Phát triển và Tối Ưu Mô Hình Học Sâu Cho Phân Loại Thẻ Đeo Tai Vật Nuôi Trong Công Nghiệp

Chuyên khảo phân tích Phát triển và tối ưu mô hình học sâu cho tác vụ phân loại thẻ đeo tai của vật nuôi trong công nghiệp, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên

• Tác giả: Phạm Đức Thịnh
• Người hướng dẫn: GS. Lê Tiến Thường
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh - Trường Đại học Bách Khoa
• Chuyên ngành: Kỹ Thuật Viễn Thông
• Đề tài: Phát Triển Và Tối Ưu Mô Hình Học Sâu Cho Tác Vụ Phân Loại Thẻ Đeo Tai Của Vật Nuôi Trong Công Nghiệp
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2024
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Về Phát Triển Mô Hình Học Sâu Cho Thẻ Đeo Tai

Bài toán phân loại thẻ đeo tai vật nuôi trong môi trường công nghiệp đang ngày càng trở nên quan trọng. Việc này không chỉ giúp theo dõi và quản lý vật nuôi hiệu quả hơn mà còn hỗ trợ trong việc lựa chọn giống, theo dõi sức khỏe và đảm bảo nguồn cung cấp sản xuất hiệu quả. Phương pháp truyền thống sử dụng thẻ RFID (Radio-Frequency Identification) còn nhiều hạn chế, đặc biệt trong các trường hợp vật nuôi nằm chồng lên nhau gây mất tín hiệu. Do đó, việc phát triển một hệ thống theo dõi bằng camera, kết hợp với AI trong nông nghiệp và mô hình học sâu, trở nên vô cùng cần thiết. Luận văn này tập trung vào việc phát triển và tối ưu mô hình học sâu để giải quyết bài toán này, tận dụng những tiến bộ trong lĩnh vực computer vision và nhận dạng hình ảnh.

1.1. Ứng Dụng AI trong Chăn Nuôi Tổng quan về tiềm năng

Ứng dụng AI trong chăn nuôi mở ra tiềm năng lớn trong việc tự động hóa quy trình, giảm chi phí và tăng hiệu quả sản xuất. Các hệ thống nhận diện vật nuôi tự động dựa trên mô hình học sâu có thể theo dõi hành vi, phát hiện bệnh tật sớm và tối ưu hóa chế độ dinh dưỡng. Điều này đặc biệt quan trọng trong bối cảnh ngành chăn nuôi đang đối mặt với nhiều thách thức về dịch bệnh và biến đổi khí hậu. Giải pháp AI cho nông nghiệp thông minh không chỉ giúp người chăn nuôi quản lý đàn vật nuôi tốt hơn mà còn cung cấp dữ liệu quan trọng để đưa ra các quyết định chiến lược.

1.2. Giới Thiệu Bài Toán Phân Loại Thẻ Đeo Tai Vật Nuôi

Bài toán phân loại thẻ đeo tai vật nuôi là một bài toán con trong một dự án lớn hơn về phát hiện và theo dõi hành vi của vật nuôi. Mục tiêu là xác định chính xác ID của từng con vật thông qua hình ảnh thẻ đeo tai. Điều này đòi hỏi khả năng xử lý hình ảnh phức tạp, đặc biệt là trong các điều kiện ánh sáng khác nhau, góc nhìn đa dạng và sự biến dạng của hình ảnh. Việc tối ưu mô hình học sâu để đạt được độ chính xác phân loại cao là yếu tố then chốt để xây dựng một hệ thống theo dõi vật nuôi hiệu quả.

II. Thách Thức Phân Loại Thẻ Đeo Tai Vật Nuôi Vấn Đề

Mặc dù có nhiều tiềm năng, việc phân loại thẻ đeo tai vật nuôi bằng mô hình học sâu cũng đối mặt với không ít thách thức. Dữ liệu hình ảnh thường có chất lượng không đồng đều, bị nhiễu hoặc bị che khuất. Sự đa dạng về kích thước, hình dạng và màu sắc của thẻ đeo tai cũng làm tăng độ khó của bài toán. Đặc biệt, sự mất cân bằng dữ liệu giữa các lớp (số lượng hình ảnh của mỗi loại thẻ khác nhau) có thể ảnh hưởng đến hiệu suất mô hình. Do đó, cần có các phương pháp xử lý dữ liệu, xây dựng kiến trúc mạng nơ-ron tích chập (CNN) phù hợp và áp dụng các kỹ thuật huấn luyện đặc biệt để vượt qua những khó khăn này.

