Ứng Dụng Thị Giác Máy Tính Để Trích Xuất Số Báo Danh Và Điểm Thi Tuyển Sinh Lớp 10

• Tác giả: Trần Ngọc Đông Chu
• Người hướng dẫn: TS. Phan Ngọc Hoàng
• Trường học: Trường Đại Học Bà Rịa – Vũng Tàu
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Ứng Dụng Thị Giác Máy Tính Để Trích Xuất Số Báo Danh Và Điểm Thi Tuyển Sinh Lớp 10
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Vũng Tàu

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. MỞ ĐẦU
• 1.1. Mục tiêu của luận văn
• 1.2. Nội dung nghiên cứu
• 1.3. Mục tiêu nghiên cứu
• 1.4. Phạm vi nghiên cứu
• 1.5. Ý nghĩa của đề tài
• 1.5.1. Ý nghĩa khoa học
• 1.5.2. Ý nghĩa thực tiễn
• 1.6. Bố cục luận văn
• 1.7. Các vấn đề cơ bản về xử lý ảnh
• 1.7.1. Ảnh số và điểm ảnh
• 1.7.2. Nắn chỉnh biến dạng
• 1.7.3. Những kỹ thuật xử lý ảnh
• 1.7.3.1. Lọc mịn ảnh
• 1.7.3.2. Nhị phân ảnh
• 1.7.3.3. Lấy ngưỡng
• 1.7.3.4. Một số phương pháp xử lý ảnh số
• 1.7.3.5. Các kỹ thuật lọc nhiễu
• 1.7.3.6. Kỹ thuật phân ngưỡng
• 1.7.4. Các phương pháp nhận dạng chữ số viết tay
• 1.7.4.1. Phương pháp đối sánh mẫu
• 1.7.4.2. Phương pháp tiếp cận cấu trúc
• 1.7.4.3. Phương pháp học máy với SVM (Support Vector Machine)
• 1.7.5. Độ nhiễu của ảnh. Biên và các kỹ thuật tìm biên
• 1.7.5.1. Dò biên và mã hóa đường biên
• 1.7.5.2. Xác định hướng của điểm biên (Freeman code)
• 1.7.5.3. Làm trơn đường biên
• 1.7.5.4. Phương pháp phát hiện biên cục bộ Gradient
• 1.7.5.5. Thuật toán tìm biên Canny
• 1.8. MÔ HÌNH MẠNG NƠ-RON TÍCH CHẬP
• 1.8.1. Mạng Nơ-ron nhân tạo (ANN)
• 1.8.2. Khái niệm về Nơ-ron sinh học
• 1.8.3. Mạng Nơ-ron nhân tạo
• 1.8.4. Kiến trúc mạng
• 1.8.5. Mạng một tầng
• 1.8.6. Huấn luyện mạng Nơ-ron
• 1.8.7. Mạng Nơ-ron tích chập (Convolutional Neural Networks – CNNs)
• 1.8.7.1. Khái niệm CNNs
• 1.8.7.2. Cấu trúc mạng Nơ-ron tích chập
• 1.8.7.3. Những phương pháp tích chập
• 1.9. XÂY DỰNG CHƯƠNG TRÌNH THỰC NGHIỆM NHẬN DẠNG CHỮ SỐ VIẾT TAY
• 1.9.1. Mô tả bài toán nhận dạng chữ viết tay
• 1.9.2. Dữ liệu đầu vào của bài toán
• 1.9.3. Thuật toán nhận diện số báo danh và điểm
• 1.9.4. Chi tiết quá trình thực hiện thuật toán nhận dạng
• 1.9.4.1. Tiền xử lý ảnh
• 1.9.4.2. Xác định biên, tách vùng số báo danh và điểm
• 1.9.4.3. Xây dựng mạng Nơ-ron nhận dạng chữ số viết tay
• 1.9.5. Huấn luyện mạng Nơ-ron
• 1.9.6. Xây dựng chương trình thử nghiệm
• 1.9.6.1. Giới thiệu python
• 1.9.6.2. Giới thiệu về thư viện mã nguồn mở OpenCV
• 1.9.6.3. Giới thiệu về Tensorflow
• 1.9.7. Xây dựng mô hình mạng tích chập của nhận dạng chữ số viết tay trong nhận dạng số báo danh và điểm thi
• 1.9.8. Xây dựng thực nghiệm
• 1.9.9. Chấm điểm từ file
• 1.9.10. Kết quả chương trình thực nghiệm
• 1.9.11. Kết quả của thuật toán đã đề xuất
• 1.9.12. Đánh giá kết quả
• 2. KẾT LUẬN VÀ KIẾN NGHỊ
• TÀI LIỆU THAM KHẢO

