MỞ ĐẦU .Lý do chọn đề tài. Yêu cầu của đề tài. Đối tƣợng nghiên cứu. Phạm vi nghiên cứu.
Phƣơng pháp nghiên cứu. 4 CHƢƠNG 1: CƠ SỞ LÝ THUYẾT VÀ KỸ THUẬT CHO DEEP LEARNING .1 Tổng quan về học máy .1 Một số khái niệm chung .2 Các thuật toán học máy .1 Tổng quan về mạng nơ-ron .2 Các thành phần cơ bản của mạng nơ-ron nhân tạo .3 Kiến trúc ANN .4 Hoạt động của ANN .3 Mạng nơ-ron tích chập (CNN). 17 CHƢƠNG 2: MÔ HÌNH CONVOLUTIONAL NEURAL NETWORKS. Cấu trúc của CNN .1 Lớp tích chập (Convolution layer) .3 Lớp hiệu chỉnh .5 Lớp kết nối đầy đủ (Fully connected - FC).6 Lớp đầu ra.
Một số mô hình mạng CNN tiêu biểu. 26 CHƢƠNG 3: ỨNG DỤNG MẠNG CNN TRONG VIỆC PHÁT HIỆN BUỒN NGỦ KHI LÁI XE Ô TÔ. Giới thiệu và phân tích bài toán. Xây dựng mạng cho mô hình.
Huấn luyện mô hình. Đánh giá mô hình. 41 TÀI LIỆU THAM KHẢO. 42 QUYẾT ĐỊNH GIAO TÊN ĐỀ TÀI (BẢN SAO) DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT STT Từ viết tắt Từ Tiếng Anh Giải thích Convolutional Neural 1 CNN Mạng Nơ ron tích-chập Network Deep Convolutional Mạng tích-chập đối kháng 2 DCGANs Generative Adversarial sinh mẫu đa lớp Networks 3 DNN Deep Neural Network Mạng Nơ-ron đa lớp Fully-connected Neural Mạng Nơ-ron kết nối hoàn 4 FCNN Network chỉnh Modified National Institute 5 MNIST of Standards and Tập chữ viết tay MNIST Technology 6 NN Neural Networks Mạng Nơ-ron 7 RNN Recurrent Neural Network Mạng Nơ-ron hồi quy 8 DL Deep Learning Học sâu DANH MỤC CÁC BẢNG Bảng 3.1: Hiệu suất của Accuracy và Loss qua 100 lần lặp.
39 DANH MỤC CÁC HÌNH Hình 1.1: Mô hình mạng nơ-ron [2].3 Hàm đồng nhất (Identity function).4 Hàm bƣớc nhị phân (Binary step function) .6 Hàm sigmoid lƣỡng cực .7 Đồ thị hàm ReLU .8 Kiến trúc 3 phần của mạng ANN .9 Mạng nơ-ron nhiều lớp .10 Tế bào mạng nơ-ron nhân tạo [3].11 Cấu trúc cơ bản của mạng Nơ-ron Tích chập (Lecun, 1989) .12 Kiến trúc mạng tích chập tiêu biểu [4].1 Minh họa việc áp dụng phép tính Conv .2 Minh họa hoạt động của lớp pooling [5].3 Minh hoạ hoạt động của hàm hiệu chỉnh .1 Sơ đồ thuật toán phát hiện lái xe buồn ngủ .2 Sơ đồ quá trình tiền xử lý dữ liệu .3 Sơ đồ xây dựng mô hình phát hiện lái xe buồn ngủ .4 Sơ đồ huấn luyện mô hình phát hiện lái xe buồn ngủ.5 Sử dụng mô hình phát hiện lái xe buồn ngủ .6 Đồ thị độ chính xác và giá trị lỗi.Lý do chọn đề tài. Theo Hiệp hội các nhà sản xuất ô tô Việt Nam (VAMA), tổng lƣợng bán ôtô mới trong tháng 8/2023 là 22.540 xe, bao gồm xe 17.036 xe thƣơng mại và 169 xe chuyên dụng, tăng 8% so với tháng 7. Tính chung doanh số của VAMA và TC Group trong tháng 8 vừa qua toàn thị trƣờng ô tô Việt Nam tiêu thụ 25.685 xe, nâng tổng doanh số 8 tháng năm 2023 lên 219.745 xe các loại đƣợc bàn giao cho khách hàng trong cả nƣớc. Trƣớc tình hình tăng nhanh của thị trƣờng xe ô tô ở Việt Nam thì cũng đi kèm theo đó nhiều bất cập trong xã hội.
