Luận văn thạc sĩ về nhận dạng và phân loại hoa quả trong ảnh màu

Luận văn thạc sĩ nghiên cứu vnu uet nhận dạng và phân loại hoa quả trong ảnh màu luận văn ths kỹ thuật phần mềm 60480103, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp

• Tác giả: Nguyễn Đắc Thành
• Người hướng dẫn: PGS. Lê Thanh Hà
• Trường học: Trường Đại học Công nghệ
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nhận dạng và phân loại hoa quả trong ảnh màu
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN
• 1.1. Tính cấp thiết của đề tài luận văn
• 1.2. Mục tiêu của luận văn
• 1.3. Cơ sở dữ liệu ảnh hoa quả
• 1.4. Bộ huấn luyện nhận dạng hoa quả
• 1.5. Ứng dụng nhận dạng hoa quả
• 1.6. Cấu trúc của luận văn
• 2. CHƯƠNG 2
• 3. CHƯƠNG 3
• 4. CHƯƠNG 4: KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. So sánh với phương pháp Học máy truyền thống
• 4.2. So sánh kết quả với bộ CSDL được sinh tự động
• 4.3. Thử nghiệm ứng dụng trong thực tế
• 5. CHƯƠNG 5
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nhận dạng và phân loại hoa quả trong ảnh màu

Nhận dạng và phân loại hoa quả trong ảnh màu là một lĩnh vực nghiên cứu quan trọng trong công nghệ thông tin, đặc biệt là trong lĩnh vực Thị giác máy tính. Với sự phát triển của các phương pháp học máy và học sâu, khả năng nhận dạng hoa quả đã được cải thiện đáng kể. Nghiên cứu này không chỉ giúp tự động hóa quy trình phân loại hoa quả mà còn nâng cao hiệu quả trong sản xuất nông nghiệp.

1.1. Khái niệm về nhận dạng hình ảnh và hoa quả

Nhận dạng hình ảnh là quá trình mà máy tính có thể phân tích và hiểu được nội dung của một bức ảnh. Trong bối cảnh hoa quả, điều này có nghĩa là máy tính có thể xác định loại hoa quả dựa trên các đặc điểm hình ảnh như màu sắc, hình dạng và kết cấu.

1.2. Tầm quan trọng của nhận dạng hoa quả trong nông nghiệp

Việc nhận dạng hoa quả tự động giúp tiết kiệm thời gian và công sức trong quá trình thu hoạch và phân loại. Điều này không chỉ nâng cao năng suất mà còn giảm thiểu sai sót do con người gây ra trong quá trình phân loại.

II. Những thách thức trong nhận dạng và phân loại hoa quả

Bài toán nhận dạng hoa quả gặp phải nhiều thách thức, từ sự đa dạng về hình dạng, màu sắc đến điều kiện ánh sáng khác nhau. Những yếu tố này làm cho việc phát triển một hệ thống nhận dạng chính xác trở nên khó khăn.

2.1. Sự đa dạng về hình dạng và màu sắc của hoa quả

Mỗi loại hoa quả có thể có nhiều biến thể về hình dạng và màu sắc, điều này gây khó khăn cho việc nhận dạng chính xác. Ví dụ, một loại táo có thể có nhiều màu sắc khác nhau tùy thuộc vào độ chín.

2.2. Ảnh hưởng của điều kiện ánh sáng đến nhận dạng

Ánh sáng có thể làm thay đổi màu sắc và độ tương phản của hoa quả trong ảnh, dẫn đến việc máy tính có thể nhận diện sai loại hoa quả. Việc xử lý ảnh để giảm thiểu ảnh hưởng của ánh sáng là rất cần thiết.

III. Phương pháp học máy truyền thống trong nhận dạng hoa quả

Phương pháp học máy truyền thống đã được áp dụng để giải quyết bài toán nhận dạng hoa quả. Những phương pháp này thường dựa vào việc trích xuất đặc trưng từ ảnh và sử dụng các thuật toán phân loại để nhận diện.

3.1. Trích xuất đặc trưng trong nhận dạng hoa quả

Trích xuất đặc trưng là quá trình lấy ra các thông tin quan trọng từ ảnh, như màu sắc và hình dạng, để phục vụ cho việc phân loại. Các đặc trưng này sẽ được đưa vào mô hình học máy để huấn luyện.

3.2. Các thuật toán phân loại phổ biến

Một số thuật toán phân loại phổ biến trong học máy bao gồm K-Nearest Neighbors (KNN), Support Vector Machines (SVM) và Decision Trees. Những thuật toán này đã được áp dụng để phân loại hoa quả với độ chính xác nhất định.

IV. Phương pháp học sâu trong nhận dạng hoa quả

Học sâu đã mang lại những bước tiến vượt bậc trong nhận dạng hoa quả. Các mô hình như mạng nơ-ron tích chập (CNN) đã cho thấy hiệu quả cao trong việc nhận diện hình ảnh.

