Luận văn thạc sĩ về ứng dụng máy học trong nhận dạng thông tin cờ hiệu phất tay

Chuyên đề nghiên cứu Ứng dụng máy học trong nhận dạng thông tin cờ hiệu phất tay, cập nhật xu hướng mới, giá trị tham khảo cao cho chuyên gia y học

• Tác giả: Nguyễn Văn Hiếu
• Người hướng dẫn: PGS. Hà Hoàng Kha
• Trường học: Đại học Quốc gia TP. HCM
• Chuyên ngành: Kỹ thuật Viễn thông
• Đề tài: Ứng Dụng Máy Học Trong Nhận Dạng Thông Tin Cờ Hiệu Phất Tay
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• TÓM TẮT LUẬN VĂN
• LỜI CAM ĐOAN CỦA TÁC GIẢ
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC HÌNH ẢNH
• DANH MỤC BẢNG BIỂU
• 1. CHƯƠNG 1: MỞ ĐẦU
• 1.1. Tính cấp thiết
• 1.1.1. Xu hướng ứng dụng trí tuệ nhân tạo trong các lĩnh vực hiện nay
• 1.1.2. Thực trạng sử dụng cờ hiệu phất tay hiện nay
• 1.2. Lý do chọn đề tài
• 1.3. Mục tiêu và nhiệm vụ nghiên cứu
• 1.4. Đối tượng và phạm vi nghiên cứu
• 1.4.1. Đối tượng nghiên cứu
• 1.4.2. Phạm vi nghiên cứu
• 1.5. Ý nghĩa khoa học và thực tiễn của đề tài
• 1.5.1. Ý nghĩa khoa học
• 1.5.2. Ý nghĩa thực tiễn
• 1.6. Phương pháp nghiên cứu
• 1.7. Cấu trúc luận văn
• 2. CHƯƠNG 2: THÔNG TIN CỜ HIỆU PHẤT TAY VÀ LÝ THUYẾT MÁY HỌC
• 2.1. Thông tin cờ hiệu phất tay
• 2.1.1. Tư thế người phát
• 2.1.2. Phương pháp truyền tin tức
• 2.2. Lý thuyết về xử lý ảnh
• 2.2.1. Một số khái niệm
• 2.2.2. Một số thuật toán cơ bản
• 2.3. Support Vector Machine (SVM)
• 2.4. Kết luận chương
• 3. CHƯƠNG 3: NHẬN DẠNG KÝ TỰ ALPHABET TRONG THÔNG TIN CỜ HIỆU PHẤT TAY
• 3.1. Khảo sát mô hình CNN
• 3.1.1. Mục tiêu khảo sát
• 3.1.2. Tập dữ liệu sử dụng
• 3.2. Mô hình Neural Network và SVM
• 3.2.1. Mô hình hệ thống
• 3.2.2. Xác định tọa độ các điểm mang thông tin
• 3.2.3. Xây dựng model neural network
• 3.2.4. Xây dựng model SVM nhận dạng ký tự
• 3.2.5. Tổng hợp kết quả và đánh giá hệ thống
• 3.3. Kết luận chương
• 4. CHƯƠNG 4: HỆ THỐNG NHẬN DẠNG ĐOẠN VĂN BẢN TRONG THÔNG TIN CỜ HIỆU PHẤT TAY
• 4.1. Cấu trúc hệ thống
• 4.2. Phần mềm xử lý dữ liệu
• 4.2.1. Một số thư viện hỗ trợ lập trình
• 4.2.2. Giao diện hoạt động
• 4.3. Kết luận chương
• 5. CHƯƠNG 5: KẾT LUẬN CHUNG VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết luận chung
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Giới thiệu

Trong bối cảnh công nghệ thông tin phát triển mạnh mẽ, việc ứng dụng máy học vào lĩnh vực nhận dạng thông tin trở nên cần thiết. Đặc biệt, nhận dạng thông tin từ cờ hiệu phất tay là một lĩnh vực có tiềm năng lớn, đặc biệt trong các tình huống khẩn cấp hoặc khi giao tiếp bằng hình thức truyền thống không khả thi. Luận văn này tập trung vào việc phát triển một mô hình máy học để nhận diện các ký tự từ cờ hiệu phất tay, nhằm nâng cao hiệu suất truyền tải thông tin. Việc ứng dụng công nghệ nhận dạng trong lĩnh vực này không chỉ giúp cải thiện tốc độ truyền thông mà còn góp phần bảo tồn các phương pháp giao tiếp truyền thống.

