Ứng dụng computer vision trong việc điểm danh sinh viên

HỌC VIỆN NGÂN HÀNG KHOA HỆ THỒNG THÔNG TIN QUẢN LÝ BÀI TẬP LỚN HỌC PHẦN TRÍ TUỆ NHÂN TẠO TRONG KINH DOANH ĐỀ TÀI ỨNG DỤNG THỊ GIÁC MÁY TÍNH (COMPUTER VISION) TRONG NHẬN DIỆN KHUÔN MẶT ĐỂ THỰC HIỆN ĐIỂ.

HỌC VIỆN NGÂN HÀNG KHOA HỆ THỒNG THÔNG TIN QUẢN LÝ BÀI TẬP LỚN HỌC PHẦN: TRÍ TUỆ NHÂN TẠO TRONG KINH DOANH ĐỀ TÀI: ỨNG DỤNG THỊ GIÁC MÁY TÍNH (COMPUTER VISION) TRONG NHẬN DIỆN KHN MẶT ĐỂ THỰC HIỆN ĐIỂM DANH SINH VIÊN TẠI HỌC VIỆN NGÂN HÀNG Giảng viên hướng dẫn: Bùi Thị Hồng Nhung Mã lớp: 212IS42A21 Nhóm thực hiện: 25 Sinh viên tham gia: Trần Thị Linh Nga - 23A4050257 Trần Quỳnh Như - 23A4050293 Lê Ngọc Ánh - 23A4050055 Hà Nội, ngày 10 tháng 04 năm 2022 DANH SÁCH THÀNH VIÊN VÀ PHÂN CÔNG NHIỆM VỤ STT Họ tên Mã sinh viên Số điện thoại Nhiệm vụ - Trần Thị Linh Nga 23A4050257 0763139283 - Trần Quỳnh Như 23A4050293 0979410181 - Lê Ngọc Ánh 23A4050055 0946148795 - Phát biểu tốn lí chọn tốn Trình bày cách thức thu thập liệu Thu thập ảnh Viết code phần mã lệnh chương trình Trình bày phần kết luận Bài tập lớn Tham gia quay video clip Giới thiệu tổng quan thuật toán sử dụng Thu thập ảnh Viết code phần mã lệnh chương trình Trình bày phần mở đầu Tạo bìa mục lục Tổng hợp, chỉnh sửa hồn thiện hình thức, nội dung Bài tập lớn Tham gia quay video clip Trình bày phần xác định vấn đề Viết code phần mã lệnh chương trình Trình bày kết thực Trình bày phần tài liệu tham khảo Lên kịch video clip Tham gia quay video clip Tỷ lệ đóng góp 200% 200% 200% MỤC LỤC Mở đầu 1 Xác định vấn đề 1.1 Tổng quan thực trạng hình thức điểm danh sinh viên trường .2 1.2 Tổng quan giải pháp ứng dụng thị giác máy tính để thực điểm danh sinh viên 2 Phát biểu tốn lí chọn tốn 2.1 Phát biểu toán 2.2 Lí chọn toán Cách thức thu thập liệu Tổng quan thuật toán sử dụng Mã lệnh chương trình 5.1 Khai báo thư viện .8 5.2 Kết nối với Google Drive để đọc lưu liệu 5.3 Khai báo đường dẫn thư mục chứa liệu ảnh 5.4 Gán nhãn cho liệu ảnh 5.5 Tiền xử lý liệu ảnh 5.6 Đọc liệu Train Validation 10 5.7 Xây dựng mơ hình 11 5.8 Thiết lập tham số để huấn luyện mơ hình .13 5.9 Huấn luyện mơ hình .13 5.10 Sử dụng mơ hình 15 Kết thực .16 KẾT LUẬN .18 TÀI LIỆU THAM KHẢO Mở đầu Lịch sử cách mạng công nghiệp không ngừng đổi mới, cách mạng đóng góp lớn cho phát triển giới từ suất lao động kết nối toàn cầu Nếu động nước tảng ban đầu cách mạng công nghiệp lần thứ diễn vào cuối kỷ 18 cơng nghệ Trí tuệ nhân tạo từ khóa quan trọng cách mạng cơng nghiệp lần thứ tư Theo dòng chảy cách mạng 4.0, trí tuệ nhân tạo ngày phổ biến ứng dụng rộng rãi lĩnh vực sống Trí tuệ nhân tạo (Artificial Intelligence - viết tắt AI) hiểu lĩnh vực khoa học máy tính gắn trực tiếp với việc tự động hóa hành vi thơng minh Đặc trưng cơng nghệ AI lực “tự học” máy tính, tự phán đốn, phân tích trước liệu mà không cần hỗ trợ người, đồng thời có khả xử lý liệu với số lượng lớn tốc độ cao Cứ cấu trúc AI luôn thay đổi thích nghi điều kiện hồn cảnh Ngày nay, với tiến vượt bậc khoa học cơng nghệ, trí tuệ nhân tạo, sản phẩm người tạo không cỗ máy tầm thường mà chúng biết tiếp thu, biết “học”, phân tích để đưa giải pháp hiệu Xuất phát từ lí nhận thức tầm quan trọng Trí tuệ nhân tạo lĩnh vực sống, nhóm chúng em hình thành ý tưởng việc xây dựng toán “Ứng dụng AI thị giác máy tính (Computer Vision) nhận diện khuôn mặt để thực điểm danh sinh viên trường Học viện Ngân hàng”, từ tối ưu hóa q trình điểm danh trường 2 Xác định vấn đề 1.1 Tổng quan thực trạng hình thức điểm danh sinh viên trường Ngày nay, tình trạng “học hộ, thi hộ” trở thành vấn nạn đáng quan tâm trường đại học Đặc biệt tình hình dịch bệnh Covid-19, việc học thi online tạo điều kiện thuận lợi cho vấn đề diễn dễ dàng Khác với THPT, trường đại học, giảng viên sử dụng hình thức điểm danh để đánh giá thang điểm chun cần cho sinh viên Bên cạnh đó, tính chất môi trường học tập khiến cho giảng viên khó quản lý kiểm sốt tồn sinh viên Từ tạo kẽ hở để sinh viên th người học hộ, vơ hình chung làm cho chất lượng giáo dục không đảm bảo Vậy nên hình thức điểm danh hộ trở nên phổ biến, dấy lên hồi chuông báo động giáo dục Việt Nam 1.2 Tổng quan giải pháp ứng dụng thị giác máy tính để thực điểm danh sinh viên 1.2.1 Giới thiệu chung thị giác máy tính (Computer Vision) nhận diện khn mặt Hệ thống nhận diện khuôn mặt ứng dụng máy tính tự động xác định nhận dạng người từ hình ảnh kỹ thuật số khung hình video từ nguồn video Một cách để thực điều so sánh đặc điểm khn mặt chọn trước từ hình ảnh sở liệu khuôn mặt  Cách thức hoạt động: Quá trình sinh trắc học nhận diện khuôn mặt hoạt động bao gồm - Lấy mẫu: Trước hết, để phân tích nhận diện khuôn mặt, cần phải tách khuôn mặt khỏi khung cảnh cịn lại trước 3 - Phân tích: Gương mặt nhận diện thông qua đặc điểm hệ thống nhận diện thực đánh giá đặc điểm mức độ cao - So sánh: Mỗi khn mặt có nhiều điểm mốc, phần lồi lõm tạo nên đặc điểm khuôn mặt Các hệ thống nhận diện gương mặt định nghĩa điểm điểm nút  Kết quả: Hệ thống sau định kết so sánh có phù hợp hay khơng  Điểm bật: - Công nghệ nhận diện khuôn mặt có nhiều ưu điểm mà phương pháp xác thực khác khơng có Một khía cạnh tích cực nhận diện khuôn mặt hệ thống không cần tương tác người, khơng địi hỏi người dùng phải chờ đợi thời gian dài làm điều nhìn vào camera - Kiểm soát theo thời gian thực (real-time): Nâng cao mức độ bảo mật hệ thống an ninh qua camera Tạo kho liệu với danh sách “Trắng - Tin cậy” danh sách “Đen – Blacklist” - Sẵn sàng kết nối với hệ thống kiểm soát vào - Access Control, thông báo trường hợp xâm nhập trái phép, kiểm sốt việc chấm cơng; đăng ký quản lý khách vào khu vực (tòa nhà, resort,…) 1.2.2 Vai trị thị giác máy tính (Computer Vision) việc thực điểm danh sinh viên Giải pháp ứng dụng thị giác máy tính cách quản lý vơ hiệu quả, nhanh chóng xác giúp nhà trường kiểm sốt sinh viên cách chặt chẽ, khoa học 4 Ngoài ra, việc sử dụng nhận diện hình ảnh xử lý tối đa vấn đề gặp phải trường đại học việc sinh viên trốn học, học hộ, thi hộ, học muộn… Phát biểu toán lí chọn tốn 2.1 Phát biểu toán Đứng trước phát triển vũ bão khoa học cơng nghệ, để hội nhập quốc tế khơng kinh tế, trị, văn