TỔNG QUAN VỀ ĐỀ TÀI
Lý do chọn đề tài
Cuộc sống xung quanh chúng ta luôn tràn đầy những điều mới mẻ, kích thích sự tò mò và khơi dậy nhiều câu hỏi Những thắc mắc này không chỉ thú vị mà còn là nguồn cảm hứng, giúp chúng ta nảy ra những ý tưởng lớn lao và sáng tạo.
Ngày bé, tôi từng mơ về một thế giới công nghệ hiện đại, nơi mà máy móc và thiết bị điện tử kết nối con người, tạo ra cuộc sống tiện nghi Sau này, tôi nhận ra rằng công nghệ IoT đã tồn tại từ lâu trước khi tôi ra đời, và giờ đây, tôi đã có cơ hội tiếp cận và trải nghiệm nó trong thực tế.
Với sự phát triển của các công nghệ hiện đại, thị trường công nghệ toàn cầu đang chứng kiến sự bùng nổ mạnh mẽ Đây là cơ hội vàng để chúng ta phát triển những sản phẩm có giá trị, góp phần cải thiện cuộc sống và nâng cao hiệu quả trong sản xuất.
Mục tiêu của đề tài
Xây dựng hệ thống nhận diện và phân loại đối tượng theo màu sắc là một lĩnh vực nghiên cứu quan trọng Trong khi nhiều đề tài đã thực hiện việc nhận diện và phân loại nông sản dựa trên chiều cao, kích thước hay khối lượng, thì hệ thống này sẽ tập trung vào màu sắc Độ chính xác của mô hình thường phụ thuộc vào kích thước và chất lượng của bộ dữ liệu, nhưng trong đề tài này, số lượng loại hoa quả sẽ được giới hạn để đảm bảo tính khả thi và hiệu quả trong quá trình nghiên cứu.
Để đáp ứng nhu cầu phân loại nông sản, cần phát triển các mô hình mới cho những loại trái cây có khối lượng nhỏ và màu sắc thay đổi, như táo, chuối, cà chua, và nho.
Để tăng cường cơ sở dữ liệu nhận dạng hoa quả như táo, chuối, thanh long và nho, chúng ta sẽ sử dụng các thuật toán chỉnh sửa ảnh Các phương pháp này bao gồm làm nghiêng, chèn nhiễu và ghép ảnh với nền khác, nhằm tạo ra nhiều hình ảnh gốc hơn cho mỗi loại hoa quả.
Hệ thống cần phải có khả năng phân loại nhiều loại hoa quả khác nhau với độ chính xác cao hơn so với các phương pháp truyền thống, nhằm cung cấp cái nhìn tổng quát và so sánh độ chính xác tương đối.
Nội dung nghiên cứu
Tính khả thi của việc nhận dạng và phân loại đối tượng (cụ thể là phân loại hoa quả) có màu sắc thay đổi theo tính chất.
Nghiên cứu mạng nơ-ron tích chập trong Học sâu tập trung vào việc cải thiện hiệu suất nhận dạng ảnh Bài viết khám phá cách mạng huấn luyện Học sâu, đặc biệt là mạng nơ-ron nhân tạo và nơ-ron tích chập, giúp giải quyết vấn đề nhận dạng ảnh hiệu quả hơn Đặc biệt, nghiên cứu này tìm hiểu các phương pháp tối ưu hóa khi làm việc với bộ dữ liệu huấn luyện có kích thước nhỏ, từ đó mở ra hướng đi mới cho ứng dụng trong lĩnh vực nhận dạng ảnh.
Kiến trúc mạng nơ-ron tích chập
Học chuyển giao và tinh chỉnh mô hình huấn luyện
Ứng dụng vào bài toán
Phương pháp Học máy truyền thống tập trung vào việc nghiên cứu và áp dụng các phương pháp đã được công bố trong các báo cáo khoa học Các đặc trưng quan trọng như màu sắc, hình dạng và kết cấu của hoa quả được thống kê và sử dụng để đạt kết quả huấn luyện tối ưu Những đặc trưng này được đưa vào bộ tính toán để trích xuất thông tin, nhằm cải thiện hiệu suất của các nơ-ron nhân tạo.