Theo nghiên cứu của Trung tâm Nationnal Jewish Health, Mỹ, cho biết: “Thiếu ngủ là một trong những nguyên nhân chính gây tai nạn giao thông trên thế giới. Ƣớc tính khoảng 10-15% tai nạn xe có liên quan đến thiếu ngủ. Nghiên cứu về giấc ngủ của các ngƣời lái xe 19 quốc gia châu Âu cho thấy tỷ lệ buồn ngủ khi lái xe cao, trung bình 17%. Trong đó 10,8% ngƣời buồn ngủ khi lái xe ít nhất một lần trong tháng, 7% từng gây tai nạn giao thông do buồn ngủ, 18% suýt xảy ra tai nạn do buồn ngủ”.
Thực tế tại Việt Nam, theo thống kê về tai nạn giao thông của cục cảnh sát giao thông cho biết trong năm 2022, tai nạn giao thông đƣờng bộ xảy ra 11.323 vụ, làm chết 6.265 ngƣời, bị thƣơng 7. Trong đó, tai nạn giao thông do phƣơng tiện xe ô tô kinh doanh vận tải gây ra 3.904 vụ (34,48%), làm chết 2.497 ngƣời (39,86%), bị thƣơng 1.Từ năm 2022 đến hết 6 tháng đầu năm 2023, cả nƣớc xảy ra 16.229 vụ tai nạn giao thông đƣờng bộ, làm chết 9.086 ngƣời, làm bị thƣơng 11. Trong đó, tai nạn giao thông do phƣơng tiện kinh doanh vận tải xảy ra 5.778 vụ (35,60%), làm chết 3.724 ngƣời (40,99%), bị thƣơng 2.thƣơng nhẹ. Vì vậy, việc phát triển các hệ thống phát hiện buồn ngủ khi lái xe trở nên quan trọng và rất cấp thiết.
Từ năm 2006, Deep Learning (học sâu) nổi lên nhƣ một lĩnh vực mới của học máy. Ngày nay, sự thay đổi lớn nhất trong học sâu là độ sâu của mạng lƣới thần kinh đã phát triển từ một vài lớp đến hàng trăm lớp, khả năng nhận dạng các mẫu lớn hơn, với nguồn thông tin lớn hơn giúp tăng khả năng tiếp nhận các đối tƣợng trở nên rộng hơn, chi tiết hơn. Sự phát triển nhanh chóng của học sâu, đặc biệt là sự phát triển của mạng nơ-ron tích chập (CNN), tạo nên sự chủ động trong các ứng dụng liên quan đến thị giác máy. Mạng nơ-ron tích chập có thể đƣợc ứng dụng để phát hiện tài xế buồn ngủ khi lái xe.
Mạng nơ-ron tích chập là một mô hình Deep Learning có thể lấy hình ảnh đầu vào, gán các trọng số cho các đặc trƣng khác nhau trong hình ảnh và có thể phân biệt đƣợc từng đặc trƣng này với nhau. Mạng nơ-ron tích chập có khả năng tự học để chọn ra các đặc trƣng tốt nhất. Từ năm 1998, kiến trúc LeNet là mạng đầu tiên áp dụng tích chập 2 chiều; Năm 2012, kiến trúc AlexNet là mạng áp dụng CNN đầu tiên chiến thắng trong cuộc thi ImageNet; Năm 2014, kiến trúc VGG-16 hình thành một xu hƣớng cải thiện độ chính xác của các mạng học sâu nhờ việc tăng độ sâu của chúng; Năm 2014, kiến trúc GoogleNet - InceptionV1 kết hợp nhiều bộ lọc có kích thƣớc khác biệt vào cùng một khối. Định hình kiến trúc khối cho các kiến trúc mạng CNN chuẩn sau này; Năm 2015, kiến trúc ResNet-50 sử 3 dụng kết nối tắt để ánh xạ các đầu vào từ những layer trƣớc đó tới những layer sau.
Là kiến trúc mạng rất sâu nhƣng có số tham số nhỏ hơn nhờ kế thừa những kỹ thuật từ GoogleNet; Năm 2016, kiến trúc DenseNet là bƣớc phát triển tiếp theo của ResNet khi kế thừa kiến trúc khối và phát triển kết nối tắt theo một mạng dày đặc. Gần đây những kiến trúc mạng nhƣ MobileNet, SqueezeNet, NasNet và kiến trúc EfficientNet dựa trên việc tìm kiếm tối ƣu trên không gian các tham số Depth, Width và Channel đã đƣợc Google phát triển và tạo ra những phƣơng pháp, kỹ thuật tốt nhất mang lại hiệu quả cao nhất từ trƣớc đến nay trên bộ dữ liệu ImageNet đƣợc sử dụng rộng rãi. Mô hình CNN (Convolutional Neural Network) là một loại kiến trúc mạng nơ-ron sâu thƣờng đƣợc sử dụng trong xử lý ảnh và nhận dạng hình ảnh. CNN đã đạt đƣợc nhiều thành công lớn trong nhiều ứng dụng khác nhau, bao gồm nhận dạng đối tƣợng, phân loại hình ảnh, xử lý video, và nhiều nhiệm vụ khác có liên quan đến dữ liệu hình ảnh.
