Phân loại hình ảnh vệ tinh cho cơ sở hạ tầng Việt Nam

Khóa luận tốt nghiệp nghiên cứu tốt nghiệp classification of satellite images for vietnams infrastructure, vận dụng lý thuyết vào thực tế, đề xuất giải pháp cụ thể cho vấn đề .

• Tác giả: Nguyen Van Tuan
• Người hướng dẫn: PhD. Do Trong Hop
• Trường học: National University Ho Chi Minh City
• Chuyên ngành: Information Systems
• Đề tài: Phân loại hình ảnh vệ tinh cho cơ sở hạ tầng Việt Nam
• Loại tài liệu: Thesis
• Năm xuất bản: 2024
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• ACKNOWLEDGMENT
• 1. TABLE OF CONTENTS
• 2. LIST OF FIGURES
• 3. LIST OF TABLES
• 4. LIST OF ABBREVIATIONS
• 5. ABSTRACT
• 6. PREAMBLE
• 6.1. Problem statement
• 6.2. Infrastructure classification and groups
• 6.3. Vietnam's infrastructure focus
• 6.4. World Economic Forum’s Global Infrastructure Rankings
• 6.5. Objectives
• 6.6. Research Objects

Tóm tắt

I. Tổng quan về phân loại hình ảnh vệ tinh cho cơ sở hạ tầng Việt Nam

Phân loại hình ảnh vệ tinh là một lĩnh vực quan trọng trong nghiên cứu và quản lý cơ sở hạ tầng. Việc sử dụng hình ảnh vệ tinh giúp cung cấp cái nhìn tổng quan về tình trạng và sự phát triển của các công trình hạ tầng. Ở Việt Nam, việc áp dụng công nghệ này đang ngày càng trở nên phổ biến, đặc biệt trong bối cảnh phát triển nhanh chóng của đất nước.

1.1. Khái niệm và tầm quan trọng của hình ảnh vệ tinh

Hình ảnh vệ tinh cung cấp dữ liệu không gian chính xác, giúp phân tích và giám sát cơ sở hạ tầng. Chúng cho phép các nhà quản lý đưa ra quyết định dựa trên thông tin thực tế.

1.2. Lịch sử phát triển công nghệ hình ảnh vệ tinh tại Việt Nam

Việt Nam đã bắt đầu ứng dụng công nghệ hình ảnh vệ tinh từ những năm 2000. Sự phát triển của công nghệ GIS đã tạo điều kiện thuận lợi cho việc phân tích và quản lý dữ liệu không gian.

II. Thách thức trong việc phân loại hình ảnh vệ tinh cho cơ sở hạ tầng

Mặc dù có nhiều lợi ích, việc phân loại hình ảnh vệ tinh cũng gặp phải nhiều thách thức. Các vấn đề như độ chính xác của dữ liệu, sự biến đổi của môi trường và sự phức tạp trong việc phân loại các loại hình hạ tầng khác nhau là những yếu tố cần được xem xét.

2.1. Độ chính xác và độ tin cậy của dữ liệu

Độ chính xác của hình ảnh vệ tinh phụ thuộc vào nhiều yếu tố như độ phân giải và thời gian thu thập dữ liệu. Việc đảm bảo độ tin cậy là rất quan trọng trong phân tích.

2.2. Sự biến đổi của môi trường và ảnh hưởng đến phân loại

Môi trường tự nhiên có thể thay đổi nhanh chóng, ảnh hưởng đến khả năng phân loại. Các yếu tố như thời tiết, mùa vụ có thể làm giảm độ chính xác của dữ liệu.

III. Phương pháp phân loại hình ảnh vệ tinh hiệu quả cho cơ sở hạ tầng

Để giải quyết các thách thức trong phân loại hình ảnh vệ tinh, nhiều phương pháp đã được phát triển. Các công nghệ như machine learning và deep learning đang được áp dụng để cải thiện độ chính xác và hiệu quả của quá trình phân loại.

3.1. Sử dụng công nghệ machine learning trong phân loại

Công nghệ machine learning cho phép xây dựng các mô hình phân loại dựa trên dữ liệu đã được gán nhãn, giúp cải thiện độ chính xác trong việc nhận diện các loại hình hạ tầng.

3.2. Ứng dụng deep learning trong phân loại hình ảnh

Các mô hình deep learning như CNN đã chứng minh hiệu quả cao trong việc phân loại hình ảnh, đặc biệt là trong việc nhận diện các đặc điểm phức tạp của cơ sở hạ tầng.

IV. Ứng dụng thực tiễn của phân loại hình ảnh vệ tinh tại Việt Nam

Việc phân loại hình ảnh vệ tinh đã được áp dụng trong nhiều lĩnh vực tại Việt Nam, từ quản lý đô thị đến giám sát môi trường. Các ứng dụng này không chỉ giúp cải thiện quản lý mà còn hỗ trợ trong việc lập kế hoạch phát triển bền vững.

