Thông tin tài liệu
HỌC VIỆN NGÂN HÀNG KHOA HỆ THỐNG THÔNG TIN QUẢN LÝ BAO CAO KIÊM TRA Học phần: Trí tuệ nhân tạo kinh doanh Đề bài: Nhâ n dạng trạng thi bun ng ca ngưi li xe Giảng viên hướng dẫn : V' Duy Hi+n Nh,m thực : 18 Lớp : K22KTDTA Hà Nội, ngày tháng năm 2022 Ph=n chia công viêc@ cAa nh,m HB tên MSV Bi Th Lan Anh 22A4050409 V Th Phương Tho 22A4050257 H Th Thy 22A4050193 Nguy"n Đ$c Dương 22A4030279 Ph=n viêc@ Đánh giá CHƯƠNG I: PHGT BIIU BÀI TOGN, LÝ DO CHỌN BÀI TOGN VÀ PHƯƠNG PHGP LIÊN QUAN Phát biểu toán lý chBn toán 1.1 B(i to*n v( l- ch/n b(i to*n Mấy chục năm trở lại đây, cng với ph*t triển mạng lưới giao thơng đường tình hình tai nạn giao thơng xy ng(y c(ng nhiều v( ng(y c(ng nghiêm tr/ng Một nguyên nhân gây tai nạn l( vấn đề giấc ngủ l*i xe Đi đôi với ph*t triển mạng lưới giao thơng đường l( tình hình tai nạn giao thông xy ng(y c(ng tăng v( nghiêm tr/ng Một nguyên nhân gây tai nạn khơng đ*ng có l( vấn đề mệt mỏi, bun ngủ c*c xế t(i Gi*o sư Lee-Chiong Teofilo (Trung tâm National Jewish Health, Mỹ) cho biết, thiếu ngủ l( nguyên nhân gây tai nạn giao thơng giới Ước tính khong 10-15% tai nạn xe có liên quan đến thiếu ngủ Nghiên c$u giấc ngủ c*c t(i xế 19 quốc gia châu Âu cho thấy tỷ lệ bun ngủ l*i xe cao, trung bình 17% Trong 10,8% người bun ngủ l*i xe lần th*ng, 7% gây tai nạn giao thông bun ngủ, 18% su-t xy tai nạn bun ngủ Việc cnh b*o sớm tình trạng bun ngủ người l*i xe hạn chế nhiều tình trạng v( đm bo tính mạng cng ci Do b(i to*n đặt l( cần xây dựng hệ thống ph*t v( cnh b*o kp thời tình trạng bun ngủ 1.2 C*c phương ph*p liên quan 1.2.1 Phương php da vo ngưi li xe Phương ph*p n(y địi hỏi kỹ thuật chun mơn cao b lại mang tới hiệu qu x*c cao Kỹ thuật thực chia l(m nhóm: Theo dõi v( đ*nh gi* thay đổi sinh l- t(i xế nhp tim, sóng não v( tần số nh*y mắt Vì vậy, c*c thiết b gắn trực tiếp lên thể người l*i xe Đó cng l( nhược điểm gây khó chu cho người l*i cng m đổ l(m gim độ x*c Theo dõi, x*c đnh v( đ*nh gi* thay đổi thể tư ngi, nhắm mắt, miệng người l*i xe Kỹ thuật n(y không t*c động trực tiếp lên người l*i m( sử dụng c*c thiết b ghi hình để ghi lại c*c thay đổi v( đưa cnh b*o 1.2.2 Phương php da vo phn ng điu khin ca ngưi li xe Đây l( kỹ thuật thực c*ch theo dõi thay đổi tay l*i, phanh xe, tốc độ xe, hướng di chuyển xe Kỹ thuật n(y hạn chế loại xe v( không chắn l( người l*i xe trạng th*i bun ngủ CHƯƠNG II: GIPI THIÊ@U CGCH THQC THU THÂ@P DƯ LIÊ@U, CGC KIIU DƯ LIÊ@U CSN THU, SỐ LƯTNG ẢNH, CGCH TU CHQC DƯ LIÊ@U TRÊN MGY TXNH Cách thYc thu thâp@ d[ liêu@ 2.1 C*c kiểu dự liêuo nh cần thu nhâpo Để phục vụ cho b(i to*n ta cần liệu hình nh người l*i xe trạng th*i bun ngủ Drowsiness) v( hình nh người l*i xe trạng th*i