Tìm hiểu mạng neural network CNN và ứng dụng

KHOA KỸ THUẬT VÀ CÔNG NGHỆ BỘ MÔN CÔNG NGHỆ THÔNG TIN ĐỒ ÁN TÌM HIỂU MẠNG NEURAL NETWORK CNN VÀ ỨNG DỤNG SỬ DỤNG NHẬN DẠNG KHUÔN MẶT VÀ PHÂN TÍCH ĐỐI TƯỢNG THÔNG QUA CAMERA

KHOA KỸ THUẬT VÀ CÔNG NGHỆ BỘ MÔN CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ NGÀNH HỌC KỲ 2, NĂM HỌC 2019 – 2020 TÌM HIỂU MẠNG NEURAL NETWORK CNN VÀ ỨNG DỤNG Giáo viên hướng dẫn: Sinh viên thực hiện: Họ tên: Ngô Thanh Huy Họ tên: Trương Quốc Huy MSSV:110119016 Lớp: DA19TTA Trà Vinh, tháng 5, năm 2021 KHOA KỸ THUẬT VÀ CÔNG NGHỆ BỘ MÔN CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ NGÀNH HỌC KỲ 2, NĂM HỌC 2019 – 2020 TÌM HIỂU MẠNG NEURAL NETWORK CNN VÀ ỨNG DỤNG Giáo viên hướng dẫn: Sinh viên thực hiện: Họ tên: Ngô Thanh Huy Họ tên: Trương Quốc Huy MSSV:110119016 Lớp: DA19TTA Trà Vinh, tháng 5, năm 2021 ` NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Trà Vinh, ngày … tháng …… năm 2021 (Ký tên ghi rõ họ tên) 3 NHẬN XÉT CỦA THÀNH VIÊN HỘI ĐỒNG Trà Vinh, ngày … tháng …… năm 2021 (Ký tên ghi rõ họ tên) 4 LỜI CẢM ƠN Em xin chân thành cảm ơn thầy cô trường Đại học Trà Vinh, đặc biệt thầy cô mơn Cơng nghệ thơng tin, tận tình dạy dỗ, giúp đỡ tạo điều kiện tốt cho em suốt quãng thời gian em theo học trường, để em hồn thành đề tài Em tỏ lòng biết ơn sâu sắc với thầy Ngơ Thanh Huy, người thầy tận tình hướng dẫn khoa học giúp đỡ, bảo em suốt q trình nghiên cứu hồn thành đồ án sở ngành Tôi xin chân thành cảm ơn bạn sinh viên lớp DA19TTA trường Đại học Trà Vinh giúp đỡ tơi q trình theo học trường, giúp đỡ thực đề tài Xin trân trọng cảm ơn! 5 MỤC LỤC DANH MỤC HÌNH ẢNH – BẢNG BIỂU 6 CHƯƠNG MỞ ĐẦU 1.1 Lí chọn đề tài Trong giai đoạn gần đây, cụm từ cách mạng công nghiệp lần thứ tư nhắc đến nhiều truyền thông Khái niệm cách mạng công nghiệp 4.0 đưa dựa xu bùng nổ nhiều công nghệ : Công nghệ truyền dẫn tốc độ cao, trí tuệ nhân tạo, Điện tốn lượng tử, Internet vạn vật, 5G, GPU hàng ngàn nhân, công nghệ chế tạo nhớ đạt nhiều đột phá Song song với đó, cơng nghệ dần làm thiết bị nhỏ lại, sức mạnh tăng lên đáng kể Công nghệ mạch nhúng bùng nổ không với nhiều mạch nhúng nhỏ, sử dụng lượng điện khiêm tốn, khả tính tốn lên tới hàng ngàn tỉ phép tính giây, tương đương sức mạnh siêu máy tính cách khoảng 20 năm Máy tính có sức mạnh tính tốn lớn giá thành lại mức phổ thông, dẫn tới người làm nghiên cứu dễ dàng để tự kiểm nghiệm lý thuyết trí tuệ nhân tạo từ nhiều năm trước Cùng với mã nguồn mở, sóng trí tuệ nhân tạo bùng nổ mạnh mẽ thời gian gần đây, đem lại nhiều ứng dụng đời sống Chính lý trên, việc tìm hiểu nghiên cứu thị giác máy tính có ý nghĩa thiết thực Hiện giới, nhiều nước ứng dụng thị giác máy tính vào đời sống hàng ngày, ví dụ SkyNet Trung Quốc 1.2 Cơ sở khoa học thực tiễn đề tài Học máy (Machine learning) phương pháp phân tích liệu tự động hóa