1.1 Tính cấp thiết của đề tài

Với sự phát triển không ngừng của trí tuệ nhân tạo và máy học, việc áp dụng các công nghệ này vào lĩnh vực nhận dạng thông tin đang trở thành xu hướng tất yếu. Cờ hiệu phất tay là một phương pháp giao tiếp truyền thống, nhưng vẫn còn nhiều hạn chế về tốc độ và hiệu quả. Việc nghiên cứu và phát triển các giải pháp dựa trên máy học sẽ giúp tối ưu hóa quá trình nhận diện thông tin, từ đó cải thiện khả năng giao tiếp giữa các tàu trên biển hay giữa tàu và cảng biển. Đề tài này không chỉ có ý nghĩa lý thuyết mà còn mang lại giá trị thực tiễn cao, góp phần nâng cao hiệu quả trong các hoạt động hàng hải.

II. Lý thuyết về cờ hiệu phất tay và máy học

Chương này sẽ trình bày các khái niệm cơ bản về cờ hiệu phất tay và các phương pháp máy học liên quan. Cờ hiệu phất tay thường được sử dụng để truyền đạt thông tin trong các tình huống khẩn cấp, nhưng việc nhận diện thông tin từ cờ hiệu này đòi hỏi một hệ thống nhận diện chính xác và nhanh chóng. Trong bối cảnh này, hệ thống máy học có thể được áp dụng để phân tích hình ảnh và nhận diện các ký tự tương ứng từ các động tác của người phát tín hiệu. Các thuật toán như Support Vector Machine (SVM) và các mô hình neural network sẽ được khảo sát và áp dụng để xây dựng hệ thống nhận diện hiệu quả.

2.1 Các phương pháp nhận diện

Để thực hiện việc nhận diện thông tin từ cờ hiệu phất tay, cần phải khảo sát và lựa chọn các mô hình máy học phù hợp. Các mô hình như Resnet và Mobilenet đã được nghiên cứu và áp dụng trong nhiều lĩnh vực, bao gồm cả thị giác máy tính. Qua việc khảo sát các mô hình này, luận văn sẽ đề xuất một mô hình máy học tối ưu cho việc nhận diện các ký tự trong bảng chữ cái, từ đó cải thiện khả năng nhận diện thông tin từ cờ hiệu phất tay. Việc xây dựng một mô hình phù hợp không chỉ giúp nâng cao độ chính xác mà còn tăng tốc độ xử lý thông tin.

III. Thực nghiệm và đánh giá mô hình

Chương này sẽ trình bày chi tiết về quy trình thực nghiệm và đánh giá mô hình máy học được xây dựng. Sử dụng ngôn ngữ lập trình Python, các mô hình sẽ được triển khai và thử nghiệm trên tập dữ liệu thực tế. Đánh giá kết quả sẽ dựa trên các chỉ số như độ chính xác, độ nhạy và độ đặc hiệu của mô hình. Việc phân tích kết quả thực nghiệm sẽ cung cấp cái nhìn tổng quan về hiệu quả của mô hình trong việc nhận diện thông tin từ cờ hiệu phất tay. Thông qua việc áp dụng các phương pháp thống kê và phân tích dữ liệu, luận văn sẽ chỉ ra những điểm mạnh và điểm yếu của mô hình, từ đó đề xuất các hướng cải tiến trong tương lai.

