Bối cảnh và vấn đề nghiên cứu

Thị trường bất động sản tại Việt Nam ghi nhận sự gia tăng nhanh chóng về quy mô và số lượng giao dịch, đặc biệt tại các đô thị lớn như Thành phố Hồ Chí Minh, Hà Nội, Đà Nẵng cùng các khu vực kinh tế đặc thù như Phú Quốc, Vân Đồn, Bắc Vân Phong. Sự phát triển này tạo ra khối lượng lớn dữ liệu giấy tờ giao dịch nhà đất. Tuy nhiên, sự bất cân xứng thông tin và hạn chế về kiến thức pháp lý khiến nhiều người mua gặp rủi ro trước các thủ đoạn lừa đảo trong giao dịch bất động sản.

Một trong những rủi ro thực tế được ghi nhận là hiện tượng người bán cung cấp Giấy chứng nhận quyền sở hữu nhà ở/đất ở (sổ hồng, sổ đỏ) của một thửa đất nhưng lại dẫn người mua đi xem thực địa tại một vị trí hoàn toàn khác nhằm trục lợi. Hiện tượng này xuất phát từ việc người mua gặp khó khăn trong việc đối chiếu, chuyển đổi bảng tọa độ kỹ thuật in trên giấy chứng nhận ra vị trí địa lý ngoài đời thực. Bên cạnh đó, các thông tin pháp lý quan trọng trên giấy chứng nhận như số thửa, số tờ bản đồ, diện tích, mục đích sử dụng đất, loại đất (đất ở nông thôn - ONT, đất ở đô thị - ODT, đất trồng cây lâu năm - CLN, đất trồng lúa nước - LUC...) đòi hỏi người mua phải mất nhiều thời gian tra cứu và đánh giá tiềm năng chuyển đổi mục đích sử dụng.

Trước bối cảnh đó, tác giả Lê Bá Thành (Trường Đại học Bách Khoa – ĐHQG TP.HCM) đã thực hiện khóa luận tốt nghiệp với đề tài "Development of a mobile application to process house ownership certificate" (Phát triển ứng dụng di động xử lý chứng nhận quyền sở hữu nhà) dưới sự hướng dẫn của PGS. Quản Thành Thơ.

Mục tiêu cốt lõi của đề tài là xây dựng một hệ thống hoàn chỉnh (end-to-end) tích hợp thị giác máy tính và học sâu vào ứng dụng di động, cho phép người dùng chụp hoặc tải ảnh giấy chứng nhận, tự động trích xuất các trường thông tin pháp lý và chuyển đổi bảng tọa độ kỹ thuật VN2000 sang vị trí hiển thị trực quan trên Google Maps kèm chế độ xem đường phố (Street View).

Khóa luận xác định 5 nhiệm vụ nghiên cứu cụ thể:

  1. Thiết kế và hiện thực hóa giao diện người dùng (UI) thân thiện giúp người dùng dễ dàng tương tác và truy xuất thông tin.
  2. Xác định các phân vùng trên giấy chứng nhận cần trích xuất thông tin hữu ích.
  3. Xây dựng quy trình (pipeline) xử lý các phân vùng tương ứng trên giấy chứng nhận nhằm truy xuất tọa độ vị trí thửa đất trên bản đồ để xem xét nhanh.
  4. Cải thiện hiệu năng xử lý tọa độ vị trí để đạt tốc độ phản hồi nhanh hơn.
  5. Thực nghiệm, đánh giá toàn bộ quy trình xử lý và độ chính xác của ứng dụng.

Đối tượng nghiên cứu của đề tài là tài liệu Giấy chứng nhận quyền sở hữu nhà/đất tại Việt Nam; phạm vi tập trung vào kỹ thuật xử lý ảnh tài liệu, phát hiện và nhận dạng ký tự quang học (OCR), kiến trúc ứng dụng di động đa nền tảng và mô hình dịch vụ máy chủ phân tán.

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp nền tảng lý thuyết xử lý ảnh số, học sâu và kiến trúc phần mềm phân tán để giải quyết bài toán trích xuất dữ liệu từ ảnh chụp giấy tờ thực tế.