hóa mà giáo dục góp phần quan trọng khơng Bởi giáo dục xem mũi nhọn – yếu tố định vận mệnh quốc gia Bất kì ngơi trường có mục tiêu chung đào tạo, phát triển hệ trẻ cách toàn diện, đủ lực, phẩm chất để sau chuyến đị tri thức dâng trọn sức trẻ, tài nhiệt huyết cống hiến cho dân tộc Đồng thời nhà trường trọng quan tâm đến chất lượng “thực” học sinh, sinh viên, đề cao tinh thần, ý thức “học thật thi thật”, từ khơng cịn thực trạng thừa cấp thiếu lực diễn xã hội Nắm bắt vấn đề tồn trên, Trí tuệ nhân tạo góp phần cải thiện, thay đổi phát triển giáo dục theo hướng ngày toàn diện chất lượng Trong q trình học tập mơn Trí tuệ nhân tạo kinh doanh, sinh viên tiếp cận ba ứng dụng AI vào thực tiễn: Xây dựng mơ hình dự báo, dự đốn; Xây dựng Chatbot; Nhận dạng hình ảnh Để minh chứng cụ thể cho giải pháp ứng dụng “Nhận dạng hình ảnh”, nhóm sâu nghiên cứu đưa tốn nhận diện khn mặt để thực điểm danh sinh viên Học viện Ngân hàng 5 2.2 Lí chọn tốn Học viện Ngân hàng (tiền thân Trường Cao cấp Nghiệp vụ Ngân hàng) thành lập từ năm 1961 Là trường đại học công lập đa ngành trực thuộc Ngân hàng Nhà nước Việt Nam Bộ Giáo & Đào tạo, Học viện Ngân hàng có trụ sở Hà Nội, phân viện Bắc Ninh, phân viện Phú Yên sở đào tạo Sơn Tây với 16.000 sinh viên theo học Trong suốt trình xây dựng phát triển, Học viện Ngân hàng khơng ngừng hồn thiện lên Từ sở đào tạo chuyên lĩnh vực tài ngân hàng, đến trường mở rộng đào tạo theo hướng đa ngành Trình độ tính chun nghiệp đội ngũ giảng viên ngày nâng cao Sinh viên tốt nghiệp đáp ứng tốt yêu cầu nhà tuyển dụng xã hội, góp phần khẳng định vị Học viện Ngân hàng sở đào tạo kinh tế hàng đầu Việt Nam Chính vậy, vào mùa tuyển sinh, Học viện thu hút lượng học sinh lớn khắp nước từ Bắc vào Nam Do đó, việc áp dụng trí tuệ nhân tạo (AI) để thực điểm danh sinh viên kì thi trường giải pháp mà Học viện Ngân hàng xem xét triển khai nhằm tiết kiệm thời gian, hạn chế thủ tục rườm rà, tình trạng chờ đợi trình điểm danh kì thi nâng cao chất lượng học tập sinh viên Ứng dụng giúp cho nhà trường giám sát quản lý sinh viên tốt trình điểm danh, giảm thiểu tình trạng “học hộ, thi hộ”, từ sinh viên có ý thức tự giác việc học tập để đạt thành tích cao trường, nâng cao chất lượng giảng dạy học tập Cách thức thu thập liệu  Ảnh nhận dạng: phải dạng ảnh thấy rõ gương mặt diện sinh viên, khơng có hình ảnh trang trí 6  Sinh viên toàn Học viện yêu cầu chụp ảnh chân dung góc mặt cụ thể là: - 25 ảnh diện khn mặt - 15 ảnh góc nghiêng phải - 15 ảnh góc nghiêng trái - 15 ảnh đeo kính - 15 ảnh xõa tóc - 15 ảnh cột tóc  Số lượng thu thập: thu thập từ sinh viên, người cung cấp tối thiểu 100 ảnh  Lưu ảnh vào Google Drive với hai thư mục Train Validation Mỗi sinh viên tương ứng với thư mục 80 ảnh Train, 20 ảnh Validation Tổng quan thuật tốn sử dụng Chương trình xây dựng thực thông qua ứng dụng Google Collab - sản phẩm từ Google Research, cho phép chạy dịng code Python thơng qua trình duyệt Đây service dựa Jupyter Notebooks, không cần thiết lập hỗ trợ GPU miễn phí Bài tốn xử lý ngơn ngữ lập trình Python sử dụng