Xây dựng mô hình học sâu phát hiện biển số xe tại Đại học Phenikaa

Khám phá mô hình học sâu phát hiện biển số xe từ Phenikaa. Giải pháp công nghệ AI mang lại độ chính xác cao và ứng dụng thực tiễn vượt trội.

• Tác giả: Đặng Văn Báu
• Người hướng dẫn: Ts. Phạm Tiến Lâm
• Trường học: Trường Đại Học Phenikaa
• Chuyên ngành: Khoa Học Máy Tính
• Đề tài: Xây Dựng Mô Hình Học Sâu Để Phát Hiện Biển Số Xe Tại Trường Đại Học Phenikaa
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU ĐỀ TÀI ĐỒ ÁN TỐT NGHIỆP
• 1.1. Tên đề tài Xây dựng mô hình học sâu để phát hiện biển số xe tại trường Đại học Phenikaa.
• 1.2. Mục tiêu nghiên cứu và nội dung nghiên cứu của đồ án
• 1.2.1. Mục tiêu nghiên cứu của đồ án
• 1.2.2. Nội dung nghiên cứu của đồ án
• 1.3. Thành viên tham gia thực hiện đồ án
• 1.4. Phương thức thực hiện và kết quả
• 1.4.1. Phương thức thực hiện
• 1.4.2. Kết quả
• 2. CHƯƠNG 2: TỔNG QUAN CƠ SỞ LÝ THUYẾT VÀ XỬ LÝ DỮ LIỆU ẢNH
• 2.1. Ngôn ngữ lập trình Python
• 2.2. Tổng quan về thư viện Scikit - learn trong Python
• 2.3. Tổng quan về Deep Learning và bài toán nhận diện trong thị giác máy tính
• 2.4. Định nghĩa Deep Learning
• 2.5. Cách thức hoạt động của Deep Learning
• 2.6. Các ưu điểm của Deep Learning
• 2.7. Ứng dụng của Deep Learning
• 2.8. Hạn chế của Deep Learning
• 2.9. Thư viện Keras
• 2.9.1. Giới thiệu thư viện Keras
• 2.9.2. Một số tính năng của Keras
• 2.10. Giới thiệu Convolutional Neural Network (CNN)
• 2.11. Các lớp của CNN
• 2.12. Cấu trúc của CNN
• 2.13. Thư viện OpenCV
• 2.14. Giới thiệu bài toán Object Detection
• 2.15. Xử lý dữ liệu ảnh
• 2.15.1. Thư viện cần sử dụng
• 2.15.2. Các phương pháp đã sử dụng
• 2.15.3. Thống kê, so sánh kết quả 2 phương pháp
• 2.15.4. Ưu - nhược điểm của phương pháp xử lý ảnh trong OpenCV vào bài toán phát diện biển số
• 2.15.5. Tính ứng dụng và hướng phát triển
• 3. CHƯƠNG 3: BÀI TOÁN PHÁT HIỆN BIẾN SỐ
• 3.1. Xác định bài toán
• 3.2. Mô hình hồi quy tuyến tính
• 4. CHƯƠNG 4: XÂY DỰNG CÁC MÔ HÌNH HỌC MÁY
• 4.1. Mô hình đề xuất
• 4.2. Xây dựng dữ liệu
• 4.2.1. Xử lý dữ liệu gốc ban đầu
• 4.2.2. Gán nhãn dữ liệu và đánh dấu 4 góc của biển số
• 4.3. Các mô hình đã xây dựng
• 4.3.1. Xây dựng mô hình hồi quy tuyến tính với thư viện Scikit - learn
• 4.3.2. Các mô hình học máy CNN
• 4.3.3. Mô hình CNN có kết quả tốt nhất
• 5. CHƯƠNG 5: XÂY DỰNG CHƯƠNG TRÌNH PHÁT HIỆN VÀ XOAY BIỂN SỐ
• 5.1. Các thư viện cần cài đặt
• 5.2. Quy trình thực hiện
• 6. CHƯƠNG 6: KẾT QUẢ
• 6.1. Kết quả thu được
• 6.2. Ưu điểm, nhược điểm
• 6.2.1. Nhược điểm
• 6.2.2. Hướng phát triển
• Danh mục các bảng
• Danh mục các hình

