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

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA - NGUYỄN THỊ UYÊN PHƯƠNG NHẬN DẠNG NHÃN HIỆU ĐỂ PHÂN BIỆT RƯỢU THẬT VÀ RƯỢU GIẢ TRÊN THỊ TRƯỜNG LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Đà Nẵng – Năm 2018 ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA NGUYỄN THỊ UYÊN PHƯƠNG NHẬN DẠNG NHÃN HIỆU ĐỂ PHÂN BIỆT RƯỢU THẬT VÀ RƯỢU GIẢ TRÊN THỊ TRƯỜNG Chuyên ngành:KHOA HỌC MÁY TÍNH Mã số: 60.48.01 LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC TS Huỳnh Hữu Hưng Đà Nẵng - 2018 -i- LỜI CAM ĐOAN Tôi xin cam đoan Luận văn kết nghiên cứu thân hướng dẫn TS Huỳnh Hữu Hưng Các số liệu, kết nêu luận văn trung thực chưa côngbố cơng trình khác Tác giả Nguyễn Thị Uyên Phương -ii- MỤC LỤC MỞ ĐẦU 1 Lý chọn đề tài 2.Mục tiêu nhiệm vụ nghiên cứu 3.Đối tượng phạm vi nghiên cứu 4.Phương pháp nghiên cứu 5.Ý nghĩa khoa học thực tiễn luận văn CHƯƠNG TỔNG QUAN VỀ NHẬN DẠNG VÀ XỬ LÝ ẢNH 1.1 Các bước xử lý ảnh số 1.1.1 Thu nhận ảnh 1.1.2 Tiền xử lý 1.1.3 Phân đoạn hay phân vùng ảnh 1.1.4 Biểu diễn ảnh 1.1.5 Nhận dạng nội suy ảnh 1.2 Một số vấn đề xử lý ảnh số 1.2.1 Điểm ảnh 1.2.2 Mức xám ảnh 1.2.3 Ảnh đen trắng 1.2.4 Ảnh nhị phân 1.2.5 Ảnh màu 1.3 Cải thiện ảnh sử dụng toán tử điểm 1.3.1 Tăng giảm độ sáng 1.3.2 Tăng độ tương phản 1.3.3 Tách nhiễu lấy ngưỡng 1.3.4 Biến đổi âm 1.3.5 Biến đổi ảnh đen trắng 1.3.6 Lược đồ xám (Histogram) 1.3.7 Kỹ thuật cải thiện ảnh nhị phân 10 1.4 Trích rút đặt trưng ảnh 11 1.4.1 Đặc trưng màu sắc 12 1.4.2 Đặc trưng kết cấu 13 1.4.3 Đặc trưng hình dáng 15 1.5 Phương pháp nhận dạng 16 1.5.1 Khái niệm nhận dạng 16 1.5.2 Máy vector hỗ trợ (SVM) 16 1.5.3 K-láng giềng gần (k-Nearest Neighbors) 16 1.5.4 Mô hình Markov ẩn (Hidden Markov Models) 17 -iii1.5.5 Mạng nơ-ron nhân tạo 17 1.6 Đánh giá ưu điểm thuật toán SVM 17 1.7 KẾT CHƯƠNG 18 CHƯƠNG PHƯƠNG PHÁP đẶC TRƯNG VÀ NHẬN DẠNG 19 2.1 Các cơng trình nghiên 19 2.2 Trích xuất đặc trưng ảnh 20 2.2.1Sử dụng đặc trưng màu sắc 20 2.2.2 Sử dụng đặc trưng kết cấu 21 2.2.3 Sử dụng đặc trưng Gist Gist descriptor 23 2.3 Một số phương pháp phân lớp nhận dạng 23 2.3.1 Phương pháp nhận dạng dịch dẫn 23 2.3.2Phương pháp phân lớp ảnh chụp ứng dụng máy Vector hỗ trợ 26 2.3.3Thuật toán Watershed đối sánh mẫu để phát bệnh thối xoài 30 2.4 KẾT CHƯƠNG 34 CHƯƠNG ỨNG DỤNGMÁY VECTƠ HỖ TRỢ TRONGnhẬN DẠNG NHÃN HIỆU RƯỢU VODKA 35 3.1 Phương pháp phân lớp liệu máy vector hỗ trợ SVM 35 3.1.1 Giới thiệu 35 3.1.2 Ý tưởng phương pháp 35 3.1.3 Các bước phương pháp 36 3.1.4 Cơ sở lý thuyết 36 3.2 Nhận dạng nhãn hiệu rượu Vodkavới máy vetor hỗ trợ (SVM) 39 3.2.1 Mơ tả tốn 40 3.2.2 Mơ hình giải tốn 40 3.3 Tiền xử lý 41 3.3.1Tăng/giảm độ tương phản ảnh 41 3.3.2Thực phép co/giãn ảnh 41 3.3.3 Chuyển tách ảnh màu RGB sang kênh H-S-V 42 3.4 Trích chọn đặc trưng 43 3.4.1 Đặc trưng màu sắc 43 3.4.2 Đặc trưng kết cấu 44 3.5 Thực nghiệm 48 3.5.1 Tập mẫu rượu Vodka thật 48 3.5.2 Tập mẫu rượu Vodka giả 48 3.5.3 Xử lý 49 3.5.4Huấn luyện nhận dạng nhãn hiệu ứng dụng máy vetor hỗ trợ SVM 50 3.6 Một số kết nhận dạng 52 3.6.1Rượu Vodka thật 52 3.6.2 Rượu Vodka giả 53 -iv3.7 KẾT CHƯƠNG 53 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 54 DANH MỤC TÀI LIỆU THAM KHẢO 55 QUYẾT ĐỊNH GIAO ĐỀ TÀI (Bản