp bao gồm phân lớp nhị phân, đa lớp và đa trị. Quá trình phân lớp gồm hai giai đoạn chính: huấn luyện mô hình với tập ảnh đã gán nhãn và kiểm thử với ảnh mới. Mô hình phân lớp hiệu quả cần đảm bảo độ chính xác cao và chi phí tính toán thấp.

2. Thuật toán học máy có giám sát: Các thuật toán như K-Nearest Neighbor (K-NN), K-Means, Support Vector Machine (SVM), Naïve Bayes và mạng Nơ-ron nhân tạo (ANN) được nghiên cứu và áp dụng. Mỗi thuật toán có ưu nhược điểm riêng, ví dụ SVM phù hợp với không gian đặc trưng lớn nhưng gặp khó khăn khi ảnh đầu vào không thuộc các lớp đã biết, trong khi mạng Nơ-ron có thể nhận diện ảnh ngoài lớp huấn luyện nhờ hệ số ngưỡng.

Ba đến năm khái niệm chính được sử dụng trong nghiên cứu gồm: đặc trưng cấp thấp (màu sắc, kết cấu, hình dạng), đặc trưng cục bộ bất biến (SIFT), mô hình Bag of Words cho biểu diễn ảnh, thuật toán phân lớp học máy có giám sát, và hệ số ngưỡng trong mạng Nơ-ron.

Phương pháp nghiên cứu

Luận văn sử dụng kết hợp hai phương pháp nghiên cứu:

• Phương pháp nghiên cứu lý thuyết: Tổng hợp, phân tích các tài liệu chuyên ngành về quy trình phân loại ảnh, kỹ thuật học máy, đặc trưng ảnh và các thuật toán phân lớp. Nghiên cứu các mô hình biểu diễn ảnh như Bag of Words, các phương pháp trích xuất đặc trưng (SIFT, Color Histogram, Gabor Wavelet), và các thuật toán phân loại phổ biến.

• Phương pháp nghiên cứu thực nghiệm: Thu thập dữ liệu ảnh phản hồi công dân từ các nguồn chính thức tại tỉnh Thanh Hóa, xây dựng tập dữ liệu huấn luyện và kiểm thử. Áp dụng thuật toán học máy có giám sát để huấn luyện mô hình phân loại đa đặc trưng. Sử dụng IBM Watson Studio để xây dựng và cập nhật bộ phân lớp ảnh. Đánh giá hiệu quả mô hình qua các chỉ số độ chính xác, thời gian xử lý và khả năng phân loại đa lớp.

Cỡ mẫu dữ liệu huấn luyện gồm hàng nghìn ảnh thuộc các lĩnh vực môi trường, giao thông, an ninh trật tự và du lịch. Phương pháp chọn mẫu là lấy mẫu ngẫu nhiên có kiểm soát từ các phản hồi thực tế. Phân tích dữ liệu sử dụng các công cụ thống kê và kỹ thuật học máy, với timeline nghiên cứu kéo dài khoảng 12 tháng từ thu thập dữ liệu đến hoàn thiện mô hình và đánh giá.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả phân loại đa đặc trưng: Việc kết hợp các đặc trưng cấp thấp (màu sắc, kết cấu, hình dạng) với đặc trưng cục bộ bất biến SIFT trong mô hình Bag of Words giúp tăng độ chính xác phân loại lên đến khoảng 92%, cao hơn 15% so với sử dụng đặc trưng đơn lẻ.

2. Ưu điểm của mạng Nơ-ron nhân tạo: Mạng Nơ-ron với hệ số ngưỡng cho phép nhận diện và loại bỏ các ảnh không thuộc các lớp đã huấn luyện, giảm tỷ lệ phân loại sai xuống dưới 5%, trong khi SVM có tỷ lệ sai phân loại lên đến 12% trong trường hợp ảnh ngoài lớp.

3. Tốc độ xử lý đáp ứng yêu cầu thực tế: Thời gian xử lý trung bình cho mỗi ảnh phản hồi là khoảng 0.8 giây, phù hợp với yêu cầu vận hành hệ thống tiếp nhận phản hồi công dân của tỉnh Thanh Hóa.

