Nghiên cứu và đề xuất giải pháp làm sạch tổ yến

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA TRẦN VĂN XUÂN NGHIÊN CỨU VÀ ĐỀ XUẤT GIẢI PHÁP LÀM SẠCH TỔ YẾN STUDY ON THE SOLUTIONS FOR CLEANING BIRD’S NEST Chuyên ngành: KĨ THUẬT CƠ ĐIỆN TỬ Mã ngành: 8520114 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng 01 năm 2023 CƠNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG DẠI HỌC BÁCH KHOA – ĐHQG-HCM Cán hướng dẫn khoa học: PGS TS Nguyễn Tấn Tiến Cán chấm nhận xét 1: PGS.TS Phạm Huy Hoàng Cán chấm nhận xét 2: PGS.TS Nguyễn Hùng Luận văn thạc sĩ bảo vệ Trường Đại học Bách Khoa, ĐHQG Tp HCM ngày 13 tháng 01 năm 2023 Thành phần Hội đồng đánh giá luận văn gồm: (Ghi rõ họ, tên, học hàm, học vị Hội đồng chấm bảo vệ luận văn thạc sĩ) PGS TS Nguyễn Quốc Chí - Chủ tịch TS Phạm Phương Tùng - Thư ký PGS.TS Phạm Huy Hoàng - Phản biện PGS.TS Nguyễn Hùng - Phản biện TS Đoàn Thế Thảo - Ủy viên Xác định Chủ tịch Hội đồng đánh giá LV Trưởng Khoa quản lí chuyên ngành sau luận văn sửa chữa (nếu có) CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA CƠ KHÍ ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT TRƯỜNG ĐẠI HỌC BÁCH KHOA NAM Độc lập - Tự - Hạnh phúc NHIỆM VỤ LUẬN VĂN Họ tên học viên: TRẦN VĂN XUÂN Ngày, tháng, năm sinh: 18/02/1990 Chuyên ngành: Kĩ Thuật Cơ Điện Tử MSHV: 2070122 Nơi sinh: Vĩnh Phúc Mã số: 8520114 I TÊN ĐỀ TÀI NGHIÊN CỨU VÀ ĐỀ XUẤT GIẢI PHÁP LÀM SẠCH TỔ YẾN (Studying on the solutions for cleaning bird’s nest) II NHIỆM VỤ VÀ NỘI DUNG – Tìm hiểu tổng quan tổ yến: ni trồng, thu hoạch, chế biến, từ đặt đầu cho thiết kế – Đề xuất lựa chọn phương án khả thi – Mô đánh giá giải pháp III NGÀY GIAO NHIỆM VỤ : 05/09/2022 IV NGÀY HOÀN THÀNH NHIỆM VỤ : 18/12/2022 V CÁN BỘ HƯỚNG DẪN : PGS TS NGUYỄN TẤN TIẾN Tp.HCM, ngày tháng năm 20 CÁN BỘ HƯỚNG DẪN (Họ tên chữ kí) CHỦ NHIỆM BỘ MƠN ĐÀO TẠO (Họ tên chữ kí) TRƯỞNG KHOA CƠ KHÍ (Họ tên chữ kí) LỜI CẢM ƠN Để hoàn thành luận văn thạc sĩ tơi xin bày tỏ cảm kích lịng biết ơn tới thầy hướng dẫn PGS TS Nguyễn Tấn Tiến, người định hướng, trực tiếp dẫn dắt cố vấn cho suốt thời gian thực đề tài luận văn đề cương luận văn Đồng thời, thầy người cho lời khuyên vô quý giá kiến thức chuyên môn định hướng phát triển học thuật Một lần nữa, xin gửi lời cảm ơn đến thầy tất lịng biết ơn Nhờ có dẫn góp ý tận tình thầy mà tơi hồn thành tốt đề tài luận văn Tôi xin cảm ơn anh Hoành Minh Anh Tú, người giúp đỡ hỗ trợ tơi suốt q trình thực luận văn Tôi xin gửi lời cảm ơn đến q thầy khoa Cơ Khí truyền dạy kiến thức, kinh nghiệm học thuật tận tình cho thời gian học viên cao học Xin gửi lời tri ân đến tất đến anh chị công tác nhà máy chế biến xử lí tổ yến hỗ trợ tận tình giúp