TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TP HCM KHOA CÔNG NGHỆ THÔNG TIN KHÓA LUẬN TỐT NGHIỆP SỐ HÓA DỮ LIỆU ĐƯỜNG HUYẾT Giảng viên hướng dẫn PGS TS HUỲNH TRUNG HIẾU Sinh viên thực hiện 1 VÕ ĐÌNH NGHĨA Mã số sinh v.
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP TP.HCM KHOA CÔNG NGHỆ THÔNG TIN KHÓA LUẬN TỐT NGHIỆP SỐ HÓA DỮ LIỆU ĐƯỜNG HUYẾT Giảng viên hướng dẫn : PGS.TS HUỲNH TRUNG HIẾU Sinh viên thực : VÕ ĐÌNH NGHĨA Mã số sinh viên : 17094021 Sinh viên thực : HUỲNH NGỌC NHÂN Mã số sinh viên : 17094521 Lớp : DHKHMT13A Khóa : 2017 – 2021 Tp Hồ Chí Minh, tháng năm 2021 Khóa tốt nghiệp chun ngành Khoa Học Máy Tính TRƯỜNG ĐH CƠNG NGHIỆP TP HCM CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự - Hạnh phúc KHOA CÔNG NGHỆ THÔNG TIN - // - - // - NHIỆM VỤ KHÓA LUẬN TỐT NGHIỆP Họ tên sinh viên 1: Võ Đình Nghĩa MSSV: 17094021 Chuyên ngành: Khoa học máy tính Lớp: DHKHMT13A Họ tên sinh viên 2: Huỳnh Ngọc Nhân MSSV: 17094521 Chuyên ngành: Khoa học máy tính Lớp: DHKHMT13A Tên đề tài khóa luận/đồ án: số hóa liệu đường huyết Nhiệm vụ: Nhận dạng phiếu ghi số liệu đường huyết Nhận dạng số đường huyết lưu vào sở liệu Ngày giao khóa luận tốt nghiệp: 01/02/2021 Ngày hồn thành khóa luận tốt nghiệp: 31/05/2021 Họ tên giảng viên hướng dẫn: PGS.TS Huỳnh Trung Hiếu Tp Hồ Chí Minh, ngày 16 tháng 06 năm 2021 Chủ nhiệm mơn Võ Đình Nghĩa – Huỳnh Ngọc Nhân Giảng viên hướng dẫn Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính LỜI CÁM ƠN Trước hết em xin xin bày tỏ lòng biết ơn sâu sắc tới giảng viên hướng dẫn PGS.TS Huỳnh Trung Hiếu tận tình giúp đỡ, hướng dẫn em nhiều suốt q trình tìm hiểu nghiên cứu hồn thành báo cáo tốt nghiệp Em xin chân thành cảm ơn thầy cô khoa Công nghệ thông tin trường Đại học Cơng nghiệp thành phố Hồ Chí Minh trang bị cho em kiến thức cần thiết để em hồn thành báo cáo Xin gửi lời cảm ơn đến bạn bè người bên em động viên tạo điều kiện thuận lợi cho em, tận tình giúp đỡ bảo em, em cịn thiếu sót q trình làm báo cáo tốt nghiệp Cuối em xin bày tỏ lòng biết ơn sâu sắc tới người thân gia đình dành cho em quan tâm đặc biệt ln động viên em Vì thời gian có hạn, trình độ hiểu biết thân cịn nhiều hạn chế Cho nên đồ án không tránh khỏi thiếu sót, em mong nhận đóng góp ý kiến tất thầy bạn bè để đồ án em hoàn thiện Em xin chân thành cảm ơn! Tp Hồ Chí Minh, ngày 16 tháng 06 năm 2021 Sinh viên thực (Ghi rõ họ tên) Võ Đình Nghĩa – Huỳnh Ngọc Nhân Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN Phần đánh giá: (thang điểm 10) Thái độ thực hiện: Nội dung thực hiện: Kỹ trình bày: Tổng hợp kết quả: Điểm số: Điểm chữ: Tp Hồ Chí Minh, ngày 16 tháng 06 năm 2021 Trưởng môn Giảng viên hướng dẫn Chuyên ngành (Ký ghi rõ họ tên) Võ Đình Nghĩa – Huỳnh Ngọc Nhân Lớp DHKHMT13A Khóa tốt nghiệp chun ngành Khoa Học Máy Tính MỤC LỤC DANH MỤC CÁC HÌNH VẼ DANH MỤC CÁC BẢNG BIỂU DANH MỤC CÁC TỪ VIẾT TẮT VÀ TỪ KHÓA CHUYÊN NGÀNH LỜI MỞ ĐẦU 10 Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài 10 Ý nghĩa khoa học thực tiễn đề tài 10 CHƯƠNG I GIỚI THIỆU 11 1.1 Tổng quan 11 1.2 Mục tiêu đề tài 12 1.3 Mô tả yêu cầu chức 12 CHƯƠNG II CƠ SỞ LÝ THUYẾT 13 2.1 Kiến trúc mơ hình 13 2.1.1 Optical Character Recognition - OCR 13 2.1.2 Convolutional Neural Network - CNNs 14 2.1.3 Xử lý ảnh với opencv 15 2.2 Kiến trúc phần mềm 16 2.2.1 Microservices 16 2.2.2 Docker 17 2.2.3 Angular 18 2.2.4 Flask API Server 19 CHƯƠNG III MÔ HÌNH 20 3.1 Một số nghiên cứu liên quan 20 3.2 Phương pháp 21 3.2.1 Các bước tiền xử lý 21 3.2.2 Mơ hình máy học 24 3.2.3 Các giai đoạn xử lý 27 CHƯƠNG IV TRIỂN KHAI 34 4.1 Xây dựng tập liệu huấn luyện mô hình 34 4.2 Thao tác sử dụng tính 36 4.2 Thực nghiệm đánh giá 38 Võ Đình Nghĩa – Huỳnh Ngọc Nhân Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính 4.2.1 Kiểm tra phiếu biểu mẫu 38 4.2.2 Nhận diện số liệu đường huyết từ biểu mẫu 41 CHƯƠNG V KẾT LUẬN VÀ KIẾN NGHỊ 42 5.1 Kết đạt 42 5.2 Hạn chế đồ án 43 5.3 Cải tiến hướng phát triển 43 TÀI LIỆU THAM KHẢO 44 PHỤ LỤC 45 Võ Đình Nghĩa – Huỳnh Ngọc Nhân Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính DANH MỤC CÁC HÌNH VẼ Hình 2.1 Kiến trúc OCR với phương pháp sử dụng toán nhận dạng số viết tay qua biểu mẫu 13 Hình 2.2 Cơng thức hàm ReLU 14 Hình 2.3 Kiến trúc Microservice 16 Hình 2.4 Kiến trúc Docker 17 Hình 2.5 Kiến trúc Angular 18 Hình 2.6 Kiến trúc Flask API đơn giản 19 Hình 3.1 Ảnh sau xử lý làm bật dòng kẻ 22 Hình 3.2 Hình biểu diễn đường thẳng hệ tọa độ cực 22 Hình 3.3 Đồ thị biểu diễn điểm hệ (r,θ) 23 Hình 3.4 Đồ thị biểu diễn nhiều điểm hệ tọa độ (r, θ) 24 Hình 3.5 Cấu trúc mơ hình huấn luyện deep learning sử dụng CNN 25 Hình 3.6 Mơ tả luồng xử lý OCR 27 Hình 3.7 Phiếu biểu mẫu 29 Hình 3.8 Xử lý nhận diện mã QR 30 Hình 3.9 Xử lý nhận diện bảng phiếu biểu mẫu 31 Hình 3.10 Xử lý làm bật cạnh bảng số liệu 32 Hình 4.1 Dữ liệu huấn luyện dấu “/” 34 Hình 4.2 Dữ liệu huấn luyện dấu “-” 35 Hình 4.3 Mơ hình mơ tả luồng hình 36 Hình 4.4 Phiếu biểu mẫu xử lý ảnh thuật toán Hough Transform 39 Hình 4.5 Bảng số liệu đường huyết sau loại bỏ 40 Hình 4.6 Bảng số liệu đường huyết sau nhận dạng trục ngang - dọc 40 Võ Đình Nghĩa – Huỳnh Ngọc Nhân Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính DANH MỤC CÁC BẢNG BIỂU Bảng 3.1 Bảng kết độ xác Document Rectification and Illumination Correction using a Patch-based CNN 21 Bảng 3.2 Tham số đầu mơ hình 26 Bảng 4.1 Kết kiểm tra nhận dạng ký tự viết tay 41 Võ Đình Nghĩa – Huỳnh Ngọc