Chương 1: Giới thiệu đề tài nghiên cứu, mục tiêu và ý nghĩa của nghiên cứu, tình hình nghiên cứu hiện tại trong lĩnh vực nhận dạng các đối tượng hình học bằng học máy, phạm vi và đối tượng nghiên cứu của luận văn, và cấu trúc tổng thể của luận văn. • Chương 2: Tìm hiểu và phân tích các công trình và bài báo khoa học liên quan trước khi thực hiện đề tài. Tập trung vào việc khám phá CNN và cách thức xây dựng mô hình mạng trong việc nhận dạng hình ảnh. • Chương 3: Nêu quy trình xây dựng mô hình nhận dạng các đối tượng hình học bằng học máy gồm việc thu thập và tiền xử lý dữ liệu hình ảnh, thiết kế kiến trúc CNN, trình bày quá trình huấn luyện và tinh chỉnh mô hình và cách đánh giá mô hình.
• Chương 4: Mô tả kết quả của các thử nghiệm và đánh giá hiệu suất các mô hình nhận dạng các đối tượng trong hình học. Phương pháp đánh giá và các chỉ số hiệu suất sẽ được đề cập, bao gồm độ chính xác, độ phủ và các độ đo khác. Chương cũng đã so sánh kết quả của các mô hình được đề xuất và đưa ra đánh giá về hiệu suất và khả năng sử dụng mô hình. • Chương 5: Tổng kết lại mục tiêu và ý nghĩa của nghiên cứu, đánh giá kết quả cuối cùng và tóm tắt những đóng góp của luận văn.
Ngoài ra luận văn cũng cập đến hạn chế và hướng phát triển tiếp theo cho các nghiên cứu liên quan đến đề tài này trong tương lai. CƠ SỞ LÝ THUYẾT VÀ CÁC NGHIÊN CỨU LIÊN QUAN 2. Giới thiệu Chương này trình bày những lý thuyết cơ bản về CNN cùng những thách thức trong nhận diện ảnh hình học bởi học máy. Nghiên cứu thiết lập một nền tảng toán học cao bằng cách mô tả cách CNN làm việc, xác định kiến trúc máy tính cùng những phần tử quan trọng của nó.
Ngoài ra, căn cứ trên lý thuyết cùng những bài viết học thuật, chương cũng đi sâu giải thích, giới thiệu những kỹ thuật trích xuất đặc điểm từ mẫu ảnh và mô tả những cơ sở dữ liệu thông dụng bao gồm OpenCV, TensorFlow và Keras. Trong quá trình nhận dạng hình học bằng học máy, việc xử lý linh hoạt trong các điều kiện biến đổi, khả năng phân loại chính xác các đối tượng với hình dạng và kích thước đa dạng, khả năng tổng quát từ dữ liệu huấn luyện, hiệu suất và tốc độ xử lý thời gian thực là cần thiết. Để đảm bảo tính chính xác trong việc nhận dạng các đối tượng hình học, cần phát triển và áp dụng các mô hình học máy phù hợp. Phần tiếp theo sẽ trình bày về những nghiên cứu khoa học và các bài báo liên quan đã được thực hiện trong lĩnh vực này.
Các nghiên cứu khoa học và bài báo liên quan Nghiên cứu chú trọng vào những công trình có liên quan, nhằm khắc phục các vấn đề đã được nêu. Công trình nghiên cứu của [KY2020] (A. Ghanou - 2D geometric shapes dataset for machine learning and pattern recognition, University Moulay Ismail of Meknes, Morocco, 2020) [1], công trình này đã cung cấp tập dữ liệu rất hữu ích. Bộ dữ liệu chứa 9 lớp hình học 2D, kích thước ảnh là 200x200.
