Nghiên cứu mô hình single shot multi box detector cho việc phát hiện và khoanh vùng sinh viên và thẻ sinh viên

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ ĐỒNG NAI BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG NGHIÊN CỨU MƠ HÌNH SINGLE SHOT MULTI BOX DETECTOR CHO VIỆC PHÁT HIỆN VÀ KHOANH VÙNG SINH VIÊN VÀ THẺ SINH VIÊN Mã số: TR:2020-23/KCN-SV Chủ nhiệm đề tài: Vũ Anh Khoa Đồng Nai, 01/2021 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ ĐỒNG NAI BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG NGHIÊN CỨU MƠ HÌNH SINGLE SHOT MULTI BOX DETECTOR CHO VIỆC PHÁT HIỆN VÀ KHOANH VÙNG SINH VIÊN VÀ THẺ SINH VIÊN Mã số: TR:2020-23/KCN-SV Chủ nhiệm đề tài (ký, họ tên) Vũ Anh Khoa Đồng Nai, 01/2021 DANH SÁCH NHỮNG THÀNH VIÊN THAM GIA NGHIÊN CỨU ĐỀ TÀI STT Họ tên thành viên Đơn vị chủ trì Vũ Anh Khoa Khoa Cơng nghệ Nguyễn Hồng Khoa Khoa Cơng nghệ Phan Huỳnh Thanh Tú Khoa Công nghệ Huỳnh Quốc Ân Khoa Công nghệ Đỗ Phúc Thịnh Khoa Công nghệ MỤC LỤC MỤC LỤC i DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT iv DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ v THÔNG TIN KẾT QUẢ NGHIÊN CỨU ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG Chương Giới Thiệu Tổng quan Ý nghĩa khoa học thực tiễn đề tài 1.2.1 Tính khoa học 1.2.2 Tính ứng dụng Mục tiêu đề tài Phát biểu toán Phạm vi toán Mô tả chung hệ thống Đóng góp đề tài 10 Cấu trúc đề tài 10 Chương Cơ Sở Lý Thuyết Và Các Cơng Trình Nghiên Cứu Liên Quan 11 Một số sở lý thuyết 11 2.1.1 Mạng Nơ-ron tích chập (Convolutional Neural Network – CNN) 11 Các cơng trình nghiên cứu liên quan (Phần em muốn để cơng trình sử dụng CNN) 16 Hướng tiếp cận đề tài 21 Chương Hệ Thống Nhận dạng thẻ sinh viên 22 Giới thiệu 22 Mô hình Single Shot Multibox Detector SSD 22 3.2.1 Single Shot Detector 22 3.2.2 Mơ hình SSD 23 3.2.3 Huấn luyện mơ hình SSD 27 3.2.4 Một số kỹ thuật khác để huấn luyện mơ hình 28 3.2.5 Kết mơ hình SSD liệu PASCAL VOC2007 29 Áp dụng mơ hình SSD cho tốn nhận dạng thẻ sinh viên 32 3.3.1 Xây dựng liệu huấn luyện 32 3.3.2 Đánh dấu liệu huấn luyện 32 3.3.3 Mơ hình huấn luyện 34 Chương Thực Nghiệm Và Đánh Giá 35 Giới thiệu 35 Các liệu chuẩn để thực nghiệm 35 4.2.1 Bộ liệu PASCAL VOC 2007 35 4.2.2 Bộ liệu sinh viên DNTU 36 Cài đặt chương trình ứng dụng demo 36 4.3.1 Môi trường ngôn ngữ cài đặt 36 4.3.2 Chuẩn bị liệu 36 4.3.3 Huấn luyện mơ hình giao diện console 37 Kết thực nghiệm 38 Chương Kết Luận 40 Kết luận 40 Hướng phát triển 40 TÀI LIỆU THAM KHẢO 41 DANH MỤC CÁC KÝ HIỆU, CHỮ VIẾT TẮT STT Ký hiệu viết tắt Nội dung viết tắt CNN Convolutional Neural Network conv Convolutional ReLU Rectified Linear Unit SSD Single shot multibox detector Intersection over Union IoU DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1 Mơ tả chung hệ thống hai giai đoạn ngoại tuyến trực tuyến 10 Hình 2.1 Kiến trúc CNN 11 Hình 2.2 Các filter thông số cần học 13 Hình 2.3 Hàm kích hoạt ReLU 14 