(Đồ án hcmute) tìm hiểu và ứng dụng tensoflow cho bài toán nhận dạng

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CÔNG NGHỆ KỸ THUẬT ĐIỆN TỬ TRUYỀN THƠNG TÌM HIỂU VÀ ỨNG DỤNG TENSORFLOW CHO BÀI TỐN NHẬN DẠNG GVHD: NGUYỄN MẠNH HÙNG SVTH: NGUYỄN THỊ HỒNG DUYÊN MSSV: 13141045 SVTH: TRẦN THANH LIÊM MSSV: 13141160 SKL 0 Tp Hồ Chí Minh, tháng 01/2018 an BỘ GIÁO DỤC & ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ-CÔNG NGHIỆP - ĐỒ ÁN TỐT NGHIỆP NGÀNH KỸ THUẬT ĐIỆN TỬ TRUYỀN THÔNG ĐỀ TÀI: TÌM HIỂU VÀ ỨNG DỤNG TENSORFLOW CHO BÀI TỐN NHẬN DẠNG GVHD: TS Nguyễn Mạnh Hùng SVTH: Nguyễn Thị Hồng Duyên MSSV: 13141045 SVTH: Trần Thanh Liêm MSSV: 13141160 Tp Hồ Chí Minh – 01/2018 an TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TP HỒ CHÍ MINH ĐỘC LẬP - TỰ DO - HẠNH PHÚC KHOA ĐIỆN-ĐIỆN TỬ BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH Tp HCM, ngày 13 tháng năm 2018 NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: Chuyên ngành: Hệ đào tạo: Khóa: Nguyễn Thị Hồng Duyên Trần Thanh Liêm Kỹ thuật Điện tử - Truyền thơng Đại học quy 2013 MSSV: 13141369 MSSV: 13141193 Mã ngành: Mã hệ: Lớp: 13941DT I TÊN ĐỀ TÀI: TÌM HIỂU VÀ ỨNG DỤNG TENSORFLOW CHO BÀI TOÁN NHẬN DẠNG II NHIỆM VỤ Các số liệu ban đầu: Dựa luận văn thạc sĩ công nghệ thơng tin: “NGHIÊN CỨU VỀ MẠNG NEURAL TÍCH CHẬP VÀ ỨNG DỤNG CHO BÀI TOÁN NHẬN DẠNG BIỂN SỐ XE” Lê Thị Thu Hằng Nội dung thực hiện:  Tìm hiểu Machine Learning, Deep Learning, CNNs (Convolution Neural Network), Tensorflow  Cài đặt Tensorflow Python Anaconda  Tìm hiểu sử dụng mơ hình Nơron tích chập huấn luyện sẵn để nhận dạng hình ảnh đối tượng đưa vào  Đánh giá kết thực III NGÀY GIAO NHIỆM VỤ: 01/10/2017 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 14/01/2018 V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: TS Nguyễn Mạnh Hùng CÁN BỘ HƯỚNG DẪN BM ĐIỆN TỬ CÔNG NGHIỆP – Y SINH iv an LỜI CAM ĐOAN Chúng cam đoan ĐATN cơng trình nghiên cứu thân hướng dẫn Tiến sĩ Nguyễn Mạnh Hùng Các kết công bố ĐATN “Tìm hiểu ứng dụng Tensorflow cho tốn nhận dạng” trung thực khơng chép hồn tồn từ cơng trình khác Người thực đề tài Nguyễn Thị Hồng Duyên Trần Thanh Liêm an LỜI CẢM ƠN Chúng em xin gửi lời cảm ơn chân thành đến Thầy Nguyễn Mạnh Hùng – Giảng viên Trường Đại học Sư phạm Kỹ thuật Tp.HCM tận tình hướng dẫn suốt thời gian làm luận văn tốt nghiệp Thầy tạo nhiều điều kiện thuận lợi cho lời khuyên quý báu giúp chúng em hoàn thành tốt luận văn Xin chân thành cảm ơn thầy cô giáo Trường Đại học Sư phạm Kỹ thuật Tp.HCM nói chung, thầy Bộ mơn Điện tử Cơng nghiệp nói riêng tận tình giảng dạy, truyền đạt cho chúng em kiến thức quý báu tạo điều kiện giúp đỡ suốt trình học tập năm học vừa qua, giúp chúng em có sở lý thuyết vững vàng Cuối cùng, chúng em xin chân thành cảm ơn gia đình bạn bè, ln tạo điều kiện, quan tâm, ủng hộ, giúp đỡ, động viên chúng em suốt q trình học tập hồn thành đồ án tốt nghiệp Xin chân thành cảm ơn! Người thực đề tài Nguyễn Thị Hồng Duyên Trần Thanh Liêm an ii an MỤC LỤC Trang bìa i Nhiệm vụ đồ án ii Lịch trình iii Cam đoan iv Lời cảm