Mỗi lớp chứa 10000 dữ liệu bao gồm các sự thay đổi khác nhau về đường viền, vị trí, góc quay, màu nền giữa các hình. Tác giả cũng đề xuất kiến trúc mạng nơ ron tích chập gồm có 7 lớp tích chập kết hợp với 1 lớp kết nối đầy đủ (Full Layer Connect) biểu diễn đầu ra của mạng nơ ron. Trong mỗi lớp tích chập minh họa như hình 2.1 với một bộ tham số được chuẩn hóa theo batch (Batch Normalization), một hàm kích hoạt (Activation Function) và một lớp lấy mẫu tối đa (Max Pooling).1 Kiến trúc mạng được đề xuất Ưu điểm của công trình này: • Cung cấp một bộ dữ liệu với 9 lớp hình học 2D được tạo tự động để sử dụng cho các nhiệm vụ nhận dạng và phân loại hình học. • Mỗi hình được vẽ ngẫu nhiên trên một hình ảnh RGB 200x200, với chu vi và vị trí của từng hình được chọn ngẫu nhiên và độ nghiêng của mỗi hình cũng được chọn ngẫu nhiên trong khoảng từ -180° đến 180°.
• Các màu nền và màu tô của hình được chọn ngẫu nhiên và độc lập. • Bài báo cũng cung cấp mã nguồn trên GitHub để tạo ra bộ dữ liệu mới với bất kỳ kích thước dữ liệu mong muốn. Mặc dù vậy, các lợi thế của những nghiên cứu trước đây chỉ có thể coi là một điều kiện tiên quyết quan trọng để xây dựng một tập dữ liệu đáng tin cậy và đa dạng, từ đó tăng cường hiệu suất và sự chính xác của quá trình phân loại hình ảnh theo học máy. Mô hình học sâu được xây dựng dựa vào nghiên cứu công trình [JF1999] (J.
Fonseca - A Simple Approach to Recognise Geometric Shapes Interactively, Departamento de Engenharia Informatica, Lisboa, Portugal, 1999) [2], công trình này đã đạt được kết quả khá thành công với tỷ lệ chính xác 91% cho tập dữ liệu chứa các hình vẽ phác thảo. Ma trận nhầm lẫn (Confusion Matrix) trong bảng 2.1 cho thấy tỉ lệ nhận dạng đúng và sai cho mỗi loại hình dạng của hình học.1 Bảng ma trận nhầm lẫn Công trình này có ưu điểm là: • Toàn bộ đặc điểm hình học được làm đầu vào để nhận dạng đối tượng. • Áp dụng thuật toán cây quyết định để loại bỏ các hình dạng không mong muốn. • Áp dụng logic mờ để loại bỏ sự chắc chắn và không chính xác trong các hình phác thảo hình học.
Trong nghiên cứu này, tác giả đã phân tích và chỉ ra một số hạn chế và thách thức trong việc áp dụng các thuật toán học máy để nhận diện các đối tượng hình học. Đầu tiên, một trong những vấn đề quan trọng là khó xác định thời gian chờ đợi phù hợp để nhận diện các dạng hình học. Điều này gây ảnh hưởng lớn đến hiệu suất và tốc độ xử lý trong quá trình nhận dạng, đặc biệt là khi xử lý các ảnh có kích thước lớn hoặc có mật độ đối tượng cao. Thứ hai, tác giả đã nhận thấy rằng việc nhận dạng các đối tượng hình thoi không luôn mang lại kết quả mong muốn.
Mặc dù các mô hình học máy hiện nay có khả năng chính xác cao cho nhiều hình dạng hình học khác nhau, nhưng việc nhận dạng hình thoi vẫn đang gặp khó khăn. Kết quả nhận dạng cho hình thoi thường chỉ đạt khoảng từ 85% đến 88%, gây ra sự mất cân đối và không đáng tin cậy trong việc nhận dạng đối tượng này. Vì các thách thức trên, tác giả đã khuyến nghị sử dụng thư viện OpenCV làm một phương tiện trợ giúp hữu ích. Việc sử dụng thư viện OpenCV được coi là một công cụ 8 hiệu quả và khả thi nhằm giải quyết các hạn chế và thách thức trong việc nhận diện đối tượng hình học bởi học máy.
