Đồ án ứng dụng học máy xây dựng web app phát hiện biển số xe - HV Công nghệ Bưu chính Viễn thông

Nghiên cứu giải pháp học máy nhằm xây dựng web app phát hiện và theo dõi biển số xe trong ảnh, tối ưu hóa độ chính xác và xử lý hình ảnh hiệu quả.

• Tác giả: Cao Thành Huy
• Người hướng dẫn: TS. Nguyễn Tất Thắng
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Công nghệ phần mềm
• Đề tài: Nghiên cứu ứng dụng học máy xây dựng web app phát hiện và theo dõi biển số xe trong ảnh
• Loại tài liệu: Đồ án tốt nghiệp đại học
• Năm xuất bản: 2024
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan về học máy phát hiện biển số xe tại Học viện Bưu chính

Học máy là một nhánh quan trọng của trí tuệ nhân tạo. Công nghệ này cho phép máy tính tự học từ dữ liệu mẫu mà không cần lập trình quy tắc cố định. Trong lĩnh vực giao thông thông minh, phát hiện biển số xe đóng vai trò trung tâm. Học viện Công nghệ Bưu chính Viễn thông đã đẩy mạnh nghiên cứu đề tài này nhằm hiện đại hóa hạ tầng quản lý. Đề tài tập trung xây dựng ứng dụng web phát hiện và theo dõi biển số phương tiện qua hình ảnh kỹ thuật số.

Thị giác máy tính xử lý nguồn ảnh đầu vào từ các camera giám sát. Thuật toán tự động quét khung hình để xác định chính xác vị trí biển số. Mô hình học sâu giúp cải thiện đáng kể tốc độ cùng độ chuẩn xác. Công nghệ này thay thế hoàn toàn phương pháp ghi chép thủ công tốn thời gian. Dữ liệu biển số được trích xuất tức thì để phục vụ lưu trữ hoặc đối soát. Nhờ đó, việc điều hành các bãi đỗ xe và giám sát an ninh học đường diễn ra liên tục, minh bạch và an toàn.

1.1. Khái niệm cơ bản về thị giác máy tính và học máy

Thị giác máy tính là phân ngành giúp máy móc thu nhận và hiểu thông tin từ hình ảnh. Khi kết hợp với học máy, hệ thống có khả năng nhận biết đối tượng tự động. Các mạng nơ-ron tích chập học các đặc trưng như góc cạnh, màu sắc và đường nét ký tự. Quy trình này diễn ra hoàn toàn tự động qua các lớp ẩn. Khả năng khái quát hóa giúp mô hình nhận diện chính xác các biển số khác nhau. Hệ thống không dựa vào các quy tắc hình học cứng nhắc như các thuật toán truyền thống trước đây. Kết quả trả về gồm tọa độ hộp bao và nhãn phân loại của biển số xe trong ảnh.

1.2. Bối cảnh nghiên cứu đề tài tại Học viện Bưu chính

Học viện Công nghệ Bưu chính Viễn thông sở hữu khuôn viên rộng với lưu lượng xe lớn mỗi ngày. Việc kiểm soát phương tiện thủ công bằng thẻ giấy hay vé cứng bộc lộ nhiều hạn chế. Tình trạng ùn tắc vào giờ cao điểm gây cản trở di chuyển của sinh viên và cán bộ giảng viên. Do đó, việc ứng dụng học máy vào bài toán phát hiện biển số xe là nhiệm vụ cấp thiết. Đề tài tốt nghiệp ngành Công nghệ thông tin hướng đến việc xây dựng hệ sinh thái phần mềm tự động. Ứng dụng web trực quan giúp ban quản lý bãi đỗ xe kiểm soát lưu lượng xe nhanh chóng và giảm thiểu sai sót do con người.

II. Phân tích thách thức phát hiện biển số xe từ góc nhìn học máy

Quá trình phát hiện biển số xe bằng học máy đối mặt với nhiều rào cản kỹ thuật phức tạp. Hình ảnh thực tế từ camera ngoài trời luôn biến đổi không ngừng theo thời gian. Sự thay đổi thời tiết, góc chụp và cường độ ánh sáng gây suy giảm chất lượng ảnh. Nhiều biển số bị cong vênh, trầy xước, dính bùn đất hoặc bị phương tiện khác che khuất một phần. Những yếu tố này làm mất các chi tiết quan trọng của ký tự và viền biển số.