Hệ thống mô tả tổng quan bao gồm các mô đun chính như máy chủ, máy trạm, bộ huấn luyện và nhận dạng, cùng với bộ tiền xử lý Bài viết sẽ trình bày chi tiết về cách thu thập và chỉnh sửa cơ sở dữ liệu ảnh, cũng như hướng dẫn cài đặt và triển khai môi trường huấn luyện cho mô hình mạng nơ-ron tích chập đã được chọn.
Tổng quan về hệ thống
Mô đun quản lý cơ sở dữ liệu
Phạm vi nghiên cứu
Đối với một số loại hoa quả có màu sắc thay đổi theo tính chất ví dụ như quả có màu sắc khác khi nó chín.
Bố cục của đồ án
Chương 1 cung cấp cái nhìn tổng quan về đề tài nhận dạng và phân loại hoa quả theo màu sắc, nhằm xác định hướng đi đúng đắn cho việc nghiên cứu Bài viết sẽ trình bày các giải pháp đã được áp dụng trong bài toán này, giúp người đọc hiểu rõ hơn về quy trình và ứng dụng thực tiễn của công nghệ trong lĩnh vực nông sản.
- Chương 2:Khảo sát hệ thống: Ở chương này trình bày nhiệm vụ , quy trình xử lý, phê phán và đưa ra yêu cầu mới cho hệ thống
- Chương 3: Cơ sở lý thuyết:
Chương này sẽ tập trung vào việc đào sâu huấn luyện trong Học sâu, đặc biệt là trong lĩnh vực Nhận dạng ảnh Chúng ta sẽ khám phá vai trò của nơron tích chập (CNN) và những yếu tố quan trọng để giải quyết bài toán nhận dạng ảnh hiệu quả.
Hệ thống nhận dạng hoa quả tự động bao gồm các mô đun chính như máy chủ, bộ huấn luyện và bộ tiền xử lý để đảm bảo hiệu quả trong việc nhận diện Bài viết cũng đề cập đến quy trình thu thập và chỉnh sửa cơ sở dữ liệu ảnh, cùng với hướng dẫn cài đặt và triển khai môi trường huấn luyện cho mô hình mạng nơron tích chập được chọn.
- Chương 4: Phân tích hệ thống
- Chương 5: Thiết kế hệ thống
- Chương 6: Kết luận:Tổng kết tất cả các nội dung đã trình bày ở đề tài, đánh giá và đưa ra hướng phát triển đề tài Tài liệu tham khảo
KHẢO SÁT HỆ THỐNG
Nhiệm vụ cơ bản
Giúp nhận diện và phân loại quả có màu sắc thay đổi theo tính chất.
Sau khi thu hoạch, nông sản cần trải qua quy trình phân loại để loại bỏ sản phẩm không đạt yêu cầu Đặc biệt, hệ thống phân loại quả sử dụng băng tải để đưa sản phẩm đến các khu phân loại dựa trên kích thước, khối lượng và màu sắc Mục tiêu là chọn lọc những quả chất lượng tốt nhất, đáp ứng nhu cầu của người tiêu dùng.
Cơ cấu tổ chức
- Thu thập dữ liệu để huấn luyện mô hình nhận dạng và phân loại quả theo màu sắc gồm:
Ảnh hoa quả : Cách ảnh hoa quả cần được chụp với chất lượng tốt và có thể nhìn rõ màu sắc của hoa quả
Nhãn màu: Mỗi ảnh hoa quả cần được gắn nhãn màu để mô hình có thể nhìn rõ màu sắc của hoa quả
- Bộ huấn luyện mô hình
Cấu hình mạng huấn luyện AlexNet
Một số hình ảnh đặc trưng do mạng AlexNet tính toán
Quy trình xử lý
Hệ thống sẽ tiếp nhận ảnh hoa quả từ các nguồn như máy ảnh, thiết bị quét hoặc thiết bị di động Để đảm bảo chất lượng, ảnh hoa quả cần được chụp trong điều kiện ánh sáng đồng đều và không bị nhiễu.