phân tích liệu tìm trích xuất đặc trưng liệu Học máy sử dụng thuật toán trừu tượng để tự học từ liệu, cho phép máy tính tìm thấy thơng tin có giá trị ẩn sâu mà khơng thể lập trình cách thơng thường Khi tiếp xúc với liệu mới, học máy thích ứng nhanh độc lập Học sâu (Deep Learning) ngành đặc biệt học máy Học sâu sử dụng mạng nơ ron nhân tạo (Artificial Neural Networks) để giải tốn mà tính tốn cứng Học sâu thường ứng dụng nhận diện hình ảnh, nhận diện giọng nói, xử lý ngơn ngữ tự nhiên dự đoán Mạng nơ ron nhân tạo (Artificial Neural Networks) mơ hình xử lý thơng tin, cấu thành từ lớp nơ ron, đời sở mô hoạt động não 7 sinh vật Mạng nơ ron nhân tạo gắn kết nhiều nơ ron theo mơ hình định, trải qua huấn luyện để rút kinh nghiệm, sử dụng kinh nghiệm có để xử lý thơng tin Mạng nơ ron Tích chập (Convolutional Neural Network) mơ hình học sâu đại Mạng nơ ron Tích chập thường sử dụng nhiều hệ thống thông minh ưu điểm mạng có độ xác cao, nhiên tốc độ tính tốn lại nhanh Vì lý đó, mạng nơ ron tích chập mạnh xử lý hình ảnh, ứng dụng nhiều việc nhận dạng đối tượng 1.3 Mục đích Ngày camera lấp đặt nhiều nơi, đa số camera có chức ghi hình giám sát Như vậy, cần truy vết đối tượng thủ công nhiều thời gian Hiện nay, thời đại công nghiệp 4.0, với tiến khoa học máy tính làm xuất nhiều cơng cụ xác định đối tượng tương đối dễ dàng Một số hỗ trợ từ cơng cụ trí tuệ máy tính Đồ án giới thiệu Mạng nơ ron tích chập (Convolutation Neural Network ) ứng dụng hẹ thống nhận dạng đối tượng thông qua camera 1.4 Đối tượng nghiên cứu Sinh viên trường Đại học Trà Vinh 1.5 Phạm vi nghiên cứu Trường Đại học Trà Vinh 8 CHƯƠNG TỔNG QUAN VỀ MẠNG NƠ RON VÀ GIỚI THIỆU VỀ MẠNG NƠ RON TÍCH CHẬP 2.1 Mạng nơ ron Neural network, tạm gọi mạng lưới thần kinh Đây hệ thống máy tính thiết bị hệ thống điện tốn nói chung kết nối theo cách để mơ lại phần cách hoạt động nơ ron thần kinh não người Những máy tính neural network nằm gần phịng hay cách xa nghìn số, máy tính xem đơn vị thần kinh, gọi node Khái niệm neural network có từ năm 1950 với đời ngành nghiên cứu trí tuệ nhân tạo Người ta nói nằm riêng biệt, node máy tính chạy lập trình sẵn trả lời câu hỏi đơn giản, hay nói cách “khơng thông minh” Cũng giống thể người, nơ ron không chưa làm nên chuyện, kết nối chúng thành mạng lưới dày đặt chuyện khác nhiều Khi hệ thống máy tính nối lại với nhau, chúng giải vấn đề khó khăn Và quan trọng nhất, áp dụng thuật toán, người ta “dạy học” cho máy tính Một mạng nơ ron bao gồm nhiều nhóm nơ ron kết nối vật lý với có liên quan với chức Một nơ ron đơn nối với nhiều nơ ron khác tổng số nơ ron kết nối mạng giá trị lớn Các kết nối, gọi khớp thần kinh, thường nối từ axon tới tế bào tua gai thần kinh, có vi mạch dendrodentritic kết nối khác Ngồi tín hiệu điện, cịn có dạng tín hiệu khác phát sinh từ việc khuyếch tán chất dẫn truyền xung động