+-----------------------------------------------------------------------------------+
|                                 QUY TRÌNH OCR TỔNG QUÁT                           |
| Dataset -> Image Preprocessing -> Text Segmentation -> OCR -> Restructuring -> NLP|
+-----------------------------------------------------------------------------------+

1. Kỹ thuật xử lý ảnh và hình thái học (Morphological Transformation)

  • Không gian màu và tiền xử lý: Ảnh màu RGB được biểu diễn dưới dạng ma trận đa chiều. Để phục vụ nhận dạng, ảnh được chuyển đổi sang ảnh xám và nhị phân hóa bằng phương pháp ngưỡng cục bộ Sauvola nhằm khử nhiễu nền và tăng cường độ tương phản của nét chữ.
  • Biến đổi hình thái học: Áp dụng các toán tử giãn nở (Dilation) và co ngót (Erosion) trên ảnh nhị phân với các phần tử cấu trúc (structuring element) hình chữ nhật hoặc hình kim cương (diamond kernel) để xác định các đường kẻ ngang, đường kẻ dọc và các điểm giao (joint nodes) của bảng biểu:
    • Phép giãn (Dilation): $$E = A \oplus B = \bigcup_{b \in B} A_b$$ $$E = \text{dst}(x, y) = \max_{(x', y'): \text{element}(x', y') \neq 0} \text{src}(x + x', y + y')$$
    • Phép co (Erosion): $$E = A \ominus B = {z \in E \mid B_z \subseteq A}$$ $$E = \text{dst}(x, y) = \min_{(x', y'): \text{element}(x', y') \neq 0} \text{src}(x + x', y + y')$$

2. Mạng nơ-ron tích chập (CNN) và các mô hình phát hiện văn bản

  • CNN (Convolutional Neural Network): Khai thác các lớp tích chập (Convolutional layer), các ma trận lọc (kernel $F \times F \times D$), phần đệm (Padding), bước trượt (Stride), lớp gộp cực đại (Max pooling) và các lớp kết nối đầy đủ (Fully Connected) để trích xuất bản đồ đặc trưng (feature maps).
  • CRAFT (Character Region Awareness for Text Detection): Mô hình học sâu dựa trên kiến trúc nền tảng VGG-16 có chuẩn hóa theo lô (Batch Normalization) và các kết nối tắt (skip connections). Mô hình dự đoán hai bản đồ điểm số: điểm vùng (Region score - định vị từng ký tự) và điểm liên kết (Affinity score - nhóm các ký tự thành từ). Mô hình bao gồm phiên bản thông thường và phiên bản RefineNet hỗ trợ phát hiện văn bản uốn cong/đa giác tùy ý (tối đa 14 đỉnh đa giác).
  • Phân cụm G-DBSCAN (Generalized-DBSCAN): Được sử dụng để gom cụm các điểm tâm ký tự trả về từ mô hình CRAFT thành các dòng văn bản hoàn chỉnh.

3. Nhận dạng ký tự quang học (OCR) và xử lý hậu kỳ

  • Tesseract OCR (phiên bản 4.0): Công cụ OCR mã nguồn mở tích hợp mạng nơ-ron hồi quy LSTM (Long Short-Term Memory), hỗ trợ nhận dạng văn bản tiếng Việt dựa trên các chế độ phân đoạn trang (Page Segmentation Modes - PSM).
  • VietOCR: Bộ công cụ nhận dạng tiếng Việt của tác giả Phạm Ba Cường Quốc gồm hai biến thể: Attention-OCR (CNN + Attention Seq2seq + LSTM) và Transformer-OCR (CNN + Transformer).
  • Hậu xử lý bằng Biểu thức chính quy (Regular Expression): Định nghĩa các mẫu quy tắc nhằm chuẩn hóa và trích xuất các trường thông tin: số thửa, số tờ, diện tích, loại đất và các cặp tọa độ VN2000 ($X, Y$).
  • Chuyển đổi hệ tọa độ: Xây dựng mô-đun chuyển đổi tọa độ phẳng VN2000 sang hệ tọa độ địa lý WGS84 (Kinh độ/Vĩ độ của Google Maps) dựa trên mã kinh tuyến trục của từng tỉnh/thành phố (ví dụ: mã 9210 cho TP.HCM).
Công nghệ / Mô hình Vai trò trong hệ thống
Sauvola Thresholding Tiền xử lý ảnh, khử nhiễu nền và chuyển ảnh về dạng nhị phân
Morphological Operations Trích xuất khung bảng tọa độ kỹ thuật và đường viền khối văn bản
CRAFT + G-DBSCAN Phát hiện vùng chứa văn bản ở cấp độ ký tự và gom cụm thành dòng
VietOCR / Tesseract 4.0 Nhận dạng nội dung ký tự tiếng Việt từ các đoạn ảnh đã cắt
VN2000 Transformation Chuyển đổi tọa độ kỹ thuật sang kinh/vĩ độ hiển thị Google Maps

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo mô hình Khách - Chủ (Client - Server) phân tán, giao tiếp qua giao thức HTTP/REST API.

