Số Hóa Dữ Liệu Nhà Đất Sử Dụng Thuật Toán Nhận Dạng Ảnh

• Tác giả: Nguyễn Văn Bắc
• Người hướng dẫn: PGS.TS Trần Mạnh Hà
• Trường học: Trường Đại Học Bà Rịa - Vũng Tàu
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Số Hóa Dữ Liệu Nhà Đất Sử Dụng Thuật Toán Nhận Dạng Ảnh
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2023
• Địa điểm: Bà Rịa – Vũng Tàu

• LỜI CAM ĐOAN
• LỜI CÁM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI
• 1.1. Mục tiêu của đề tài
• 1.2. Đối tượng nghiên cứu
• 1.3. Phương pháp nghiên cứu
• 1.4. Cấu trúc luận văn
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Giới thiệu về giấy chứng nhận quyền sử dụng đất, quyền sở hữu nhà ở và tài sản khác gắn liền với đất
• 2.2. Các thuật toán Object Detection
• 2.3. Nhận dạng thực thể (NER)
• 2.4. Nhận dạng thực thể là gì?
• 2.5. Các phương pháp NER phổ biến
• 3. CHƯƠNG 3: XÂY DỰNG GIẢI PHÁP SỐ HÓA THÔNG TIN GIẤY CHỨNG NHẬN
• 3.1. Xác định các trường thông tin trên giấy chứng nhận
• 3.2. Trình bày tổng quan giải pháp số hóa thông tin giấy chứng nhận
• 3.3. Thu thập dữ liệu
• 3.4. Xây dựng mô hình nhận dạng đối tượng để nhận dạng các vùng thông tin trên ảnh giấy chứng nhận
• 3.5. Lựa chọn mô hình Object Detection
• 3.6. Công cụ sử dụng
• 3.7. Các bước thực hiện huấn luyện mô hình
• 3.8. Các phương pháp tiền xử lý ảnh
• 3.9. Xây dựng mô hình nhận dạng thực thể (NER)
• 3.10. Công cụ sử dụng
• 3.11. Chuẩn bị dữ liệu
• 3.12. Gán nhãn dữ liệu
• 3.13. Chuyển dữ liệu train thành SpaCy format
• 3.14. Các bước thực hiện huấn luyện mô hình NER
• 3.15. Kết hợp các mô hình nhận dạng đối tượng, OCR và NER
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 4.1. Dữ liệu thử nghiệm
• 4.2. Mô tả tập dữ liệu
• 4.3. Xây dựng kịch bản thử nghiệm
• 4.4. Kết quả thu được
• 4.5. Phân tích kết quả
• 4.6. Phương pháp đánh giá
• 5. CHƯƠNG 5: KẾT LUẬN VÀ KIẾN NGHỊ
• 5.1. Công việc đã làm được
• 5.2. Cải tiến giải pháp
• 5.3. Định hướng phát triển
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH ẢNH
• DANH MỤC CÁC BẢNG BIỂU

I. Tổng Quan Số Hóa Nhà Đất Bằng Thuật Toán Nhận Dạng Ảnh

Quản lý đất đai đóng vai trò then chốt trong quản lý nhà nước, ảnh hưởng trực tiếp đến kinh tế và xã hội. Mặc dù chính phủ đã nỗ lực cải thiện, vẫn còn tồn tại, đặc biệt là ứng dụng công nghệ thông tin. Hệ thống thông tin đất đai còn lạc hậu, thiếu đồng bộ, gây khó khăn cho tra cứu và quản lý. Đào tạo cán bộ quản lý đất đai về công nghệ thông tin cũng hạn chế. Hạ tầng thông tin đất đai cần được cải thiện để hỗ trợ công tác chuyên môn, cải cách thủ tục hành chính và phối hợp liên ngành. Hệ thống hiện tại thiếu đồng bộ, toàn diện và hiệu quả. Trong bối cảnh đó, đề tài "Số Hóa Dữ Liệu Nhà Đất Sử Dụng Thuật Toán Nhận Dạng Ảnh" ra đời, tập trung vào giải quyết một phần vấn đề này. Mục tiêu là trích xuất thông tin từ giấy chứng nhận quyền sử dụng đất đã số hóa bằng thuật toán nhận dạng ảnh, nhằm thu thập dữ liệu nhanh chóng, chính xác, và giảm thiểu sai sót do nhập liệu thủ công.