thư viện Tensorflow, Numpy, Keras Trong đó, Tensorflow thư viện dạng nguồn mở sử dụng phổ biến lĩnh vực học máy giúp gia tăng tốc độ nhanh chóng dễ dàng hơn; Keras nguồn mở cho Neural Network thiết kế để xác định nhanh mơ hình học sâu; Numpy thư viện toán học phổ biến mạnh mẽ Python cho phép làm việc hiệu với ma trận mảng 7 Thuật toán sử dụng CNN - Convolutional Neural Network (Mạng nơ-ron tích chập) - phương pháp phổ biến có độ xác cao việc thực nhận dạng hình ảnh, khuôn mặt Đây xem mơ hình mạng Học sâu (Deep Learning) - tập hợp thuật tốn để có mơ hình liệu trừu tượng hóa mức cao cách xử lý liệu thơng qua nhiều lớp mảng Nó bao gồm phần tử đơn giản hoạt động song song nối với liên kết có trọng số để kích thích ức chế nơ-ron Kiến trúc nơ-ron tích chập tương tự mơ hình kết nối nơ-ron não người lấy cảm hứng từ hệ thống vỏ thị giác não CNN lấy hình ảnh đầu vào, gán độ quan trọng cho đối tượng khác phân biệt đối tượng với So với mạng nơ-ron thông thường, mạng CNN nhận đầu vào mảng hai chiều hoạt động trực tiếp hình ảnh Về kỹ thuật, mơ hình CNN để training kiểm tra, hình ảnh đầu vào chuyển qua loạt lớp tích chập với lọc, tổng hợp lại lớp kết nối đầy đủ áp dụng hàm Softmax để phân loại đối tượng có giá trị xác suất Đầu phép tích chập tập giá trị ảnh gọi mạng đặc trưng Thực chất, layer đầu tiên, phép tích chập đơn giản phép tìm biên ảnh layer lại trích xuất tiếp đặc trưng đặc trưng đối tượng đó, việc có nhiều layer giúp cho việc chia nhỏ đặc trưng ảnh tới mức nhỏ Để q trình nhận dạng khn mặt xác nhiệm vụ phát khn mặt đóng vai trị quan trọng Quy trình dựa phương pháp mạng nơ-ron tích chập ghép nhiều tầng nối tiếp Mỗi khn mặt đại diện vectơ đặc trưng Khi đó, q trình nhận dạng khn mặt trở thành vấn đề phân lớp vector đặc trưng Sau quy trình nhận dạng khn mặt Đối với quy trình này, CNN huấn luyện cho khoảng cách bình phương L2 không gian nhúng tương ứng với khoảng cách khuôn mặt: Khuôn mặt người có khoảng cách nhỏ khn mặt người khác có khoảng cách lớn Khi đó, khuôn mặt đại diện vectơ đặc trưng 128 chiều chuyển đổi thành 128 byte Khi khơng gian nhúng tạo ra, nhiệm vụ nhận dạng khn mặt trở thành tốn phân lớp vector đặc trưng dùng thuật toán KNN, mạng nơ-ron nhiều lớp Mã lệnh chương trình 5.1 Khai báo thư viện  Import tensorflow as tf: Khai báo thư viện Tensorflow - thư viện mã nguồn mở dùng cho tính tốn số học sử dụng đồ thị luồng liệu, giúp ta tiền xử lí liệu, ngồi thư viện kết hợp với API khác để xây dựng kiến trúc học sâu quy mô lớn CNN giúp ta dễ dàng nhận diện hình ảnh  from tensorflow import keras: Khai báo thư viện Keras - thư viện có cú pháp đơn giản Tensorflow nhiều ưu điểm dễ sử dụng, giúp ta xây dựng mơ hình nhanh chóng hỗ trợ CNN  import numpy as np: Khai báo thư viện Numpy - thư viện Python mạnh mẽ, chủ yếu sử dụng để thực tính tốn mảng đa chiều, cho phép làm việc hiệu với ma trận mảng với tốc độ xử lí nhanh, giúp ta phân tích xử lí liệu ảnh 9 5.2 Kết nối với Google Drive để đọc lưu liệu  from google.colab import drive / drive.mount(„/content/drive‟): Dùng để liên kết với Google