Do những nhận xét nhƣ trên, chúng tôi sẽ đề xuất hƣớng tiếp cận sử dụng mạng CNN để xây dựng mô hình phát hiện lái xe buồn ngủ, nhằm cảnh báo, nhắc nhở lái xe, giúp giảm thiểu tai nạn giao thông, an toàn cho ngƣời tham gia giao thông với đề tài “Ứng dụng mô hình CNN phát hiện buồn ngủ khi lái xe ô tô”. Yêu cầu của đề tài Nghiên cứu cơ sở lý thuyết về học máy, học sâu và mô hình CNN. Xây dựng hệ thống phát hiện tài xế ngủ gật và cảnh báo cho tài xế. Đối tƣợng nghiên cứu.
Nghiên cứu cơ sở lý thuyết về học máy, học sâu và mô hình CNN. 4 Xây dựng hệ thống nhận dạng, phát hiện hình ảnh tài xế ngủ gật bằng mạng CNN 4. Phạm vi nghiên cứu. Về thời gian: từ năm 2020 - 2023.
Về không gian: tại Trung Tâm Huấn luyện Và Sát Hạch Lái Xe thuộc Trƣờng CĐ-CĐ Xây Dựng Và Nông Lâm Trung Bộ. Phƣơng pháp nghiên cứu. - Phƣơng pháp nghiên cứu tài liệu. - Phƣơng pháp phân tích, tổng hợp.
- Phƣơng pháp thực nghiệm. 5 CHƢƠNG 1: CƠ SỞ LÝ THUYẾT VÀ KỸ THUẬT CHO DEEP LEARNING Trong chƣơng này, chúng tôi sẽ trình bày khái quát về Học máy, các thuật toán học máy, mạng nơ-ron nhân tạo; chúng tôi sẽ trình bày chi tiết về mô hình mạng nơ-ron tích chập Convolution Neural Networks(CNN) .1 Tổng quan về học máy 1.1 Một số khái niệm chung Học máy (Machine Learning) là một phần trong trí tuệ nhân tạo bao gồm các thuật toán máy tính đƣợc sử dụng để tự học từ dữ liệu để giải quyết những vấn đề và xử lý các thông tin cụ thể nào đó. Mặc dù học máy là một lĩnh vực trong khoa học máy tính, nó khác với các phƣơng pháp tính toán truyền thống. Trong tính toán truyền thống, các thuật toán là tập hợp các hƣớng dẫn đƣợc lập trình rõ ràng đƣợc sử dụng bởi các máy tính để tính toán hoặc giải quyết vấn đề.
Thay vào đó, thuật toán học máy cho phép máy tính huấn luyện dữ liệu đầu vào và sử dụng phân tích thống kê để đƣa ra các giá trị nằm trong một phạm vi cụ thể. Do đó, học máy tạo điều kiện cho các máy tính xây dựng mô hình từ dữ liệu mẫu để tự động hóa các quy trình ra quyết định dựa trên dữ liệu đầu vào. Ngày nay, học máy đƣợc áp dụng rộng rãi ở mọi lĩnh vực nhƣ: nhận dạng khuôn mặt (face detection), nhận dạng ký tự quang học (OCR). Các công cụ đề xuất, đƣợc hỗ trợ bởi học máy, đề xuất những bộ phim hoặc chƣơng trình truyền hình nào để xem tiếp theo dựa trên sở thích của ngƣời dùng.
Xe tự lái dựa vào học máy để vận hành có thể sớm có mặt trên thị trƣờng. Các mô hình học máy yêu cầu lƣợng dữ liệu đủ lớn để "huấn luyện" và đánh giá mô hình. Sự tăng trƣởng trong dữ liệu lớn (big data) đã cung cấp dữ liệu cho các thuật toán học máy để cải thiện độ chính xác của mô hình.2 Các thuật toán học máy - Học có giám sát (Supervised learning) Trong học máy có giám sát, máy tính học cách mô hình hóa các mối quan hệ dựa trên dữ liệu đƣợc gán nhãn (Labeled data). Sau khi tìm hiểu cách tốt nhất để mô hình hóa các mối quan hệ cho dữ liệu đƣợc gán nhãn, các thuật toán đƣợc huấn luyện đƣợc sử dụng cho các bộ dữ liệu mới.