Chương 1: Tổng quan: Nhóm sẽ trình bài về vấn đề được đề cập, giới thiệu lí do lựa chọn đề tài này, mục tiêu cụ thể của nghiên cứu, nội dung chi tiết của đề tài, giới hạn của nghiên cứu và bố cục tổ chức của bài viết. Chương 2: Cơ sở lý thuyết: Trong phần này, chúng ta sẽ trình bày các kiến thức lý thuyết cơ bản liên quan đến đề tài. Chương 3: Xây dựng và thiết kế hệ thống: Dựa trên yêu cầu của đề tài, nhóm đã tiến hành nghiên cứu và xác định các thành phần thích hợp cho hệ thống. Sau đó, nhóm đã thực hiện việc thiết kế sơ đồ khối và phân tích chức năng của từng thành phần trong hệ thống.
Chương 4: Thi công hệ thống: Phần này trình bày quá trình thiết kế phần cứng cho các thành phần của hệ thống, kiểm tra mạch và lắp ráp thành một mô hình hoàn chỉnh. Lưu đồ giải thuật được cung cấp để giải thích cách hoạt động của hệ thống, đảm bảo tính tin cậy và hiệu quả. Chương 5: Kết quả thực hiện: Trình bày về kết quả của các chức năng trong hệ thống và kết quả điều khiển thông qua hình ảnh, video. Đưa ra các kết quả thực hiện.
Chương 6: Kết luận và hướng phát triển: Theo những kết quả thực nghiệm có được từ chương 5, thống kê và đưa ra kết luận tổng quan về đề tài, cũng như những gì mà nhóm đạt được và chưa đạt được của đề tài. Từ đó đưa ra những hướng phát triển để cải tiến các chức năng của hệ thống. 4 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2. BÀI TOÁN PHÂN LOẠI CLASSIFICATION Bài toán phân loại là quá trình xác định nhãn (label) hoặc lớp (class) cho một đối tượng dựa trên các đặc trưng (features) của nó.
Mục tiêu là xây dựng một mô hình có khả năng dự đoán chính xác nhãn của các đối tượng mới dựa trên dữ liệu huấn luyện. Ví dụ: Hãy xem xét một ví dụ về ba hôp đựng như hình dưới đây. Hộp đực 1, 2 và 3 lần lượt có các quả bóng màu đỏ, xanh lam và xanh lục. Giả sử chúng ta nhận được một quả bóng mới và được yêu cầu đặt quả bóng vào hộp chứa nó.
Vấn đề ở đây là vấn đề phân loại vì chúng ta phải phân loại quả bóng thuộc về hộp chứa nào. Chúng ta sẽ đặt quả bóng vào hộp đựng tùy theo màu sắc của nó. Giả sử quả bóng có màu đỏ; nó sẽ được đặt trong một hộp chứa sẵn các quả bóng màu đỏ.1: Ví dụ về classification Tác vụ phân loại có thể được phân loại thành hai loại chính: phân loại nhị phân, nơi chỉ có hai lớp đầu ra có thể (ví dụ, phát hiện email thư rác: thư rác hoặc không thư rác), và phân loại đa lớp, nơi có nhiều hơn hai lớp đầu ra (ví dụ, nhận dạng chữ viết tay: phân loại mỗi bức ảnh thành một trong 10 chữ số từ 0 đến 9). Một số ví dụ điển hình của tác vụ phân loại bao gồm: 5 - Phát hiện gian lận: Phân loại các giao dịch tài chính là bình thường hay gian lận.
- Chẩn đoán y tế: Sử dụng dữ liệu bệnh nhân để phân loại các trường hợp là bệnh hay không bệnh, hoặc phân loại loại bệnh cụ thể. - Nhận dạng chữ viết tay: Phân loại các bức ảnh của chữ viết tay thành các chữ số tương ứng. - Phân loại văn bản: Xác định chủ đề hoặc tâm trạng của đoạn văn bản, như xác định một bài đánh giá sản phẩm có tính cảm xúc tích cực hay tiêu cực. Tầm quan trọng của phân loại trong machine learning không chỉ dừng lại ở việc giải quyết các vấn đề cụ thể mà còn mở rộng tới việc cung cấp cái nhìn sâu sắc về dữ liệu, giúp doanh nghiệp, tổ chức, hay cá nhân đưa ra quyết định dựa trên dữ liệu một cách chính xác và hiệu quả.