3.1 Kết quả thực nghiệm

Kết quả thực nghiệm cho thấy mô hình máy học đã đạt được độ chính xác cao trong việc nhận diện các ký tự từ cờ hiệu phất tay. Qua việc phân tích kết quả, có thể thấy rằng việc sử dụng các mô hình như SVM và neural network đã mang lại hiệu quả rõ rệt. Đặc biệt, mô hình neural network cho thấy khả năng nhận diện tốt hơn trong các điều kiện ánh sáng khác nhau. Điều này chứng tỏ rằng việc áp dụng máy học vào lĩnh vực nhận diện thông tin từ cờ hiệu phất tay không chỉ khả thi mà còn có tiềm năng lớn trong việc cải thiện hiệu suất giao tiếp.

IV. Kết luận và hướng phát triển

Luận văn đã chỉ ra rằng việc ứng dụng máy học trong nhận diện thông tin từ cờ hiệu phất tay là một hướng đi tiềm năng. Kết quả nghiên cứu không chỉ có giá trị lý thuyết mà còn mang lại giá trị thực tiễn trong việc cải thiện khả năng giao tiếp trong các tình huống cần thiết. Đề xuất các hướng phát triển trong tương lai bao gồm mở rộng mô hình để nhận diện thông tin trong các điều kiện khác nhau, cũng như áp dụng các công nghệ mới trong trí tuệ nhân tạo để nâng cao độ chính xác và tốc độ nhận diện.

4.1 Hướng phát triển tiếp theo

Hướng phát triển tiếp theo có thể tập trung vào việc tích hợp các công nghệ mới trong lĩnh vực trí tuệ nhân tạo và máy học để mở rộng khả năng nhận diện. Việc áp dụng các mô hình tiên tiến hơn như Deep Learning có thể cải thiện đáng kể hiệu suất của hệ thống. Ngoài ra, việc thu thập và phân tích thêm dữ liệu thực tế cũng sẽ giúp mô hình trở nên mạnh mẽ hơn, từ đó đáp ứng tốt hơn nhu cầu thực tiễn trong các tình huống khẩn cấp.

Nội dung chính

Tổng quan nghiên cứu

Truyền tin thị giác bằng cờ hiệu phất tay (Semaphore) là phương thức liên lạc hàng hải truyền thống giữ vai trò đặc biệt quan trọng trong các tình huống tác chiến hải quân, điều phối tàu thuyền ra vào cảng và hỗ trợ cứu hộ khi hệ thống thông tin vô tuyến bị gián đoạn hoặc cần bảo đảm bí mật thông tin. Căn cứ theo Nghị định số 58/2017/NĐ-CP hướng dẫn Bộ luật Hàng hải Việt Nam và Quyết định số 38/2020/QĐ-TTg của Thủ tướng Chính phủ về danh mục công nghệ cao được ưu tiên phát triển, việc hiện đại hóa các phương thức thông tin viễn thông thông qua trí tuệ nhân tạo là định hướng chiến lược mang tính cấp thiết cao.

Trong thực tế tác chiến và hàng hải, phương thức nhận dạng cờ hiệu phất tay thủ công bộc lộ nhiều điểm nghẽn nghiêm trọng: tốc độ giải mã phụ thuộc hoàn toàn vào thị lực và phản xạ của con người, tỷ lệ sai sót tăng cao khi người quan sát bị mỏi mắt hoặc điều kiện thời tiết chuyển xấu, đồng thời cự ly quan sát bằng mắt thường khó duy trì độ chính xác ở khoảng cách từ 40 mét trở lên. Luận văn thạc sĩ chuyên ngành Kỹ thuật Viễn thông tại Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh tập trung giải quyết triệt để bài toán này thông qua mục tiêu xây dựng hệ thống tự động nhận dạng 26 ký tự chữ cái alphabet và giải mã chuỗi văn bản cờ hiệu phất tay bằng kỹ thuật máy học và thị giác máy tính.