2.1. Khó khăn khi xử lý dữ liệu hình ảnh thẻ đeo tai

Dữ liệu hình ảnh thẻ đeo tai vật nuôi thường không hoàn hảo. Ảnh có thể bị mờ, thiếu sáng, hoặc bị che khuất một phần bởi vật nuôi khác. Hơn nữa, góc chụp và khoảng cách từ camera đến thẻ đeo tai có thể thay đổi, dẫn đến sự biến dạng về kích thước và hình dạng. Các yếu tố này gây khó khăn cho việc nhận dạng hình ảnh và đòi hỏi các phương pháp tiền xử lý dữ liệu hiệu quả.

2.2. Vấn Đề Mất Cân Bằng Dữ Liệu Trong Phân Loại

Tình trạng mất cân bằng dữ liệu là một vấn đề phổ biến trong các bài toán phân loại. Trong trường hợp phân loại thẻ đeo tai, có thể có một số loại thẻ xuất hiện thường xuyên hơn các loại khác. Điều này có thể dẫn đến việc mô hình học thiên về các lớp phổ biến và kém hiệu quả trong việc phân loại các lớp ít gặp. Cần có các kỹ thuật đặc biệt như sử dụng hàm mất mát phù hợp (ví dụ: Focal Loss) hoặc kỹ thuật oversampling/undersampling để giải quyết vấn đề này. Luận văn sử dụng Focal Loss thay vì Cross Entropy để xử lý vấn đề mất cân bằng.

III. Phương Pháp Tối Ưu Mô Hình Học Sâu Giải Pháp Hiệu Quả

Để giải quyết những thách thức trên, luận văn này đề xuất một số phương pháp tối ưu mô hình học sâu cho tác vụ phân loại thẻ đeo tai. Đầu tiên, dữ liệu được tiền xử lý cẩn thận để loại bỏ nhiễu và tăng cường chất lượng. Tiếp theo, một kiến trúc mạng nơ-ron tích chập (CNN) dựa trên ResNet được lựa chọn và cải tiến bằng cách tích hợp các khối chú ý (attention module) như CBAM để tập trung vào các vùng quan trọng của hình ảnh. Cuối cùng, phương pháp tự học (self-supervised learning) được áp dụng để tận dụng tối đa dữ liệu không được gắn nhãn và cải thiện khả năng khái quát hóa của mô hình.

3.1. Tiền Xử Lý Dữ Liệu và Tăng Cường Chất Lượng Ảnh

Tiền xử lý dữ liệu là bước quan trọng để đảm bảo chất lượng của dữ liệu đầu vào. Các kỹ thuật như cắt ảnh (cropping), thay đổi kích thước (resizing), xoay (rotation) và tăng cường độ tương phản (contrast enhancement) được sử dụng để loại bỏ nhiễu và làm nổi bật các đặc trưng quan trọng của thẻ đeo tai. Các phương pháp tăng cường dữ liệu (data augmentation) như CutOut và RandAugment cũng được áp dụng để tăng tính đa dạng của dữ liệu huấn luyện và cải thiện hiệu suất mô hình. Luận văn cũng khảo sát về kích thước cắt ảnh với các phương pháp tăng cường.

3.2. Sử Dụng Khối Chú Ý CBAM Để Nâng Cao Độ Chính Xác

Khối chú ý CBAM (Convolutional Block Attention Module) là một kỹ thuật hiệu quả để giúp mô hình tập trung vào các vùng quan trọng của hình ảnh. CBAM bao gồm hai thành phần: chú ý kênh (channel attention) và chú ý không gian (spatial attention). Chú ý kênh giúp mô hình xác định các kênh đặc trưng quan trọng, trong khi chú ý không gian giúp mô hình xác định các vùng không gian quan trọng trong hình ảnh. Việc tích hợp CBAM vào kiến trúc ResNet giúp cải thiện đáng kể độ chính xác phân loại. Mô đun chú ý CBAM cũng được cải thiện bằng cách thêm Batch Normalize (BN) và thay thế RELU với GELU.