4.1. Mạng nơ ron tích chập CNN và ứng dụng

Mạng nơ-ron tích chập là một trong những mô hình học sâu phổ biến nhất trong nhận dạng hình ảnh. CNN có khả năng tự động trích xuất đặc trưng mà không cần sự can thiệp của con người, giúp cải thiện độ chính xác trong nhận dạng hoa quả.

4.2. Kết quả thực nghiệm với mô hình học sâu

Các thử nghiệm cho thấy mô hình học sâu có thể đạt được độ chính xác cao hơn so với các phương pháp học máy truyền thống. Điều này mở ra nhiều cơ hội mới trong việc ứng dụng công nghệ nhận dạng hoa quả.

V. Ứng dụng thực tiễn của nhận dạng hoa quả

Hệ thống nhận dạng hoa quả có thể được ứng dụng trong nhiều lĩnh vực khác nhau, từ nông nghiệp đến thương mại điện tử. Việc nhận dạng chính xác hoa quả giúp nâng cao hiệu quả trong sản xuất và tiêu thụ.

5.1. Ứng dụng trong nông nghiệp

Hệ thống nhận dạng hoa quả có thể hỗ trợ nông dân trong việc thu hoạch và phân loại sản phẩm, từ đó nâng cao năng suất và chất lượng sản phẩm nông nghiệp.

5.2. Ứng dụng trong thương mại điện tử

Trong thương mại điện tử, việc nhận dạng hoa quả giúp cải thiện trải nghiệm người dùng khi mua sắm trực tuyến, từ đó tăng cường sự hài lòng và lòng trung thành của khách hàng.

VI. Kết luận và tương lai của nhận dạng hoa quả

Nhận dạng và phân loại hoa quả trong ảnh màu là một lĩnh vực đầy tiềm năng với nhiều thách thức và cơ hội. Sự phát triển của công nghệ học sâu hứa hẹn sẽ mang lại những bước tiến mới trong lĩnh vực này.

6.1. Tóm tắt những thành tựu đạt được

Nghiên cứu đã chỉ ra rằng việc áp dụng các phương pháp học sâu có thể cải thiện đáng kể độ chính xác trong nhận dạng hoa quả, mở ra nhiều cơ hội mới cho ngành nông nghiệp.

6.2. Hướng nghiên cứu tương lai

Trong tương lai, cần tiếp tục nghiên cứu và phát triển các mô hình học sâu mới, cũng như cải thiện cơ sở dữ liệu để nâng cao khả năng nhận dạng hoa quả trong các điều kiện thực tế khác nhau.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh nền nông nghiệp tại các quốc gia đang phát triển chiếm hơn 30% tỷ trọng sản xuất, quá trình thu hoạch, phân loại và kiểm định chất lượng hoa quả sau thu hoạch vẫn phụ thuộc chủ yếu vào lao động thủ công với chi phí chiếm tới 40% giá thành sản phẩm. Phương pháp phân loại thủ công bộc lộ nhiều hạn chế về năng suất, tiêu tốn thời gian và khó đáp ứng tiêu chuẩn xuất khẩu quy mô lớn. Nhằm giải quyết rào cản này, các nghiên cứu xử lý ảnh truyền thống đã từng được triển khai nhưng thường gặp thất bại khi mở rộng quy mô do sự biến thiên phức tạp về màu sắc, hình thái và điều kiện ánh sáng của nông sản.

Luận văn thạc sĩ kỹ thuật phần mềm tập trung giải quyết bài toán nhận dạng và phân loại tự động 40 loại hoa quả nhiệt đới phổ biến tại Việt Nam thông qua việc ứng dụng mô hình học sâu hiện đại. Mục tiêu trọng tâm của nghiên cứu là xây dựng một hệ thống hoàn chỉnh từ khâu tiền xử lý dữ liệu, huấn luyện mô hình mạng nơ-ron tích chập đến việc triển khai ứng dụng thực tế trên thiết bị di động. Cơ sở dữ liệu của đề tài được xây dựng với quy mô từ 500 đến 1000 ảnh gốc cho mỗi loại quả, kết hợp cùng các thuật toán tăng cường dữ liệu để mở rộng số lượng mẫu huấn luyện.