- Xử lý ảnh: Ảnh hoa quả sẽ được xử lý để loại bỏ phần nhiễu và cải thiện chất lượng gồm:
Chuẩn hóa ảnh: quá trình chuyển đổi các giá trị pixel của ảnh về một phạm vi nhất định
Cắt ảnh: loại bỏ các phần không cần thiết của ảnh ==> giúp cải thiện tốc độ và độ chính xác
Cân bằng trắng là quá trình điều chỉnh màu sắc của ảnh để phù hợp với ánh sáng môi trường, từ đó giúp hệ thống nhận diện và phân loại quả một cách chính xác hơn, ngay cả trong điều kiện ánh sáng kém.
Loại bỏ nhiễu: quá trình loại bỏ pixel nhiễu từ ảnh ==> giúp hệ thống nhận diện và phân loại quả chính xác hơn
- Tính toán các đặc trưng màu sắc: các thông tin mô tả màu sắc của hoa quả Các đặc trưng màu sắc thường được sử dụng bao gồm:
Cường độ màu: phân biệt các loại hoa quả có màu sắc tương tự nhau
Độ bão hòa màu: phân biệt các loại hoa quả có màu sắc khác nhau
Độ tương phản: phân biệt các loại hoa quả có màu sắc khác nhau
Khoảng cách màu: phân biệt các loại hoa quả có màu sắc hoàn toàn khác nhau
Tương quan màu: phân biệt các loại hoa quả có màu sắc liên quan đến nhau
Để huấn luyện mô hình học sâu hiệu quả, cần sử dụng bộ dữ liệu ảnh hoa quả đã được tính toán các đặc trưng màu sắc Bộ dữ liệu này phải đảm bảo sự đa dạng về màu sắc, kích thước và góc độ chụp của hoa quả để nâng cao khả năng nhận diện và phân loại.
Hệ thống sẽ áp dụng mô hình học máy, thường là mạng nơ-ron tích chập (CNN), để nhận diện hoa quả sau khi chúng đã được xử lý.
- Phân loại hoa quả: sau khi hoa quả đã được nhận diện, hệ thống sẽ được sử dụng một mô hình học máy khác để phân loại hoa quả
Phê phán hiện trạng của Hệ thống
Nhìn chung hệ thống hoàn thiện xây dựng bộ cơ sở dự liệu ảnh phục vụ cho việc huấn luyện nhận dạng cho các loại hoa quả.
Thống kê được các đặc trưng thường được sử dụng để huấn luyện bộ phận nhận dạng hoa quả trong các phương pháp học máy truyền thống.
Cài đặt và tinh chỉnh mạng nơ-ron tích chập đã được huấn luyện trước giúp nhận dạng và phân loại hoa quả dựa trên màu sắc một cách hiệu quả.
Hệ thống hiện tại vẫn còn một số hạn chế, chủ yếu là do dữ liệu phục vụ cho việc huấn luyện chưa đủ phong phú Do đó, việc tăng cường và mở rộng nguồn dữ liệu là rất cần thiết để cải thiện hiệu quả của hệ thống.
Yêu cầu hệ thống mới
Mong muốn phát triển thêm:
Kết nối với Web server để giám sát thông số.
Thiết kế thêm giao diện Web để quản lý hệ thống từ xa.
Có thể thay thế được các thiết bị hiện đại giúp cho việc nhận dạng trở nên chính xác
CƠ SỞ LÝ THUYẾT
Phương pháp Machine Learning truyền thống
Mô hình hoạt động chung của các phương pháp Machine Learning được thể hiện trong hình dưới đây:
Hình 3.1 Các phương pháp Machine Learning
Machine Learning bao gồm hai giai đoạn chính: Huấn luyện (Training) và Thử nghiệm (Testing) Trong mỗi giai đoạn, hai thành phần quan trọng do người xử lý bài toán thiết kế là Trích chọn đặc trưng (Feature Engineering) và Thuật toán phân loại, nhận dạng.
Thuật toán là thành phần quan trọng ảnh hưởng trực tiếp đến kết quả của bài toán Do đó, việc thiết kế thuật toán cần được thực hiện một cách cẩn thận và tốn nhiều thời gian Người thiết kế cần có kiến thức chuyên môn vững vàng và hiểu rõ các đặc điểm của bài toán cần xử lý.