ơn v Mục lục vi Liệt kê hình ix Liệt kê bảng vẽ xi Tóm tắt xii CHƢƠNG TỔNG QUAN 1.1 Đặt vấn đề 1.2 Mục tiêu 1.3 Nội dung nghiên cứu 1.4 Giới hạn 1.5 Bố cục CHƢƠNG CƠ SỞ LÝ THUYẾT 2.1 Machine Learning 2.1.1 Giới thiệu trí tuệ nhân tạo (AI) 2.1.2 Định nghĩa Machine Learning 2.1.3 Ứng dụng Machine Learning 2.1.4 Các bước giải toán phương pháp Machine Learning 2.1.5 Các phương pháp Machine Learning 2.2 Giới thiệu Deep Learning 2.3 Giới thiệu mạng nơ-ron 2.3.1 Mạng nơ-ron sinh học 2.3.2 Mạng nơ-ron nhân tạo 10 2.3.3 Suy giảm độ dốc (Gradient Descent) 13 2.3.4 Lan truyền ngược (Back Propagation) 16 2.4 Mạng nơ-ron tích chập 16 vi an 2.4.1 Lớp tích chập (Convolution) 18 2.4.2 Lớp ReLu 21 2.4.3 Lớp Pooling (Subsampling, Downsample) 22 2.4.4 Lớp Fully Connected 23 2.5 Giới thiệu Tensorflow 23 2.5.1 Giới thiệu Tensorflow 23 2.5.2 Các hàm 24 2.5.3 Các hàm dùng cho mạng nơ-ron tích chập 27 2.5.4 Các hàm huấn luyện mơ hình mạng 28 2.5.5 Tensorboard 29 2.6 VGG 31 CHƢƠNG TÍNH TỐN VÀ THIẾT KẾ 33 3.1 Giới thiệu 33 3.2 Thiết kế hệ thống 33 3.2.1 Thiết kế sơ đồ khối hệ thống 33 3.2.2 Chức khối hệ thống 33 CHƢƠNG THI CÔNG HỆ THỐNG 37 4.1 Giới thiệu 37 4.2 Lập trình hệ thống 37 4.2.1 Lưu đồ 37 4.2.2 Phần mềm hệ thống 39 4.2.3 Chương trình 48 CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ 49 5.1 Kết 49 5.1.1 Tổng quan kết đạt 49 5.1.2 Kết thực tế 49 5.2 Nhận xét đánh giá 57 CHƢƠNG KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 59 6.1 Kết luận 59 6.2 Hướng phát triển 59 TÀI LIỆU THAM KHẢO 61 vii an PHỤ LỤC 62 viii an LIỆT KÊ HÌNH Hình Trang Hình 2.1: Nơ-ron thần kinh Hình 2.2: Cấu tạo nơ-ron thần kinh 10 Hình 2.3: Nơ-ron nhân tạo 10 Hình 2.4: Đồ thị hàm kích hoạt 11 Hình 2.5: Mạng nơ-ron 12 Hình 2.6: Mạng nơ-ron lớp ẩn 13 Hình 2.7: Hình dạng đồ thị hàm số J(θ) 14 Hình 2.8: Hàm số J(θ) giảm dần xuống cực tiểu gần 15 Hình 2.9: Sự ảnh hưởng α đến tốc độ học thuật toán 15 Hình 2.10: Kiến trúcmạng nơ-ron tích chập (CNNs) 17 Hình 2.11: Cấu trúc LeNet5 17 Hình 2.12: Cấu trúc Inception 18 Hình 2.13: Tích chập ảnh vào lọc 19 Hình 2.14: Các lọc dùng cho phép tích chập 20 Hình 2.15: Ảnh sau qua tầng conv 21 Hình 2.16: Sử dụng Zero padding vào ảnh 21 Hình 2.17: MaxPool với kích thước 2x2 bước trượt 23 Hình 2.18: Luồng liệu đồ thị 25 Hình 2.19: Đồ thị ngõ hàm sai số 30 Hình 2.20: Đồ thị mơ hình tính tốn trực tiếp 30 Hình 2.21: Kiến trúc VGG 31 Hình 2.22: Cấu hình mạng tích chập 32 Hình 3.1: Sơ đồ khối hệ thống nhận dạng 33 Hình 3.2: Sơ đồ trình tạo sở liệu huấn luyện 34 Hình 3.3: Sơ đồ trình huấn luyện 35 Hình 3.4: Sơ đồ trình nhận dạng 35 Hình 4.1: Lưu đồ chương trình 38 Hình 4.2: Tải Anaconda từ website 39 Hình 4.3: Cửa sổ cmd 40 Hình 4.4: Giao diện Python Shell 41 Hình 4.5: Mơi trường lập trình Jupyter Notebook 42 Hình 4.6: Tạo project chọn nhân 43 ix an CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ Chƣơng KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ 5.1 KẾT QUẢ 5.1.1 Tổng quan kết đạt đƣợc Sau tháng tìm hiểu tài liệu chuyên môn, tài liệu Internet với giúp đỡ tận tình giáo viên hướng