Hình 2.4 Ví dụ maxpooling với filter 2x2 stride 14 Hình 2.5 Max Pooling CNN có khả nhận dạng đối tượng với biến dạng hình ảnh 15 Hình 2.6 Giai đoạn Flattening 15 Hình 2.7 Bước fully connection hai nút output Dog, Cat 16 Hình 2.8 Ví dụ mạng CNN hoàn chỉnh 16 Hình 2.9 Mơ tả phương pháp vét cạn cho toán nhận dạng 17 Hình 2.10 Mơ tả phương pháp selective search cho toán nhận dạng 18 Hình 2.11 Mơ tả việc sử dụng region proposal 18 Hình 2.12 Mơ tả việc sử dụng region proposal R-CNN 19 Hình 2.13 Mô tả việc sử dụng proposal feature map bước Fast RCNN 19 Hình 2.14 Mơ hình Fast R-CNN 20 Hình 2.15 Mơ tả cách thức hoạt động Faster R-CNN 20 Hình 2.16 Mơ hình Faster R-CNN 20 Hình 3.1 Bốn anchors định nghĩa trước (màu xanh cây), có prediction (màu xanh nước biển) tương ứng với anchor 23 Hình 3.2 Mơ mơ hình SSD 24 Hình 3.3 Mơ sử dụng object detector khác feature maps 24 Hình 3.4 Chi tiết mơ hình SSD 24 Hình 3.5 Ảnh qua mơ hình có kích thước nhỏ bỏ qua số đối tượng nhỏ 25 Hình 3.6 Ground truth box khung mục a Default box khung gạch nối mục b, c 26 Hình 3.7 Cách tính Intersection over Union việc phân loại mẫu dựa vào kết tính 26 Hình 3.8 Mơ tả việc đối xứng ảnh 29 Hình 3.9 Bộ liệu PASCAL VOC2007 29 Hình 3.10 Kiến trúc SSD 30 Hình 3.11 Chi tiết thơng số huấn luyện mơ hình SSD 31 Hình 3.12 Các box xác định dựa vào tọa độ ước tính 31 Hình 3.13 Các box nhãn chúng xác định 32 Hình 3.14 Công cụ đánh dấu liệu labelImg 33 Hình 3.15 Giao diện phần mềm labelImg 33 Hình 3.16 Vẽ khung cho sinh viên, thẻ sinh viên để xuất file txt dùng cho huấn luyện mơ hình SSD 34 Hình 4.1 Một số ảnh liệu PASCAL VOC 2007 35 Hình 4.2 Train mơ hình SSD với thơng số hình 37 Hình 4.3 Train mơ hình SSD với thơng số hình 38 Hình 4.4 Một số mẫu cho kết tốt 39 Hình 4.5 Một số mẫu cho kết không tốt 39 THÔNG TIN KẾT QUẢ NGHIÊN CỨU ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG (dùng cho Báo cáo tổng kết đề tài) Thông tin chung: - Tên đề tài: Nghiên cứu mơ hình Single shot multi box detector cho việc phát khoanh vùng sinh viên thẻ sinh viên - Mã số: TR:2020-23/KCN-SV - Chủ nhiệm đề tài: ThS Đỗ Phúc Thịnh Điện thoại: 0847088880 Email: dophucthinh@dntu.edu.vn - Đơn vị quản lý chuyên môn (Khoa, Tổ môn): Khoa Công nghệ - Thời gian thực hiện: 06 tháng Mục tiêu: Nghiên cứu mô hình nhận dạng đối tượng SSD, sử dụng mơ hình để áp dụng cho tốn cụ thể nhận dạng sinh viên thẻ sinh viên Nội dung chính: - Nghiên cứu mơ hình nhận dạng đối tượng - Nghiên cứu mơ hình SSD - Áp dụng mơ hình SSD cho toán nhận dạng sinh viên thẻ sinh viên Kết đạt - Nghiên cứu, tổng hợp tài liệu liên quan đến đề tài - Phân tích điểm mạnh, điểm yếu đề tài nghiên cứu liên quan - Phân tích thiết kế hệ thống - Thực nghiệm mơ hình - Rà sốt, chỉnh sửa nội dung, hồn thiện định dạng, đóng gói - Tỉ lệ scale default box feature map tính dựa vào cơng thức: Với smin = 0.2, smax = 0.9 - Aspect ratio (tỉ lệ chiều cao chiều rộng default box) là: 1 ∈ 