Ngoài ra, các hệ thống thị giác máy tính còn gặp bài toán mất cân bằng dữ liệu tiền cảnh và nền. Diện tích biển số thường chỉ chiếm tỷ lệ rất nhỏ so với toàn bộ bức ảnh góc rộng. Mô hình phát hiện đối tượng dễ bỏ sót các vật thể kích thước nhỏ này. Sự chênh lệch tỷ lệ khung hình và độ phân giải giữa các nguồn camera cũng gây khó khăn cho việc xử lý. Hơn nữa, việc gán nhãn thủ công hàng nghìn ảnh đòi hỏi nguồn lực lớn. Chi phí tính toán để huấn luyện các mạng nơ-ron sâu cũng là một trở ngại đối với thiết bị thông thường.

2.1. Yếu tố môi trường và biến dạng vật lý của biển số

Môi trường ánh sáng là trở ngại hàng đầu trong thị giác máy tính. Hiện tượng chói lóa từ đèn xe hoặc bóng tối ban đêm làm giảm độ tương phản rõ rệt. Khi xe di chuyển nhanh, camera thường ghi lại hình ảnh bị nhòe mờ vệt chuyển động. Về mặt vật lý, biển số chịu tác động cơ học dẫn đến móp méo hay gỉ sét. Lớp sơn phản quang bị phai màu theo thời gian gây mất nét chữ số. Sự che khuất từng phần do giá chở hàng hoặc bụi bẩn cũng cản trở mô hình nhận dạng. Việc này đòi hỏi thuật toán phải có khả năng suy luận mạnh mẽ để bù đắp các vùng thông tin bị thiếu hụt.

2.2. Vấn đề mất cân bằng dữ liệu và kích thước đối tượng

Trong phát hiện đối tượng, hiện tượng mất cân bằng tiền cảnh và nền rất phổ biến. Vùng nền bao gồm mặt đường, cây cối và nhà cửa chiếm phần lớn diện tích ảnh. Ngược lại, biển số xe chỉ là một cụm pixel rất nhỏ ở trung tâm hoặc góc dưới. Nếu không tối ưu hàm mất mát, mô hình có xu hướng dự đoán nhầm nền thành vật thể. Kích thước đối tượng nhỏ khiến các tầng tích chập sâu làm suy giảm thông tin chi tiết. Thêm vào đó, việc thiếu hụt tập dữ liệu gán nhãn chuẩn trong nước tạo ra rào cản lớn. Mô hình khi triển khai thực tế dễ phát sinh lỗi định vị ngoài ý muốn.

III. Phương pháp học máy phát hiện biển số xe bằng mô hình YOLOv5

Để khắc phục các thách thức kỹ thuật, đề tài lựa chọn kiến trúc mạng YOLOv5 làm giải pháp cốt lõi. YOLOv5 nổi bật nhờ tốc độ suy luận nhanh và độ chính xác cao trong bài toán phát hiện vật thể thời gian thực. Hệ thống xử lý ảnh qua ba phần chính: Backbone trích xuất đặc trưng, Neck kết hợp thông tin đa quy mô và Head dự đoán hộp bao. Cấu trúc mạng này giúp nhận biết biển số ngay cả khi kích thước đối tượng nhỏ hoặc bị che khuất nhẹ.

Quy trình thực hiện bắt đầu bằng bước thu thập và tiền xử lý dữ liệu. Dữ liệu hình ảnh được thu thập từ nhiều góc quay phương tiện thực tế. Công cụ chuyên dụng LabelImg được sử dụng để khoanh vùng và dán nhãn biển số xe chính xác. Tập dữ liệu sau đó được phân chia theo tỷ lệ chuẩn: 80% cho tập huấn luyện và 20% cho tập kiểm thử. Việc thiết lập tham số huấn luyện tuân thủ các quy chuẩn kỹ thuật nhằm tối ưu hóa trọng số. Mô hình sau khi huấn luyện được tích hợp vào ứng dụng web để phục vụ nhận diện trực tiếp.