Tóm tắt

I. Tổng quan về Phát hiện biển số xe bằng Học sâu Phenikaa

Trong bối cảnh giao thông ngày càng phức tạp và số lượng phương tiện gia tăng, việc phát triển các hệ thống giao thông thông minh trở nên vô cùng cấp thiết. Một trong những yếu tố then chốt của giao thông thông minh là khả năng tự động phát hiện biển số xe (License Plate Recognition - LPR hoặc Automatic Number Plate Recognition - ANPR). Công nghệ này không chỉ giúp kiểm soát an ninh và giám sát hiệu quả hơn mà còn mở ra nhiều ứng dụng tiềm năng trong các lĩnh vực như hệ thống đỗ xe thông minh, thu phí tự động, và quản lý giao thông. Nghiên cứu phát hiện biển số xe tại Phenikaa University tập trung vào việc áp dụng các kỹ thuật học sâu (Deep Learning) để xây dựng một hệ thống có khả năng nhận diện biển số xe một cách chính xác và hiệu quả, đặc biệt trong môi trường thực tế với nhiều thách thức như ánh sáng thay đổi, góc nhìn khác nhau, và biển số bị mờ. Dự án hướng tới mục tiêu phát triển một mô hình có thể triển khai trên các thiết bị di động, giúp tăng tính tiện lợi và khả năng ứng dụng rộng rãi.

1.1. Tầm quan trọng của Phát hiện biển số xe trong AI Computer Vision

Công nghệ phát hiện biển số xe đóng vai trò quan trọng trong lĩnh vực Trí tuệ nhân tạo (AI) và thị giác máy tính (Computer Vision). Khả năng tự động nhận diện biển số xe mở ra nhiều ứng dụng, từ việc quản lý giao thông thông minh đến an ninh và giám sát. Các hệ thống phát hiện biển số xe có thể được tích hợp vào các camera giám sát để theo dõi lưu lượng xe, phát hiện xe vi phạm, hoặc hỗ trợ điều tra các vụ án liên quan đến xe cộ. Ngoài ra, công nghệ này còn có tiềm năng lớn trong việc xây dựng các hệ thống đỗ xe thông minh, cho phép tự động nhận diện xe ra vào và thanh toán phí đỗ xe một cách nhanh chóng và tiện lợi.

1.2. Ứng dụng thực tiễn của Phát hiện biển số xe tại Phenikaa

Tại Phenikaa University, việc nghiên cứu và phát triển hệ thống phát hiện biển số xe mang ý nghĩa thiết thực trong việc nâng cao hiệu quả quản lý và đảm bảo an ninh trật tự trong khuôn viên trường. Hệ thống có thể được sử dụng để kiểm soát ra vào bãi đỗ xe, quản lý phương tiện của sinh viên và cán bộ, đồng thời phát hiện các phương tiện lạ hoặc nghi vấn. Việc triển khai một hệ thống phát hiện biển số xe hiệu quả sẽ giúp giảm thiểu tình trạng ùn tắc giao thông, tăng cường an ninh và tạo môi trường an toàn hơn cho tất cả mọi người trong trường.

II. Thách thức Vấn đề trong Nhận diện biển số xe tại VN

Mặc dù công nghệ phát hiện biển số xe đã có những bước tiến đáng kể, việc triển khai hệ thống này tại Việt Nam vẫn đối mặt với nhiều thách thức đặc thù. Các yếu tố như sự đa dạng về kiểu dáng và kích thước biển số xe Việt Nam (biển số xe ô tô, biển số xe máy), điều kiện ánh sáng thay đổi liên tục, góc nhìn khác nhau, biển số bị mờ hoặc che khuất, và chất lượng hình ảnh đầu vào không ổn định đều có thể ảnh hưởng đến độ chính xác phát hiện biển số và hiệu suất phát hiện biển số của hệ thống. Ngoài ra, việc xây dựng một dataset biển số xe đủ lớn và đa dạng để huấn luyện mô hình học sâu cũng là một thách thức không nhỏ. Các nghiên cứu cần tập trung vào việc phát triển các giải thuật phát hiện biển số xe mạnh mẽ, có khả năng chống chịu tốt với các yếu tố gây nhiễu và đảm bảo độ chính xác cao trong mọi điều kiện.