IV. Ứng Dụng Thực Tế và Kết Quả Nghiên Cứu Phân Loại Thẻ Tai

Mô hình học sâu sau khi được huấn luyện và tối ưu đã được thử nghiệm trên một tập dữ liệu độc lập để đánh giá hiệu suất. Kết quả cho thấy mô hình đạt được độ chính xác phân loại ấn tượng, vượt trội hơn so với các phương pháp truyền thống. Hệ thống này có thể được triển khai trong thực tế để theo dõi và quản lý vật nuôi một cách tự động và hiệu quả. Ngoài ra, luận văn cũng nghiên cứu về phương pháp nén ảnh và video để kiểm tra ảnh hưởng đến hiệu suất. Các thông số đã được tối ưu hóa dựa trên quan sát và thử nghiệm.

4.1. Đánh Giá Hiệu Suất Mô Hình Phân Loại Thẻ Đeo Tai

Hiệu suất của mô hình được đánh giá bằng các chỉ số như độ chính xác (accuracy), độ thu hồi (recall), độ chính xác (precision) và điểm F1 (F1-score). Các chỉ số này cho thấy khả năng của mô hình trong việc phân loại chính xác các loại thẻ đeo tai. Bảng so sánh với các phương pháp khác cũng được trình bày để chứng minh tính ưu việt của phương pháp đề xuất. Kết quả cho thấy độ chính xác trên 90%.

4.2. Triển Khai Hệ Thống Quản Lý Vật Nuôi Thông Minh

Hệ thống quản lý vật nuôi thông minh dựa trên mô hình học sâu có thể được tích hợp với các hệ thống hiện có như hệ thống thẻ RFID và hệ thống camera giám sát. Hệ thống này cung cấp một giải pháp toàn diện để theo dõi, quản lý và chăm sóc vật nuôi một cách hiệu quả hơn. Dữ liệu thu thập được từ hệ thống có thể được sử dụng để đưa ra các quyết định thông minh về dinh dưỡng, sức khỏe và quản lý đàn vật nuôi.

V. Kết Luận Hướng Phát Triển Mô Hình Học Sâu Trong Tương Lai

Luận văn này đã trình bày một phương pháp hiệu quả để phát triển và tối ưu mô hình học sâu cho tác vụ phân loại thẻ đeo tai vật nuôi. Các kết quả nghiên cứu cho thấy tiềm năng lớn của AI trong nông nghiệp và chăn nuôi. Trong tương lai, có thể mở rộng nghiên cứu sang các bài toán khác liên quan đến quản lý vật nuôi như phát hiện bệnh tật, theo dõi hành vi và dự đoán năng suất. Đồng thời, việc khám phá các kiến trúc mạng nơ-ron mới và các kỹ thuật huấn luyện tiên tiến sẽ tiếp tục cải thiện hiệu suất mô hình và mở ra những ứng dụng mới trong lĩnh vực này.

5.1. Mở Rộng Nghiên Cứu Sang Các Bài Toán Liên Quan

Ngoài phân loại thẻ đeo tai, mô hình học sâu cũng có thể được áp dụng cho các bài toán khác trong hệ thống quản lý vật nuôi, chẳng hạn như phát hiện bệnh tật thông qua hình ảnh hoặc video, theo dõi hành vi để phát hiện các dấu hiệu bất thường và dự đoán năng suất dựa trên dữ liệu lịch sử. Việc tích hợp các nguồn dữ liệu khác nhau như dữ liệu cảm biến và dữ liệu gen cũng có thể cải thiện độ chính xác và tính hữu ích của các ứng dụng này.