đỡ tơi suốt q trình khảo sát liệu nhà máy Sau cùng, tơi xin tỏ lịng biết ơn đến cha mẹ, người thân bạn bè bên cạnh ủng hộ, động viên sống thời gian hoàn thành luận văn thạc sĩ Thành phố Hồ Chí Minh, 01/2023 Trần Văn Xuân I TÓM TẮT LUẬN VĂN THẠC SĨ Phát xác định vị trí lơng yến dựa mạng học sâu vấn đề với nhiều ứng dụng thực tế thử thách, hệ thống gắp lơng yến phải phát lơng yến cịn dính lại vùng vụn yến xử lí Thử thách liên quan đến thay đổi điều kiện môi trường, trích xuất đặt trưng, khó nhận dạng lơng yến trộn lẫn với vùng vụn yến Để nghiên cứu thí nghiệm phương pháp nhận dạng dựa mạng học sâu, cần tìm hiểu tổng quan ngành cơng nghiệp làm tổ yến, từ lựa chọn đối tượng tổ yến thích hợp để làm đưa phương án thiết kế thiết bị với khả nhận diện để phục vụ cho tác vụ làm Trong luận văn này, tác giả đề xuất sử dụng mơ hình Mask R-CNN cho nhiệm vụ phát xác định vị trí lơng yến Mơ hình sử dụng khối FPN (Feature Pyramid Network) cho trích xuất đặc trưng Sau qua trích xuất đặc trưng, đặc trưng đưa vào mạng RPN (Region Proposal Network) để tìm vùng chữ nhật chứa lơng yến xử lí Sau chúng cắt đưa vào mạng phân đoạn để tìm vùng điểm ảnh xác lơng yến Để thực q trình gắp lơng yến, cấu hình sử dụng mơ hình lắp cố định camera, dựa vào vùng điểm ảnh phát lơng yến, tính tốn vị trí lơng yến so với tọa độ thiết bị gắp Các liệu lông yến chuẩn bị thích nhằm đánh giá kết phát mạng Mask R-CNN II ABSTRACT Detecting and find the location of swiftlet feathers based on deep learning network is a problem with many practical and challenging applications, in which the picking system must detect the remaining feathers in the processed bird’s nest area The challenge involves changes in environmental conditions, characterization, and difficulty in identification of swiftlet feathers when mixed with the crumb area In order to research and experiment with deep learning network-based recognition methods, it is necessary to learn an overview of the bird’s nest cleaning industry, from which to select the appropriate bird’s nest object for cleaning and propose a method to design a machine capable of recognition to serve the cleaning task In this thesis, the author proposes to use the Mask R-CNN model for the task of detecting and locating swiftlet feathers The model uses the FPN (Feature Pyramid Network) block for the feature extractor After going through the feature extractor, the features will be put into the RPN (Region Proposal Network) to find the rectangular region containing the processed swiftlet feathers They are then cut out and fed to a segmentation network to find the exact pixel region of the feathers III LỜI CAM ĐOAN Tôi tên Trần Văn Xuân