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.