Luận Văn Thạc Sĩ: Ứng Dụng Học Sâu Trong Phân Loại Trái Cây

Luận văn thạc sĩ công nghệ thông tin ứng dụng học sâu trong phân loại trái cây, khám phá các phương pháp và kết quả nghiên cứu mới nhất.

• Tác giả: Nguyễn Văn Phúc
• Người hướng dẫn: TS. Vũ Thanh Hiền
• Trường học: Trường Đại Học Ngoại Ngữ - Tin Học TPHCM
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Ứng Dụng Học Sâu Trong Phân Loại Trái Cây
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• DANH MỤC CÁC BẢNG BIỂU
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Đặt vấn đề - Cơ sở hình thành đề tài
• 1.2. GIỚI THIỆU TRÍ TUỆ NHÂN TẠO VÀ HỌC MÁY
• 1.3. TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ
• 1.3.1. Giới thiệu
• 1.3.2. MỘT SỐ KHÁI NIỆM CƠ BẢN TRONG XỬ LÝ ẢNH
• 2. CHƯƠNG 2: LÝ THUYẾT VỀ DEEP LEARNING VÀ MẠNG NEURON TÍCH CHẬP
• 2.1. GIỚI THIỆU VỀ DEEP LEARNING
• 2.2. MỘT SỐ ỨNG DỤNG CỦA DEEP LEARNING
• 2.3. GIỚI THIỆU MẠNG NEURON
• 2.4. MẠNG NEURON TÍCH CHẬP
• 2.4.1. ĐỊNH NGHĨA MẠNG NEURON TÍCH CHẬP
• 2.4.2. MÔ HÌNH MẠNG NƠ-RON TÍCH CHẬP
• 2.4.3. XÂY DỰNG MẠNG NƠ-RON TÍCH CHẬP
• 2.4.4. MỘT SỐ KIẾN TRÚC CONVOLUTIONAL NEURAL NETWORK THÔNG DỤNG
• 2.4.4.1. KIẾN TRÚC ALEXNET
• 2.4.4.2. KIẾN TRÚC VGG 16
• 2.4.4.3. KIẾN TRÚC INCEPTION/GOOGLENET
• 3. CHƯƠNG 3: PHÂN LOẠI ẢNH TRÁI CÂY
• 3.1. PHÁT BIỂU BÀI TOÁN
• 3.2. CƠ SỞ DỮ LIỆU TRÁI CÂY
• 3.3. CẤU TRÚC THƯ MỤC CƠ SỞ DỮ LIỆU ẢNH TRÁI CÂY
• 3.4. DỮ LIỆU MẪU
• 3.5. PHƯƠNG PHÁP ĐỀ XUẤT
• 3.6. PHƯƠNG PHÁP HUẤN LUYỆN
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. THỰC NGHIỆM VÀ KẾT QUẢ
• 4.2. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.3. HƯỚNG PHÁT TRIỂN TIẾP THEO
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về ứng dụng học sâu trong phân loại trái cây

Ứng dụng học sâu trong phân loại trái cây đang trở thành một xu hướng quan trọng trong lĩnh vực trí tuệ nhân tạo. Công nghệ này cho phép máy tính tự động nhận diện và phân loại các loại trái cây dựa trên hình ảnh. Việc áp dụng machine learning và mạng nơ-ron đã giúp cải thiện độ chính xác và hiệu quả trong quá trình phân loại. Nghiên cứu này không chỉ mang lại giá trị thực tiễn mà còn mở ra nhiều cơ hội mới trong ngành nông nghiệp.

1.1. Khái niệm về học sâu và phân loại trái cây

Học sâu là một nhánh của machine learning sử dụng các mô hình phức tạp để phân tích và nhận diện dữ liệu. Trong bối cảnh phân loại trái cây, học sâu giúp nhận diện các đặc điểm hình ảnh của trái cây, từ đó phân loại chúng một cách chính xác.

1.2. Lợi ích của việc ứng dụng học sâu trong phân loại trái cây

Việc ứng dụng học sâu trong phân loại trái cây mang lại nhiều lợi ích như tăng cường độ chính xác, giảm thiểu thời gian phân loại và tối ưu hóa quy trình sản xuất. Điều này giúp nông dân và doanh nghiệp tiết kiệm chi phí và nâng cao hiệu quả kinh doanh.

II. Thách thức trong việc ứng dụng học sâu vào phân loại trái cây

Mặc dù học sâu mang lại nhiều lợi ích, nhưng vẫn tồn tại một số thách thức trong việc ứng dụng vào phân loại trái cây. Các vấn đề như chất lượng dữ liệu, độ phức tạp của mô hình và khả năng tổng quát của thuật toán là những yếu tố cần được xem xét kỹ lưỡng.

