Nhận dạng nhãn hiệu để phân biệt rượu thật và rượu giả trên thị trường

ĐẠI HỌC ĐÀ NẴNG TRƢỜNG ĐẠI HỌC BÁCH KHOA  NGUYỄN THỊ UYÊN PHƢƠNG NHẬN DẠNG NHÃN HIỆU ĐỂ PHÂN BIỆT RƢỢU THẬT VÀ RƢỢU GIẢ TRÊN THỊ TRƢỜNG Chuyên ngành: Khoa học máy tính Mã số: 60.48.01 TĨM TẮT LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Đà Nẵng – Năm 2018 Cơng trình hồn thành TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học: TS HUỲNH HỮU HƢNG Phản biện 1: PGS TS Nguyễn Tấn Khôi Phản biện 2: TS Trần Thiên Thành Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ Khoa học máy tính Trường Đại học Bách khoa vào ngày 16 tháng năm 2018 Có thể tìm hiểu luận văn tại: Trung tâm Học liệu, Đại học Đà Nẵng Trường Đại học Bách khoa Thư viện Khoa Công nghệ thông tin, Trường Đại học Bách khoa – ĐHĐN -1MỞ ĐẦU Lý chọn đề tài Hiện nay, Việt Nam số lượng mặt hàng tiêu dùng bị làm giả, làm nhái nhãn hiệu bày bán tràn lan thị trường, hàng giả không làm ảnh hưởng đến quyền lợi người tiêu dùng, mà ảnh hưởng đến hình ảnh, thương hiệu thiệt hại kinh tế nhà sản xuất Công tác quản lý thị trường hàng hố nhiều bất cập, khó kiểm soát nạn hàng giả, hàng nhái thị trường Đặc biệt, rượu sản phẩm hàng hoá thường bị làm giả mạo nhãn hiệu sản phẩm thật Việc nghiên cứu ứng dụng nhận dạng xử lý ảnh để nhận biết sản phẩm rượu bị làm giả, làm nhái nhãn hiệu thật, để phục vụ tốt cho cơng tác quản lý, kiểm tra, kiểm sốt thị trường cần thiết điều kiện Với lí trên, tơi xin đề xuất chọn đề tài: “Nhận dạng nhãn hiệu để phân biệt rƣợu thật rƣợu giả thị trƣờng” Mục tiêu nhiệm vụ nghiên cứu 2.1 Mục tiêu nghiên cứu Nghiên cứu ứng dụng máy Vector hỗ trợ việc nhận dạng nhãn hiệu rượu để phân biệt sản phẩm rượu Vodka thật hay giả 2.2 Nhiệm vụ nghiên cứu - Nghiên cứu kỹ thuật xử lý ảnh, nhận dạng hình ảnh, mơ hình học máy, phương pháp xử lý ảnh - Tìm hiểu thu thập hình ảnh nhãn hiệu rượu Vodka thị trường - Xây dựng chương trình demo để kiểm tra tính hiệu Đối tƣợng phạm vi nghiên cứu -2- 3.1 Đối tượng nghiên cứu - Nhãn hiệu thật giả sản phẩm rượu Vodka - Cơ sở lý thuyết nhận dạng hình ảnh, - Các kỹ thuật xử lý ảnh để phục vụ nhận dạng 3.2 Phạm vi nghiên cứu - Nghiên cứu phương pháp phân lớp, nhận dạng hình ảnh - Dùng thuật tốn SVM phân lớp nhận dạng mẫu Phƣơng pháp nghiên cứu 4.1 Phương pháp nghiên cứu lý thuyết - Thu thập, tham khảo đề tài, báo, tài liệu thông tin liên quan đến phân lớp nhận dạng - Các tài liệu sở lý thuyết: Xử lý ảnh, lọc trích đặc trưng ảnh, xác định biên, nghiên cứu kỹ thuật nhận dạng mẫu 4.2 Phương pháp nghiên cứu thực nghiệm - Thực nghiệm liệu đầu vào ảnh sản nhãn hiệu rượu Vodka - Cài đặt chương trình, thực chương trình với mẫu nhãn hiệu rượu Vodka Ý nghĩa khoa học thực tiễn luận văn 5.1 Ý nghĩa khoa học Nghiên cứu nhằm ứng