Ứng dụng CNN xây dựng hệ thống phát hiện buồn ngủ khi lái xe ô tô - ĐH Quy Nhơn

Khám phá mô hình CNN phát hiện trạng thái buồn ngủ của tài xế, giải pháp công nghệ tiên tiến giúp cảnh báo và phòng ngừa tai nạn giao thông.

• Tác giả: Nguyễn Minh Phúc
• Người hướng dẫn: TS. Lê Xuân Vinh
• Trường học: Trường Đại học Quy Nhơn
• Chuyên ngành: Khoa học dữ liệu ứng dụng
• Đề tài: Ứng dụng mô hình CNN xây dựng hệ thống phát hiện buồn ngủ khi lái xe ô tô
• Loại tài liệu: Luận văn
• Năm xuất bản: 2023
• Địa điểm: Bình Định

Tóm tắt

I. Giới thiệu CNN phát hiện buồn ngủ khi lái xe Tổng quan

Theo thống kê, tai nạn giao thông do buồn ngủ chiếm tỷ lệ đáng kể. Việc phát triển các hệ thống phát hiện buồn ngủ khi lái xe trở nên cấp thiết. Deep Learning, đặc biệt là mạng nơ-ron tích chập (CNN), mang lại giải pháp hiệu quả. CNN có khả năng tự học và trích xuất các đặc trưng quan trọng từ hình ảnh, giúp nhận diện buồn ngủ tài xế CNN chính xác hơn. Mô hình CNN lấy hình ảnh đầu vào, gán trọng số cho các đặc trưng và phân biệt chúng. Bài viết này sẽ đi sâu vào ứng dụng CNN phát hiện buồn ngủ khi lái xe. Số liệu từ Hiệp hội các nhà sản xuất ô tô Việt Nam (VAMA) cho thấy sự tăng trưởng của thị trường xe ô tô đi kèm với những bất cập trong xã hội, trong đó có tai nạn giao thông do thiếu ngủ. Nghiên cứu của Trung tâm Nationnal Jewish Health, Mỹ, ước tính khoảng 10-15% tai nạn xe có liên quan đến thiếu ngủ. Tại Việt Nam, năm 2022, tai nạn giao thông đường bộ xảy ra 11.323 vụ, làm chết 6.265 người. Từ năm 2022 đến hết 6 tháng đầu năm 2023, cả nước xảy ra 16.229 vụ tai nạn giao thông đường bộ, làm chết 9.086 người. "Vì vậy, việc phát triển các hệ thống phát hiện buồn ngủ khi lái xe trở nên quan trọng và rất cấp thiết."

1.1. Tầm quan trọng của hệ thống phát hiện buồn ngủ lái xe

Thực tế cho thấy tình trạng buồn ngủ khi lái xe là một vấn đề nghiêm trọng, gây ra những hậu quả khôn lường. Hệ thống phát hiện buồn ngủ lái xe không chỉ giúp giảm thiểu nguy cơ tai nạn mà còn bảo vệ tính mạng của người lái xe và những người tham gia giao thông khác. Việc triển khai rộng rãi các hệ thống này sẽ góp phần xây dựng một môi trường giao thông an toàn hơn. Dữ liệu huấn luyện đóng vai trò then chốt trong việc đảm bảo hiệu suất của hệ thống. Bộ dữ liệu lớn và đa dạng sẽ giúp mô hình CNN học được các đặc trưng quan trọng và nhận diện buồn ngủ chính xác trong nhiều điều kiện khác nhau. "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."

1.2. Ưu điểm của CNN so với phương pháp truyền thống phát hiện buồn ngủ

So với các phương pháp truyền thống dựa trên cảm biến hoặc phân tích hành vi, CNN có nhiều ưu điểm vượt trội. CNN có khả năng xử lý trực tiếp hình ảnh và video, không cần các bước trích xuất đặc trưng thủ công. Mô hình học sâu phát hiện buồn ngủ lái xe có thể tự động học và thích nghi với các điều kiện khác nhau, mang lại độ chính xác và độ tin cậy cao hơn. "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."