học viên cao học khoa Cơ Khí, Đại học Bách Khoa TP HCM, MSHV 2070122 Tôi xin cam đoan đề tài “Nghiên cứu đề xuất giải pháp làm tổ yến” q trình tơi nghiên cứu thí nghiệm thân, dựa kiến thức học Tôi xin cam đoan rằng: Đề tài thực cho mục tiêu nghiên cứu ứng dụng bậc thạc sĩ Các trích dẫn, tham khảo luận văn lấy thừa kế từ nguồn từ cơng trình tạp chí cơng bố thừa kế cơng trình có Các tảng, công cụ hỗ trợ thực mơ hình đề tài phần mềm hợp pháp, có mục đích phi thương mại, tự phát triển Hình ảnh số liệu trích dẫn có nguồn gốc từ cơng trình khác cách rõ ràng Nghiên cứu thể kết dựa số liệu thực tế làm thí nghiệm thực Thành phố Hồ Chí Minh, 01/2023 Trần Văn Xuân IV MỤC LỤC TỔNG QUAN 1.1 Quy trình làm tạp chất tổ yến 1.2 Tình hình nghiên cứu 1.3 Mục tiêu, phạm vi đối tượng nghiên cứu 1.3.1 1.3.2 1.3.3 1.3.4 Mục tiêu Phạm vi nghiên cứu Đối tượng nghiên cứu Bố cục luận văn 1 8 8 CƠ SỞ LÝ THUYẾT 2.1 Mạng nơron nhân tạo 11 11 2.2 Suy giảm độ dốc lan truyền ngược 2.3 Mạng học sâu tích chập 2.4 Một số lớp CNN 2.4.1 Lớp Pooling 2.5 Lớp Batch Normalization 2.5.1 Lớp ASPP (Atrous Spatial Pyramid Pooling) 2.6 Kĩ thuật huấn luyện 12 14 15 15 15 16 17 2.6.1 Kiểm chứng chéo (Cross-validation) 2.6.2 Kỉ nguyên (epoch) 2.7 Phương pháp đánh giá mạng học sâu 2.7.1 Độ xác 2.7.2 Precision Recall 2.7.3 IoU mAP 17 17 18 18 19 20 2.8 Các hàm mát 2.8.1 Hàm mát Cross Entropy 2.8.2 Hàm mát DIoU 21 21 21 PHƯƠNG ÁN NGUN LÍ 3.1 Xác định tốn 3.2 Khảo sát thu thập liệu 22 22 22 V 3.3 Xây dựng tập liệu 3.4 Mơ hình đề xuất 3.4.1 Cấu trúc máy gắp 3.4.2 Mơ hình học sâu Mask R-CNN 3.4.3 Xác định vị trí lơng yến 3.5 Phương án thí nghiệm 24 26 26 27 29 32 33 33 36 43 45 46 47 47 47 53 55 57 5.1.5 Kết thí nghiệm năm 5.1.6 Đánh giá kết thí nghiệm tính tốn vị trí 59 61 KẾT LUẬN 6.1 Tổng kết kết 6.2 Hướng nghiên cứu 64 64 65 TÀI LIỆU THAM KHẢO 66 THỰC HIỆN THÍ NGHIỆM 4.1 Thí nghiệm một: Xác định cấu hình liệu 4.2 Thí nghiệm hai: Thí nghiệm sử dụng mạng Restnet50-FPN 4.3 Thí nghiệm ba: Thí nghiệm sử dụng mạng Restnet101-FPN 4.4 Thí nghiệm bốn: Thí nghiệm sử dụng mạng Restnet50 4.5 Thí nghiệm năm: Thí nghiệm sử dụng mạng Restnet101 KẾT QUẢ THỰC NGHIỆM 5.1 Kết thí nghiệm 5.1.1 Kết thí nghiệm 5.1.2 Kết thí nghiệm hai 5.1.3 Kết thí nghiệm ba 5.1.4 Kết thí nghiệm bốn VI DANH SÁCH HÌNH ẢNH Hình 1.2 Các loại yến: a) Yến loại A,B b) Yến loại C,D c) Vụn xơ mướp Hình 1.3 Hình 1.4 Hình 1.5 Hình 1.6 Hình 1.7 Hình 1.1 d) Vụn nhỏ Sơ chế tách sợi vụn loại C,D Các loại yến: a) Gắp lông loại C,D b) Gắp lông măng vụn yến Các bước làm vụn yến Phân loại dạng tạp chất Các hướng tiếp cận phát tạp chất Quy trình làm lơng yến 2 10 Hình 2.1 Hình 2.2 Sơ đồ tính tốn nút nơron Sơ đồ tính tốn