dẫn, nhóm thực đề tài: “Tìm hiểu ứng dụng Tensorflow cho tốn nhận dạng” hồn thành xong theo u cầu thời gian quy định với nội dung sau: • Nắm kiến thức Machine learning, Deep learning, Tensorflow cài Tensorflow Python thơng qua Anaconda • Nắm phương pháp xây dựng mơ hình Nơ-ron tích chập, đồng thời áp dụng mơ hình vào tốn nhận dạng đối tượng (động vật, đồ vật, ) • Tìm hiểu sử dụng mơ hình huấn luyện sẵn, áp dụng mơ hình để nhận dạng đối tượng • Nhận dạng thành công 80% cho đối tượng chụp camera điện thoại 5.1.2 Kết thực tế a Kết mơ hình huấn luyện sẵn Mơ hình huấn luyện sẵn cung cấp thư viện imagenet_classes với class_names khoảng 1000 đối tượng thông thường: lồi động vật (cá, mèo, chó, ), loại hoa (cam, dâu, dứa, chuối, ), đồ vật (laptop, gấu bông, máy ảnh, quạt điện, ) b Kết nhận dạng Với hình ảnh đưa vào, hệ thống cần từ 10 đến 150 giây để nhận dạng đưa kết BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 49 CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ Một vài hình ảnh từ nhiều camera điện thoại khác kết nhận dạng: • Nhận dạng đồ vật: Hình 5.1 Ảnh chụp đồ vật từ điện thoại Bảng 5.1 Kết nhận dạng hình 5.1 Mã số Tên Dự đoán (%) 545 electric fan, blower 20.5024 828 strainer 12.1322 778 scale, weighing machine 11.6315 808 sombrero 10.9146 811 space heater 10.6664 577 gong, tam-tam 9.86161 739 potter's wheel 9.77857 754 radio, wireless 9.60883 868 tray 9.60641 534 dishwasher, dish washer, BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 9.58092 50 CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ dishwashing machine Hệ thống nhận dạng đối tượng “545 electric fan, blower 20.5024” có nghĩa đối tượng có mã số 545, tên “electric fan, blower”, khả xác 20.5024% Vậy hệ thống nhận dạng đối tượng với kết • Nhận dạng lồi vật: Hình 5.2 Hình chụp động vật từ điện thoại Bảng 5.2 Kết nhận dạng hình 5.2 Mã số Tên Dự đốn (%) 284 Siamese cat, Siamese 11.962 285 Egyptian cat 11.9182 281 Tabby, tabyy cat 11.711 283 Persian cat 11.3127 434 bath towel 11.3107 282 tiger cat 10.904 287 lynx, catamount 10.6434 332 Angora, Angora rabbit 9.24583 452 bonnet, poke bonnet 8.59031 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 51 CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ 765 rocking chair, rocker 8.50423 Hệ thống nhận dạng đối tượng “281 Tabby, tabby cat 11.711” có nghĩa đối tượng có mã số 281, tên “Tabby, tabby cat”, khả xác 11.711% Kết nằm vị trí thứ sanh sách kết mà hệ thống trả Xét kết mà hệ thống trả “284 Siamese cat, Siamese 11.962%” có nghĩa hệ thống dự đốn đối tượng mã số 284, tên “Siamese cat”, khả xác 11.962%, ta thấy hệ thống nhận dạng đối tượng “cat” (con mèo) nhiên chưa nhận dạng chủng loại nó, bên cạnh phần trăm dự đoán kết chênh lệch (0.251%) Kết hồn tồn chấp nhận • Nhận dạng hoa quả: Hình 5.3 Hình chụp từ điện thoại Bảng 5.3 Kết nhận dạng hình 5.3 Mã số Tên Dự đoán (%) 49 strawberry 21.8817 927 trifle 18.1814 868 tray 16.0788 928 ice cream, icecream 16.0617 BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 52 CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ 509 confectionery, confectionary, 13.6962 candy store 415 bakery, bakeshop, bakehouse 582 grocery store, grocery, 13.569 food 13.43 market, market 960 chocolate sauce, chocolate syrup 13.4108 828 straine 12.929 969 eggnog 12.4932 Hệ thống nhận dạng đối tượng “49 strawberry 21.8817” có nghĩa đối tượng có mã số 49, tên “strawberry”, khả xác 21.8817% Kết nằm vị trí sanh sách kết mà hệ thống trả So sánh kết nhận dạng từ ảnh huấn luyện ảnh chụp camera điện thoại, đối tượng “tabby cat”: a) b) Hình 5.4 a) Hình từ mơ hình huấn luyện sẵn b) Hình chụp từ điện thoại Bảng 5.4 Kết nhận dạng: a) Từ ảnh huấn luyện Mã số Tên 281 tabby, tabby cat b) Từ ảnh chụp camera điện thoại Dự đoán (%) 15.3027 Mã số Tên 284 Siamese cat, Dự đốn (%) 11.962 Siamese BỘ MƠN ĐIỆN TỬ CƠNG NGHIỆP – Y SINH an 53 CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ 285 Egyptian cat 15.0185 285 Egyptian cat 11.9182 282 tiger cat 13.982 281 Tabby, tabyy 11.711 cat 478 carton 12.0077 283 Persian cat 11.3127 896 washbasin, 11.4249 434 bath towel 11.3107 handbasin, washbowl, lavabo, washhand basin 700 paper towel 10.9744 282 tiger cat 10.904 287 lynx, 10.4385 287 lynx, 10.6434 catamount 876 tub, vat catamount 10.284 332 Angora, 9.24583 Angora rabbit 811 space heater 10.175 452 bonnet, poke 8.59031 bonnet 588 hamper 10.0249 765 rocking chair, 8.50423 rocker Từ bảng kết ta thấy với ảnh huấn luyện sẵn kết hệ thống trả “284 Siamese cat, Siamese 11.962%” có nghĩa hệ thống dự đoán đối tượng mã số 284, tên “Siamese cat”, khả xác 15.3027%, vị trí danh sách (bảng 5.4a) Cịn ảnh chụp từ camera điện thoại kết trả “281 Tabby, tabby cat 11.711” có nghĩa đối tượng có mã số 281, tên “Tabby, tabby cat”, khả xác 11.711%, vị trí thứ danh sách (bảng 5.4b) Điều cho thấy thân ảnh huấn luyện mang kiểm tra lại hệ thống nhận dạng xác, cịn ảnh chụp từ camera điện thoại không nằm danh sách mà mơ hình huấn luyện từ trước nhận dạng (dù phần trăm khơng cao ảnh huấn luyện, nhiều yếu tố tác động) BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 54 CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ So sánh kết nhận dạng từ ảnh chụp camera điện thoại cho đối tượng từ nhiều góc độ khác nhau, đối tượng “starfish” (sao biển) a) b) Hình 5.5 Hình chụp camera điện thoại nhiều góc độ Bảng 5.5 Kết nhận dạng a) Từ hình a) Mã số Tên 327 starfish, sea b) Từ hình b) Dự đốn (%) 24.8415 Mã số Tên goldfish, star Dự đoán (%) 18.8566 Carassius auratus 115 sea slug, 19.2377 973 coral reef 17.9594 16.3536 327 starfish, sea 17.0704 nudibranch 26 common newt, Triturus star vulgaris 27 eft 15.6698 115 sea slug, 16.7039 nudibranch goldfish, 15.6629 108 Carassius sea anemone, 14.1702 anemone auratus 329 sea cucumber, 15.6555 393 anemore fish 13.6828 holothurian BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 55 CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ 973 coral reef 14.8188 396 lionfish 13.0701 994 stinkhorn, 12.6641 107 jellyfish 12.8712 12.3994 329 sea cucumber, 12.677 carrion fungus 121 king crab, Alaska crab, holothurian Alaskan king