I. Tổng Quan Ứng Dụng Thị Giác Máy Tính Nhận Dạng SBD Điểm

Thị giác máy tính đang ngày càng được ứng dụng rộng rãi trong nhiều lĩnh vực, và giáo dục không phải là ngoại lệ. Khả năng nhận dạng ảnh và xử lý ảnh của thị giác máy tính mở ra tiềm năng lớn trong việc tự động hóa các quy trình thủ công, đặc biệt là trong khâu chấm thi. Luận văn này tập trung vào ứng dụng thị giác máy tính để trích xuất thông tin từ phiếu thi, cụ thể là số báo danh lớp 10 và điểm thi lớp 10. Việc này giúp giảm thiểu sai sót do nhập liệu thủ công, tiết kiệm thời gian và công sức cho giáo viên. Xu hướng ứng dụng AI trong giáo dục ngày càng phát triển, và việc tự động hóa chấm thi là một bước tiến quan trọng. Các công nghệ như học máy, mạng nơ-ron, và OCR (Optical Character Recognition) đóng vai trò then chốt trong việc xây dựng các hệ thống nhận dạng chính xác. Bài toán nhận dạng số báo danh và điểm thi là một thách thức thú vị, đòi hỏi sự kết hợp giữa các kỹ thuật xử lý ảnh và AI tiên tiến. Ứng dụng thành công sẽ mang lại lợi ích thiết thực cho ngành giáo dục, đặc biệt là trong các kỳ thi quan trọng.

1.1. Tiềm năng của Thị Giác Máy Tính Trong Giáo Dục

Thị giác máy tính không chỉ dừng lại ở việc nhận dạng ký tự và số. Nó còn có thể được ứng dụng để phân tích hành vi của học sinh, đánh giá chất lượng bài giảng, và tạo ra các công cụ hỗ trợ học tập cá nhân hóa. Việc ứng dụng AI trong giáo dục mang lại rất nhiều tiềm năng. Việc phát triển các giải pháp nhận dạng ảnh và xử lý ảnh hiệu quả là vô cùng quan trọng để hiện thực hóa những tiềm năng này. Theo một nghiên cứu gần đây, việc sử dụng thị giác máy tính trong chấm thi có thể giảm thời gian chấm thi tới 50%.

1.2. Vai Trò Của Tự Động Hóa Chấm Thi Đối Với Giáo Viên

Giáo viên thường phải dành rất nhiều thời gian cho việc chấm thi, đặc biệt là các bài thi tự luận. Việc tự động hóa chấm thi giúp giải phóng thời gian quý báu này để giáo viên có thể tập trung vào các hoạt động giảng dạy và nghiên cứu khác. Ngoài ra, tự động hóa còn giúp giảm thiểu căng thẳng và áp lực cho giáo viên, đồng thời đảm bảo tính công bằng và khách quan trong việc đánh giá kết quả học tập của học sinh. Việc triển khai các hệ thống nhận dạng hiệu quả là một bước quan trọng để hỗ trợ giáo viên và nâng cao chất lượng giáo dục.

II. Thách Thức Nhận Dạng Chữ Viết Tay Trong Phiếu Thi Lớp 10

Việc nhận dạng chữ viết tay luôn là một bài toán khó trong lĩnh vực xử lý ảnh. Mỗi người có một kiểu chữ riêng, và chữ viết tay thường không đồng đều, gây khó khăn cho các thuật toán nhận dạng. Trong bối cảnh nhận dạng số báo danh và điểm thi lớp 10, thách thức càng lớn hơn do số lượng lớn bài thi cần xử lý, chất lượng ảnh scan không phải lúc nào cũng tốt, và sự đa dạng trong cách viết của học sinh. Để giải quyết bài toán này, cần phải áp dụng các kỹ thuật xử lý ảnh tiên tiến, kết hợp với các mô hình học máy mạnh mẽ, đặc biệt là mạng nơ-ron. Mục tiêu là đạt được độ chính xác nhận dạng cao, đồng thời đảm bảo tốc độ xử lý nhanh chóng để đáp ứng nhu cầu thực tế. Việc nghiên cứu và phát triển các giải pháp nhận dạng chữ viết tay hiệu quả là vô cùng cần thiết để hỗ trợ ngành giáo dục.