hai nút nơron 12 13 Hình 2.3 Hình 2.4 Hình 2.5 Ví dụ minh họa cho lớp tích chập Tính tốn lớp pooling Kết hợp nhiều lớp pooling mạng SPP (Spatial Pyramid Pooling) 14 16 17 Hình 3.4 Cấu trúc hệ thống gắp sử dụng thị giác máy tính Một số mẫu liệu tạp chất thu thập từ nhà máy Hình dạng số mẫu tạp chất: a) lam gỗ b) lông chim c) phân chim d) đối tượng lạ Các cấu hình mở rộng thích (khung bao phân đoạn) 24 25 Hình 3.5 Hình 3.6 Hình 3.7 Hình 3.8 Hình 3.9 Hình 3.10 Cấu hình kết hợp với phân đoạn ban đầu Cấu trúc hệ thống gắp lông yến Hệ thống thị giác máy gắp lông yến Kiến trúc mạng Mask RCNN Cấu trúc mạng Resnet50-FPN Mơ hình vị trí điểm ảnh theo tọa độ camera 25 26 27 28 29 30 Hình 4.1 Hình 4.2 Hình 4.3 Cấu hình một: đối tượng tạp chất thích xác Cấu hình hai: vùng thích chữ nhật mở rộng Cấu hình 3: vùng thích phân đoạn mở rộng 34 34 35 Hình 3.1 Hình 3.2 Hình 3.3 VII 22 23 CHƯƠNG KẾT QUẢ THỰC NGHIỆM Metrics Area maxDets segm bbox mAP0.5:0.95 all 100 0.449 0.370 mAP0.5 all 100 0.784 0.774 mAP0.75 all 100 0.481 0.296 mAP0.5:0.95 small 100 0.445 0.374 mAP0.5:0.95 medium 100 0.475 0.377 mAP0.5:0.95 large 100 0.138 0.000 mAR0.5:0.95 all 0.027 0.023 mAR0.5 all 10 0.240 0.208 mAR0.75 all 100 0.560 0.505 mAR0.5:0.95 small 100 0.558 0.501 mAR0.5:0.95 medium 100 0.576 0.551 mAR0.5:0.95 large 100 0.233 0.400 Bảng 5.9 Kết đánh giá mơ hình trường hợp Resnet50 + FPN Average AP AP50 AP75 APs APm APl segm 44.865 78.373 48.108 44.510 47.493 13.775 bbox 36.831 78.078 29.410 36.883 40.025 7.530 Bảng 5.10 Kết đánh giá trung bình với Resnet50 + FPN Một số kết truy vấn Hình 5.7 Kết tiên đốn (Resnet50 + FPN) 54 CHƯƠNG KẾT QUẢ THỰC NGHIỆM Hình 5.8 Kết tiên đốn (Resnet50 + FPN) Hình 5.9 Kết tiên đốn (Resnet50 + FPN) Từ kết trực quan cho thấy mơ hình tiên đoán tốt vùng tạp chất, nhiên hình số hai mơ hình chưa nhận diện dạng tạp chất mờ khó phân biệt Đối với trường hợp thông thường gồm tạp chất nhỏ lớn mơ hình nhận diện tốt 5.1.3 Kết thí nghiệm ba Thí nghiệm thực mơ hình Mask RCNN, dựa mạng sở Resnet101 ’ để huấn luyện Hàm huấn luyện với kiến trúc mơ hình mơ tả phần phương pháp thí nghiệm Các cấu hình thí nghiệm cho giống với cấu hình thí nghiệm Độ xác mAP 55 CHƯƠNG KẾT QUẢ THỰC NGHIỆM Metrics Area maxDets segm bbox mAP0.5:0.95 all 100 0.458 0.370 mAP0.5 all 100 0.779 0.774 mAP0.75 all 100 0.506 0.296 mAP0.5:0.95 small 100 0.456 0.374 mAP0.5:0.95 medium 100 0.473 0.377 mAP0.5:0.95 large 100 0.000 0.000 mAR0.5:0.95 all 0.028 0.023 mAR0.5 all 10 0.242 0.208 mAR0.75 all 100 0.575 0.505 mAR0.5:0.95 small 100 0.579 0.501 mAR0.5:0.95 medium 100 0.555 0.531 mAR0.5:0.95 large 100 0.067 0.133 Bảng 5.11 Kết đánh giá mơ hình trường hợp Resnet50 + FPN Average