3.1. Thu thập dữ liệu và chuẩn hóa nhãn với LabelImg

Bộ dữ liệu được xây dựng từ các phương tiện lưu thông thực tế trên đường phố. Hình ảnh thu thập đa dạng về thời điểm chụp, điều kiện chiếu sáng và góc nghiêng của camera. Quá trình xử lý dữ liệu chia thành hai phần lớn: thư mục chứa hình ảnh và thư mục chứa nhãn. Công cụ LabelImg hỗ trợ khoanh vùng chính xác tọa độ biển số xe trên từng tấm ảnh. Các tệp nhãn sau khi trích xuất được lưu trữ đồng bộ dưới định dạng văn bản chuẩn. Tập dữ liệu tiếp tục được chia thành 80% phục vụ huấn luyện và 20% dùng cho việc đánh giá mô hình. Quy chuẩn này đảm bảo tính phong phú và khách quan của dữ liệu.

3.2. Cấu hình tham số và huấn luyện mô hình YOLOv5

Mô hình YOLOv5 được nạp các tham số đầu vào phù hợp với bài toán định vị biển số. Quá trình huấn luyện sử dụng tệp cấu hình chứa đường dẫn dữ liệu và số lượng lớp phân loại. Các siêu tham số quan trọng bao gồm kích thước ảnh đầu vào, kích thước lô dữ liệu và tốc độ học tập. Quá trình lặp qua các chu kỳ huấn luyện giúp mô hình cập nhật trọng số nơ-ron liên tục. Hệ thống theo dõi chặt chẽ hàm mất mát và chỉ số độ chính xác trung bình trên tập kiểm thử. Sau khi hoàn thành, mô hình đạt độ nhạy cao và sẵn sàng chuyển giao cho hệ thống giao diện web.

IV. Kết luận về ứng dụng học máy phát hiện biển số xe trong thực tiễn

Nghiên cứu ứng dụng học máy phát hiện biển số xe tại Học viện Công nghệ Bưu chính Viễn thông mang lại giá trị thực tiễn to lớn. Đề tài chứng minh tính hiệu quả của mô hình học sâu trong việc giải quyết bài toán giao thông thông minh. Ứng dụng web được xây dựng hoàn chỉnh cho phép tiếp nhận hình ảnh và phản hồi kết quả trong thời gian ngắn. Tỷ lệ phát hiện chính xác vị trí biển số đạt mức độ tin cậy cao trên nhiều phương tiện khác nhau. Điều này khẳng định tiềm năng to lớn của việc ứng dụng trí tuệ nhân tạo vào công tác quản trị cơ sở vật chất học đường.

Thành công của mô hình mở ra hướng đi bền vững cho các giải pháp bãi đỗ xe thông minh. Hệ thống giúp giảm áp lực nhân sự kiểm soát và triệt tiêu tình trạng ùn tắc giao thông nội khu. Dữ liệu phương tiện được số hóa hoàn toàn phục vụ công tác tra cứu lịch sử khi cần thiết. Trong tương lai, mô hình có thể kết hợp thêm thuật toán nhận dạng ký tự quang học để đọc trọn vẹn dãy số. Việc mở rộng liên kết với hệ thống nhận diện khuôn mặt tài xế cũng hứa hẹn nâng cao năng lực an ninh toàn diện cho nhà trường.

4.1. Hiệu quả triển khai vào hệ thống bãi đỗ xe thông minh

Hệ thống nhận diện tự động nâng cao rõ rệt hiệu suất điều phối xe tại các cổng kiểm soát. Thời gian nhận diện vị trí biển số diễn ra chỉ trong một phần giây. Xe có thể đi qua nhanh chóng mà không cần dừng lại xuất trình thẻ xe vật lý. Quá trình này giúp chấm dứt tình trạng ùn tắc vào đầu các ca học. Chi phí quản lý bãi đỗ được tối ưu hóa nhờ việc cắt giảm nhân sự kiểm tra vé. Toàn bộ hình ảnh cùng thời gian ra vào đều được lưu trữ trực tiếp trên cơ sở dữ liệu. Độ an toàn và khả năng phòng ngừa mất cắp phương tiện nhờ đó được đảm bảo tối đa.