dụng khoa học công nghệ, đề xuất giải pháp xây dựng hệ thống nhận dạng hình ảnh sản phẩm thật hay giả hỗ trợ việc quản lý thị trường hàng hoá 5.2 Ý nghĩa thực tiễn Góp phần hỗ trợ cho việc nhận dạng hình ảnh nhãn hiệu rượu xử lý ảnh cách hiệu quả, ứng dụng hỗ trợ tích cực công tác quản lý thị trường -3CHƢƠNG 1- TỔNG QUAN VỀ NHẬN DẠNG VÀ XỬ LÝ ẢNH 1.1 Các bƣớc xử lý ảnh số 1.1.1 1.1.2 1.1.3 1.1.4 1.1.5 Thu nhận ảnh Tiền xử lý Phân đoạn hay phân vùng ảnh Biểu diễn ảnh Nhận dạng nội suy ảnh 1.2 Một số vấn đề xử lý ảnh số 1.2.1 1.2.2 1.2.3 1.2.4 1.2.5 Điểm ảnh Mức xám ảnh Ảnh đen trắng Ảnh nhị phân Ảnh màu 1.3 Cải thiện ảnh sử dụng toán tử điểm 1.3.1 Tăng giảm độ sáng Ảnh gốc c=+100 Hình 1.6 Ảnh tăng/giảm độ sáng 1.3.2 Tăng độ tương phản Hình 1.8 Ảnh giãn độ tương phản c=-100 -4- 1.3.3 Tách nhiễu lấy ngưỡng 1.3.4 Biến đổi âm 1.3.5 Hình 1.9 Ảnh âm Biến đổi ảnh đen trắng 1.3.6 Hình 1.10 Ảnh trắng đen Lược đồ xám(Histogram) Hình 1.13 Cân mức xám ảnh 1.3.7 Kỹ thuật cải thiện ảnh nhị phân Ảnh gốc Ảnh giãn Hình 1.14 Minh hoạ phép giãn ảnh -5- Ảnh gốc Ảnh co Hình 1.15 Ứng dụng phép co ảnh 1.4 Trích rút đặt trƣng ảnh 1.4.1 Đặc trưng màu sắc Hình 1.17 Không gian màu HSV 1.4.2 Đặc trưng kết cấu Một số trích chọn đặc điểm kết cấu suy từ GLCM 𝐺 𝐺 𝑖 𝑗 Độ nhiễu (Entropy) = − (𝐶(𝑖, 𝑗) log𝐶(𝑖, 𝑗) 𝐺 𝐺 𝐶(𝑖, 𝑗)2 Năng lượng (Energy) = 𝑖 𝑗 𝐺 𝐺 (𝑖 − 𝑗)2 𝐶(𝑖, 𝑗) Độ tương phản (contrast) = 𝑖 𝑗 𝐺 𝐺 Độ đồng nhất(Homogeneity) = − 𝑖=1 𝑗 =1 1.4.3 Đặc trưng hình dáng 1.5 Phƣơng pháp nhận dạng 1.5.1 Khái niệm nhận dạng 𝐶(𝑖, 𝑗) 1− 𝑖−𝑗 -6Quá trình nhận dạng dựa vào mẫu học biết trước gọi nhận dạng có thầy hay học có giám sát, trường hợp ngược lại gọi học khơng có giám sát 1.5.2 Máy vector hỗ trợ (SVM) SVM phương pháp phân lớp xuất phát từ lý thuyết học thống kê SVM cố gắng tìm cách phân lớp liệu cho có lỗi xảy tập kiểm tra nhỏ Ý tưởng ánh xạ (tuyến tính phi tuyến) liệu vào không gian vector đặc trưng mà siêu phẳng tối ưu tìm để tách liệu thuộc hai lớp khác 1.5.3 K-láng giềng gần (k-Nearest Neighbors) 1.5.4 Mơ hình Markov ẩn (Hidden Markov Models) 1.5.5 Mạng nơ-ron nhân tạo 1.6 Đánh giá ƣu điểm thuật tốn SVM • SVM hiệu để giải toán liệu có số chiều lớn • SVM giải vấn đề overfitting tốt (dữ liệu có nhiễu tách dời nhóm liệu huấn luyện q ít) • Là phương pháp phân lớp nhanh • Có hiệu suất tổng hợp tốt hiệu suất tính tốn cao Với khả vượt trội SVM tính hiệu quả, độ xác, khả xử lý liệu cách linh hoạt, việc sử dụng máy vec-tơ hỗ trợ SVM lựa chọn tối ưu việc giải toán phân loại 1.7 KẾT CHƢƠNG Chương tác giả trình bày tổng quan vấn đề liên quan tới nhận dạng xử lý ảnh số Tiếp theo Chương 2, tác giả trình bày nghiên cứu kết nhận dạng phân tích mẫu, ứng dụng thuật tốn SVM để ứng dụng nhận dạng nhãn hiệu rượu Vodka -7CHƢƠNG – PHƢƠNG