Nghiên cứu mang ý nghĩa thực tiễn to lớn khi tối ưu hóa tốc độ phản hồi nhận dạng xuống dưới 500 mili-giây trên mỗi lượt xử lý, đồng thời nâng cao độ chính xác nhận dạng vượt trội so với các thuật toán học máy cổ điển. Đây là bước tiến quan trọng giúp tự động hóa khâu phân loại nông sản, giảm thiểu tới 70% thời gian kiểm định thủ công và mở ra hướng đi bền vững cho các dây chuyền chế biến nông sản công nghệ cao.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên nền tảng lý thuyết của mô hình Mạng nơ-ron tích chập (Convolutional Neural Network - CNN) và kỹ thuật Học chuyển giao (Transfer Learning). Mạng nơ-ron tích chập là một kiến trúc học sâu tiên tiến có khả năng tự động học các đặc trưng hình ảnh từ mức độ cơ bản như đường nét, góc cạnh đến mức độ trừu tượng cao như hình khối và kết cấu vật thể. Cấu trúc mạng bao gồm các lớp tích chập với bộ lọc kích thước 3x3 đến 11x11, lớp kích hoạt phi tuyến ReLU triệt tiêu các giá trị âm theo hàm toán học f(x) = max(0, x), và các lớp lấy mẫu tối đa (Max Pooling) với bước trượt stride bằng 2 giúp giảm số chiều ma trận không gian tới 50% mà vẫn bảo toàn đặc trưng then chốt.

Kỹ thuật Học chuyển giao được ứng dụng trên nền tảng mạng AlexNet – kiến trúc từng xuất sắc giành chiến thắng tại cuộc thi phân loại ảnh ImageNet năm 2012 khi kéo giảm tỷ lệ lỗi xuống 15,31% so với mức 26,17% của phương pháp truyền thống. Mạng AlexNet bao gồm 5 lớp tích chập và 3 lớp kết nối đầy đủ. Bằng cách kế thừa các bộ lọc đặc trưng đã được học từ 1,2 triệu ảnh trên không gian 1.000 danh mục của tập dữ liệu ImageNet, nghiên cứu thực hiện thay thế lớp kết nối đầy đủ cuối cùng và tinh chỉnh trọng số mạng, giúp mô hình đạt độ hội tụ nhanh chóng mà không đòi hỏi nguồn tài nguyên tính toán khổng lồ.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được tác giả thu thập theo phương pháp chọn mẫu phân tầng có chủ đích, bao gồm 40 loại hoa quả nhiệt đới đặc thù như thanh long, xoài, chuối, nho, bưởi, sầu riêng. Mỗi phân lớp chứa từ 500 đến 1000 ảnh chụp gốc ở nhiều góc nhìn, nền hậu cảnh và điều kiện chiếu sáng khác nhau. Để khắc phục hiện tượng quá khớp (overfitting) do cỡ mẫu giới hạn, tác giả áp dụng kỹ thuật tăng cường dữ liệu thông qua các phép biến đổi hình học, làm nghiêng ảnh, chèn nhiễu Gaussian và ghép phông nền nhân tạo, mở rộng tổng quy mô tập dữ liệu lên hơn 30.000 mẫu ảnh.

Phương pháp phân tích dựa trên framework Caffe chạy trong môi trường hệ điều hành Windows 10, kết hợp ngôn ngữ lập trình Python phiên bản 2.7 và xử lý tăng tốc bằng card đồ họa GPU CUDA. Quá trình huấn luyện áp dụng chiến lược tinh chỉnh tham số: giảm tỷ lệ học toàn cục xuống mức 0,001 để giữ vững các đặc trưng nền tảng ở các lớp tích chập đầu, đồng thời tăng tỷ lệ học cục bộ tại các lớp kết nối đầy đủ lên gấp 10 lần nhằm tối ưu hóa việc phân loại 40 nhãn đầu ra. Timeline thực nghiệm được tiến hành chặt chẽ qua các giai đoạn: thu thập và chuẩn hóa dữ liệu, huấn luyện mô hình cơ sở, tinh chỉnh mạng nơ-ron, kiểm thử độc lập và đóng gói triển khai lên hệ thống máy chủ.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm và đánh giá hệ thống đã chỉ ra bốn phát hiện khoa học quan trọng:

Thứ nhất, mô hình học sâu ứng dụng kiến trúc AlexNet tinh chỉnh đạt độ chính xác phân loại top-1 trung bình trên 85% và độ chính xác top-5 xấp xỉ 95% trên tập dữ liệu 40 loại hoa quả. Kết quả này vượt trội hoàn toàn so với mạng nơ-ron nhân tạo truyền thống vốn chỉ đạt độ chính xác dao động từ 60% đến 65% trên cùng một tập dữ liệu đầu vào.

Thứ hai, việc áp dụng kỹ thuật tự động tăng cường dữ liệu (sinh ảnh nhiễu, xoay góc và ghép nền) đã cải thiện độ chính xác tổng thể của mô hình thêm 12,5% so với việc chỉ huấn luyện thuần túy trên tập ảnh gốc. Điều này chứng minh tính thích nghi cao của mạng nơ-ron tích chập trước các biến dạng hình học trong thực tế.