4.2. Tiềm năng tích hợp OCR và mở rộng giải pháp tương lai

Giai đoạn tiếp theo của đề tài hướng đến việc tích hợp nhận dạng ký tự quang học OCR. Khi đó, hệ thống không chỉ định vị khung biển số mà còn đọc chính xác từng chữ và số. Dữ liệu này giúp tra cứu thông tin xe với cơ sở dữ liệu quốc gia dễ dàng hơn. Hơn nữa, mô hình có thể kết hợp với các camera giám sát tốc độ xung quanh khuôn viên. Việc phát hiện các vi phạm giao thông nội bộ sẽ hoàn toàn tự động. Ứng dụng công nghệ điện toán biên cũng sẽ giúp xử lý video trực tiếp tại chỗ mà không làm quá tải máy chủ trung tâm. Đây là tiền đề cho một hệ thống trường đại học số văn minh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: CÁC PHƯƠNG PHÁP GIẢI QUYẾT BÀI TOÁN LPD 1.1 Phương pháp phân loại ảnh truyền thống Xử lý ảnh là một lĩnh vực của khoa học máy tính liên quan đến việc áp dụng các thuật toán, các luật để xử lý và phân tích hình ảnh. Xử lý ảnh có nhiều ứng dụng thực tiễn trong các lĩnh vực như: Cao Thành Huy – D19CNPM07 12 Đồ án tốt nghiệp Đại học ● Giám sát: Sử dụng để phát hiện các đối tượng trong ảnh, chẳng hạn như người, xe cộ,. ● Nhận dạng: Sử dụng để nhận dạng các đối tượng trong ảnh, chẳng hạn như biển số xe, khuôn mặt,. ● Nén: Sử dụng để giảm kích thước của ảnh mà không làm giảm chất lượng của ảnh.

● Tái tạo: Sử dụng để tạo ra các hình ảnh mới từ các thông tin đã biết. Có nhiều cách phân chia các phương pháp phân loại / nhận dạng ảnh. Một cách khả dĩ là phân loại các phương pháp nhận dạng ảnh thành hai loại chính: ● Các phương pháp nhận dạng ảnh truyền thống: Sử dụng các kỹ thuật xử lý ảnh cổ điển, chẳng hạn như phát hiện cạnh, phân tích đặc trưng,. Về cơ bản các phương pháp này dựa trên việc trích chọn và sử dụng các đặc trưng đã được thiết kế trước.

● Các phương pháp nhận dạng ảnh được phát triển mạnh gần đây sử dụng học sâu kết hợp với mạng nơ-ron tích chập (Convolutional Neural Network - CNN) tự động học các đặc trưng để xử lý, phân tích và phân loại ảnh. Các kỹ thuật xử lý ảnh truyền thống thường sử dụng các thuật toán, các luật để phân tích các đặc trưng của hình ảnh. Các kỹ thuật này có thể được sử dụng để thực hiện các nhiệm vụ như: ● Phát hiện cạnh: Sử dụng để tìm các cạnh trong hình ảnh. ● Phân tích đặc trưng: Sử dụng để tìm các đặc trưng của các đối tượng trong hình ảnh.

● Phân loại: Sử dụng để phân loại các đối tượng trong hình ảnh. Các kỹ thuật xử lý ảnh dựa trên học sâu hiện nay thường sử dụng các mô hình CNN để tự động học các đặc trưng của hình ảnh. Các mô hình này có thể được sử dụng để thực hiện các nhiệm vụ như: Cao Thành Huy – D19CNPM07 13 Đồ án tốt nghiệp Đại học ● Nhận dạng: Sử dụng để nhận dạng các đối tượng trong hình ảnh. ● Phân loại: Sử dụng để phân loại các đối tượng trong hình ảnh.

● Tạo mẫu: Sử dụng để tạo ra các hình ảnh mới. Các ứng dụng của xử lý ảnh rất đa dạng và phong phú. Xử lý ảnh được sử dụng trong nhiều lĩnh vực khác nhau, bao gồm: ● Giám sát: Sử dụng để phát hiện các đối tượng trong ảnh, chẳng hạn như người, xe cộ,. ● Nhận dạng: Sử dụng để nhận dạng các đối tượng trong ảnh, chẳng hạn như biển số xe, khuôn mặt,.

● Nén: Sử dụng để giảm kích thước của ảnh mà không làm giảm chất lượng của ảnh. ● Tái tạo: Sử dụng để tạo ra các hình ảnh mới từ các thông tin đã biết. Xử lý ảnh là một lĩnh vực khoa học máy tính đang phát triển nhanh chóng. Các kỹ thuật xử lý ảnh ngày càng được cải thiện, giúp tăng độ chính xác và hiệu quả của việc xử lý và phân tích hình ảnh.