Trong công trình [Hossen2022) (M. Hossen và cộng sự - Application of Python OpenCV to detect contour of shapes and color of a real image, International Journal of Novel Research in Computer Science and Software Engineering, 2022) [3], tác giả và những cộng sự đã áp dụng nhiều thư viện phổ biến như OpenCV và NumPy vào quá trình nghiên cứu để phát hiện các hình dạng, đường viền và màu sắc của đèn giao thông. Dự án này đạt thành công khi đã xây dựng và triển khai một mô hình tiên tiến để nhận diện chính xác các hình ảnh hình học (Hình 2.2) dựa trên nhiều thư viện.2 Các hình học được nhận diện bằng thư viện OpenCV Dự án này đối mặt với những thách thức quan trọng. Đầu tiên, khi có sự chồng chéo giữa hai hoặc nhiều hình dạng, công trình không thể phát hiện chính xác đường viền của các hình dạng và phân biệt được màu sắc của chúng.
Điều này gây ảnh hưởng đáng kể đến khả năng nhận diện và phân loại các hình dạng hình học phức tạp. Thứ hai, phát hiện các hình nhỏ trong các hình lớn cũng gặp nhiều khó khăn, khi các hình nhỏ bị che khuất bởi các hình lớn hoặc không được đánh dấu rõ ràng trong hình ảnh. Thách thức này khiến cho việc nhận dạng và xác định đúng các đối tượng hình học trở nên khó khăn. Cuối cùng, nếu mô hình được sử dụng trong những môi trường thực, chẳng hạn trong môi trường ngoài trời hoặc trong những môi trường có mức độ phức tạp cao, mô hình cũng gặp trở ngại đối với việc xác định và nhận dạng những hình khối, màu và đường vẽ phức tạp.
Điều này là vì việc thay đổi màu sắc, góc nhìn và nhiễu môi trường sẽ tác động đến độ chính xác của mô hình đối với việc nhận dạng và định vị chính xác đối tượng hình học. Một số cơ sở lý thuyết 2. Học máy (Machine learning) Học máy là một phần thiết yếu đối với kỹ thuật máy và trí tuệ nhân tạo. Nó dựa trên sự hiểu biết về dữ liệu và phương thức mà máy có thể học thông qua thuật toán nhằm tối ưu hoá năng suất của máy qua dữ liệu.
Một trong các kỹ thuật chính đối với học máy là học có giám sát (supervised learning). Trong học có giám sát, mô hình được xây dựng trên những cặp thông tin chuẩn hoá bao gồm nguồn vô và đầu vào tương xứng. Mục tiêu là phát triển một hệ thống dự báo chuẩn xác những đầu vào mới dựa trên nguồn vào. Các mô hình thông dụng trong học có giám sát là cây chủ động (decision trees), mô hình tuyến tính (linear regression) và mạng nơ ron (neural networks).
Học không giám sát (Unsupervised learning) cũng là một thuật ngữ phổ biến trong ngành học máy. Trong học không giám sát, các tập dữ liệu chỉ được xem xét và tìm hiểu dữ liệu khi không có nguồn dữ liệu đầu vào đã qua ghi nhãn. Điều này liên quan đến việc chỉ tập trung tìm hiểu bản chất và mối quan hệ của dữ liệu nhằm đưa đến những quyết định đúng đắn và tìm hiểu sâu thêm về loại dữ liệu đang phân tích. Một trong các phương pháp thông dụng để học không giám sát là phân cụm (clustering).
Phân cụm có nhiệm vụ tập hợp những đối tượng dữ liệu có chủ đề tương tự lại với nhau, căn cứ trên những đặc điểm và khuôn mẫu tương tự. Ví dụ, đối với phân cụm ảnh, có thể tập hợp những đối tượng có chủ đề tương đồng nhất với nhau mà không cần thiết phải biết về từng loại đối tượng riêng biệt. Việc giảm chiều dữ liệu (Dimensionality reduction) là một yếu tố quan trọng trong lĩnh vực học không giám sát.