AP AP50 AP75 APs APm APl segm 45.828 77.94 50.613 45.613 47.278 0.034 bbox 37.047 77.385 29.594 37.429 37.742 0.030 Bảng 5.12 Kết đánh giá trung bình với Resnet101 + FPN Một số kết truy vấn Hình 5.10 Kết tiên đoán (Resnet101 + FPN) 56 CHƯƠNG KẾT QUẢ THỰC NGHIỆM Hình 5.11 Kết tiên đốn (Resnet101 + FPN) Hình 5.12 Kết tiên đốn (Resnet101 + FPN) Từ kết trực quan cho thấy mơ hình tiên đốn tốt vùng tạp chất, nhiên hình số ba mơ hình nhận diện chưa vùng tạp chất cạnh biên Đối với trường hợp thông thường gồm tạp chất nhỏ lớn trường hợp phức tạp nhiều tạp chất gần mơ hình nhận diện tốt 5.1.4 Kết thí nghiệm bốn Thí nghiệm thực mơ hình Mask RCNN, dựa mạng sở Resnet50 không sử dụng khối FPN để huấn luyện Hàm huấn luyện với kiến trúc mơ hình mơ tả phần phương pháp thí nghiệm Các cấu hình thí nghiệm cho giống với cấu hình thí nghiệm Độ xác mAP 57 CHƯƠNG KẾT QUẢ THỰC NGHIỆM Metrics Area maxDets bbox segm mAP0.5:0.95 all 100 0.399 0.457 mAP0.5 all 100 0.781 0.786 mAP0.75 all 100 0.346 0.494 mAP0.5:0.95 small 100 0.414 0.455 mAP0.5:0.95 medium 100 0.403 0.478 mAP0.5:0.95 large 100 0.010 0.000 mAR0.5:0.95 all 0.025 0.027 mAR0.5 all 10 0.219 0.239 mAR0.75 all 100 0.525 0.579 mAR0.5:0.95 small 100 0.521 0.582 mAR0.5:0.95 medium 100 0.553 0.566 mAR0.5:0.95 large 100 0.100 0.000 Bảng 5.13 Kết đánh giá mơ hình trường hợp Resnet50 Average AP AP50 AP75 APs APm APl segm 45.660 78.632 49.371 45.533 47.815 0.000 bbox 39.864 78.068 34.572 41.397 40.258 1.002 Bảng 5.14 Kết đánh giá trung bình với Resnet50 Một số kết truy vấn Hình 5.13 Kết tiên đốn (Resnet50) 58 CHƯƠNG KẾT QUẢ THỰC NGHIỆM Hình 5.14 Kết tiên đốn (Resnet50) Hình 5.15 Kết tiên đốn (Resnet50) Từ kết trực quan cho thấy mơ hình tiên đoán tốt vùng tạp chất, nhiên hình số mơ hình chưa nhận diện dạng tạp chất mờ khó phân biệt Đối với trường hợp thông thường gồm tạp chất nhỏ lớn mơ hình nhận diện tốt 5.1.5 Kết thí nghiệm năm Thí nghiệm thực mơ hình Mask RCNN, dựa mạng sở Resnet101 không sử dụng khối FPN để huấn luyện Hàm huấn luyện với kiến trúc mơ hình mơ tả phần phương pháp thí nghiệm Các cấu hình thí nghiệm cho giống với cấu hình thí nghiệm Độ xác mAP 59 CHƯƠNG KẾT QUẢ THỰC NGHIỆM Metrics Area maxDets segm bbox mAP0.5:0.95 all 100 0.456 0.407 mAP0.5 all 100 0.785 0.789 mAP0.75 all 100 0.498 0.358 mAP0.5:0.95 small 100 0.454 0.412 mAP0.5:0.95 medium 100 0.472 0.430 mAP0.5:0.95 large 100 0.300 0.170 mAR0.5:0.95 all 0.027 0.025 mAR0.5 all 10 0.242 0.218 mAR0.75 all 100 0.570 0.529 mAR0.5:0.95 small 100 0.573 0.521 mAR0.5:0.95 medium 100 0.558 0.577 mAR0.5:0.95 large 100 0.300 0.333 Bảng 5.15 Kết đánh giá mơ hình trường hợp Resnet101 Average AP AP50 AP75 APs APm APl segm 45.593 78.470 