Khi bài toán nhận diện biển số xe mới xuất hiện, các công nghệ học sâu chưa phát triển rộng rãi như hiện nay, các phương pháp nhận dạng ảnh truyền thống sử dụng các đặc trưng được thiết kế được sử dụng để giải quyết bài toán nhận diện biển số xe một cách khá hiệu quả. Các phương pháp này cũng cho kết quả khá chính xác. Với ảnh đầu vào có chất lượng tốt, kết quả có thể gần như lý tưởng. Phương pháp này áp dụng phần lớn là các thư viện xử lý ảnh mạnh như OpenCV của Python trong việc làm tăng độ tương phản, xác định các cạnh, biên, xác định các đường trong ảnh, trích chọn các đặc trưng, phân loại và cho ra kết quả của biển số.

OpenCV là một thư viện mã nguồn mở cho xử lý hình ảnh và thị giác máy tính. OpenCV được phát triển bởi Intel và hiện được duy trì bởi cộng đồng OpenCV. Cao Thành Huy – D19CNPM07 14 Đồ án tốt nghiệp Đại học OpenCV cung cấp một bộ công cụ và hàm đầy đủ để thực hiện các nhiệm vụ xử lý hình ảnh và thị giác máy tính, bao gồm: ● Phát hiện đối tượng: Sử dụng để tìm các đối tượng trong hình ảnh, chẳng hạn như người, xe cộ,. ● Nhận dạng: Sử dụng để nhận dạng các đối tượng trong hình ảnh, chẳng hạn như biển số xe, khuôn mặt,.

● Nén: Sử dụng để giảm kích thước của ảnh mà không làm giảm chất lượng của ảnh. ● Tái tạo: Sử dụng để tạo ra các hình ảnh mới từ các thông tin đã biết. OpenCV có sẵn cho nhiều nền tảng khác nhau, bao gồm Windows, MacOS, Linux, và Android. OpenCV cũng có sẵn dưới dạng thư viện Python và C++.

Các tính năng chính của OpenCV: ● Hỗ trợ nhiều ngôn ngữ lập trình: OpenCV hỗ trợ nhiều ngôn ngữ lập trình, bao gồm Python, C++, và Java. ● Hỗ trợ nhiều nền tảng: OpenCV có sẵn cho nhiều nền tảng khác nhau, bao gồm Windows, MacOS, Linux, và Android. ● Cung cấp bộ công cụ và hàm đầy đủ: OpenCV cung cấp một bộ công cụ và hàm đầy đủ để thực hiện các nhiệm vụ xử lý hình ảnh và thị giác máy tính. ● Được sử dụng rộng rãi trong nhiều lĩnh vực: OpenCV được sử dụng rộng rãi trong nhiều lĩnh vực khác nhau, bao gồm giám sát, nhận dạng, nén, và tái tạo hình ảnh.2 Phương pháp dựa trên Học sâu Hiện nay các phương pháp xử lý ảnh nói chung và các phương pháp nhận dạng ảnh nói riêng dựa trên Học sâu đã đạt được rất nhiều tiến bộ, thì phương pháp áp dụng Học sâu dùng mạng CNN… để học các đặc trưng của biển số xe, từ đó có thể nhận diện ra vị trí, ký tự trong biển số xe đã trở nên khá phổ biến.

Mặc dù rằng, ta vẫn không thể bỏ qua các bước xử lý ảnh để có thể có ảnh đầu vào tốt nhất cho các mạng CNN, nhưng việc áp dụng Học sâu dựa trên mạng CNN đã giúp ta có thể có kết quả Cao Thành Huy – D19CNPM07 15 Đồ án tốt nghiệp Đại học chính xác, hiệu quả và dễ dàng hơn trong việc xử lý hơn phương pháp xử lý ảnh thuần túy. Phương pháp dựa trên mạng CNN để xử lý bài toán nhận diện biển số xe là phương pháp sử dụng các mô hình học sâu kết hợp với mạng nơ-ron tích chập, để học các đặc trưng của biển số xe. Các mô hình học máy này thường được huấn luyện trên một tập dữ liệu lớn chứa rất nhiều ảnh biển số xe. Phương pháp này ngày nay cũng đã được áp dụng rất rộng rãi trong công nghiệp cũng như một số bài toán trong khoa học sự sống, ngành Y học, khoa học vi sinh,.

