Chương 1: Tổng quan về đề tài Nội dung chương này nhằm giới thiệu tổng quan bài toán xây dựng phương pháp số hóa dữ liệu địa chính, phương pháp tiếp cận, phạm vi nghiên cứu, hướng nghiên cứu Chương 2: Cơ sở lý thuyết Chương này trình bày tổng quan về các mảng kiến thức liên quan đến đề tài, bao gồm các phương pháp xử lý ảnh, thuật toán Object Detection và nhận dạng thực thể (NER). Chương 3: Xây dựng giải pháp số hóa thông tin giấy chứng nhận 5 Chương này trình bày quá trình xây dựng giải pháp tự động hóa việc nhận dạng và trích xuất thông tin từ giấy chứng nhận, trình bày chi tiết về việc đào tạo mô hình object detection, sử dụng OCR để trích xuất văn bản từ ảnh, và đào tạo và áp dụng mô hình NER để xác định loại thông tin trong văn bản. Chương 4: Kết quả thử nghiệm và đánh giá Chương này sẽ trình bày chi tiết về kết quả thực nghiệm và đánh giá của giải pháp nhận dạng và trích xuất thông tin từ giấy chứng nhận. Nội dung bao gồm mô tả về dữ liệu thử nghiệm, quy trình thực hiện thử nghiệm, cũng như các kết quả thu được từ việc sử dụng giải pháp.
Kết quả được đánh giá dựa trên việc so sánh với thông tin vùng ảnh đúng đã được xác định trước, đánh giá về độ chính xác và hiệu quả của giải pháp. Chương 5: Kết luận và kiến nghị 6 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2. Giới thiệu về giấy chứng nhận quyền sử dụng đất, quyền sở hữu nhà ở và tài sản khác gắn liền với đất Hình 2.1: Giấy chứng nhận quyền sử dụng đất, quyền sở hữu nhà ở và tài sản khác gắn liền với đất “Giấy chứng nhận quyền sử dụng đất, quyền sở hữu nhà ở và tài sản khác gắn liền với đất” là một loại giấy tờ pháp lý do cơ quan nhà nước có thẩm quyền cấp cho người sử dụng đất, chủ sở hữu nhà ở và tài sản khác gắn liền với đất nhằm xác nhận quyền sử dụng, quyền sở hữu hợp pháp. [1] Mẫu “giấy chứng nhận quyền sử dụng đất, quyền sở hữu nhà ở và tài sản khác gắn liền với đất” được quy định tại Thông tư số 23/2014/TT-BTNMT ngày 19 tháng 10 năm 2014 của Bộ Tài nguyên và Môi trường.
[3] 7 Ở Việt Nam, có nhiều loại giấy chứng nhận nhà đất tùy thuộc vào từng giai đoạn khác nhau [4], bao gồm: - Giấy chứng nhận quyền sử dụng đất - Giấy chứng nhận quyền sở hữu nhà ở và quyền sử dụng đất ở - Giấy chứng nhận quyền sử dụng đất, quyền sở hữu nhà ở và tài sản khác gắn liền với đất Hình 2.2: Nhận biết giấy chứng nhận mới (nguồn: Internet) Bộ Tài nguyên và Môi trường đã ban hành một mẫu giấy chứng nhận mới áp dụng trên toàn quốc từ ngày 10/12/2009, có tên gọi là "Giấy chứng nhận quyền sử dụng đất, quyền sở hữu nhà ở và tài sản khác gắn liền với đất". 8 Các loại giấy chứng nhận đã được ban hành trước ngày 10/12/2009 vẫn có giá trị pháp lý, mặc dù đã áp dụng một mẫu giấy chứng nhận chung. Ảnh dưới đây thể hiện mẫu giấy chứng nhận do Bộ Tài nguyên và Môi trường phát hành, được áp dụng trong phạm vi cả nước đối với mọi loại đất, nhà ở và tài sản gắn liền với đất.3: Mẫu trang 1 và trang 4 giấy chứng nhận 9 Hình 2.4: Mẫu trang 2 và trang 3 giấy chứng nhận 2. Các thuật toán Object Detection Việc phát hiện đối tượng đã đạt được nhiều tiến bộ trong những năm gần đây nhờ sử dụng mạng nơ-ron tích chập.