crab, Alaska king crab, Paralithodes camtschatica 108 sea anemone, 12.3302 125 hermit crab 11.6789 anemone Hình 5.5.a) hệ thống nhận dạng đối tượng “327 starfish, sea star 24.8415%” có nghĩa đối tượng có mã số 327, tên “starfish” “sea star” với khả xác 24.8415%, vị trí danh sách kết (bảng 5.5a), đồng thời hình 5.5.b) hệ thống nhận diện đối tượng hình 5.5.a) với khả xác 17.0704%, vị trí thứ danh sách kết (bảng 5.5b) Như với đối tượng chụp camera điện thoại “starfish” (sao biển) góc nhìn khác hệ thống nhận dạng đối tượng, sai lệch độ xác (khoảng 7%) Cho nên góc chụp đối tượng có ảnh hưởng đến kết nhận dạng hệ thông, chụp đối tượng không rõ đặc điểm đối tượng, chụp góc độ khiến đối tượng có hình dạng khác thường với hình dạng thật kết nhận dạng giảm, hệ thống dễ nhầm lẫn với đối tượng khác c Kết thống kê Thống kê kết nhận dạng 100 ảnh từ ảnh chụp điện thoại webcame máy tính có 60 ảnh loài vật, 20 ảnh đồ vật 20 ảnh loại BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 56 CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ Bảng 5.6 Thống kê kết nhận dạng từ ảnh chụp Loại Loài vật Đồ vật Quả Độ xác (xét 96.67% 95.00% 95.00% 10 kết trả về) (58/60) (19/20) (19/20) Độ xác (xét 91.67% 85.00% 90.00% kết đầu tiên) (55/60) (17/20) (18/20) Độ xác (xét 80.00% 75.00% 75.00% kết đầu tiên) (48/60) (15/20) (15/20) Với hệ thống nhận dạng khoảng 1000 đối tượng, nhóm thử 100 mẫu hình ảnh tự chụp khác nhận thấy hệ thống nhận dạng gần hết đối tượng 100 mẫu (96/100 mẫu) với 10 kết mà hệ thống trả Điều cho thấy hệ thống hoạt động ổn định đối tượng nhận dạng đa dạng Tuy nhiên xét đến 5/10 kết mà hệ thống trả đầu tiên, nhóm nhận thấy độ xác giảm dần, hệ thống nhận diện 90/100 mẫu, độ xác giảm cịn 78/100 mẫu nhóm xét 3/10 kết trả Mặc dù cịn sai số độ xác mà hệ thống mang lại cao (khoảng 75%), việc nhận dạng 1000 đối tượng giúp việc nhận dạng phong phú 5.2 NHẬN XÉT VÀ ĐÁNH GIÁ Kết nhận dạng từ ảnh huấn luyện sẵn ảnh thực tế đưa dự đoán đối tượng xấp xỉ có độ xác gần Ngay đối tượng chụp góc độ khác cho kết nhận dạng gần giống (sai lệch % khơng nhiều) Vì mơ hình huấn luyện sẵn VGG16 có độ tin cậy cao, sử dụng thực tế để nhận dạng đối tượng Đồ án nhóm thực đạt khoảng 90% mục tiêu nhóm đặt • Sử dụng mơ hình huấn luyện sẵn nhận dạng tương đối tốt, yêu cầu đặt Xét 10 kết hệ thống trả độ xác cao (trên 90%), nhiên xét hay kết trả hệ thống độ xác bị giảm (chỉ cịn khoảng 75-85%) BỘ MƠN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 57 CHƢƠNG KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ • Tỉ lệ nhận dạng cao trường hợp nhận dạng đối tượng có hình dạng đặc biệt, nhầm lẫn với đối tượng khác (quạt điện, chuối, ) Việc nhận dạng phụ thuộc nhiều vào ảnh chụp, đối tượng ảnh có nhiều đối tượng ảnh chụp chất lượng (q mờ, bị nhịe, ) gây nhầm lẫn giảm độ xác BỘ MƠN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 58 CHƢƠNG KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN Chƣơng KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 6.1 KẾT LUẬN Sau tìm hiểu thực đề tài: “Tìm hiểu ứng dụng Tensorflow