Trích chọn đặc trưng – Feature Engineering:
Trong các bài toán thực tế, dữ liệu thô thường chưa qua xử lý, do đó cần thực hiện các phép biến đổi để chuyển đổi chúng thành dữ liệu chuẩn, giảm nhiễu và nâng cao khả năng biểu diễn Các thông tin đặc trưng này khác nhau tùy thuộc vào loại dữ liệu và bài toán cụ thể, vì vậy việc tùy biến các phép biến đổi là cần thiết để cải thiện độ chính xác của mô hình dự đoán Quá trình này được gọi là tiền xử lý dữ liệu.
Phương pháp Học sâu
Là 1 lĩnh vực chuyên sâu của Học máy, đã xuất hiện từ những năm 1980s nhưng chưa phổ biến cho đến thập kỷ gần đây do các nhà khoa học đã có thể tận dụng khả năng tính toán mạnh mẽ của các máy tính hiện đại cũng như khối lượng dữ liệu khổng lồ (hình ảnh, âm thanh, văn bản … ) trên Internet.
Mạng huấn luyện theo phương pháp Học sâu, hay còn gọi là mạng nơ-ron sâu (Deep Neural Network), hoạt động dựa trên cấu trúc và nguyên lý tương tự như cách thức hoạt động của não bộ con người.
Các mạng này bao gồm nhiều lớp khác nhau, mỗi lớp thực hiện việc phân tích dữ liệu đầu vào từ những khía cạnh đa dạng và ở các mức độ trừu tượng ngày càng cao.
2.1 Mạng Nơ – ron tích chập
2.1.1 Kiến trúc mạng nơ-ron tích chập
Mạng nơ-ron tích chập (CNN) là một trong những mô hình Học sâu phổ biến nhất hiện nay, nổi bật với khả năng nhận dạng và phân loại hình ảnh với độ chính xác cao, thậm chí vượt trội hơn con người trong nhiều trường hợp Mô hình này đang được phát triển và ứng dụng rộng rãi trong các hệ thống xử lý ảnh lớn của Facebook, Google và Amazon, phục vụ cho nhiều mục đích như thuật toán tagging tự động, tìm kiếm ảnh và gợi ý sản phẩm cho người tiêu dùng.
The fundamental layers in a CNN network include the Convolutional Layer, ReLU (Rectified Linear Unit) Layer, Pooling Layer, and Fully Connected Layer These layers can be modified in terms of quantity and arrangement to develop training models tailored to specific tasks.
Hình 3.2 Kiến trúc mạng nơ-ron tích chập
Lớp Convolutional (tích chập) là thành phần quan trọng nhất trong mạng CNN, thể hiện tư tưởng xây dựng sự liên kết cục bộ thay vì kết nối toàn bộ các điểm ảnh Các liên kết cục bộ được tính toán thông qua phép tích chập giữa các giá trị điểm ảnh trong vùng ảnh cục bộ và các bộ lọc (filters) có kích thước nhỏ.
Lớp ReLU được thiết kế để đảm bảo tính phi tuyến trong mô hình huấn luyện sau khi thực hiện các phép toán tuyến tính qua các lớp tích chập Trong số các hàm kích hoạt phổ biến như tanh và sigmoid, hàm ReLU được ưa chuộng nhờ vào cài đặt đơn giản, với chức năng chính là chuyển đổi tất cả các giá trị âm thành giá trị 0.
Lớp ReLU thường được sử dụng ngay sau lớp Tích chập, tạo ra một ảnh mới có kích thước tương đương với ảnh đầu vào Các giá trị điểm ảnh trong ảnh mới tương tự như ảnh gốc, nhưng các giá trị âm đã bị loại bỏ hoàn toàn.
Lớp Pooling là một thành phần quan trọng trong mạng CNN, thường được sử dụng sau lớp Tích chập và lớp ReLU Chức năng chính của lớp này là giảm kích thước ảnh đầu ra mà vẫn giữ lại thông tin quan trọng từ ảnh đầu vào Hai phương pháp lấy mẫu phổ biến hiện nay là lấy mẫu giá trị lớn nhất (Max Pooling) và lấy mẫu giá trị trung bình (Average Pooling).
Lớp Fully-connected trong mạng nơ-ron truyền thống cho phép tất cả các điểm ảnh kết nối đầy đủ với các node trong lớp tiếp theo, đảm bảo sự liên kết chặt chẽ giữa các thành phần của mạng.