II. Thách thức Ảnh hưởng của buồn ngủ đến tai nạn giao thông

Nghiên cứu đã chỉ ra rằng ảnh hưởng của buồn ngủ đến tai nạn giao thông là rất lớn. Khi tài xế buồn ngủ, khả năng tập trung giảm sút, thời gian phản ứng kéo dài, dẫn đến nguy cơ tai nạn tăng cao. Việc phát hiện buồn ngủ kịp thời và cảnh báo cho tài xế là yếu tố then chốt để ngăn chặn những hậu quả đáng tiếc. Cục cảnh sát giao thông cho biết trong năm 2022, tai nạn giao thông đường bộ xảy ra 11.323 vụ, làm chết 6.265 người, bị thương 7. Trong đó, tai nạn giao thông do phương tiện xe ô tô kinh doanh vận tải gây ra 3.904 vụ (34,48%), làm chết 2.497 người (39,86%), bị thương 1.Từ năm 2022 đến hết 6 tháng đầu năm 2023, cả nước xảy ra 16.229 vụ tai nạn giao thông đường bộ, làm chết 9.086 người, làm bị thương 11. Trong đó, tai nạn giao thông do phương tiện kinh doanh vận tải xảy ra 5.778 vụ (35,60%), làm chết 3.724 người (40,99%), bị thương 2.thương nhẹ.

2.1. Phân tích các yếu tố gây buồn ngủ khi lái xe

Nhiều yếu tố có thể dẫn đến tình trạng buồn ngủ khi lái xe, bao gồm thiếu ngủ, giờ giấc sinh hoạt không đều đặn, sử dụng thuốc an thần, hoặc mắc các bệnh lý liên quan đến giấc ngủ. Việc hiểu rõ các yếu tố này giúp đưa ra các biện pháp phòng ngừa hiệu quả. Điều quan trọng là tài xế cần tự ý thức được tình trạng sức khỏe của mình và cách phòng tránh buồn ngủ khi lái xe. "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”.

2.2. Thống kê tai nạn giao thông do buồn ngủ tại Việt Nam

Số liệu thống kê về tai nạn giao thông do buồn ngủ tại Việt Nam cho thấy đây là một vấn đề đáng báo động. Các vụ tai nạn thường xảy ra vào ban đêm hoặc rạng sáng, khi tài xế mệt mỏi và thiếu tập trung. Việc thu thập và phân tích dữ liệu về các vụ tai nạn này giúp nâng cao nhận thức cộng đồng và thúc đẩy việc áp dụng các giải pháp công nghệ phát hiện buồn ngủ lái xe. "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."

III. Phương pháp Xây dựng mô hình CNN phát hiện buồn ngủ

Để xây dựng một mô hình CNN phát hiện buồn ngủ hiệu quả, cần trải qua nhiều giai đoạn, từ thu thập và xử lý dữ liệu, thiết kế kiến trúc mạng, huấn luyện mô hình, đến đánh giá và tối ưu hóa hiệu suất. Việc lựa chọn kiến trúc mạng phù hợp và tinh chỉnh các tham số là rất quan trọng để đạt được độ chính xác cao. Mô hình học sâu này được xây dựng dựa trên mô hình mạng nơ-ron tích chập CNN với thuật toán nhƣ sau: Bắt đầu Xây dựng mô hình Import các thƣ viện cần thiết Huấn luyện mô hình Tạo đƣờng dẫn đến thƣ mục dữ liệu và xác định thông số Lƣu mô hình Tiền xử lý dữ liệu Xử lý dữ liệu Huấn luyện mô hình.