1.1. Mục tiêu và Đối tượng Nghiên cứu Của Đề Tài

Mục tiêu chung của đề tài là ứng dụng thuật toán xử lý ảnh và mô hình máy học để nhận dạng dữ liệu trên giấy chứng nhận quyền sử dụng đất và trích xuất thông tin địa chính từ hình ảnh. Mục tiêu cụ thể bao gồm áp dụng thuật toán xử lý ảnh để phân tích hình ảnh, sử dụng mô hình nhận dạng đối tượng để xác định vị trí các thông tin cần trích xuất (quyền sở hữu, diện tích, số tờ, số thửa, địa chỉ thửa đất, hình thức sử dụng, mục đích sử dụng, thời hạn sử dụng, nguồn gốc giao đất), và đánh giá hiệu quả, độ chính xác của giải pháp. Đối tượng nghiên cứu là các file scan hoặc ảnh số của giấy chứng nhận quyền sử dụng đất đã được số hóa.

1.2. Phương pháp Nghiên cứu và Cấu trúc Luận văn

Phương pháp nghiên cứu tập trung vào xây dựng tập dữ liệu huấn luyện và kiểm tra từ các giấy chứng nhận quyền sử dụng đất đã số hóa. Tiến hành phân tích và xây dựng giải pháp xử lý ảnh và nhận dạng, sử dụng các kỹ thuật xử lý ảnh (chuẩn hóa, nhị phân ảnh) và mô hình nhận dạng (máy học chuyên sâu, mạng nơ-ron nhân tạo). Giải pháp sau đó được triển khai và thử nghiệm trên ngôn ngữ lập trình Python, kết quả được đánh giá để đảm bảo tính chính xác. Luận văn được cấu trúc thành 5 chương: tổng quan đề tài, cơ sở lý thuyết, xây dựng giải pháp số hóa, kết quả thử nghiệm và đánh giá, kết luận và kiến nghị.

II. Thách Thức Trong Số Hóa Dữ Liệu Địa Chính Truyền Thống

Việc quản lý thông tin địa chính truyền thống đối mặt với nhiều thách thức. Dữ liệu thường được lưu trữ dưới dạng bản cứng, gây khó khăn cho việc tìm kiếm, truy cập và chia sẻ thông tin. Quy trình cập nhật thông tin thủ công tốn nhiều thời gian và công sức, dễ xảy ra sai sót. Sự thiếu đồng bộ giữa các cơ quan quản lý đất đai khác nhau dẫn đến tình trạng dữ liệu không nhất quán. Việc số hóa dữ liệu nhà đất bằng thuật toán nhận dạng ảnh nhằm giải quyết những vấn đề này, tăng cường hiệu quả và độ chính xác trong quản lý dữ liệu địa chính. Theo [2], hạ tầng thông tin đất đai còn nhiều hạn chế, thiếu đồng bộ và thống nhất về dữ liệu, quy trình nghiệp vụ và tiêu chuẩn kỹ thuật.

2.1. Nhận Diện Các Loại Giấy Chứng Nhận Quyền Sử Dụng Đất

Việc số hóa cần xử lý nhiều loại giấy chứng nhận quyền sử dụng đất khác nhau, tùy thuộc vào từng giai đoạn. Các loại giấy chứng nhận bao gồm: giấy chứng nhận quyền sử dụng đất, giấy chứng nhận quyền sở hữu nhà ở và quyền sử dụng đất ở, và giấy chứng nhận quyền sử dụng đất, quyền sở hữu nhà ở và tài sản khác gắn liền với đất. Mẫu giấy chứng nhận mới, áp dụng từ 10/12/2009, có tên gọi đầy đủ là "Giấy chứng nhận quyền sử dụng đất, quyền sở hữu nhà ở và tài sản khác gắn liền với đất". Các giấy chứng nhận cũ vẫn có giá trị pháp lý. Việc nhận dạng chính xác loại giấy tờ là bước đầu tiên quan trọng trong quá trình số hóa.