thần kinh Chúng có ảnh hưởng tín hiệu điện Do vậy, mạng sinh học khác, mạng nơ ron vô phức tạp 2.1.1 Một số kiểu mạng nơ ron Có hai kiểu mạng nơ ron chính: mạng nơ ron truyền thằng (feedforward neural network) mạng nơ ron hồi quy (recurrent neural network) a) mạng nơ ron truyền thằng 9 Hình Mạng nơ ron truyền thẳng Ở mạng nơ ron truyền thẳng, nơ ron tầng ẩn kết nối với nơ ron tầng Do có nhiều tầng ẩn nên thấy mạng truyền thẳng kéo dài khơng gian, khơng có đường tuần hoàn nằm mạng Mạng nơ ron truyền thẳng phổ biến b) mạng nơ ron hồi quy Hình Mạng nơ ron hồi quy Một loại khác mạng nơ ron hồi quy Không giống mạng nơ ron truyền thẳng, mạng nơ ron hồi quy có đường dẫn tuần hồn Chúng ta thấy hình minh họa phía Vì có đường dẫn tuần hồn, nên mạng nơ ron hồi quy gây vịng lặp vơ cực Tuy nhiên, mạng nơ ron tuần hồn có ứng dụng quan trọng chúng nhận diện cho giai đoạn thời gian khác 2.2 Mạng nơ ron tích chập 2.2.1 Khái niệm mạng nơ ron tích chập Mạng nơ ron tích chập mạng truyền thẳng đặc biệt Mạng nơ ron tích chập mơ hình học sâu phổ biến tiên tiến Hầu hết hệ thống nhận diện xử lý ảnh sử dụng mạng nơ ron tích chập tốc độ xử lý 10 10 VGGNet Hình 10 Cấu trúc VGGNet VGGNet phát triển vào năm 2014 giành chiến thắng thi ILSVRC-2014 Mạng mạnh mạng AlexNet sâu Mạng có 16 đến 19 tầng Mạng thiết kế với cấu trúc Sau số thí nghiệm, D E cấu trúc tốt Hiệu suất E tốt chút so với B Nhưng tham số E lớn D Vì vậy, người sử dụng chọn số cấu trúc mạng dựa họ cần Đặc điểm VGGNet việc áp dụng nhiều lớp chập với kích 27 thước cửa sổ nhỏ thay lớp chập với kích thước cửa sổ lớn, sau lớp gộp Nó làm cho mạng linh hoạt 2.3 Kết luận Mạng nơ ron nhân tạo chuỗi thuật toán sử dụng để tìm mối quan hệ tập liệu thông qua chế vận hành não sinh học Mạng nơ ron nhân tạo thường huấn luyện qua tập liệu chuẩn cho trước, từ đúc rút kiến thức từ tập liệu huấn luyện, áp dụng với tập liệu khác với độ xác cao 15 15 Các phương pháp sử dụng để huấn luyện mạng nơ ron nhân tạo ngày tối ưu mặt tính tốn phục vụ cho nhiều mục đích khác Hiện nay, kiến trúc mạng nơ ron ngày hoàn thiện cho nhiều nhiệm vụ, mạng nơ ron tích chập ý nhiều tính hiệu thị giác máy tính Mạng nơ ron tích chập với cải tiến góp phần giảm thời gian tính tốn tăng độ xác hứa hẹn phương pháp áp dụng nhiều vào thực tế tương lai 16 16 3.1 CHƯƠNG KHÁI QUÁT NHẬN DẠNG Khái niệm nhận dạng Nhận dạng ngành thuộc lĩnh vực trí tuệ nhân tạo Nhận dạng mẫu khả phát xếp đặc tính liệu mang lại thơng tin hệ thống tập liệu định Nhận dạng mẫu chia thành nhiều lĩnh vực công nghệ thơng tin, bao gồm phân tích liệu lớn, nhận dạng sinh trắc học, bảo mật trí tuệ nhân tạo Nhận dạng đối tượng hình ảnh nhánh nhận dạng mẫu Nhận dạng đối tượng hình ảnh thể qua cơng nghệ máy tính nhận người, động vật, vật thể đối tượng mục tiêu khác thông qua việc sử dụng 3.1.1 thuật toán khái niệm học máy Nhận