BÁO CÁO DỰ ÁN ỨNG DỤNG TEACHABLE MACHINE ĐỂ NHẬN DIỆN CÁC LOẠI Ô NHIỄM MÔI TRƯỜNG

ĐẠI HỌC QUỐC GIA TP.HCM TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT

BÁO CÁO DỰ ÁN

“ỨNG DỤNG TEACHABLE MACHINE ĐỂ NHẬN DIỆN CÁC LOẠI Ô NHIỄM MÔI TRƯỜNG”

Giảng viên hướng dẫn: Nguyễn Thế Đại Nghĩa Mã học phần: 232MI5224

Nhóm sinh viên thực hiện

trưởng

TP.HCM, Tháng 4 năm 2024

MỤC LỤC

I Tổng quan về dự án 2

II Giới thiệu về Teachable Machine 2

1 Tổng quan về Teachable Machine 2

2 Cách sử dụng Teachable Machine để huấn luyện mô hình 3

3 Cách Teachable Machine phân loại hình ảnh 3

III Chức năng và khả năng ứng dụng của dự án 4

I Tổng quan về dự án

Tên dự án: Ứng dụng Teachable Machine để nhận diện các loại ô nhiễm môi trường Đường dẫn đến dự án: https://teachablemachine.withgoogle.com/models/Y9TV2mFIC/

Hiện nay, cuộc sống đang phát triển ngày càng hiện đại, đời sống vật chất và tinh thần của người dân ngày càng được cải thiện Tuy nhiên, đối lập với nó, tình trạng ô nhiễm môi trường lại có những diễn biến phức tạp và trở thành một trong những thách thức lớn nhất đối với sự phát triển bền vững của xã hội toàn cầu Ô nhiễm môi trường hiện nay không chỉ là vấn đề của riêng một vùng nào mà nó diễn ra ở cả nông thôn hay thành thị, miền núi, biển, không khí, Nó không chỉ ảnh hưởng trực tiếp đến sức khỏe con người mà còn gây vấn đề nghiêm trọng đối với hệ sinh thái và đa dạng sinh học Chính vì vậy, dự án nhận diện các loại ô nhiễm môi trường sử dụng Teachable Machine được thực hiện nhằm tuyên truyền bảo vệ môi trường cũng như xử lý các trường hợp gây ô nhiễm môi trường của cá nhân, tập thể, ứng dụng bằng hệ thống giám sát được đặt ở nơi công cộng

II Giới thiệu về Teachable Machine 1 Tổng quan về Teachable Machine

Teachable Machine là một công cụ được phát triển bởi Google Brain Team, một nhóm nghiên cứu chuyên về trí tuệ nhân tạo tại Google Công cụ này được ra đời với mục đích giúp người dùng tạo ra các mô hình học máy một cách dễ dàng và trực quan mà không cần có kiến thức sâu về lập trình hoặc khoa học máy Nguồn gốc của Teachable Machine bắt nguồn từ nhu cầu ngày càng tăng của cộng đồng về việc áp dụng trí tuệ nhân tạo vào nhiều lĩnh vực khác nhau mà không cần phải là chuyên gia về AI Google đã nhận thấy điều này và phát triển công cụ này như một cách để tiếp cận và hợp nhất công nghệ học máy vào cuộc sống hàng ngày của mọi người

Tác dụng chính của Teachable Machine là tạo ra mô hình học máy một cách dễ dàng và trực quan Công cụ này cho phép người dùng huấn luyện mô hình cho việc phân loại ảnh, âm thanh và tín hiệu bằng cách cung cấp dữ liệu đào tạo và nhận diện các lớp hoặc nhãn tương ứng:

• Xác định các mẫu trên hình ảnh

Sau khi mô hình được huấn luyện, người dùng có thể sử dụng nó để phân loại các dữ liệu mới hoặc tích hợp vào các ứng dụng và dự án khác Với tính linh hoạt và tính trực quan cao, Teachable Machine đã trở thành một công cụ phổ biến cho cả những người mới bắt đầu và những người có kinh nghiệm trong lĩnh vực học máy, mở ra cánh cửa cho nhiều ứng dụng và sáng tạo mới trong lĩnh vực trí tuệ nhân tạo