sao) -vNHẬN DẠNG NHÃN HIỆU ĐỂ PHÂN BIỆT RƯỢU THẬT VÀ RƯỢU GIẢ TRÊN THỊ TRƯỜNG Học viên: Nguyễn Thị Uyên Phương; Chun ngành: Khoa học máy tính Mã số: 60.48.01; Khóa: 2016-2018 Trường Đại học Bách khoa - ĐHĐN Tóm tắt – Nhãn hiệu trở thành đối tượng có giá trị tài sản vơ hình quan trọng nhà sản xuất, giúp làm tăng sức cạnh tranh hàng hóa mang nhãn hiệu Vì nhận dạng nhãn hiệu toán nhận nhiều quan tâm Ứng dụng kỹ thuật nhận dạng xử lý ảnh toán nhận dạng ứng dụng thành cơng, khẳng định vai trị thực tiễn cơng nghệ thơng tin, tự động hóa ứng dụng sống, năm gần đây, phương pháp sử dụng phân loại máy hỗ trợ vector (Support Vector Machine - SVM) quan tâm áp dụng nhiều lĩnh vực nhận dạng Luận văn nghiên cứu ứng dụng kĩ thuật Support Vector Machine để nhận dạng mẫu phân biệt nhãn hiệu rượu bị làm giả thông qua ảnh chụp sử dụng phương pháp phân lớp SVM Kết thực nghiệm với độ xác phân loại 90% cho thấy thành công việc áp dụng phương pháp SVM vào phân biệt nhãn hiệu rượu giả – thật, đồng thời cho thấy khả xây dựng ứng dụng thực tiễn có hiệu từ cách tiếp cận Từ khóa – Nhận dạng nhãn hiệu rượu, máy vectơ hỗ trợ, nhận dạng mẫu Abstract – The brand has become a valuable asset and an important intangible asset of the manufacturer, helping to increase the competitiveness of branded goods So brand identity is a problem that gets a lot of attention The application of image recognition and processing techniques in the identification problem has been applied successfully The system has brought these utilities, as well as emphasizing the practical role of information technology, the application of automation in life In recent years, the use of Support Vector Machine (SVM) has been taken into serious consideration and extensively applied in the field of identification This thesis studies the application of Support Vector Machine technique to identify patterns and distinguish fake branded labels specimens through photos using SVM classification method Experimental results with the accuracy of over 95% indicate the success of applying the SVM method to to the differentiation of fake wine labels, and demonstrates the potential for developing effective practical applications from this approach Key words 1- Alcohol brand identification, Support Vector Machine, Specimen identification -vi- DANH MỤC CÁC CHỮ VIẾT TẮT Từ viết tắt ANN CM GLCM HMM Tiếng Anh Artificial Neural Networks Convolution Mask Gray-Level Co-occurrence Matrices Hidden Markov Models HSV Hue, Saturation, Value KNN MLP PE P-M QP RGB K-Nearest Neighbors algorithm MultiLayer Perceptron Processing Element McCulloch and Pitts Quadratic Programing Red, Green,Blue SDM Size-dependent measurements SIM Size-independent measurements SOM Self – Organizing Map SVM XLA Support Vector Machine Tiếng Việt Mạng nơron Mặt nạ cuộn Ma trận đồng mức xám Mơ hình Markov ẩn Vùng màu, Độ bão hòa màu, Độ sáng K -láng giềng gần Mạng Perceptron nhiều tầng Phần tử xử lý McCulloch Pitts Quy hoạch toàn phương Màu đỏ, xanh lục, xanh lơ Đo lường phụ thuộc vào kích thước Đo lường khơng phụ thuộc vào kích thước Kiểu học khơng có giám sát mạng nơron Máy vectơ hỗ trợ Xử lý ảnh -vii- DANH MỤC HÌNH Số hiệu hình Hình 1.1 Hình 1.2 Hình 1.3 Hình 1.4 Hình 1.5 Hình 1.6 Hình 1.7 Hình 1.8 Hình 1.9 Hình 