49.831 45.437 47.189 30.000 bbox 40.689 78.930 35.764 41.175 42.984 17.026 Bảng 5.16 Kết đánh giá trung bình với Resnet101 Một số kết truy vấn Hình 5.16 Kết tiên đoán (Resnet101) 60 CHƯƠNG KẾT QUẢ THỰC NGHIỆM Hình 5.17 Kết tiên đốn (Resnet101) Hình 5.18 Kết tiên đốn (Resnet101) Từ kết trực quan cho thấy mơ hình tiên đốn tốt vùng tạp chất, nhiên kết trực quan tạp chất nhận diện gồm nhiều vị trí, điều cho thấy mơ hình phát xác tạp chất mơ hình chưa tốt trường hợp tạp chất lại cho kết vị trí khác 5.1.6 Đánh giá kết thí nghiệm tính tốn vị trí Qua thí nghiệm đánh giá độ đo mơ hình Mask RCNN với mạng sở khác có kết sau 61 CHƯƠNG KẾT QUẢ THỰC NGHIỆM Backbone AP AP50 AP75 APs APm APl Resnet101 45.593 78.470 49.831 45.437 47.189 30.000 Resnet101-FPN 45.828 77.94 50.613 45.613 47.278 0.034 Resnet50 45.660 78.632 49.371 45.533 47.815 0.000 Resnet50-FPN 44.865 78.373 48.108 44.510 47.493 13.775 Bảng 5.17 Bảng so sánh kết với cấu hình mạng khác Qua bảng so sánh cho thấy với cấu hình Resnet101-FPN , kết thí nghiệm đạt tốt Tuy nhiên kết không chênh lệch lớn độ đo mAP Đối với khả phát với đối tượng tạp chất lớn, cấu hình Restnet101 cho kết tốt chênh lệch cao so với cấu hình cịn lại, tác giả chọn mạng Mask RCNN với cấu hình Resnet101 làm mạng phát vị trí lơng yến Trong trường hợp Hình 5.22, số kết truy vấn với tính tốn vị trí tạp chất, theo cơng thức trung bình Hình 5.19 Kết truy vấn vị trí tạp chất (kết 1) 62 CHƯƠNG KẾT QUẢ THỰC NGHIỆM Hình 5.20 Kết truy vấn vị trí tạp chất (kết 2) Hình 5.21 Kết truy vấn vị trí tạp chất (kết 3) Hình 5.22 Kết truy vấn vị trí tạp chất (kết 4) 63 CHƯƠNG KẾT LUẬN 6.1 Tổng kết kết Phát tạp chất sử dụng hệ thống máy xử lí làm tạp chất, việc phát tạp chất lông hỗ trợ hệ thống thị giác sử dụng camera lắp robot tay máy Trong nghiên cứu trước mơ hình dựa vào xử lí ảnh cho kết không thực tốt dựa tập liệu cịn thiếu cho tốn phát tạp chất Việc giải toán làm tự động tạp chất vụn yến giúp giảm thiểu việc làm thủ công, hỗ trợ người khâu xử lí chế biến tổ yến Một số ứng dụng khác tái sử dụng kết tốn gắp lơng yến phân loại tổ yến giai đoạn thu hoạch loại thường, thượng hạng, hỗ trợ tồn q trình chế biến xử lí lơng yến Luận văn nêu sở lí thuyết, khảo sát cơng trình phương pháp, dựa vào xây dựng mơ hình xử lí lơng yến dựa cách tiếp cận sử dụng camera trực tiếp đầu công tác, với trợ giúp mơ hình học sâu cho kết tích cực Tác giả thí nghiệm số cấu hình học máy Các kết luận văn đạt là: Áp dụng thành cơng mơ hình học sâu cho việc phát tạp chất, lông yến cho robot gắp lơng yến Huấn luyện so sánh mơ hình nhằm tìm mơ hình phù hợp cho tốn phát lông yến Tác giả so sánh đánh giá thí nghiệm sử dụng mạng sở khác gồm