2.1. Chất lượng dữ liệu và ảnh hưởng đến kết quả

Chất lượng dữ liệu đầu vào là yếu tố quyết định đến độ chính xác của mô hình. Dữ liệu không đầy đủ hoặc không chính xác có thể dẫn đến kết quả phân loại sai lệch.

2.2. Độ phức tạp của mô hình học sâu

Mô hình học sâu có thể trở nên phức tạp và khó khăn trong việc huấn luyện. Việc lựa chọn kiến trúc phù hợp và điều chỉnh các tham số là rất quan trọng để đạt được hiệu quả tối ưu.

III. Phương pháp chính trong ứng dụng học sâu cho phân loại trái cây

Để ứng dụng học sâu vào phân loại trái cây, có nhiều phương pháp khác nhau được sử dụng. Các phương pháp này bao gồm việc sử dụng mạng nơ-ron tích chập (CNN), thuật toán học máy và các kỹ thuật tiền xử lý dữ liệu.

3.1. Mạng nơ ron tích chập CNN trong phân loại trái cây

Mạng nơ-ron tích chập là một trong những phương pháp hiệu quả nhất trong việc phân loại hình ảnh. CNN có khả năng tự động trích xuất đặc trưng từ hình ảnh mà không cần phải can thiệp thủ công.

3.2. Kỹ thuật tiền xử lý dữ liệu cho mô hình học sâu

Tiền xử lý dữ liệu là bước quan trọng giúp cải thiện chất lượng dữ liệu đầu vào. Các kỹ thuật như chuẩn hóa, tăng cường dữ liệu và giảm nhiễu có thể giúp mô hình hoạt động hiệu quả hơn.

IV. Ứng dụng thực tiễn và kết quả nghiên cứu trong phân loại trái cây

Nghiên cứu về ứng dụng học sâu trong phân loại trái cây đã cho thấy nhiều kết quả khả quan. Các mô hình được phát triển có thể phân loại chính xác nhiều loại trái cây khác nhau, từ đó hỗ trợ trong việc quản lý nông nghiệp và thương mại.

4.1. Kết quả thực nghiệm từ mô hình học sâu

Các kết quả thực nghiệm cho thấy mô hình học sâu có thể đạt độ chính xác lên đến 95% trong việc phân loại trái cây. Điều này chứng tỏ tính khả thi của công nghệ trong thực tế.

4.2. Ứng dụng trong ngành nông nghiệp và thương mại

Việc ứng dụng công nghệ học sâu trong phân loại trái cây không chỉ giúp nâng cao hiệu quả sản xuất mà còn tạo ra giá trị gia tăng cho sản phẩm nông nghiệp, từ đó thúc đẩy sự phát triển bền vững.

V. Kết luận và tương lai của ứng dụng học sâu trong phân loại trái cây

Tương lai của học sâu trong phân loại trái cây hứa hẹn sẽ mang lại nhiều cơ hội mới. Với sự phát triển không ngừng của công nghệ, việc cải thiện các mô hình và ứng dụng thực tiễn sẽ ngày càng trở nên khả thi.

5.1. Xu hướng phát triển công nghệ học sâu

Công nghệ học sâu đang phát triển nhanh chóng với nhiều nghiên cứu mới. Xu hướng này sẽ tiếp tục mở ra nhiều cơ hội cho các ứng dụng trong lĩnh vực nông nghiệp.

5.2. Hướng nghiên cứu tiếp theo trong phân loại trái cây

Các nghiên cứu tiếp theo có thể tập trung vào việc cải thiện độ chính xác của mô hình, mở rộng phạm vi phân loại và ứng dụng công nghệ vào các lĩnh vực khác nhau trong nông nghiệp.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cuộc Cách mạng Công nghiệp 4.0 bùng nổ, Trí tuệ nhân tạo (AI) và Thị giác máy tính (Computer Vision) đang trở thành công nghệ then chốt định hình nền nông nghiệp thông minh và tự động hóa chuỗi cung ứng thực phẩm. Tại thị trường Việt Nam cũng như quốc tế, việc phân loại nông sản truyền thống chủ yếu dựa vào nhân công thủ công, dẫn đến năng suất không đồng đều, chi phí vận hành cao và sai số cảm quan lên tới 15% đến 20%. Để giải quyết triệt để bài toán này, luận văn thạc sĩ chuyên ngành Công nghệ thông tin của học viên Nguyễn Văn Phúc (Trường Đại học Ngoại ngữ - Tin học TP.HCM, dưới sự hướng dẫn khoa học của TS. Vũ Thanh Hiền) đã tập trung nghiên cứu đề tài ứng dụng học sâu (Deep Learning) nhằm xây dựng hệ thống tự động nhận dạng và phân lớp quả màu với độ chính xác cao.

Mục tiêu cụ thể của công trình là thiết lập quy trình tiền xử lý, trích chọn đặc trưng tự động và xây dựng mô hình mạng nơ-ron tích chập (Convolutional Neural Network - CNN) chuyên biệt. Nghiên cứu thực nghiệm trực tiếp trên bộ dữ liệu ảnh Fruits-360 gồm 38.409 ảnh màu thuộc 60 chủng loại trái cây phổ biến với độ phân giải chuẩn hóa 100x100 pixel. Kết quả thử nghiệm khẳng định mô hình đạt độ chính xác phân loại vượt trội trên 98% trên tập dữ liệu kiểm thử độc lập, giảm thiểu độ trễ xử lý xuống dưới 50 mili-giây cho mỗi mẫu ảnh. Đóng góp này mang lại giá trị thực tiễn to lớn, tạo tiền đề vững chắc cho việc tích hợp mô hình thị giác AI vào các dây chuyền phân loại nông sản tự động, hệ thống thanh toán thông minh tại siêu thị và thiết bị bay không người lái phục vụ thu hoạch nông nghiệp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu xây dựng nền tảng dựa trên lý thuyết mạng nơ-ron nhân tạo (Artificial Neural Networks - ANN) và các kiến trúc học sâu đa tầng hiện đại. Trọng tâm của khung lý thuyết là mô hình mạng nơ-ron tích chập (CNN) với ba cơ chế cốt lõi: trường tiếp nhận cục bộ (local receptive field), trọng số chia sẻ (shared weights) và tầng tổng hợp giảm chiều (pooling layer). Các cơ chế này cho phép mô hình tự động trích xuất các thuộc tính hình học từ mức thấp như đường biên, góc cạnh đến mức cao như màu sắc, kết cấu bề mặt và hình thái học của từng loại quả.

Bên cạnh đó, luận văn khảo sát chuyên sâu các kiến trúc kinh điển trong thị giác máy tính nhằm đánh giá hiệu năng tối ưu:

• Kiến trúc AlexNet gồm 5 tầng tích chập và 3 tầng kết nối đầy đủ với tổng cộng 60 triệu tham số.
• Kiến trúc VGG-16 cấu trúc sâu với 13 tầng tích chập sử dụng bộ lọc nhỏ 3x3 và 3 tầng kết nối đầy đủ, tổng quy mô 138 triệu tham số.
• Kiến trúc Inception (GoogLeNet) tối ưu hóa tài nguyên tính toán thông qua việc thực thi song song các bộ lọc kích thước 1x1, 3x3, 5x5 kết hợp tầng pooling, đưa số lượng tham số xuống chỉ còn 5 triệu.

Để ngăn chặn hiện tượng quá khớp (overfitting) và tăng tốc độ hội tụ, nghiên cứu ứng dụng hàm kích hoạt phi tuyến tính ReLU (Rectified Linear Unit), kỹ thuật ngắt kết nối ngẫu nhiên Dropout và hàm phân phối xác suất Softmax tại tầng đầu ra nhằm phân định 60 lớp nhãn riêng biệt.

Phương pháp nghiên cứu

Nghiên cứu áp dụng quy trình thực nghiệm định lượng kết hợp phân tích so sánh tham số. Cỡ mẫu nghiên cứu được thiết lập trên tập dữ liệu tiêu chuẩn Fruits-360 với tổng số 38.409 mẫu ảnh màu chuẩn RGB ($100 \times 100 \times 3$). Phương pháp chọn mẫu áp dụng kỹ thuật phân tầng ngẫu nhiên có kiểm soát, đảm bảo phân bổ đồng đều giữa 60 lớp phân loại. Toàn bộ tập dữ liệu được phân chia rành mạch thành hai phần:

• Tập huấn luyện (Training Set): 28.736 ảnh, chiếm 74,81% tổng dung lượng mẫu, sử dụng để cập nhật trọng số và độ lệch (weights & biases).
• Tập kiểm định độc lập (Testing Set): 9.673 ảnh, chiếm 25,19% tổng dung lượng mẫu, giữ vai trò đánh giá khách quan khả năng tổng quát hóa của mô hình trên các góc quay và điều kiện ánh sáng mới.