1,2,3, , - ℎ - √ Chiều rộng default box thứ k /√ Center default box tính theo: feature map thứ k; , ∈ 0, | |" | | chiều cao default box , | | , với | | kích thước vng 3.2.3 Huấn luyện mơ hình SSD Để huấn luyện mơ hình SSD, ngồi liệu chuẩn bị bước trước, cần xây $ dụng loss function cho mô hình Loss function định nghĩa sau: Cho # , %1,0& thể default box thứ i có khớp với ground truth box đối tượng p hay không Ví dụ: Default box thứ )è+ khớp với ground truth box mèo #',( Ở đây, mơ hình sử dụng loss function Localization loss (Lloc) Confidence loss (Lconf) - Localization loss (Lloc) dựa vào hàm smooth L1: Trong đó, hàm smooth L1 tính sau: - Confidence loss (Lconf) – (dùng hàm Softmax) dùng để huấn luyện việc phân lớp đối tượng Cuối cùng, loss mơ hình tổng có trọng số localization loss confidence loss: Với N số default box khớp với ground truth box (nếu N = 0, L gán 0), l vị trí dự đốn được, g ground truth, (α = 1) 3.2.4 Một số kỹ thuật khác để huấn luyện mơ hình Ngồi việc xây dựng liệu loss function dùng cho việc huần luyện Mơ hình SSD dùng số kỹ thuật khác như: Non-Maximum Suppression, Hard negative mining, Data augmentation - Non-Maximum Suppression: Các box dự đốn nhiều, vậy, box có xác suất thấp box có IoU nhỏ ngưỡng xác định (vd: 0.45) loại bỏ - Hard negative mining: Sau bước so khớp default box ground truth box, có nhiều box gán mẫu âm nên xảy tình trạng cân liệu Vì thế, thay chọn tất mẫu âm đưa vào huấn luyện, chọn mẫu âm có confidence loss cao tỉ lệ mẫu âm mẫu dương 3:1 (theo thực nghiệm) Hình 3.8 Mơ tả việc đối xứng ảnh - Data augmentation: Để mô hình bền vững (xử lý tốt) với độ scale khác nhau, tác giả gia tăng số mẫu dùng để huấn luyện cách thêm patch ảnh từ ảnh ban đầu với tỉ lệ IoU khác (ví dụ 0.1; 0.3; 0.5…), patch ảnh sinh từ ảnh gốc đối xứng với xác suất 0.5 Hình 3.8 ảnh ban đầu ảnh đối xứng 3.2.5 Kết mô hình SSD liệu PASCAL VOC2007 PASCAL VOC2007 liệu hình ảnh vừa nhà vừa ngồi trời, chứa tổng cộng 20 đối tượng cần nhận dạng PASCAL VOC 2007 bao gồm 9963 ảnh chia thành ba phần: tập huấn luyện (2501 ảnh), tập valid (2510 ảnh), tập kiểm thử (4952 ảnh) Hình ảnh liệu file ảnh đóng khung phân loại đối tượng Hình 3.9 Bộ liệu PASCAL VOC2007 Kiến trúc sử dụng để thực nghiệm mô tả Hình 3.4, để dễ hình dung, đề tài sử dụng lại hình vẽ sau: Hình 3.10 Kiến trúc SSD Quy trình huấn luyện: - Ảnh màu ban đầu (3 kênh màu) scale với kích thước cố định 300x300 (hoặc 512x512 mơ hình SSD512) - Sau ảnh qua base network (khối lập phương gạch nối) để rút trích đặc trưng, 512 feature map kích thước 38x38 (conv4_3) (Hình 3.10 cột 38x38x512) o Tầng dùng default box nên có x (số class + 4) feature map o Từ feature map, default box tạo bước cách chọn kích thước tỉ lệ đề cập mục 3.2.2 o Localization loss default box vừa tạo so với ground truth box confidence loss tính cho q trình lan truyền ngược sau - Ảnh (lúc 512 feature map kích thước 38x38) tiếp tục đưa qua tầng