CHƯƠNG 1: KHÁI QUÁT ĐỀ TÀI 1. Lý do chọn đề tài Chọn đề tài "Nhận diện khuôn mặt đeo khẩu trang dựa trên bộ dữ liệu Face Mask Detection sử dụng CNN " là một quyết định có nhiều lý do quan trọng. Dù đã qua đại dịch COVID-19, nhưng việc nhận diện khuôn mặt đeo khẩu trang vẫn đóng vai trò quan trọng trong kiểm tra an ninh, kiểm soát truy cập và xác minh danh tính. Điều quan trọng là ứng dụng của công nghệ này không chỉ giới hạn trong lĩnh vực an ninh.
Nó có thể được mở rộng và áp dụng trong y tế để kiểm tra sự tuân thủ đeo khẩu trang của nhân viên y tế và bệnh nhân. Trong giao thông, nó có thể giúp cải thiện an toàn lái xe bằng cách kiểm tra việc sử dụng khẩu trang của tài xế. Bên cạnh đó, các tình huống sử dụng khác như kiểm tra đeo khẩu trang trong các sự kiện lớn hay trong lĩnh vực du lịch cũng có thể tận dụng công nghệ nhận diện khuôn mặt này. CNN(Convolutional Neural Networks), một phương pháp tiên tiến trong nhận diện hình ảnh, mang lại cơ hội nghiên cứu để phát triển và cải tiến thuật toán.
Ứng dụng của nó không chỉ giới hạn trong lĩnh vực an ninh mà còn lan rộng sang y tế, giao thông và nhiều lĩnh vực khác. Điều này đóng góp vào sự phát triển của trí tuệ nhân tạo và giải quyết nhiều vấn đề xã hội. Nhìn chung, việc chọn đề tài này không chỉ đóng góp cho phát triển trí tuệ nhân tạo mà còn giải quyết nhiều vấn đề xã hội quan trọng. Công nghệ nhận diện khuôn mặt đeo khẩu trang sẽ tiếp tục có ảnh hưởng sâu rộng trong cuộc sống hàng ngày và là một ví dụ tiêu biểu về sự kết hợp giữa công nghệ và giải quyết các thách thức của thế giới hiện đại.
12 Downloaded by sau xanh (saudinh2@gmail. Mục tiêu nghiên cứu Mục tiêu chính của nghiên cứu về đề tài "Nhận diện khuôn mặt đeo khẩu trang sử dụng CNN" bao gồm nhiều khía cạnh quan trọng. Đầu tiên, nghiên cứu tập trung vào việc phát triển và tối ưu hóa thuật toán nhận diện, sử dụng mạng nơ-ron tích chập (CNN), nhằm đảm bảo khả năng phát hiện khuôn mặt và khẩu trang với tính chính xác cao. Mục tiêu tiếp theo là nâng cao tính chính xác của hệ thống nhận diện trong các tình huống thực tế.
Điều này bao gồm việc đối mặt với các biến thể về ánh sáng, góc chụp, và môi trường. Nghiên cứu sẽ tập trung vào việc đảm bảo rằng hệ thống có thể nhận biết khuôn mặt đeo khẩu trang trong mọi tình huống. Tiếp theo, mục tiêu là áp dụng công nghệ này vào các tình huống thực tế, như hệ thống kiểm soát truy cập tại cơ sở hạ tầng quan trọng và các hệ thống an ninh sân bay. Đây là cách để đảm bảo an toàn và quản lý sự kiện lớn trong tương lai.
Mục tiêu khác của nghiên cứu là cải thiện hiệu suất hệ thống để hoạt động trong thời gian thực, đáp ứng nhu cầu của các ứng dụng yêu cầu xử lý hình ảnh nhanh chóng và hiệu quả. Công việc này đòi hỏi cải tiến cả về phần cứng và phần mềm. Cùng với đó, bảo mật và quyền riêng tư cũng là một khía cạnh quan trọng. Nghiên cứu phải đảm bảo rằng thông tin cá nhân được bảo vệ và tuân thủ các quy định về quyền riêng tư của người dùng.