PHÁP ĐẶC TRƢNG VÀ NHẬN DẠNG 2.1 Các cơng trình nghiên liên quan 2.2 Trích xuất đặc trƣng ảnh 2.2.1 Sử dụng đặc trưng màu sắc 2.2.2 Sử dụng đặc trưng kết cấu 2.2.3 Sử dụng đặc trưng Gist Gist descriptor 2.3 Một số phƣơng pháp phân lớp nhận dạng 2.3.1 Phương pháp nhận dạng dịch dẫn Ảnh màu Phát vùng chứa ký tự Tách ký tự Dịch Nhận dạng Thu thập liệu mẫu Huấn luyện Tham số SVM sau huấn luyện Kết Hình 2.2 Mơ hình nhận dạng bảng dẫn 2.3.2 Phương pháp phân lớp ảnh chụp lá ứng dụng máy Vector hỗ trợ Hình 2.8 Mơ hình phân lớp ảnh chụp có phải -8- 2.3.3 Thuật toán Watershed đối sánh mẫu để phát bệnh thối xoài Nhập ảnh Bình thường Tiền xử lý Phân vùng Phân lớp Trích xuất Đặc trưng Bị bệnh Hình 2.13 Cấu trúc hệ thống đề xuất 2.4 KẾT CHƢƠNG Trong chương 2, tác giả tì m hiểu đặc trưng ảnh, đặc trưng màu sắc ảnh kết cấu ảnh, bài toán về nhận dạng phân loại ảnh chụp, nhãn hiệu dẫn Thông qua các công trì nh nghiên cứu hiện tại tác giả đã hiểu biết được một số thuật tốn đặc trưng cần trích xuất cho toán nhận dạng phân loại Chương tác giả ứng dụng kiến thức hiểu biết của mì nh để áp dụng vào bài toán“Nhận dạng nhãn hiệu để phân biệt rượu thật rượu giả thị trường” -10- 3.1.3 Các bước phương pháp Phương pháp SVM yêu cầu liệu diễn tả vector số thực Như đầu vào chưa phải số ta cần phải tìm cách chuyển chúng dạng số SVM • Tiền xử lý liệu: Thực biến đổi liệu phù hợp cho q trình tính tốn, tránh số q lớn mơ tả thuộc tính Thường nên co giãn(scaling) liệu chuyển đoạn [-1,1] [0,1] • Chọn hàm hạt nhân: Lựa chọn hàm hạt nhân phù hợp tương ứng cho tốn cụ thể để đạt độ xác cao q trình phân lớp • Thực việc kiểm tra chéo để xác định tham số cho ứng dụng: Điều định đến tính xác q trình phân lớp • Sử dụng tham số cho việc huấn luyện với tập mẫu: Trong trình huấn luyện sử dụng thuật tốn tối ưu hóa khoảng cách siêu phẳng trình phân lớp, xác định hàm phân lớp không gian đặc trưng nhờ việc ánh xạ liệu vào không gian đặc trưng cách mô tả hạt nhân cuối kiểm thử tập liệu 3.1.4 Cơ sở lý thuyết Hình 3 Minh họa cho tốn phân hai lớp 3.2 Nhận dạng nhãn hiệu rƣợu Vodka với máy vetor hỗ trợ 3.2.1 Mơ tả tốn -11Để nhận dạng nhãn hiệu rượu Vodka, tác giả đề xuất thực bước xử lý sau: Bước 1: Thu nhận tập ảnh huấn luyện ảnh kiểm tra Bước 2: Thực bước tiền xử lý, nâng cao chất lượng ảnh, chuyển ảnh màu RGB sang ảnh màu HSV, tách kênh H, S, V riêng biệt Bước 3:Trích xuất đặc trưng, tính giá trị trung kênh màu HSV độ lệch chuẩn kênh màu không gian màu HSV làm tham số cho màu sắc, Ảnh màu kênh màu V dùng trích lọc đặc trưng kết cấu, ảnh V làm tham số đầu vào kết hợp sóng Gabor lược đồ mức xám tính tốn ma trận GLCM để trích lọc đặc trưng kết cấu đưa vào huấn luyện Bước 4: Thuật toán SVM sử dụng để thực phân lớp, so khớp tham số đặc trưng nhãn