Luận văn tốt nghiệp: Xây dựng bài toán nhận diện sơ đồ với phương pháp thị giác máy tính

• Tác giả: Trần Hoàng Thịnh
• Người hướng dẫn: Dr. Nguyễn Đức Dũng
• Trường học: Ho Chi Minh University of Technology
• Chuyên ngành: Computer Science
• Đề tài: Building A Diagram Recognition Problem with Machine Vision Approach
• Loại tài liệu: graduation thesis
• Năm xuất bản: 2021
• Địa điểm: Ho Chi Minh City

• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: INTRODUCTION
• 1.1. Object detection methods
• 1.2. Outline
• 1.3. Objectives
• 2. CHƯƠNG 2: RELATED WORKS
• 2.1. Object detection methods
• 2.1.1. Introduction
• 2.1.2. Traditional detector
• 2.1.3. CNN-based Detector
• 2.1.3.1. CNN-based Two Stages Detection (Region Proposal based)
• 3. CHƯƠNG 3: [Tiêu đề chương 3 chưa rõ trong fulltext]
• 4. CHƯƠNG 4: [Tiêu đề chương 4 chưa rõ trong fulltext]
• 5. CHƯƠNG 5: EXPERIMENTS AND RESULTS
• 5.1. Perform training and inference without keypoints
• 5.2. Perform training and inference with keypoints
• 5.3. Building diagram structure from predictions
• TÀI LIỆU THAM KHẢO

I. Giới thiệu

Bài toán nhận diện sơ đồ đóng vai trò quan trọng trong việc số hóa các ý tưởng và thông tin được trình bày bằng hình ảnh. Trong bối cảnh hiện đại, việc chuyển đổi các sơ đồ tay vẽ thành định dạng số không chỉ tiết kiệm thời gian mà còn giúp dễ dàng chỉnh sửa và chia sẻ thông tin. Tuy nhiên, việc này thường gặp khó khăn trong việc nhận diện và phân tích hình ảnh. Do đó, nghiên cứu này tập trung vào việc phát triển một hệ thống thị giác máy tính để nhận diện sơ đồ một cách hiệu quả, sử dụng các kỹ thuật như machine learning và deep learning. Một trong những thách thức lớn nhất là xây dựng một mô hình có thể xử lý và phân tích các hình ảnh sơ đồ với độ chính xác cao.

1.1 Tầm quan trọng của bài toán

Bài toán nhận diện sơ đồ không chỉ là một vấn đề kỹ thuật mà còn có ứng dụng rộng rãi trong nhiều lĩnh vực như giáo dục, quản lý dự án và thiết kế. Việc số hóa sơ đồ giúp cải thiện khả năng lưu trữ và truy xuất thông tin, đồng thời tạo điều kiện cho việc chia sẻ ý tưởng giữa các thành viên trong nhóm. Theo thống kê, việc sử dụng sơ đồ giúp tăng cường khả năng ghi nhớ và hiểu biết của người học, từ đó nâng cao hiệu quả công việc.

II. Các phương pháp nhận diện sơ đồ

Bài viết sẽ phân tích các phương pháp hiện có trong lĩnh vực thị giác máy tính, bao gồm cả thuật toán truyền thống và các mô hình dựa trên mạng nơ-ron. Các phương pháp này được chia thành hai loại chính: nhận diện sơ đồ trực tuyến và ngoại tuyến. Nhận diện sơ đồ trực tuyến yêu cầu người dùng vẽ trực tiếp trên thiết bị, trong khi nhận diện ngoại tuyến sử dụng hình ảnh đã chụp. Mỗi phương pháp có ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp sẽ phụ thuộc vào bối cảnh sử dụng.

2.1 Nhận diện sơ đồ trực tuyến

Nhận diện sơ đồ trực tuyến cho phép người dùng vẽ sơ đồ trên các thiết bị cảm ứng. Phương pháp này có độ chính xác cao và khả năng tương tác tốt, tuy nhiên lại yêu cầu thiết bị chuyên dụng. Các thuật toán như HOG và CNN đã được sử dụng để phát hiện và phân tích các hình vẽ trong thời gian thực, giúp người dùng dễ dàng chỉnh sửa và lưu trữ thông tin.

2.2 Nhận diện sơ đồ ngoại tuyến

Nhận diện sơ đồ ngoại tuyến thường được sử dụng trong các tình huống như hội thảo hoặc cuộc họp, nơi mà sơ đồ được vẽ trên bảng trắng hoặc giấy. Phương pháp này sử dụng các hình ảnh đã chụp và áp dụng các kỹ thuật như phân tích hình ảnh và xử lý hình ảnh để nhận diện các thành phần trong sơ đồ. Các mô hình như Mask R-CNN đã chứng minh được hiệu quả trong việc phát hiện và phân loại các đối tượng trong sơ đồ với độ chính xác cao.

III. Kết quả và thảo luận

Nghiên cứu đã thực hiện các thử nghiệm để đánh giá hiệu suất của mô hình nhận diện sơ đồ. Kết quả cho thấy mô hình đạt độ chính xác lên đến 90% trong việc nhận diện các thành phần trong sơ đồ. Tuy nhiên, một số hạn chế vẫn tồn tại, bao gồm kích thước tập dữ liệu còn nhỏ và khả năng nhận diện các sơ đồ phức tạp còn hạn chế. Việc mở rộng tập dữ liệu và cải thiện thuật toán sẽ là hướng đi quan trọng trong các nghiên cứu tiếp theo.

3.1 Đánh giá mô hình

Mô hình đã được đánh giá dựa trên các tiêu chí như độ chính xác, tốc độ xử lý và khả năng nhận diện các đối tượng khác nhau. Kết quả cho thấy mô hình hoạt động hiệu quả trong môi trường thử nghiệm, tuy nhiên cần thực hiện thêm các thử nghiệm trong điều kiện thực tế để đánh giá chính xác hơn về khả năng áp dụng của mô hình.

3.2 Hướng phát triển tương lai

Để nâng cao khả năng nhận diện sơ đồ, việc nghiên cứu và phát triển các thuật toán mới như thuật toán học sâu và cải thiện tập dữ liệu sẽ là cần thiết. Ngoài ra, việc tích hợp mô hình vào các ứng dụng thực tế sẽ giúp giải quyết các vấn đề trong việc số hóa và chia sẻ sơ đồ, từ đó nâng cao hiệu quả làm việc trong nhiều lĩnh vực.