Nhân Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính DANH MỤC CÁC TỪ VIẾT TẮT VÀ TỪ KHĨA CHUYÊN NGÀNH Từ viết tắt OCR Build Push Machine Learning Deep Learning Run Container Image Framework Front-end IOH-Mobile Pretrain model model transformer BERT Seq2seq attention CNNs conv layer nonlinear layer pooling layer fully connected layer softmax feature Filter receptive field feature map stride padding ReLU MNIST Ý nghĩa Optical Character Recognition - Nhận diện ký tự quang học Xây dựng phần mềm từ mã nguồn viết Đẩy mã nguồn lên tảng git Học máy - máy học Học sâu Chạy chương trình Là thực thể thực thi Image Hình ảnh chụp lại hệ thống- Khi đóng gói hệ thống Image tạo build chương trình đóng gói tảng docker Là đoạn mã nguồn đóng gói sẵn Là tất tương tác với người dùng (hình ảnh font chữ, ) Ứng dụng thu thập quản lý liệu VDAT phát triển Mơ hình huấn luyện trước Mơ hình Một mơ hình pretrain Deep learning Bidirectional Encoder Representations from Transformers - Thể mã hóa chiều từ Transformer Phương pháp sequence-to-sequence dựa theo mô hình Encode-Decoder Cơ chế lấy tổng trọng số vector mơ hình Encoder-Decoder Mạng neural tích chập Convolution layer, tầng tích chập Tầng kích hoạt Lớp gộp Các lớp ẩn, gồm tất node kết nối với Hàm trung bình mũ Đặc trưng lọc Vùng tương ứng filter phần tích chập, neural thấy để đưa định Ma trận đặc trưng Bước nhảy, số pixel thay đổi ma trận đầu vào Biên ảnh Rectified Linear Units - hàm phi tuyến Cơ sở liệu chứa chữ số viết tay dùng để huấn luyện Võ Đình Nghĩa – Huỳnh Ngọc Nhân Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính service IOH-Mobile Một dịch vụ mơ hình microservice Quản lý Phân tích số đường huyết Võ Đình Nghĩa – Huỳnh Ngọc Nhân Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính Hình 3.9 Xử lý nhận diện bảng phiếu biểu mẫu Bước 6: Xử lý làm bật cạnh bảng số liệu a Horizontal Xử lý ảnh tìm Horizontal Lines Xử lý ảnh bản: Nhân tích chập với kernel (1*length Horizontal of image) Co giãn ảnh Sử dụng thuật tốn houghlinesP để nhận diện Horizontal Lines Võ Đình Nghĩa – Huỳnh Ngọc Nhân 31 Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính b Vertical Xử lý ảnh tìm Vertical Lines Xử lý ảnh bản: Nhân tích chập với kernel (length Vertical of image *1) Co giãn ảnh Sử dụng thuật tốn houghlinesP để nhận diện Vertical Lines Hình 3.10 Xử lý làm bật cạnh bảng số liệu Bước 7: Từ list line nhận diện từ bảng, tiến hành kẻ line lên ảnh để tìm conner Bước 8: Từ conner tìm được, cắt ảnh thành ảnh nhỏ chứa số từ giao điểm từ trục vẽ Bước 9+10: Trích xuất liệu từ ảnh phân loại thành tiêu đề (header) số liệu đường huyết (body) Võ Đình Nghĩa – Huỳnh Ngọc Nhân 32 Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính Bước 11: Tiến hành nhận diện tiêu đề bảng mơ hình nhận diện ký tự thường sử dụng thư viện VietOCR Bước 12: Tiến hành nhận diện số liệu bảng mơ hình nhận diện ký tự số viết tay Sử dụng mơ hình nhận dạng chữ số viết tay số liệu số đường huyết (Bước 13), hay mơ hình nhận dạng ngày tháng số liệu nhận dạng thuộc ngày tháng (Bước 14) Bước 15: Tập hợp liệu trả kết cho API Võ Đình Nghĩa – Huỳnh Ngọc Nhân 33 Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính CHƯƠNG IV TRIỂN KHAI 4.1 Xây dựng tập liệu huấn luyện mơ hình Để nhận diện ký tự viết tay nghiên cứu sử dụng mô hình máy học CNN Mơ hình xây dựng thơng qua thư viện Keras [6] tập liệu MNIST Tập liệu sử dụng để huấn luyện kiểm thử mơ hình MNIST MNIST bao gồm tập liệu huấn luyện (training set) tập liệu kiểm tra (test set) tương ứng với 60.000 mẫu 10.000 mẫu ví dụ khác chữ số viết tay từ đến Mỗi mẫu liệu tập MNIST ảnh đen trắng có kích thước 28x28 pixel (tổng cộng 784 pixels) Mỗi pixel mang giá trị số khoảng từ đến 255, pixel màu đen có giá trị 0, pixel trắng có giá trị cao không 255 Ở số dataset, tập MNIST lưu dạng file csv với 785 cột tương đương với 28*28pixel cột lưu nhãn mẫu Trong nghiên cứu sử dụng tập MNIST thông qua API cung cấp thư viện Keras Đồng thời, để phục vụ cho hệ thống nhận diện ngày tháng cách nhận diện chữ số ký tự đặc biệt viết tay, thêm vào tập liệu MNIST tập nhỏ chứa ký tự đặc biệt: “-” tương ứng với định dạng ngày “dd-MM-yyyy” với 680 mẫu huấn luyện, 200 mẫu kiểm thử “/” tương ứng với định dạng “dd/MM/yyyy” với 900 mẫu huấn luyện 200 mẫu kiểm thử Hình 4.1 Dữ liệu huấn luyện dấu “/” Võ Đình Nghĩa – Huỳnh Ngọc Nhân 34 Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính Hình 4.2 Dữ liệu huấn luyện dấu “-” Tập liệu bổ sung tiền xử lý đưa dạng ảnh đen trắng chuẩn với tập liệu gốc (kích thước 28*28*1), sau thêm vào tập liệu MNIST để huấn luyện kiểm thử Võ Đình Nghĩa – Huỳnh Ngọc Nhân 35 Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính 4.2 Thao tác sử dụng tính Đề tài nghiên cứu chia thành phần triển khai: + Front-end: tính số hóa liệu đường huyết tích hợp ứng dụng IOH-Mobile xây dựng ngôn ngữ Angular Các chức triển khai bao gồm: - Chụp ảnh phiếu biểu mẫu từ thiết bị di động - Hiển thị số liệu số hóa thơng qua mơ hình nhận dạng + Back-end: Back-end microservice phát triển dựa thư viện flask đóng gói triển khai hệ thống microservices VDATTeam Hình 4.3 Mơ hình mơ tả luồng hình Mơ tả luồng: Võ Đình Nghĩa – Huỳnh Ngọc Nhân 36 Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính Tại ứng dụng IOH-Mobile – mục nhập liệu, người dùng nhấn nhập liệu Nếu người dùng chọn “Chụp ảnh” mở camera, ngược lại người dùng chọn “Chọn ảnh” mở sưu tập cho người dùng chọn ảnh Sau chụp chọn tải ảnh