không bun ngủ (No Drowsiness) Với hình nh người l*i xe bun ngủ cần c*c thuộc tính v( cng l( đặc trưng mấu chốt ngáp nhắm mắt, Ngược lại với hình nh người l*i xe trạng th*i bình thường Như hình nh minh h/a: Trạng th*i không bun ngủ Trạng th*i bun ngủ V( nhãn tương $ng b(i to*n m( mô hình cần dự đo*n l( Buồn NgA hay Khơng Buồn NgA 2.2 Ngun gốc liêuo Dữ liệu cần thu thập phi đa dạng, l( hình nh nhiều người, c*c hình nh phi có thay đổi cử khn mặt, góc camera Trong hệ thống n(y, nhóm cần lượng liệu lớn cho việc huấn luyện mơ hình để hệ thống đạt độ x*c cao Vì vậy, liệu lấy phần từ Kaggle v( nhóm sưu tầm thêm cơng cụ tìm kiếm Google 2.3 Số lượng liêuo Bộ liệu phục vụ cho việc huấn luyện v( đ*nh gi* nằm thư mục Train v( Val, gm 800 hình nh đó: 400 hình nh ch$a người l*i xe bun ngủ v( 400 hình nh người l*i xe trạng th*i bình thường 2.4 Tổ ch$c liêuo m*y tính Tạo file dự liêuo data m*y tính Tìm đủ số lượng nh cần dng ti nh tìm file data Trong file data chia th(nh ba file nhỏ Test, Train, Val Trong có tâ op Test có nh bun ngủ v( khơng bun ngủ, tâ po Train có 200 nh bun ngủ v( 200 nh không bun ngủ, tâ po Val 200 nh buổn ngủ v( 200 nh không bun ngủ Ho(n th(nh xong chrng ta ti file lên My Drive thư mục Drowsy-Detection-CNN Dữ liệu phục vụ cho việc thử nghiệm, sử dụng mơ hình khơng trng với liệu Dưới l( phần liệu nhóm sau ho(n th(nh My Drive Nhãn BuonNgu (Bun Ngủ) Nhãn KhongBuonNgu ( Không Bun Ngủ) CHƯƠNG III: GIPI THIÊ@U TUNG QUAN THUÂ@T TOGN SƯ D`NG Tbng quan thuât@ toán se dfng Hệ thống thực tế đề có khối ch$c hình đây: Khối thu nhận hình nh từ camera: Hình nh đầu v(o thu nhận camera, sau phân t*ch video th(nh c*c khung hình (Frame) v( chuyển tất c hình nh nh x*m (gray) Khối nhận diện khn mặt: Hình nh thu ta dị tìm phần khn mặt v( loại bỏ phần background khơng cần thiết Khối dự đo*n, x*c đnh trạng th*i bun ngủ: Sử dụng mơ hình CNN sau huấn luyện với dự liệu để dự đo*n c*c đặc trưng khuôn mặt thuộc hai trạng th*i bun ngủ hay không bun ngủ để đưa cnh b*o kp thời Do điều kiện thực tế, cơng việc nhóm l( thực khối ch$c nhận diện khuôn mặt v( khối x*c đnh trạng th*i bun ngủ Với tập liệu nhóm thu thập v( h(m tích hợp sẵn mã ngun mở OpenCV nhóm tiến h(nh tiền xử l- hình nh đ/c từ thư mực lưu trữ, sau để cắt bỏ phần background v( giữ lại phần khn mặt Đã có tập liệu đầu v(o v( nhãn tương $ng, nhóm sử dụng thư viện Tensorflow để xây dựng mơ hình CNN, huấn luyện mơ hình v( gi*m s*t độ x*c mơ hình CHƯƠNG V: Mg LÊ@NH CHƯƠNG TRhNH Mj lênh @ chương trmnh 4.1 Chuvn b 4.1.1 Ti d" liê $u lên Google drive 4.1.2 Tạo file Google Colaboratory 4.1.3 Khai bo cc thư viện sử dụng mã nguồn Thư viện l( mã ngun cộng đng viết sẵn, cần c(i đặt v( import v(o dự *n để