Nghiên cứu được triển khai thực nghiệm trong giai đoạn từ tháng 9 năm 2022 đến tháng 1 năm 2023, ứng dụng thiết bị ghi hình quang học tầm xa với dải cự ly khảo sát thực tế từ 40 mét đến 100 mét. Kết quả của luận văn mang ý nghĩa khoa học và thực tiễn sâu sắc, góp phần nâng cao hiệu suất thu nhận tin tức, tự động hóa quy trình giải mã điện tín với độ chính xác đạt trên 95% và rút ngắn độ trễ xử lý dữ liệu xuống mức thời gian thực.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Hệ thống nhận dạng được xây dựng dựa trên sự phối hợp chặt chẽ giữa các nền tảng lý thuyết xử lý ảnh số, mô hình trích xuất đặc trưng hình thái học và các thuật toán học máy phân loại hiện đại:

Mô hình trích xuất khung xương BlazePose: Công nghệ thị giác máy tính tiên tiến phát hiện 33 điểm mốc tọa độ đặc trưng trên cơ thể người từ ảnh đầu vào định dạng RGB kích thước chuẩn 256x256 pixel. Hệ thống tập trung trích xuất chính xác tọa độ các khớp bả vai, khuỷu tay và cổ tay để mô tả góc mở của hai cánh tay theo 8 hướng quy ước chuẩn hàng hải gồm 0 độ, 45 độ, 90 độ, 135 độ, 180 độ, 225 độ, 270 độ và 315 độ.

Mô hình mạng nơ-ron nhân tạo (ANN) và Mạng học sâu (DNN): Cấu trúc mạng nhiều lớp kết hợp các hàm kích hoạt phi tuyến như ReLU và Softmax, sử dụng thuật toán lan truyền ngược để tối ưu hóa véc-tơ trọng số và giảm thiểu giá trị hàm mất mát phân loại.

Mô hình Máy véc-tơ hỗ trợ (Support Vector Machine - SVM): Thuật toán học có giám sát xây dựng siêu phẳng phân cách tối ưu nhằm tối đa hóa khoảng cách biên giữa 26 lớp ký tự alphabet trong không gian đặc trưng đa chiều.

Các khái niệm then chốt được áp dụng xuyên suốt gồm có: Véc-tơ đặc trưng tọa độ chuẩn hóa, Độ dài Euclid đa chiều để xác định tương quan vị trí khớp xương, và Kỹ thuật chuẩn hóa gốc tọa độ điểm gốc về khớp vai nhằm loại bỏ ảnh hưởng của kích thước người phát hoặc khoảng cách đặt máy.

Phương pháp nghiên cứu

Nghiên cứu kết hợp phương pháp khảo sát lý thuyết, thu thập dữ liệu thực nghiệm và đánh giá định lượng có đối chứng:

Nguồn dữ liệu và kích thước mẫu: Bộ dữ liệu thực nghiệm gồm hàng nghìn khung hình chụp và chuỗi video ghi lại tư thế phát cờ hiệu của nhiều cá nhân khác nhau ở các điều kiện ánh sáng tự nhiên. Dữ liệu được thu thập qua camera chuyên dụng Fujifilm X-T3 kết hợp ống kính telephoto tiêu cự 55-200mm ở các cự ly biến thiên từ 40 mét đến 100 mét.

Phương pháp chọn mẫu: Áp dụng phương pháp chọn mẫu phân tầng có chủ đích nhằm bao phủ toàn diện 26 tư thế chữ cái chuẩn, 7 quy tắc chuyển ngữ dấu thanh tiếng Việt (gồm OO, EE, AA, OW, UW, AW, DD) và các trạng thái chuyển tiếp giữa các ký tự. Bộ dữ liệu sau đó được phân chia theo tỷ lệ 80% dành cho tập huấn luyện (training set) và 20% dành cho tập kiểm định độc lập (test set).