dạng đối tượng Một số khái niệm liên quan: • Nhận dạng đối tượng (object recognition) thuật ngữ chung để mô tả tập hợp cách xử lý thị giác máy tính có liên quan đến việc xác • định đối tượng ảnh kỹ thuật số Phân loại hình ảnh (image classification) liên quan đến việc dự đốn, phân • loại lớp thơng tin đối tượng hình ảnh Khoanh vùng đối tượng (object localization) việc xác định vị trí nhiều đối tượng hình ảnh hình chữ nhật xung quanh • phạm vi đối tượng Phát đối tượng (object detection) kết hợp hai nhiệm vụ nhận dạng đối tượng khoanh vùng đối tượng Phát đối tượng việc khoanh vùng phân loại nhiều đối tượng khác hình ảnh Nhận dạng đối tượng khác với phát đối tượng chỗ nhận dạng đối tượng mang ý nghĩa rộng hơn, bao gồm việc phân loại hình ảnh (địi hỏi thuật tốn xác định lớp đối tượng xuất hình ảnh), phát đối tượng (địi hỏi thuật toán khoanh vùng, định đối tượng có hình ảnh) 17 17 Hình 11 Sự khác biệt nhận dạng đối tượng phát đối tượng 3.1.2 Nhận dạng khuôn mặt Nhận dạng khuôn mặt khả nhận diện, lưu trữ, so sánh phân tích mẫu dựa đường nét khn mặt để nhận dạng người từ hình ảnh video Hệ thống thường sử dụng công nghệ để thực nhận dạng khuôn mặt sử dụng sinh trắc học để ánh xạ đặc điểm khuôn mặt từ ảnh video Hệ thống so sánh thông tin với sở liệu lưu trữ khn mặt để tìm kết khớp xác Nhận dạng khn mặt ngày quan tâm nhiều lĩnh vực, Trung Quốc có hệ thống Skynet để chấm điểm công dân, hay nhiều chuỗi cửa hàng lớn sử dụng nhận dạng khuôn mặt khách hàng thân thiết để phân tích thói quen tiêu dùng Trên thực tế, công nghệ nhận dạng khuôn mặt nhận ý đáng kể có tiềm cho loạt ứng dụng liên quan đến thực thi pháp luật doanh nghiệp khác Hình 12 Ví dụ nhận dạng khuôn mặt 18 18 3.2 Cách thức hoạt động Phương pháp bao gồm bước khác để thực nhận diện khuôn mặt tự động Đầu tiên thực phát khuôn mặt để khoanh vùng khuôn mặt khung hình ảnh video Sau đó, liệu bước đuợc liên kết với khuôn mặt phát với danh tính chung video chỉnh khuôn mặt thành tọa độ cách sử dụng mốc phát Cuối cùng, hệ thống thực xác minh khuôn mặt để tính tốn độ tương tự cặp hình ảnh Hình 13 Phương pháp nhận dạng khn mặt người mạng nơ ron tích chập Từ mạng nơ ron trên, ta thấy bước xử lý ảnh từ trái sang phải Lần lượt, ta thấy hình ảnh cửa sổ dị tìm (ơ vng màu xanh) giảm dần hiệu chỉnh dần theo giai đoạn dị tìm: Hình 14 Các giai đoạn dị tìm hiệu chỉnh 3.3 Phát điểm quan trọng khuôn mặt 19 19 Khi khuôn mặt phát hiện, thuật toán thực phát điểm quan trọng để chỉnh khn mặt Thuật tốn tìm cách khơi phục mặt hình dáng mặc định ban đầu: gọi khn mặt I, hình dạng ban đầu S , thuật tốn tính tốn mức tăng hình dạng ∆S từ mơ tả sâu (deep descriptors) cập nhật công thức sau: Hệ thống áp dụng hồi quy theo tầng, đầu tạo giai đoạn sử dụng làm đầu vào cho giai đoạn tiếp theo, tổng năm giai đoạn tích chập áp dụng hệ thống Các lọc chọn để trích