2.1. Khó khăn về dữ liệu Xử lý ảnh biển số xe Việt Nam

Việc thu thập và xử lý dữ liệu biển số xe tại Việt Nam gặp nhiều khó khăn do sự đa dạng về loại biển số, điều kiện ánh sáng phức tạp và chất lượng hình ảnh không đồng đều. Các giải thuật xử lý ảnh cần được tối ưu hóa để loại bỏ nhiễu, tăng cường độ tương phản và chuẩn hóa hình ảnh trước khi đưa vào mô hình học sâu. Ngoài ra, việc gán nhãn dữ liệu một cách chính xác và nhất quán cũng đòi hỏi sự tỉ mỉ và kinh nghiệm của người thực hiện.

2.2. Yêu cầu về độ chính xác và thời gian xử lý hệ thống LPR

Trong các ứng dụng thực tế, hệ thống phát hiện biển số xe cần đảm bảo cả độ chính xác cao và thời gian xử lý nhanh chóng. Độ chính xác cao là yếu tố then chốt để tránh các sai sót trong việc nhận diện biển số, có thể dẫn đến những hậu quả nghiêm trọng. Thời gian xử lý nhanh chóng là cần thiết để đáp ứng yêu cầu của các ứng dụng thời gian thực, chẳng hạn như hệ thống đỗ xe thông minh hoặc thu phí tự động.

III. Phương pháp Học sâu YOLO cho Phát hiện biển số xe Phenikaa

Để giải quyết các thách thức trên, nghiên cứu tại Phenikaa University đã áp dụng phương pháp học sâu dựa trên mô hình YOLO. Mô hình YOLO (You Only Look Once) là một trong những kiến trúc mạng nơ-ron phổ biến nhất hiện nay cho bài toán object detection, nhờ khả năng đạt được tốc độ xử lý nhanh chóng mà vẫn đảm bảo độ chính xác cao. Mô hình YOLO hoạt động bằng cách chia hình ảnh đầu vào thành các ô lưới và dự đoán đồng thời các bounding box và nhãn lớp cho mỗi ô. Điều này cho phép YOLO xử lý toàn bộ hình ảnh chỉ trong một lần duy nhất, giúp tăng tốc độ xử lý đáng kể so với các phương pháp truyền thống.

3.1. Ưu điểm của mô hình YOLO so với Faster R CNN SSD

So với các mô hình khác như Faster R-CNN và SSD, YOLO có ưu điểm vượt trội về tốc độ xử lý. Faster R-CNN thường đòi hỏi nhiều bước xử lý phức tạp hơn, dẫn đến thời gian xử lý lâu hơn. SSD cũng có tốc độ khá nhanh, nhưng độ chính xác thường không cao bằng YOLO trong một số trường hợp. Do đó, YOLO là lựa chọn phù hợp cho các ứng dụng yêu cầu thời gian thực.

3.2. Tối ưu hóa mô hình YOLO cho biển số xe Việt Nam

Để phát hiện biển số xe Việt Nam hiệu quả, mô hình YOLO cần được tối ưu hóa để phù hợp với đặc thù của biển số xe Việt Nam. Quá trình tối ưu hóa có thể bao gồm việc điều chỉnh kiến trúc mạng, lựa chọn hàm mất mát phù hợp, và áp dụng các kỹ thuật tăng cường dữ liệu để tăng tính đa dạng của dataset.

IV. Xây dựng Dataset Huấn luyện mô hình Deep Learning Phenikaa

Quá trình xây dựng dataset biển số xe và huấn luyện mô hình học sâu là một bước quan trọng để đảm bảo hiệu quả của hệ thống phát hiện biển số xe. Dataset cần chứa một lượng lớn hình ảnh biển số xe với độ phân giải và chất lượng khác nhau, đồng thời bao gồm các trường hợp biển số bị mờ, che khuất, hoặc có góc nhìn khác nhau. Quá trình huấn luyện mô hình cần được thực hiện cẩn thận, với việc lựa chọn các tham số phù hợp và theo dõi sát sao độ chính xác phát hiện biển số và hiệu suất phát hiện biển số để đảm bảo mô hình đạt được kết quả tốt nhất.