Lý do lựa chọn phương pháp phân tích: Thay vì đưa trực tiếp toàn bộ ảnh raw qua các mạng tích chập lớn (như ResNet-50 hay MobileNet-V2) gây tiêu tốn tài nguyên tính toán và dễ bị ảnh hưởng bởi phông nền phức tạp, tác giả lựa chọn giải pháp trích xuất 33 điểm khung xương BlazePose làm tiền xử lý, sau đó phân loại bằng mạng ANN và SVM. Giải pháp này giúp giảm chiều dữ liệu từ hàng triệu điểm ảnh xuống một véc-tơ đặc trưng gọn nhẹ, tăng tốc độ tính toán lên gấp nhiều lần mà vẫn đảm bảo độ chính xác vượt trội trên thiết bị phổ thông. Timeline nghiên cứu được thực hiện tuần tự và hoàn tất từ tháng 9 năm 2022 đến tháng 12 năm 2022.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Mô hình trích xuất khung xương kết hợp bộ phân loại nhẹ đạt hiệu suất vượt trội: Việc kết hợp mạng BlazePose với mô hình ANN nhiều tầng ẩn mang lại độ chính xác tổng thể đạt xấp xỉ 98% trên tập dữ liệu kiểm thử, vượt qua mô hình SVM (đạt khoảng 96%) và vượt trội so với việc huấn luyện trực tiếp mô hình ResNet-50 trên ảnh gốc (chỉ đạt độ chính xác khiêm tốn ở mức khoảng 85% do ảnh hưởng từ nhiễu phông nền và độ biến thiên ánh sáng).

Độ ổn định cao qua các chu kỳ huấn luyện: Khi huấn luyện mạng ANN ở các mốc 5, 20 và 50 epochs, giá trị hàm mất mát (loss function) giảm nhanh chóng từ mức 1.45 xuống dưới 0.08, đồng thời độ chính xác hội tụ ổn định ngay từ epoch thứ 20. Không xuất hiện hiện tượng quá khớp (overfitting) nhờ kỹ thuật tăng cường dữ liệu tọa độ (data augmentation).

Khả năng nhận dạng khoảng cách xa vượt bậc: Hệ thống duy trì tỷ lệ nhận dạng chính xác trên 93% ở khoảng cách xa tối đa 100 mét khi kết hợp camera telephoto, khắc phục hoàn toàn nhược điểm của các nghiên cứu tiền nhiệm vốn chỉ thực nghiệm ở cự ly ngắn từ 3.5 mét đến 5 mét.

Tốc độ giải mã thời gian thực: Thời gian xử lý trung bình cho mỗi khung hình đạt dưới 50 mili-giây, cho phép phần mềm nhận dạng mượt mà chuỗi ký tự liên tục và dịch chính xác các đoạn văn bản có dấu với tốc độ tương đương tốc độ phát cờ thực tế của thủy thủ hải quân.

Thảo luận kết quả

Dữ liệu đánh giá mô hình được thể hiện trực quan thông qua ma trận nhầm lẫn (Confusion Matrix) 26x26 và biểu đồ đường biểu diễn sự thay đổi của độ chính xác và hàm loss qua các epoch. Ma trận nhầm lẫn cho thấy hầu hết các ký tự như A, B, C, D, L, O đều đạt độ chính xác dự đoán 100%. Một số ít trường hợp nhầm lẫn nhỏ (khoảng 2% đến 4%) xuất hiện giữa các cặp ký tự có góc mở cánh tay gần tương đồng như giữa ký tự K và ký tự V, hoặc giữa ký tự N và ký tự U khi góc chụp bị nghiêng nhẹ so với phương thẳng đứng.

Nguyên nhân của sự vượt trội này bắt nguồn từ bước chuẩn hóa tọa độ không gian. Bằng cách dịch chuyển gốc tọa độ về trung điểm hai khớp vai và chia tỷ lệ theo chiều rộng vai người phát, thuật toán đã triệt tiêu hoàn toàn sự sai lệch về vóc dáng cơ thể và khoảng cách quang học. Khi so sánh với các công trình nghiên cứu sử dụng khoảng cách Euclidean điểm ảnh thuần túy, phương pháp học sâu dựa trên mốc khung xương của luận văn chứng minh khả năng kháng nhiễu môi trường biển vượt bậc, mở ra tiềm năng lớn cho các hệ thống giám sát bờ biển tự động.