Ngoài ra, nghiên cứu cũng hướng đến việc mở rộng áp dụng công nghệ nhận diện khuôn mặt đeo khẩu trang sang nhiều lĩnh vực khác nhau như giao thông, y tế, quản lý sự kiện lớn và trong các tình huống khẩn cấp. Cuối cùng, mục tiêu là đánh giá hiệu quả của hệ thống nhận diện, đảm bảo rằng nó hoạt động chính xác và đáng tin cậy thông qua các thử nghiệm và so sánh với các phương pháp khác. Tổng cộng, nghiên cứu này hứa hẹn đóng góp vào việc cải thiện an ninh, quản lý truy cập và giải quyết nhiều vấn đề xã hội quan trọng trong tương lai. 13 Downloaded by sau xanh (saudinh2@gmail.
Đối tượng và phạm vi nghiên cứu Việc đeo khẩu trang cũng gây ra một thách thức cho các ứng dụng nhận diện khuôn mặt, khi mà phần lớn các đặc trưng của khuôn mặt bị che khuất. Do đó, nghiên cứu về nhận diện khuôn mặt đeo khẩu trang là một vấn đề hấp dẫn và có ý nghĩa thực tiễn. Phạm vi nghiên cứu bao gồm việc xây dựng và huấn luyện các mô hình học sâu, cụ thể là các mạng nơ-ron tích chập (CNN), để phân loại khuôn mặt có đeo khẩu trang hay không dựa trên bộ dữ liệu Face Mask Detection. Bộ dữ liệu này gồm 853 hình ảnh khuôn mặt được chia thành ba lớp: có đeo khẩu trang, không đeo khẩu trang và đeo khẩu trang không đúng cách.
Mục tiêu nghiên cứu là tìm ra mô hình CNN tốt nhất để giải quyết bài toán nhận diện khuôn mặt đeo khẩu trang, với tiêu chí là độ chính xác cao nhất và thời gian huấn luyện thấp nhất. Kết quả nghiên cứu có thể ứng dụng trong các lĩnh vực liên quan đến an ninh, y tế và giáo dục, nhằm kiểm soát việc tuân thủ quy định đeo khẩu trang của người dân trong thời kỳ đại dịch. 14 Downloaded by sau xanh (saudinh2@gmail.com) lOMoARcPSD|39270540 CHƯƠNG 2: TỔNG QUAN VỀ HỌC MÁY 2. Học máy là gì? Học máy (Machine Learning - ML) đóng vai trò quan trọng trong cuộc cách mạng công nghiệp 4.0, nơi dữ liệu trở thành tài nguyên quan trọng như dầu mỏ và vàng.
Mục tiêu chính của học máy là tạo ra các mô hình và thuật toán cho phép máy tính học hỏi từ dữ liệu, tìm ra các mẫu và quy luật ẩn sau đó, và sử dụng những hiểu biết này để thực hiện các nhiệm vụ một cách tự động mà không cần phải được lập trình một cách cụ thể. Các ứng dụng của học máy là vô cùng đa dạng và lan rộng đến mọi lĩnh vực của cuộc sống. Trong lĩnh vực y tế, học máy có thể phân loại dữ liệu chẩn đoán và đề xuất phương pháp điều trị hiệu quả. Trong ngành công nghiệp, nó giúp tối ưu hóa quy trình sản xuất, dự đoán thị trường, và quản lý chuỗi cung ứng.
Trong lĩnh vực tài chính, học máy được áp dụng để dự đoán xu hướng thị trường, quản lý rủi ro, và xác định các cơ hội đầu tư. Việc sử dụng học máy mang lại nhiều lợi ích cho doanh nghiệp. Bằng cách phân tích và hiểu sâu vào dữ liệu, doanh nghiệp có thể ra quyết định chiến lược, tối ưu hóa sản phẩm và dịch vụ, cải thiện trải nghiệm khách hàng, và tăng tính hiệu quả của quy trình kinh doanh. Điều này dẫn đến tăng trưởng doanh thu, cải thiện lợi nhuận, và gia tăng cạnh tranh trên thị trường.