Drive lấy liệu 5.3 Khai báo đường dẫn thư mục chứa liệu ảnh  import os: Đây thư viện tích hợp sẵn Python, cho phép thao tác với tệp thư mục thư mục làm việc 5.4 Gán nhãn cho liệu ảnh  label=['QuynhNhu','NgocAnh','LinhNga'] Phân loại ảnh tốn học có giám sát, liệu huấn luyện kiểm định phải gán nhãn Ảnh gán nhãn dựa theo tên thư mục chứa nó, ta có tên thứ tự nhãn tương ứng với tên thứ tự thư mục chứa ảnh huấn luyện kiểm định 5.5 Tiền xử lý liệu ảnh 10  from tensorflow.keras.preprocessing.image import ImageDataGenerator: Khai báo thêm lớp ImageDataGenerator từ Keras để tạo hàng loạt liệu hình ảnh chuẩn hố kiểu liệu khác  ImageDataGenerator(rescale=1/255): Dùng để đọc chuẩn hoá liệu ảnh giá trị nằm khoảng [0,1] Một file ảnh JPEG chuyển lưu máy tính dạng ma trận liệu số có giá trị khoảng [0, 255] 5.6 Đọc liệu Train Validation  train_generator = train_data_gen.flow_from_directory: Sử dụng hàm để chuẩn bị liệu từ thư mục train_data, định kích thước đích hình ảnh Trong đó: - train_generator: Dùng để tải liệu thư mục Train - flow_generator: Dùng để đọc hình ảnh từ thư mục chứa ảnh numpy, làm giàu liệu ảnh - train_image_files_path: Đường dẫn tới ảnh huấn luyện - target_size=(50,50): Điều chỉnh ảnh đầu vào kích thước 50x50 để máy học được, từ đưa kết xác  class_mode=„categorical‟: Phân loại hình ảnh theo “class” Ở tốn nhận diện khn mặt ba sinh viên nên sử dụng “class”, đầu có 11 output Sau chạy code, máy đưa kết 240 ảnh thuộc “class” thư mục Train  validation_generator = validation_data_gen.flow_from_directory: Dùng để chuẩn bị liệu thử nghiệm cho mơ hình  valid_image_files_path: Đường dẫn tới ảnh thử nghiệm  target_size=(50,50): Biến đổi hình ảnh thử nghiệm kích thước 50x50  class_mode='categorical' : Phân loại ảnh đa lớp (3 lớp) Sau chạy code, máy đưa kết 60 ảnh thuộc “class” thư mục Validation 5.7 Xây dựng mơ hình  from keras,modes import Sequential: Trong thư viện Keras, Models hiểu chuỗi lớp Thế nên xuất Sequential xếp lớp Keras theo thứ tự để có model chuẩn theo ý muốn  from keras.layers import Dense, Dropout, Conv2D, MaxPooling2D, Flatten: Thêm lớp cần thiết để xây dựng mạng nơ-ron khác  model=tf.keras.models.Sequential(): Khởi chạy mơ hình Sequential để đưa ảnh đầu vào Input Image 12  Lớp CNN1: Bao gồm 32 lọc với kích thước 3x3 để học đặc trưng hình ảnh hàm activation=„relu‟ để loại giá trị âm Do tầng CNN1 kết nối với đầu vào nên cần mô tả rõ thơng tin liệu đầu vào (input_shape=(50,50,3)) với kích thước ảnh 50x50x3 pixel - model.add: Dùng để thêm lớp vào mơ hình - Conv2D: Dùng để lấy đặc tính từ hình ảnh - MaxPooling2D(2,2): Giữa convolutional thường dùng lớp Pooling để vừa giữ thuộc tính quan trọng vừa giảm kích thước liệu Khi dùng Pooling layer hầu hết dùng cửa sổ trượt size=(2,2), bước nhảy stride=2 Do đó, kích thước liệu giảm nửa  Lớp CNN2: Tuy mơ hình CNN1 CNN2 có giống cấu trúc CNN2 không kết nối trực tiếp với đầu vào Với lọc sử dụng 64, mơ hình CNN2 giúp máy phân tích sâu đọc nhiều thơng tin  Lớp CNN3: Mơ hình CNN3 giống cấu trúc với CNN2 sử dụng lọc 64 để giúp máy phân