Lý do lựa chọn mạng nơ-ron tích chập làm phương pháp phân tích trung tâm xuất phát từ ưu thế bất biến đối với phép tịnh tiến, phép quay và phép co giãn hình ảnh. So với mạng truyền thống nhiều tầng kết nối đầy đủ (Fully-Connected Layer) đòi hỏi tới 23.550 tham số cho một lớp ẩn 30 nơ-ron với ảnh đầu vào 28x28, lớp tích chập với 20 bản đồ đặc trưng 5x5 chỉ tiêu tốn 520 tham số (giảm hơn 45 lần dung lượng tính toán). Toàn bộ hệ thống được lập trình trên ngôn ngữ Python, triển khai thông qua nền tảng TensorFlow và Keras, tối ưu hóa bằng thuật toán lan truyền ngược (backpropagation) kết hợp Gradient Descent ngẫu nhiên (SGD) và trực quan hóa tiến trình qua TensorBoard.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã minh chứng tính ưu việt của mô hình học sâu đề xuất trong tác vụ thị giác máy tính với các chỉ số định lượng cụ thể:

• Độ chính xác phân loại vượt trội: Mô hình đạt tỷ lệ nhận dạng chính xác trung bình 98,2% trên toàn bộ 9.673 ảnh của tập kiểm thử. Đối với các loại quả có hình thái đặc trưng rõ nét như chuối (Banana), dứa (Pineapple), dâu tây (Strawberry), độ chính xác đạt mức tối đa 99,8%.
• Khả năng phân biệt các phân lớp phức tạp: Hệ thống giải quyết xuất sắc bài toán phân loại các giống quả có độ tương đồng cao. Cụ thể, mô hình phân biệt chính xác 10 biến thể quả táo khác nhau (từ Apple Braeburn, Apple Golden 1-2-3 đến Apple Red Delicious) với sai số nhầm lẫn dưới 2,1%, vượt trội hơn hẳn các phương pháp trích xuất đặc trưng thủ công như PCA hay SVM truyền thống.
• Tối ưu hóa hiệu năng tính toán: Nhờ việc áp dụng các lớp Max-Pooling 2x2 thu gọn không gian đặc trưng và kỹ thuật chia sẻ trọng số, kích thước mô hình được tinh gọn, giúp thời gian suy luận (inference time) chỉ mất trung bình 42 mili-giây trên mỗi bức ảnh.

Thảo luận kết quả

Diễn biến quá trình huấn luyện được theo dõi chi tiết thông qua các biểu đồ hàm mất mát (Loss) và độ chính xác (Accuracy) trên TensorBoard. Dữ liệu thực nghiệm cho thấy giá trị hàm mất mát giảm nhanh chóng từ mức 2,45 ở epoch đầu tiên xuống dưới 0,08 sau 50 chu kỳ huấn luyện, trong khi đường cong độ chính xác tiệm cận trạng thái ổn định ở mức trên 98,5%. Biểu đồ đường của Loss và Accuracy không xuất hiện hiện tượng phân kỳ giữa tập train và tập test, chứng minh kỹ thuật Dropout và tiền xử lý chuẩn hóa pixel đã loại bỏ hoàn toàn tình trạng học vẹt (overfitting).

Khi phân tích qua ma trận nhầm lẫn (Confusion Matrix), một số sai số nhỏ (chiếm khoảng 1,8%) xảy ra cục bộ giữa các mẫu ảnh quả bị biến dạng góc chụp quá lớn hoặc vùng hiển thị bị che khuất một phần (ví dụ giữa Lemon và Lemon Meyer). Nguyên nhân chính do đặc tính quang học của bề mặt vỏ quả phản xạ ánh sáng mạnh làm biến đổi phân bố cường độ điểm ảnh. Tuy nhiên, so với các nghiên cứu sử dụng mạng nơ-ron truyền thống vốn chỉ đạt độ chính xác dao động khoảng 85% đến 89% trên tập dữ liệu đa lớp phức tạp, mô hình CNN đề xuất đã chứng tỏ bước nhảy vọt về khả năng học biểu diễn đặc trưng không gian sâu.

Đề xuất và khuyến nghị

Nhằm chuyển hóa kết quả nghiên cứu học thuật thành các giải pháp công nghệ ứng dụng thực tế trong sản xuất và phân phối nông sản, tác giả đề xuất 4 nhóm giải pháp chiến lược:

• Xây dựng và triển khai module phần mềm phân loại tự động tại dây chuyền đóng gói: Các kỹ sư giải pháp phần mềm cần tích hợp mô hình CNN vào hệ thống camera quan sát công nghiệp tại các vựa trái cây và nhà máy chế biến. Mục tiêu đạt tốc độ xử lý 60 khung hình/giây (FPS) với tỷ lệ phân loại chuẩn xác đạt trên 98,5%, hoàn thành trong khung thời gian 3 đến 6 tháng.
• Mở rộng cơ sở dữ liệu và tăng cường dữ liệu đa miền (Data Augmentation): Đội ngũ nghiên cứu cần bổ sung 50.000 mẫu ảnh chụp trực tiếp ngoài vườn cây thực địa dưới các điều kiện thời tiết, đổ bóng và độ chín khác nhau. Kế hoạch này do các nhóm nghiên cứu AI phụ trách trong vòng 6 tháng tới, nhằm duy trì độ chính xác của mô hình luôn trên 96% ở môi trường tự nhiên.
• Tích hợp công nghệ nhận dạng vào hệ thống máy POS thông minh tại siêu thị: Doanh nghiệp bán lẻ phối hợp cùng đối tượng cung cấp giải pháp CNTT phát triển cân điện tử tích hợp camera nhận diện quả tự động, cắt giảm thời gian tra mã thủ công từ 15 giây xuống còn 1 giây cho mỗi giao dịch, triển khai thí điểm trong 9 tháng.
• Tối ưu hóa mô hình phục vụ triển khai trên thiết bị nhúng (Edge AI): Nhóm phát triển phần cứng và thuật toán thực hiện nén mô hình (Quantization/Pruning) để nhúng trực tiếp vào chip xử lý của robot thu hoạch nông nghiệp tự hành, mục tiêu giảm dung lượng bộ nhớ xuống dưới 25MB trong lộ trình 12 tháng.

Đối tượng nên tham khảo luận văn

Luận văn thạc sĩ này là tài liệu tham khảo giá trị cao cho 4 nhóm đối tượng chính:

• Học viên cao học và nghiên cứu sinh chuyên ngành Khoa học máy tính: Luận văn cung cấp toàn bộ cơ sở toán học, quy trình thiết kế mạng tích chập, cách tinh chỉnh siêu tham số và kinh nghiệm xử lý dữ liệu ảnh màu, làm tài liệu tham khảo cho các đề tài thị giác máy tính và học sâu.
• Kỹ sư phát triển phần mềm AI và Computer Vision: Tài liệu cung cấp kiến trúc mã nguồn Python, kỹ thuật kết nối TensorBoard và phương pháp tối ưu hóa pipeline huấn luyện với TensorFlow/Keras, ứng dụng trực tiếp vào việc đóng gói các sản phẩm nhận dạng hình ảnh thương mại.
• Doanh nghiệp nông nghiệp công nghệ cao và hợp tác xã sản xuất: Ban quản lý kỹ thuật có thể tận dụng kiến trúc mô hình để xây dựng các giải pháp kiểm định chất lượng quả tự động, phân hạng kích thước và loại bỏ sản phẩm lỗi trước khi xuất khẩu.
• Các nhà quản lý chuỗi cung ứng bán lẻ và siêu thị thông minh: Luận văn mở ra phương án thiết kế hệ thống thanh toán tự động không chạm, giúp cắt giảm 30% chi phí nhân sự thu ngân và nâng cao trải nghiệm mua sắm của người tiêu dùng.

Câu hỏi thường gặp

Tại sao nghiên cứu lại chọn mạng CNN thay vì mạng nơ-ron kết nối đầy đủ (MLP)?
Mạng nơ-ron tích chập vượt trội nhờ khả năng bảo toàn cấu trúc không gian 2D của ảnh và chia sẻ trọng số. Với tập dữ liệu 60 loại quả, mạng MLP sẽ tạo ra hàng triệu tham số gây quá tải tính toán và dễ bị overfitting, trong khi CNN giúp giảm hơn 90% số lượng tham số mà vẫn đạt độ chính xác trên 98,2%.

Tập dữ liệu Fruits-360 được phân bổ như thế nào để đảm bảo tính khách quan?
Dữ liệu gồm 38.409 ảnh màu kích thước 100x100 pixel được chia tách nghiêm ngặt thành 28.736 ảnh cho tập huấn luyện (chiếm 74,81%) và 9.673 ảnh cho tập kiểm định (chiếm 25,19%). Tập kiểm định hoàn toàn độc lập, chứa các góc xoay khác nhau của 60 loại quả để đánh giá năng lực nhận dạng thực tế.

Làm thế nào để hệ thống phân biệt được các loại quả có hình dạng và màu sắc tương đồng?
Thông qua việc xếp chồng nhiều tầng tích chập và tầng pooling, mô hình tự động trích xuất các đặc trưng phân cấp từ vi mô (đường vân, đốm vỏ) đến vĩ mô (tỷ lệ cuống, hình khối), giúp phân loại chính xác các giống quả rất giống nhau như 10 dòng quả táo với độ chính xác đạt trên 97,9%.

Kỹ thuật nào được áp dụng để hạn chế hiện tượng overfitting trong quá trình huấn luyện?
Luận văn kết hợp đồng thời kỹ thuật Dropout (ngắt kết nối ngẫu nhiên nơ-ron), hàm kích hoạt ReLU và chuẩn hóa ma trận điểm ảnh đầu vào. Đồ thị hàm mất mát trên TensorBoard chứng minh khoảng cách sai số giữa tập train và tập test luôn duy trì ở mức tối thiểu dưới 0,05.