+-----------------------------------------------------------------------------------+
|                                 KIẾN TRÚC HỆ THỐNG                                |
|                                                                                   |
|  [ Mobile Client: React Native ] <--- REST API (JSON) ---> [ Backend: Flask WSGI ]|
|          |                                                          |             |
|          v                                                          v             |
|  [ Camera / Photo Upload ]                                  [ CRAFT / G-DBSCAN ]  |
|  [ Google Maps / Street View ]                              [ Sauvola & Morphology]
|          |                                                  [ Tesseract / VietOCR]|
|          v                                                  [ VN2000 to WGS84 ]   |
|  [ Firebase Storage (Image Cache) ] <-------------------------------+             |
+-----------------------------------------------------------------------------------+

1. Phân tầng ứng dụng di động (Frontend)

  • Framework: Xây dựng trên nền tảng React Native, sử dụng ngôn ngữ JavaScript chạy trên máy ảo JavaScript Core (JSC).
  • Cơ chế giao tiếp Native Bridge: Kết nối giữa mã nguồn logic JavaScript và các thành phần giao diện gốc (Native Widgets) của hệ điều hành Android/iOS thông qua tầng C++ Bridge, giúp ứng dụng đạt hiệu năng tương đương ứng dụng native.
  • Tính năng client:
    • Giao diện chính (Main Screen) và giao diện tải ảnh (Upload Screen) hỗ trợ chụp ảnh trực tiếp từ camera hoặc chọn ảnh từ thư viện thiết bị.
    • Giao diện duyệt thông tin (Review Screen) hiển thị các trường dữ liệu pháp lý đã được trích xuất dưới dạng có cấu trúc.
    • Giao diện bản đồ (Map Screen) tích hợp Google Maps API và Google Street View, đánh dấu trực tiếp vị trí thực tế của thửa đất từ tọa độ đã chuyển đổi.

2. Phân tầng máy chủ xử lý trung tâm (Backend)

  • Nền tảng: Ngôn ngữ Python, sử dụng micro-framework Flask theo chuẩn WSGI (Web Server Gateway Interface) để xây dựng các điểm cuối RESTful API.
  • Đóng gói và triển khai (Docker Containerization): Toàn bộ môi trường backend chứa các thư viện học máy (OpenCV, PyTorch, Pytesseract, NumPy) được đóng gói trong một Docker Container, đảm bảo khả năng cô lập môi trường, dễ dàng mở rộng và tối ưu hóa tài nguyên phần cứng.
  • Lưu trữ đám mây (Firebase Storage): Hình ảnh tải lên từ người dùng và hình ảnh sau khi xử lý được đồng bộ hóa và lưu trữ tại Firebase Storage thông qua Firebase Functions, trả về URL truy cập để hiển thị lại trên thiết bị di động.

3. Thiết kế luồng xử lý API

  • API trích xuất thông tin (POST): Tiếp nhận dữ liệu ảnh mặt trước/mặt thông tin giấy chứng nhận dưới dạng nhị phân (octet/stream), áp dụng tiền xử lý Sauvola, chạy CRAFT và G-DBSCAN để định vị khối chữ, nhận dạng nội dung bằng Tesseract/VietOCR, áp dụng Regex để bóc tách thông tin và trả về chuỗi định dạng JSON.
  • API trích xuất tọa độ vị trí (POST): Tiếp nhận ảnh mặt sau/mặt sơ đồ thửa đất, áp dụng phép biến đổi hình thái học để tìm kiếm và cắt riêng bảng tọa độ VN2000, nhận dạng các giá trị tọa độ $X, Y$, thực hiện phép tính chuyển đổi sang WGS84 và trả về kinh độ, vĩ độ cho client.

Nội dung chính theo từng chương

Chapter 1: Overview

Chương này phân tích sự phát triển của thị trường bất động sản Việt Nam và nguy cơ lừa đảo vị trí đất đai. Tác giả chỉ ra vai trò quan trọng của Giấy chứng nhận quyền sở hữu nhà trong việc xác thực pháp lý, diện tích, mục đích sử dụng và tọa độ thực tế. Đồng thời, chương 1 phân loại các nhóm đất theo quy chuẩn quản lý nhà nước (gồm nhóm đất nông nghiệp, đất phi nông nghiệp và đất chưa sử dụng với các mã hiệu cụ thể) và xác định mục tiêu, phạm vi nghiên cứu của đề tài.