4.1. Quản lý đô thị và phát triển hạ tầng

Phân loại hình ảnh vệ tinh giúp các nhà quản lý đô thị theo dõi sự phát triển của cơ sở hạ tầng và đưa ra các quyết định kịp thời.

4.2. Giám sát môi trường và tài nguyên thiên nhiên

Công nghệ này cũng được sử dụng để giám sát các thay đổi trong môi trường, giúp bảo vệ tài nguyên thiên nhiên và phát triển bền vững.

V. Kết luận và tương lai của phân loại hình ảnh vệ tinh tại Việt Nam

Phân loại hình ảnh vệ tinh cho cơ sở hạ tầng Việt Nam đang trên đà phát triển mạnh mẽ. Với sự tiến bộ của công nghệ, tương lai của lĩnh vực này hứa hẹn sẽ mang lại nhiều cơ hội mới cho việc quản lý và phát triển hạ tầng.

5.1. Xu hướng phát triển công nghệ trong tương lai

Công nghệ GIS và hình ảnh vệ tinh sẽ tiếp tục phát triển, mở ra nhiều khả năng mới cho việc phân tích và quản lý dữ liệu không gian.

5.2. Tầm quan trọng của nghiên cứu và phát triển

Nghiên cứu và phát triển trong lĩnh vực này là cần thiết để nâng cao hiệu quả và độ chính xác của các phương pháp phân loại, phục vụ cho sự phát triển bền vững của Việt Nam.

Nội dung chính

Tổng quan nghiên cứu

Cơ sở hạ tầng đóng vai trò xương sống đối với sự phát triển kinh tế xã hội của mỗi quốc gia, đặc biệt tại các nền kinh tế đang phát triển nhanh như Việt Nam với tỷ lệ đô thị hóa đạt khoảng 42% vào năm 2023. Hệ thống cơ sở hạ tầng đồng bộ bao gồm mạng lưới giao thông, nhà máy năng lượng, cơ sở cấp thoát nước, công trình công cộng và các khu phức hợp sản xuất. Tuy nhiên, việc giám sát, định danh và đánh giá hiện trạng các công trình phân tán trên quy mô toàn quốc đang đối mặt với nhiều thách thức lớn. Phương thức khảo sát thực địa thủ công truyền thống đòi hỏi nguồn nhân lực lớn, chi phí cao và khó bắt kịp tốc độ biến động nhanh của các công trình quy mô lớn.

Mặc dù nguồn dữ liệu viễn thám từ vệ tinh VNREDSat-1 của Viện Hàn lâm Khoa học và Công nghệ Việt Nam cùng các nền tảng bản đồ số toàn cầu cung cấp nguồn ảnh phong phú giai đoạn 2013–2023, việc tự động hóa phân loại hình ảnh hạ tầng tại Việt Nam vẫn còn nhiều rào cản. Mục tiêu cốt lõi của nghiên cứu là xây dựng một bộ dữ liệu ảnh vệ tinh chuyên biệt cho hạ tầng Việt Nam và thiết lập giải pháp phân loại tự động ứng dụng học sâu kết hợp học máy truyền thống.

Phạm vi nghiên cứu tập trung vào 5 nhóm hạ tầng chiến lược gồm Giao thông, Năng lượng, Nước, Công cộng, Sản xuất công nghiệp với 11 phân lớp nhãn cụ thể trải dài trên toàn bộ lãnh thổ Việt Nam. Nghiên cứu đã xây dựng thành công bộ dữ liệu chuẩn hóa gồm 15.418 ảnh vệ tinh từ 575 địa điểm công trình thực tế. Giải pháp này giúp các nhà quản lý rút ngắn khoảng 60% thời gian rà soát thực địa, nâng cao độ chính xác trong phân loại hình ảnh viễn thám và tạo nền tảng vững chắc cho công tác quy hoạch không gian địa lý quốc gia.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên nền tảng lý thuyết thị giác máy tính và phân loại ảnh viễn thám đa lớp. Hai khung lý thuyết học sâu chủ đạo được triển khai gồm mạng nơ-ron tích chập sâu ResNet50 với cơ chế học dư (Residual Learning) giúp triệt tiêu hiện tượng suy giảm độ dốc khi mạng tăng chiều sâu, và kiến trúc VGG16 với 13 lớp tích chập đồng nhất sử dụng bộ lọc kích thước nhỏ 3x3 kết hợp 3 lớp liên kết đầy đủ để nắm bắt các đặc trưng phân tầng. Bên cạnh đó, nghiên cứu tích hợp mô hình học máy Support Vector Machine (SVM) với hàm nhân RBF nhằm tối ưu hóa việc phân tách dữ liệu phi tuyến trên không gian nhiều chiều.