lên hiển thị cho người dùng xác nhận Nếu ảnh sai không rõ, người dùng chọn chụp chọn lại, ảnh người dùng nhấn “Gửi đi” Khi người dùng nhấn gửi ảnh đi, IOH-Mobile gửi ảnh đến Server, Server thực phân tích nội dung trả kết cho IOH-Mobile Khi nhận kết trả về, IOH-Mobile hiển thị kết lên cho người dùng quan sát cột (ngày – mã bệnh nhân) số so với phiếu biểu mẫu, người dùng nhấn “Lưu”, ngược lại bấm chọn lại Lưu ý: Các trường liệu phép sai, y tá – bác sĩ chỉnh sửa lại số liệu website dành cho y tá, bác sĩ Các bước xử lý: Bước 1: Tại ứng dụng IOH-Mobile, người dùng chọn nhập liệu Bước 2: Chọn phương thức nhập liệu Bước 2.1: Nếu người dùng chọn “Chọn ảnh” Mở thư viện ảnh Bước 2.2: Nếu người dùng chọn “Chụp ảnh” Mở camera Bước 3: Hiển thị ảnh Bước 3.1: Load ảnh chọn lên hình ứng dụng Bước 3.2: Load ảnh chụp lên hình ứng dụng Bước 4: Hiển thị ảnh cho người dùng xác nhận Bước 4.1: Nếu người dùng xác nhận sai ảnh, xóa ảnh load quay lại bước Bước 4.2: Nếu người dùng xác nhận ảnh, gửi ảnh lên server thông qua Rest API Bước 5: IOH-Mobile nhận phản hồi từ server Bước 6: IOH-Mobile hiển thị kết từ server Võ Đình Nghĩa – Huỳnh Ngọc Nhân 37 Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính Bước 6.1: Nếu ảnh định dạng người dùng xác nhận kết Gửi kết đến Collector (lưu vào sở liệu ứng dụng) Xóa cache quay lại bước Bước 6.2: Nếu ảnh sai định dạng người dùng xác nhận ảnh sai kết quả, xóa tồn cache hoạt động quay lại bước 4.2 Thực nghiệm đánh giá 4.2.1 Kiểm tra phiếu biểu mẫu Chúng tơi triển khai mơ hình thành hai tính quét nhận dạng số liệu đường huyết cập nhật liệu đường huyết vào sở liệu ứng dụng, kiểm thử loại phiếu biểu mẫu bệnh viện cung cấp Bố cục biểu mẫu gồm có phần: Phần nhận dạng thông tin phiếu bao gồm họ tên, ngày sinh, mã bên nhân Các thơng tin mã hóa thành mã QR code dán lên phiếu làm mã nhận dạng, Phần bảng chứa số đường huyết Trong q trình kiểm tra, chúng tơi thử nghiệm với mẫu ảnh biểu mẫu khác nhau: ảnh chụp bị lệch - góc chụp khơng diện, nhiễu q trình chụp, ảnh khơng phẳng, có màu Sau tải lên hệ thống nhận diện, ảnh đưa góc chụp diện hình điện thoại chuẩn, loại bỏ nền, trục ngang - dọc xác định trùng khớp với đường kẻ bảng với độ xác cao Võ Đình Nghĩa – Huỳnh Ngọc Nhân 38 Lớp DHKHMT13A Khóa tốt nghiệp chun ngành Khoa Học Máy Tính Hình 4.4 Phiếu biểu mẫu xử lý ảnh thuật toán Hough Transform Võ Đình Nghĩa – Huỳnh Ngọc Nhân 39 Lớp DHKHMT13A Khóa tốt nghiệp chun ngành Khoa Học Máy Tính Hình 4.5 Bảng số liệu đường huyết sau loại bỏ Hình 4.6 Bảng số liệu đường huyết sau nhận dạng trục ngang - dọc Võ Đình Nghĩa – Huỳnh Ngọc Nhân 40 Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính 4.2.2 Nhận diện số liệu đường huyết từ biểu mẫu Trong phần bảng