tích sâu đọc nhiều thông tin  Lớp CNN4: Đều nhằm mục đích giúp máy phân tích sâu đọc nhiều thơng tin hơn, mơ hình CNN4 có cấu trúc số lọc giống với mơ hình CNN2 Sau qua lớp CNN, máy đọc thông tin đặc điểm cần thiết liệu ta cung cấp Khi đó, ta dùng code để model.add(Flatten()) chuyển ảnh từ dạng ma trận mảng chiều (1 vector) - model.add(Dense(512,activation=tf.nn.relu)) 13 - model.add(Dense(3,activation=tf.nn.softmax)) 5.8 Thiết lập tham số để huấn luyện mơ hình Đối số giá trị mặc định phương thức compile() sau - Compile: Chọn tham số để huấn luyện cho mơ hình - Optimizer: Là thuật tốn huấn luyện cho mơ hình, sử dụng „sgd‟, „adam‟ RMSprop - Loss: Hàm tính tốn sai số giá trị học giá trị thực tế, sử dụng categorical_crossentropy trường hợp dự đoán nhiều lớp - Metrics: Là thước đo để đánh giá độ xác mơ hình - Lr: Learning rate=0.001-Learning rate nhỏ (0.001) tức bước nhảy nhỏ đồng nghĩa tốc độ hội tụ nhanh Ở đây, biên dịch mạng nơron thơng qua lệnh “model.compile” Mơ hình huấn luyện hàm Loss categorical_crossentropy với tiêu chí huấn luyện Accuracy 5.9 Huấn luyện mơ hình 14 Chúng ta gọi “model.fit” để huấn luyện mơ hình  EPOCHS: Là số vịng lặp chạy mơ hình Trong đó, EPOCHS=200 tức mơ hình cần 200 vịng lặp để đưa hết liệu vào chạy mơ hình Đối với tốn này, nhóm lựa chọn sử dụng EPOCHS=200 để tăng độ xác 15 cho mơ hình Bên cạnh đó, nhóm thử sử dụng EPOCHS=100 nhiên độ xác thấp  model.fit_generator: Yêu cầu trình tạo liệu đầu vào để chạy khơng giới hạn  step_per_epoch: Số lần lặp lại hàng loạt trước EPOCHS kết thúc Để tăng độ xác, nhóm lựa chọn step_per_epoch=2  verbose= 1: Cho phép hiển thị tiến trình chạy mơ hình  validation_steps: Tương tự steps_per_epoch liệu Validation Độ xác mơ hình: Sau chạy hết 200 vòng lặp EPOCHS, máy đưa độ xác cao với hầu hết lần chạy có độ xác lên tới 100% 5.10 Sử dụng mơ hình Bước đầu tiên, khai báo thư viện  from google.colab import files; from keras.preprocessing import image; %matplotlib inline”: Dùng để đưa liệu ảnh vào  import matplotlib.pyplot as plt; import matplotlib.image as mpimg: Dùng để khai báo thư viện matplotlib.pyplot, matplotlib.image  uploaded=files.upload(): Dùng để tạo chỗ tải ảnh cần dự đoán 16  Vòng lặp “For”: Là vòng lặp giúp lặp lại xử lý chương trình với số lần cụ thể Những phần nằm vòng lặp “For” cần lùi vào đầu dịng  for fn in uploaded.keys(): Có fn biến, uploaded.keys() đối tượng có nhiều phần tử  path='/content/'+fn: Đường dẫn ảnh cần dự đoán  plt.imshow(mpimg.imread(path): Dùng để in ảnh đọc Vì mơ hình đào tạo trước mong muốn đầu vào có kích thước cụ thể nên cần chuyển đổi hình ảnh sang định dạng chuẩn trước cung cấp hình ảnh cho Keras Trong trường hợp này, cần thay đổi kích thước hình ảnh thành 50x50 pixel  img=image.load_img(path,target_size=(50,50)): Đưa ảnh target size(50,50)  y_predict = model.predict(images,batch_size=10): Mơ hình dự đốn thơng qua ảnh với batch size=10 (số lượng ảnh lần lặp 10)  print(y_predict); print('Giá trị dự đoán: ', Label[np.argmax(y_predict)]): In giá trị dự đoán Sau chạy đoạn code, xuất kết yêu