2.2. Các Vấn Đề Với Trích Xuất Thông Tin Thủ Công

Trích xuất thông tin thủ công từ giấy chứng nhận tốn thời gian, công sức và dễ mắc lỗi. Quá trình này thường đòi hỏi nhân viên phải đọc, hiểu và nhập thông tin từ các giấy tờ, vốn có thể phức tạp và khó đọc. Sự không nhất quán trong cách trình bày thông tin trên các giấy tờ khác nhau cũng gây khó khăn cho quá trình này. Các lỗi nhập liệu có thể dẫn đến những hậu quả nghiêm trọng trong quản lý đất đai. Tự động hóa quy trình trích xuất thông tin giúp giảm thiểu các vấn đề này và nâng cao hiệu quả công việc.

III. Phương Pháp Nhận Dạng Ảnh Để Số Hóa R CNN và YOLO

Trong lĩnh vực xử lý ảnh, Object Detection là một bài toán quan trọng, nhằm xác định và phát hiện các đối tượng cụ thể trong hình ảnh. Một số thuật toán được sử dụng là R-CNN, Faster R-CNN và YOLO. R-CNN là một mô hình phát hiện đối tượng theo hai bước, trong đó bước đầu tiên là đề xuất các vùng có thể chứa đối tượng (region proposals), bước thứ hai là sử dụng CNN để phân loại các vùng này và ước tính vị trí của các đối tượng. Faster R-CNN kết hợp việc sử dụng mạng CNN với một mô-đun đặc biệt được gọi là Region Proposal Network (RPN), giúp tự động tạo ra các vùng đề xuất (region proposals) trong ảnh. YOLO tiếp cận bài toán nhận dạng đối tượng một cách hoàn toàn khác biệt so với các phương pháp truyền thống.

3.1. Ưu điểm và Nhược điểm của R CNN

R-CNN có độ chính xác cao nhờ sử dụng mạng nơ-ron tích chập để trích xuất đặc trưng từ các vùng đề xuất và khả năng phát hiện nhiều đối tượng. Tuy nhiên, tốc độ xử lý chậm do việc trích xuất đặc trưng từ các vùng đề xuất và phân loại chúng một cách riêng lẻ. R-CNN không chia sẻ đặc trưng và đòi hỏi bộ nhớ lớn. R-CNN hiệu quả và chính xác, nhưng thời gian đào tạo lâu và sử dụng nhiều bộ nhớ có thể gây khó khăn trong các ứng dụng thực tế.

3.2. Ưu điểm và Nhược điểm của YOLO You Only Look Once

YOLO có tốc độ nhanh, có thể thực hiện nhận dạng đối tượng nhanh chóng và hiệu quả, phân loại đa lớp cùng một lúc và không chia sẻ đặc trưng. YOLO không bị giới hạn bởi kích thước đề xuất như các phương pháp R-CNN, giúp xử lý hiệu quả cả các đối tượng nhỏ và lớn. Tuy nhiên, YOLO có thể gặp khó khăn trong việc phát hiện các đối tượng nhỏ hoặc chồng chéo lên nhau. Độ chính xác có thể không cao bằng các phương pháp khác như R-CNN. Khả năng nhận diện chính xác các đối tượng nhỏ, nằm xa hoặc bị che khuất vẫn còn hạn chế so với các phương pháp khác.

IV. Xây Dựng Giải Pháp Số Hóa Kết Hợp Object Detection và NER

Giải pháp số hóa thông tin giấy chứng nhận kết hợp các mô hình nhận dạng đối tượng, OCR (Optical Character Recognition) và NER (Named Entity Recognition). Đầu tiên, mô hình nhận dạng đối tượng được sử dụng để xác định vị trí các vùng chứa thông tin trên giấy chứng nhận (ví dụ: thông tin chủ sở hữu, thông tin thửa đất). Tiếp theo, OCR được sử dụng để trích xuất văn bản từ các vùng này. Cuối cùng, mô hình NER được sử dụng để xác định loại thông tin trong văn bản (ví dụ: tên chủ sở hữu, diện tích thửa đất, số tờ, số thửa).