4.1. Thu thập Gán nhãn Dataset biển số xe thực tế

Việc thu thập dataset biển số xe thực tế đòi hỏi sự đầu tư về thời gian và công sức. Hình ảnh có thể được thu thập từ các nguồn khác nhau, chẳng hạn như camera giám sát, điện thoại di động, hoặc các trang web chia sẻ ảnh. Quá trình gán nhãn dữ liệu cần được thực hiện bởi những người có kinh nghiệm, đảm bảo tính chính xác và nhất quán của nhãn.

4.2. Sử dụng TensorFlow PyTorch để huấn luyện mô hình

TensorFlow và PyTorch là hai thư viện học sâu phổ biến nhất hiện nay, cung cấp các công cụ và API mạnh mẽ để xây dựng và huấn luyện mô hình mạng nơ-ron. Việc lựa chọn thư viện nào phụ thuộc vào kinh nghiệm và sở thích của người sử dụng, cũng như yêu cầu cụ thể của dự án.

V. Đánh giá Ứng dụng Mô hình Phát hiện biển số xe Phenikaa

Sau khi mô hình được huấn luyện, việc đánh giá độ chính xác và hiệu suất là cần thiết để đảm bảo mô hình hoạt động tốt trong môi trường thực tế. Các chỉ số đánh giá phổ biến bao gồm độ chính xác, độ bao phủ, và F1-score. Mô hình cần được kiểm tra trên một tập dữ liệu kiểm thử độc lập để đảm bảo kết quả đánh giá khách quan. Nếu mô hình đạt được kết quả tốt, có thể triển khai vào các ứng dụng thực tế, chẳng hạn như hệ thống đỗ xe thông minh, hệ thống giao thông thông minh, hoặc hệ thống an ninh và giám sát.

5.1. Các chỉ số đánh giá độ chính xác mô hình LPR

Độ chính xác (Precision) là tỷ lệ các biển số xe được mô hình dự đoán đúng trên tổng số các biển số xe được dự đoán. Độ bao phủ (Recall) là tỷ lệ các biển số xe được mô hình dự đoán đúng trên tổng số các biển số xe có trong tập dữ liệu. F1-score là trung bình điều hòa của độ chính xác và độ bao phủ, thể hiện sự cân bằng giữa hai chỉ số này.

5.2. Triển khai Ứng dụng trong hệ thống đỗ xe thông minh

Một trong những ứng dụng tiềm năng nhất của mô hình phát hiện biển số xe là trong hệ thống đỗ xe thông minh. Mô hình có thể được tích hợp vào camera giám sát tại các bãi đỗ xe để tự động nhận diện xe ra vào, tính phí đỗ xe, và quản lý chỗ đỗ xe một cách hiệu quả.

VI. Kết luận Hướng phát triển Nghiên cứu Phát hiện biển số

Nghiên cứu về phát hiện biển số xe tại Phenikaa University đã đạt được những kết quả ban đầu đầy hứa hẹn, mở ra nhiều tiềm năng ứng dụng trong các lĩnh vực khác nhau. Trong tương lai, nghiên cứu sẽ tập trung vào việc cải thiện độ chính xác và hiệu suất của mô hình, đồng thời mở rộng phạm vi ứng dụng sang các lĩnh vực mới, chẳng hạn như quản lý giao thông công cộng và hỗ trợ lái xe an toàn. Việc hợp tác với các doanh nghiệp và tổ chức trong lĩnh vực giao thông thông minh cũng sẽ giúp đẩy nhanh quá trình triển khai và thương mại hóa các kết quả nghiên cứu.

6.1. Tiềm năng phát triển của công nghệ OCR biển số xe

Công nghệ OCR biển số xe (Optical Character Recognition) có tiềm năng phát triển rất lớn trong tương lai, đặc biệt là khi kết hợp với các công nghệ khác như học sâu, thị giác máy tính, và Trí tuệ nhân tạo (AI). Các hệ thống OCR biển số xe tiên tiến có thể không chỉ nhận diện biển số xe mà còn trích xuất thông tin chi tiết về xe, chẳng hạn như loại xe, hãng xe, và màu sắc xe.