Thứ ba, mức độ chính xác của quá trình nhận dạng có sự phân hóa rõ rệt theo đặc trưng bề mặt của từng loại quả. Những loại quả sở hữu hình thái và vân vỏ đặc thù như thanh long, dứa hay sầu riêng đạt tỷ lệ nhận dạng chính xác lên tới hơn 92%. Ngược lại, các loại quả có dải màu đồng nhất và hình cầu tương tự nhau như mận, ổi và táo non ghi nhận tỷ lệ nhầm lẫn khoảng 8% đến 10%.

Thứ tư, hiệu năng tính toán của hệ thống Client-Server 5 tầng được tối ưu hóa vượt bậc. Thời gian xử lý trung bình cho một yêu cầu nhận dạng từ lúc thiết bị di động gửi ảnh qua giao thức HTTP đến khi nhận kết quả chỉ mất khoảng 450 mili-giây, đáp ứng hoàn hảo tiêu chuẩn vận hành theo thời gian thực.

Thảo luận kết quả

Sự vượt trội của mô hình học sâu bắt nguồn từ khả năng trích xuất đặc trưng tự động và liên tục qua các tầng biểu diễn trừu tượng. Trong khi các phương pháp học máy truyền thống phụ thuộc hoàn toàn vào trích chọn đặc trưng thủ công (Feature Engineering) về màu sắc và hình học – vốn rất dễ bị nhiễu loạn khi phông nền phức tạp, thì các lớp tích chập của AlexNet tự động chắt lọc thông tin cục bộ và kết hợp chúng thành các biểu diễn không gian bền vững.

Kết quả này hoàn toàn tương đồng với các công bố khoa học quốc tế trước đó, điển hình như nghiên cứu phân loại 102 loài hoa của Đại học Oxford từng đạt tỷ lệ lỗi chỉ 7% khi ứng dụng kỹ thuật học chuyển giao trên mạng AlexNet. Dữ liệu thực nghiệm của luận văn có thể được trực quan hóa hiệu quả thông qua ma trận nhầm lẫn kích thước 40x40, thể hiện rõ các điểm giao thoa giữa các lớp quả, kết hợp cùng biểu đồ cột so sánh các chỉ số độ chính xác (Precision), độ nhạy (Recall) và điểm số F1-Score giữa hai phương pháp học máy truyền thống và học sâu.

Ý nghĩa học thuật của phát hiện này khẳng định rằng: ngay cả khi bị giới hạn bởi tập dữ liệu quy mô vừa phải, kỹ thuật học chuyển giao vẫn tạo ra mô hình có độ khái quát hóa cao, tiết kiệm tới 80% thời gian huấn luyện so với việc khởi tạo mạng nơ-ron từ đầu.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, tác giả đề xuất bốn nhóm giải pháp hành động cụ thể nhằm hoàn thiện và nâng cao hiệu quả ứng dụng của hệ thống:

Thứ nhất, mở rộng quy mô cơ sở dữ liệu lên 100 loại nông sản trong vòng 6 tháng tới. Đội ngũ phát triển phần mềm cần tích hợp cơ chế tự động thu thập và kiểm duyệt ảnh do người dùng gửi về từ ứng dụng di động, thiết lập mục tiêu thu thập ít nhất 100.000 mẫu ảnh đa dạng theo mùa vụ và vùng miền để gia tăng độ bao phủ của mô hình.

Thứ hai, nâng cấp kiến trúc mạng sang các mô hình học sâu hiện đại như ResNet-50 hoặc MobileNet-V3 trong lộ trình 3 tháng. Nhóm nghiên cứu kỹ thuật cần triển khai thử nghiệm các mạng nơ-ron có độ sâu cao hơn kết hợp kỹ thuật nén mô hình để giảm dung lượng file thực thi xuống dưới 50 MB, giúp tích hợp trực tiếp mô hình nhận dạng ngay trên thiết bị di động (On-device AI) mà không cần phụ thuộc đường truyền mạng.

Thứ ba, thiết lập cụm máy chủ phân tán có khả năng cân bằng tải trong vòng 9 tháng. Quản trị viên hệ thống cần nâng cấp tầng xử lý logic với công nghệ phân luồng song song và hàng đợi phi đồng bộ, đảm bảo hệ thống phục vụ ổn định hơn 10.000 truy vấn đồng thời với độ trễ phản hồi duy trì dưới 200 mili-giây.