2.1.2 Sự phát triển của mạng CNN
Tiến trình phát triển của các kiến trúc CNN có thể được khái quát qua những dấu mốc quan trọng:
Vào năm 1998, Yan Lecun đã tiên phong trong việc áp dụng mạng tích chập (CNN) để phân loại chữ số viết tay, đạt được hiệu suất ấn tượng Tuy nhiên, do hạn chế về dữ liệu và khả năng tính toán vào thời điểm đó, mạng CNN chưa thể phát triển mạnh mẽ Thay vào đó, các mô hình machine learning truyền thống như SVM và KNN vẫn được ưa chuộng và sử dụng rộng rãi.
Năm 2009, bộ dữ liệu ImageNet đã được giới thiệu và trở thành một bước ngoặt quan trọng trong lĩnh vực thị giác máy tính Đây là bộ dữ liệu lớn nhất vào thời điểm đó, với khoảng 1 triệu hình ảnh được phân bố đồng đều trên nhiều danh mục khác nhau.
Kể từ năm 2010, ImageNet đã trở thành tiêu chuẩn quan trọng để đo lường sự phát triển của các thuật toán học có giám sát trong lĩnh vực thị giác máy tính Các mô hình được huấn luyện trên ImageNet có khả năng chuyển giao hiệu quả sang nhiều miền dữ liệu khác nhau.
Năm 2012, mạng AlexNet đã lần đầu tiên áp dụng công nghệ tích chập CNN, vượt qua các phương pháp tạo đặc trưng thủ công truyền thống như HOG và SHIFT, đạt được độ chính xác vượt trội trong cuộc thi ImageNet Sự kiện này đánh dấu bước ngoặt quan trọng trong việc ứng dụng CNN vào lĩnh vực thị giác máy tính, thay thế cho các thuật toán học máy truyền thống trước đây.
Trong những năm tiếp theo, kiến trúc CNN ngày càng đa dạng và cải tiến Sự phát triển này bao gồm việc nâng cao độ sâu của mạng, cải tiến thiết kế các khối (block) và tối ưu hóa cách kết nối giữa chúng Các kiến trúc như VGG Net đã mở ra hướng đi mới cho việc nghiên cứu và ứng dụng trong lĩnh vực học sâu.
PHÂN TÍCH HỆ THỐNG
Phân tích hệ thống và chức năng
4.1 Tác nhân và các ca sử dụng
- Tác nhân: Người quản trị
+ Quản lý tài khoản người dùng
+ Quản lý mô hình học máy
4.2 Đặc tả các ca sử dụng quan trọng
Mô tả Cho phép người dùng đăng ký
Tác nhân Người dùng Điều kiện trước Người dùng chưa có tài khoản
Tác nhân Hệ thống phản hồi
1 Truy cập vào trang web
3 Nhập đầy đủ thông tin yêu cầu
Mô tả Cho phép người dùng nhận diện
Tác nhân Người dùng Điều kiện trước Người dùng đưa hình ảnh vào nhận diện
Luồng sự kiện chính Tác nhân Hệ thống phản hồi
1 Truy cập vào trang web
2 Đưaragiaodiện chọn hoặc chụp ảnh
4.1.3 UC Quản lý mô hình học máy
Tên Usecase Quản lý mô hình học máy
Mô tả Cho phép người dùng chọn mô hình học máy
Tác nhân Người quản trị Điều kiện trước Người dùng chọn mô hình học máy
Tác nhân Hệ thống phản hồi
1 Truy cập vào trang web
4.3 Vẽ biểu đồ ca sử dụng
4.3.1 Biểu đồ Use case tổng quát
Hình 4.1 Use case tổng quát
4.3.2 Biểu đồ Use case “Quản lý tài khoản người dùng”
Hình 4.2 Use case “Quản lý người dùng”