hiệu rượu Vodka cần kiểm tra với tập CSDL đặc trưng nhãn hiệu rượu Vodka phân lớp, kết trả nhãn hiệu rượu Vodka giả thật 3.2.2 Mơ hình giải toán Tập ảnh mẫu huấn luyện Ảnh nhận dạng Nhãn hiệu Ruợu Vodka thật/giả Nhãn hiệu Ruợu Vodka thật/giả Tiền xử lý Tiền xử lý Chuyển tách kênh màu, xố xử lý hình thái học, cải thiện ảnh Chuyển tách kênh màu, xoá xử lý hình thái học, cải thiện ảnh Rút trích đặc trưng Rút trích đặc trưng Đặc trưng màu sắc (độ lệch chuẩn) Đặc trưng kết cấu (sóng Gabor, GLCM) Đặc trưng màu sắc (độ lệch chuẩn) Đặc trưng kết cấu (sóng Gabor, GLCM) Huấn luyện hệ thống Phân lớp với thuật toán VSM PH CSDL phân lớp Nhận dạng ảnh đầu vào Kết luận Nhãn hiệu Rượu Vodka giả / thật Hình 3.9 Mơ hình nhận dạng ảnh nhãn hiệu Rượu Vodka -123.3 Tiền xử lý 3.3.1 Tăng/giảm độ tương phản ảnh Nếu ảnh có độ tương phản sovới nền, ta thay đổi theo hàm u   f (u )   (u  a)  Va   (u  b)  V b   ua aub buL Nếuα = β = γ =1 ảnh kết trùng với ảnh gốc γ> giãn độ tương phản γ< co độ tương phản L số mức xám cực đại Trong Matlab, để thực nâng cao độ tương phản ảnh đầu vàoin_img ta sử dụng câu lệnh sau: Out_img = imadjust(in_img); γ 1 Ảnh kênh H Hình 3.10 Độ tương phản ảnh 3.3.2 Thực phép co/giãn ảnh Ảnh gốc Co ảnh Giãn ảnh Hình 3.11 Co giãn ảnh 3.3.3 Chuyển tách ảnh màu RGB sang kênh H-S-V Chuyển ảnh màu RGB sang ảnh màu HSV tách cách kênh màu -13- RGB HSV Ảnh kênh H Ảnh kênh S Ảnh kênh V Hình 3.12 Ảnh màu RGB chuyển đổi sang ảnh màu HSV ảnh kênh màu Giá trị S V nằm khoảng (màu đen) (màu trắng), giá trị H nằm khoảng đến 360 3.4 Trích chọn đặc trƣng 3.4.1 Đặc trưng màu sắc Để tách đặc trưng màu sắc, tác giả đề xuất ảnh màu RGB chuyển đổi sang không gian màu tách kênh H, S, V riêng biệt Tính giá trị trung bình ba kênh màu H, S, V vàđộ lệch chuẩn kênh màu không gian màu HSV làm tham số đặc trưng cho màu sắc Phương pháp tính độ lệch chuẩn (Standard Deviation) từ dãy n giá trị cho trước x1, x2, xn: Bước 1: Tìm mean dãy số cho (x1+x2+ +xn) / n Bước 2: Với x dãy số cho, tính độ lệch (deviation) so với mean phép tính (x - mean) -14Bước 3: Tính bình phương giá trị thu bước Bước 4: Tìm mean bình phương độ lệch tìm bước Giá trị biết đến phương sai (Variance) σ2 Bước 5: Tính bậc hai (square root) phương sai (Variance) ta kết cần tìm 3.4.2 Đặc trưng kết cấu Ảnh màu RGB đầu vào sau chuyển đổi sang không gian màu HSV tách kênh H, S, V riêng biệt kênh đơn màu V dùng làm đầu vào cho sóng Gabor để trích lọc đặc trưng kết cấu, sóng Gabor có nhiều tham số khác nhau, bước phải thực để điều chỉnh chọn lọc giá trị tham số đầu vào sóng Gabor cho kết xử lý ảnh đơn màu V rõ kết cấu Sau đưa vào sóng Gabor ảnh đơn kênh có kết cấu rõ tạo (ảnh V’), ảnh V’ đưa vào ma trận đồng mức xám để đo lường giá trị kết cấu ảnh V’ Kết từ ma