6.2. Đề xuất hướng nghiên cứu tiếp theo mở rộng ứng dụng

Các hướng nghiên cứu tiếp theo có thể tập trung vào việc phát triển các mô hình có khả năng chống chịu tốt hơn với các điều kiện thời tiết khắc nghiệt, biển số bị hỏng hoặc che khuất, và các loại biển số xe đặc biệt. Ngoài ra, việc tích hợp mô hình vào các thiết bị di động và hệ thống nhúng cũng là một hướng đi tiềm năng.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu đề tài Đồ án tốt nghiệp 1. Tên đề tài Xây dựng mô hình học sâu để phát hiện biển số xe tại trường Đại học Phenikaa. Mục tiêu nghiên cứu và nội dung nghiên cứu của đồ án. Mục tiêu nghiên cứu của đồ án ● Xây dựng tập dữ liệu ảnh có đánh dấu các góc của biển số xe từ camera.

● Xây dựng mô hình học máy phát hiện biển số xe, để có thể đưa vào các thiết bị giám sát an ninh tại khu vực để xe. Nội dung nghiên cứu của đồ án ● Ứng dụng xử lý ảnh để tìm ra bài toán phù hợp để phát hiện biển số. ● Xây dựng mô hình học máy cổ điển với thư viện Sklearn. ● Xây dựng mô hình học máy nhẹ.

● Xây dựng mô hình Convolutional Neural Network (CNN) để phát hiện biển số xe. Thành viên tham gia thực hiện đồ án Bảng 1: Bảng thành viên thực hiện đồ án STT Họ và tên Chức vụ Email SĐT 01 Phạm Tiến Lâm Giảng viên lam.phamtien@phenik 0966263858 hướng dẫn aa-uni.vn 02 Đặng Văn Báu Sinh viên dangvanbau1999@gm 0973254960 ail. Phương thức thực hiện và kết quả 1. Phương thức thực hiện ● Nắm chắc kiến thức cơ bản về ngôn ngữ lập trình Python trên Windows và Ubuntu.

● Tìm hiểu thư viện Scikit - learn trong Python. ● Tìm hiểu thư viện OpenCV trong Python. 4 ● Áp dụng thư viện OpenCV vào bài toán xử lý ảnh. ● Chuẩn bị dữ liệu thô.

● Chuẩn hóa dữ liệu. ● Tìm hiểu CNN (Convolutional Neural Network) trong Keras để xây dựng mô hình học máy. ● Áp dụng và xây dựng mô hình CNN. Kết quả Tạo mô hình hình học sâu có thể phát hiện biển số xe và xoay biển số từ hình ảnh.

5 Chương 2: Tổng quan cơ sở lý thuyết và xử lý dữ liệu ảnh 2. Ngôn ngữ lập trình Python ● Ngôn ngữ lập trình Python được Guido van Rossum tạo ra cuối năm 1990. ● Python là một ngôn ngữ lập trình bậc cao cho các mục đích lập trình đa năng. ● Python được thiết kế với ưu điểm mạnh là dễ đọc, dễ học và dễ nhớ.

Python là ngôn ngữ có hình thức rất sáng sủa, cấu trúc rõ ràng, thuận tiện cho người mới học lập trình. Cấu trúc của Python còn cho phép người sử dụng viết mã lệnh với số lần gõ phím tối thiểu. ● Ban đầu, Python được phát triển để chạy trên nền Unix. Nhưng rồi theo thời gian, Python dần mở rộng sang mọi hệ điều hành từ MS-DOS đến Mac OS, OS/2, Windows, Linux và các hệ điều hành khác thuộc họ Unix.

● Ngày nay, Python là ngôn ngữ phổ biến nhất được sử dụng để xây dựng và đào tạo mạng nơ-ron, cụ thể là mạng nơ-ron tích hợp. ● Cú pháp Python giúp dễ dàng diễn đạt các khái niệm toán học, vì vậy ngay cả những người không quen thuộc với ngôn ngữ này cũng có thể bắt đầu xây dựng các mô hình toán học một cách dễ dàng. ● Python được thiết kế để dễ sử dụng, học nhanh và có cú pháp dễ tiếp cận. ● Có rất nhiều khung và thư viện Python có sẵn cho máy học và học sâu, bao gồm NumPy, scikit-learning, cũng như các khung học sâu “ba lớn” mà chúng ta sẽ thảo luận trong phần sau.