4.1. Xác định Trường Thông Tin Quan Trọng Trên Giấy Chứng Nhận

Bước đầu tiên là xác định các trường thông tin quan trọng cần trích xuất từ giấy chứng nhận, bao gồm thông tin về chủ sở hữu (tên, địa chỉ, số CMND), thông tin về thửa đất (số thửa, số tờ bản đồ, diện tích, mục đích sử dụng, thời hạn sử dụng, địa chỉ). Các trường thông tin này được sử dụng để huấn luyện mô hình NER. Bảng 3.1 và 3.2 trong tài liệu gốc liệt kê chi tiết các trường thông tin quan trọng này.

4.2. Huấn Luyện Mô Hình Nhận Dạng Thực Thể NER

Mô hình NER được huấn luyện để xác định loại thông tin trong văn bản đã trích xuất bằng OCR. Quá trình huấn luyện bao gồm chuẩn bị dữ liệu, gán nhãn dữ liệu (ví dụ: gán nhãn "Tên chủ sở hữu" cho phần văn bản chứa tên chủ sở hữu), và huấn luyện mô hình sử dụng các thuật toán máy học. Các công cụ phổ biến để huấn luyện mô hình NER bao gồm spaCy và BERT. Hình 3.13 đến 3.16 trong tài liệu gốc minh họa quá trình chuẩn bị dữ liệu và gán nhãn cho mô hình NER.

V. Kết Quả Thực Nghiệm và Đánh Giá Độ Chính Xác Giải Pháp

Giải pháp số hóa được thử nghiệm trên một tập dữ liệu giấy chứng nhận thực tế. Kết quả cho thấy giải pháp kết hợp các mô hình nhận dạng đạt được độ chính xác cao trong việc trích xuất thông tin từ giấy chứng nhận. Tuy nhiên, độ chính xác có thể bị ảnh hưởng bởi chất lượng ảnh đầu vào (ví dụ: ảnh bị mờ, bị nghiêng). Bảng 4.1 trong tài liệu gốc trình bày kết quả thực nghiệm chi tiết.

5.1. Mô Tả Dữ Liệu Thử Nghiệm và Kịch Bản Thử Nghiệm

Dữ liệu thử nghiệm bao gồm một tập hợp các giấy chứng nhận quyền sử dụng đất đã được số hóa. Kịch bản thử nghiệm bao gồm việc đưa các giấy chứng nhận này vào giải pháp số hóa và so sánh kết quả trích xuất thông tin tự động với thông tin được trích xuất thủ công. Các trường hợp ảnh bị mờ, bị nghiêng cũng được đưa vào thử nghiệm để đánh giá khả năng xử lý của giải pháp.

5.2. Phân Tích Kết Quả và Phương Pháp Đánh Giá

Kết quả được phân tích dựa trên độ chính xác (precision), độ phủ (recall) và F1-score. Độ chính xác đo lường tỷ lệ thông tin được trích xuất đúng so với tổng số thông tin được trích xuất. Độ phủ đo lường tỷ lệ thông tin được trích xuất đúng so với tổng số thông tin cần trích xuất. F1-score là trung bình điều hòa của độ chính xác và độ phủ. Các chỉ số này được sử dụng để đánh giá hiệu quả của giải pháp.

VI. Kết Luận và Hướng Phát Triển Của Giải Pháp Số Hóa

Luận văn đã trình bày một giải pháp hiệu quả cho việc số hóa dữ liệu nhà đất bằng thuật toán nhận dạng ảnh. Giải pháp này giúp tự động hóa quy trình trích xuất thông tin từ giấy chứng nhận, giảm thiểu sai sót và tăng cường hiệu quả quản lý đất đai. Tuy nhiên, vẫn còn một số hạn chế cần được khắc phục.Hướng nghiên cứu tiếp theo là mở rộng giải pháp để xử lý thông tin biến động về quyền sử dụng đất, dữ liệu thuộc tính của thửa đất và tài sản gắn liền với đất.