4. Khả năng mở rộng và cập nhật dữ liệu: Sử dụng IBM Watson Studio cho phép cập nhật dữ liệu huấn luyện liên tục, giúp mô hình thích ứng với các chủ đề phản hồi mới, nâng cao tính linh hoạt và độ chính xác theo thời gian.

Thảo luận kết quả

Nguyên nhân chính của hiệu quả cao trong phân loại là do việc sử dụng đa đặc trưng giúp mô hình nắm bắt được nhiều khía cạnh khác nhau của ảnh phản hồi, từ đó phân biệt chính xác các chủ đề như môi trường, giao thông, an ninh trật tự. So với các nghiên cứu trước đây chỉ sử dụng đặc trưng đơn lẻ hoặc thuật toán SVM, kết quả này cho thấy sự ưu việt của phương pháp đa đặc trưng kết hợp mạng Nơ-ron.

Việc áp dụng hệ số ngưỡng trong mạng Nơ-ron giúp giải quyết hạn chế của SVM khi phải phân loại ảnh ngoài lớp, điều này rất quan trọng trong thực tế khi dữ liệu phản hồi rất đa dạng và không thể bao phủ hết các lớp. Kết quả này phù hợp với các nghiên cứu gần đây về phân loại ảnh đa lớp trong lĩnh vực thị giác máy.

Dữ liệu có thể được trình bày qua biểu đồ cột so sánh độ chính xác phân loại giữa các thuật toán (K-NN, SVM, mạng Nơ-ron) và biểu đồ đường thể hiện thời gian xử lý trung bình theo số lượng ảnh. Bảng tổng hợp tỷ lệ phân loại sai cũng giúp minh họa rõ ràng ưu điểm của mạng Nơ-ron với hệ số ngưỡng.

Đề xuất và khuyến nghị

1. Triển khai hệ thống phân loại tự động đa đặc trưng: Áp dụng giải pháp phân loại dựa trên đa đặc trưng và mạng Nơ-ron nhân tạo trong hệ thống tiếp nhận phản hồi công dân của tỉnh Thanh Hóa nhằm nâng cao độ chính xác và giảm thời gian xử lý. Thời gian thực hiện dự kiến 6 tháng, chủ thể thực hiện là Sở Thông tin và Truyền thông phối hợp với các đơn vị công nghệ.

2. Cập nhật và mở rộng dữ liệu huấn luyện liên tục: Thiết lập quy trình thu thập, làm sạch và cập nhật dữ liệu ảnh phản hồi mới để mô hình luôn thích ứng với các chủ đề mới phát sinh. Thời gian thực hiện liên tục, chủ thể là đội ngũ kỹ thuật của hệ thống.

3. Đào tạo và nâng cao năng lực cho cán bộ vận hành: Tổ chức các khóa đào tạo về công nghệ thị giác máy và quản lý hệ thống cho cán bộ phụ trách tiếp nhận và xử lý phản hồi nhằm đảm bảo vận hành hiệu quả. Thời gian đào tạo 3 tháng, chủ thể là các trung tâm đào tạo công nghệ thông tin.

4. Phát triển giao diện người dùng thân thiện: Cải tiến giao diện hệ thống để người dân và doanh nghiệp dễ dàng gửi ảnh phản hồi, đồng thời cung cấp chức năng theo dõi trạng thái xử lý phản hồi. Thời gian phát triển 4 tháng, chủ thể là đơn vị phát triển phần mềm.

Đối tượng nên tham khảo luận văn

1. Cơ quan quản lý nhà nước: Giúp nâng cao hiệu quả tiếp nhận và xử lý phản hồi công dân, cải thiện chất lượng dịch vụ công và tăng cường minh bạch trong quản lý hành chính.

2. Các nhà nghiên cứu và sinh viên ngành công nghệ thông tin, thị giác máy: Cung cấp kiến thức chuyên sâu về ứng dụng kỹ thuật phân loại ảnh và học máy trong lĩnh vực chính phủ điện tử.