Thứ tư, tích hợp phần mềm vào hệ thống băng chuyền phân loại tự động tại các hợp tác xã và doanh nghiệp chế biến nông sản trong thời hạn 12 tháng. Doanh nghiệp cần phối hợp với các kỹ sư cơ điện tử lắp đặt hệ thống camera công nghiệp tốc độ cao để thực hiện quét và phân loại tự động 120 quả mỗi phút, thay thế hoàn toàn công đoạn phân loại thủ công tại nhà xưởng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và ứng dụng thực tiễn sâu sắc cho bốn nhóm đối tượng chính:

Thứ nhất, sinh viên, học viên cao học và nhà nghiên cứu chuyên ngành Công nghệ thông tin, Khoa học dữ liệu và Trí tuệ nhân tạo. Luận văn cung cấp toàn bộ phương pháp luận về học chuyển giao, kỹ thuật xử lý ma trận ảnh và cách thức cấu hình chi tiết framework Caffe, đóng vai trò như một tài liệu tham khảo chuẩn mực để xây dựng các đề tài nghiên cứu về thị giác máy tính.

Thứ hai, các kỹ sư phát triển phần mềm di động và kiến trúc sư hệ thống. Tài liệu mô tả tường tận mô hình kiến trúc Client-Server 5 tầng, cơ chế quản lý đa luồng thông minh nhằm tránh hiện tượng rò rỉ bộ nhớ, giúp các lập trình viên dễ dàng áp dụng vào việc xây dựng các dịch vụ xử lý ảnh quy mô lớn trên nền tảng Android và iOS.

Thứ ba, các doanh nghiệp nông nghiệp công nghệ cao và hợp tác xã sản xuất trái cây. Luận văn là cơ sở công nghệ vững chắc giúp các nhà quản lý nông nghiệp ứng dụng giải pháp nhận dạng tự động vào dây chuyền đóng gói, giúp cắt giảm 50% chi phí vận hành và nâng cao tính đồng đều của nông sản xuất khẩu.

Thứ tư, các kỹ sư phát triển sản phẩm thương mại điện tử và bán lẻ thông minh. Nghiên cứu cung cấp giải pháp nhận dạng sản phẩm tự động qua camera tại quầy thanh toán siêu thị, hỗ trợ khách hàng tra cứu nguồn gốc và giá thành của 40 loại hoa quả một cách nhanh chóng và chuẩn xác.

Câu hỏi thường gặp

Một là, tại sao nghiên cứu lại lựa chọn mạng AlexNet thay vì xây dựng một kiến trúc mạng nơ-ron hoàn toàn mới từ đầu? Việc xây dựng mạng nơ-ron mới đòi hỏi hàng triệu mẫu ảnh cùng hàng trăm giờ huấn luyện trên siêu máy tính. Mạng AlexNet với 8 lớp kiến trúc đã được chứng minh hiệu năng vượt trội tại cuộc thi quốc tế, cho phép tái sử dụng các bộ lọc đặc trưng chung để tiết kiệm hơn 80% thời gian huấn luyện mà vẫn đạt độ chính xác trên 85%.

Hai là, kỹ thuật học chuyển giao giải quyết bài toán kích thước dữ liệu hạn chế như thế nào? Học chuyển giao kế thừa tri thức từ tập dữ liệu ImageNet với 1,2 triệu ảnh, giữ cố định trọng số tại 5 lớp tích chập đầu tiên để trích xuất đường nét, màu sắc và chỉ huấn luyện lại các lớp kết nối đầy đủ cuối cùng trên tập dữ liệu 40 loại hoa quả của nghiên cứu.

Ba là, hệ thống máy chủ xử lý như thế nào để tránh tình trạng nghẽn mạng khi có nhiều người dùng gửi ảnh cùng lúc? Máy chủ được thiết kế theo kiến trúc 5 tầng, khởi tạo sẵn danh sách luồng xử lý đa nhiệm độc lập kết hợp hàng đợi FIFO thông minh. Khi một luồng hoàn tất tính toán, hệ thống tự động giải phóng cờ trạng thái để tiếp nhận yêu cầu tiếp theo, loại bỏ hoàn toàn nguy cơ tràn bộ nhớ hệ thống.

Bốn là, những yếu tố nào ảnh hưởng trực tiếp đến độ chính xác khi chụp ảnh hoa quả trên ứng dụng di động? Độ chính xác tối ưu đạt được khi bức ảnh chỉ chứa duy nhất một loại quả, vật thể chiếm tối thiểu 60% diện tích khung hình, không bị che khuất quá 20% và được chụp trong điều kiện đủ sáng. Ảnh quá nhòe hoặc vật thể quá nhỏ sẽ làm suy giảm khoảng 15% độ chính xác nhận dạng.

Năm là, giải pháp này có khả năng mở rộng để nhận dạng sâu bệnh hoặc các loại nông sản khác không? Hệ thống hoàn toàn có thể mở rộng linh hoạt. Quản trị viên chỉ cần bổ sung tập dữ liệu ảnh mẫu từ 500 đến 1000 ảnh cho mỗi loại bệnh hại hoặc nông sản mới, sau đó cấu hình lại số lượng nhãn ở lớp ngõ ra cuối cùng và thực hiện tinh chỉnh mô hình trong vòng vài giờ.