Đề xuất và khuyến nghị

Để nhanh chóng chuyển giao kết quả nghiên cứu vào ứng dụng thực tiễn trong ngành hàng hải và an ninh quốc phòng, các nhóm giải pháp hành động được đề xuất như sau:

Tích hợp mô hình AI vào hệ thống camera giám sát trên tàu biển và đài quan sát cảng: Bộ Tư lệnh Vùng Hải quân cùng các Ban quản lý cảng biển nên triển khai lắp đặt module phần mềm xử lý hình ảnh trực tiếp trên hệ thống camera tầm xa hiện hữu. Mục tiêu hướng tới nâng cao tỷ lệ giải mã tự động thành công đạt trên 98% trong điều kiện vận hành thực tế tại cảng trong lộ trình 6 đến 12 tháng tới.

Mở rộng bộ dữ liệu huấn luyện đa thời tiết và đa góc độ: Nhóm nghiên cứu kỹ thuật viễn thông cần bổ sung thêm ít nhất 10.000 mẫu hình ảnh thu thập trong điều kiện thời tiết khắc nghiệt như mưa phùn, sương mù biển, sóng lắc lư mạnh và ánh sáng chói ngược chiều nhằm tối ưu hóa độ bền vững của mô hình, hoàn thành trong vòng 6 tháng.

Tối ưu hóa thuật toán cho các thiết bị phần cứng nhúng biên (Edge AI): Các kỹ sư hệ thống cần thực hiện lượng tử hóa mô hình ANN và BlazePose để triển khai mượt mà trên các vi máy tính công nghiệp như Jetson Nano hoặc Raspberry Pi 4, bảo đảm tốc độ xử lý đạt trên 30 khung hình/giây (FPS) với mức tiêu thụ điện năng dưới 15W trong thời gian 4 tháng.

Chuẩn hóa giao thức truyền nhận ký tự tự động: Cục Hàng hải Việt Nam và các cơ quan chuyên trách nên xây dựng bộ quy chuẩn số hóa tín hiệu cờ hiệu, tích hợp tính năng tự động phát hiện lỗi và yêu cầu phát lại ký tự theo đúng điều lệnh hàng hải, giảm thời gian xử lý toàn trình của mỗi bức điện xuống dưới 1 giây cho mỗi ký tự trong vòng 12 tháng.

Đối tượng nên tham khảo luận văn

Tài liệu luận văn thạc sĩ này là nguồn tư liệu học thuật và kỹ thuật giá trị dành cho các nhóm đối tượng:

Học viên cao học và nhà nghiên cứu chuyên ngành Kỹ thuật Viễn thông, Công nghệ Thông tin và Trí tuệ Nhân tạo: Cung cấp tài liệu tham khảo chi tiết về quy trình kết hợp công nghệ ước lượng tư thế người (Pose Estimation) với các thuật toán phân loại học máy phục vụ nhận dạng hành vi.

Kỹ sư thị giác máy tính và lập trình viên phần mềm nhúng: Học hỏi phương pháp tối ưu hóa dữ liệu tọa độ mốc khung xương 33 điểm, kỹ thuật giảm nhẹ mô hình AI để chạy mượt mà trên máy tính cá nhân và thiết bị biên với độ trễ thấp.

Cán bộ kỹ thuật và chỉ huy tác chiến thuộc lực lượng Hải quân, Cảnh sát biển: Ứng dụng mô hình vào công tác tự động hóa thu nhận tín hiệu thông tin thị giác, xây dựng phần mềm huấn luyện chiến sĩ mới và nâng cao năng lực sẵn sàng chiến đấu trên các tàu tuần tra.

Chuyên gia phát triển giải pháp điều hành cảng biển và an toàn hàng hải: Khai thác kiến trúc hệ thống để phát triển các giải pháp hỗ trợ lai dắt tàu thuyền, giao tiếp dự phòng khi hệ thống định vị vô tuyến hoặc vệ tinh gặp sự cố.

Câu hỏi thường gặp

Mô hình BlazePose đóng vai trò gì trong kiến trúc hệ thống nhận dạng cờ hiệu phất tay? BlazePose đóng vai trò là module tiền xử lý then chốt, chịu trách nhiệm phát hiện và trích xuất chính xác tọa độ 33 điểm mốc khung xương trên cơ thể người từ ảnh 2D, giúp chuyển đổi dữ liệu hình ảnh nặng nề thành một véc-tơ đặc trưng tọa độ gọn nhẹ trước khi đưa vào mạng phân loại.