4.3.3 Biểu đồ Use case “Quản lý dữ liệu”
Hình 4.3 Use case “Quản lý dữ liệu”
4.3.4 Biểu đồ Use case “Quản lý mô hình học máy”
Hình 4.4 Use case “Quản lý mô hình học máy”
4.3.5 Biểu đồ Use case “Phản hồi người dùng”
Hình 4.5 Use case “Phản hồi người dùng”
4.3.6 Biểu đồ Use case “Quản lý an toàn và bảo mật”
Hình 4.6 Use case “Quản lý và bảo mật”
4.3.7 Biểu đồ Use case “Đăng nhập”
Hình 4.7 Use case “Đăng nhập”
4.4 Xây dựng biểu đồ tuần tự
4 4.1 Biểu đồ tuần tự “ Thêm tài khoản người dùng”
Hình 4.8 Biểu đồ tuần tự “Thêm tài khoản ngươi dùng”
4.4.2 Biểu đồ tuần tự “Thêm dữ liệu”
Hình 4.9 Biểu đồ tuần tự “Thêm tài dữ liệu”
4.4.3 Biểu đồ tuần tự “Thêm mô hình học máy”
Hình 4.10 Biểu đồ tuần tự “Thêm mô hình học máy”
4.4.4 Biểu đồ tuần tự “Cập nhật mô hình học máy”
Hình 4.11 Biểu đồ tuần tự “Cập nhật mô hình hoc máy”
4.4.5 Biểu đồ tuần tự “Sửa tài khoản người dùng”
Hình 4.12.Biểu đồ tuần tự “Sửa tài khoản người dùng”
4.4.6 Biểu đồ tuần tự “Xóa tài khoản người dùng”
Hình 4.13 Biểu đồ tuần tự “Xóa tài khoản người dùng”
4.4.7 Biểu đồ tuần tự “Xóa dữ liệu”
Hình 4.14 Biểu đồ tuần tự “Xóa dữ liệu”
4.4.8 Biểu đồ tuần tự “Sửa dữ liệu”
Hình 4.15 Biểu đồ tuần tự “Sửa dữ liệu”
4.4.9 Biểu đồ tuần tự “Tìm kiếm dữ liệu”
Hình 4.16 Biểu đồ tuần tự “Tìm kiếm dữ liệu”
4.4.10 Biểu đồ tuần tự “Tìm kiếm tài khoản người dùng”
Hình 4.17 Biểu đồ tuần tự “Tìm kiếm tài khoản người dùng”
4.4.11 Biểu đồ tuần tự “Tìm kiếm mô hình học máy”
Hình 4.18 Biểu đồ tuần tự “Tìm kiếm mô hình học máy”
4.4.12 Biểu đồ tuần tự “Xem phản hồi”
Hình 4.19 Biểu đồ tuần tự “Xem phản hồi”
4.4.13 Biểu đồ tuần tự “Trả lời phản hồi”
Hình 4.20 Biểu đồ tuần tự “Trả lời phản hồi”
4.4.14 Biểu đồ tuần tự “ Cấp quyền truy cập”
Hình 4.21.Biểu đồ tuần tự “Cấp quyền truy cập”
4.4.15 Biểu đồ tuần tự “ Giám sát nhật ký hoạt động”
Hình 4.22 Biểu đồ tuần tự “Giám sát nhật ký hoạt động”
4.4.16 Biểu đồ tuần tự “Sao lưu và khôi phục hệ thống”
Hình 4.23 Biểu đồ tuần tự “Sao lưu và khôi phục hệ thống”
4.4.17 Biểu đồ tuần tự “Chụp ảnh”
Hình 4.24 Biểu đồ tuần tự “Chụp ảnh”
4.4.18 Biểu đồ tuần tự “Xem kết quả”
Hình 4.25 Biểu đồ tuần tự “Xem kết quả”
4.4.19 Biểu đồ tuần tự “Phản hồi”
Hình 4.26 Biểu đồ tuần tự “Phản hồi”
4.5 Phân tích lĩnh vực vấn đề
4.5.1 Các khải niệm lớp trong đặc tả yêu cầu hệ thống và các Usecase
STT Tên lớp Mô tả lớp
4.5.2 Xác định quan hệ giữa các lớp trong lĩnh vực vấn đề Mô tả lớp lĩnh vực
- Quan hệ giữa người dùng và hình ảnh là quan hệ 1-n
4.5.3 Xây dựng biểu đồ lớp
THIẾT KẾ HỆ THỐNG
Thiết kế lớp chi tiết
Tên trường Kiểu dữ liệu Bắt buộc Chú thích
Dophangiai Float Y Độ phân giải
Tên trường Kiểu dữ liệu Bắt buộc Chú thích
Tennguoidung Varchar(255) Y Tên người dùng
Thiết kế kiến trúc triển khai
3.1 Xây dựng biểu đồ thành phần