Kết luận

Năm đóng góp cốt lõi của công trình luận văn thạc sĩ bao gồm:

• Làm chủ và ứng dụng thành công kỹ thuật học chuyển giao trên nền tảng mạng nơ-ron tích chập AlexNet để giải quyết bài toán nhận dạng 40 loại hoa quả phổ biến tại Việt Nam.
• Xây dựng quy trình chuẩn hóa và tăng cường dữ liệu ảnh tự động từ 500 đến 1000 ảnh gốc mỗi loại, giúp nâng cao độ chính xác tổng thể thêm 12,5% và hạn chế tối đa hiện tượng quá khớp.
• Thiết kế và triển khai hoàn chỉnh hệ thống phần mềm nhận dạng hoa quả theo kiến trúc Client-Server 5 tầng, đảm bảo thời gian xử lý thời gian thực dưới 450 mili-giây.
• Chứng minh tính ưu việt vượt trội của học sâu với độ chính xác top-1 trên 85% và top-5 xấp xỉ 95%, bỏ xa các thuật toán học máy trích chọn đặc trưng thủ công truyền thống.
• Đặt nền móng công nghệ vững chắc cho việc thương mại hóa giải pháp và tích hợp vào các hệ thống phân loại nông sản công nghiệp tự động.

Trong giai đoạn 6 đến 12 tháng tiếp theo, nhóm nghiên cứu dự kiến sẽ tối ưu hóa mô hình sang các kiến trúc mạng gọn nhẹ để tích hợp xử lý ngoại tuyến ngay trên điện thoại thông minh. Quý độc giả, nhà nghiên cứu và doanh nghiệp quan tâm có thể tải về toàn văn luận văn thạc sĩ để khai thác mã nguồn, cấu hình Caffe chi tiết và ứng dụng giải pháp vào các dự án thị giác máy tính thực tế.

Trích đoạn nội dung tài liệu

phần mở đầu, mục đích của luận văn là tìm hiểu và ứng dụng một mô hình Học sâu vào bài toán nhận dạng, phân loại hoa quả, nguyên nhân chính khiến Học sâu được chọn làm giải pháp là bởi khả năng mạnh mẽ vượt trội của nó đối với các phương pháp Học máy truyền thống khi áp dụng vào các bài toán nhận dạng vật thể, trong đó vật thể là các đối tượng rất khó chọn lọc đặc trưng phù hợp, cụ thể với trường hợp này là các loại hoa quả. Để chứng minh cho nhận định này, luận văn đã thực hiện phép so sánh độ chính xác của hai mô hình nhận dạng, được huấn luyện lần lượt bởi hai phương pháp trên với cùng bộ dữ liệu đầu vào. Kết quả cụ thể sẽ được trình bày trong Chương 4 – Kết quả thực nghiệm và Đánh giá. LUAN VAN CHAT LUONG download : add [e-mail] 19 Chương 2.

Mạng nơ-ron tích chập Mạng nơ-ron tích chập (CNN - Convolutional Neural Network) là một trong những mô hình mạng Học sâu phổ biến nhất hiện nay, có khả năng nhận dạng và phân loại hình ảnh với độ chính xác rất cao, thậm chí còn tốt hơn con người trong nhiều trường hợp. Mô hình này đã và đang được phát triển, ứng dụng vào các hệ thống xử lý ảnh lớn của Facebook, Google hay Amazon… cho các mục đích khác nhau như các thuật toán tagging tự động, tìm kiếm ảnh hoặc gợi ý sản phẩm cho người tiêu dùng. Sự ra đời của mạng CNN là dựa trên ý tưởng cải tiến cách thức các mạng nơ-ron nhân tạo truyền thống học thông tin trong ảnh. Do sử dụng các liên kết đầy đủ giữa các điểm ảnh vào node, các mạng nơ-ron nhân tạo truyền thẳng (Feedforward Neural Network) bị hạn chế rất nhiều bởi kích thước của ảnh, ảnh càng lớn thì số lượng liên kết càng tăng nhanh và kéo theo sự bùng nổ khối lượng tính toán.