2 Cách sử dụng Teachable Machine để huấn luyện mô hình Bước 1: Thu thập

Trong bước này, bạn thu thập các ví dụ hoặc dữ liệu và phân nhóm chúng thành các lớp hoặc danh mục mà bạn muốn máy tính học

Bước 2: Đào tạo mô hình

Sau khi đã thu thập dữ liệu, bạn tiến hành đào tạo mô hình Quá trình này bao gồm việc cung cấp dữ liệu thu thập được cho máy tính và cho phép nó học từ dữ liệu đó Sau khi đào tạo xong, cần kiểm tra mô hình để đảm bảo rằng nó có khả năng phân loại chính xác các ví dụ mới

Bước 3: Xuất mô hình

Sau khi mô hình đã được đào tạo và kiểm tra, bạn có thể xuất nó để sử dụng trong các dự án như trang web, ứng dụng hoặc có thể tải xuống hoặc lưu trữ trực tuyến miễn phí

3 Cách Teachable Machine phân loại hình ảnh

Để huấn luyện thuật toán nhận diện đối tượng trong hình ảnh, Teachable Machine sử dụng mạng nơ-ron tích chập (CNN), một trong những mô hình Deep Learning tiên tiến nhất CNN giúp chúng ta xây dựng các hệ thống thông minh có độ chính xác cao khi phân loại hình ảnh

Trong quá trình huấn luyện, CNN sẽ tìm ra các đặc trưng của mỗi hình ảnh Để làm điều này, CNN so sánh hình ảnh theo từng mảnh, mỗi mảnh này được gọi là feature (đặc trưng) Mỗi feature có thể được coi như một hình ảnh nhỏ, tức là chúng là các mảng hai chiều nhỏ Các feature này sẽ được so sánh và khớp với các đặc điểm chung của bức ảnh, tức là feature này tương ứng với một phần nào đó của bức ảnh và chúng sẽ được khớp lại với nhau

Khi một hình ảnh mới được đưa vào, CNN sẽ thử nghiệm các feature ở tất cả các vị trí có thể Trong quá trình này, CNN tạo ra một bộ lọc, được gọi là filter, bằng cách sử dụng phép toán tích chập Phép toán này nhân mỗi điểm ảnh trong feature với giá trị tương ứng của điểm ảnh trong hình ảnh Quá trình này giúp trích xuất các đặc trưng quan trọng từ hình ảnh và sử dụng chúng để phân loại hình ảnh

III Chức năng và khả năng ứng dụng của dự án 1 Các chức năng

Trong dự án sử dụng 5 lớp như sau:

Dự án này của chúng tôi sẽ dạy AI cách phân biệt giữa hiện tượng ô nhiễm nước, ô nhiễm không khí, ô nhiễm đất, ô nhiễm ánh sáng và không bị ô nhiễm

- Nhận diện ô nhiễm nước:

• Phân tích hình ảnh: Teachable Machine có thể được sử dụng để phân tích hình ảnh nước, xác định các dấu hiệu ô nhiễm như: màu sắc bất thường (nâu đỏ, xanh lá), váng bọt, rác thải hoặc tảo nở hoa

rác thải sinh hoạt, nước thải công nghiệp hoặc hóa chất nông nghiệp

- Nhận diện ô nhiễm không khí:

các dấu hiệu ô nhiễm như: mức độ mù, khói bụi hoặc sương mù

khí thải từ xe cộ, khí thải từ nhà máy hoặc cháy rừng

- Nhận diện ô nhiễm đất:

dấu hiệu ô nhiễm như: màu sắc bất thường (nâu đỏ, đen), rác thải hoặc cây cối chết

rác thải sinh hoạt, hóa chất nông nghiệp hoặc chất thải công nghiệp

- Nhận diện ô nhiễm ánh sáng:

định mức độ ô nhiễm ánh sáng

ánh sáng từ nhà cửa, ánh sáng từ đường phố hoặc ánh sáng từ quảng cáo

- Nhận diện không bị ô nhiễm:

định các dấu hiệu cho thấy môi trường không bị ô nhiễm như:

o Nước: Nước trong xanh, không có váng bọt hay rác thải Cây cối và sinh vật dưới

Việc phân loại này sẽ giúp các nhà quản lý đưa ra quyết định chính xác và hiệu quả hơn trong việc xử lý các vấn đề ô nhiễm vì có thể phát hiện các hiện tượng ô nhiễm ngay từ giai đoạn đầu, giúp ngăn ngừa những hậu quả nghiêm trọng từ đó được sử dụng để nâng cao nhận thức cộng đồng về các vấn đề ô nhiễm và khuyến khích mọi người hành động bảo vệ môi trường Dự án này có tiềm năng ứng dụng rộng rãi trong việc giám sát, bảo vệ môi trường và nâng cao chất lượng cuộc sống

IV Xây dựng mô hình 1 Chuẩn bị dữ liệu

Thu thập hình ảnh trên các trang web uy tín, có nguồn gốc rõ ràng để tạo dữ liệu về các loại ô nhiễm môi trường

Chia dữ liệu thành hai tập: tập huấn luyện để đào tạo mô hình và tập kiểm tra để đánh giá hiệu quả của mô hình sau khi được huấn luyện

2 Triển khai huấn luyện mô hình

Bước 1: Truy cập Website: https://teachablemachine.withgoogle.com/, giao diện sẽ hiển thị như hình bên dưới:

Bước 2: Chọn “Get Started” để bắt đầu và chọn loại dự án phù hợp với dữ liệu mà bạn

muốn huấn luyện: Image (Hình ảnh), Audio (Âm thanh), Pose (Cử chỉ)

Nhóm sẽ chọn sử dụng đầu vào là hình ảnh Nhấn chọn “Image Project”, sau đó chọn “ Standard image model” Cửa sổ bên dưới sẽ xuất hiện để dạy AI theo Class đã đề cập:

Bước 3: Tạo mô hình

- Thêm và đổi tên 5 Class như đã đề cập Chọn “Upload” để tải tất cả ảnh đã chuẩn bị lần lượt vào 5 Class

- Tiếp tục chọn “Train Model” để máy bắt đầu học Sau đó, ta có thể kiểm tra được độ chính xác của mô hình tại phần “Preview” bằng cách đưa vào một ảnh mới để xem máy có thể phân loại đúng Class đã được học không

3 Sử dụng mô hình

Chọn “Export Model”, tại đây Teachable Machine đã xây dựng một model với những dữ liệu đã được huấn luyện sẵn, muốn sử dụng thì sẽ dùng model này

Ô nhiễm không khí

Ô nhiễm đất

Ô nhiễm nước

V Đánh giá mô hình và đưa ra kết luận 1 Ưu điểm

Teachable Machine có giao diện trực quan, đơn giản, dễ sử dụng cho mọi người Việc huấn luyện mô hình chỉ cần thực hiện các thao tác kéo thả đơn giản

Teachable Machine là một công cụ hoàn toàn miễn phí, không yêu cầu trả phí bản quyền hay phí sử dụng

Teachable Machine cho phép người dùng tùy chỉnh mô hình nhận diện theo nhu cầu cụ thể Người dùng có thể lựa chọn các loại dữ liệu huấn luyện, điều chỉnh các thông số mô hình và xuất mô hình sang các định dạng khác nhau

2 Hạn chế

Khả năng nhận diện của Teachable Machine có thể bị ảnh hưởng bởi chất lượng hình ảnh, điều kiện ánh sáng, điều kiện thời tiết hay góc chụp

Teachable Machine gặp khó khăn trong việc nhận diện các hình ảnh ô nhiễm môi trường ở các môi trường khác nhau chẳng hạn như ô nhiễm môi trường ở nông thôn và thành thị

Kết luận: Sau khi xây dựng mô hình và liên tục thử nghiệm với Teachable Machine,

nhóm đưa ra kết luận như sau: Mô hình có tính chất tham khảo, tuy khả năng ứng dụng là khả thi nhưng độ chính xác vẫn chưa đạt được yêu cầu, cần cải thiện mô hình cũng như ứng dụng Teachable Machine để có thể sử dụng tốt hơn trong tương lai

VI Trello

Teachable Machine - Nhóm5