trận đồng mức xám dùng làm liệu đầu xây dựng tập CSDL huấn luyện làm tham số đầu vào để phân lớp đối tượng Hình 3.13 Mơ hình trích lọc đo lường đặc trưng kết cấu -15a) Sóng Gabor – Gabor Wavelet Trong xử lý ảnh, sóng Gabor lọc tuyến tính thường sử dụng để phát biên, phần vùng ảnh, phân tích đặc trưng ảnh, phân lớp ảnh, Tần số hướng thể sóng Gabor tương tự hệ thống thị giác người Tập hợp sóng Gabor với tần số hướng khác trợ giúp cho việc trích lọc đầy đủ đặc trưng ảnh Sóng Gabor hai chiều (2-D Gabor) áp dụng ảnh với tỉ lệ tần số khác Hàm Gabor 2-D biến đổi từ đường hình sin phức tạp hàm Gaussian 2-D Hàm sóng Gabor miền khơng gian có dạng sau: g , , , , ( x, y)  exp(  x'2  y'2 x' ) cos(2   ) 2  Trong đó, x'  x cos( )  y sin( ) , y'   x sin( )  y cos( ) Bước sóng (λ - lamda) đại diện cho sóng tác nhân cosine hàm Gaussian, hướng (θ - theta) đại diện cho hướng đường gạch sọc song song hàm Gabor góc (độ), độ lệch pha – phase offset (φ - phi) theo góc, tỉ lệ hướng (γ - gamma) tỷ lệ co giãn khơng gian xác định tính đơn giản hàm Gabor, độ lệch chuẩn σ xác định kích thước hàm Gaussian tuyến tính Băng thông (b) bán đáp ứng (half-response) không gian tần số tỉ lệ σ/  có quan hệ sau:  ln   b   ,      ln b  log b    ln        -16Bảng Các tham số hàm Gabor Wavelet đặc trưng kết cấu ảnh V Gabor Wavelet Ảnh màu RGB Ảnh kết cấu    8,   [0 ],   0.5, b  1, N  10,   36    8,   [0 ],   0.5, b  1, N  10,   72    8,   [0 ],   0.5, b  1, N  10,   108    8,   [0 ],   0.5, b  1, N  10,   144    8,   [0 ],   0.5, b  1, N  10,   180 b) Ma trận đồng mức xám Co-occurrence GLCM phương pháp trích lọc đặc trưng quan trọng lĩnh vực phân tích kết cấu ảnh đề xuất từ sớm Haralick vào năm 1973 GLCM ảnh f(x,y) có kích thước MxM có G mức độ xám ma trận hai chiều C(i, j) Mỗi phần tử ma trận thể xác suất xảy giá trị cường độ sáng i -17và j khoảng cách d góc θ xác định Do đó, có nhiều ma trận GLCM khác phụ thuộc vào cặp giá trị d θ Một số đặt trưng quan trọng kể đến lượng (energy), độ tương phản (contrast), độ nhiễu (entropy), độ tương đồng (Correlation), tính đồng (homogeneity), Bảng Các giá trị tham số GLCM Các giá trị tham số Ảnh màu RGB Gabor Wavelet GLCM Entropy: 0.265715 Contrast: 0.143287 Correlation: 0.716450    8,   [0 ],   0.5, Energy: 0.625673 b  1, N  10,   36 Homogeneity: 0.632575    8,   [0 ],   0.5, b  1, N  10,   72    8,   [0 ],   0.5, b  1, N  10,   108    8,   [0 ],   0.5, b  1, N  10,   144    8,   [0 ],   0.5, b  1, N  10,   180 Entropy: 0.596124 Contrast: 0.343675 Correlation: 0.574691 Energy: 0.626423 Homogeneity: 0.451565 Entropy: 0.365885 Contrast: 0.241668 Correlation: 0.724789 Energy: 0.621576 Homogeneity: 0.594648 Entropy: 0.357885 Contrast: 0.341568 Correlation: 0.615239 Energy: 0.632326 Homogeneity: 