cầu chọn hình ảnh để phân loại, kích chọn nút Chọn tệp (Choose files), xuất hộp thoại Open, chọn ảnh để phân loại Kết thực Sau chạy thử nghiệm cho kết với độ xác cao Chúng ta áp dụng cho trường học, cụ thể Học viện Ngân hàng để khắc phục tình trạng học hộ, thi hộ, học muộn,… trình điểm danh sinh viên, từ nâng cao chất lượng giáo dục 17 18 KẾT LUẬN Thế giới khơng ngừng đổi mới, Trí tuệ nhân tạo nhận diện khuôn mặt theo đà phát triển áp dụng sâu rộng lĩnh vực sống Trong đó, nhận diện khuôn mặt để thực điểm danh sinh viên trường học giải pháp vô thiết thực, hiệu Với phương pháp trên, nhà trường vừa quản lý, kiểm sốt số lượng sinh viên cách thuận lợi, xác, vừa tiết kiệm thời gian phát kịp thời trường hợp thuê người thi hộ, làm bộ, học hộ - vấn nạn diễn phổ biến trường đại học ngày Từ khơng giúp nâng cao chất lượng giáo dục nhà trường, mà cịn giúp cho sinh viên có ý thức việc học tập thi cử Thông qua tiểu luận, nhóm đề xuất ý tưởng cho toán ứng dụng AI nhận diện khn mặt Với lớp CNN 200 vịng lặp, mơ hình đưa độ xác thực thi cao Điều đồng nghĩa với việc toán đưa vào thực tế để ứng dụng Tuy nhiên, trình độ kiến thức cịn có nhiều hạn chế nên trình chạy thử chương trình, nhóm gặp phải số vấn đề sai sót Kính mong bổ sung đóng góp ý kiến để tập lớn hồn thiện Chúng em xin chân thành cảm ơn cô Bùi Thị Hồng Nhung thời gian vừa qua đồng hành giảng dạy cách tận tâm, đầy nhiệt huyết truyền tải nhiều kiến thức bổ ích cho nhóm em nói riêng lớp nói chung ạ! TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt Học viện Ngân hàng - Khoa Hệ thống thông tin quản lý (2022), Slide giảng Trí tuệ nhân tạo kinh doanh, Hà Nội Tài liệu trực tuyến Thị giác máy tính, Wikipedia, https://vi.wikipedia.org/wiki/Th%E1%BB%8B_gi%C3%A1c_m%C3%A1y_t%C3 %ADnh “Cơng nghệ AI nhận diện khuôn mặt”, Vinlife Tech, https://vinlifetech.vn/tintuc/cong-nghe-ai-nhan-dien-khuon-mat-p55.html “Xử lý ảnh sử dụng Neural Network - AI - Machine Learning bản”, VNcoder, https://vncoder.vn/bai-hoc/xu-ly-anh-su-dung-neural-network175?fbclid=IwAR3A5obScWdbzn3caIdDr6RnZw0NTNrKYnpcjpHNfSeU74Xq_ NF6gMwvd2 “What is a Convolutional Neural Network?”, Mathworks, https://www.mathworks.com/discovery/convolutional-neural-network-matlab.html “Thuật toán CNN – Convolutional Neural Network”, TOPDev, https://topdev.vn/blog/thuat-toan-cnn-convolutional-neuralnetwork/?fbclid=IwAR0RL9ss7NGHp2XajliTiZpAH1CLPAzaZX7keitpTL4vzOmNOv7DHgs–41U#convolutional-neural-network-la-gi ... trình điểm danh kì thi nâng cao chất lượng học tập sinh viên Ứng dụng giúp cho nhà trường giám sát quản lý sinh viên tốt trình điểm danh, giảm thiểu tình trạng “học hộ, thi hộ”, từ sinh viên có... thị giác máy tính (Computer Vision) việc thực điểm danh sinh viên Giải pháp ứng dụng thị giác máy tính cách quản lý vơ hiệu quả, nhanh chóng xác giúp nhà trường kiểm soát sinh viên cách chặt chẽ,... thành ý tưởng việc xây dựng tốn ? ?Ứng dụng AI thị giác máy tính (Computer Vision) nhận diện khuôn mặt để thực điểm danh sinh viên trường Học viện Ngân hàng”, từ tối ưu hóa q trình điểm danh trường