số liệu mẫu phiếu bao gồm số viết tay Số liệu viết tay thường ký tự số tách rời nhau, nhiên số mẫu cịn nhiễu, dính liền nhau, làm giảm độ xác dự đốn mơ hình Ngồi độ xác dự đốn cịn phụ thuộc vào yếu tố độ sáng, vị trí đặt phiếu, độ phân giải thiết bị, nên độ xác thực tế nhận dạng đạt từ 87% - 92% Label Accuracy[% ] 89 % “/” “-” 94% 95% 90% 87% 89% 92% 95% 93% 94% 70% 95% Bảng 4.1 Kết kiểm tra nhận dạng ký tự viết tay Qua kiểm thử 20 ảnh mẫu tương đương 2040 mẫu số độ xác đạt 90%, 5% sai ảnh đạt chất lượng 5% sai phân đoạn ảnh bị sai chữ số viết dính vào nhau, nét - đậm chữ số viết tay, số chữ số có nét tương tự thao tác viết nhanh - chậm người viết, v.v điển hình nét viết số số 1, số số Võ Đình Nghĩa – Huỳnh Ngọc Nhân 41 Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính CHƯƠNG V KẾT LUẬN VÀ KIẾN NGHỊ 5.1 Kết đạt Trong trình học tập làm việc để phát triển đề tài VDAT-Team nhóm học hỏi tìm hiểu số kỹ như: phương pháp thu thập yêu cầu từ phía người dùng, phân chia làm việc nhóm hiệu quả, kỹ tìm kiếm tài liệu giải vấn đề gặp phải Cũng trình này, nhóm tiếp xúc làm việc với quy trình phát triển phần mềm VDAT- Team, văn hóa làm việc, sinh hoạt hoạt động Lab Thông qua đề tài số dự án liên quan thực tế triển khai Lab, nhóm nắm bắt số xu hướng phát triển phần mềm xu hướng số hóa doanh nghiệp Tuy cịn nhiều khó khăn vướng đến số tính hồn thành sau: - Tính quét nhận dạng liệu đường huyết: + Chụp ảnh biểu mẫu + Nhận dạng liệu số liệu đường huyết phương pháp xử lý ảnh mơ hình deep learning - Tính cập nhật liệu đường huyết vào sở liệu ứng dụng Ảnh hưởng đến phương pháp nhập liệu thủ công bệnh viện: - Dần thay quy trình nhập liệu thủ cơng nhân viên nhập liệu bệnh viện, tăng hiệu suất hiệu làm việc, giảm thiểu chi phí bỏ thời gian phận nhập liệu Bên cạnh cịn tồn số khó khăn sử dụng tính phải bỏ thời gian để tìm hiểu sử dụng ứng dụng, nhân viên nhập liệu quen với quy trình làm việc cũ, v.v Võ Đình Nghĩa – Huỳnh Ngọc Nhân 42 Lớp DHKHMT13A Khóa tốt nghiệp chun ngành Khoa Học Máy Tính 5.2 Hạn chế đồ án Ngoài chức nhóm thực thời gian qua, đề tài số hạn chế như: - Ứng dụng hỗ trợ việc trích xuất liệu biểu mẫu có sẵn theo mẫu đề tài, chưa hỗ trợ nhiều loại biểu mẫu khác - Mơ hình sử dụng cho nhận dạng hỗ trợ nhập liệu chưa hồn tồn xác số dạng biểu mẫu kiểm thử - Dữ liệu ký tự đặc biệt nhận dạng ngày “/” “-” chưa thật hiệu mơ hình 5.3 Cải tiến hướng phát triển Hỗ trợ nhận diện trích xuất số liệu đường huyết đề tài hay mà nhóm tiếp xúc phát triển thời gian vừa qua, nhiều hạn chế việc phát triển ứng dụng để hỗ trợ tối đa công việc người hệ thống thực toán cần phát triển thêm, nhóm nhận thấy số hướng phát triển như: - Kết hợp sử dụng mơ hình deep learning với độ phức