Các khái niệm then chốt trong nghiên cứu bao gồm:

• Phân loại ảnh viễn thám đa lớp (Multi-class Remote Sensing Classification): Quá trình gán nhãn tự động cho từng vùng ảnh vệ tinh dựa trên các thuộc tính phổ và hình thái không gian.
• Trích xuất đặc trưng hình thái (Morphological Feature Extraction): Sử dụng các kỹ thuật biến đổi cục bộ như SIFT và HOG để nhận diện các điểm biên cạnh, kết cấu công trình.
• Kỹ thuật lọc phác thảo nét chì (Pencil Sketch Transformation): Phương pháp tiền xử lý làm nổi bật ranh giới cấu trúc hình học, làm mịn nền và loại bỏ các nhiễu quang phổ không đồng nhất.
• Tối ưu hóa hàm mất mát Cross-Entropy: Cơ chế toán học định lượng sai số dự đoán nhằm điều chỉnh trọng số nơ-ron trong quá trình huấn luyện mô hình học sâu.

Phương pháp nghiên cứu

Nguồn dữ liệu của nghiên cứu được thu thập và tuyển chọn kỹ lưỡng từ hệ thống ảnh viễn thám VNREDSat-1 giai đoạn 2013–2023, kết hợp ảnh quang học độ phân giải cao từ Google Maps và Apple Maps. Cỡ mẫu nghiên cứu bao gồm 15.418 ảnh vệ tinh chất lượng cao thu thập từ 575 đối tượng hạ tầng phân bố trên 63 tỉnh thành. Phương pháp chọn mẫu phân tầng (Stratified Sampling) được áp dụng để đảm bảo tính đại diện đồng đều giữa 5 nhóm hạ tầng chính và 11 nhãn đối tượng chi tiết, tránh hiện tượng mất cân bằng dữ liệu nghiêm trọng giữa các phân lớp phổ biến và đặc thù.

Quy trình phân tích dữ liệu trải qua các giai đoạn tiền xử lý chuẩn hóa kích thước ảnh, khử nhiễu môi trường, trích xuất đặc trưng kết hợp bộ lọc Pencil Sketch và phân chia dữ liệu huấn luyện - thử nghiệm theo tỷ lệ chuẩn 80:20. Việc lựa chọn phương pháp tích hợp mô hình bắt nguồn từ đặc thù ảnh viễn thám tại Việt Nam: các công trình thường đan xen với thảm thực vật nhiệt đới và địa hình phức tạp, đòi hỏi các mô hình phải trích xuất chính xác cấu trúc hình học bên cạnh đặc trưng màu sắc. Toàn bộ quá trình thu thập, gán nhãn và thực nghiệm mô hình được thực hiện liên tục trong khung thời gian 12 tháng từ đầu năm 2023 đến đầu năm 2024.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa 7 mô hình và kỹ thuật trích xuất đặc trưng trên bộ dữ liệu 15.418 ảnh vệ tinh đã mang lại những kết quả nổi bật:

Thứ nhất, mô hình học sâu ResNet50 đạt hiệu năng phân loại tổng thể cao nhất với độ chính xác đạt 92,4%, vượt trội hơn mô hình CNN cơ bản khoảng 7,8% khi phân loại các nhóm hạ tầng có kết cấu không gian phức tạp như Khu công nghệ cao và Sân bay.

Thứ hai, kỹ thuật tiền xử lý Pencil Sketch tạo ra bước đột phá khi cải thiện độ chính xác phân loại của thuật toán SVM thêm 12,6% và mạng CNN thêm 8,3% đối với các công trình có cấu trúc tuyến tính rõ rệt như Cầu vượt, Đường cao tốc và Nhà máy điện gió.

Thứ ba, sự kết hợp giữa SVM và Pencil Sketch đem lại hiệu quả vận hành tối ưu với thời gian huấn luyện giảm khoảng 45% so với các mạng nơ-ron tích chập truyền thống, trong khi vẫn duy trì chỉ số F1-score bình quân ở mức 88,5% trên toàn bộ 11 phân lớp hạ tầng.

Thứ tư, độ chính xác phân định giữa hai lớp dễ nhầm lẫn là Nhà máy xử lý nước và Hồ chứa nước đã tăng mạnh từ 76,2% lên 89,7% nhờ vào việc triệt tiêu độ biến thiên màu nước và tập trung vào các đặc trưng đường bao nhân tạo.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự vượt trội của phương pháp kết hợp Pencil Sketch là do điều kiện khí hậu nhiệt đới tại Việt Nam thường gây ra hiện tượng tán xạ ánh sáng, sương mù và sai lệch màu sắc quang phổ trên ảnh vệ tinh quang học. Kỹ thuật phác thảo nét chì hoạt động như một cơ chế lọc thông dải, loại bỏ các chi tiết màu sắc gây nhiễu và làm nổi bật cấu trúc hình khối bê tông, dải phân cách và khung thép công trình.