Chapter 2: Related Work

Chương 2 khảo sát các công trình và công nghệ liên quan trong lĩnh vực nhận dạng ký tự quang học. Nội dung tập trung phân tích:

  • Dịch vụ đám mây Google Cloud Vision API với hai chế độ TEXT_DETECTION (văn bản thưa) và DOCUMENT_TEXT_DETECTION (tài liệu dày đặc).
  • Kiến trúc mạng CRAFT phát hiện văn bản theo điểm số vùng và liên kết.
  • Cơ sở lý thuyết mạng nơ-ron tích chập CNN (tích chập, bước trượt, đệm, lớp gộp cực đại, kết nối đầy đủ).
  • Công cụ VietOCR với hai mô hình Attention-OCR (kết hợp CNN, LSTM và Attention Seq2seq) và Transformer-OCR (kết hợp CNN và Transformer).
  • Bộ công cụ mã nguồn mở Tesseract OCR 4.0 dựa trên mạng LSTM.

Chapter 3: Theoretical Framework

Chương 3 trình bày cơ sở lý thuyết về các công nghệ được lựa chọn xây dựng hệ thống:

  • Framework React Native, kiến trúc Virtual Machine JavaScript Core và cơ chế giao tiếp qua C++ Bridge.
  • Ngôn ngữ Python và micro-framework Flask phục vụ xây dựng REST API theo các ràng buộc thiết kế kiến trúc REST (Client-Server, Stateless, Cacheable, Uniform Interface, Layered System).
  • Nền tảng dịch vụ đám mây Firebase (Firebase Storage, Realtime Database).
  • Kỹ thuật ảo hóa cấp hệ điều hành Docker (Containerization) so với mô hình máy chủ truyền thống và ảo hóa máy ảo (Virtualization).
  • Lý thuyết xử lý ảnh số và các toán tử hình thái học Dilation, Erosion với phần tử cấu trúc dạng ma trận.

Chapter 4: System Design

Chương 4 mô tả thiết kế chi tiết hệ thống:

  • Sơ đồ kiến trúc tổng thể giữa React Native Client, Flask Backend Server và Firebase Storage.
  • Đặc tả thiết kế hai API chính (POST lấy thông tin và POST lấy tọa độ).
  • Luồng thuật toán xử lý riêng biệt cho trang bên trái (thông tin pháp lý, diện tích, loại đất) và trang bên phải (sơ đồ thửa đất và bảng tọa độ kỹ thuật VN2000).

Chapter 5: System Implementation & Certificate Processing

Chương 5 trình bày việc cài đặt các giải thuật xử lý ảnh chi tiết:

  • Quy trình tiền xử lý khử nhiễu bằng thuật toán Sauvola.
  • Kỹ thuật kết hợp đường kẻ ngang và đường kẻ dọc bằng phép toán hình thái học để xác định các điểm giao (joint nodes), từ đó trích xuất chính xác bảng tọa độ.
  • Triển khai mô hình CRAFT kết hợp phân cụm G-DBSCAN để tách dòng văn bản.
  • Tích hợp mô hình RefineNet để xử lý văn bản uốn cong và nắn chỉnh đa giác (rectify polygon text).
  • Thuật toán chuyển đổi tọa độ VN2000 sang WGS84 phục vụ hiển thị Google Maps.

Chapter 6: Experiment and Evaluation

Chương 6 công bố các kết quả kiểm thử và đánh giá hiệu năng hệ thống:

  • Đánh giá khả năng trích xuất khối văn bản (Block text) và bảng tọa độ (Table extract) bằng phương pháp hình thái học.
  • Đánh giá độ chính xác nhận dạng của các mô hình trên tập dữ liệu kiểm thử.
  • So sánh thời gian thực thi của mô hình nhận dạng khi chạy trên CPU và GPU.
  • So sánh hiệu quả giữa VietOCR và Tesseract trên các kích thước ảnh khác nhau.

Chapter 7: Summary Work

Chương 7 tổng kết các kết quả đạt được của khóa luận, phân tích các điểm hạn chế còn tồn tại và đề xuất các hướng phát triển tiếp theo cho hệ thống.