5.2. Nghiên Cứu Các Kiến Trúc Mạng Nơ ron Tiên Tiến

Sự phát triển của mạng nơ-ron không ngừng mang đến những kiến trúc mới và các kỹ thuật huấn luyện tiên tiến. Việc khám phá và áp dụng các kiến trúc như Transformers (đã chứng minh hiệu quả trong xử lý ngôn ngữ tự nhiên) hoặc các biến thể của CNN có thể cải thiện đáng kể hiệu suất mô hình trong tác vụ phân loại thẻ đeo tai và các bài toán liên quan. Việc sử dụng transfer learning cũng sẽ giúp giảm thời gian huấn luyện và cải thiện khả năng khái quát hóa của mô hình.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu 5 Phạm Đức Thịnh Phát triển và tối ưu mô hình học sâu trong công nghiệp GVHD: GS. Lê Tiến Thường của ResNets cho thấy rằng nhiều lớp đóng góp rất ít, có thể bị loại bỏ ngẫu nhiên trong quá trình đào tạo và trạng thái của nó tương tự như tái diễn mạng thần kinh nhưng số lượng tham số lớn hơn đáng kể bởi vì mỗi lớp có trọng số của nó, bố cục mạng dày đặc tương tự như cấu trúc tầng và kết nối giữa các lớp chia sẻ thông tin giữa các lớp để sử dụng hiệu quả tài nguyên mạng mà vẫn đạt được khả năng thích ứng cao. Đối với tác giả, ban đầu, DenseNet đạt được tỷ lệ lỗi thấp hơn trong khi sử dụng ít tham số hơn ResNet và hoạt động tốt hơn với biên độ lớn mà không cần tăng cường dữ liệu. Ngoài ra, Tan và cộng sự đã trình bày EfficientNet [22] – ý tưởng cẩn thận cân bằng độ sâu, chiều rộng và độ phân giải của mạng để có thể dẫn đến hiệu suất tốt hơn khi sử dụng thành quả đơn giản mà hiệu quả cao trong năm 2019.

Vào năm 2021, sự kết hợp sáng tạo giữa tích chập theo chiều sâu và cơ chế tự chú ý thừa hưởng lợi thế từ Transformer [23] thông qua sự chú ý tương đối đơn giản trong CoAtNet [24] đã đạt được hiệu suất hiện đại nhất theo các bộ dữ liệu khác nhau của Dai et al. Vì thế, vấn đề phân loại được giải quyết dựa trên cách tiếp cận hiện có và tích hợp với thuật toán tối ưu hóa. Mô đun chú ý – Attention Module – là một trong những khái niệm thiết yếu còn thiếu trong các mô hình sẵn có hiện tại. Thông thường, Attention Module được biết đến nhiều trong Transformer hoặc Vision Transformer [38].

Trên thực tế, có một cơ chế chú ý khác cho miền hình ảnh đó là mô-đun chú ý khối tích chập (CBAM) – Convolution Block Attention Module [25]. Tính linh hoạt và toàn vẹn của CBAM được kết hợp vào nhiều kiến trúc CNN điển hình đã cải thiện kết quả một cách ấn tượng bằng cách tập trung nhiều hơn vào thông tin quan trọng thay vì tìm hiểu thông tin cơ bản xung quanh như lợn, chuồng lợn, v. CBAM được hình thành bởi hai khối liên tiếp: kênh chú ý mô-đun và mô-đun chú ý không gian. Trong chính mô-đun chú ý của kênh, tính năng đầu vào F sẽ chuyển theo hai cách: max pooling và average pooling thành nhận được nhiều tính năng đặc biệt hơn trên kênh.

Sau đó, một nhận thức đa lớp – multi-layer perceptron được chia sẻ (MLP) của một lớp ẩn với hàng loạt được chuẩn hóa bằng ReLU để có được giá trị phi tuyến tính đầu ra trước khi kết hợp hai đầu ra F′ cho sự chú ý của kênh trong khi F′ sẽ trải qua quá trình kết hợp các hoạt động tổng hợp để tạo ra một hệ thống hiệu quả đặc trưng trong miền không gian. Trong mô-đun CBAM, học viên có ý tưởng nâng cấp bằng cách thay thế ReLU bằng GELU [26] trong chú ý kênh và thêm Chuẩn hóa hàng loạt (BN) vào mô-đun chú ý không gian. Chương 1: Giới thiệu 6 Phạm Đức Thịnh Phát triển và tối ưu mô hình học sâu trong công nghiệp GVHD: GS. Lê Tiến Thường Hình 1.2: Lưu đồ của quá trình nghiên cứu – bằng tiếng anh [43].