tạp cho độ xác cao - Phát triển thêm nhận dạng nhiều dạng biểu mẫu khác phù hợp với nhiều khía cạnh phát triển ứng dụng hóa đơn, phiếu thuốc … - Tính đánh giá dựa số liệu nhận dạng, hỗ trợ cho việc theo dõi số đường huyết người bệnh Võ Đình Nghĩa – Huỳnh Ngọc Nhân 43 Lớp DHKHMT13A Khóa tốt nghiệp chuyên ngành Khoa Học Máy Tính TÀI LIỆU THAM KHẢO [1] Javier Ferrando, Juan Luis Dominguez, Jordi Torres, Raul Garcia, David Garcia, Daniel Garrido, Jordi Cortada, Mateo Valero, Improving accuracy and speeding up Document Image Classification through parallel systems https://arxiv.org/abs/2006.09141 [2] Christoph Wick, Christian Reul, Frank Puppe: Improving OCR Accuracy on Early Printed Books using Deep Convolutional Networks https://arxiv.org/abs/1802.10033 [3] Xiaoyu Li, Bo Zhang, Jing Liao, Pedro V Sander: Document Rectification and Illumination Correction using a Patch-based CNN https://arxiv.org/abs/1909.09470 [4] Thư Viện OpenCV, chuyên mục xử lý ảnh https://docs.opencv.org/master/d2/d96/tutorial_py_table_of_contents_imgproc.ht ml [5] Thư Viện OpenCV, biến đổi Hough https://docs.opencv.org/3.4/d9/db0/tutorial_hough_lines.html [6] Framework Keras https://keras.io/api/datasets/mnist/ [7] Máy chủ công cụ Google Colab https://colab.research.google.com/ [8] Framework Tensorflow https://www.tensorflow.org/resources/models-datasets [9] Beom Su Kim, Hyung Il Koo, and Nam Ik Cho 2015 Document dewarping via text-line based optimization Pattern Recognition 48, 11 (2015), 3600–3614 [10] Taeho Kil, Wonkyo Seo, Hyung Il Koo, and Nam Ik Cho 2017 Robust Document Image Dewarping Method Using Text-Lines and Line Segments In Document Analysis and Recognition (ICDAR), 2017 14th IAPR International Conference on, Vol IEEE, 865–870 [11] Ke Ma, Zhixin Shu, Xue Bai, Jue Wang, and Dimitris Samaras 2018 DocUNet: Document Image Unwarping via A Stacked U-Net In Proceedings of the IEEE Conference on Computer Vision and Paern Recognition 4700–4709 Võ Đình Nghĩa – Huỳnh Ngọc Nhân 44 Lớp DHKHMT13A Khóa tốt nghiệp chun ngành Khoa Học Máy Tính PHỤ LỤC Võ Đình Nghĩa – Huỳnh Ngọc Nhân 45 Lớp DHKHMT13A ... tính hỗ trợ số hóa liệu đường huyết từ giai đoạn cấu hình phần mềm, chức chụp lưu ảnh, hỗ trợ số hóa biểu mẫu nhập liệu liệu số hóa vào sở liệu bệnh viện Tính hỗ trợ số hóa liệu đường huyết tạo... khóa luận/đồ án: số hóa liệu đường huyết Nhiệm vụ: Nhận dạng phiếu ghi số liệu đường huyết Nhận dạng số đường huyết lưu vào sở liệu Ngày giao khóa luận tốt nghiệp: 01/02/2021 Ngày hồn thành khóa... trình nhập liệu lưu trữ liệu số đường huyết Đầu vào tính ảnh chụp ảnh scan phiếu đường huyết đầu số đường huyết nhập tự động lưu trữ vào sở liệu Dữ liệu kiểm soát, kiểm tra trực quan hóa website