Quy Trình Training và Testing Một Mô Hình Phân Loại: - Quy trình training (huấn luyện) một mô hình phân loại bắt đầu từ việc cung cấp một tập dữ liệu đã được gán nhãn, nơi mỗi mẫu dữ liệu có một tập hợp các đặc trưng và một nhãn lớp tương ứng. Trong giai đoạn này, mô hình học cách liên kết các đặc trưng với nhãn lớp dựa trên mẫu dữ liệu. - Sau khi mô hình đã được huấn luyện, nó sẽ được thử nghiệm trên một tập dữ liệu mới (testing set) mà mô hình chưa từng thấy trước đó để đánh giá khả năng tổng quát hóa của nó đối với dữ liệu mới. Việc này giúp kiểm tra xem mô hình có thể dự đoán chính xác nhãn lớp dựa trên đặc trưng của dữ liệu mà không cần đến nhãn thực tế hay không.
Đánh giá mô hình thường dựa trên các chỉ số như độ chính xác (accuracy), độ nhạy (recall), độ phân biệt (precision), và F1-score. - Quy trình training và testing là bước không thể thiếu trong việc xây dựng mô hình phân loại hiệu quả, giúp xác định được mô hình nào phù hợp nhất với bài toán cụ thể và có khả năng áp dụng vào thực tiễn. Giới thiệu về mạng Mobilenetv2 Với sự gia tăng sử dụng các thiết bị di động và Internet of Things (IoT), nhu cầu về các mô hình học sâu nhẹ và hiệu quả đã trở nên rất quan trọng. Các mô hình CNN truyền thống như AlexNet, VGG, và ResNet dù có hiệu suất cao nhưng lại yêu cầu nhiều tài nguyên tính toán và bộ nhớ, khiến chúng không phù hợp để triển khai trên các thiết bị di động có khả năng tính toán hạn chế.
Để giải quyết vấn đề này, nhóm nghiên cứu tại Google đã phát triển MobileNetV1, được giới thiệu vào năm 2017. MobileNetV1 sử dụng kỹ thuật depthwise separable convolutions để giảm thiểu số lượng tham số và phép tính, giúp mô hình trở nên nhẹ nhàng và nhanh hơn trong khi vẫn duy trì hiệu suất nhận dạng tốt. MobileNetV2 được giới thiệu bởi nhóm nghiên cứu tại Google vào năm 2018 như một sự cải tiến của MobileNetV1. Mô hình này được công bố trong bài báo "MobileNetV2: Inverted Residuals and Linear Bottlenecks" bởi các tác giả Mark Sandler, Andrew Howard, Menglong Zhu, Andrey Zhmoginov, và Liang-Chieh Chen tại Hội nghị về Thị giác Máy tính và Nhận dạng Mẫu (CVPR) năm 2018.
MobileNetV2 giới thiệu hai khái niệm chính: residual connections đảo ngược (inverted residuals) và các bottleneck layers tuyến tính. Inverted residuals giúp giảm số lượng tham số và tăng hiệu quả tính toán. Các bottleneck layers tuyến tính đảm bảo giữ lại thông tin và tránh mất mát đặc trưng quan trọng. Những cải tiến MobileNet sử dụng Depthwise Separable Convolutions để giảm số lượng tính toán, giảm số lượng params, đồng thời có thể thực hiện trích xuất đặc trưng một cách tách biệt trên các channel khác nhau.
Vì vậy, MobileNet v2 tiếp tục sử dụng Depthwise Separable Convolutions, ngoài ra còn đề xuất thêm: - Linear bottlenecks - Inverted Residual Block (shortcut connections giữa các bottlenecks) Hình dưới đây cho thấy sự cải tiến của mô hình Mobilenetv2 so với mô hình tiền nhiệm: 7 Hình 2.2: Sự cải tiến Sự khác biệt của hai mô hình như sau: - MobileNet gồm sử dụng 1 loại blocks gồm 2 phần, Deepwise và Pointwise. - MobileNet v2 sử dụng 2 loại blocks, bao gồm: residual block với stride = 1 và block với stride = 2 phục vụ downsizing. Có 3 phần đối với mỗi block: - Layer đầu là 1×1 convolution với ReLu6. - Layer thứ hai, như cũ, là depthwise convolution - Layer thứ 3 tiếp tục là 1×1 convolution nhưng không có activation function.