6.1. Những Công Việc Đã Hoàn Thành

Đề tài đã xây dựng và triển khai thành công một giải pháp số hóa thông tin giấy chứng nhận quyền sử dụng đất sử dụng thuật toán nhận dạng ảnh. Giải pháp này bao gồm các mô hình nhận dạng đối tượng, OCR và NER. Đề tài cũng đã đánh giá hiệu quả của giải pháp trên một tập dữ liệu thực tế và chứng minh tính khả thi của phương pháp này.

6.2. Đề Xuất Cải Tiến và Định Hướng Phát Triển

Để cải tiến giải pháp, cần tập trung vào việc nâng cao chất lượng ảnh đầu vào, cải thiện độ chính xác của mô hình OCR và NER, và mở rộng phạm vi của giải pháp để xử lý các loại giấy tờ khác. Định hướng phát triển bao gồm tích hợp giải pháp vào hệ thống thông tin địa chính quốc gia, xây dựng các ứng dụng di động để người dân có thể dễ dàng truy cập thông tin đất đai, và sử dụng trí tuệ nhân tạo để phân tích dữ liệu đất đai và đưa ra các quyết định quản lý hiệu quả hơn.

## Tổng quan nghiên cứu

Quản lý đất đai là một lĩnh vực then chốt trong quản lý nhà nước, ảnh hưởng trực tiếp đến phát triển kinh tế - xã hội. Theo báo cáo của ngành, hệ thống thông tin đất đai hiện tại tại Việt Nam còn nhiều hạn chế như thiếu đồng bộ, chưa toàn diện và hiệu quả thấp trong xử lý dữ liệu. Đặc biệt, việc số hóa và tự động hóa trích xuất thông tin từ giấy chứng nhận quyền sử dụng đất vẫn chưa được ứng dụng rộng rãi, dẫn đến sai sót và mất nhiều thời gian trong quản lý. 

Luận văn tập trung nghiên cứu và phát triển giải pháp số hóa dữ liệu nhà đất sử dụng thuật toán nhận dạng ảnh, nhằm tự động hóa việc nhận dạng và trích xuất thông tin từ giấy chứng nhận quyền sử dụng đất. Mục tiêu cụ thể là xây dựng mô hình nhận dạng đối tượng (Object Detection) kết hợp với nhận dạng ký tự quang học (OCR) và nhận dạng thực thể có tên (NER) để trích xuất chính xác các trường thông tin quan trọng như tên chủ sử dụng, số thửa, diện tích, mục đích sử dụng, v.v. 

Nghiên cứu được thực hiện trên dữ liệu giấy chứng nhận đã số hóa tại tỉnh Bà Rịa – Vũng Tàu trong năm 2023, với phạm vi tập trung vào các giấy chứng nhận theo mẫu mới áp dụng từ năm 2009. Giải pháp này có ý nghĩa lớn trong việc nâng cao hiệu quả quản lý đất đai, giảm thiểu sai sót do nhập liệu thủ công và hỗ trợ cải cách thủ tục hành chính trong lĩnh vực địa chính.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

- **Thuật toán nhận dạng đối tượng (Object Detection):** Nghiên cứu sử dụng các mô hình CNN tiên tiến như SSD (Single Shot MultiBox Detector), Faster R-CNN và YOLO để xác định các vùng chứa thông tin trên ảnh giấy chứng nhận. SSD được lựa chọn do cân bằng tốt giữa tốc độ và độ chính xác, phù hợp với yêu cầu xử lý ảnh kích thước lớn (2158 x 3010 pixels).

- **Nhận dạng ký tự quang học (OCR):** Tesseract OCR được áp dụng để chuyển đổi vùng ảnh đã nhận dạng thành văn bản có thể xử lý, hỗ trợ tiếng Việt và nhiều định dạng ảnh phổ biến.

- **Nhận dạng thực thể có tên (NER):** Sử dụng mô hình NER dựa trên thư viện SpaCy để phân loại và gán nhãn các thực thể quan trọng trong văn bản như tên người, địa chỉ, số giấy tờ, diện tích, mục đích sử dụng đất. Phương pháp học có giám sát được áp dụng với dữ liệu được gán nhãn theo định dạng BIO.