Tại sao luận văn chọn phân loại tọa độ khung xương thay vì sử dụng mạng CNN huấn luyện trực tiếp từ ảnh? Phương pháp phân loại trên tọa độ khung xương giúp loại bỏ hoàn toàn nhiễu từ bối cảnh phức tạp ngoài biển khơi, giảm kích thước mô hình đi hàng trăm lần, ngăn ngừa hiện tượng quá khớp và cho phép hệ thống suy luận thời gian thực dưới 50 mili-giây trên máy tính tiêu chuẩn.

Hệ thống có thể nhận dạng chính xác thông tin cờ hiệu ở khoảng cách bao xa? Thông qua việc kết hợp camera Fujifilm X-T3 và ống kính telephoto có dải tiêu cự 55-200mm, hệ thống đạt độ chính xác trên 93% ở khoảng cách thực nghiệm từ 40 mét đến 100 mét, vượt xa tầm thử nghiệm từ 3.5 mét đến 5 mét của các nghiên cứu truyền thống.

Luận văn giải quyết vấn đề nhận dạng các ký tự tiếng Việt có dấu như thế nào? Luận văn tích hợp quy tắc mã hóa ngữ pháp cờ hiệu theo điều lệnh hàng hải, tự động chuyển đổi các dấu thanh thành các ký tự quy ước như dấu sắc thành ký tự S, dấu huyền thành ký tự F, dấu hỏi thành ký tự R, dấu ngã thành ký tự X, dấu nặng thành ký tự J và các nguyên âm kép như OO, EE, AA, OW, UW, AW, DD thành các từ tiếng Việt hoàn chỉnh.

Phần mềm ứng dụng của đề tài được xây dựng trên nền tảng công nghệ nào? Phần mềm nhận dạng chuỗi văn bản được phát triển hoàn toàn bằng ngôn ngữ lập trình Python, kết hợp thư viện giao diện đồ họa Tkinter, thư viện xử lý ma trận NumPy, Mediapipe và Keras, cung cấp giao diện trực quan cho phép người dùng theo dõi luồng video và kết quả dịch văn bản tự động tức thì.

Kết luận

Nghiên cứu đã xây dựng thành công giải pháp ứng dụng học máy tự động hóa hoàn toàn quy trình nhận dạng thông tin cờ hiệu phất tay trong ngành hàng hải và viễn thông.

Mô hình kết hợp trích xuất 33 điểm khung xương BlazePose với mạng nơ-ron nhân tạo ANN đạt độ chính xác ấn tượng trên 95% ở cự ly lên tới 100 mét.

Tốc độ xử lý đạt chuẩn thời gian thực dưới 50 mili-giây mỗi khung hình, loại bỏ triệt để độ trễ và sự sai lệch do thao tác thủ công của con người gây ra.

Hệ thống đã được tích hợp thành phần mềm giao diện đồ họa hoàn chỉnh, có khả năng tự động phiên dịch các bảng điện và câu chữ tiếng Việt chuẩn xác theo quy tắc ngữ pháp hàng hải.

Định hướng tiếp theo trong 6 đến 12 tháng tới là tối ưu hóa mô hình lên các dòng chip nhúng biên chuyên dụng và thử nghiệm thực địa dài ngày trên các tàu hải quân hoạt động ngoài khơi xa.

Quý độc giả, nhà nghiên cứu và kỹ sư quan tâm có thể tiếp cận trọn vẹn mã nguồn, tập dữ liệu thực nghiệm và tài liệu kỹ thuật chi tiết của luận văn tại Khoa Điện - Điện tử, Trường Đại học Bách Khoa – Đại học Quốc gia Thành phố Hồ Chí Minh để cùng hợp tác phát triển và mở rộng các giải pháp thị giác máy tính thông minh trong tương lai.