Kết quả và đóng góp

1. Kết quả thực nghiệm và kỹ thuật

Hệ thống đã hiện thực hóa thành công một ứng dụng di động hoàn chỉnh có khả năng nhận dạng và bóc tách tự động thông tin từ ảnh chụp Giấy chứng nhận quyền sở hữu nhà.

Các thử nghiệm về mô hình nhận dạng văn bản tiếng Việt ghi nhận:

  • Theo số liệu công bố từ tài liệu tham khảo VietOCR trong khóa luận, mô hình Transformer-OCR đạt độ chính xác chuỗi (Precision full sequence) là 88,00% với thời gian xử lý 86ms trên GPU NVIDIA GTX 1080Ti, trong khi Attention Seq2seq đạt độ chính xác 87,01% với thời gian 12ms trên cùng phần cứng.
Cấu hình mô hình (VietOCR) Kiến trúc mạng nền tảng Độ chính xác chuỗi (Precision) Thời gian xử lý (GPU 1080Ti)
vgg_transformer VGG19-bn-Transformer 88,00% 86 ms
vgg_seq2seq VGG19-bn-Seq2Seq 87,01% 12 ms
  • Việc kết hợp toán tử hình thái học (Morphological transformation) với phát hiện điểm giao (Joint nodes) cho phép cô lập chính xác bảng tọa độ kỹ thuật VN2000 từ sơ đồ thửa đất phức tạp, giảm thiểu đáng kể khối lượng tính toán so với việc quét toàn bộ trang ảnh.
  • Mô hình phân cụm G-DBSCAN kết hợp với CRAFT giải quyết hiệu quả bài toán gom cụm các ký tự rời rạc thành từng dòng văn bản hoàn chỉnh trước khi đưa vào mô hình OCR.

2. Đóng góp khoa học và thực tiễn

  • Giải pháp công nghệ hoàn chỉnh: Xây dựng một quy trình xử lý tự động từ đầu đến cuối (end-to-end pipeline), kết hợp thị giác máy tính và học sâu để giải quyết bài toán thực tế trong lĩnh vực công nghệ bất động sản (PropTech) tại Việt Nam.
  • Bảo vệ người mua bất động sản: Cung cấp công cụ hỗ trợ người dùng kiểm tra nhanh vị trí thực tế của thửa đất trên Google Maps và Street View trực tiếp từ ảnh chụp giấy tờ, góp phần phòng tránh rủi ro lừa đảo sai lệch vị trí đất.
  • Công bố khoa học: Kết quả nghiên cứu của sinh viên đã được đúc kết và công bố trong một bài báo khoa học tại Hội nghị Khoa học Sinh viên OISP (Văn phòng Đào tạo Quốc tế - Đại học Bách Khoa TP.HCM).
  • Kết quả đánh giá học thuật: Đồ án được Hội đồng bảo vệ và Giảng viên phản biện (PGS. Bùi Hoài Thắng) đánh giá loại Giỏi với điểm số 9.0/10.

Hạn chế và hướng nghiên cứu tiếp

1. Hạn chế

  • Trình bày văn bản: Cán bộ hướng dẫn ghi nhận phần trình bày bằng tiếng Anh trong bản thuyết minh còn một số lỗi ngữ pháp.
  • Giới hạn mô hình đa giác: Mô hình RefineNet của CRAFT khi xử lý văn bản có hình dạng uốn lượn tùy ý chỉ hỗ trợ tối đa 14 đỉnh đa giác (vertices).
  • Phụ thuộc điều kiện ảnh chụp: Độ chính xác của quá trình nhận dạng chữ và trích xuất bảng biểu vẫn chịu ảnh hưởng bởi chất lượng quang học, góc nghiêng và độ sáng của ảnh chụp đầu vào từ camera điện thoại.

2. Hướng nghiên cứu tiếp

  • Nâng cao tốc độ xử lý của hệ thống máy chủ backend nhằm giảm độ trễ phản hồi cho người dùng di động.
  • Mở rộng tập dữ liệu huấn luyện và tối ưu hóa giải thuật để tương thích với nhiều mẫu giấy chứng nhận quyền sở hữu nhà/đất qua các thời kỳ khác nhau tại Việt Nam.
  • Nâng cao độ chính xác của mô-đun chuyển đổi tọa độ VN2000 sang WGS84 cho toàn bộ các tỉnh thành trên cả nước.