xuất tính tinh chỉnh giai đoạn sau để cải thiện việc chuẩn hóa mốc khn mặt Sau hồn thành phát mốc khuôn mặt, khuôn mặt chỉnh theo tọa độ tắc cách sử dụng biến đổi tương tự điểm mốc Hình 15 Phát điểm khuôn mặt 3.4 3.4.1 Kết thuật tốn sử dụng mạng nơ ron nhân tạo Mơ hình DeepID (NIPS 2014) Cách thức hoạt động mơ hình DeepID 2: Trong q trình huấn luyện, 200 phần khn mặt cắt với vị trí, tỉ lệ kênh màu sắc khác Mỗi phần khuôn mặt phần đối xứng đưa vào ConvNet Hai vector 160 chiều trích xuất từ phần khn mặt phần đối xứng Chọn 25 phần khuôn mặt tốt 20 20 Hình 16 Kiến trúc mạng mơ hình DeepID2 Một ví dụ 25 phần khn mặt tốt nhất: Hình 17 25 phần khn mặt tốt chọn để trích xuất đặc điểm Kết mơ hình thể bảng: Hình 18 Thống kê xác minh độ xác khn mặt DeepID2 tăng dần số lượng phần khuôn mặt 21 21 Qua hình 18, ta thấy, sử dụng 25 phần khn mặt để trích xuất đặc điểm, độ xác phương pháp cao, xấp xỉ tới 99% Tuy nhiên, nhận diện với 25 phần khn mặt, máy tính cần 0.035 giây để tính tốn Mặt khác, với việc sử dụng phần khn mặt để trích xuất đặc trưng, thời gian xử lý nhanh, 0,0017 giây, nhiên độ xác cịn 95,43% Dựa bảng thống kê này, nhà phát triển chỉnh số phần khn mặt để tối ưu cho tốn thực tế Ví dụ như, cần hệ thống phản hồi nhanh mà khơng q ưu tiên độ xác, sử dụng phần khn mặt để trích xuất đặc trưng, ngược lại, ta tăng số phần khn mặt nhằm tăng độ xác 3.4.2 Mơ hình DeepID3 (arXiv 2015) Hình 19 Kiến trúc mạng mơ hình DeepID3 DeepID3 mơ hình nâng cấp DeepID2+ 22 22 3.5 Kết luận Bài toán nhận dạng có từ lâu với nhiều phương pháp khác Tuy nhiên, với kỹ thuật mới, ta thấy độ xác phương pháp ngày tăng chi phí tính tốn ngày giảm Qua cách thức hoạt động mơ hình sử dụng tốn nhận dạng, ta thấy liệu chìa khóa quan trọng việc đào tạo Nếu mơ hình cịn hạn chế, lại có nhiều liệu để đào tạo độ xác hệ thống cải 43 thiện mức đáng kể Có thể thấy, mơ hình có độ xác cao 97% sử dụng 100 nghìn ảnh để huẩn luyện Ngồi ra, việc xử lý nhiều phần khn mặt giúp ích nhiều cho độ xác nhận diện, nhiên hệ thống cần số lượng tính tốn lớn để nhận diện Các phương pháp nhận dạng mạng nơ ron tích chập có độ sai số nhỏ nằm ngưỡng chấp nhận Nên việc áp dụng mạng nơ ron tích chập để xây dựng hệ thống nhận diện hồn tồn khả thi đáp ứng nhiều nhu cầu dần tiến tới cách mạng công nghiệp 4.0 23 23 4.1 CHƯƠNG SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP TRONG NHẬN DẠNG ĐỐI TƯỢNG Sơ lược áp dụng mạng nơ ron tích chập vào giải pháp thơng minh thực tế Hiện nay, xã hội tiến dần đến kỷ nguyên cách mạng công nghiệp 4.0 Với cách mạng cơng nghiệp 4.0, mức tự động hóa, học máy mức cao, thay người khỏi nhiều việc, nhằm góp phần giải phóng sức lao động Ngồi ra, việc khai phá liệu đem lại nhiều tối ưu cho mơ hình kinh doanh, cho xã hội Để hướng đến cách mạng công nghiệp 4.0, cần giải pháp tự động hóa cho mơ hình cơng mơ hình kinh