3.1. Thu thập và tiền xử lý dữ liệu huấn luyện phát hiện buồn ngủ

Dữ liệu huấn luyện là yếu tố then chốt để xây dựng một mô hình CNN chính xác. Dữ liệu cần đa dạng, bao gồm hình ảnh và video của tài xế trong nhiều trạng thái khác nhau, từ tỉnh táo đến buồn ngủ, trong các điều kiện ánh sáng và môi trường khác nhau. Sau khi thu thập, dữ liệu cần được tiền xử lý để đảm bảo chất lượng và tính nhất quán. Để xây dựng mô hình, đầu tiên là chuẩn bị dữ liệu. Bƣớc tiếp theo khởi tạo Batch Size, Epoch và LR. Chuyển đổi hình ảnh thành một mảng và Label Binarizer để mã hóa các nhãn. Chuyển hình ảnh sang mảng, thay đổi kích thƣớc dữ liệu, Label Binarizer, trình tạo dữ liệu ảnh. Để nâng cao tính hiệu quả của thuật toán, chia tỷ lệ hình ảnh là một bƣớc tiền xử lý quan trọng trong quá trình tạo các mô hình về nhận dạng đối tƣợng.

3.2. Thiết kế kiến trúc mạng CNN phát hiện buồn ngủ hiệu quả

Kiến trúc mạng CNN cần được thiết kế phù hợp với bài toán phát hiện buồn ngủ. Các lớp tích chập, lớp gộp, và lớp kết nối đầy đủ cần được sắp xếp một cách hợp lý để trích xuất các đặc trưng quan trọng và phân loại trạng thái buồn ngủ. Việc sử dụng các kỹ thuật như tăng cường dữ liệu và bỏ qua (dropout) cũng giúp cải thiện hiệu suất của mô hình. Xây dựng một mô hình Convolutional Neural Network (CNN) bằng cách sử dụng thƣ viện Keras. Mô hình này bao gồm các lớp tích chập, lớp gộp, lớp kết nối đầy đủ và lớp Dropout. Ảnh Convolutional Hàm kích hoạt Tiền xử lý ảnh Relu 128 (128 filters) Kết quả Hàm kích hoạt Phẳng hóa ma Max-Pooling Softmax 2 kênh ra trận thành vec-tơ.

IV. Ứng dụng Hệ thống phát hiện buồn ngủ trên xe hơi Thực tế

Hệ thống phát hiện buồn ngủ có thể được tích hợp vào xe hơi để cảnh báo tài xế khi phát hiện dấu hiệu buồn ngủ. Hệ thống có thể sử dụng camera để theo dõi khuôn mặt của tài xế và phân tích các đặc điểm như ánh mắt, tần suất chớp mắt, và biểu cảm khuôn mặt. Khi phát hiện dấu hiệu buồn ngủ, hệ thống sẽ phát ra cảnh báo bằng âm thanh hoặc hình ảnh, hoặc thậm chí rung ghế để đánh thức tài xế. Tải ảnh, video đầu vào sau đó phát hiện khuôn mặt trong ảnh. Áp dụng mô hình để phân loại khuôn mặt có buồn ngủ(ngáp, nhắm mặt) hoặc là không buồn ngủ(không ngáp, mở mắt). Cuối cùng là đƣa ra kết quả dự đoán.

4.1. Các thành phần chính của hệ thống phát hiện buồn ngủ lái xe

Một hệ thống phát hiện buồn ngủ lái xe thường bao gồm các thành phần chính sau: camera, bộ xử lý hình ảnh, mô hình CNN, và hệ thống cảnh báo. Camera có nhiệm vụ thu thập hình ảnh của tài xế, bộ xử lý hình ảnh tiền xử lý và trích xuất các đặc trưng quan trọng, mô hình CNN phân tích các đặc trưng và đưa ra dự đoán, và hệ thống cảnh báo thông báo cho tài xế khi phát hiện dấu hiệu buồn ngủ. Bƣớc 1. Đọc và xử lý ảnh đầu vào: -Dòngimage=cv2.imread() dùng để đọc ảnh từ tệp '/141.jpg' sử dụng thƣ viện OpenCV. - Dòng gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) chuyển đổi ảnh màu thành ảnh xám để thuận tiện cho việc xử lý khuôn mặt.