Mô hình có thể mở rộng để nhận diện thêm các loại nông sản khác ngoài 60 loại hiện tại không?
Hệ thống hoàn toàn có thể mở rộng thông qua kỹ thuật học chuyển giao (Transfer Learning). Người phát triển chỉ cần giữ lại các tầng trích xuất đặc trưng đã được tiền huấn luyện và thay thế tầng phân loại Softmax cuối cùng để thích ứng với 100 hoặc 200 chủng loại nông sản mới một cách nhanh chóng.

Kết luận

• Nghiên cứu đã hệ thống hóa toàn diện cơ sở lý thuyết về mạng nơ-ron tích chập (CNN) và ứng dụng thành công vào bài toán phân loại ảnh quả màu tự động.
• Xây dựng mô hình học sâu tối ưu trên bộ dữ liệu chuẩn Fruits-360 gồm 38.409 mẫu ảnh, nhận dạng chính xác 60 chủng loại quả với độ chính xác kiểm thử ấn tượng đạt 98,2%.
• Tối ưu hóa cấu trúc mạng giúp tinh giảm dung lượng tham số và rút ngắn độ trễ xử lý xuống chỉ còn 42 mili-giây cho mỗi bức ảnh, đáp ứng hoàn hảo yêu cầu thời gian thực.
• Thiết lập quy trình phân tích và giám sát hiệu năng trực quan qua TensorBoard, mở ra giải pháp ngăn ngừa overfitting hiệu quả trong các bài toán thị giác máy tính quy mô lớn.
• Đóng góp nền tảng công nghệ quan trọng giúp đẩy nhanh lộ trình tự động hóa cho các doanh nghiệp nông nghiệp thông minh và chuỗi bán lẻ hiện đại trong giai đoạn 2024–2026.

Để khai thác chi tiết kiến trúc mạng và ứng dụng mô hình vào thực tế sản xuất, quý độc giả, nhà nghiên cứu và doanh nghiệp có thể tham khảo toàn văn luận văn thạc sĩ hoặc kết nối với tác giả để cùng hợp tác chuyển giao công nghệ.

Trích đoạn nội dung tài liệu

Đặt vấn đề - Cơ sở hình thành đề tài: Trong luận văn này trình bày khái quát về xử lý ảnh, các phương pháp trích chọn đặc trưng. Mạng neuron tích chập và sử dụng trong bài toán phân loại đối tượng. Hiện nay, với sự phát triển của công nghiệp 4.0, công nghệ thông tin nói chung và sự phát triển trong lĩnh vực Trí tuệ nhân tạo, các hệ thống phát hiện và nhận dạng và ngày càng có nhiều ứng dụng trong thực tế như vấn đề an ninh, các hệ thống bảo mật, nhận dạng người trên các bằng lái xe, hộ chiếu, nhận dạng người trong các hệ thống tương tác người-máy, nhận dạng đối tượng, nhận dạng vân tay, nhận dạng màu sắc, trong lĩnh vực giải trí. Đặc biệt khi cách mạng công nghiệp 4.0 ra đời thì công nghệ ngày càng được phát triển cao hơn, các công nghệ tối tân sẽ dần dẫn được đưa vào xử dụng nhằm phục vụ cho con người.

Nhu cầu tăng lên trong ứng dụng Trí tuệ nhân tạo, đã giúp các nhà khoa học có thêm nhiều phương pháp mới để phát triển các dự án nghiên cứu. Mặc dù ban đầu thực hiện gặp nhiều khó khăn do mới tiếp xúc công nghệ hoặc đang áp dụng lý thuyết vào thực tế nhưng những kết quả đạt được trong thời gian đầu cũng xem như một kết quả khả quan tạo động lực cho các công trình sau này. việc nhận dạng đối tượng không thể chính xác được như các phương pháp nhận dạng khác như nhận dạng vân tay, nhận dạng mặt người…nhưng đề tài này nó vẫn nhận được sự quan tâm lớn của các nhà nghiên cứu trong lĩnh vực thị giác máy tính. Lý do chủ yếu 2 là trên thực tế, nhận dạng đối tượng vẫn là cách truyền thống để con người nhận dạng và phát hiện ra đối tượng.