● Python thích hợp để viết mã và triển khai hợp tác, vì mã của nó dễ đọc và dễ truyền tải cho người khác. ● Python có một cộng đồng lớn hỗ trợ ngôn ngữ này. ● Tất cả các khuôn khổ học tập sâu chính đều hỗ trợ Python. Trong số này, các nền tảng phổ biến và mạnh mẽ nhất là TensorFlow, Keras (thường được sử dụng làm trình bao bọc phía trước cho TensorFlow) và PyTorch.

Tổng quan về thư viện Scikit - learn trong Python 2. Khái niệm Scikit-learn (Sklearn) là thư viện mạnh mẽ nhất dành cho các thuật toán học máy được viết trên ngôn ngữ Python. Thư viện cung cấp một tập các công cụ xử lý các bài toán machine learning và statistical modeling gồm: classification, regression, clustering, và dimensionality reduction. Thư viện được cấp phép bản quyền chuẩn FreeBSD và chạy được trên nhiều nền tảng Linux.

Scikit-learn được sử dụng như một tài liệu để học tập. Để cài đặt scikit-learn trước tiên phải cài thư viện SciPy (Scientific Python). Những thành phần gồm: ● Numpy: Gói thư viện xử lý dãy số và ma trận nhiều chiều. ● SciPy: Gói các hàm tính toán logic khoa học.

● Matplotlib: Biểu diễn dữ liệu dưới dạng đồ thị 2 chiều, 3 chiều. ● IPython Notebook: dùng để tương tác trực quan với Python. ● SymPy: Gói thư viện các kí tự toán học. ● Pandas: Xử lý, phân tích dữ liệu dưới dạng bảng.

Những thư viện mở rộng của SciPy thường được đặt tên dạng SciKits. Như thư viện này là gói các lớp, hàm sử dụng trong thuật toán học máy thì được đặt tên là scikit-learn. Scikit-learn hỗ trợ mạnh mẽ trong việc xây dựng các sản phẩm. Nghĩa là thư viện này tập trung sâu trong việc xây dựng các yếu tố: dễ sử dụng, dễ code, dễ tham khảo, dễ làm việc, hiệu quả cao.

Mặc dù được viết cho Python nhưng thực ra các thư viện nền tảng của scikit-learn lại được viết dưới các thư viện của C để tăng hiệu suất làm việc. Ví dụ như: Numpy (Tính toán ma trận), LAPACK, LibSVM và Cython. Thuật toán Thư viện tập trung vào việc mô hình hóa dữ liệu. Nó không tập trung vào việc truyền tải dữ liệu, biến đổi hay tổng hợp dữ liệu.

Những công việc này dành cho thư viện Numpy và Pandas. Sau đây là một số nhóm thuật toán được xây dựng bởi thư viện scikit-learn: ● Clustering ( phân cụm) : là một kỹ thuật không được giám sát. Với phân cụm, thuật toán cố gắng tìm một mẫu trong tập dữ liệu không có nhãn được liên kết với nó. ● Classification ( phân loại) : là một kỹ thuật được giám sát.

Các thuật toán phân loại xem xét dữ liệu hiện có và dự đoán dữ liệu mới thuộc về cái gì. Với dữ liệu máy, nó có thể được sử dụng để dự đoán chất lượng vật liệu bằng một số thông số đã biết (ví dụ: độ ẩm, cường độ, màu sắc,…). Đầu ra của dự đoán vật liệu sau đó sẽ là loại chất lượng (“tốt” hoặc “xấu” hoặc một số trong một không gian xác định như 1-10). ● Regression ( hồi quy): Hồi quy thường bị nhầm lẫn với phân cụm.

Với hồi quy, không có nhãn phân loại nào (chẳng hạn như tốt hay xấu, spam hay không spam,…) được dự đoán. Thay vào đó, kết quả hồi quy cho ra các số liên tục, thường không bị ràng buộc. ● Dimensionality Reduction and Feature extraction: Mục đích của thuật toán này là để giảm số lượng thuộc tính quan trọng của dữ liệu bằng các phương pháp như tổng hợp, biểu diễn dữ liệu và lựa chọn đặc trưng. Ví dụ thuật toán PCA (Principal component analysis).