4.2. Cách thức hoạt động của hệ thống phát hiện buồn ngủ bằng AI

Hệ thống phát hiện buồn ngủ hoạt động dựa trên việc phân tích các đặc điểm của khuôn mặt và hành vi của tài xế. Mô hình CNN được huấn luyện để nhận diện các dấu hiệu như ánh mắt lờ đờ, tần suất chớp mắt tăng, gật gù, hoặc ngáp. Khi phát hiện các dấu hiệu này, hệ thống sẽ đánh giá mức độ buồn ngủ của tài xế và đưa ra cảnh báo phù hợp.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)` dùng để vẽ hình chữ nhật màu xanh lá quanh khuôn mặt đã phát hiện.

4.3. Đánh giá hiệu suất của hệ thống phát hiện buồn ngủ CNN

Việc đánh giá hiệu suất của hệ thống là bước quan trọng để đảm bảo rằng hệ thống hoạt động chính xác và hiệu quả. Hiệu suất có thể được đánh giá dựa trên các chỉ số như độ chính xác (accuracy), độ nhạy (sensitivity), và độ đặc hiệu (specificity). Các chỉ số này cho biết khả năng của hệ thống trong việc nhận diện buồn ngủ chính xác và giảm thiểu các cảnh báo sai. Tiến hành huấn luyện mô hình với tốc độ học 0.0001, sau 100 lần lặp (Epochs) với số lƣợng mẫu (Batch size) sử dụng cho mỗi lần cập nhật trọng số là 32 ta thu đƣợc kết quả (Bảng 3. Thông qua bảng 3.1 ta thấy sau 100 lần lặp, mô hình đạt đƣợc độ chính xác khoảng 97% trên bộ thử nghiệm.

V. Kết luận Tương lai của công nghệ phát hiện buồn ngủ AI

Công nghệ phát hiện buồn ngủ bằng AI có tiềm năng to lớn trong việc cải thiện an toàn giao thông. Trong tương lai, công nghệ này có thể được tích hợp sâu hơn vào hệ thống lái xe tự động, giúp xe tự động điều chỉnh hành vi lái xe khi phát hiện tài xế buồn ngủ. Ngoài ra, công nghệ này cũng có thể được sử dụng trong các lĩnh vực khác như giám sát sức khỏe và an toàn lao động. Trên cơ sở nghiên cứu những vấn đề về bài toán nhận diện khuôn mặt phát hiện lái xe buồn ngủ thông qua sử dụng kỹ thuật xử lý ảnh, trí tuệ nhân tạo đặc biệt là mạng nơ-ron tích chập CNN.

5.1. Xu hướng phát triển của mô hình học sâu phát hiện buồn ngủ

Các mô hình học sâu ngày càng trở nên mạnh mẽ và hiệu quả hơn. Trong tương lai, các mô hình CNN có thể được cải tiến để phát hiện buồn ngủ chính xác hơn, nhanh hơn, và trong nhiều điều kiện khác nhau. Ngoài ra, các mô hình này có thể được kết hợp với các công nghệ khác như cảm biến sinh học để thu thập thông tin về trạng thái sinh lý của tài xế. Tiếp tục nghiên cứu, triển khai mô hình lên các thiết bị di động và thiết bị nhúng.

5.2. Tiềm năng ứng dụng của công nghệ phát hiện buồn ngủ lái xe

Công nghệ phát hiện buồn ngủ không chỉ có tiềm năng ứng dụng trong xe hơi mà còn có thể được sử dụng trong nhiều lĩnh vực khác. Ví dụ, công nghệ này có thể được sử dụng để giám sát trạng thái của người lao động trong các ngành nghề nguy hiểm như lái tàu, điều khiển máy bay, hoặc vận hành máy móc công nghiệp. Do những hạn chế về thời gian nên luận văn chỉ mới thực hiện đƣợc trên máy tính chƣa triển khai trên các thiết bị di động, thiết bị nhúng.

Trích đoạn nội dung tài liệu

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.