Hơn nữa, học viên còn kết hợp Self-Supervised Learning (SSL) – là phương pháp học máy nhằm khai thác triệt để dữ liệu chưa được gắn nhãn để tạo ra các nhãn. SimCLR, BYOL và MoCo là những phương pháp tự giám sát nổi tiếng hiện nay [27]. Bên cạnh đó với nghiên cứu của Jure Zbontar và các cộng sự vào năm 2021 về phương pháp tự học, cụ thể là phương pháp Barlow Twins [28] đặc biệt với 2 kênh hình thành mạng những đặc tính và cải thiện về ma trận chéo sẽ được học viên sử dụng để tăng cường xương sống của mô hình CNN. Cuối cùng, vì SSL rất nhạy cảm với sự thay đổi của tập dữ liệu, đặc biệt là tập dữ liệu không cân bằng nên Focal loss – FL [6] – đã thay thế hàm Cross Entropy – CE – truyền thống để ngăn chặn điều này.

Các mục cụ thể sẽ nghiên cứu như sau: Chương 1: Giới thiệu 7 Phạm Đức Thịnh Phát triển và tối ưu mô hình học sâu trong công nghiệp GVHD: GS. Lê Tiến Thường • Dữ liệu được chú thích và xây dựng lại bộ dữ liệu. • Khảo sát về kích thước cắt xén, khảo sát sự phân bố của các chiến lược tăng dữ liệu để cải thiện tính tổng quát của mô hình. • Biểu diễn và ước lượng dữ liệu nén.

• Được khảo sát trên các mô hình sẵn có và kết hợp không gian và hướng sự chú ý vào các mô hình CNN. • Bên cạnh đó khảo sát mô hình CNN phù hợp nhất trên phương pháp tự học – Barlow Twins với Focal loss. • Một phân tích định lượng kỹ lưỡng đã được thực hiện trên các mô hình hiện đại cho thấy hiệu quả của các phương pháp.3: Quy trình thực hiện: Tiền xử lý ảnh và nâng cấp mô hình học sâu. Kết luận chương 1: Trong chương 1, học viên đã trình bày mở đầu, tổng quan về tập ảnh được sử dụng và mục tiêu các phương pháp khác nhau được sử dụng trong tác vụ phân loại ảnh.

Qua những phần tổng quan tài liệu, học viên đề ra mục tiêu nghiên cứu cùng với những giới hạn thực hiện cho đề tài luận văn tốt nghiệp. Chương 1: Giới thiệu 8 Phạm Đức Thịnh Phát triển và tối ưu mô hình học sâu trong công nghiệp GVHD: GS. Lê Tiến Thường Chương 2: Cơ sở lý thuyết 2. Xử lý dữ liệu: 2.

Giới thiệu thẻ đeo tai: Như đã giới thiệu lúc đầu, đây là tập dữ liệu của dự án PigBrother của công ty Norsvin AS, dữ liệu hình ảnh với chất lượng cao được trích xuất từ máy ảnh LOREX (4K Ultra HD IP NVR) và ELOTEC (4MP Bullet, IP67). Sau bước ước tính tư thế (pose estimation), dữ liệu sẽ được lưu trữ dưới các tệp định dạng JSON COCO tại khớp điểm ở tai phải, thẻ sẽ được cắt có chú thích và hình ảnh tương ứng. Tuy nhiên, có một số hình ảnh dư thừa không được bao gồm một thẻ hoặc ít nhất là bị nhiễu dư thừa xung quanh thẻ như chuồng hoặc sự chồng chéo (do lợn nằm chồng lên nhau). Vì định hướng ban đầu với phương pháp học có giám sát nên kết quả dữ liệu cung cấp vào mô hình cần phải được kiểm tra và lựa chọn trước khi dán nhãn thẻ trong công cụ Labelme [29].

Trong tập thẻ đeo tai, 16 thẻ tai được sử dụng trong công việc này để xác định từng con lợn trong chuồng – hình 1. Các thẻ sử dụng các ký tự chữ và số được in từ Destron FearingTMHogmax – được công ty lựa chọn với mục đích để dễ dàng quan sát. Vì số thẻ đeo tai sẽ tương ứng với số lượng heo trong chuồng, hiện tại, mỗi chuồng chỉ tối đa 12 con heo nên số lượng tập phân loại sẽ tương ứng với 12 tập.1: Minh họa bước tiền xử lý của lần cắt ảnh thứ nhất (a) và lần cắt ảnh thứ hai (b). Tiền xử lý: Theo hình 2.1, các tệp JSON dưới định dạng COCO (COCO annotated) nhận được từ giai đoạn ước tính tư thế (pose estimation) sẽ được cung cấp làm dữ liệu đầu vào để cắt Chương 2: Cơ sở lý thuyết 9 Phạm Đức Thịnh Phát triển và tối ưu mô hình học sâu trong công nghiệp GVHD: GS.