Trích đoạn nội dung tài liệu

Chương 1 giới thiệu một cách nhìn tổng thể về sự phát triển của trí tuệ nhân tạo, thông tin cờ hiệu phất tay, những khảo sát làm cơ sở cho việc nghiên cứu của đề tài. Tác giả làm rõ vị trí vai trò và tính cấp thiết trong nâng cao hiệu suất thông tin cờ hiệu phất tay, từ những thực trạng trên trình bày lý do lựa chọn đề tài nghiên cứu. Tiếp theo trong chương là phần đối tượng và và phạm vi nghiên cứu, cũng như mục đích nghiên cứu của đề tài. Trong phần cuối Chương, tác giả trình bày những đóng góp và phương pháp nghiên cứu của đề tài.1 Tính cấp thiết 1.1 Xu hướng ứng dụng trí tuệ nhân tạo trong các lĩnh vực hiện nay Khoa học công nghệ ngày càng phát triển, trong đó có ngành công nghệ thông tin với nhiều thành tựu khoa học và tính ứng dụng rất cao trong đời sống con người.

Một số bài toán có tính phức tạp rất cao và không có tính logic thống nhất và rõ ràng, gây rất nhiều khó khăn cho việc lập trình một chương trình theo logic, chính vì điều đó công nghệ trí tuệ nhân tạo AI (Artificial Intelligence) ra đời để giải quyết những bài toán như vậy. AI là một kỹ thuật cho phép máy tính có thể thu thập thông tin, dữ liệu từ một tập dữ liệu ban đầu, sau đó thực hiện suy luận tương tự như con người. Allen Newell và Herbert Simon là những người tiên phong, đặt nền móng đầu tiên cho trí tuệ nhân tạo vào những năm 1950 tại trường đại học Carnegie Mellon [1]. Khái niệm này lần đầu tiên xuất hiện trong một hội nghị vào năm 1956 [2].

Trong thời gian đầu phát triển AI, có rất nhiều khái niệm mang tính mô hình, và rất trì tượng, để máy tính có thể học được những khái niệm mang tính trừu tượng trong thực tế, một khái niệm thu hẹp hơn AI là Máy học (Machine Learning) được ra đời vào những năm 1980. Nối tiếp sự phát triển của máy học trong đó có một hướng nghiên cứu về mạng neural (Neural Network) mang lại một số thành tựu quan trong, mạng neural ngày càng được phát triển và quá trình học của máy tính được cải thiện. 1 Ứng dụng máy học nhận dạng thông tin cờ hiệu phất tay GVHD: PGS. Hà Hoàng Kha Trong đó có kỹ thuật mạng nơ ron học sâu DNN (Deep Neural Network) xử lý các bài toán về lĩnh vực về robot, ngôn ngữ tự nhiên (NLP) và thị giác máy tính CV (Computer Vision) đạt được những kết quả rất cao.1 Ước lượng giá trị thu được từ AI vào năm 2030 của các khu vực trên thế giới [3].1 chúng ta thấy rõ giá trị của ngành trí tuệ nhân tạo ngày càng lớn, trong đó các nước lớn như Trung quốc đang chiếm tỷ lệ rất lớn so với phần còn lại của thế giới, theo sau đó là các nước Bắc Mỹ và Châu Âu.

Châu Á đang chiếm một phần tương đối nhỏ, cho thấy tiềm năng của trí tuệ nhân tạo ở khu vực Châu Á là rất lớn. Tại Việt Nam trong thời gian hơn 30 năm đổi mới, đất nước có nhiều chuyển biến, trở thành một nền kinh tế có tính hội nhập cao. Trong sự phát triển mạnh mẽ của cuộc cách mạng công nghiệp 4.0, chính phủ có nhiều chủ trương trong ứng dụng khoa học công nghệ cao vào các lĩnh vực kỹ thuật, kinh tế…v. được cụ thể hóa bằng quyết định số “38/2020/QĐ-TTg Danh mục công nghệ cao được ưu tiên đầu tư phát triển.

Thủ tướng Chính phủ đã ký, ngày 30/12/2020”, trong quyết định này thể hiện trí tuệ nhân tạo nằm trong danh mục được ưu tiên đầu tư, phát triển đầu tiên.