2.1. Ảnh Hưởng Của Chất Lượng Ảnh Scan Đến Độ Chính Xác

Chất lượng ảnh scan đóng vai trò quan trọng trong việc nhận dạng. Ảnh mờ, nhiễu, hoặc bị biến dạng sẽ làm giảm độ chính xác nhận dạng. Do đó, cần phải áp dụng các kỹ thuật tiền xử lý ảnh để cải thiện chất lượng ảnh trước khi đưa vào các mô hình nhận dạng. Các kỹ thuật này có thể bao gồm lọc nhiễu, tăng độ tương phản, và nắn chỉnh biến dạng. Việc đảm bảo chất lượng ảnh đầu vào là một yếu tố then chốt để đạt được kết quả nhận dạng tốt nhất.

2.2. Sự Đa Dạng Trong Chữ Viết Tay Của Học Sinh Lớp 10

Học sinh lớp 10 thường có nhiều kiểu chữ viết tay khác nhau, từ chữ in hoa đến chữ thường, từ chữ rõ ràng đến chữ cẩu thả. Sự đa dạng này gây khó khăn cho các mô hình nhận dạng. Cần phải huấn luyện các mô hình này với một lượng lớn dữ liệu đa dạng để chúng có thể học được các đặc trưng chung của chữ viết tay, đồng thời có khả năng thích nghi với các kiểu chữ khác nhau. Việc thu thập và chuẩn bị dữ liệu huấn luyện là một công việc quan trọng và tốn nhiều thời gian.

III. Phương Pháp Xây Dựng Mô Hình CNN Nhận Dạng Số Báo Danh

Để giải quyết bài toán nhận dạng số báo danh và điểm thi lớp 10, luận văn này đề xuất sử dụng mạng nơ-ron tích chập (CNN). CNN là một kiến trúc mạng nơ-ron đặc biệt hiệu quả trong việc xử lý ảnh và nhận dạng ảnh. Ưu điểm của CNN là khả năng tự động học các đặc trưng quan trọng từ ảnh, giảm thiểu sự can thiệp thủ công. Mô hình CNN sẽ được huấn luyện với một tập dữ liệu lớn các ảnh số báo danh và điểm thi, sau đó được sử dụng để nhận dạng các ảnh mới. Quá trình huấn luyện bao gồm việc điều chỉnh các tham số của mạng nơ-ron để đạt được độ chính xác nhận dạng cao nhất. Các thư viện như TensorFlow và OpenCV sẽ được sử dụng để xây dựng và triển khai mô hình CNN.

3.1. Kiến Trúc Mạng CNN Phù Hợp Cho Nhận Dạng Chữ Số

Kiến trúc mạng CNN đóng vai trò quan trọng trong việc đạt được hiệu suất cao. Các lớp tích chập (convolutional layers) có nhiệm vụ trích xuất các đặc trưng từ ảnh, trong khi các lớp gộp (pooling layers) giảm kích thước của các đặc trưng này. Các lớp kết nối đầy đủ (fully connected layers) thực hiện việc phân loại cuối cùng. Việc lựa chọn số lượng lớp, kích thước bộ lọc, và các tham số khác cần được thực hiện một cách cẩn thận để tối ưu hóa hiệu suất của mạng nơ-ron.

3.2. Huấn Luyện Mô Hình CNN Với Dữ Liệu Phiếu Thi Thực Tế

Dữ liệu huấn luyện đóng vai trò then chốt trong việc xây dựng một mô hình nhận dạng chính xác. Cần phải thu thập một lượng lớn dữ liệu phiếu thi thực tế, sau đó chuẩn bị và gán nhãn cho dữ liệu này. Các kỹ thuật tăng cường dữ liệu (data augmentation) có thể được sử dụng để tăng số lượng dữ liệu huấn luyện, đồng thời giúp mô hình trở nênRobust hơn trước các biến thể trong ảnh. Việc đánh giá hiệu suất của mô hình trên một tập dữ liệu kiểm tra độc lập là cần thiết để đảm bảo tính tổng quát của mô hình.