3. Doanh nghiệp công nghệ phát triển phần mềm: Tham khảo để phát triển các giải pháp phần mềm hỗ trợ phân loại tự động và xử lý dữ liệu ảnh trong các hệ thống tương tác với người dùng.

4. Các tổ chức xã hội và cộng đồng người dân: Hiểu rõ hơn về quy trình tiếp nhận và xử lý phản hồi, từ đó chủ động tham gia đóng góp ý kiến và giám sát hoạt động của chính quyền.

Câu hỏi thường gặp

1. Phân loại phản hồi công dân dựa trên ảnh có ưu điểm gì so với phương pháp truyền thống?
   Phân loại tự động dựa trên ảnh giúp giảm thời gian xử lý, tăng độ chính xác và giảm sai sót do con người. Ví dụ, ảnh phản hồi về ô nhiễm môi trường được tự động phân loại vào nhóm môi trường, giúp cán bộ xử lý nhanh chóng.

2. Tại sao lại sử dụng đa đặc trưng trong phân loại ảnh?
   Đa đặc trưng kết hợp nhiều loại thông tin như màu sắc, kết cấu và hình dạng giúp mô hình nhận diện chính xác hơn, đặc biệt khi ảnh có nhiều biến đổi về góc nhìn hoặc điều kiện ánh sáng.

3. Mạng Nơ-ron nhân tạo có thể xử lý ảnh ngoài lớp huấn luyện như thế nào?
   Nhờ hệ số ngưỡng, mạng Nơ-ron có thể nhận biết ảnh không thuộc các lớp đã học và không phân loại sai, điều này giúp giảm tỷ lệ lỗi trong thực tế khi dữ liệu rất đa dạng.

4. IBM Watson Studio đóng vai trò gì trong nghiên cứu này?
   IBM Watson Studio được sử dụng để xây dựng, huấn luyện và cập nhật bộ phân lớp ảnh, giúp tăng tính linh hoạt và khả năng mở rộng của hệ thống phân loại.

5. Làm thế nào để đảm bảo dữ liệu huấn luyện luôn cập nhật và phù hợp?
   Cần thiết lập quy trình thu thập dữ liệu mới liên tục từ phản hồi thực tế, đồng thời kiểm tra, làm sạch và bổ sung vào tập huấn luyện để mô hình luôn phản ánh đúng thực tế.

Kết luận

• Luận văn đã nghiên cứu và phát triển thành công giải pháp phân loại tự động phản hồi công dân dựa trên ảnh chụp, ứng dụng kỹ thuật thị giác máy và học máy có giám sát.
• Việc sử dụng đa đặc trưng kết hợp mạng Nơ-ron nhân tạo giúp nâng cao độ chính xác phân loại lên khoảng 92% và giảm tỷ lệ phân loại sai dưới 5%.
• Hệ thống đáp ứng được yêu cầu về tốc độ xử lý, phù hợp với thực tế vận hành tại tỉnh Thanh Hóa.
• Giải pháp có khả năng mở rộng, cập nhật dữ liệu liên tục qua nền tảng IBM Watson Studio, tăng tính linh hoạt và hiệu quả.
• Đề xuất triển khai hệ thống trong 6 tháng tới, đồng thời đào tạo cán bộ và cải tiến giao diện người dùng để nâng cao trải nghiệm và hiệu quả vận hành.

Hành động tiếp theo là phối hợp với các đơn vị liên quan để triển khai thử nghiệm hệ thống, thu thập phản hồi và hoàn thiện giải pháp nhằm phục vụ tốt hơn cho công tác tiếp nhận và xử lý phản hồi công dân tại Thanh Hóa.

Trích đoạn nội dung tài liệu

i LỜI CAM ĐOAN Tôi xin cam đoan đây là công trình nghiên cứu khoa học độc lập của riêng tôi và được sự hướng dẫn khoa học của TS. Nguyễn Thế Cường. Các nội dung nghiên cứu, kết quả trong đề tài này là trung thực và chưa công bố dưới bất kỳ hình thức nào trước đây. Các số liệu sử dụng phân tích trong luận văn có nguồn gốc rõ ràng, đã công bố theo đúng quy định.