Các khái niệm chính bao gồm: giấy chứng nhận quyền sử dụng đất, Object Detection, OCR, NER, và các thuật toán học máy liên quan.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu:** Tập dữ liệu gồm 150 file ảnh giấy chứng nhận quyền sử dụng đất đã số hóa, trong đó 133 ảnh dùng để huấn luyện và 17 ảnh dùng để kiểm thử, thu thập từ Trung tâm Công nghệ thông tin Tài nguyên và Môi trường tỉnh Bà Rịa – Vũng Tàu.

- **Phương pháp phân tích:** Dữ liệu ảnh được tiền xử lý (chuyển sang ảnh xám, làm mịn, nhị phân hóa) để nâng cao chất lượng nhận dạng. Mô hình SSD Mobilenet v2 được huấn luyện trên dữ liệu đã gán nhãn bằng công cụ LabelImg, dữ liệu được chuyển sang định dạng TFRecord để tối ưu cho TensorFlow Object Detection API. Sau khi nhận dạng vùng thông tin, OCR Tesseract trích xuất văn bản, tiếp theo mô hình NER SpaCy phân loại thực thể trong văn bản.

- **Timeline nghiên cứu:** Quá trình thu thập và chuẩn bị dữ liệu diễn ra trong 3 tháng đầu năm 2023, huấn luyện mô hình và thử nghiệm trong 4 tháng tiếp theo, đánh giá và hoàn thiện giải pháp trong 1 tháng cuối cùng.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- Mô hình SSD đạt độ chính xác nhận dạng vùng thông tin trên ảnh giấy chứng nhận khoảng 92%, vượt trội so với các mô hình truyền thống như Faster R-CNN (đạt khoảng 88%).

- OCR Tesseract trích xuất văn bản với độ chính xác trên 90% đối với các vùng ảnh đã được nhận dạng chính xác, giảm thiểu lỗi do ảnh mờ hoặc nhiễu.

- Mô hình NER SpaCy phân loại các thực thể trong văn bản với độ chính xác đạt 89%, giúp tự động gán nhãn các trường thông tin như tên chủ sử dụng, số thửa, diện tích, mục đích sử dụng.

- Giải pháp tổng thể kết hợp Object Detection, OCR và NER đạt hiệu quả trích xuất thông tin chính xác trên 87%, so với phương pháp thủ công truyền thống chỉ đạt khoảng 75% do lỗi nhập liệu và sai sót con người.

### Thảo luận kết quả

Nguyên nhân chính của hiệu quả cao là do việc kết hợp đồng bộ các mô hình nhận dạng vùng ảnh và xử lý ngôn ngữ tự nhiên, giúp giảm thiểu sai sót trong từng bước xử lý. So với các nghiên cứu trước đây chỉ tập trung vào OCR hoặc NER riêng lẻ, giải pháp này tối ưu hóa quy trình trích xuất thông tin từ giấy chứng nhận đất đai một cách toàn diện.

Kết quả có thể được trình bày qua biểu đồ so sánh độ chính xác của từng mô hình và tổng thể, cũng như bảng thống kê lỗi phổ biến và tỷ lệ khắc phục. Ý nghĩa của nghiên cứu là góp phần nâng cao hiệu quả quản lý dữ liệu địa chính, giảm thời gian xử lý hồ sơ và tăng tính chính xác trong quản lý đất đai.

## Đề xuất và khuyến nghị

- **Triển khai hệ thống tự động hóa:** Áp dụng giải pháp số hóa dữ liệu nhà đất trên quy mô toàn tỉnh trong vòng 12 tháng, nhằm nâng cao hiệu quả quản lý và giảm thiểu sai sót nhập liệu thủ công. Chủ thể thực hiện là Sở Tài nguyên và Môi trường phối hợp với Trung tâm Công nghệ thông tin.

- **Đào tạo cán bộ quản lý:** Tổ chức các khóa đào tạo về công nghệ nhận dạng ảnh và xử lý dữ liệu số cho cán bộ quản lý đất đai, nâng cao kỹ năng sử dụng công nghệ trong 6 tháng tiếp theo.

- **Mở rộng dữ liệu và mô hình:** Thu thập thêm dữ liệu giấy chứng nhận có nhiều thửa đất và các loại giấy chứng nhận cũ để mở rộng phạm vi áp dụng, đồng thời cải tiến mô hình nhận dạng để xử lý các trường hợp phức tạp trong 18 tháng tới.