3.3. Sử Dụng OpenCV và TensorFlow Để Xây Dựng Mô Hình

OpenCV là một thư viện mã nguồn mở mạnh mẽ cho xử lý ảnh, cung cấp nhiều hàm và công cụ hữu ích cho việc tiền xử lý ảnh, trích xuất đặc trưng, và hiển thị kết quả. TensorFlow là một framework mã nguồn mở cho học máy, cung cấp các công cụ để xây dựng, huấn luyện, và triển khai các mô hình mạng nơ-ron. Sự kết hợp giữa OpenCV và TensorFlow cho phép xây dựng các hệ thống nhận dạng ảnh mạnh mẽ và linh hoạt.

IV. Ứng Dụng Trích Xuất Điểm Thi Lớp 10 Trường THPT Vũng Tàu

Mục tiêu cuối cùng của luận văn là ứng dụng mô hình CNN đã được huấn luyện để trích xuất số báo danh và điểm thi từ phiếu thi thực tế của trường THPT Vũng Tàu. Quy trình ứng dụng bao gồm việc scan các phiếu thi, tiền xử lý ảnh để cải thiện chất lượng ảnh, xác định vị trí của số báo danh và điểm thi, nhận dạng các ký tự trong vùng này, và xuất kết quả ra file Excel. Việc đánh giá hiệu suất của hệ thống trên dữ liệu thực tế là rất quan trọng để đảm bảo tính khả thi của giải pháp. Các chỉ số như độ chính xác nhận dạng, tốc độ xử lý, và khả năng xử lý các trường hợp ngoại lệ sẽ được đánh giá.

4.1. Quy Trình Tiền Xử Lý Ảnh Scan Phiếu Thi Tuyển Sinh

Quy trình tiền xử lý ảnh bao gồm nhiều bước, như chuyển đổi ảnh sang ảnh xám, lọc nhiễu, tăng độ tương phản, và nhị phân hóa ảnh. Mục tiêu là làm cho ảnh trở nên rõ ràng và dễ nhận dạng hơn. Các tham số của các bước tiền xử lý cần được điều chỉnh để phù hợp với đặc điểm của từng loại phiếu thi. Việc sử dụng các công cụ và hàm của OpenCV giúp đơn giản hóa quy trình tiền xử lý.

4.2. Đánh Giá Độ Chính Xác Và Tốc Độ Nhận Dạng Trên Dữ Liệu Thực

Độ chính xác nhận dạng là một chỉ số quan trọng để đánh giá hiệu suất của hệ thống. Nó được tính bằng tỷ lệ số lượng số báo danh và điểm thi được nhận dạng đúng trên tổng số lượng số báo danh và điểm thi cần nhận dạng. Tốc độ xử lý cũng là một yếu tố quan trọng, đặc biệt là khi xử lý một lượng lớn phiếu thi. Cần phải tìm ra sự cân bằng giữa độ chính xác và tốc độ để đáp ứng yêu cầu thực tế.

V. Kết Luận Tiềm Năng Phát Triển Ứng Dụng Nhận Dạng Điểm Thi

Luận văn đã trình bày một phương pháp ứng dụng thị giác máy tính để nhận dạng số báo danh và điểm thi lớp 10. Kết quả nghiên cứu cho thấy mạng nơ-ron tích chập (CNN) là một công cụ hiệu quả để giải quyết bài toán này. Mặc dù còn nhiều thách thức cần vượt qua, nhưng tiềm năng phát triển của ứng dụng này là rất lớn. Trong tương lai, có thể mở rộng ứng dụng để nhận dạng các loại bài thi khác, nhận dạng chữ viết tay tự do, và phân tích nội dung bài thi. Việc ứng dụng AI trong giáo dục sẽ ngày càng trở nên phổ biến, và các nghiên cứu như luận văn này đóng góp vào sự phát triển của lĩnh vực này.

5.1. Hướng Phát Triển Nhận Dạng Các Loại Bài Thi Khác

Ngoài nhận dạng số báo danh và điểm thi, có thể mở rộng ứng dụng để nhận dạng các thông tin khác trên phiếu thi, như tên học sinh, lớp học, và mã đề thi. Thậm chí, có thể nhận dạng các loại bài thi khác, như bài thi trắc nghiệm, bài thi tự luận, và bài kiểm tra thực hành. Điều này đòi hỏi việc thu thập và chuẩn bị dữ liệu huấn luyện phù hợp cho từng loại bài thi.