Ngoài ra sự liên kết đầy đủ này cũng là sự dư thừa khi với mỗi bức ảnh, các thông tin chủ yếu thể hiện qua sự phụ thuộc giữa các điểm ảnh với những điểm xung quanh nó mà không quan tâm nhiều đến các điểm ảnh ở cách xa nhau. Mạng CNN ra đời với kiến trúc thay đổi, có khả năng xây dựng liên kết chỉ sử dụng một phần cục bộ trong ảnh kết nối đến node trong lớp tiếp theo thay vì toàn bộ ảnh như trong mạng nơ-ron truyền thẳng. Kiến trúc Mạng nơ-ron tích chập Các lớp cơ bản trong một mạng CNN bao gồm: Lớp tích chập (Convolutional), Lớp kích hoạt phi tuyến ReLU (Rectified Linear Unit), Lớp lấy mẫu (Pooling) và Lớp kết nối đầy đủ (Fully-connected), được thay đổi về số lượng và cách sắp xếp để tạo ra các mô hình huấn luyện phù hợp cho từng bài toán khác nhau.1: Kiến trúc cơ bản của một mạng tích chập - Lớp tích chập: Đây là thành phần quan trọng nhất trong mạng CNN, cũng là nơi thể hiện tư tưởng xây dựng sự liên kết cục bộ thay vì kết nối toàn bộ các điểm ảnh. Các liên kết cục bộ này được tính toán bằng phép tích chập giữa các giá trị điểm ảnh trong một vùng ảnh cục bộ với các bộ lọc – filters – có kích thước nhỏ.

LUAN VAN CHAT LUONG download : add luanvanchat@agmail.2: Ví dụ bộ lọc tích chập được sử dụng trên ma trận điểm ảnh Trong ví dụ ở Hình 2.2 [12], ta thấy bộ lọc được sử dụng là một ma trận có kích thước 3x3. Bộ lọc này được dịch chuyển lần lượt qua từng vùng ảnh đến khi hoàn thành quét toàn bộ bức ảnh, tạo ra một bức ảnh mới có kích thước nhỏ hơn hoặc bằng với kích thước ảnh đầu vào. Kích thước này được quyết định tùy theo kích thước các khoảng trắng được thêm ở viền bức ảnh gốc và được tính theo công thức (1) [13]: 𝑖+2∗𝑝−𝑘 𝑜= +1 (1) 𝑠 Trong đó: - o: kích thước ảnh đầu ra - i: kích thước ảnh đầu vào - p: kích thước khoảng trắng phía ngoài viền của ảnh gốc - k: kích thước bộ lọc - s: bước trượt của bộ lọc LUAN VAN CHAT LUONG download : add luanvanchat@agmail.3: Trường hợp thêm/không thêm viền trắng vào ảnh khi tích chập Như vậy, sau khi đưa một bức ảnh đầu vào cho lớp Tích chập ta nhận được kết quả đầu ra là một loạt ảnh tương ứng với các bộ lọc đã được sử dụng để thực hiện phép tích chập. Các trọng số của các bộ lọc này được khởi tạo ngẫu nhiên trong lần đầu tiên và sẽ được cải thiện dần xuyên suốt quá trình huấn luyện.

- Lớp kích hoạt phi tuyến ReLU: Lớp này được xây dựng với ý nghĩa đảm bảo tính phi tuyến của mô hình huấn luyện sau khi đã thực hiện một loạt các phép tính toán tuyến tính qua các lớp Tích chập. Lớp Kích hoạt phi tuyến nói chung sử dụng các hàm kích hoạt phi tuyến như ReLU hoặc sigmoid, tanh… để giới hạn phạm vi biên độ cho phép của giá trị đầu ra. Trong số các hàm kích hoạt này, hàm ReLU được chọn do cài đặt đơn giản, tốc độ xử lý nhanh mà vẫn đảm bảo được tính toán hiệu quả. Cụ thể, phép tính toán của hàm ReLU chỉ đơn giản là chuyển tất cả các giá trị âm thành giá trị 0.

𝑓(𝑥) = 𝑚𝑎𝑥(0, 𝑥) (2) Thông thường, lớp ReLU được áp dụng ngay phía sau lớp Tích chập, với đầu ra là một ảnh mới có kích thước giống với ảnh đầu vào, các giá trị điểm ảnh cũng hoàn toàn tương tự trừ các giá trị âm đã bị loại bỏ. - Lớp lấy mẫu: Một thành phần tính toán chính khác trong mạng CNN là lấy mẫu (Pooling), thường được đặt sau lớp Tích chập và lớp ReLU để làm giảm kích thước kích thước ảnh đầu ra trong khi vẫn giữ được các thông tin quan trọng của ảnh đầu vào. Việc giảm kích thước dữ liệu có tác dụng làm giảm được số lượng tham số cũng như tăng hiệu quả tính toán. Lớp lấy mẫu cũng sử dụng một cửa sổ trượt để quét toàn bộ các vùng trong ảnh tương tự như lớp Tích chập, và thực hiện phép lấy mẫu thay vì phép tích chập – tức là ta sẽ chọn lưu lại một giá trị duy nhất đại diện cho toàn bộ thông tin của vùng ảnh đó.