0.548535 Entropy: 0.432624 Contrast: 0.241714 Correlation: 0.527460 Energy: 0.621873 Homogeneity: 0.628845 -183.5 Thực nghiệm 3.5.1 Tập mẫu rượu Vodka thật Hình 3.14 Rượu Vodka thật 3.5.2 Tập mẫu rượu Vodka giả Hình 3.15 Rượu Vodka giả Yêu cầu chương trình thu nhận hình ảnh chai Rượu Vodka đầu vào, đầu chương trình nhằm chẩn đốn nhãn hiệu chaiRượu Vodka, đưa thơng báo giả hay không Hiện để xử lý ảnh ta sử dụng ngơn ngữ C#, Matlab,…Tơi lựa chọn ngơn ngữ lập trình Matlab thư viện Matlab có nhiều hàm hỗ trợ sẵn -19- 3.5.3 Xử lý Mở ảnh thực xử lý, giai đoạn ta thực cải thiện nhằm nâng cao chất lượng ảnh đầu vào, khử nền, lọc nhiễu, thay đổi độ phản, Chuyển kênh màu ảnh RGB  HSV sử dụng lọc Gabor để làm rõ đặc trưng kết cấu ảnh thu nhận ảnh sóng kết cấu với đặc trưng rõ nhất, sóng Gabor dùng làm ảnh đầu vào cho GLCMđể trích xuất tham số lượng (energy), độ tương phản (contrast), entropy, độ tương đồng (Correlation), tính đồng (homogeneity), Sau q trình xử lý, kết ta thu hình ảnh chuyển sang không gian màu HSV, ảnh kênh H, kênh S, kênh V lưu trữ làm liệu đầu vào cho q trình trích xuất đặc trưng ảnh, tính tốn tham số trung bình độ lệch chuẩn kênh màu Sau trình thực bước tiền xử lý ta ảnh kết cấu sóng Gabor với đặc trưng rõ nét Ảnh tiếp tục làm liệu đầu vào cho GLCM để trích xuất tham số đặc trưng Entropy, Contrast, Correlation, Energy, Homegeneity ứng với giá trị λ, φ, γ, b,N, hướng (góc) θ khác Hình 3.16 Giao diện trích xuất đặc trưng -20Để lấy tham số tạo ma trận đồng Matlab ta dùng hàm: I=imread(A) % đọc ảnh A GLCM = graycomatrix(I) % tạo ma trận co-occurrence cấp độ xám (GLCM) từ ảnh I stats = graycoprops(GLCM, properties)% properties: thuộc tính cần trích xuất Entropy, Contrast,… Bảng 3Các tham số đặc trưng trích xuất từ tập ảnh huấn luyện 3.5.4 Huấn luyện nhận dạng nhãn hiệu ứng dụng máy vetor hỗ trợ SVM a) Giao diện chính: • Chọn ảnh: Chọn ảnh cần nhận dạng từ tập liệu kiểm tra • Tiền xử lý: Thực xử lý, nâng cao chất lượng ảnh, tách kênh màu, trích xuất đặc trưng huấn luyện lưu vào tập tin Training_Data.mat -21• Phân đoạn ảnh: Phân vùng ảnh đầu vào tìm các đặc trưng giống ảnh đầu vào đưa vào cụm tương ứng • Nhận dạng ảnh: Thực việc phân lớp nhận dạng hiển thị kết Hình 3.17 Giao diện huấn luyện nhận dạng ảnh Huấn luyện SVM yêu cầu liệu diễn tả vector số thực Trong trình huấn luyện sử dụng thuật tốn tối ưu hóa khoảng cách siêu phẳng q trình phân lớp, xác định hàm phân lớp không gian đặc trưng nhờ việc ánh xạ liệu vào không gian đặc trưng cách mô tả hạt nhân cuối kiểm thử tập liệu Máy học SVM thực nghiệm máy học với hàm nhân (kernel) RBF, với tham số C 12 Gama 2-8 Thực nghiệm làm với số tham số khác C Gama, tham số nói chọn phương pháp thử sai Do tham số Gama nhỏ nên dùng máy học SVM