1.10 Hình 1.11 Hình 1.12 Hình 1.13 Hình 1.14 Hình 1.15 Hình 1.16 Hình 1.17 Hình 1.18 Hình 1.19 Hình 2.1 Hình 2.2 Hình 2.3 Hình 2.4 Hình 2.5 Hình 2.6 Hình 2.7 Hình 2.8 Hình 2.9 Hình 2.10 Hình 2.11 Hình 2.12 Tên hình Các bước xử lý ảnh Ảnh gốc Ảnh xám ngưỡng 255 Ảnh xám Ảnh nhị phân Ảnh màu Ảnh tăng/giảm độ sáng Biểu đồ giãn độ tương phản Ảnh giãn độ tương phản Ảnh âm Ảnh trắng đen Lược đồ mức xám loại ảnh Biểu đồ lược đồ xám (Histogram) ảnh Cân mức xám ảnh Minh hoạ phép giãn ảnh Ứng dụng phép co ảnh Không gian màu RGB Không gian màu HSV H2 siêu phẳng tốt Mơ hình nơ-ron nhân tạo Minh họa hiệu suất mô tả dựa kết cấu Mơ hình nhận dạng bảng dẫn Minh họa số mẫu bảng dẫn Minh họa số mẫu bảng dẫn tự tạo Ảnh huấn luyện Nhận dạng bảng dẫn lối Nhận dạng bảng dẫn phịng Mơ hình phân lớp ảnh chụp có phải (a)Tách khỏi nền; (b) Giao diện chương trình Tập liệu Leafsnap liệu tự thu thập để kiểm tra ứng dụng Ảnh bị phân lớp sai trường hợp hàm nhân RBF, C=2 Gamma=8 Ảnh bị phân lớp sai trường hợp hàm nhân tuyến tính C=2 Trang 5 7 8 9 10 10 11 12 13 16 17 23 24 24 24 25 26 26 27 28 29 29 30 -viiiHình 2.13 Hình 14 Hình 2.15 Hình 2.16 Hình 2.17 Hình 2.18 Hình Hình Hình 3.3 Hình 3.4 Hình 3.5 Hình 3.6 Hình 3.7 Hình 3.8 Hình 3.9 Hình 3.10 Hình 3.11 Hình 3.12 Hình 13 Hình 3.14 Hình 3.15 Hình 3.16 Hình 3.17 Hình 3.18 Hình 3.19 Cấu trúc hệ thống đề xuất Các bệnh gây ảnh hưởng tới xồi Các hình ảnh xồi DB_MANGO Tính màu ngưỡng Nhị phân phân vùng ảnh Phát trái xồi bình thường xồi bệnh Siêu phân hoạch tập mẫu từ khơng gian Rn sang không gian Rd Siêu phẳng phân chia liệu với khoảng cách biên lớn Minh họa cho toán phân hai lớp Minh họa toán phân hai lớp với SVM Bài toán SVM mẫu trường hợp khơng phân tách tuyến tính Hàm nhận dạng SVM 2-vs-rest có giá trị bé nhất, nên mẫu cần nhận dạng lớp thứ SVM loại trừ Sơ đồ loại trừ tình Mơ hình nhận dạng ảnh nhãn hiệu rượu Vodka Độ tương phản ảnh Co giãn ảnh Ảnh màu RGB chuyển đổi sang ảnh màu HSV ảnh kênh màu Mơ hình trích lọc đo lường đặc trưng kết cấu Rượu Vodka thật Rượu Vodka giả Giao diện trích xuất đặc trưng Giao diện huấn luyện nhận dạng ảnh Rượu Vodka thật Rượu Vodka giả 31 31 32 33 33 33 35 36 37 37 37 38 39 39 40 41 41 42 44 48 48 49 51 53 53 -43else H = – R’ end {if} if(H < 6) then H = H*60 else H =0; end {if} Giá trị S V nằm khoảng (màu đen) (màu trắng), giá trị H nằm khoảng đến 360 3.4 Trích chọn đặc trưng Các đặc điểm đối tượng trích chọn tuỳ theo mục đích nhận dạng q trình xử lý ảnh 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 độ 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) Bước 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 (5) Ví dụ hình bên với hai tập liệu có giá trị trung bình độ lệch chuẩn khác Trong 185 giá trị trung bình kênh H, 0.4384 kênh S, 0.5243 kênh V -44Bảng 1So sánh giá trị trung bình độ lệch chuẩn khác 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 a) 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) -45được 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  (6) 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 b = log  ln    −  −  (7) Bảng 2Các tham số hàm Gabor Wavelet đặc trưng kết cấu ảnh V Ảnh màu RGB Gabor Wavelet   = 8,  = [0 ],  = 0.5, b = 1, N = 10,  = 36   = 8,  = [0 ],  = 0.5, b = 1, N = 10,  = 72 