sử dụng Chi tiết thư viện nói sau 4.2 Đ/c liệu v( tiền xử l- liệu 4.2.1 Kết nối với Google Drive đ đọc file v lưu file 4.2.2 Khai bo đưng dẫn thư mục cha d" liệu nh 4.2.3 Gn nhãn d" liệu 4.2.4 Khi bo công cụ nhâ $n diê $n khuôn măt$ Đây l( liệu huấn luyện cho qu* trình xử l- nhận dạng mặt 10 Khai b*o đường dẫn v( công cụ nhận diện khuôn mặt cung cấp sẵn OpenCV2 4.2.5 Tiền xử lý d" liệu nh Khai b*o biến danh s*ch liệu, đơn v liệu gm hình nh đầu v(o v( nhãn đầu tương $ng Dng cấu trrc vòng lặp qua thư mục để lấy đường dẫn tương $ng H(m nối c*c th(nh phần đường dẫn kh*c với dấu phân t*ch thư mục (‘/’) H(m tr danh s*ch ch$a tên c*c mục thư mục cung cấp đường dẫn 11 Sử dụng h(m để đ/c liệu hình nh với đường dẫn tới file tương $ng Sau chuyển hình nh đ/c kênh m(u x*m với h(m để phục vụ cho việc x*c đnh v trí khn mặt Sử dụng công cụ nhận diện khuôn mặt khai b*o với h(m tìm kiếm Sau tìm kiếm xong tr DANH SÁCH c*c gi* tr khung chữ nhật bao quanh khn mặt, bao gm gốc t/a bên tr*i (x, y) v( chiều d(i, chiều rộng khung chữ nhật (w, h) Danh s*ch n(y lưu trữ mng faces 12 Sử dụng cấu trrc vòng lặp dể duyệt qua to(n bộ gi* tr n(y, với gi* tr ta dng để giữ lại hình nh khuôn mặt v( loại bỏ hết background Sử dụng h(m để đưa hình nh khn mặt cng kích thước Sau thêm v(o mng liệu khai b*o Với nh đầu v(o (kích thước 128 x 128 x 3), index l( nhãn đầu Dưới l( to(n phần code miêu t Kết qu trước v( sau tiền xử l- 14 4.2.6 Chia d" liê $u thnh nh thnh tâ $p d" liêu$ v tâ p$ đnh gi T*ch danh s*ch liệu th(nh danh s*ch riêng lẻ l( danh s*ch ch$a hình nh đầu v(o (X) v( s*ch ch$a nhãn đầu (y) Chuvn hóa liệu Tham số rescale=1/255 có t*c dụng chuvn hóa liệu nh c*c gi* tr nằm khong [0, 1] Tạo biến sinh liệu 15 4.3 Xây dựng mơ hình Mơ hình gm tầng: Input image → CNN1 → CNN2 → CNN3 → Fully connected layer → Output Ảnh đầu v(o có kích thước width x height = 128x128 v( có độ sâu l( có kênh m(u o Xét Lớp CNN1 kết nối với đầu v(o Lớp CNN1 gm 32 l/c kích thước 3x3, bước dch chuyển stride=1 Số l/c cng l( độ sâu đầu Vì l/c cho đầu l( ma trận nên ta thu 32 ma trận có kích thước 128x128 o Sau cho qua lớp MaxPooling có kích thước 2x2, bước dch chuyển stride=2 để gim kích thước liệu phần tư ⇒ Vậy sau cho qua lớp CNN1 + MaxPooling ta thu 32 ma trận có kích thước 64x64 Tính to*n tương tự ta có 16 Lớp CNN2 gm 64 l/c kích thước 3x3 Đầu thu 64 ma trận có kích thước 32x32 Lớp CNN3 gm 128 l/c kích thước 3x3 Đầu thu 128 ma trận có kích thước 16x16 Sử dụng h(m kích hoạt ReLU để loại c*c gi* tr âm Sau nh truyền qua nhiều lớp CNN mơ hình h/c c*c đặc trưng nh, output lớp CNN cuối cng l( ma trận Sử dụng Flatten để chuyển liệu từ dạng ma trận th(nh vector (có độ d(i l( 128x16x16 = 32768), nói