So với công trình của các nhà nghiên cứu quốc tế khi ứng dụng mạng U-Net kết hợp ResNet50 phân đoạn công trình tại thành phố Boston đạt chỉ số tương đồng IoU khoảng 82,2%, kết quả phân loại trong nghiên cứu này trên địa bàn Việt Nam cho thấy khả năng thích ứng cao của các mô hình học sâu hiện đại trên dữ liệu địa phương. Đồng thời, nghiên cứu khắc phục được hạn chế của các đề tài trong nước vốn chỉ tập trung vào phân loại đơn lẻ một loại hình lâm nghiệp hoặc khoáng sản với số lượng mẫu hạn chế.

Dữ liệu phân loại được trực quan hóa chi tiết thông qua Ma trận nhầm lẫn (Confusion Matrix) kích thước 11x11, phản ánh rõ mức độ phân tách giữa các lớp đối tượng. Bên cạnh đó, Bảng so sánh các chỉ số đo lường Precision, Recall, F1-score và Biểu đồ đường cong ROC-AUC với giá trị diện tích dưới đường cong đạt trên 0,94 đã minh chứng thuyết phục cho năng lực nhận diện của các mô hình được đề xuất.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu, 4 giải pháp cụ thể được đề xuất nhằm nâng cao năng lực ứng dụng công nghệ viễn thám và trí tuệ nhân tạo trong thực tiễn:

1. Tích hợp mô hình học sâu kết hợp trích xuất biên vào Hệ thống Thông tin Địa lý (GIS) quốc gia: Bộ Tài nguyên và Môi trường cùng Bộ Xây dựng chủ trì thực hiện trong lộ trình 18 tháng, hướng tới mục tiêu tự động hóa khoảng 80% quy trình rà soát hiện trạng sử dụng đất và kiểm kê hạ tầng đô thị.
2. Mở rộng cơ sở dữ liệu ảnh viễn thám phân giải cao đa thời gian: Viện Hàn lâm Khoa học và Công nghệ Việt Nam phối hợp với Cục Viễn thám Quốc gia triển khai trong vòng 12 tháng, đặt mục tiêu thu thập bổ sung hơn 20.000 mẫu ảnh vệ tinh đa phổ độ phân giải dưới 0,5 mét cho toàn bộ các vùng kinh tế trọng điểm.
3. Phát triển giao diện lập trình ứng dụng (API) phân loại hạ tầng tự động: Các doanh nghiệp công nghệ số phối hợp cùng các viện nghiên cứu hoàn thiện trong 6 tháng, giúp các đơn vị tư vấn quy hoạch và logistics cắt giảm 70% chi phí khảo sát địa điểm ban đầu.
4. Xây dựng quy trình giám sát an toàn từ xa cho các công trình năng lượng và thủy lợi trọng điểm: Tập đoàn Điện lực Việt Nam và Bộ Nông nghiệp áp dụng trong khung thời gian 24 tháng, theo dõi liên tục nguy cơ lấn chiếm hành lang an toàn của 100% các công trình đập thủy điện và hồ chứa quy mô lớn.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả thực nghiệm của luận văn là tài liệu tham khảo giá trị cho 4 nhóm đối tượng chính:

1. Các nhà nghiên cứu và kỹ sư Trí tuệ nhân tạo: Luận văn cung cấp phương pháp luận chi tiết về việc kết hợp kỹ thuật tiền xử lý hình ảnh truyền thống với các kiến trúc học sâu tiên tiến trên dữ liệu không gian địa lý.
2. Cán bộ quản lý quy hoạch đô thị và tài nguyên môi trường: Cung cấp giải pháp công nghệ khả thi để tự động hóa công tác lập bản đồ hiện trạng hạ tầng, theo dõi tiến độ thi công các dự án giao thông và khu công nghiệp.
3. Doanh nghiệp đầu tư hạ tầng, năng lượng và logistics: Nắm bắt phương pháp phân tích ảnh viễn thám phục vụ đánh giá tính khả thi vị trí dự án, khảo sát mạng lưới giao thông và tối ưu hóa chuỗi cung ứng.
4. Giảng viên và học viên cao học chuyên ngành Công nghệ thông tin: Tài liệu tham khảo học thuật chuẩn mực với quy trình thực nghiệm rõ ràng, mã nguồn thuật toán tối ưu và bộ dữ liệu viễn thám thực tế tại Việt Nam.

Câu hỏi thường gặp

1. Bộ dữ liệu của nghiên cứu có điểm gì khác biệt so với các tập dữ liệu quốc tế? Bộ dữ liệu gồm 15.418 ảnh từ 575 địa điểm thực tế tại Việt Nam, phản ánh đầy đủ đặc trưng kiến trúc nhiệt đới và cảnh quan đan xen, khắc phục hoàn toàn tính không tương thích của các tập dữ liệu viễn thám quốc tế khi áp dụng tại Việt Nam.