Có rất nhiều mô hình tính toán mô phỏng bộ não của người được nghiên cứu trong đó có mạng neuron. Đề tài này cũng một phần áp dụng mạng neuron vào khả năng giải quyết hàng loạt các bài toán như tính toán tối ưu, nhận dạng đối tượng, điều khiển và được ứng dụng trong nhiều lĩnh vực của bài toán phát hiện và nhận dạng. Một mạng neuron nhân tạo bao gồm một tập các đơn vị xử lý cơ bản, gọi là neuron, chúng truyền thông tin bằng cách gửi các tín hiệu cho nhau qua các kênh kết nối có trọng số. Mỗi neuron thực hiện một công việc tương đối đơn giản: nhận tín hiệu từ các neuron lân cận hoặc từ nguồn bên ngoài, tính toán tín hiệu ra rồi truyền sang cho các neuron khác.

Ngoài việc xử lý này, nhiệm vụ thứ hai của neuron là điều chỉnh lại các trọng số. Hệ thống sẽ được thực hiện song song vì nhiều neuron có thể thực hiện tính toán ở cùng thời điểm. Xuất phát trong hoàn cảnh đó tôi đã quyết định lựa chọn đề tài: “Nhận dạng ảnh xác định đối tượng của ảnh khi sử dụng mạng Neuron” là một việc làm không chỉ có ý nghĩa khoa học và còn mang đậm tính thực tiễn nhất khi thực tế đang đặt ra những yêu cầu đòi hỏi. - Mục tiêu nghiên cứu: • Tìm hiểu bài toán phân loại dữ liệu nói chung và bài toán phân loại dữ ảnh trái cây nói riêng.

• Nghiên cứu mô hình mạng neuron đa tầng, các thuật toán lan truyền tiến, lan truyền ngược để sử dụng và huấn luyện mạng neuron. 3 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011 • Nghiên cứu một số kiến trúc mạng neuron hiện đại giải quyết bài toán phân loại dữ liệu ảnh • Tiến hành xây dựng kiến trúc của mô hình, tiến hành thực nghiệm mô hình, và đánh giá kết quả thực nghiệm của mô hình để giải quyết bài toán phân loại ảnh trái cây 1.2 Giới thiệu trí tuệ nhân tạo và học máy Trí tuệ nhân tạo là một hướng nghiên cứu của lĩnh vực Công nghệ thông tin và Khoa học máy tính nhằm phát triển các hệ thống thông minh nhằm giải quyết các bài toán trong thực tế giống như hoạt động của bộ não người. Trí tuệ nhân tạo được bắt đầu nghiên cứu từ những năm 50 của thế kỷ 20 và trong khoảng 30 năm trở lại đây đã được cộng đồng các nhà khoa học quan tâm mạnh mẽ. Rất nhiều các hội thảo lớn về lĩnh vực này được tổ chức hàng năm trên thế giới.

Các ứng dụng tiêu biểu của trí tuệ nhân tạo vào đời sống xã hội bào gồm: người máy, robot, xử lý ngôn ngữ tự nhiên, nhận dạng, phát hiện dị thường, an ninh quốc phòng, tin sinh học, khoa học vũ trụ và trái đất,. Trong khuôn khổ luận văn Thạc sỹ của mình, qua việc được trang bị các môn học lỹ thuyết như thuật toán, xử lý ảnh, trí tuệ nhân tạo,. tôi đã lựa chọn đề tài Nghiên cứu một số phương pháp cơ bản về nhận dạng và phát hiện một số loại trái cây thông dụng trong ảnh màu. Chủ đề phân lớp dữ liệu là một nhánh quan trọng trong lĩnh vực học máy (machine learning) của trí tuệ nhân tạo, có thể kể các ứng dụng của học máy trong thực tế như người máy, robot, nhận dạng mặt người, nhận dạng tiếng nói và chữ viết,.

4 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011 + Đối tượng và phạm vi nghiên cứu - Đối tượng nghiên cứu • Nghiên cứu mạng neuron đa tầng và mạng neuron tích chập • Nghiên cứu bài toán phân lớp ảnh trái cây • Tìm hiểu xây dựng kiến trúc và thực nghiệm mô hình mạng neuron tích chập để giải quyết bài toán phân lớp ảnh trái cây - Phạm vi nghiên cứu - Lý thuyết: Nghiên cứu lý thuyết về xử lý ảnh, Học máy, Deep Learning, Mạng neuron tích chập. - Thực nghiệm: Lập trình trên phần mềm Python cho chương trình phân loại một số loại trái cây thông dụng trong ảnh. + Phương pháp nghiên cứu - Thu thập, phân tích các tài liệu và thông tin liên quan đến đề tài từ đó đưa ra cái nhìn tổng quan, các khó khăn gặp phải, các ràng buộc của bài toán. - Tiến hành phân tích, xây dựng giải pháp phát hiện gồm có : Tiền xử lý, trích chọn đặc trưng, huấn luyện mô hình dữ liệu, hậu xử lý.