LUAN VAN CHAT LUONG download : add luanvanchat@agmail.4 thể hiện các phương thức lấy mẫu thường được sử dụng nhất hiện nay, đó là Max Pooling (lấy giá trị điểm ảnh lớn nhất) và Avarage Pooling (lấy giá trị trung bình của các điểm ảnh trong vùng ảnh cục bộ) [14].4: Phương thức Avarage Pooling và Max Pooling Như vậy, với mỗi ảnh đầu vào được đưa qua lấy mẫu ta thu được một ảnh đầu ra tương ứng, có kích thước giảm xuống đáng kể nhưng vẫn giữ được các đặc trưng cần thiết cho quá trình tính toán sau này. - Lớp kết nối đầy đủ: Lớp kết nối đầy đủ này được thiết kế hoàn toàn tương tự như trong mạng nơ-ron truyền thống, tức là tất cả các điểm ảnh được kết nối đầy đủ với node trong lớp tiếp theo. So với mạng nơ-ron truyền thống, các ảnh đầu vào của lớp này đã có kích thước được giảm bớt rất nhiều, đồng thời vẫn đảm bảo các thông tin quan trọng cho việc nhận dạng. Do vậy, việc tính toán nhận dạng sử dụng mô hình truyền thẳng đã không còn phức tạp và tốn nhiều thời gian như trong mạng nơ ron truyền thống.

Học chuyển giao và tinh chỉnh mô hình huấn luyện Trong thời gian đầu khi các phương pháp Học sâu mới đạt được nhiều thành tựu và được áp dụng phổ biến, trong cộng đồng Học sâu trên thế giới đã tồn tại một quan niệm không chính xác nhưng hết sức phổ biến: nếu bạn không có lượng dữ liệu huấn luyện khổng lồ, bạn không thể tạo ra một mô hình Học sâu hiệu quả. Nói chính xác hơn, đây đã từng là một quan niệm đúng và hợp lý, bởi mỗi mô hình huấn luyện này đều sử dụng rất nhiều các lớp ẩn, với hàng nghìn nơ-ron và hàng triệu tham số. Đồng thời quá trình huấn luyện mô hình cũng được gắn liền với các kiến thức riêng và bài toán phân tích, nhận dạng… cụ thể, và nếu cố gắng áp dụng mô hình đó với một CSDL khác, chắc chắn độ chính xác sẽ bị suy giảm đáng kể. Tuy nhiên, trong thời gian sau đó, một phương pháp học mới được đưa ra và đã giải quyết được điểm hạn chế này của Học sâu, đó chính là Học chuyển giao – Transfer Learning [15].

LUAN VAN CHAT LUONG download : add [e-mail] 23 Học chuyển giao là quá trình khai thác, tái sử dụng các tri thức đã được học tập bởi một mô hình huấn luyện trước đó vào giải quyết một bài toán mới mà không phải xây dựng một mô hình huấn luyện khác từ đầu. Đây được coi là một trong những kỹ thuật được xếp mức độ quan trọng hàng đầu trong cộng đồng khoa học dữ liệu, nhằm hướng tới mục đích chung là phát minh ra một thuật toán học tự động mạnh mẽ. Hiện nay, phương pháp phổ biến thường được áp dụng khi huấn luyện mô hình với một bộ CSDL tương đối nhỏ là sử dụng Học chuyển giao để tận dụng một mạng CNN đã được huấn luyện trước đó với bộ dữ liệu rất lớn như ImageNet (1,2 triệu ảnh với 1.000 nhãn đánh dấu). Phương pháp này sử dụng mạng CNN theo hai cách chính như sau: - Mạng CNN này sẽ chỉ được sử dụng như một bộ trích chọn đặc trưng cho bộ CSDL huấn luyện mới, bằng cách thay thế các lớp Fully-connected ở cuối mạng và giữ cố định các tham số cho toàn bộ các lớp còn lại của mạng.

- Không chỉ thay thế và huấn luyện lại bộ nhận dạng cuối cùng của mạng CNN, mà đồng thời ta thực hiện tối ưu, tinh chỉnh (Fine-tune) một vài hoặc tất cả các lớp trong mạng. Ý tưởng của việc tái sử dụng mạng CNN là dựa trên nhận định rằng các đặc trưng được học trong các lớp đầu của mạng là các đặc trưng chung nhất, hữu dụng với phần lớn bài toán, ví dụ: đặc trưng về cạnh, hình khối hay các khối màu… Các lớp sau đó của mạng CNN sẽ nâng dần độ cụ thể, riêng biệt của các chi tiết phục vụ cho bài toán nhận dạng cần giải quyết. Do đó, ta hoàn toàn có thể tái sử dụng lại các lớp đầu của mạng CNN mà không phải mất nhiều thời gian và công sức huấn luyện từ đầu. Có khá nhiều bài báo, công trình khoa học được đưa ra để chứng minh cho khả năng chuyển giao của những đặc trưng trong mạng Học sâu [16].