Khi mà phương pháp xử lý ảnh thuần túy không thể giải quyết được những bài toán khó như khi có sự chồng lấn, che khuất của các đối tượng trong ảnh thì phương pháp học sâu dùng mạng CNN đã giúp tăng độ chính xác của nhiều bài toán. Các bước thực hiện phương pháp dựa trên học máy để xử lý bài toán nhận diện biển số xe như sau: 1. Chuẩn bị dữ liệu: Dữ liệu huấn luyện cần phải được thu thập từ nhiều nguồn khác nhau, bao gồm các ảnh chụp biển số xe trong điều kiện bình thường và điều kiện khó khăn. Chuẩn hóa dữ liệu: Dữ liệu huấn luyện cần được chuẩn hóa về kích thước, độ tương phản,.

để đảm bảo mô hình học máy có thể học được các đặc trưng của biển số xe một cách chính xác. Huấn luyện mô hình: Mô hình học máy sẽ được huấn luyện trên tập dữ liệu chuẩn hóa. Quá trình huấn luyện sẽ giúp mô hình học được các đặc trưng của biển số xe. Thử nghiệm mô hình: Mô hình đã được huấn luyện sẽ được thử nghiệm trên một tập dữ liệu khác để đánh giá độ chính xác.

Ưu điểm cơ bản của phương pháp dựa trên mạng CNN học sâu để xử lý bài toán nhận diện biển số xe là: Cao Thành Huy – D19CNPM07 16 Đồ án tốt nghiệp Đại học ● Khả năng học các đặc trưng phức tạp: Các mô hình học máy có khả năng học các đặc trưng phức tạp của biển số xe, ngay cả khi biển số xe bị che khuất, bị bẩn, các mẫu dạng biển số xe khác nhau, các mẫu dạng có thể thay đổi theo từng vùng, theo thời gian v.v… ● Tính linh hoạt: Các mô hình học máy có thể được điều chỉnh để phù hợp với các điều kiện môi trường khác nhau. Nhược điểm của phương pháp dựa trên học máy để xử lý bài toán nhận diện biển số xe: ● Yêu cầu nhiều dữ liệu huấn luyện: Các mô hình học máy cần được huấn luyện trên một tập dữ liệu lớn để có thể học được các đặc trưng của biển số xe một cách chính xác. ● Yêu cầu phần cứng mạnh: Quá trình huấn luyện các mô hình học máy có thể yêu cầu phần cứng mạnh. Phương pháp dựa trên mạng CNN là một phương pháp hiệu quả để xử lý bài toán nhận diện biển số xe.

Các mô hình học máy có khả năng học các đặc trưng phức tạp của biển số xe, ngay cả khi biển số xe bị che khuất, bị bẩn,. Với phương pháp áp dụng Học máy, ta có thể dễ dàng thấy được sự hiệu quả, độ chính xác đều được tăng so với phương pháp nhận dạng ảnh truyền thống như một số mô hình: Stardist, MMDetection, YOLO,. Trong đồ án này, ta sử dụng mô hình YOLO để giải quyết bài toán. CHƯƠNG 2: NHẬN DẠNG ẢNH SỬ DỤNG HỌC SÂU DỰA TRÊN MẠNG NƠ-RON TÍCH CHẬP 2.1 Lý thuyết chung về phát hiện đối tượng (object detection) trong Thị giác máy tính.

Một trong những lĩnh vực chính của Trí tuệ nhân tạo (Artificial Intelligence) là thị giác máy tính(Computer Vision). Computer Vision là một lĩnh vực sử dụng các kỹ Cao Thành Huy – D19CNPM07 17 Đồ án tốt nghiệp Đại học thuật thu thập, xử lý ảnh kỹ thuật số, phân tích và nhận dạng dữ liệu hình ảnh, xác định các đối tượng, dựng ảnh, siêu phân giải hình ảnh v. phát hiện đối tượng có lẽ là khía cạnh quan trọng nhất của thị giác máy dựa trên số lượng ứng dụng trong thực tiễn. Phát hiện đối tượng đề cập đến khả năng của hệ thống máy tính và phần mềm có thể định vị các đối tượng trong một hình ảnh và phân loại từng đối tượng.