Resnet50, Restnet50-FPN, Resnet101, Resnet101-FPN, nhằm tìm mơ hình có kết tốt Tác giả xây dựng tập liệu cho nhiệm vụ huấn luyện phát tạp chất giai đoạn xử lí loại bỏ lơng tổ yến phục vụ cho đánh giá nghiên cứu cải tiến hiệu suất tương lai tốn phát lơng yến Đối với liệu nhỏ tạp chất lông yến, phương pháp làm giàu liệu đóng vai trị quan trọng việc cải thiện độ xác phát mơ 64 CHƯƠNG KẾT LUẬN hình Do sử dụng phương pháp làm giàu liệu cho phép cải thiện hiệu suất mạng 6.2 Hướng nghiên cứu Phát gắp lông yến ứng dụng giai đoạn làm lông yến nhà máy làm vụn yến nhiều vấn đề cần tiếp tục nghiên cứu để cải thiện độ xác, số hướng áp dụng để cải thiện độ xác mơ hình học máy Khảo sát thu thập thêm liệu tổ yến để tăng độ xác cho hệ thống Có thể huấn luyện tập liệu với góc máy điều kiện khác cho phép dễ dàng lắp đặt thực tế Có thể nghiên cứu mở rộng nghiên cứu áp dụng kĩ thuật trích xuất đặc trưng, học không giám sát nhằm tối ưu kết phát Có thể mở rộng cho phép hệ thống học liệu chưa quan sát, thuận thiện cho việc cập nhật mơ hình học sau ứng dụng 65 TÀI LIỆU THAM KHẢO [1] S Careena et al., “Effect of edible bird’s nest extract on lipopolysaccharideinduced impairment of learning and memory in wistar rats,” Evidence-Based Complementary and Alternative Medicine, vol 2018, pp 1–7, Aug 2018 [2] G K Chan et al., “Edible bird’s nest, an Asian health food supplement, possesses skin lightening activities: Identification of N-acetylneuraminic acid as active ingredient,” Journal of Cosmetics, Dermatological Sciences and Applications, vol 05, no 04, pp 262–-274, Dec 2015 [3] C.-T Guo et al., “Edible bird’s nest extract inhibits influenza virus infection,” Antiviral Research, vol 70, no 3, pp 140–146, Mar 2006 [4] Q H Looi and A Omar, “Swiftlets and Edible Bird’s Nest Industry in Asia,” Pertanika J Scholarly Res Rev, vol 2, no 1, pp 32–48, 2016 [5] M Yang et al., “Establishment of a holistic and scientific protocol for the authentication and quality assurance of edible bird nest,” Food Chemistry, vol 151, pp 271–278, May 2014 [6] F C Ma and D C Liu, “Extraction and Determination of Hormones in the Edible Birdś Nest,” Asian Journal of Chemistry, vol 24, no 1, pp 117–120, Jan 2012 [7] F S A Saad, A Y M Shakaff, A Zakaria, M Z Abdullah, A H Adom and A A M Ezanuddin, “Edible Bird Nest Shape Quality Assessment Using Machine Vision System,” in Proc 2012 Third International Conference on Intelligent Systems Modelling and Simulation, Kota Kinabalu, Malaysia, 2012, pp 325– 329 [8] Y Wu et al., “Application of sybrgreen PCR and 2dge methods to authenticate edible bird’s nest food,” Food Research International, vol 3, no 8, pp 2020– 2026, Oct 2010 [9] S Rahayu