Lê Tiến Thường xén lần thứ nhất nhằm trích xuất được tai có chứa thẻ đeo. Sau khi nhận được tập dữ liệu được gắn nhãn có sẵn và xem xét kết quả của toàn bộ tập dữ liệu, học viên nhận thấy có rất nhiều dữ liệu rác - dữ liệu không bao gồm thẻ - trong thống kê hình 2.2 dẫn đến việc mất cân bằng trong tập dữ liệu và mô hình không thể học hiệu quả trên tập dữ liệu này. Sau đó, học viên quyết định thêm bước lọc và chọn thủ công, và gắn nhãn bằng công cụ: Labelme vào việc xử lý dữ liệu. Việc thực hiện cắt xén thứ hai là cần thiết để giữ cho dữ liệu sạch và giảm nhiễu, đồng thời cải thiện độ chính xác của mô hình - tham khảo bảng 1.

Từ bảng này, dữ liệu trước đó được đánh giá là mất cân bằng, chứa nhiều nhiễu và lượng dữ liệu là 1375 trong khi dữ liệu hiện tại tốt hơn, ít nhiễu hơn và lượng dữ liệu là hơn 3000 hình ảnh. Ngoài ra, quy ước về dữ liệu là 0: “0”, 1: “WW”, 2: “777”, 3: “Q Q”, 4: “YY”, 5: “HHH”, 6: “J J”, 7: “66”, 8: “PPP”, 9: “W”, 10: “N N”, 11: “T”, 12: “NaN”.2: Sơ đồ tiền xử lý dữ liệu. Do đó, kết quả sẽ có 13 lớp tương ứng với 12 thẻ được sử dụng và 1 lớp “NaN” được gán cho hình ảnh không chứa thẻ. Như được hiển thị trong bảng bên dưới, duy trì cùng một môi trường thiết lập như nhãn, số lượng lớp, kích thước lô, v., học viên đã thực hiện việc tăng kích thước của hình ảnh và sử dụng các mô hình tương tự: ResNet18, DenseNet121, EfficientNetB0, và CoAtNet để đánh giá ảnh hưởng của kích thước đến độ chính xác của mô hình.

Từ kết quả nhận được, độ chính xác sẽ giảm trong khi kích thước của hình ảnh đầu vào tăng lên vì hình ảnh càng lớn, dữ liệu trong hình ảnh càng nhiễu (ví dụ: chuồng, da lợn) và thẻ ít được chú ý hơn. Trong phân tích này, kích thước cắt 16x16 của hình ảnh là độ chính xác tốt nhất tuy nhiên toàn bộ thẻ không thể quan sát được, trong khi kích thước 32x32 có độ chính xác nhỏ hơn nhưng đổi lại ta có thể thấy đầy đủ thẻ. Ngoài ra, kích thước 64x64, cung cấp thẻ đầy đủ và cả phần dư thừa, là cho kết quả tệ nhất trong khi khảo sát. Chương 2: Cơ sở lý thuyết 10 Phạm Đức Thịnh Phát triển và tối ưu mô hình học sâu trong công nghiệp GVHD: GS.

Lê Tiến Thường Hình 2.3: Thống kê tập dữ liệu trước và sau tiền xử lý. Các phương pháp tăng cường được sử dụng: Trong học máy, tăng cường dữ liệu là quá trình mở rộng tập dữ liệu huấn luyện về cả quy mô và sự đa dạng từ dữ liệu hiện tại thông qua việc sử dụng các phép biến đổi và thay đổi bằng cách đào tạo trên một số bản sao dữ liệu hiện có được sửa đổi một chút giúp giảm tình trạng bị quá mức (overfitting) khi đào tạo mô hình học máy. Với mục đích nâng cao hiệu quả và tính tổng quát của các mô hình học máy nên các phương pháp tăng cường đã thường xuyên được áp dụng trong quá trình huấn luyện của các mô hình.