Linear được sử dụng thay vì ReLu như bình thường 8 Hình 2.3: Residual Block cơ bản Kết nối tắt ở MobileNetV2 được điều chỉnh sao cho số input và output channels của mỗi block residual được thắt hẹp lại. Chính vì thế nó được gọi là các bottleneck layers. Residual block của MobileNetV2 ngược lại so với các kiến trúc residual truyền thống, vì kiến trúc residual truyền thống có số lượng kênh ở input và output của một block lớn hơn so với các layer trung gian. Chính vì vậy nó còn được gọi là Inverted residual block.
Các layer trung gian trong một block sẽ làm nhiệm vụ biến đổi phi tuyến nên cần dày hơn để tạo ra nhiều phép biến đổi hơn. Kết nối tắt giữa các block được thực hiện trên những bottleneck input và output chứ không thực hiện trên các layer trung gian. Do đó các layer bottleneck input và output chỉ cần ghi nhận kết quả và không cần thực hiện biến đổi phi tuyến. Ở giữa các layer trong một block inverted residual block chúng ta cũng sử dụng những biến đổi tích chập tách biệt chiều sâu để giảm thiểu số lượng tham số của mô hình.
Đây cũng chính là bí quyết giúp họ các model MobileNet có kích thước giảm nhẹ. CƠ CHẾ HOẠT ĐỘNG CỦA CẢM BIẾN CÂN NẶNG LOADCELL 2. Tổng quan Loadcell, còn gọi là cảm biến tải trọng, là một thiết bị quan trọng trong hệ thống đo lường và kiểm tra lực. Chức năng chính của Loadcell là chuyển đổi lực tác động lên nó 9 thành tín hiệu điện tử, cung cấp dữ liệu về trọng lượng hoặc lực áp dụng.
Với sự phát triển không ngừng của công nghệ, Loadcell đã trở thành một yếu tố không thể thiếu trong các quy trình kiểm tra chất lượng, đo lường độ chính xác và đảm bảo an toàn. Với khả năng đo lường chính xác và đáng tin cậy, Loadcell có vai trò quan trọng trong nhiều ngành công nghiệp. Từ việc kiểm tra trọng lượng hàng hóa trong logistics, xác định lực cắt trong kỹ thuật cơ khí, đến đo lường lực tác động trong các ứng dụng y tế, Loadcell giúp tạo ra dữ liệu có tính chính xác cao và quan trọng cho quyết định và kiểm tra. Nguyên lý hoạt động Nguyên tắc hoạt động của cảm biến tải trọng dựa trên sự biến đổi của điện trở dưới tác động của lực.
Các cảm biến bên trong Loadcell thay đổi điện trở khi bị biến dạng bởi lực tác động. Sự biến đổi này được đo và chuyển đổi thành tín hiệu số.4: Nguyên lý hoạt động của loadcell Load Cell hoạt động dựa trên nguyên lý của biến dạng cơ học và ứng suất (strain gauge). Một Load Cell cơ bản gồm có các thành phần chính sau: - Khung chịu lực (Body): Đây là phần chính của Load Cell, thường được làm từ kim loại như thép hoặc nhôm, chịu trách nhiệm chịu lực nén hoặc kéo. 10 - Strain Gauge: Là các cảm biến biến dạng được gắn lên bề mặt của khung chịu lực.
Chúng thường là các điện trở biến đổi theo biến dạng của vật liệu. Hoạt động chi tiết: - Ứng suất và Biến dạng: + Khi có một lực tác động (kéo hoặc nén) lên Load Cell, lực này gây ra sự biến dạng (thay đổi hình dạng) nhỏ trên khung chịu lực. + Các strain gauge gắn trên khung chịu lực này cũng bị biến dạng theo sự thay đổi của khung.