Ảnh kết cấu -46-   = 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 j khoảng cách d góc θ xác định Do đó, có nhiều ma trận GLCM khác phụ thuộc vào cặp giá trị d θ Haralick đề nghị tập hợp gồm 14 đặc trưng tính tốn từ mà trận đồng mức xám GLCM sử dụng để phân lớp kết cấu hình ảnh Một số đặt trưng quan trọng kể đến lượng (energy), độ tương phản (contrast), độ nhiễu (entropy), độ tương đồng (Correlation), tính đồng (homogeneity), -47Bảng 3Các giá trị tham số GLCM Ảnh màu RGB Gabor Wavelet   = 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 Các giá trị tham số GLCM Entropy: 0.265715 Contrast: 0.143287 Correlation: 0.716450 Energy: 0.625673 Homogeneity: 0.632575 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: 0.5946485 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 -483.5 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 -49Yêu cầu chương trình thu nhận hình ảnh chaiRượu Vodka đầu vào, đầu chương trình nhằm chẩn đốn nhãn hiệu chaiRượu Vodka, đưa thông 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 Chương trình demo sử dụng ngơn ngữ Matlab R2014b chạy hệ điều hành Microsoft Windows – 32 bit 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), độ nhiễu (entropy), độ tương đồng (Correlation), tính đồng (homogeneity), Sau 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 -50Để 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 4Các tham số đặc trưng trích xuất từ tập ảnh huấn luyện 3.5.4 Huấn luyện nhận dạngnhãn hiệuứng 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 • 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 -51- 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 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 Trong trình cài đặt thực nghiệm, xây dựng mơ hình huấn luyện nhận dạng theo phương pháp one – vs – one Các máy phân lớp nhị phân huấn luyện theo thuật toán SMO với hàm nhân SVC with RBF kernel Thuật toán phân rã tốn tồn phương tổng qt thành toán con, sử dụng định lý Osuma để đảm bảo hội tụ 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 b) 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 -52Bảng Số lượng mẫu dùng thực nghiệm Tên lớp Số mẫu huấn luyện Số mẫu kiểm tra Tổng số mẫu Rượu Vodka thật 150 50 200 Rượu Vodka giả 150 50 200 300 100 400 Tổng Bảng Kết thực nghiệm phân lớp máy học SVM Tên lớp Nhãn lớp Tổng mẫu kiểm tra Rượu Vodka thật 46 50 Rượu Vodka giả 47 50 - 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 đốn “Rượu Vodka thật”,4/50 mẫu chẩn đốn “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 3.6 Một số kết nhận dạng 3.6.1 Rượu Vodkathật • Các tham số đặc trưng kết nhận dạng ảnh rượu Vodka thật đưa vào kiểm tra -53- Hình 3.18Rượu 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 3.19Rượu Vodka giả 3.7 KẾT CHƯƠNG 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 cơng lĩnh vực khai phá liệu lĩnh vực nhận dạng -54- KẾT LUẬN VÀ HƯỚNG 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 xây dựng từ nhiều nguồn khác nhau, chủ yếu 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 Vodkamột cách xác, khách quan SVM phương pháp có tính tổng qt cao, khả xử lý linh hoạt, hiệu xác, áp dụng cho nhiều tốn khác như: phát khn mặt, người, đồ vật…mà cần thay đổi liệu đầu vào với liệu đầu