Trích xuất đặc trưng. Mục đích là để định nghĩa các thuộc tình với dữ liệu hình ảnh và dữ liệu ngôn ngữ. Tổng quan về Deep Learning và bài toán nhận diện trong thị giác máy tính 2. Mạng nơron Mạng Neural là một mô hình toán học hay mô hình tính toán được xây dựng dựa trên các mạng neural sinh học.

Nó gồm có một nhóm các neural nhân tạo 8 (nút) nối với nhau, và xử lý thông tin bằng cách truyền theo các kết nối và tính giá trị mới tại các nút. Hình 1: Mạng nơ-ron nhân tạo. Hình 2: Thuật toán mạng nơ-ron. Layer đầu tiên là input layer, các layer ở giữa được gọi là hidden layer, layer cuối cùng được gọi là output layer.

Các hình tròn được gọi là node. Mỗi mô hình luôn có 1 input layer, 1 output layer, có thể có hoặc không các hidden layer. Tổng số layer trong mô hình được quy ước là số layer – 1 (Không tính input layer). Ví dụ như ở hình trên có 1 input layer, 2 hidden layer và 1 output layer.

Số lượng layer của mô hình là 3 layer. Mỗi node trong hidden layer và output layer : ● Liên kết với tất cả các node ở layer trước đó với các hệ số w riêng. ● Mỗi node có 1 hệ số bias b riêng. ● Diễn ra 2 bước: tính tổng linear và áp dụng activation function.

Định nghĩa Deep Learning Deep learning (còn gọi là học sâu). Khái niệm này được lấy cảm hứng từ chức năng giống với các tế bào não của con người gọi là tế bào thần kinh. Deep Learning là tập con của Machine Learning và nó có tác dụng hỗ trợ cho máy tính tự huấn luyện chính nó để có thể thực hiện mọi tác vụ tương tự như con người. Điều này chính là giúp máy tính bắt chước con người cách học hỏi và suy nghĩ.

Các hệ thống của Deep Learning có khả năng cải thiện được những hiệu suất của chúng với quyền truy cập vào dữ liệu sẽ được nhiều hơn. Thông thường, phiên bản máy sẽ có nhiều kinh nghiệm hơn; những máy móc đã có đủ kinh nghiệm thì sẽ được mang đi phục vụ cho những công việc như: lái xe, phát hiện người,. Deep Learning có hỗ trợ cho việc dịch ngôn ngữ, phân loại các hình ảnh, nhận dạng giọng nói. Chính vì thế, nó có thể được ứng dụng để giải quyết mọi nhu cầu cần nhận dạng mẫu mà không cần đến sự can thiệp của con người.

Deep Learning hoạt động dựa vào mạng lưới thần kinh nhân tạo và nó bao gồm nhiều lớp chứa các dữ liệu mô phỏng cách thức vận hành của não người. Bộ phận mạng thần kinh nhân tạo này giống với não người bao gồm: Các node (nó là đơn vị thần kinh trong mạng thần kinh nhân tạo) là những neuron thần kinh. Hầu hết các node bản thân thường chỉ có khả năng trả lời cho những câu hỏi đơn giản và cơ bản nhất; với những tác vụ khó thì chúng sẽ tiến hành liên kết với nhau để trả lời. Bạn có thể dạy hoặc có thể huấn luyện chúng bằng những thuật toán cụ thể.

Những node giải đáp các câu hỏi phức tạp thì sẽ được gọi là mạng lưới thần kinh sâu (DNN), nó được định nghĩa như sau: Mạng lưới thần kinh sâu có khả năng thực hiện các hoạt động phức tạp như biểu diễn, trừu tượng có mang các ý nghĩa về âm thanh, văn bản và hình ảnh. Chúng được đánh giá là lĩnh vực phát triển nhất trong Machine Learning. Cách thức hoạt động của Deep Learning Các dòng thông tin sẽ được trải qua nhiều lớp cho đến lớp sau cùng. Lấy quy trình học của con người làm ví dụ cụ thể.

Qua các lớp đầu tiên sẽ tập trung vào việc học các khái niệm cụ thể hơn trong khi các lớp sâu hơn sẽ sử dụng thông tin đã học để nghiên cứu và phân tích sâu hơn trong các khái niệm trừu tượng .