Chương 1: Tổng quan đề tài Trình bày tổng quan về đề tài của luận văn, lý do chọn đề tài, tìm hiểu tình hình phát triển của nhận diện trong và ngoài nước thấy sự cần thiết của việc nghiên cứu nhận diện, phân loại văn bằng, chứng chỉ thông qua các hình ảnh, tự động phát hiện và phân loại văn bằng, chứng chỉ dựa trên dữ liệu của giáo viên. Từ đó, cơ quan chức năng có những kế hoạch, lộ trình phù hợp và kịp thời để đảm bảo nâng cao năng lực chuyên môn, chất lượng giảng dạy của giáo viên trong cơ quan tổ chức có liên quan… Chương 2: Cơ sở lý thuyết 8 Giới thiệu một số cơ sở lý thuyết, giới thiệu về Azure, ML.net và các phiên bản ML.net, độ chính xác và xử lý ảnh để phù hợp với mô hình học sâu cũng như các phương pháp đánh giá mô hình nhận dạng vật thể. Chương 3: Xây dựng dataset và thiết kế chương trình phân loại văn bằng, chứng chỉ. Sử dụng bộ CSDL của P.GD&ĐT Nhơn Trạch và dữ liệu thu thập được, xử lý dữ liệu chuẩn hoá, gắn nhãn.
Ứng dụng DL để thiết kế một hệ thống phân loại văn bằng, chứng chỉ từ ảnh chụp. Chương 4: Thử nghiệm và đánh giá kết quả. Thử nghiệm và cho ra kết quả, từ đó nhận dạng ưu và nhược điểm của phương pháp đã triển khai trong luận văn. Chương 5: Kết luận và hướng phát triển.
Tổng kết về luận văn, phân tích ưu và nhược điểm của hệ thống, từ đó đưa ra các hướng phát triển, cải tiến trong tương lai cho đề tài. 9 CHƯƠNG II.1 Giới thiệu Để giải quyết bài toán mà luận văn đặt ra, việc đầu tiên là cần nghiên cứu các lý thuyết liên quan đến bài toán phát hiện đối tượng trong ảnh để áp dụng vào phát hiện và phân loại văn bằng, chứng chỉ trong ảnh. Thứ hai là sau khi tìm kiếm đã có bộ dataset 1.000 ảnh về văn bằng, chứng chỉ tương đối chuẩn, có thể áp dụng được. Tuy nhiên chứng chỉ công nghệ công tin, chứng chỉ ngoại ngữ trong bộ dataset đó chưa phong phú đa dạng, chưa đảm bảo được các thể loại biểu mẫu chứng chỉ.
Để đa dạng và dễ quản lý hơn về chứng chỉ ngoại ngữ, chứng chỉ ngoại ngữ được tách thành hai loại: chứng chỉ ngoại ngữ tiếng Việt và chứng chỉ ngoại ngữ tiếng Anh. Ngoài ra, bổ sung thêm 4.000 hình ảnh để có được dataset chuẩn với toàn bộ 5.000 hình ảnh bao gồm 1.000 hình ảnh chứng chỉ công nghệ thông tin (CC_CNTT), 1.000 hình ảnh chứng chỉ ngoại ngữ tiếng Anh (CC_NN_TiengAnh), 1.000 hình ảnh chứng chỉ ngoại ngữ tiếng Việt (CC_NN_TiengViet), 1.000 hình ảnh văn bằng tiếng Anh (VanBang_TiengAnh), 1.000 hình ảnh văn bằng tiếng Việt (VanBang_TiengViet) cho việc dùng máy học huấn luyện và đánh giá độ chính xác cao hơn. Việc đánh dấu khoanh vùng dữ liệu là tốn nhiều công sức nhất vì phải khoanh vùng từng đối tượng có trong ảnh bằng tay, gắn nhãn cho từng đối tượng, sau đó đưa ra tọa độ và nhãn của từng khung, nhờ vậy mới có thể chuyển dữ liệu đánh dấu thành dạng text để mô hình có thể học được.2 Một số cơ sở lý thuyết 2.1 Học máy (Machine Learning) Học máy (Machine Learning - ML) là một lĩnh vực của Trí tuệ nhân tạo (Artificial Intelligence - AI) tập trung vào việc xây dựng và phát triển các hệ thống có khả năng học hỏi và tự điều chỉnh từ dữ liệu mà không cần được lập trình một cách cụ thể. Môn khoa học nhằm phát triển những thuật toán và mô hình thống kê mà các hệ thống máy tính sử dụng để thực hiện dựa vào khuôn mẫu có sẵn từ đó suy luận mà không cần phải hướng dẫn cụ thể.