et al., “Keratinolytic enzymes for cleaning edible bird’s nest,” Biosciences, Biotechnology Research Asia, vol 14, no 3, pp 989–996, Sep 2017 [10] Y Subramaniam et al., “Edible bird nest processing using machine vision and robotic arm,” Jurnal Teknologi, vol 72, no 2, Jan 2015 66 [11] G K Meng et al., “Size characterisation of edible bird nest impurities: A preliminary study,” Procedia Computer Science, vol 112, pp 1072–1081, Sep 2017 [12] C K Yee et al., “Impurities detection in edible bird’s nest using optical segmentation and image fusion,” Machine Vision and Applications, vol 31, no 7–8, Sep 2020 [13] Ying-Heng Yeo and Kin-Sam Yen, “Impurities detection in intensity inhomogeneous edible bird’s Nest (EBN) using a U-net deep learning model,” International Journal of Engineering and Technology Innovation, vol 11, no 2, pp 135–145, Apr 2021 [14] S Ren et al., “Faster R-CNN: Towards real-time object detection with region proposal networks,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 39, no 6, pp 1137–1149, Jun 2017 [15] R Girshick, “Fast R-CNN,” in Proc 2015 IEEE International Conference on Computer Vision (ICCV), Santiago, Chile, 2015, pp 1440–1448 [16] R Girshick, J Donahue, T Darrell and J Malik, “Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation,” in Proc 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, OH, USA, 2014, pp 580–587 [17] O Ronneberger et al., “U-Net: Convolutional Networks for Biomedical Image Segmentation,” Lecture Notes in Computer Science, pp 234–241, Nov 2015 [18] T -Y Lin, P Dollár, R Girshick, K He, B Hariharan and S Belongie, “Feature Pyramid Networks for Object Detection,” in Proc 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Honolulu, HI, USA, 2017, pp 936–944 [19] K He, G Gkioxari, P Dollár and R Girshick, “Mask R-CNN,” in Proc 2017 IEEE International Conference on Computer Vision (ICCV),Venice, Italy, 2017, pp 2980–2988 67 LÝ LỊCH TRÍCH NGANG Thơng Tin Cá Nhân Họ tên: Trần Văn Xuân Ngày sinh: 18/02/1990 Nơi sinh: Vĩnh Phúc Địa liên lạc: 25/15 Đường Tô Ký, Khu phố II, Phường Tân Chánh Hiệp, Quận 12, thành phố Hồ Chí Minh Q Trình Đào Tạo Thời gian Trường đào tạo Chuyên ngành Trình độ đào tạo 2008–2013 Đại Học Bách Khoa Tp KHKT Máy Tính Hồ Chí Minh Kĩ sư 2014–2019 Đại Học Bách Khoa Tp Kĩ thuật Cơ điện tử Hồ Chí Minh Kĩ sư 2019–Hiện Đại Học Bách Khoa Tp KHKT Máy Tính Hồ Chí Minh Thạc sĩ 2020–Hiện Đại Học Bách Khoa Tp Kĩ thuật Cơ điện tử Hồ Chí Minh Thạc sĩ 2021–Hiện Đại Học Bách Khoa Tp Quản Trị Kinh Doanh Thạc sĩ Hồ Chí Minh Quá Trình Cơng Tác Thời gian Đơn vị cơng tác Vị trí 3/2013 – 8/2019 TMA Solutions Kĩ sư phần mềm 8/2019 – Hiện VGS Shop Kĩ sư phần mềm