fc6, fc7 1024 feature map kích thước 19x19 (Hình 3.10 cột 19x19x1024) o Tương tự, default box lại tạo Localization loss confidence loss tính - Tương tự, 1024 feature map kích thước 19x19 vào tầng Conv Tương tự, default box lại tạo Localization loss confidence loss tính - Cuối 256 feature map kích thước 3x3 vào tầng Avg pooling 256 feature map kích thước 1x1, default box lại tạo, localization loss confidence loss tính - Q trình lan truyền ngược điều chỉnh trọng số filter tầng Cả quy trình lặp lại tất ảnh đưa vào mơ hình để huấn luyện Hình 3.11 Chi tiết thơng số huấn luyện mơ hình SSD Quy trình kiểm thử: - Từ ảnh input đưa vào base network thu 512 feature map 38x38, feature map đưa vào Detector cho số (cx, cy, w, h) để xác định khung bao quanh đối tượng Đưa feature map vào Classifier p xác suất (đầu hàm softmax) tương ứng với p đối tượng, xác suất đối tượng lớn đối tượng Tương tự cho tầng Hình 3.12 Các box xác định dựa vào tọa độ ước tính - Ví dụ: Ảnh đưa vào mơ hình Qua base network 512 feature map 38x38, feature map vào Detector số (0.5; 1; 2; 4) (khung màu vàng Hình 3.12) Vào Classifier xác suất (0.2; 0.1; 0.7) (chó, mèo, sách) Xác suất sách cao nên nhãn “Book” gán cho box Tương tự cho 511 feature map lại - Sau ảnh input qua tồn mơ hình, có nhiều box khoanh vùng sai, phân loại sai Để loại bỏ box này, ta dùng kỹ thuật Non-Maximum Suppression trình bày mục 3.2.3 Hình 3.13 Hình 3.13 Các box nhãn chúng xác định Áp dụng mơ hình SSD cho tốn nhận dạng thẻ sinh viên 3.3.1 Xây dựng liệu huấn luyện Bài toán cần giải đề tài nhận dạng thẻ sinh viên sinh viên có ảnh nên điều cần làm phải tìm liệu ảnh chụp sinh viên Hiện giới có liệu tổng hợp nhiều đối tượng PASCAL VOC, COCO Vì thế, đề tài phải tự xây dựng liệu cho riêng để áp dụng cho việc nhận dạng thẻ sinh viên Khi công tác trường Đại học Công nghệ Đồng Nai, đề tài mượn số đoạn video ảnh sinh viên từ phòng Truyền thơng Từ liệu sinh viên ỏi này, đề tài cắt frame video để làm liệu phục vụ cho việc train, valid test Tuy nhiên, vấn đề riêng tư sinh viên, số lượng liệu tạo phần gây ảnh hưởng đến khả nhận dạng mơ hình 3.3.2 Đánh dấu liệu huấn luyện Để hỗ trợ cho việc đánh dấu liệu, đề tài sử dụng thêm công cụ labelImg Đây công cụ hỗ trợ việc đánh dấu liệu Nó sử dụng python Qt để lập trình giao diện Đầu công cụ file XML với chuẩn PASCAL VOC sử dụng ImageNet Bên cạnh đó, hỗ trợ xuất file TXT cho mơ YOLO, SSD Hình 3.14 Cơng cụ đánh dấu liệu labelImg Giao diện phần mềm sau: Hình 3.15 Giao diện phần mềm labelImg Sau chọn ảnh, vẽ khung đối tượng, phần mềm tự sinh tọa độ khung tương ứng với nhãn Hình 3.16 Vẽ khung cho sinh viên, thẻ sinh viên để xuất file txt dùng cho huấn luyện mơ hình SSD Ví dụ vẽ khung Hình 3.16, phần mềm trả file text có nội dung sau: 15 0.521701 0.658420 0.251350 0.681424 16 0.519194 0.754919 0.069252 0.340856 Trong đó, 15 16 id nhãn, student id card Bốn số {Tọa độ xmin/chiều rộng ảnh, tọa độ xmax/chiều