Ví dụ như các máy có thể "học" cách phân loại thư điện tử xem có phải thư rác (spam) hay không và tự động xếp thư vào thư mục tương ứng. Học máy rất gần với suy diễn thống kê (statistical inference) tuy có khác nhau về thuật ngữ. Một nhánh của học máy là học sâu phát triển rất mạnh mẽ hiện nay và có những kết quả vượt trội so với các phương pháp học máy khác. Nghiên cứu của máy học giúp tự động hóa 10 và tối ưu hóa quá trình.
Nhiều bài toán suy luận được xếp vào loại bài toán NP-khó, vì thế một phần của học máy là nghiên cứu sự phát triển các giải thuật suy luận xấp xỉ mà có thể xử lý được. Các thuật toán thường được dùng có thể được phân loại theo 4 cách học: Máy học có giám sát, máy học không có giám sát, máy học nửa giám sát, máy học tăng cường. Học có giám sát (Supervised Learning) là một loại phương pháp học máy trong lĩnh vực trí tuệ nhân tạo. Trong học có giám sát, mô hình học máy được huấn luyện từ một tập dữ liệu đã được gán nhãn.
Điều này có nghĩa là dữ liệu đào tạo bao gồm các cặp dữ liệu đầu vào và đầu ra mong muốn, tức là đã biết kết quả mong đợi cho từng dữ liệu đầu vào. Ưu điểm của học có giám sát là tính đơn giản và thiết kế dễ dàng. Ví dụ, trong bài toán phân loại email vào hai loại "spam" và "không spam," dữ liệu đào tạo sẽ gồm các email đã được gán nhãn "spam" hoặc "không spam" trước đó. Mô hình học máy được huấn luyện dựa trên tập dữ liệu này để học cách phân loại các email mới vào hai loại.
Cách hoạt động của học có giám sát là mô hình học máy nhận dữ liệu đầu vào và tìm cách ánh xạ chính xác đến kết quả đầu ra tương ứng. Trong quá trình huấn luyện, mô hình được điều chỉnh thông qua việc so sánh kết quả dự đoán với kết quả đầu ra thực tế từ tập dữ liệu đào tạo, và mục tiêu là giảm thiểu sai số giữa các dự đoán và nhãn đích. Học có giám sát là một trong những phương pháp quan trọng và phổ biến nhất trong học máy vì nó cho phép xây dựng các mô hình có khả năng dự đoán và phân loại dữ liệu mới mà chúng ta đã biết đầu ra mong đợi. Tuy nhiên, để thành công, học có giám sát yêu cầu một tập dữ liệu đào tạo đủ lớn và đa dạng để mô hình có thể học được các quy luật và đặc điểm chung từ dữ liệu.
Học không giám sát (Unsupervised Learning): là một phương pháp học máy trong lĩnh vực trí tuệ nhân tạo, ngược lại với học có giám sát (Supervised Learning). Trong học không giám sát, mô hình học máy được huấn luyện từ tập dữ liệu không có nhãn hoặc không có đầu ra mong muốn được gán trước. Thay vì cung cấp cho mô hình các cặp dữ liệu đầu vào và đầu ra mong muốn, học không giám sát chỉ cung cấp các dữ liệu đầu vào và cho phép mô hình tự tìm hiểu cấu trúc, mối quan hệ và cách tổ chức của dữ liệu. Mục tiêu của học không giám sát thường là tìm hiểu những cấu trúc ẩn trong dữ liệu, như các cụm dữ liệu, phân phối xác suất, hoặc biểu đồ tương quan.