Giá trị tham khảo

Khóa luận là tài liệu tham khảo hữu ích cho sinh viên, giảng viên và kỹ sư phần mềm thuộc các chuyên ngành Khoa học Máy tính, Kỹ thuật Phần mềm và Trí tuệ Nhân tạo:

  • Xử lý tài liệu tiếng Việt (Document Layout Analysis & OCR): Cung cấp phương pháp thực tế kết hợp giữa xử lý ảnh hình thái học truyền thống (Sauvola, Dilation, Erosion, Joint nodes detection) và các mô hình học sâu hiện đại (CRAFT, G-DBSCAN, VietOCR, Tesseract) để xử lý cấu trúc tài liệu phức tạp và bảng biểu.
  • Thiết kế hệ thống ứng dụng di động AI: Cung cấp mẫu kiến trúc hoàn chỉnh kết hợp React Native (Frontend di động đa nền tảng), Flask REST API (Backend Python) và Docker Containerization phục vụ triển khai các mô hình thị giác máy tính trong môi trường sản xuất.
  • Ứng dụng công nghệ trong bất động sản (PropTech): Đưa ra giải pháp kỹ thuật cụ thể cho bài toán trích xuất dữ liệu pháp lý và đối soát tọa độ kỹ thuật VN2000 với bản đồ số Google Maps.

Câu hỏi thường gặp

1. Ứng dụng giải quyết bài toán thực tế nào trong giao dịch bất động sản tại Việt Nam?
Ứng dụng giúp người mua kiểm tra nhanh vị trí thực tế của thửa đất trên Google Maps và Street View trực tiếp từ ảnh chụp Giấy chứng nhận quyền sở hữu nhà, nhằm ngăn ngừa tình trạng người bán gian lận, dẫn người mua đi xem thực địa tại vị trí khác so với thông tin pháp lý trên giấy tờ.

2. Bảng tọa độ VN2000 trên giấy chứng nhận được trích xuất bằng phương pháp nào?
Hệ thống sử dụng các phép biến đổi hình thái học (Dilation và Erosion) với các phần tử cấu trúc phù hợp để phát hiện các đường kẻ dọc và đường kẻ ngang, sau đó xác định các điểm giao (joint nodes) để cô lập và cắt riêng vùng chứa bảng tọa độ kỹ thuật.

3. Kiến trúc mạng CRAFT đóng vai trò gì trong pipeline nhận dạng văn bản?
Mô hình CRAFT (dựa trên VGG-16) có nhiệm vụ phát hiện vùng chứa văn bản ở cấp độ từng ký tự thông qua bản đồ điểm vùng (Region score) và điểm liên kết (Affinity score). Sau đó, thuật toán G-DBSCAN sẽ gom cụm các điểm tâm ký tự thành các dòng văn bản hoàn chỉnh để đưa vào mô-đun nhận dạng ký tự.

4. Ứng dụng di động được xây dựng bằng công nghệ gì và giao tiếp với hệ thống backend như thế nào?
Ứng dụng di động được phát triển bằng framework React Native (chạy mã nguồn JavaScript trên máy ảo JavaScript Core và kết nối với native widgets qua C++ Bridge). Ứng dụng giao tiếp với backend Flask (Python) thông qua các giao thức chuẩn RESTful API, gửi ảnh dạng nhị phân (octet/stream) và nhận kết quả trích xuất dạng JSON.

5. Kết quả đánh giá khóa luận và công bố khoa học của đề tài như thế nào?
Khóa luận đã phát triển thành công ứng dụng di động hoàn chỉnh, có bài báo khoa học được công bố tại Hội nghị Khoa học Sinh viên OISP và được Giảng viên phản biện (PGS. Bùi Hoài Thắng) chấm đạt điểm 9.0/10 (xếp loại Giỏi).

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Bá Thành đã giải quyết trọn vẹn bài toán tự động hóa trích xuất thông tin và định vị thửa đất từ Giấy chứng nhận quyền sở hữu nhà tại Việt Nam. Bằng việc kết hợp hiệu quả giữa xử lý ảnh hình thái học, mạng học sâu CRAFT, các mô hình nhận dạng ký tự quang học tiếng Việt và kiến trúc di động React Native - Flask, đề tài mang lại một giải pháp công nghệ có tính ứng dụng thực tiễn cao trong lĩnh vực PropTech. Công trình đã được bảo vệ thành công với kết quả xuất sắc và có bài báo khoa học công bố tại hội nghị chuyên ngành sinh viên.