với hàm nhân tuyến tính (linear kernel) Kết thực nghiệm liệu với hàm nhân tuyến tính (C=10 eps=0.01) cho kết tốt hàm nhân RBF, khơng có khác biệt nhiều Vì dùng hàm nhân RBF hay hàm nhân tuyến tính với tham số vừa nêu -22b) Kết thực nghiệm: Hình ảnh chai Rượu Vodka đưa vào kiểm tra tiền xử lý để nâng cao chất lượng ảnh, loại bỏ tạp nhiễu, sau xử lý tiếp tục đưa vào trích xuất tham số đặc trưng để đưa vào nhận dạng hình ảnh Kết hiển thị rượu Vodka thật/Vodka giả Bảng Số lượng mẫu dùng thực nghiệm Tên lớp Rượu Vodka thật Rượu Vodka giả Tổng Số mẫu huấn luyện 150 150 300 Số mẫu kiểm tra 50 50 100 Tổng số mẫu 200 200 400 Bảng Kết thực nghiệm phân lớp máy học SVM Tổng mẫu Tên lớp Nhãn lớp kiểm tra Rượu Vodka thật 50 46 Rượu Vodka giả 50 47 - Trong đó: • Tên lớp gán nhãn từ đến tương ứng với tên lớp • Rượu Vodka thật gán nhãn 1, với tổng mẫu kiểm thử 50, 46/50 mẫu chẩn đoán “Rượu Vodka thật”,4/50 mẫu chẩn đoán “Rượu Vodka giả” • Rượu Vodka giả gán nhãn 2, với tổng mẫu kiểm thử 50, 47/50 mẫu nhận dạng “Rượu Vodka giả”, 3/50 mẫu nhận dạng “Rượu Vodka thật” • Với số mẫu đưa vào kiểm tra nhiều độ xác cao -233.6 Một số kết nhận dạng 3.6.1 Rượu Vodka thật • Các tham số đặc trưng kết nhận dạng ảnh rượu Vodka thật đưa vào kiểm tra Hình 3.18 Rượu Vodka thật 3.6.2 Rượu Vodka giả • Các tham số đặc trưng kết nhận dạng ảnh rượu Vodka giả đưa vào kiểm tra Hình 3.19 Rượu Vodka giả 3.7 KẾT CHƢƠNG SVM đánh giá hướng tiếp cận phân lớp đạt độ xác cao Hạn chế lớn SVM tốc độ phân lớp chậm Tuy nhiên, SVM đánh giá phương pháp học máy tiên tiến đóng góp nhiều thành công lĩnh vực khai phá liệu lĩnh vực nhận dạng -24KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN Luận văn xây dựng hệ thống nhận dạng hình ảnh nhãn hiệu rượu Vodka dùng SVM Cơ sở liệu luận văn tác giả sưu tầm từ nhiều nguồn khác nhau, chủ yêu từ ảnh chụp thực tế thị trường, tham vấn đơn vị kinh doanh rượu có kinh nghiệm, nên việc nhận dạng chẩn đốn hình ảnh nhãn hiệu Vodka cách xác, khách quan Hướng phát triển đề tài nhận dạng hình ảnh nhãn hiệu rượu từ ảnh chụp trực tiếp thiết bị di động, thuận lợi cho lực lượng quản lý thị trường sử dụng kiểm tra kiểm soát thị trường ... Nhận dạng nhãn hiệu để phân biệt rƣợu thật rƣợu giả thị trƣờng” Mục tiêu nhiệm vụ nghiên cứu 2.1 Mục tiêu nghiên cứu Nghiên cứu ứng dụng máy Vector hỗ trợ việc nhận dạng nhãn hiệu rượu để phân. .. tác giả ứng dụng kiến thức hiểu biết của mì nh để áp dụng vào bài toán Nhận dạng nhãn hiệu để phân biệt rượu thật rượu giả thị trường -9CHƢƠNG – ỨNG DỤNGMÁY VECTƠ HỖ TRỢ TRONG NHẬN DẠNG... nhãn hiệu rượu Vodka cần kiểm tra với tập CSDL đặc trưng nhãn hiệu rượu Vodka phân lớp, kết trả nhãn hiệu rượu Vodka giả thật 3.2.2 Mô hình giải tốn Tập ảnh mẫu huấn luyện Ảnh nhận dạng Nhãn hiệu