c*ch kh*c để l(m phẳng liệu Lớp Fully Connected (FC) nhận đầu v(o l( liệu l(m phẳng, dng để tăng độ x*c dự đo*n mơ hình B(i to*n nhóm thực phân lớp, hiểu theo c*ch kh*c mơ hình đưa x*c suất lớp v( x*c suất lớp lại tính lấy trừ Vì lớp Output nhóm sử dụng h(m kích hoạt sigmoid H(m kích hoạt sigmoid l( h(m phi tuyến với đầu v(o l( c*c số thực v( cho kết qu nằm khong [0,1] v( xem l( x*c xuất ta cần tìm 4.4 Huấn luno v( gi*m s*t mơ hình 4.4.1 Thiết lâ $p cc tham số đề huCn luyên$ mô hDnh compile: ch/n c*c tham số để huấn luyện mơ hình optimizer: Sử dụng thuật to*n tối ưu loss: sử dụng h(m tính lỗi trường hợp dự đo*n lớp metrics: sử dụng thước đo để ta đ*nh gi* mơ hình 4.4.2 HuCn lun$ mơ hDnh 17 Nhóm huấn luyện mơ hình với 10 epochs Kết qu nhận được: 4.4.3 Đô $ chGnh xc ca mơ hDnh Truy xuất độ x*c mơ hình thơng qua biến Để d" d(ng hình dung, nhóm sử dụng c*c h(m thư viện matplotlib.pyplot để vẽ biểu đổ minh h/a Kết qu nhận 4.5 Sử dụng mơ hình Trong h(m phục vụ việc x*c đnh v trí khn mặt, resize v( chuvn hóa đầu v(o khong [0,1] Dưới l( kết qu nhận sử dụng mơ hình với hình nh khơng nằm liệu huấn luyện CHƯƠNG V: KnT LUÂ@N VÀ ĐGNH GIG Sau qu* trình tìm hiểu, xây dựng v( thử nghiệm mơ hình nhóm rrt số hạn chế sau: Ưu điểm: hệ thống xây dựng dựa thư viện mã ngun mở OpenCV, tận dụng c*c thiết b có (camera webcam) nên tiết kiệm kinh phí Nhược điểm: mơ hình cho kết qu khơng x*c liệu hình nh đầu v(o c*c yếu tố từ camera b mờ, khuất, góc quay khơng trực diện hay c*c yếu tố từ người l*i xe đeo kính râm, có *nh s*ng chiếu trực tiếp v(o kính trắng, … Hướng ph*t triển: tương lai ci tiến, xây dựng hệ thống ho(n chỉnh lắp đặt xe ô tô để theo dõi người l*i xe v( ph*t triển $ng dụng c*c thiets b di động thông minh Tài liêu@ tham khảo https://www.kaggle.com/adinishad/driver-drowsiness-using-keras https://www.researchgate.net/publication/317431241_Detection_of_Driver_Sleepiness _and_Warning_The_Driver_in_RealTime_Using_Image_Processing_and_Machine_Learning_Techniques 20 ... đ/c kênh m( u x *m với h (m để phục vụ cho việc x*c đnh v trí khn m? ??t Sử dụng công cụ nhận diện khuôn m? ??t khai b*o với h (m t? ?m ki? ? ?m Sau t? ?m ki? ? ?m xong tr DANH SÁCH c*c gi* tr khung chữ nhật bao. .. độ x*c cao Vì vậy, liệu lấy phần từ Kaggle v( nh? ?m sưu t? ?m th? ?m cơng cụ t? ?m ki? ? ?m Google 2.3 Số lượng liêuo Bộ liệu phục vụ cho việc huấn luyện v( đ*nh gi* n? ?m thư m? ??c Train v( Val, g? ?m 800 hình... nghi? ?m tr/ng M? ??t nguyên nhân gây tai nạn l( vấn đề giấc ngủ l*i xe Đi đôi với ph*t triển m? ??ng lưới giao thơng đường l( tình hình tai nạn giao thông xy ng(y c(ng tăng v( nghi? ?m tr/ng M? ??t nguyên nhân
Ngày đăng: 02/12/2022, 06:04
Xem thêm:
