Ứng dụng machine learning trong thiết kế hệ thống quản lý kho

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN ỨNG DỤNG MACHINE LEARNING TRONG THIẾT KẾ HỆ THỐNG QUẢN LÝ KHO MÃ SỐ: SV2022-92 CHỦ NHIỆM ĐỀ TÀI: NGƠ TRUNG TÍN SKC 0 1 Tp Hồ Chí Minh, tháng 11/2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN ỨNG DỤNG MACHINE LEARNING TRONG THIẾT KẾ HỆ THỐNG QUẢN LÝ KHO Thuộc nhóm ngành khoa học: Kỹ thuật SV thực hiện: Ngơ Trung Tín Nam, Nữ: Nam Dân tộc: Kinh Lớp, khoa: 191040A/Khoa Cơ khí Chế tạo máy Năm thứ: 3/Số năm đào tạo: Ngành học: Kỹ thuật Công nghiệp Người hướng dẫn: TS Lê Minh Tài TP Hồ Chí Minh, 11/2022 Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần sốt xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 2/54 MỤC LỤC MỤC LỤC DANH MỤC BẢNG BIỂU DANH MỤC HÌNH ẢNH .6 DANH MỤC NHỮNG TỪ VIẾT TẮT MỞ ĐẦU .10 Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài 10 Lý chọn đề tài 10 Mục tiêu đề tài 10 Phương pháp nghiên cứu 11 Đối tượng phạm vi nghiên cứu 11 CHƯƠNG CƠ SỞ LÝ THUYẾT 12 1.1 Tổng quan 12 1.1.1 Giới thiệu 12 1.1.2 Phương pháp nghiên cứu 13 1.2 Các khái niệm 14 1.3 Các tảng hỗ trợ thực đề tài nghiên cứu 14 1.3.1 Google Colab 14 1.3.2 Pycharm 16 CHƯƠNG 2: KẾT QUẢ NGHIÊN CỨU ĐẠT ĐƯỢC 17 2.1 Đề tài 1: Ứng dụng thuật tốn hồi quy tuyến tính đa biến hỗ trợ quản lý hàng tồn kho 17 2.1.1 Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài “Ứng dụng thuật tốn hồi quy tuyến tính đa biến hỗ trợ quản lý hàng tồn kho” 17 2.1.1.1 Giới thiệu 17 2.1.1.2 Lý chọn đề tài 17 2.1.1.3 Phạm vi nghiên cứu 17 2.1.2 Cơ sở lý thuyết 17 2.1.2.1 Định nghĩa mơ hình hồi quy tuyến tính 17 Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 3/54 2.1.2.2 2.1.3 Mơ hình hồi quy hồi quy tuyến tính đa biến 18 Ứng dụng hồi quy tuyến tính dự đốn lượng đặt hàng tồn kho dựa nhu cầu sử dụng không gian tồn kho 19 2.1.3.1 Thu thập xử lý liệu biến đầu vào 19 2.1.3.2 Xây dựng mơ hình 21 2.1.3.3 Huấn luyện mơ hình 21 2.1.3.4 Coding 22 2.1.3.5 Đánh giá kết từ mơ hình 27 2.1.4 Kết luận kiến nghị hướng phát triển mô hình 31 2.2 Đề tài 2: Ứng dụng thuật toán Yolov5 việc phát số loại nước giải khát 31 2.2.1 Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài “Ứng dụng thuật toán Yolov5 việc phát số loại nước giải khát” 31 2.2.1.1 Giới thiệu 31 2.2.1.2 Phạm vi nghiên cứu 31 2.2.2.1 Định nghĩa Yolo 33 2.2.2.1 Kiến trúc mạng Yolo 34 2.2.2.2 Các phiên Yolo 35 2.2.2.3 Cấu trúc Yolov5 37 2.2.3.1 Thu thập, tạo liệu liệu đào tạo 40 2.2.3.2 Chọn thông số khung nhận diện cho liệu đào tạo 43 CHƯƠNG ĐÁNH GIÁ KẾT QUẢ NGHIÊN CỨU KHOA HỌC .51 KẾT LUẬN VÀ KIẾN NGHỊ .51 TÀI LIỆU THAM KHẢO 52 Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 4/54 DANH MỤC BẢNG BIỂU Bảng Giải thích ý nghĩa biến độc lập chọn 20 Bảng Ví dụ liệu đầu vào chọn lọc 21 Bảng Kết mơ hình .28 Bảng Ý nghĩa giá trị p 28 Bảng Độ xác mơ hình 29 Bảng Dữ liệu nhập kết 30 Bảng Bảng so sánh mẫu Yolov5 39 Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 5/54 DANH MỤC HÌNH ẢNH Hình Biểu đồ hoạt động hồi quy hồi quy tuyến tính đa biến ML .18 Hình Sơ đồ đầu vào đầu mơ hình dựa MLR 21 Hình Biểu đồ trực quan liệu 24 Hình Mối tương quan biến 25 Hình Đồ thị nhu cầu ban đầu nhu cầu dự đoán 30 Hình Sơ đồ kiến trúc mạng Yolo .34 Hình Các bước đào tạo mơ hình Phát đối tượng dựa Yolov5 35 Hình Tiến trình mắt phiên Yolo .35 Hinh Cấu trúc Yolov5 37 Hình 10 Cấu trúc Yolov5 .38 Hình 11 So sánh kết mơ hình Yolov5 .40 Hình 12 Hình ảnh sử dụng để đào tạo 41 Hình 13 Đặt nhãn hình ảnh 42 Hình 14 Các thơng số xuất liệu 43 Hình 15 Các thơng số đào tạo .43 Hình 16 Kết đào tạo .44 Hình 17a Kết kiểm tra 45 Hình 17b Kết kiểm tra 46 Hình 18 Tham số kết 47 Hình 19 Tham số kết Excel 47 Hình 20 Chạy thử mơ hình 48 Hình 21 Các chức khác mơ hình 49 Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 6/54 DANH MỤC NHỮNG TỪ VIẾT TẮT KH – CN: Khoa học – Công nghệ ML: Machine Learning – Học máy AI: Artificial Intelligence – Trí tuệ nhân tạo GPU: Processing Unit Graphics – Con chip điện tử có tính giống vi xử lý card đồ họa CPU: Central Processing Unit – Bộ xử lý trung tâm IDE: Integrated Development Environment – Môi trường tích hợp dùng để viết code để phát triển ứng dụng MLR: Multiple Linear Regression – Hồi quy tuyến tính đa biến CNN: Convolutional Neural Network – Mạng nơ-ron tích chập GDP: Gross Domestic Product – Tổng sản phẩm nội địa tổng sản phẩm quốc nội BMI: Body Mass Index – Chỉ số thể trọng YOLO: You Only Look Once SSD: Solid State Drive – Ổ cứng để lưu trữ liệu nhớ flash trạng thái rắn Ổ đĩa SSD có cấu tạo từ thành phần điều khiển flash, chip nhớ flash IoT: Internet of Things – Internet vạn vật RCNN: Region-based Convolutional Neural Networks – Lớp mơ hình xác định vùng đặc trưng dựa mạng CNN FPN: Feature Pyramid Networks – Bộ lọc feature áp dụng nguyên lý kim tự tháp feature đảm bảo cân độ xác tốc độ xử lý Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 7/54 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM THÔNG TIN KẾT QUẢ NGHIÊN CỨU CỦA ĐỀ TÀI Thông tin chung: - Tên đề tài: Ứng dụng Machine Learning thiết kế hệ thống quản lý kho - Chủ nhiệm đề tài: Ngơ Trung Tín Mã số SV:19104052 - Lớp: 191040A Khoa: Cơ khí Chế tạo máy - Thành viên đề tài: Stt Họ tên MSSV Lớp Khoa Lương Thành Nam 19104027 191040B Cơ khí Chế tạo máy Võ Nguyễn Kim Thoa 19104044 191040B Cơ khí Chế tạo máy - Người hướng dẫn: TS Lê Minh Tài Mục tiêu đề tài: Nghiên cứu ứng dụng Machine Learning thiết kế hệ thống quản lý kho để tối ưu hóa hiệu số vận hành hệ thống kho Tính sáng tạo: Quản lý kho quy trình phức tạp với việc giám sát, xử lý số lượng hàng hóa lớn liệu thay đổi liên tục, ta cần hệ thống tự cập nhật phân tích để hỗ trợ đưa định có độ xác cao Và việc ứng dụng cơng nghệ số vào trình quản lý vận hành kho giúp doanh nghiệp có hội điều chuyển nhân cơng tới vị trí thực cơng việc cách chủ động, đào tạo để họ tiếp cận nhanh với q trình cơng nghiệp hóa, đại hóa nâng cao trình độ chun mơn phù hợp với phát triển khoa học - công nghệ phương Tây Kết nghiên cứu: - Kết mô hình với tỷ lệ dự đốn xác cao Tỷ lệ chênh lệch nhu cầu ban đầu nhu cầu dự đốn khơng khác biệt nhiều Mơ hình nhận xét có tính linh hoạt cao dự báo thuận tiện cho nhà quản lý công ty cách nhập giá trị đầu vào từ mơ hình tự động xuất kết với độ xác cao - Giải pháp sử dụng thuật toán YOLO hỗ trợ giám sát nhà kho nhằm thay phương pháp kiểm tra người trí tuệ nhân tạo Mơ hình diễn giải đối tượng có hình dạng với đối tượng tệp liệu, làm giảm độ xác khả nhận biết mơ hình Mơ hình bỏ qua đối tượng khơng có danh sách dự đoán, điều cho thấy cơng nhận hồn hảo học tập xuất sắc lực, đáp ứng điều kiện tảng để phát triển quy mô lớn Đóng góp mặt giáo dục đào tạo, kinh tế - xã hội, an ninh, quốc phòng khả áp dụng đề tài: Hệ thống quản lý thông minh áp dụng nhà máy sản xuất không riêng Việt Nam mà toàn giới Đặc biệt hệ thống quản lý kho thông minh Các doanh nghiệp thường trọng việc dựa vào hệ thống để sốt tình trạng hàng hóa dựa phương trình thuật tốn để đưa kết tối ưu Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 8/54 Từ đây, trí tuệ nhân tạo đóng góp vai trị quan trong hệ thống quản lý nhà máy, đồng thời việc sử dụng giải pháp ứng dụng thuật toán YOLO việc kiểm sốt trạng thái số lượng hàng hóa kho, liên kết hai giải pháp chìa khóa hướng đến hệ thống quản lý hoàn hảo Việc thí nghiệm phát triển vào phận cần quản lý giám sát thủ công từ người hỗ trợ tối ưu hóa lưu trình sản xuất Cải thiện lợi nhuận tận dụng tối đa nhân lực Tránh gây loại lãng phí khơng cần thiết Trong đặc biệt hữu rõ ràng lãng phí tồn kho Cơng bố khoa học SV từ kết nghiên cứu đề tài (ghi rõ tên tạp chí có) nhận xét, đánh giá sở áp dụng kết nghiên cứu (nếu có): Hội nghị GTSD 2022 – Mã đề tài: 453 Ngày tháng năm SV chịu trách nhiệm thực đề tài (kí, họ tên) Nhận xét người hướng dẫn đóng góp khoa học SV thực đề tài (phần người hướng dẫn ghi): Ngày tháng năm Người hướng dẫn (kí, họ tên) Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 9/54 MỞ ĐẦU Tổng quan tình hình nghiên cứu thuộc lĩnh vực đề tài Hiện hoạt động tồn kho hầu hết doanh nghiệp quan tâm xem hoạt động ưu tiên hàng đầu phận tài sản lưu động doanh nghiệp Nếu trình quản lý hệ thống tồn kho hiệu mang lại cho doanh nghiệp nhiều lợi ích như: đáp ứng nhu cầu hàng hóa cho khách hàng, tránh khỏi nguy “cháy hàng”, đồng thời, giúp công ty dễ dàng cân đối lượng hàng cung cầu, giữ tỉ lệ quay vòng hàng tồn kho cao Từ đó, doanh nghiệp tránh tình trạng hàng hóa sản phẩm bị hỏng hạn sử dụng giảm thiểu tối đa phát sinh khơng đáng có q trình quản lý chuỗi cung ứng trình điều phối hoạt động sản xuất kinh doanh Lý chọn đề tài Tuy nhiên, việc quản lý kho hiệu xem quy trình phức tạp nhiều thách thức doanh nghiệp việc giám sát, kiểm tra với số lượng hàng hóa lớn thay đổi liên tục Vì vậy, hệ thống tự cập nhật tự động phân tích giúp hỗ trợ doang nghiệp đưa định đặt hàng, mua nguyên vật liệu hay phân phối hàng hóa đến tay khách hàng cách thật trơi chảy tối ưu có độ xác cao Ngồi ra, việc ứng dụng cơng nghệ số vào trình quản lý vận hành kho giúp doanh nghiệp có hội điều chuyển nhân cơng tới vị trí thực cơng việc cách chủ động, đào tạo để họ tiếp cận nhanh với q trình cơng nghiệp hóa, đại hóa nâng cao trình độ chun mơn phù hợp với phát triển KH - CN Từ yếu tố tác động liệt kê chúng em thấy rõ quan trọng tính cấp thiết đề tài “Ứng dụng Machine Learning hệ thống quản lý kho” giải pháp trước, thúc đẩy phát triển bền vững ổn định cho doanh nghiệp Việc thay đổi, áp dụng công nghệ thời đại 4.0 yếu tố hàng đầu giúp doanh nghiệp cạnh tranh với đối thủ thị trường Mục tiêu đề tài − Nghiên cứu ứng dụng ML thiết kế hệ thống quản lý kho để tối ưu hóa hiệu số vận hành hệ thống hàng tồn kho − Thay phương pháp vận hành truyền thống giấy tờ doanh nghiệp Việt Nam bảng thống kê logic giúp dòng chảy sản xuất trơi chảy, nhanh chóng, người quản lý kịp thời nắm bắt tình hình Do giúp cho hoạt động kinh doanh phát triển ổn định Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 10/54 (4) lon Mirinda (5) Pepsi chai 1,5l (6) lon Pepsi (7) lon Redbull (8) Bia Sài Gòn (9) Lon Sting (10) TH Truemilk hộp 1l (11) Hộp 1l Vinamilk (12) Trà bí đao Hình 12 Hình ảnh sử dụng để đào tạo Bước sau thu thập đầy đủ hình dạng cho nhãn thích đối tượng để tạo kiện cho mơ hình để học Sử dụng Roboflow Annotate để tiến hành (Roboflow Annotate công cụ dựa web đơn giản) quản lý, gắn nhãn hình ảnh xuất chúng định dạng Yolov5 Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 41/54 Hình 13 Đặt nhãn hình ảnh Sau tạo nhãn, Roboflow cho phép xuất liệu Lưu ý xuất liệu, cần đặt kích thước hình ảnh phù hợp với mơ hình (Trong mơ hình này, kích thước 640x640 sử dụng, mặc định Yolov5): Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần sốt xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 42/54 Hình 14 Các thông số xuất liệu 2.2.3.2 Chọn thông số khung nhận diện cho liệu đào tạo Các mơ hình lớn Yolov5x Yolov5l tạo kết xác tốt hầu hết có nhiều tham số sử dụng nhiều tài nguyên (Yêu cầu nhiều nhớ CUDA để đào tạo chạy chậm hơn) Đối với triển khai thiết bị di động, Yolov5s Yolov5m phải sử dụng, để triển khai đám mây Yolov5l Yolov5x nên sử dụng Ngồi ra, có tham số khác quan trọng huấn luyện mơ hình, kích thước lơ Sử dụng kích thước lô lớn (Nằm phạm vi tài nguyên cho phép) góp phần cải thiện tốc độ suy luận hình ảnh Có giá trị khác lơ kích thước tác giả Yolov5 gợi ý: 16, 20, 32, 40, 64, 80, 96, 128 Sau có tất liệu tệp nhãn, mơ hình đào tạo chuyên mục Google web đám mây Như đề cập trên, báo sử dụng mơ hình Yolov5l để huấn luyện liệu Dưới số cài đặt sử dụng để huấn luyện mơ hình báo này: − Img: 640 − Lô: 20 − Kỷ nguyên: 150 − Trọng lượng: Yolov5l Về thời gian huấn luyện, thời gian trung bình để huấn luyện lần 80s Với 150 lần kích thước lơ 20 khoảng 12000 giây (3,3 giờ) Hình 15 Các thơng số đào tạo 2.2.3 Coding đánh giá kết từ mơ hình Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần sốt xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 43/54 Hình 16 Kết đào tạo Sau kết thúc q trình đào tạo, mơ hình đào tạo nhập tệp pt kết khóa đào tạo 12 hình ảnh đối tượng gửi qua lớp thám tử Giữ mức độ trỏ tạo tệp học tập cho Yolov5 Nó chạy hình ảnh mẫu để kiểm tra hiệu suất xác Vị trí cho kết thử nghiệm điều chỉnh trực quan hóa kết rõ ràng Câu hỏi liệu liệu đào tạo thành công hay chưa Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần sốt xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 44/54 Hình 17a Kết kiểm tra Dựa kết thử nghiệm, mơ hình cho thấy độ xác tuyệt vời sử dụng để chạy Bên cạnh vấn đề với số chai có kích thước với liệu Điều xảy lấy liệu đào tạo không rõ ràng Cần thiết lập lại tăng dung lượng liệu Dữ liệu tạo đối tượng có hình dạng, màu sắc kích thước có góc nhìn khác chức vụ Dữ liệu tạo tỷ lệ thuận với cơng nhận mơ hình Một mơ hình với tốt khả chấp nhận phải đổi lại thời gian khởi tạo liệu Bộ sưu tập hình ảnh ảnh hưởng đến khả quan sát nhận biết mơ hình Hình ảnh có mẫu giống dù số lượng lớn độ nhận diện chưa cao chưa xác Các số lượng đa dạng hình ảnh chìa khóa cho mơ hình hồn hảo Tăng trí thơng minh mơ hình hóa phát triển khả suy nghĩ giải thích đối tượng ẩn khơng có liệu, kết tệp liệu với nhiều hình ảnh số Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 45/54 Hình 17b Kết kiểm tra Trong Hình 17a-b, thấy kết thử nghiệm cải thiện xuất cao hiệu nhãn Sự khác biệt mô hình nằm đối tượng khơng nằm liệu đào tạo Các đối tượng có kích thước hình dạng với nhãn đính kèm tệp liệu Điều gây nhầm lẫn, đặc biệt nguồn liệu chưa lớn Mơ hình diễn giải đối tượng có hình dạng với đối tượng tệp liệu, làm giảm độ xác khả nhận biết mơ hình Mơ hình bỏ qua đối tượng khơng có danh sách dự đốn, điều cho thấy cơng nhận hồn hảo học tập xuất sắc lực, đáp ứng điều kiện tảng để phát triển quy mô lớn Với nhiều đối tượng hình, mơ hình cho thấy dự đốn xuất sắc với độ xác cao Điều giúp cung cấp pt tên tệp mơ hình hồn hảo đầy đủ Sử dụng tệp cho mơ hình Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 46/54 Hình 18 Tham số kết Bằng cách thử nghiệm với Google Colab, biểu đồ so sánh hiển thị hiệu suất sử dụng liệu để đào tạo Kết lần kiểm tra nhãn đạt điểm hồn hảo độ xác đạt gần 100% Hình 19 Tham số kết Excel Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 47/54 Phần trăm kết cải thiện hiển thị tệp excel Bằng nhiều lớp thử nghiệm, mục tiêu cuối hiển thị số rõ ràng, liệu rõ ràng đạt hiệu cao mơ hình Hình 20 Chạy thử mơ hình Bằng cách áp dụng tệp “best.pt” vào mã nguồn từ trình đào tạo Collab Sự phát tệp đảm nhận cơng việc thu thập thông tin từ tệp pt Kết hiển thị phụ thuộc vào bạn thiết lập video chụp Vui lòng khuyến nghị thực theo dõi giám sát qua webcam với thời gian thực Điều tối đa hóa khả ứng dụng mơ hình cung cấp cho người dùng nhìn trực quan Nắm bắt số lượng, trạng thái trạng thái hàng hóa qua camera trực tiếp giúp người dùng kiểm soát chặt chẽ đảm bảo độ chắn phần mềm Nếu nhận dạng xác, người dùng in kết dự đốn từ phần mềm tiến hành phân tích liệu Điều tốt chụp ảnh có sẵn gửi lại đến máy tính bạn Hiện nay, nhà máy sản xuất hay nhà kho ln nhấn mạnh trực quan hóa ghi liệu thời gian thực Giúp tránh sai lầm cung cấp nhanh chóng giải pháp Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 48/54 Hình 21 Các chức khác mơ hình Thay đổi thiết lập thay đổi bắt đầu chạy mơ hình Chạy Webcam để chụp đối tượng thời gian thực, từ xem tình trạng kho hàng Hoặc cần kiểm tra mơ hình, thiết lập hình ảnh thử nghiệm cho mơ hình chạy Mặc dù vậy, hiển thị kết dựa việc sử dụng liệu để đào tạo Như đề cập trước đó, mơ hình tùy thuộc vào nhu cầu người dùng sử dụng cho nhiều ứng dụng khác Đối với doanh nghiệp, việc quan sát mắt thường hiển thị thông qua máy ảnh, với khả nhận dạng đối tượng để giúp hình dung cho kết theo thời gian thực, giúp thu thập liệu thực mà không cần kiểm tra trực tiếp Đối với tạp hóa nhỏ cửa hàng, việc kiểm tra số lượng tình trạng hàng hóa cần thiết, thay xác định số lượng, người dùng thêm tệp liệu với hình ảnh chất lượng hàng hóa độ ẩm, khn, thiệt hại Từ đó, giúp tối ưu hóa quy trình kiểm tra, thay kiểm tra trực tiếp nhân viên kiểm tra thơng qua hình ảnh video với kết nhận dạng xuất từ mâu Rút ngắn thời gian kiểm sát trực tiếp lần lượt, phá án nhanh chóng, kịp thời 2.2.4 Kết luận kiến nghị hướng phát triển đề tài Yolov5 mang lại hiệu suất vượt trội nhận dạng đối tượng Qua giúp xác định đối tượng cần tìm kiếm Các số thể tỷ lệ nhận biết cao cung cấp nghiêm ngặt trình thử nghiệm Để đạt hiệu suất cao, mơ hình phải nhận lượng liệu tương ứng, trình tạo liệu tải chiếm phần lớn trình nghiên cứu, đổi lại kết áp dụng Sau áp dụng mơ hình Yolov5 vào q trình xác định chai nước lon để hỗ trợ kho quan sát số lượng tình trạng hàng hóa Mơ hình mang lại kết tích cực với việc nhận dạng xác đối tượng gắn nhãn trước tập tin liệu Tuy nhiên, nguồn liệu mức trung bình chưa thực đa dạng hình ảnh Khi nhận diện qua camera, mơ hình khơng bị che nửa mặt đối tượng khơng nhận dạng tồn lơ hàng, điều tạo giải pháp cho kho liệu với hình ảnh nhiều loại nước giải khát với góc độ khác Đây giải Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 49/54 pháp giải triệt để tính nhận dạng tăng gần tuyệt đối độ xác mơ hình Hướng phát triển phụ thuộc vào nhu cầu người sử dụng Tất phương pháp sử dụng cho mục đích nhận dạng đối tượng khơng có Sự đời tính thỏa mãn nhu cầu người dùng góp phần thúc đẩy hồn thiện mơ hình Ví dụ, người dùng muốn thêm chức thông báo kết nhận dạng file excel thống kê số lượng, nhãn mác dễ nhận biết Họ thực vài thay đổi cấu trúc mã gốc đưa vào thử nghiệm Hoặc người dùng thiết kế khả chụp ảnh qua camera nhận diện hình ảnh, sau nhận dạng hệ thống gửi hình ảnh xử lý đến máy chủ dựa séc Yolov5 khơng phải mơ hình đơn giản phát triển Trải qua hệ hình thành ứng dụng, Yolov5 cho thấy ổn định ổn định khả xác địnhnhững nâng cấp cho phiên mang lại trải nghiệm tốt cho người dùng Các phát triển Yolov5 tiếp tục mang lại tiến vượt bậc lĩnh vực nhân tạo trí tuệ nói chung lĩnh vực thị giác máy tính nói riêng AI trẻ kỹ sư dễ dàng tiếp cận với thị giác máy tính sử dụng Yolo cho mục đích học tập triển khai phần mềm Đây tảng tốt để phát triển lập trình kỹ nhiều hướng lĩnh vực Thậm chí tạo phần mềm nhận dạng giám sát để bán cho doanh nghiệp dựa mơ hình Yolo Điều cho thấy ý nghĩa tầm ảnh hưởng mà Yolo mang lại Việc thay nhận dạng quan thủ công dần thay đổi công nghệ kỹ thuật số, AI bước tiến chấp nhận tồn xã hội nói chung doanh nghiệp sản xuất kinh doanh nói riêng Bắt đầu tập trung quy trình nhỏ tồn máy Quản lý hàng tồn kho điều cần thiết cách áp dụng mơ hình nhận dạng đối tượng, Yolov5 phần mềm hoàn hảo tảng cho nhà phát triển Ban đầu, áp dụng doanh nghiệp sản xuất thời gian để phận liên quan thích ứng với điều đó, đặc biệt hướng phát triển mơ hình viết nhắm mục tiêu đến kho hàng, tầm quan trọng việc đào tạo công nhân thực bình thường hóa Biến thành phần vĩnh viễn tồn nhà máy Đây tầm nhìn thời đại cơng nghệ mới, công nghệ số, khắc phục lỗi phát sinh quy trình thủ cơng nâng cao lợi nhuận kinh doanh Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 50/54 CHƯƠNG ĐÁNH GIÁ KẾT QUẢ NGHIÊN CỨU KHOA HỌC KẾT LUẬN VÀ KIẾN NGHỊ Hệ thống quản lý thông minh áp dụng nhà máy sản xuất không riêng Việt Nam mà toàn giới Đặc biệt hệ thống quản lý kho thông minh Các doanh nghiệp thường trọng việc dựa vào hệ thống để sốt tình trạng hàng hóa dựa phương trình thuật tốn để đưa kết tối ưu Giải pháp áp dụng phương trình thuật tốn hồi quy tuyến tính đa biến để dự đốn lượng đặt hàng tối ưu nhằm giảm thiểu tình trạng hàng hóa kho khơng đủ khơng gian chứa tính tốn nhầm lẫn mức đặt hàng an tồn chưa kiểm sốt chặt chẽ để nhận biết kịp thời Từ đây, AI đóng góp vai trị quan trong hệ thống quản lý nhà máy, đồng thời việc sử dụng giải pháp ứng dụng thuật toán Yolo việc kiểm soát trạng thái số lượng hàng hóa kho, liên kết hai giải pháp chìa khóa hướng đến hệ thống quản lý hồn hảo Hồn thiện E2E quy trình đầu cuối nhà máy, tất phần mềm đặc biệt liệu kết nối truy xuất từ Dựa theo khả truy nhận diện mơ hình Yolo, quản lý kho biết trạng thái hàng hóa, tình trạng số lượng cịn mức an tồn cần đặt lại hàng hóa Việc tận dụng liệu quy trình ứng dụng vào quy trình khác mấu chốt Hướng tới giải pháp quản lý nhận diện hàng hóa kho AI, mơ hình Yolo, doanh nghiệp dễ dàng tùy chỉnh dựa nhu cầu sử dụng cách thay đổi tệp liệu đầu vào, liệu hàng hóa từ doanh nghiệp tạo dễ dàng với đa dạng hình ảnh góc nhìn khác Tăng cường xác kết nhận nhận từ mơ hình Mang lại tối ưu quy trình hệ thống tinh gọn với mơ hình bền vững cho doanh nghiệp Các phân tích trí thuệ nhân tạo xu hướng thời đại công nghệ, công nghiệp sản xuất Việc thí nghiệm phát triển vào phận cần quản lý giám sát thủ công từ người hỗ trợ tối ưu hóa lưu trình sản xuất Cải thiện lợi nhuận tận dụng tối đa nhân lực Tránh gây loại lãng phí khơng cần thiết Trong đặc biệt hữu rõ ràng lãng phí tồn kho Nghiên cứu ứng dụng AI vào quản lý tồn kho để dự báo trước cho chuyển thời đại cơng nghệ Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần sốt xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 51/54 TÀI LIỆU THAM KHẢO (1) Akhil Kumar, Arvind Kalia Aayushi Kalia, “ETL-YOLO v4: A face mask detection algorithm in era of COVID-19 pvàemic”, Optik, vol 259, 2022 (2) Asma Baccouche Begonya Garcia-Zapirain Yufeng Zheng Adel S Elmaghraby, “Early detection classification of abnormality in prior mammograms using image-to-image translation YOLO techniques”, (3) Computer Methods Programs in Biomedicine, vol 221, 2022 Chenchen Jiang, Huazhong Ren, Xin Ye, Jinshun Zhu, Hui Zeng, Yang Nan, Min Sun, Xiang Ren Hongtao Huo, “Object detection from UAV thermal infrared images videos using YOLO models”, International (4) (5) (6) (7) (8) (9) (10) Journal of Applied Earth Observations Geoinformation, vol 112, 2022 Fahad Jubayer, Janibul Alam Soeb, Abu Naser Mojumder, Mitun Kanti Paul, Pranta Barua, Shahidullah Kayshar, Syeda Sabrina Akter, Mizanur Rahman Amirul Islam, “Detection of mold on the food surface using YOLOv5”, Current Research in Food Science 4, vol 2021, pp 724–728, 2021 Galina Merkuryeva, Aija Valberga, Alexvàer Smirnov, “Demand forecasting in pharmaceutical supply chains: A case study”, ICTE in Transportation Logistics 2018 (ICTE2018), vol 149, pp 3-10, 2019 Hironobu KAWAMURA, Keisuke NOMOTO, Enchih KUO, “Inventory Management Based on Demvà Forecasting Using Ryokan’s Beer Sales Data”, Innovation Supply Chain Management, vol 9(4), pp 127-135, 2015 Isaiah Francis E Babila, Shawn Anthonie E Villasor Jennifer C Dela Cruz, “Object Detection for Inventory Stock Counting Using YOLOv5”, CSPA, 2022 Kaiwei Deng Lizhi Liu,“Research implementation of industrial rebar inventory mobile application program based on YOLOv5 algorithm”, Proc SPIE 12249, 2nd International Conference on Internet of Things Smart City (IoTSC 2022), 2022 Lolli Francesco, Balugani Elia, Ishizaka Alessio, Gamberini Rita, Rimini Bianca, Regattieri Alberto, “Machine Learning for multi-criterio inventory classification applied to intermittent demvà”, Production Planning Control, vol 30(1), pp 1-14, 2019 Lukas Block, Adrian Raiserb, Lena Schön, Franziska Braun Oliver Riedel, “Image-Bot: Generating Synthetic Object Detection Datasets for Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 52/54 Small Medium-Sized Manufacturing Companies”, CIRP Conference on Manufacturing Systems, 2022 (11) Mardiana, Meizano Ardhi Muhammad Yessi Mulyani, “Library Attendance System using YOLOv5 Faces Recognition”, ICCTEIE, vol.2021, no.14, pp.66-125, 2022 (12) Máté Ficzere, Lilla Alexvàra Mészáros, Nikolett Kállai-Szabó, Vàrea Kovács, István Antal, Zsombor Kristóf Nagy Dorián László Galata, “Real-time coating thickness measurement defect recognition of film coated tablets with machine vision deep learning”, International Journal of Pharmaceutics, vol 623, 2022 (13) Mohamed (14) “Classification of targets detected by mmWave radar using YOLOv5”, FioE, vol 203, pp 426–431, 2022 Najia Hasan Tasnim, Sadia Afrin, Barna Biswas, Arifa Akter Anye (15) (16) (17) (18) (19) (20) Lamane, Mohamed Tabaa Abdessamad Klilou, Riasat Khan, “Automatic classification of textile visual pollutants using deep learning networks”, Alexvària Engineering Journal, vol 62, pp 391– 402, 2022 Nicholas Ampazis, “Forecasting Demvà in Supply Chain Using Machine Learning Algorithms”, International Journal of Artificial Life Research, vol 5, pp 56-57, 2015 Peiyuan Jiang, Daji Ergu, Fangyao Liu, Ying Cai Bo Ma, “A Review of Yolo Algorithm Developments”, ITQM 2020 & 2021, pp 1066–1073, 2022 Praveen K B, Prateek J, Pradyumna Kumar, Pragathi G, Prof Madhuri J., “Inventory Management using Machine Learning”, International Journal of Engineering Research & Technology (IJERT), vol 9, pp 866- 869, 2020 Qian Li, Huadong Gu, Lei Luo Xinyuan Wang, “Automatic Mapping of Karez in Turpan Basin Based on Google Earth Images the YOLOv5 Model”, MDPI, vol 2022, 2022 Qing-xin Shi, Chang-sheng Li, Bao-qiao Guo, Yong-gui Wang, Huan-yu Tian, Hao Wen, Fan-sheng Meng Xing-guang Duan, “Manipulatorbased autonomous inspections at road checkpoints: Application of faster YOLO for detecting large objects”, Defence Technology, vol 18, pp 937951, 2021 R Kishan Kumar, Naveen Prakash, MV Naren Subra, A Alice Linsie V Gokul, “Automated Inventory Order Assistance Using Image Processing Techniques”, ACCAI, 2022 Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 53/54 (21) Samiul Islam, Saman Hassanzadeh Amin, “Prediction of probable backorders scenarios in the supply chain using Distributed Rvàom Forest Gradient Boosting Machine Learning techniques”, Journal of Big Data, vol 7(1), pp 1-22, 2020 (22) Stefano Puliti Rasmus Astrup, “Automatic detection of snow breakage at single tree level using YOLOv5 applied to UAV imagery”, International Journal of Applied Earth Observations Geoinformation, vol 112, 2022 (23) Tereza Šustrová, “A Suitable Artificial Intelligence Model for Inventory Level Optimization”, Trends Economic Management, vol 25(1), pp 4855, 2016 (24) Tianyi Sun, Huishuang Xing, Shengxian Cao, Yanhui Zhang, Siyuan Fan Peng Liu, “A novel detection method for hot spots of photovoltaic (PV) panels using improved anchors prediction heads of YOLOv5 network”, CEEGE 2022, pp 1219–1229, 2022 (25) (26) (27) Xiaohong Han, Jun Chang Kaiyuan Wang, “Real-time object detection based on YOLOv2 for tiny vehicle object”, ICICT-2020, vol 183, pp.61– 72, 2021 Zhaoyi Chen, Ruhui Wu, Yiyan Lin, Chuyu Li, Siyu Chen, Zhineng Yuan, Shiwei Chen Xiangjun Zou, “Plant Disease Recognition Model Based on Improved YOLOv5”, MDPI, vol 2022, no.12, 2022 Zhenyu Li, Ke Lu, Yanhui Zhang, Zongwei Li Jia-Bao Liu, “Research on Energy Efficiency Management of Forklift Based on Improved YOLOv5 Algorithm”, Journal of Mathematics, vol 2021, pp.1-9, 2021 Số hiệu: HD/QT-PKHCN-QHQT-NCKHSV/00 Lần soát xét: 00 Ngày hiệu lực: 01/4/2020 Trang: 54/54