5.2. Nghiên Cứu Các Thuật Toán Học Sâu Mới Nhất

Lĩnh vực học sâu đang phát triển rất nhanh chóng, với sự ra đời của nhiều thuật toán và kiến trúc mạng nơ-ron mới. Việc nghiên cứu và áp dụng các thuật toán mới nhất có thể giúp cải thiện độ chính xác nhận dạng và tốc độ xử lý. Các thuật toán như Transformer, GAN, và Reinforcement Learning có thể mang lại những kết quả ấn tượng trong các bài toán nhận dạng ảnh.

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của công nghệ thông tin và trí tuệ nhân tạo, việc ứng dụng thị giác máy tính trong giáo dục ngày càng trở nên thiết yếu. Tại trường THPT Vũng Tàu, với số lượng học sinh hàng năm khoảng 2000-2300, công tác chấm thi tự luận và nhập điểm thủ công đang gặp nhiều khó khăn về thời gian và độ chính xác. Việc tự động hóa quá trình trích xuất số báo danh và điểm thi từ phiếu chấm thi viết tay không chỉ giúp giảm thiểu sai sót mà còn nâng cao hiệu quả quản lý giáo dục. Mục tiêu nghiên cứu của luận văn là xây dựng mô hình nhận dạng chữ số viết tay dựa trên mạng Nơ-ron tích chập (CNN) để trích xuất số báo danh và điểm thi tuyển sinh lớp 10 tại trường THPT Vũng Tàu. Phạm vi nghiên cứu tập trung vào hình ảnh scan phiếu chấm tay trong kỳ thi tuyển sinh lớp 10, với dữ liệu đầu vào là các chữ số từ 0 đến 9 viết tay. Ý nghĩa của đề tài thể hiện rõ qua việc tiết kiệm thời gian chấm thi, giảm thiểu sai sót nhập liệu, đồng thời tạo nền tảng ứng dụng công nghệ 4.0 trong giáo dục tỉnh Bà Rịa – Vũng Tàu. Kết quả nghiên cứu có tiềm năng mở rộng ứng dụng cho các kỳ thi khác do Sở Giáo dục và Đào tạo tỉnh tổ chức, góp phần nâng cao chất lượng quản lý và giảng dạy.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình sau:

• Xử lý ảnh số (Digital Image Processing): Bao gồm các kỹ thuật tiền xử lý như khử nhiễu, chỉnh mức xám, nắn chỉnh biến dạng và phân ngưỡng ảnh. Các phương pháp lọc mịn như lọc trung bình, lọc Gaussian và lọc trung vị được áp dụng để nâng cao chất lượng ảnh đầu vào.

• Nhận dạng chữ số viết tay: Các phương pháp phổ biến gồm đối sánh mẫu, phương pháp cấu trúc, học máy với SVM và mạng Nơ-ron nhân tạo. Trong đó, mạng Nơ-ron tích chập (CNN) được lựa chọn do khả năng học đặc trưng hình ảnh hiệu quả và đạt độ chính xác cao trong nhận dạng chữ số viết tay.

• Mạng Nơ-ron tích chập (CNN): Mô hình học sâu chuyên dụng cho xử lý ảnh, gồm các lớp tích chập, lớp gộp và lớp kết nối đầy đủ. CNN có khả năng tự động trích xuất đặc trưng từ ảnh đầu vào, giảm thiểu sự phụ thuộc vào việc thiết kế đặc trưng thủ công.

Các khái niệm chính bao gồm điểm ảnh (pixel), độ xám ảnh (grayscale), biên ảnh (edge detection), ngưỡng ảnh (thresholding), và các thuật toán phát hiện biên như Canny.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Hình ảnh scan phiếu chấm tay từ kỳ thi tuyển sinh lớp 10 tại trường THPT Vũng Tàu, bao gồm khoảng vài nghìn mẫu chữ số viết tay từ 0 đến 9.

• Phương pháp phân tích: Tiền xử lý ảnh bao gồm khử nhiễu, chỉnh mức xám, nắn chỉnh biến dạng và phân ngưỡng để tạo ảnh nhị phân. Sau đó, sử dụng thuật toán phát hiện biên Canny để xác định vùng chứa chữ số. Mô hình CNN được xây dựng và huấn luyện trên tập dữ liệu MNIST kết hợp dữ liệu thực tế thu thập được, nhằm nhận dạng chính xác chữ số viết tay.

• Cỡ mẫu và chọn mẫu: Khoảng vài nghìn ảnh chữ số viết tay được thu thập từ phiếu chấm thi thực tế và tập dữ liệu chuẩn MNIST. Phương pháp chọn mẫu ngẫu nhiên đảm bảo tính đại diện cho các kiểu chữ viết khác nhau.

• Timeline nghiên cứu: Quá trình nghiên cứu kéo dài trong 6 tháng, bao gồm thu thập dữ liệu (1 tháng), tiền xử lý và xây dựng mô hình (3 tháng), thử nghiệm và đánh giá (2 tháng).

• Công cụ và ngôn ngữ lập trình: Python với các thư viện OpenCV cho xử lý ảnh và TensorFlow cho xây dựng mô hình CNN.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả tiền xử lý ảnh: Sau khi áp dụng các kỹ thuật khử nhiễu, chỉnh mức xám và nắn chỉnh biến dạng, chất lượng ảnh đầu vào được cải thiện rõ rệt, giúp tăng độ chính xác nhận dạng chữ số lên khoảng 15% so với ảnh gốc chưa xử lý.

2. Độ chính xác mô hình CNN: Mô hình CNN huấn luyện trên dữ liệu kết hợp đạt độ chính xác nhận dạng chữ số viết tay khoảng 96,5%, cao hơn so với các phương pháp truyền thống như SVM (khoảng 89%) và KNN (khoảng 85%).

3. Tốc độ xử lý: Hệ thống có khả năng xử lý và trích xuất số báo danh và điểm thi từ một phiếu chấm trong vòng dưới 2 giây, giúp tiết kiệm đáng kể thời gian so với phương pháp thủ công.

4. Khả năng ứng dụng thực tế: Mô hình đã được thử nghiệm trên hơn 500 phiếu chấm thi thực tế tại trường THPT Vũng Tàu, với tỷ lệ nhận dạng chính xác số báo danh và điểm thi đạt trên 94%, giảm thiểu sai sót nhập liệu đáng kể.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình CNN đạt hiệu quả cao là khả năng tự động trích xuất đặc trưng từ ảnh, giảm thiểu ảnh hưởng của biến dạng và nhiễu trong ảnh chụp phiếu chấm. So với các nghiên cứu khác trong lĩnh vực nhận dạng chữ số viết tay, kết quả này tương đương hoặc vượt trội nhờ áp dụng kỹ thuật tiền xử lý ảnh kỹ lưỡng và kết hợp dữ liệu thực tế với tập dữ liệu chuẩn MNIST. Việc sử dụng thuật toán Canny trong phát hiện biên giúp xác định chính xác vùng chứa chữ số, từ đó nâng cao hiệu quả nhận dạng. Kết quả có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các phương pháp và bảng thống kê tỷ lệ nhận dạng thành công trên các bộ dữ liệu thử nghiệm. Ý nghĩa của nghiên cứu không chỉ nằm ở việc tự động hóa quy trình chấm thi mà còn mở ra hướng phát triển các ứng dụng công nghệ 4.0 trong quản lý giáo dục, góp phần nâng cao chất lượng và hiệu quả công tác thi cử.

Đề xuất và khuyến nghị

1. Triển khai hệ thống nhận dạng tự động tại các trường THPT trong tỉnh: Đẩy mạnh ứng dụng mô hình CNN để tự động trích xuất số báo danh và điểm thi, nhằm giảm thiểu sai sót và tiết kiệm thời gian chấm thi. Thời gian thực hiện dự kiến trong 1 năm, do Sở Giáo dục và Đào tạo tỉnh chủ trì phối hợp với các trường.

2. Nâng cao chất lượng dữ liệu đầu vào: Đề xuất cải tiến quy trình quét phiếu chấm thi với thiết bị có độ phân giải cao và ánh sáng ổn định để giảm nhiễu và biến dạng ảnh, từ đó nâng cao độ chính xác nhận dạng. Thời gian thực hiện trong 6 tháng, do các trường phối hợp với phòng công nghệ thông tin.

3. Phát triển phần mềm tích hợp đa chức năng: Kết hợp nhận dạng chữ số viết tay với các tính năng quản lý điểm thi, báo cáo tự động và lưu trữ dữ liệu điện tử, tạo thành hệ thống quản lý thi hiện đại. Thời gian phát triển dự kiến 12 tháng, do các đơn vị công nghệ thông tin và nhà trường phối hợp thực hiện.

4. Đào tạo và nâng cao năng lực cho cán bộ giáo viên: Tổ chức các khóa đào tạo về sử dụng phần mềm và công nghệ thị giác máy tính trong quản lý thi cử, giúp cán bộ giáo viên làm quen và khai thác hiệu quả công nghệ mới. Thời gian triển khai liên tục hàng năm, do Sở Giáo dục và Đào tạo tổ chức.

Đối tượng nên tham khảo luận văn

1. Cán bộ quản lý giáo dục: Giúp hiểu rõ về ứng dụng công nghệ thị giác máy tính trong quản lý thi cử, từ đó đề xuất các giải pháp nâng cao hiệu quả công tác quản lý.

2. Giáo viên và cán bộ chấm thi: Hỗ trợ giảm tải công việc nhập điểm thủ công, tăng độ chính xác và tiết kiệm thời gian trong quá trình chấm thi.

3. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin: Cung cấp kiến thức chuyên sâu về xử lý ảnh, mạng Nơ-ron tích chập và ứng dụng thực tế trong lĩnh vực giáo dục.

4. Các đơn vị phát triển phần mềm giáo dục: Là tài liệu tham khảo quý giá để phát triển các sản phẩm phần mềm hỗ trợ quản lý thi cử và nhận dạng chữ số viết tay.

Câu hỏi thường gặp

1. Mô hình CNN có thể áp dụng cho các loại chữ viết tay khác không?
   Mô hình CNN có khả năng học đặc trưng từ dữ liệu, do đó có thể được huấn luyện lại để nhận dạng chữ viết tay của các ngôn ngữ hoặc kiểu chữ khác nhau, miễn là có đủ dữ liệu huấn luyện phù hợp.

2. Độ chính xác nhận dạng có bị ảnh hưởng bởi chất lượng ảnh không?
   Có, chất lượng ảnh đầu vào như độ phân giải, ánh sáng và nhiễu ảnh ảnh hưởng trực tiếp đến hiệu quả nhận dạng. Việc tiền xử lý ảnh giúp giảm thiểu tác động tiêu cực này.

3. Phần mềm có thể xử lý các phiếu chấm thi bị nghiêng hoặc biến dạng không?
   Có, hệ thống áp dụng kỹ thuật nắn chỉnh biến dạng và chỉnh nghiêng ảnh để chuẩn hóa hình ảnh trước khi nhận dạng, giúp tăng độ chính xác.

4. Thời gian xử lý một phiếu chấm thi là bao lâu?
   Thời gian trung bình xử lý một phiếu chấm thi dưới 2 giây, nhanh hơn nhiều so với phương pháp thủ công truyền thống.

5. Hệ thống có thể tích hợp với phần mềm quản lý điểm hiện có không?
   Có, kết quả trích xuất được xuất ra file Excel hoặc định dạng phù hợp để dễ dàng nhập vào các phần mềm quản lý điểm thi hiện hành.

Kết luận

• Nghiên cứu đã xây dựng thành công mô hình nhận dạng chữ số viết tay dựa trên mạng Nơ-ron tích chập (CNN) với độ chính xác trên 96%.
• Các kỹ thuật tiền xử lý ảnh như khử nhiễu, chỉnh mức xám và nắn chỉnh biến dạng đóng vai trò quan trọng trong việc nâng cao hiệu quả nhận dạng.
• Hệ thống đã được thử nghiệm thực tế tại trường THPT Vũng Tàu, cho kết quả nhận dạng số báo danh và điểm thi chính xác trên 94%, tiết kiệm thời gian và giảm sai sót nhập liệu.
• Đề xuất triển khai rộng rãi hệ thống tại các trường THPT trong tỉnh, đồng thời phát triển phần mềm tích hợp đa chức năng và đào tạo cán bộ giáo viên.
• Các bước tiếp theo bao gồm mở rộng dữ liệu huấn luyện, nâng cao tính năng phần mềm và phối hợp với các đơn vị quản lý giáo dục để ứng dụng thực tiễn.

Hãy bắt đầu ứng dụng công nghệ thị giác máy tính để nâng cao hiệu quả quản lý giáo dục ngay hôm nay!