- **Phát triển giao diện người dùng:** Xây dựng phần mềm giao diện thân thiện, hỗ trợ nhập liệu, kiểm tra và chỉnh sửa kết quả trích xuất, giúp cán bộ dễ dàng sử dụng và kiểm soát dữ liệu trong 9 tháng.

## Đối tượng nên tham khảo luận văn

- **Cán bộ quản lý đất đai:** Nâng cao hiểu biết về ứng dụng công nghệ trong quản lý hồ sơ đất đai, cải thiện quy trình làm việc và giảm thiểu sai sót.

- **Nhà nghiên cứu công nghệ thông tin:** Tham khảo phương pháp kết hợp thuật toán nhận dạng ảnh và xử lý ngôn ngữ tự nhiên trong lĩnh vực địa chính.

- **Chuyên gia phát triển phần mềm:** Áp dụng các mô hình học máy và xử lý ảnh trong phát triển các giải pháp tự động hóa quản lý dữ liệu.

- **Cơ quan hành chính nhà nước:** Tăng cường hiệu quả cải cách thủ tục hành chính, nâng cao chất lượng dịch vụ công liên quan đến đất đai.

## Câu hỏi thường gặp

1. **Giải pháp này có thể áp dụng cho các loại giấy chứng nhận khác nhau không?**  
Giải pháp hiện tập trung vào mẫu giấy chứng nhận mới áp dụng từ năm 2009, tuy nhiên có thể mở rộng để xử lý các mẫu cũ với điều chỉnh mô hình và dữ liệu huấn luyện phù hợp.

2. **Độ chính xác của mô hình nhận dạng ảnh và OCR là bao nhiêu?**  
Mô hình nhận dạng vùng ảnh đạt khoảng 92% độ chính xác, OCR Tesseract đạt trên 90% khi xử lý vùng ảnh rõ nét, giúp tổng thể giải pháp đạt hiệu quả trích xuất trên 87%.

3. **Giải pháp có thể xử lý ảnh giấy chứng nhận bị mờ hoặc nhiễu không?**  
Các bước tiền xử lý ảnh như làm mịn, nhị phân hóa giúp cải thiện chất lượng ảnh đầu vào, tuy nhiên ảnh quá mờ hoặc nhiễu nặng vẫn có thể ảnh hưởng đến độ chính xác.

4. **Mô hình NER được huấn luyện như thế nào?**  
Mô hình NER sử dụng dữ liệu văn bản được gán nhãn thủ công theo định dạng BIO, huấn luyện trên thư viện SpaCy với phương pháp học có giám sát, đạt độ chính xác khoảng 89%.

5. **Giải pháp có thể tích hợp vào hệ thống quản lý hiện tại không?**  
Có thể tích hợp thông qua API hoặc xuất dữ liệu định dạng JSON/XML, giúp dễ dàng kết nối với các hệ thống quản lý đất đai hiện có.

## Kết luận

- Đã xây dựng thành công giải pháp số hóa dữ liệu nhà đất sử dụng thuật toán nhận dạng ảnh kết hợp OCR và NER, đạt độ chính xác trích xuất thông tin trên 87%.  
- Giải pháp giúp tự động hóa quy trình xử lý giấy chứng nhận quyền sử dụng đất, giảm thiểu sai sót và tăng hiệu quả quản lý.  
- Mô hình SSD Mobilenet v2 được lựa chọn tối ưu giữa tốc độ và độ chính xác trong nhận dạng vùng ảnh.  
- Nghiên cứu góp phần thúc đẩy cải cách thủ tục hành chính và nâng cao chất lượng quản lý dữ liệu địa chính tại Việt Nam.  
- Hướng phát triển tiếp theo là mở rộng phạm vi dữ liệu, cải tiến mô hình và phát triển giao diện người dùng thân thiện.

Đề nghị các cơ quan quản lý và nhà nghiên cứu tiếp tục ứng dụng và phát triển giải pháp nhằm nâng cao hiệu quả quản lý đất đai trong thời gian tới.