Các thuật toán phát hiện đối tượng dựa trên các mạng này, chẳng hạn như Faster R-CNN, R-FCN, Multibox, SSD và YOLO, hiện đã đủ tốt để được triển khai trong các sản phẩm tiêu dùng (ví dụ: Google Photos, Pinterest Visual Search) và một số đã được chứng minh là đủ nhanh để chạy trên thiết bị di động. [5] 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. Nó được giới thiệu lần đầu tiên bởi Ross Girshick và cộng sự vào năm 2014 [6]. R-CNN là một mô hình phát hiện đối tượng theo hai bước, trong đó bước 10 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.5: R-CNN Ưu điểm: • Độ chính xác cao: R-CNN sử dụng mạng nơ-ron tích chập để trích xuất đặc trưng từ các vùng đề xuất.
Điều này giúp nâng cao độ chính xác trong việc xác định và phân loại các đối tượng trong ảnh. • Khả năng phát hiện nhiều đối tượng: R-CNN cho phép phát hiện nhiều đối tượng khác nhau trong một ảnh. Kết hợp với các kỹ thuật đề xuất vùng (region proposals), nó có thể xử lý nhiều vùng chứa đối tượng trong một lần chạy. • Tích hợp với các mô hình CNN tiên tiến: R-CNN có thể sử dụng các mô hình CNN tiên tiến, như VGG-16 hoặc ResNet, để trích xuất đặc trưng.
Điều này giúp nâng cao hiệu suất của hệ thống. Nhược điểm: • Tốc độ xử lý chậm: Việc trích xuất đặc trưng từ các vùng đề xuất và phân loại chúng một cách riêng lẻ làm cho R-CNN trở nên chậm và không thể ứng dụng cho các ứng dụng thời gian thực. • Không chia sẻ đặc trưng: Mỗi vùng đề xuất được đưa vào mô hình CNN để trích xuất đặc trưng độc lập. Điều này dẫn đến lượng tính toán lớn và làm tăng thời gian xử lý.
• Đòi hỏi bộ nhớ lớn: R-CNN yêu cầu bộ nhớ lớn để lưu trữ các vùng đề xuất và các đặc trưng của chúng, gây ra sự lãng phí và giới hạn việc ứng dụng trên các hệ thống có tài nguyên hạn chế. 11 Kết luận: R-CNN là một mô hình phát hiện đối tượng hiệu quả và chính xác. Nó đã đạt được kết quả tốt hơn các phương pháp phát hiện đối tượng truyền thống như Viola- Jones. Tuy nhiên, R-CNN cũng có một số nhược điểm, chẳng hạn như thời gian đào tạo lâu và sử dụng nhiều bộ nhớ nên có thể khó triển khai trong các ứng dụng thực tế.
Faster R-CNN Faster R-CNN là một mô hình phát hiện đối tượng dựa trên kiến trúc mạng nơ- ron tích chập (CNN). Được giới thiệu vào năm 2015, 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.6: Faster R-CNN Ưu điểm: • Hiệu suất cao và nhanh chóng: Faster R-CNN vượt qua các hạn chế về tốc độ xử lý của R-CNN và Fast R-CNN. Nhờ vào việc sử dụng RPN để đề xuất các vùng quan tâm, nó giúp giảm đáng kể thời gian tính toán, tăng cường tốc độ xử lý và có khả năng thực hiện nhận dạng đối tượng gần với thời gian thực. • Tự động đề xuất vùng quan tâm: RPN là một mạng nơ-ron tích chập nhằm dự đoán các vùng có khả năng chứa đối tượng.