Tóm lại, học máy không chỉ đơn thuần là một công nghệ mới mà còn là một cơ hội lớn để cải thiện hiệu suất và định hình tương lai của nhiều lĩnh vực xã hội và kinh tế. 15 Downloaded by sau xanh (saudinh2@gmail. Lịch sử hình thành Machine Learning Lịch sử hình thành Machine Learning (ML) trải dài suốt nhiều thập kỷ và bắt đầu từ những ý tưởng ban đầu về trí tuệ nhân tạo. Dưới đây là một tóm tắt về lịch sử phát triển của Machine Learning: - Thập kỷ 1950-1960: Đầu nguồn và lý thuyết đầu tiên Trong giai đoạn này, nhà khoa học đã đưa ra các ý tưởng đầu tiên về máy tính có khả năng "học" từ dữ liệu.
Alan Turing đã đóng góp với ý tưởng về "máy Turing" và ý tưởng về "học máy" đã được đề xuất. - Thập kỷ 1960-1970: Học máy và thống kê Frank Rosenblatt phát triển một mô hình gọi là Perceptron, một mô hình học máy đầu tiên được áp dụng rộng rãi. Tuy nhiên, Perceptron chỉ có thể giải quyết các vấn đề tuyến tính. Ý tưởng về học máy được nối lại với thống kê và dần dần trở thành một phần của lĩnh vực thống kê.
- Thập kỷ 1980-1990: Sự phổ biến của mạng nơ-ron và tiến bộ công nghệ Mạng nơ-ron nhiều lớp (Multilayer Neural Networks) đã trở nên phổ biến và được nghiên cứu sâu hơn. Tuy nhiên, vào cuối thập kỷ 1980, mạng nơ-ron đã gặp khó khăn trong việc huấn luyện vì vấn đề biến mất đạo hàm (vanishing gradients). Quy trình lan truyền ngược (Backpropagation) đã được phát triển và giúp giải quyết vấn đề huấn luyện mạng nơ-ron. - Thập kỷ 1990-2000: Sự lên ngôi của Machine Learning Machine Learning trở thành một lĩnh vực riêng biệt với nhiều thuật toán và kỹ thuật mới.
Các thuật toán như Support Vector Machines (SVMs) và Decision Trees đã trở nên phổ biến. 16 Downloaded by sau xanh (saudinh2@gmail.com) lOMoARcPSD|39270540 Các ứng dụng thực tế trong xử lý ngôn ngữ tự nhiên và thị giác máy tính bắt đầu nổi lên. - Từ năm 2000 đến nay: Thịnh hành của Deep Learning và Big Data Deep Learning, một dạng đặc biệt của Machine Learning, đã đạt được sự phổ biến lớn. Với sự gia tăng đáng kể về dữ liệu và sức mạnh tính toán, các mô hình sâu đã mang lại hiệu suất đột phá trong nhiều lĩnh vực như nhận diện hình ảnh, xử lý ngôn ngữ tự nhiên và tự động lái xe.
Big Data đã tạo ra một nền tảng quan trọng cho Machine Learning, vì khối lượng lớn dữ liệu mới tạo ra cơ hội để huấn luyện và cải thiện các mô hình học máy. Từ lịch sử phát triển này, học máy đã trở thành một lĩnh vực quan trọng và tiến bộ, mang lại nhiều cơ hội và thách thức đối với xã hội và công nghiệp hiện đại. Vì sao Machine learning lại quan trọng Học máy là một lĩnh vực quan trọng trong khoa học dữ liệu. Nó tập trung vào việc xử lý dữ liệu và thuật toán để bắt chước cách mà con người học.
Thông qua việc sử dụng các phương pháp thống kê và thuật toán, học máy được huấn luyện để đưa ra các phân loại, dự đoán và khám phá những tri thức mới trong các dự án khai phá dữ liệu. Những tri thức này sẽ tác động đến những quyết định trong các ứng dụng và các doanh nghiệp. Học máy mang lại cái nhìn trực quan về hành vi của khách hàng và các mô hình hoạt động kinh doanh. Chúng giúp doanh nghiệp xác định những xu hướng trong tương lai và đưa ra quyết định nhanh chóng hơn.
Ngoài ra, học máy còn hỗ trợ sự phát triển của các sản phẩm mới Tầm quan trọng của học máy ngày càng được chú ý và tăng lên bởi vì nó giúp gia tăng dung lượng lưu trữ các loại dữ liệu sẵn, việc xử lý tính toán có chi phí thấp và hiệu quả hơn rất nhiều .