doanh bệnh viện, cửa hàng siêu thị Ở giải pháp này, hệ thống thơng minh tự động phân tích số lượng người ra/vào, hay nhận diện thời điểm xuất khách hàng thân thiết Ở phạm vi đề tài, đồ án áp dụng hai giải pháp nhận diện người nhận diện khuôn mặt sử dụng CNN để áp dụng xây dựng hệ thống thực tế Các phương pháp nhận diện người khuôn mặt qua thực tế có độ xác có khả thương mại hóa cao 4.2 Áp dụng mạng nơ ron tích chập để xây dựng hệ thống nhận diện khn mặt 4.2.1 Giới thiệu hệ thống nhận diện khuôn mặt sử dụng mạng nơ ron tích chập Mơ tả tốn: Hiện nay, camera thơng dụng lắp nơi Tuy nhiên, camera dân dụng thông thường có chức chụp ảnh ghi hình mà khơng có chức thơng minh khác Do đó, giải pháp hướng đến lập nên hệ thống có chức nhận diện khn mặt Hệ thống áp dụng cho nhiều địa điểm cổng vào bệnh viện, trường học, siêu thị, Dựa kết nhận diện, quản trị viên phân tích, điều tra đối tượng khu vực đặt camera Hệ thống camera: hệ thống camera nhận dạng đối tượng lắp đặt khu vực quan trọng Máy chủ xử lý nhận diện phân tích đối tượng: máy chủ có cấu hình mạnh, tốc độ xử lý cao, xử lý toàn liệu hệ thống camera, tạo thành báo cáo để đẩy vào hệ thống trích xuất liệu Hệ thống trích xuất liệu hình ảnh đối chiếu: sau xử lý qua máy chủ xử lý, liệu gom nhóm kèm video, lưu trữ trước đẩy máy chủ trung tâm 24 24 Cơ sở liệu chứa thông tin nhận diện đối tượng: liệu bao gồm số liệu hình ảnh video hệ thống nhận diện đối tượng Quản trị viên: quản trị viên người kết nối lên máy chủ tổng, người xem xét 4.2.2 liệu để nhận diện đối tượng theo khung giờ, lập báo cáo cần thiết Giới thiệu ứng dụng nhận diện đối tượng tích chập Ứng dụng Teachable Machine Teachable Machine công cụ web giúp tạo mơ hình máy học cho dự án bạn cách nhanh chóng dễ dàng mà khơng cần viết mã Đào tạo máy tính để phân tích sở liệu đầu vào nhận dạng hình ảnh đối tượng thơng qua camera Mơ tả q trình sử dụng Bước 1: Các cơng cụ xây dựng hệ thống ngày đa dạng mạng, nên việc xây dựng hệ thống nhận dạng khuôn mặt hồn tồn khơng khó Teachable Machine hỗ trợ xây dựng hệ thống mà không cần phải viết code Để sử dụng, truy cập đường dẫn là: https://teachablemachine.withgoogle.com tìm google với từ khóa Teachable Machine Hình 20 Ứng dụng Teachable Machine Bước 2: Nhấn vào “Get Started” để bắt đầu, sau chọn vào “Image Project” để tạo dự án nhận diện hình ảnh 25 25 Hình 21 Tạo dự án với Image project Bước 3: Phương pháp bao gồm bước khác để thực nhận diện khuôn mặt tự động Đầu tiên thực thêm liệu ảnh cách thêm trực tiếp camera tải file hình ảnh từ máy tính lên Sau đó, liệu bước đuợc liên kết với khuôn mặt phát với khuôn mặt video chỉnh khuôn mặt thành tọa độ cách sử dụng mốc phát Hình 22 Tải liệu đầu vào cho ứng dụng Bước 4: Sau thêm liệu đối tượng cần nhận dạng vào xong, ta cần nhấn vào “Train Model” để máy học từ liệu đầu vào Hình 23 Nhấn vào