Điều này giúp tự động tạo ra các 12 đề xuất vùng quan tâm, loại bỏ bước đề xuất vùng riêng biệt và làm giảm đáng kể thời gian và công sức trong việc tạo ra các vùng đề xuất. • Phát hiện nhiều đối tượng: Faster R-CNN cho phép phát hiện nhiều đối tượng khác nhau trong một ảnh. Nhờ vào việc kết hợp với các kỹ thuật đề xuất vùng (region proposals), nó có thể xử lý nhiều vùng chứa đối tượng trong một lần chạy. • Chia sẻ đặc trưng: Thay vì trích xuất đặc trưng từ các vùng đề xuất một cách riêng lẻ như R-CNN, Faster R-CNN chia sẻ đặc trưng đã trích xuất cho toàn bộ các vùng đề xuất.
Điều này giúp tiết kiệm bộ nhớ và tối ưu hóa việc tính toán, nâng cao hiệu suất của hệ thống. Nhược điểm: • Phức tạp trong triển khai: Faster R-CNN đòi hỏi kiến thức chuyên sâu và công sức trong việc triển khai do việc sử dụng mạng RPN. • Yêu cầu bộ nhớ lớn: Vì cần lưu trữ các đặc trưng của toàn bộ ảnh và các vùng đề xuất, Faster R-CNN yêu cầu bộ nhớ lớn để hoạt động hiệu quả. Kết luận: Faster R-CNN là một phương pháp phát hiện đối tượng hiệu quả và chính xác.
Nó có thể được sử dụng trong nhiều ứng dụng thực tế. YOLO (You Only Look Once) YOLO (You Only Look Once) là một phương pháp tiên tiến trong lĩnh vực Object Detection, được giới thiệu vào năm 2016. YOLO tiếp cận bài toán nhận dạng đối tượng một cách hoàn toàn khác biệt so với các phương pháp truyền thống. [8] YOLO hoạt động bằng cách phân loại từng pixel trong hình ảnh thành một trong các lớp đối tượng khác nhau.
YOLO cũng ước tính vị trí của các đối tượng và xác suất cho mỗi pixel thuộc về một đối tượng. Ưu điểm: • Tốc độ nhanh: YOLO có thể thực hiện nhận dạng đối tượng nhanh chóng và hiệu quả. Với cách tiếp cận "You Only Look Once", nó chỉ yêu cầu một lần chạy qua mạng nơ-ron để dự đoán các vùng chứa đối tượng và xác định lớp 13 của chúng trong cùng một bước. Điều này giúp YOLO đạt được hiệu suất thời gian thực và phù hợp cho các ứng dụng yêu cầu xử lý nhanh như theo dõi video thời gian thực.
• Phân loại đa lớp cùng một lúc: YOLO có khả năng dự đoán nhiều lớp đối tượng cùng một lúc trong một lần chạy qua mạng. Điều này giúp nó có thể phát hiện và phân loại đa dạng các đối tượng trong một ảnh một cách hiệu quả. • Không chia sẻ đặc trưng: YOLO không chia sẻ đặc trưng cho các vùng đề xuất, đồng nghĩa với việc nó không bị giới hạn bởi kích thước đề xuất như các phương pháp R-CNN. Điều này giúp YOLO xử lý hiệu quả cả các đối tượng nhỏ và lớn.
Nhược điểm: • Độ chính xác chưa cao: So với một số phương pháp truyền thống khác, YOLO có thể không đạt được độ chính xác cao đối với các đối tượng nhỏ hoặc lỗi phân cụm. • Nhạy cảm với độ phân giải ảnh: YOLO có thể bị ảnh hưởng bởi độ phân giải ảnh. Khi độ phân giải thấp, các đối tượng nhỏ có thể bị bỏ sót. Kết luận: YOLO là một phương pháp phát hiện đối tượng hiệu quả và chính xác.
Nó đã đạt được kết quả tốt hơn các phương pháp phát hiện đối tượng truyền thống trên nhiều tập dữ liệu phát hiện đối tượng. Nó được giới thiệu lần đầu tiên bởi Wei Liu và cộng sự vào năm 2016. [9] SSD hoạt động bằng cách sử dụng một mạng CNN để dự đoán các hộp giới hạn (bounding boxes) và các nhãn đối tượng (object labels) cho từng pixel trong hình ảnh.