cho tốn nhận dạng”, nhóm thực đề tài theo yêu cầu ban đầu Trong trình thực đề tài tìm hiểu lý thuyết Tensorflow phương pháp huấn luyện nhận dạng, nhóm thu kết ban đầu sau: • Nắm kiến thức Tensorflow • Cách cài đặt sử dụng Tensorflow • Giới thiệu chi tiết mơ hình Nơ-ron tích chập (CNNs) • Tìm hiểu mơ hình VGG • Sử dụng mơ hình huấn luyện sẵn để nhận diện đối tượng Bên cạnh đó, nhóm cịn tiếp thu nhiều kiến thức hữu ích khác Machine Learning, Deep Learning Về kết quả, chương trình đạt kết tương đối cao đưa tên số phần trăm nhận diện đối tượng Tuy nhiên nhiều hạn chế số phần trăm nhận diện chưa cao, tùy thuộc vào chất lượng màu sắc ảnh đưa vào 6.2 HƢỚNG PHÁT TRIỂN Trong phạm vi đồ án nhóm trình bày phần Tensorflow mơ hình Nơ-ron tích chập (CNNs) Tuy nhiên việc nghiên cứu sâu Tensorflow cao hiệu nhận dạng để kết hợp điều khiển ứng dụng thực tế cần có nhiều thời gian cải tiến Nhóm nghiên cứu nhận thấy phát triển thêm sau: • Nâng cao tốc độ độ xác nhận dạng đối tượng • Xây dựng chương trình ứng dụng android để thân thiện với người dùng BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 59 CHƢƠNG KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN • Khơng phụ thuộc vào khoảng cách điều kiện môi trường nhận dạng, nhận dạng khoảng cách, điều kiện mơi trường khác • Ứng dụng hệ thống nhận dạng đối tượng phục vụ cho việc dạy học trẻ em, nhận dạng vật thể để điều tra kiểm sốt, quản lí đối tượng BỘ MƠN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 60 TÀI LIỆU THAM KHẢO TÀI LIỆU THAM KHẢO [1] Nguyễn Thanh Hải, 2014 Giáo trình Xử lý ảnh Thành phố Hồ Chí Minh: NXB Đại học Quốc gia TPHCM [2] Lê Thị Thu Hằng, 2016 Nghiên cứu mạng neural tích chập ứng dụng cho toán nhận dạng biển số xe Luận văn Thạc sĩ Trường Đại học Công nghệ thông tin Hà Nội [3] Trịnh Loan, 2016 Deep Learning: công nghệ giúp giới phát triển với tốc độ chưa thấy https://www.techsignin.com/tintuc/deep-learning-cong-nghegiup-the-gioi-phat-trien/ (truy cập ngày 05/10/2017) [4] Nguyễn Đắc Thành, 2017 Nhận dạng phân loại hoa ảnh màu Luận văn Thạc sĩ Trường Đại học Công nghệ Đại Học Quốc Gia Hà Nội [5] A Krizhevsky, I Sutskever, and G E Hinton, 2012 ImageNet Classification with Deep Convolutional Neural Networks Advances In Neural Information Processing Systems, pp 1-9 [6] Q V Le, 2013 Building High-Level Features Using Large Scale Unsupervised Learning, Acoustics, Speech and Signal Processing (ICASSP), IEEE International Conference, pp 8595–8598 [7] Adrian Rosebrock, 2017 ImageNet: VGGNet, ResNet, Inception, and Xception with Keras https://www.pyimagesearch.com/2017/03/20/imagenet-vggnet-resnet- inception-xception-keras/ (truy cập ngày 15/10/2017) [8] Tensorflow, 2017 Getting Started With TensorFlow https://www.tensorflow.org/get_started/get_started (truy cập ngày 15/11/2017.) [9] Tensorflow, 2017 Installing TensorFlow https://www.tensorflow.org/install/ (truy cập ngày 15/11/2017) BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 61 PHỤ LỤC PHỤ LỤC BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH an 62 S an K L 0