Train Model để dạy cho máy học Bước 5: Tiếp đến, ứng dụng tự động hoàn thành việc nhận dạng, việc phân tích gương mặt qua camera Chúng ta nhận diện gương mặt người qua đặc điểm, hệ thống nhận diện vậy, thực đánh giá đặc điểm level cao hơn, xác 26 26 Chúng ta cịn nhấn vào “Export Model” để upload Model lên đám mây sau ta copy code để ứng dụng vào dự án có liên quan tới nhận dạng Hình 24 Copy code từ Teachable Machine để ứng dụng vào dự án 4.3 Kết luận Khi áp dụng mạng nơ ron tích chập vào tốn nhận diện khn mặt thực tế, hệ thống hoạt động ổn định, nhận dạng đối tượng với tỉ lệ sai số ngưỡng thấp chấp nhận Hệ thống thay nhân viên thống kê qua camera, giải phóng sức lao động người, góp phần nhỏ q trình tiến lên cách mạng cơng nghiệp 4.0 27 27 5.1 CHƯƠNG KẾT LUẬN Kết đạt Với ý tưởng áp dụng trí tuệ nhân tạo vào nhu cầu đời sống, nhằm giải phóng sức lao động người với cơng việc đơn giản góp phần xây dựng cách mạng công nghiệp 4.0, đề tài “Nghiên cứu Convolutional Neural Network áp dụng vào toán nhận dạng đối tượng” hoàn thành mục tiêu sau: - Trình bày tổng quan lịch sử hình thành, kiến thức nơ ron mạng nơ ron tích chập - Về mạng nơ ron tích chập, đề án làm rõ cấu tạo hoạt động tầng nơ ron tích chập - Nghiên cứu khái niệm nhận dạng, cách thức hoạt động nhận dạng đối tượng nhận dạng khuôn mặt - Áp dụng hiểu biết CNN ứng dụng vào hệ thống nhận dạng khuôn mặt 5.2 Hướng phát triển Với nhiều ứng dụng thực tế mạng nơ ron nhân tạo Đề tài có nhiều hướng phát triển tương lai, để tạo thành hệ thống toàn diện hơn, khai thác nhận diện lúc nhiều đối tượng cần phải: - Lấp nhiều camera thông minh làm sở liệu dân số để nhận dạng xác đối tượng - Bổ sung cải tiến thuật toán để hệ thời gian nhận diện rút ngắn - Hệ thống nhận diện đối tượng che phần khuôn mặt 28 28 DANH MỤC TÀI LIỆU THAM KHẢO [1] Phạm Huy Hoàng / Các hệ thống nhận diện khuôn mặt hoạt động [2] Nguyễn Mạnh Hùng / Luận văn nghiên cứu mạng Neural Convolutional, áp dụng vào toán nhận dạng đối tượng lĩnh vực thị giác máy tính [3] URL: Mạng neural tích chập cheatsheet [4] URL: https://bytetechnology.com/blog/creating-and-maintaining-a-glitch- free-website [5] URL: https://teachablemachine.withgoogle.com [6] URL: https://ieeexplore.ieee.org/document/8265351 29 29 ...KHOA KỸ THUẬT VÀ CÔNG NGHỆ BỘ MÔN CÔNG NGHỆ THÔNG TIN ĐỒ ÁN CƠ SỞ NGÀNH HỌC KỲ 2, NĂM HỌC 2019 – 2020 TÌM HIỂU MẠNG NEURAL NETWORK CNN VÀ ỨNG DỤNG Giáo viên hướng dẫn: Sinh viên... mạng sinh học khác, mạng nơ ron vô phức tạp 2.1.1 Một số kiểu mạng nơ ron Có hai kiểu mạng nơ ron chính: mạng nơ ron truyền thằng (feedforward neural network) mạng nơ ron hồi quy (recurrent neural. .. nhận dạng đối tượng nhận dạng khuôn mặt - Áp dụng hiểu biết CNN ứng dụng vào hệ thống nhận dạng khuôn mặt 5.2 Hướng phát triển Với nhiều ứng dụng thực tế mạng nơ ron nhân tạo Đề tài có nhiều hướng