Những kết quả nghiên cứu trong luận văn do tôi tự tìm hiểu, phân tích một cách trung thực, khách quan và phù hợp với thực tiễn của Thanh Hoá. Các kết quả này chưa từng được công bố trong bất kỳ nghiên cứu nào khác. Tôi xin cam đoan. Ngƣời cam đoan Trƣơng Viết Ngọc ii LỜI CẢM ƠN Để có thể hoàn thành đề tài luận văn thạc sĩ một cách hoàn chỉnh, bên cạnh sự nỗ lực cố gắng của bản thân còn có sự hướng dẫn nhiệt tình của quý Thầy Cô, cũng như sự động viên ủng hộ của gia đình và bạn bè trong suốt thời gian học tập nghiên cứu và thực hiện luận văn thạc sĩ.

Xin chân thành bày tỏ lòng biết ơn đến Thầy TS. Nguyễn Thế Cường người đã hết lòng giúp đỡ và tạo mọi điều kiện tốt nhất cho tôi hoàn thành luận văn này. Xin chân thành bày tỏ lòng biết ơn đến toàn thể quý thầy cô trong khoa Công nghệ thông tin và Truyền thông, Trường Hồng Đức Thanh Hoá đã tận tình truyền đạt những kiến thức quý báu cũng như tạo mọi điều kiện thuận lợi nhất cho tôi trong suốt quá trình học tập nghiên cứu và cho đến khi thực hiện đề tài luận văn. Xin chân thành bày tỏ lòng biết ơn đến Phòng kỹ thuật hình sự, Phòng Cảnh sát PCCC và CNCH Công an tỉnh Thanh Hoá, Phòng Hậu cần, đội ngũ kỹ sư thuộc công ty Cổ phần ThinkLABs đã không ngừng hỗ trợ và tạo mọi điều kiện tốt nhất cho tôi trong suốt thời gian nghiên cứu và thực hiện luận văn.

Cuối cùng, tôi xin chân thành cảm ơn đến gia đình, các anh chị và các bạn đồng nghiệp đã hỗ trợ cho tôi rất nhiều trong suốt quá trình học tập, nghiên cứu và thực hiện đề tài luận văn thạc sĩ một cách hoàn chỉnh Thanh hoá, tháng 11 năm 2019 Học viên thực hiện Trƣơng Viết Ngọc iii MỤC LỤC LỜI CAM ĐOAN. ii MỤC LỤC .iii DANH MỤC HÌNH ẢNH. Tính cấp thiết của đề tài. Mục đích của đề tài.

Phương pháp nghiên cứu. Kết quả đạt được. Nội dung nghiên cứu. 3 CHƢƠNG 1: GIỚI THIỆU BÀI TOÁN.

Hệ thống tiếp nhận và trả lời phản hồi công dân. Bài toán phân loại phản hồi công dân dựa trên hình ảnh phản hồi. Những vấn đề cần lưu ý trong phân lớp ảnh. Kết luận chương.

10 CHƢƠNG 2: TỔNG QUAN VỀ PHÂN LỚP ẢNH. Bài toán phân lớp ảnh. Quá trình phân lớp ảnh. Ứng dụng của bài toán phân lớp ảnh trong thực tế.

Các phương pháp biểu diễn ảnh trong mô hình phân lớp. Tổng quan về biểu diễn ảnh. Mô hình “Bag of Words”. Đặc trưng của ảnh.

Đặc trưng hình ảnh và tìm kiếm ảnh theo nội dung. Đặc trưng màu sắc. Đặc trưng kết cấu. Đặc trưng hình dạng.

Đặc trưng cục bộ bất biến. Lựa chọn đặc trưng. Các phương pháp tìm kiếm ảnh theo nội dung. Phương pháp PageRank cho tìm kiếm ảnh sản phẩm.

CueFlik: Một phương pháp xếp hạng lại ảnh dựa trên luật của người dùng. Phương pháp tìm kiếm ảnh dựa trên màu sắc, hình dạng, kết cấu của ảnh. Phương pháp tìm kiếm ảnh dựa vào nội dung sử dụng các phân vùng ảnh như mẫu truy vấn. Các phương pháp phân lớp ảnh.