rộng ảnh, tọa độ ymin/chiều cao ảnh, tọa độ ymax/chiều cao ảnh} 3.3.3 Mơ hình huấn luyện Mơ hình đề tài chọn cho việc nhận dạng đối tượng mơ hình SSD đề cập phần trước Chương Thực Nghiệm Và Đánh Giá Giới thiệu Các liệu chuẩn để thực nghiệm Vì số lượng liệu tạo đề cập chương ít, nên đề tài pre-train mơ hình liệu PASCAL VOC 2007 Điều làm mơ hình học thuộc tính ảnh, dùng mơ hình train tiếp với liệu sinh viên cho kết tốt Trong liệu PASCAL VOC 2007 có đối tượng “person”, nhiên, tạo liệu sinh viên DNTU, học viên tạo thêm đối tượng “student” Một phần để liệu sinh viên có thêm đối tượng “student”, phần muốn sử dụng phần thuộc tính cấp cao đối tượng “person” tách biệt “student” “person” đa số ảnh liệu sinh viên DNTU sinh viên mặc đồng phục 4.2.1 Bộ liệu PASCAL VOC 2007 Hình 4.1 Một số ảnh liệu PASCAL VOC 2007 PASCAL VOC 2007 bao gồm tập hợp hình ảnh lấy Internet mạng xã hội ảnh Flickr Mỗi ảnh có thích bao gồm khung nhãn đối tượng thuộc 20 lớp đối tượng cho sẵn Trong ảnh có nhiều đối tượng thuộc nhóm Sự phân bố hình ảnh đối tượng theo lớp gần tập train, valid test Bộ liệu bao gồm 9963 ảnh với 24640 đối tượng thích 4.2.2 Bộ liệu sinh viên DNTU Bộ liệu tạo từ ảnh chụp sinh viên khung hình lấy từ video giới thiệu trường Phịng Truyền thông Trường Đại học Công nghệ Dồng Nai Mỗi ảnh thích liệu chia làm ba tập train, valid, test tương tự liệu PASCAL VOC 2007 Tuy nhiên, làm thủ công nên số lượng ảnh gồm 400 ảnh gồm sinh viên đeo thẻ với tổng cộng 1020 thích Cài đặt chương trình ứng dụng demo 4.3.1 Môi trường ngôn ngữ cài đặt Chương trình viết ngơn ngữ Python mơi trường Windows Thư viện dùng Pytorch Cấu hình máy laptop sử dụng thể cài đặt chương trình: CPU: i7-7820HK@2.90GHz, RAM: 16GB, GPU: GTX 1070 8GB, Hệ điều hành: Windows 10 Home 64bit Các thư viện cần để chạy ứng dụng demo: Python 3.6+, OpenCV, Pytorch 1.0 Pytorch 0.4+, Caffe2, Pandas 4.3.2 Chuẩn bị liệu Thư mục dùng để chứa hình ảnh phục vụ cho việc huấn luyện mơ hình chia thành phần Hình 4.2 Hình 4.2 Train mơ hình SSD với thơng số hình Trong đó, thư mục test, train validation chứa ảnh cần huấn luyện File classdescriptions-boxable.csv mơ tả nhóm đối tượng cần nhận dạng Ở student id card File sub-test-annotations-bbox.csv, sub-train-annotations-bbox.csv sub-validationannotations-bbox.csv chứa id đối tượng tọa độ khung bao đối tượng mơ tả mục 3.3.2 4.3.3 Huấn luyện mơ hình giao diện console Để huấn luyện mơ hình, giao diện Anaconda chạy file train_ssd.py với thông số sau: dataset_type open_images datasets “Đường dẫn đến liệu” net “Mơ hình SSD muốn sử dụng” pretrained_ssd “Đường dẫn đến file trọng số mơ hình” scheduler cosine lr “hệ số học” t_max 100 validation_epochs “Số lượng epoch dùng để validate” -num_epochs “Số lượng epoch” base_net_lr “Hệ số học mạng baseline” batch_size “Kích thước batch size” Hình 4.3 Train mơ hình SSD với thơng số hình Mơ hình sau huấn luyện lưu lại thành file *.pth lưu thư mục models Kết