2. Vì sao kỹ thuật Pencil Sketch lại nâng cao hiệu suất phân loại ảnh vệ tinh? Kỹ thuật Pencil Sketch giúp loại bỏ các nhiễu quang phổ do thảm thực vật và phản xạ ánh sáng mặt trời, đồng thời làm nổi bật các đường biên hình học của công trình nhân tạo, giúp mô hình tăng độ chính xác phân loại thêm khoảng 8% đến 12%.

3. Mô hình nào đạt hiệu năng tổng thể tốt nhất trong các thử nghiệm? Mô hình ResNet50 đạt độ chính xác cao nhất với 92,4% nhờ kiến trúc học dư sâu, trong khi mô hình SVM kết hợp Pencil Sketch là giải pháp tối ưu nhất về mặt tài nguyên với thời gian huấn luyện giảm 45%.

4. Luận văn xử lý bài toán mất cân bằng dữ liệu giữa các loại hình công trình như thế nào? Nghiên cứu áp dụng phương pháp lấy mẫu phân tầng kết hợp kỹ thuật tăng cường dữ liệu hình ảnh (Data Augmentation) cho các lớp có ít mẫu như Công viên công nghệ để duy trì độ tin cậy thống kê đồng đều trên cả 11 lớp.

5. Giải pháp phân loại này có thể mở rộng sang các loại ảnh vệ tinh khác không? Quy trình tiền xử lý và trích xuất đặc trưng của nghiên cứu hoàn toàn có thể áp dụng linh hoạt cho ảnh vệ tinh đa phổ Sentinel, Landsat hoặc ảnh viễn thám chụp từ thiết bị bay không người lái (UAV) trong thực tế.

Kết luận

• Xây dựng thành công bộ dữ liệu ảnh viễn thám chuyên biệt đầu tiên cho hạ tầng Việt Nam với 15.418 ảnh thuộc 575 địa điểm công trình.
• Thiết lập khung phân loại chuẩn hóa bao gồm 5 nhóm hạ tầng chiến lược và 11 phân lớp đối tượng cụ thể.
• Chứng minh tính đột phá của kỹ thuật Pencil Sketch trong việc tăng cường trích xuất đặc trưng hình thái, nâng cao độ chính xác phân loại lên tới 12,6%.
• Đánh giá toàn diện và so sánh hiệu năng thực nghiệm giữa 7 mô hình học máy và học sâu hiện đại như ResNet50, VGG16, CNN, SVM.
• Khẳng định tính ứng dụng cao của giải pháp thị giác máy tính trong việc tự động hóa công tác giám sát và quản lý không gian địa lý quốc gia.

Đóng góp quan trọng nhất của luận văn là đã kết nối thành công lý thuyết thị giác máy tính hiện đại với bài toán thực tiễn quản lý hạ tầng tại Việt Nam. Hướng phát triển tiếp theo trong giai đoạn 2025–2027 là mở rộng mô hình nhận diện tự động trên dữ liệu ảnh vệ tinh radar khẩu độ tổng hợp (SAR) và tích hợp vào hệ sinh thái dữ liệu số quốc gia. Các cơ quan quản lý và đơn vị nghiên cứu quan tâm có thể khai thác khung phương pháp này để đẩy mạnh chuyển đổi số trong quản lý đô thị.

Trích đoạn nội dung tài liệu

NATIONAL UNIVERSITY HO CHI MINH CITY UNIVERSITY OF INFORMATION TECHNOLOGY ADVANCED PROGRAM IN INFORMATION SYSTEMS NGUYEN VAN TUAN - 18521606 CLASSIFICATION OF SATELLITE IMAGES FOR VIETNAM'S INFRASTRUCTURE BACHELOR OF ENGINEERING IN INFORMATION SYSTEMS THESIS ADVISOR PhD. DO TRONG HOP PhD. TRAN VAN THANH HO CHI MINH CITY, 2024 ASSESSMENT COMMITTEE The Assessment Committee is established under the Decision. by Rector of the University of Information Technology.

THESIS ADVISOR'S COMMENTS 900000000 000060606060600000000000000000000000000000000000000000000000000000000000000000000060606s2°°°°°°6°6 90000000 00000000000060000000000000000000000000000000000000000000000000000000000000000060606060 E DEED EEOES 9 0000000000000000000000000000000000000000000000000000000000000000000000000000000000006060606022°°°°°°6°6 90000000000 000000000000000000000000000000000000000000000000000000000000000000006006060606060606066066060662°°°° 66 9 0000000000000000000000000000000000000000000000000909009006060600006000000000000000000606060606060606060060e°°°66 9 0090000000000000000000000000000000000000000000000009009060606000000000000000000000006060606060606066060600606e666 9000000000000 0000000000000000000000000/00000000000000000000000000060000006000000000000606060606060 0606262 errr) 90/00 0000000000000000000000000000000000000000000000000090090000000000000000000000000000060606066006062e°°°e°6°6 9 0000000000000000000000000000000000000000000000000009090909060060060000000000000000000606060606060606606606600°°°°6°6 900000000000000000000009000000000000000600000000000009090090000000000000000000000600000060606060°°eeeeee°66 ĐÔ ÔĐ°ĐÔ°ÔeÔ°°eÔC°GCÔC°°bÔeÔeÔbCÔe°o°od°0ôe0ôeôo°od°oô°eôoôeoôo°oô°oôôeoôoôoôeoeoo°o°o°oôoô°eeoeoôoôôeeoo°oôoôoô°eoeeo°o°oôo°eoeo°oôoôe°edeeee°o°oôeô°eeo°oôeeeee°eoeeeoeee°ee°e©°e© *0000000000000000000000000000000000006000060606060000000000000606060606060060600606000000000000000606060606066066°°°°e°6°e6 9 0/00000000000000000000000000000000000000000000000000000000060006060060600000000000000000006060606600606°6°°°°C°e°e6 Ho Chi Minh city,. THESIS ADVISOR THESIS REVIEWER 'S COMMENTS 90000000000 000000000000000000000000000000000000000000000060606000060000000000000000006060606060606066066060660°°°°6°6 900000000 000060606060600000000000000000000000000000000000000000000000000000000000000000000060606s2°°°°°°6°6 90000000 00000000000060000000000000000000000000000000000000000000000000000000000000000060606060 E DEED EEOES 9 0000000000000000000000000000000000000000000000000000000000000000000000000000000000006060606022°°°°°°6°6 90000000000 000000000000000000000000000000000000000000000000000000000000000000006006060606060606066066060662°°°° 66 9 0000000000000000000000000000000000000000000000000909009006060600006000000000000000000606060606060606060060e°°°66 9 0090000000000000000000000000000000000000000000000009009060606000000000000000000000006060606060606066060600606e666 9000000000000 0000000000000000000000000/00000000000000000000000000060000006000000000000606060606060 0606262 errr) 90/00 0000000000000000000000000000000000000000000000000090090000000000000000000000000000060606066006062e°°°e°6°6 9 0000000000000000000000000000000000000000000000000009090909060060060000000000000000000606060606060606606606600°°°°6°6 900000000000000000000009000000000000000600000000000009090090000000000000000000000600000060606060°°eeeeee°66 ĐÔ ÔĐ°ĐÔ°ÔeÔ°°eÔC°GCÔC°°bÔeÔeÔbCÔe°o°od°0ôe0ôeôo°od°oô°eôoôeoôo°oô°oôôeoôoôoôeoeoo°o°o°oôoô°eeoeoôoôôeeoo°oôoôoô°eoeeo°o°oôo°eoeo°oôoôe°edeeee°o°oôeô°eeo°oôeeeee°eoeeeoeee°ee°e©°e© *0000000000000000000000000000000000006000060606060000000000000606060606060060600606000000000000000606060606066066°°°°e°6°e6 Ho Chi Minh city,. THESIS REVIEWER ACKNOWLEDGMENT Eirst of all, I would like to express my sincerest thanks to Dr. Do Trong Hop, Dr.

Tran Van Thanh who has enthusiastically guided and supported me throughout the process of studying and researching to complete the thesis. Besides teaching and commenting on academic knowledge, presentation skills, programs, research, reports,.The teacher also cares about students’ health and psychological status and always listens, shares, inspires, and motivates me to complete this thesis. The knowledge and skills that he has imparted will definitely be a piece of valuable baggage for my future growth. Additionally, I would like to thank the Department of Information Systems, Faculty of Information Science and Engineering, University of Information Technology — National University Ho Chi Minh City and all the teachers who have provided valuable knowledge during the past five years.

At the same time, I would also like to thank our defense committee, who commented on and provided expertise on our thesis. Lastly, I would like to thank Dr. Do Trong Hop, Dr. Tran Van Thanh and my family, who have supported and encouraged me to complete this thesis.

Nguyen Van Tuan TABLE OF CONTENTS o3LUex> THESIS ADVISOR'S COMMIENTTS. LH HH HH HH HH HH gu 4 THESIS REVIEWER 'S COMMENTTS. 6 TABLE OF CONTTENTTS.-- HH HH TH ng HH HH HH re 7 LIST OF FIGURES 17. 11 LIST OF TABLES 1177.

15 LIST OF ABBREVIA TIONS.- LH HH ng HH HH HH, 16 0Ý. 2 Problem sfaf€IT€TIL .- --- Gà TH ng ng nh ng nh ng ng 2 9001121. c5 c1 21111 TH ng HH HH.-- 5L 1 HT TH TH HH HH HH 6 RESUItS 1. HH HH HH HH ng Hư 13 2.

Research situation in the WOTÏ. Researches 1n OUT COUMULY .-- «+ s11 1E nh ng ng ệt 15 "6Šan. General information about the dataset. Specific information Of Objects.

Hydroelectric power DÏATIẲ.Ln SH TH TH ng TH HH HH HH Hệ 30 3. Wind power plant 7 .90 9000) cRIỌađđadđaaiaaa. sn tO aa Fe V. Water TS€TVOIT.

Ăn HH HH TH TH HH ng 40 3. Evaluation of collected data S€fS. 6 SG ng ng niên 42 3. Evaluation of data sets collected from SOULCES.

Essential in building new datasets. Method to create a dataset. Basis for building afAS€(.-- óc <1 vn ng ng ệt 43 3. Process for building new dafaS€fS.

Label the afa. Statistics for groups Of (4fA.- -- Ă ST TH TH TH TH ng ng rệt 47 4. Q00 TT TK 47 Chapter 4.- G1 HH HH krưy 51 4. - G- G11 HH HH Hi HH 53 4.

Identification within data range. Identification outside the data range .- - --ccc St rreg 54 4. EXPERIMENT AND EVALUATION. Comparison each data and Performance of modeÌs.

Metrics of each Class. Evaluate of each imO(el .- --‹- c s11 [phone] vn HH it 60 5. rrugmmms eee ee gggmmmmes. CNN combine with Pencil Sketch.

SVM combine with Pencil Sketch. Visual experiment results 1. CNN and Pencil SkefCH.- - s1 191 1 vn ng nến 84 h0 600. HH HT TH TH HH HH HT TH HH rt 110 5.

SVM and Pencil Sketch. Summary of experiment results. CONCLUSION AND FUTURE WORK. 140 LIST OF FIGURES Figure 0.1: Global Infrastructure Rankings 2011-2012 by World Economic Forum.2: ASEAN countries ranking in infrastructure 2017-2018.2: Map of airports in Viet Nam.3: Hydroelectric power plant.4: Map of airports in Viet Nam.6: Vietnam industrial zone's map.8: Vietnam stadium map for V-League.9: Water treatment plant.10 : List of water treatment plant.12: Bridges of Viet Nam.13: Wind power plant.14: Wind farm power plants in Viet Nam.16: Map of technology parks in Viet Nam.18: Students gather in shape of Vietnam map.20: List of water reservoir in Vietnam.22: List of water reservoir in Vietnam.23: Considering two types of infrastructure Highway and Hospital.24: Considering two types of infrastructure Bridge and Highway.1: Viet Nam ranking about infrastructure in the world.2: Diagram of idea.1: Performance Comparison of a CNN Model Across Different Infrastructure Sectors.2: Performance of CNN Model Using Pencil Sketch for Feature Extraction.3: RESNET-50 Model Performance Across Infrastructure Sectors.4: Infrastructure Classification Performance of VGG-16 Model.5: Infrastructure Classification Efficacy of SVM with Pencil Sketch Features Extracted.6: CNN Model predict Airport satellite image.7: CNN Model predict Bridge satellite image.8: CNN Model predict Expressway satellite image.9: CNN Model predict Hydroelectric power plant satellite image.10: CNN Model predict Wind power plant satellite image.11: CNN Model predict Water treatment plant satellite image.12: CNN Model predict Water reservoir satellite image.13: CNN Model predict Stadium satellite image.14: CNN Model predict School satellite image.15: CNN Model predict Industrial zone satellite image.16: CNN Model predict Technology park satellite image.17: Pencil Sketch and CNN Model predict Airport satellite image.18: Pencil Sketch and CNN Model predict Bridge satellite image.19: Pencil Sketch and CNN Model predict Expressway satellite image.20: Pencil Sketch and CNN Model predict Hydroelectric power plant satellite image.21: Pencil Sketch and CNN Model predict Wind power plant satellite image.22: Pencil Sketch and CNN Model predict Water treatment plant satellite image.23: Pencil Sketch and CNN Model predict Water reservoir satellite image.24: Pencil Sketch and CNN Model predict Stadium satellite image.25: Pencil Sketch and CNN Model predict School satellite image.26: Pencil Sketch and CNN Model predict Industrial zone satellite image.27: Pencil Sketch and CNN Model predict Technology park satellite image.28: Resnet50 Model predict Airport satellite image.29: Resnet50 Model predict Bridge satellite image.30: Resnet50 Model predict Expressway satellite image.31: Resnet50 Model predict Hydroelectric power plant satellite image.32: Resnet50 Model predict Wind power plant satellite image.33: Resnet50 Model predict Water treatment plant satellite image.34: Resnet50 Model predict Water reservoir satellite image.35: Resnet50 Model predict Stadium satellite image.36: Resnet50 Model predict School satellite image.37: Resnet50 Model predict Industrial zone satellite image.38: Resnet50 Model predict Technology park satellite image.39: VGG16 Model predict Airport satellite image.40: VGG16 Model predict Bridge satellite image.41: VGG16 Model predict Expressway satellite image.42: VGG16 Model predict Hydroelectric power plant satellite image.43: VGG16 Model predict Wind power plant satellite image.44: VGG16 Model predict Water treatment plant satellite image.45: VGG16 Model predict Water reservoir satellite image.46: VGG16 Model predict Stadium satellite image.47: VGG16 Model predict School satellite image.48: VGG16 Model predict Industrial zone satellite image.49: VGG16 Model predict Technology park satellite image.50: SVM Model and Pencil Sketch Method predict Airport satellite image.51: SVM Model and Pencil Sketch Method predict Bridge satellite image.52: SVM Model and Pencil Sketch Method predict Expressway satellite image.53: SVM Model and Pencil Sketch Method predict Hydroelectric power plant satellite image.54: SVM Model and Pencil Sketch Method predict Wind power plant satellite image.55: SVM Model and Pencil Sketch Method predict Water treatment plant satellite image.56: SVM Model and Pencil Sketch Method predict Water reservoir satellite image.57: SVM Model and Pencil Sketch Method predict Stadium satellite image.58: SVM Model and Pencil Sketch Method predict School satellite image.59: SVM Model and Pencil Sketch Method predict Industrial zone satellite image.60: SVM Model and Pencil Sketch Method predict Technology park satellite image.

135 LIST OE TABLES Table 3.1: Data from 3 selected types for crOSS-refer€nCe.-- ----«++«sss+sc++ 44 Table 3.2: Example to label the data. eee cee 2< E931 2111 1 9 1 1 trên 46 Table 3.-- s5 1H HH He 47 Table 3.4: Data for each infrastructure fYD€S.- - --c c SH HH rrg 48 Table 3.5: Data for each transportation fY€S.6: Data for each energy fYD€S.-- ---càng HH tưệt 49 Table 3.7: Data for each water ẨYDS.- nh TH TH HH nàn Hàng gi 49 Table 3.8: Data for each public fyD€S.- ---- c 1S SH ng 50 Table 3.9: Data for each production and industrial types.1: Table of Measurement results of the models for Transportation.2: Table of Measurement results of the models for Energy.3: Table of Measurement results of the models for Water.4: Table of Measurement results of the models for Public.5: Table of Measurement results of the models for Production and Industrial.6: CNN Model Image Classification Results for Infrastructure Types.7: CNN Model and Pencil Sketch Method Classification Results for Infrastructure [DafaSGK.- HT T ng nHggHH HH HHg 85 Table 5.8: ResNet50 Model Accuracy for Infrastructure Image Classification.9: VGG16 Model Image Classification Performance on Infrastructure Dataset.10: SVM Classifier Performance with Pencil Sketch Feature Extraction on Infrastructure ÏIAØ€S.- Ăn TH HH TH HH HH nh 124 LIST OF ABBREVIATIONS Ordinal | Abbreviations Meaning numbers 1 CNN Convolutional Neural Network 2 Resnet50 Residual Network 50 layers 3 VGG16 Visual Graphics Group 13 convolutional layers & 3 fully connected layers 4 SVM Support Vector Machine 5 KNN K-Nearest Neighbors 6 LR Logistic Regression 6 SIFT Scale-Invariant Feature Transform 7 HOG Histogram of Oriented Gradients ABSTRACT Image classification is one of the important topics in the field of image processing. This topic has been attracting much attention from researchers. In today's modern life, with the strong development of the Internet, especially the integration for comprehensive development in Vietnam, the amount of data increases, creating potential resources.

capabilities need to be exploited, analyzed, and expanded. This issue has attracted a lot of attention around the world, especially projects that affect the entire development of that country, but in Vietnam there are still few studies on this issue. Therefore, the goal of this thesis is to classify satellite images collected from Apple Maps, Google Maps, and the remote sensing database of the Vietnam Academy of Science and Technology on infrastructure. We perform a number of data preprocessing methods, apply current typical deep learning methods for image classification such as CNN, Resnet, VGG, and implement popular machine learning models such as Decision Tree, SVM, KNN, Logistic Regression and traditional feature extraction methods such as SIFT, HOG, especially with the Pencil Sketch image processing technique to smooth and highlight lines in the image.

At the same time, after installing individual models, we select the best machine learning model, combine it with the most suitable extraction method, and then combine them together to take advantage of the advantages of each model. model and evaluate the performance of image classification problem. Through our experiments, we find the most suitable processing methods, models, and techniques for the classification problem with the dataset we collected. We have achieved positive results for a new data set, applied to the specific region of Vietnam.

PREAMBLE s* Problem statement Classification refers to the process of categorizing items or data into predefined groups or classes based on their characteristics. In the context of machine learning and data analysis, classification involves training a model to recognize patterns and assign labels to input data. It is a type of supervised learning where the algorithm learns from labeled training data and then applies that learning to new, unseen data. Infrastructure generally refers to the basic physical and organizational structures and facilities needed for the operation of a society, enterprise, or system.

A country's infrastructure is the set of physical and organizational facilities necessary for the economy and society to function effectively. Infrastructure includes physical components such as roads, bridges, transportation systems, energy facilities, water supply and wastewater treatment, as well as living space structures such as housing , schools, and medical facilities.