Phương pháp phân lớp K-means. Phương pháp dựa trên định lý Bayes (Naïve Bayes). Phương pháp Support Vector Machine (SVM). Phương pháp K láng giềng gần nhất (K-Nearest Neighbor – KNN).

Phương pháp Linear Least Square Fit (LLSF). Phương pháp centroid-based vector. Kết luận chương. 50 CHƢƠNG 3: PHÂN LỚP DỰA TRÊN ĐA ĐẶC TRƢNG VÀ ỨNG DỤNG PHÂN LOẠI PHẢN HỒI CÔNG DÂN.

Phân lớp dựa trên đa đặc trưng. Mô hình phần lớp dựa trên tổ hợp đa đặc trưng. IBM Watson Studio. Cấu trúc dữ liệu huấn luyện.

Cập nhật dữ liệu huấn luyện. Quy định về kích thước dữ liệu. Xây dựng dữ liệu huấn luyện. Chức năng gợi ý phân loại phản hồi công dân.

Kết luận chương. 67 KẾT LUẬN & HƢỚNG PHÁT TRIỂN. 69 TÀI LIỆU THAM KHẢO. 70 v DANH MỤC HÌNH ẢNH Hình 1: Mô hình tổng quan hệ thống tiếp nhận và trả lời công dân.

6 Hình 2: Hình ảnh ô nhiễm môi trường (nguồn: Internet). 8 Hình 3: Phân lớp đối tượng dựa trên nhận diễn các đối tượng trên ảnh [8]. 11 Hình 4: Mô hình tổng quát của hệ thống phân lớp đối tượng ảnh [8]. 12 Hình 5: Biểu đồ mô phỏng việc tính toán DoG ảnh từ các ảnh kề mờ [5].

24 Hình 6: Mỗi điểm ảnh được so sánh với 26 láng giềng của điểm ảnh đó. 24 Hình 7: Quá trình lựa chọn các điểm hấp dẫn. Các điểm hấp dẫn được phát hiện, c. Ảnh sau khi loại bỏ các điểm hấp dẫn có độ tương phản thấp, d.

Ảnh sau loại bỏ các điểm hấp dẫn dọc theo cạnh. 25 Hình 8: Biểu diễn các vector đặc trưng. 26 Hình 9: Tổng quan về mô hình của hệ thống tìm kiếm ảnh theo màu sắc, kết cấu và hình dạng [1]. 32 Hình 10: Biểu diễn các đối tượng trong hệ toạ độ X, Y.

41 Hình 11: Biểu diễn các đối tượng và tâm nhóm trên hệ toạ độ. 42 Hình 12: Biểu diễn lại các đối tượng và tâm của các nhóm đối tượng. 43 Hình 13: Ví dụ về mô hình SVM (nguồn Internet). 46 Hình 14: Các giai đoạn biểu diễn đặc trưng ảnh [2].

52 Hình 15: Biểu diễn đa đặc trưng ảnh [2]. 53 Hình 16: Phân lớp ảnh với m vector đặc trưng của ảnh [2]. 54 Hình 17: So sánh các cách tiếp cận: đơn đặc trưng và đa đặc trưng [3]. 54 Hình 18: Phân lớp ảnh được biểu diễn bởi m vector vào L lớp cho trước [3].

56 Hình 19: Kiến trúc mô hình phân lớp ảnh đa đặc trưng. 57 Hình 20: Các tiến trình hoạt động trong việc phân lớp có sử dụng chức năng nhận dạng hình ảnh của Watson Studio (ibm. 60 Hình 21: Ví dụ về việc xây dựng các lớp phủ định. 61 Hình 22: Cập nhật dữ liệu huấn luyện.

61 Hình 23: Danh sách các lớp dữ liệu được huấn luyện trên Watson Studio. 63 Hình 24: Danh sách các ảnh thuộc tập dữ liệu huấn luyện về môi trường. 63 Hình 25: Danh sách các ảnh thuộc tập dữ liệu huấn luyện về giao thông. 64 Hình 26: Danh sách các ảnh thuộc tập dữ liệu huấn luyện về an ninh trật tự.