thực nghiệm Sau huấn luyện mơ hình, đề tài kiểm thử mơ hình ảnh nhận kết hình bên Hình 4.4 Một số mẫu cho kết tốt Bên cạnh mẫu cho kết tốt, có mẫu cho kết khơng tốt Hình 4.5 Một số mẫu cho kết không tốt Chương Kết Luận Kết luận Trong đề tài này, vấn đề khó khăn lượng liệu sinh viên Đề tài phải tự xây dựng số lượng khơng nhiều Bên cạnh đó, với đối tượng có kích thước nhỏ thẻ sinh viên, việc nhận dạng khó khăn Hướng phát triển Trong tương lai, mơ hình nhận dạng đối tượng phát triển cho nhiều hướng khác áp dụng nhận dạng khách hàng, hay áp dụng cho đối tượng khác nhận dạng xe… TÀI LIỆU THAM KHẢO [1] Uijlings, J.R., van de Sande, K.E., Gevers, T., Smeulders, A.W.: Selective search for object recognition IJCV (2013) [2] Ren, S., He, K., Girshick, R., Sun, J.: Faster R-CNN: Towards real-time object detection with region proposal networks In: NIPS [3] He, K., Zhang, X., Ren, S., Sun, J.: Deep residual learning for image recognition In: CVPR (2016) [4] Sermanet, P., Eigen, D., Zhang, X., Mathieu, M., Fergus, R., LeCun, Y.: Overfeat: Integrated recognition, localization and detection using convolutional networks In: ICLR (2014) [5] Redmon, J., Divvala, S., Girshick, R., Farhadi, A.: You only look once: Unified, real-time object detection In: CVPR (2016) [6] Girshick, R.: Fast R-CNN In: ICCV (2015) [7] Simonyan, K., Zisserman, A.: Very deep convolutional networks for large-scale image recognition In: NIPS (2015) [8] Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Huang, Z., Karpathy, A., Khosla, A., Bernstein, M., Berg, A.C., Fei-Fei, L.: Imagenet large scale visual recognition challenge IJCV (2015) [9] Chen, L.C., Papandreou, G., Kokkinos, I., Murphy, K., Yuille, A.L.: Semantic image segmentation with deep convolutional nets and fully connected crfs In: ICLR (2015) [10] Zhang, L., Lin, L., Liang, X., He, K.: Is faster r-cnn doing well for pedestrian detection In: ECCV (2016) [11] Girshick, Ross, et al "Rich feature hierarchies for accurate object detection and semantic segmentation." Proceedings of the IEEE conference on computer vision and pattern recognition 2014 [12] Liu, Wei, et al "Ssd: Single shot multibox detector." European conference on computer vision Springer, Cham, 2016 [13] Slide giàng CNN thầy Vũ Đức Lung ... DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CÔNG NGHỆ ĐỒNG NAI BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CẤP TRƯỜNG NGHIÊN CỨU MƠ HÌNH SINGLE SHOT MULTI BOX DETECTOR CHO VIỆC PHÁT HIỆN VÀ KHOANH VÙNG SINH VIÊN... HỌC CẤP TRƯỜNG (dùng cho Báo cáo tổng kết đề tài) Thông tin chung: - Tên đề tài: Nghiên cứu mơ hình Single shot multi box detector cho việc phát khoanh vùng sinh viên thẻ sinh viên - Mã số: TR:2020-23/KCN-SV... tuyến: Ảnh sinh viên Khoanh vùng Gán nhãn cho vùng sinh viên thẻ sinh viên thẻ sinh sinh viên viên Hình 1.1 Mơ tả chung hệ thống hai giai đoạn ngoại tuyến trực tuyến Đóng góp đề tài Với phát triển