Một số phương pháp học không giám sát phổ biến gồm: Phân cụm (Clustering): Phân cụm là quá trình 11 chia dữ liệu thành các nhóm nhỏ dựa trên các đặc trưng tương tự. Ví dụ, một thuật toán phân cụm có thể chia người dùng thành các nhóm dựa trên hành vi mua hàng tương tự. Giảm chiều dữ liệu (Dimensionality Reduction): Giảm chiều dữ liệu là quá trình giảm số chiều của dữ liệu mà vẫn giữ lại các thông tin quan trọng. Điều này giúp giảm khối lượng tính toán và tăng hiệu suất cho việc xử lý dữ liệu.
Gom nhóm dữ liệu (Anomaly Detection): Gom nhóm dữ liệu là quá trình xác định các điểm dữ liệu không tuân theo các mô hình hoặc mẫu thông thường. Mô hình hỗn hợp (Mixture Models): Mixture Models là các mô hình sử dụng để mô tả dữ liệu có thể được tạo ra từ nhiều phân phối xác suất khác nhau. Học không giám sát rất hữu ích khi chúng ta muốn tìm hiểu cấu trúc của dữ liệu mà không cần có nhãn hoặc đầu ra mong muốn trước đó. Nó cũng là một công cụ quan trọng trong việc tiền xử lý dữ liệu và chuẩn bị dữ liệu cho các tác vụ học máy khác.
Học nửa giám sát (Semi-supervised Learning) là một phương pháp học máy kết hợp giữa học có giám sát và học không giám sát. Trong học nửa giám sát, chúng ta sử dụng cả dữ liệu có nhãn (đã được gán nhãn) và dữ liệu không nhãn (không có nhãn) để huấn luyện mô hình học máy. Ưu điểm của học nửa giám sát là không cần một lượng lớn dữ liệu được gắn nhãn. Trong môi trường học nửa giám sát, việc có một lượng lớn dữ liệu không nhãn là khá thường xuyên và dữ liệu có nhãn có thể có ít hơn.
Mục tiêu của học nửa giám sát là tận dụng cả hai loại dữ liệu này để tạo ra mô hình học máy có khả năng học từ những dữ liệu đã được gán nhãn và từ các cấu trúc, mẫu tiềm ẩn trong dữ liệu không nhãn. Có một số phương pháp chính để thực hiện học nửa giám sát: Gán nhãn bằng cách sử dụng mô hình: Một phương pháp phổ biến là sử dụng mô hình học máy có sẵn để dự đoán nhãn cho các điểm dữ liệu không nhãn. Sau đó, các nhãn được dự đoán này được xem như là dữ liệu có nhãn để huấn luyện mô hình chính. Phân loại chung (Co-training): Phân loại chung là một phương pháp trong đó mô hình học máy được huấn luyện trên hai tập dữ liệu khác nhau đồng thời và độc lập.
Mỗi tập dữ liệu chứa một phần của dữ liệu có nhãn và một phần của dữ liệu không nhãn. Phân loại tiếp cận hai giai đoạn (Two-step Approaches): Phương pháp này chia quá trình học thành hai giai đoạn. Trước tiên, mô hình được huấn luyện bằng cách sử dụng dữ liệu có nhãn. Sau đó, mô hình được điều chỉnh và đánh giá bằng cách sử dụng dữ liệu không nhãn.
Học nửa giám sát hữu ích trong nhiều trường hợp khi dữ liệu có nhãn có giới hạn hoặc đòi 12 hỏi chi phí cao để thu thập nhãn. Bằng cách sử dụng dữ liệu không nhãn, học nửa giám sát giúp tận dụng tối đa nguồn dữ liệu có sẵn và tăng cường khả năng học của mô hình. Học tăng cường (Reinforcement Learning): là một phương pháp học máy trong lĩnh vực trí tuệ nhân tạo, nơi một hệ thống hoạt động tương tác với môi trường và học từ kinh nghiệm thông qua việc nhận phần thưởng (reward) hoặc phạt (penalty) từ các hành động của nó. Trong học tăng cường, môi trường được mô tả bằng một tập trạng thái (state) và một tập hành động (action) có thể thực hiện từ mỗi trạng thái.