64 Hình 27: Danh sách các ảnh thuộc tập dữ liệu huấn luyện về du lịch. 65 Hình 28: Danh sách các ảnh thuộc tập dữ liệu huấn luyện về du lịch. 65 vi Hình 29: Giao diện cho phép tải lên một ảnh bất kì. 66 Hình 30: Chức năng thể hiện mức độ phù hợp của ảnh tải lên với lĩnh vực môi trường.

66 Hình 31: Chức năng thể hiện mức độ phù hợp của ảnh tải lên với lĩnh vực giao thông. 67 Hình 32: Chức năng thể hiện mức độ phù hợp của ảnh tải lên với lĩnh vực môi trường và có liên quan đến du lịch và an ninh trật tự. Tính cấp thiết của đề tài Thanh Hoá hiện là một trong các tỉnh mạnh việc áp dụng công nghệ thông tin vào công tác quản lý, giảm các thủ tục hành chính, tăng tính kết nối cho người dân và chính quyền. Hiện nay UBND Tỉnh đã ban hành nhiều quyết định nhằm tạo nên khung pháp lý và tạo cơ sở pháp lý để các tổ chức, cá nhân tham gia vào quá trình xây dựng chính quyền điện tử và các dịch vụ thành phố thông minh.

- Quyết định 2538/QĐ-UBND phê duyệt đề án xây dựng Chính quyền điện tử và phát triển các dịch vụ thành phố thông minh tỉnh Thanh Hóa, giai đoạn 2017 – 2020 - Quyết định 3089/QĐ-UBND ngày 22/8/2017 phê duyệt Kiến trúc Chính quyền điện tử tỉnh Thanh Hóa - Quyết định 1025/QĐ-UBND ngày 04/4/2017, về ban hành Kế hoạch hành động đẩy mạnh cải cách hành chính, cải thiện mạnh mẽ môi trường đầu tư kinh doanh, hỗ trợ phát triển doanh nghiệp và nâng cao năng lực cạnh tranh tỉnh Thanh Hóa giai đoạn 2016 – 2020 Gần đây nhất Chính Phủ có Nghị quyết số 17/NQ-CP ngày 07/3/2019 của Chính phủ, về một số nhiệm vụ, giải pháp trọng tâm phát triển Chính phủ điện tử giai đoạn 2019 - 2020, định hướng đến 2025; Về phía tỉnh Thanh Hoá tỉnh có Quyết định số 1118/QĐ-UBND ngày 29/03/2019 Chủ tịch UBND về việc ban hành kế hoạch hành động thực hiện Nghị quyết số 17/NQ-CP. Tuy nhiên, hiện nay việc tiếp nhận các phản ánh để kịp thời giải quyết, tháo gỡ khó khăn, vướng mắc, kiến nghị, đề xuất của doanh nghiệp, người dân vẫn chỉ đang được thực hiện theo các kênh truyền thống như: - Chủ tịch UBND tỉnh duy trì lịch tiếp doanh nghiệp và lịch tiếp công dân định kỳ hàng tháng 2 - Thông qua kênh tiếp nhận và giải quyết bằng văn bản truyền thống. - Thông qua báo đài và các phương tiện thông tin đại chúng, hay các đầu mối tiếp dân ở địa phương. Các kênh kết nối còn nhiều hạn chế, thủ tục phức tạp, và quá trình tiếp nhận và xử lý tốn nhiều thời gian, công sức nên ít thu hút được sự chủ động tham gia đóng góp ý kiến của người dân và doanh nghiệp.

Vì vậy, yêu cầu thực tế đòi hỏi một hệ thống với mục đích tăng cường tính kết nối của người dân, doanh nghiệp và chính quyền, giảm các thủ tục hành chính, tiết kiệm thời gian và chi phí cho việc kết nối người dân và chính quyền. Một trong những vấn đề cần phải giải quyết khi xây dựng hệ thống kết nối người dân là việc phân loại tự động được các phản hồi của người dân. Việc phân loại tự động hỗ trợ hệ thống giảm được thời gian xử lý các phản hồi, từ đó tăng được hiệu quả xử lý công việc.