mong muốn Đây ưu điểm phương pháp SVM Bảng 7Kết đạt Chức Trạng thái Xây dựng giao diện người dùng Hoàn thành Tập liệu huấn luyện kiểm tra Cịn hạn chế Độ xác kết chẩn đốn cịn phụ thuộc vào chất lượng ảnh, nhiên yếu tố ta điều chỉnh cách nâng cao chất lượng lọc nhiễu 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./ -55- DANH MỤC TÀI LIỆU THAM KHẢO • Tiếng Việt [1] Huỳnh Hữu Hưng, Nguyễn Trọng Nguyên, Võ Đức Hồng Giáo trình Xử Lý Ảnh NXB TT&TT, 2015 [2] Đỗ Năng Tồn, Phạm Việt Bình, “Bài giảng xử lý ảnh”, Đại học Thái nguyên, 2007 [3] Thái Sơn, “ Kỹ thuật Support Vector Machines ứng dụng”, Luận văn thạc sĩ Toán tin ứng dụng, Trường Đại Học Bách khoa Hà Nội, Hà Nội,2006 [4] Nguyễn Thị Thảo, Nguyễn Thị Huyền, Đoàn Thị Thu Hà,Trần Thị Thu Huyền, Nguyễn Thị Thủy, “Phương pháp phân lớp sử dụng máy Vec-tơ hỗ trợ ứng dụng Tin sinh học”, Tạp chí Khoa học Phát triển,Trường Đại Học Nơng nghiệp Hà Nội,2011, Tập (số 6), trang 1021 – 1031 [5] Phan Thị Thu Hồng, Đoàn Thị Thu Hà, Nguyễn Thị Thủy, “Ứng dụng phân lớp ảnh chụp phương pháp máy Vec-tơ hỗ trợ”, Tạp chí Khoa học Phát triển,Trường Đại Học Nông nghiệp Hà Nội,2013, Tập 11 (số 7), trang 1045 – 1052 [6] Luận văn ThS Bùi Nguyên Khôi, Nguyên cứu số phương pháp phân lớp cải tiến vào phân lớp văn 2009 ĐH KHTN • Tiếng Anh [7] Vladimir N Vapnik, “The Nature Of Statistical Learning Theory”, AT&T Research Laboratories ,1995 [8] Andrew W Moore, “Support Vector Machines”, School of Computer Science [9] Md Zahangir Alom, Hyo Jong Lee, “Gaussian Mean Based Paddy Disease Segmentation”, ICMV 2010, pages 522 – 525 [10] John C Platt, Nello Cristianini, J Shawe Taylor, “Large Margin DAGs For Multiclass Classification”, MIT Press (2000) Page 547 – 553 [11] Schölkopf Bernhard, Smola Alexander , “Learning with Kernels”,MIT Press, Cambridge,2002 [12] Deepesh Kumar Srivastava, “Efficient fruit defect detection and glare removal lgorithm by anisotropic diffusion and 2d gabor filter”, IJESAT, Mar-Apr 2012, Volume-2, Issue-2, 352 – 357 [13] Yu Deng, Shiyin Qin, Yunjie Wu (2009), “An Automatic Food Recognition Algorithm with both Shape and Texture Information”, PIAGENG 2009, SPIE, China [14] Dae Gwan Kim, Thomas F Burks, Jianwei Qin, Duke M Bulanon, “Classification of grapefruit peel diseases using color texture feature analysis”, IJABE, Vol No.3, September, 2009 • Trang Web [15]“PCA–PrincipalComponent Analysis” -56http://phvuresearch.wordpress.com/2011/10/05/pca-principal-componentanalysis/, 10/06/2013 [16] “Giới thiệu Matlab xử lý ảnh” http://hlab.com.vn/index.php? Option =com_content&view=article &id =201%3 Agii-thiu-v-matlab-va-nh-s&catid =47%3Ac-bn-v-dsp & Itemid =113&lang=en, 10/06/2013 ... toán nhận dạng phân loại Chương tác giả ứng dụng kiến thức hiểu biết để áp dụng vào tốn? ?Nhận dạng nhãn hiệu để phân biệt rượu thật rượu giả thị trường? ?? -35- CHƯƠNG ỨNG DỤNGMÁY VECTƠ HỖ TRỢ TRONGNHẬN... tài: ? ?Nhận dạng nhãn hiệu để phân biệt rượu thật rượu giả thị trường? ?? Mục tiêu nhiệm vụ nghiên cứu 2.1 Mục tiêu nghiên cứu Mục tiêu đề tài nghiên cứu học máy nhận dạng nhãn hiệu để phân biệt sản...ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA NGUYỄN THỊ UYÊN PHƯƠNG NHẬN DẠNG NHÃN HIỆU ĐỂ PHÂN BIỆT RƯỢU THẬT VÀ RƯỢU GIẢ TRÊN THỊ TRƯỜNG Chuyên ngành:KHOA HỌC MÁY