- Xây dựng và kiểm thử việc đánh giá hiệu quả phương pháp mạng neuron tích chập để phân loại đối tượng bằng ngôn ngữ Python. + Cấu trúc của luận văn 5 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011 Cấu trúc của luận văn Nghiên cứu và ứng dụng mạng Neuron tích chập vào thực nghiệm trên nhiều tầng khác nhau để tìm ra kết quả tốt nhất cho bài toán và chương trình bao gồm những cấu trúc như sau: Chương 1: Tổng quan về Chương 2: Lý thuyết về Deep Learning và Mạng neuron tích chập. Chương 3: Chương này sẽ đi sâu vào việc cài đặt ứng dụng cụ thể cho bài toán phát hiện và phân loại một số loại trái cây thông dụng bằng phương pháp Deep Learning trong mô hình mạng neuron tích chập. Chương 4: Kết quả và hướng phát triển Kết luận: Tóm tắt các vấn đề được tìm hiểu trong luận văn và các vấn đề liên quan trong luận văn.3 Tổng quan về xử lý ảnh số 1.1 Giới thiệu Con người thu nhận thông tin qua các giác quan, trong đó thị giác đóng vai trò quan trọng nhất.

Những năm trở lại đây với sự phát triển của phần cứng máy tính, xử lý ảnh và đồ hoạ đó phát triển một cách mạnh mẽ và có nhiều ứng dụng trong cuộc sống. Xử lý ảnh và đồ hoạ đóng một vai trò quan trọng trong tương tác người và máy. Quá trình xử lý ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho ra kết quả mong muốn. Kết quả đầu ra của một quá trình xử lý ảnh có thể là một ảnh “tốt hơn” hoặc một kết luận.

6 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011 - Các bước cơ bản trong một hệ thống xử lý ảnh: + Khối thu nhận ảnh: có nhiệm vụ tiếp nhận ảnh đầu vào. + Khối tiền xử lý: có nhiệm vụ xử lý nâng cao chất lượng ảnh như giảm nhiễu, phân vùng, tìm biên v. + Khối trich chọn đặc điểm: có nhiệm vụ trích chọn các đặc trưng quan trọng của các bức ảnh đã được tiền xử lý để sử dụng trong hệ quyết định + Khối hậu xử lý: có nhiệm vụ xử lý các đặc điểm đã trích chọn, có thể lược bỏ hoặc biến đổi các đặc điểm này để phù hợp với các kỹ thuật cụ thể sử dụng trong hệ quyết định + Khối hệ quyết định và lưu trữ: có nhiệm vụ đưa ra quyết định (phân loại) dựa trên dự liệu đã học lưu trong khối lưu trữ + Khối kết luận: đưa ra kết luận dựa vào quyết định của khối quyết định 1.2 Một số khái niệm cơ bản trong xử lý ảnh + Ảnh và điểm ảnh: Điểm ảnh được xem như là dấu hiệu hay cường độ sáng tại một vị trí nào đó của đối tượng trong không gian và ảnh được xem như là một tập hợp các điểm ảnh. + Mức xám, màu: Là số các giá trị có thể có của các điểm ảnh của ảnh + Nắn chỉnh biến dạng: Ảnh thu nhận thường bị biến dạng do các thiết bị quang học và điện tử.

7 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011 + Khử nhiễu: Có 2 loại nhiễu cơ bản trong quá trình thu nhận ảnh mà chúng ta cần loại bỏ: Nhiễu hệ thống: là nhiễu có quy luật có thể khử bằng các phép biến đổi Nhiễu ngẫu nhiên: vết bẩn không rõ nguyên nhân có thể khắc phục bằng các phép lọc + Chỉnh số mức xám: Chỉnh số mức xám là nhằm khắc phục tính không đồng đều của hệ thống xử lý ảnh, thông thường có 2 hướng tiếp cận: Giảm số mức xám: Thực hiện bằng cách nhóm các mức xám gần nhau thành một bó. Trường hợp giảm xuống 2 mức xám thì chính là chuyển về ảnh đen trắng. Tăng số mức xám: Thực hiện nội suy ra các mức xám trung gian bằng kỹ thuật nội suy. Kỹ thuật này nhằm tăng cường độ mịn cho ảnh.

Phân tích ảnh: Là khâu quan trọng trong quá trình xử lý ảnh để tiến tới hiểu ảnh. Trong phân tích ảnh việc trích chọn đặc điểm là một bước quan trọng. Các đặc điểm của đối tượng được trích chọn tuỳ theo mục đích nhận dạng trong quá trình xử lý ảnh. Có thể nêu ra một số đặc điểm của ảnh sau đây: Đặc điểm không gian: Phân bố mức xám, phân bố xác suất, biên độ, điểm uốn v.