Ứng dụng kỹ thuật học sâu nhận dạng tiền trong các hệ thống giao dịch tự động

i ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA VÕ HOÀNG THÀNH ỨNG DỤNG KỸ THUẬT HỌC SÂU NHẬN DẠNG TIỀN TRONG CÁC HỆ THỐNG GIAO DỊCH TỰ ĐỘNG Chuyên ngành: Khoa học máy tính Mã số: 8480101 LUẬN VĂN THẠC SĨ KỸ THUẬT Người hướng dẫn khoa học: TS HOÀNG VĂN DŨNG Đà Nẵng - Năm 2018 LỜI CAM ĐOAN Tôi xin cam đoan: Những nội dung luận văn thực hướng dẫn trực tiếp TS Hoàng Văn Dũng Mọi tham khảo dùng luận văn trích dẫn rõ ràng tên tác giả, tên cơng trình, thời gian, địa điểm công bố Mọi chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, xin chịu hoàn toàn trách nhiệm Tác giả Võ Hoàng Thành MỤC LỤC TRANG BÌA LỜI CAM ĐOAN MỤC LỤC TRANG TÓM TẮT LUẬN VĂN DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT DANH MỤC CÁC BẢNG DANH MỤC CÁC HÌNH MỞ ĐẦU 1 Lý chọn đề tài Mục đích ý nghĩa đề tài Mục tiêu nhiệm vụ Đối tượng phạm vi nghiên cứu Phương pháp nghiên cứu Cấu trúc luận văn CHƯƠNG 1: CƠ SỞ LÝ THUYẾT 1.1 TỔNG QUAN VỀ XỬ LÝ ẢNH 1.1.1 Các khái niệm ảnh số, điểm ảnh, màu sắc 1.1.2 Các dạng ảnh 1.1.3 Các thành phần hệ thống xử lý ảnh 1.2 CƠ BẢN VỀ HỌC MÁY 1.2.1 Khái niệm học máy 1.2.2 Phân loại phương pháp học máy 1.2.3 Ứng dụng học máy 1.3 MỘT SỐ PHƯƠNG PHÁP HỌC MÁY TRUYỀN THỐNG 1.3.1 Mạng neural 1.3.2 Máy vector hỗ trợ (SVM) 13 1.4 KỸ THUẬT HỌC SÂU 19 1.4.1 Tổng quan học sâu 19 1.4.2 Mạng neural sâu 20 1.4.3 Mạng neural tích chập (CNN) 21 CHƯƠNG 2: MẠNG NEURAL TÍCH CHẬP TRONG NHẬN DẠNG TIỀN GIẤY 28 2.1 MỘT SỐ MẠNG NEURAL TÍCH CHẬP ĐIỂN HÌNH TRONG NHẬN DẠNG ĐỐI TƯỢNG 28 2.1.1 Mạng LeNet 28 2.1.2 Mạng AlexNet 29 2.1.3 Mạng ZFNet 31 2.1.4 Mạng GoogLeNet 32 2.1.5 Mạng VGGNet 33 2.2 MƠ TẢ BÀI TỐN NHẬN DẠNG TIỀN GIẤY 35 2.3 PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG 37 2.3.1 Phân tích tổng quan hệ thống 37 2.3.2 Phân tích chức hệ thống 37 2.3.3 Sơ đồ giải pháp nhận dạng tiền giấy 38 2.3.4 Thiết kế mạng neural sâu toán nhận dạng tiền giấy 39 CHƯƠNG 3: THỰC NGHIỆM, ĐÁNH GIÁ KẾT QUẢ 45 3.1 CÀI ĐẶT CHƯƠNG TRÌNH 45 3.1.1 Môi trường cơng cụ lập trình 45 3.1.2 Thiết lập lớp mạng DNN matlab 46 3.2 CƠ SỞ DỮ LIỆU THỰC NGHIỆM 48 3.2.1 Nguồn liệu mô tả 48 3.2.2 Tăng cường liệu 51 3.3 QUÁ TRÌNH HUẤN LUYỆN 51 3.4 KẾT QUẢ THỰC NGHIỆM 53 3.5 CHƯƠNG TRÌNH MINH HỌA KẾT QUẢ KIỂM TRA 59 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 63 TÀI LIỆU THAM KHẢO 64 ẾT Đ NH GIAO ĐỀ TÀI ẬN VĂN THẠC SĨ (BẢN SAO) BẢN SAO KẾT LUẬN CỦA HỘI ĐỒNG, BẢN SAO NHẬN XÉT CỦA CÁC PHẢN BIỆN TRANG TÓM TẮT LUẬN VĂN ỨNG DỤNG KỸ THUẬT HỌC SÂU NHẬN DẠNG TIỀN TRONG CÁC HỆ THỐNG GIAO DỊCH TỰ ĐỘNG Học viên: Võ Hoàng Thành Chuyên ngành: Ngành Khoa Học Máy Tính Mã số: 60.48.01 Khóa: 34 Trường Đại học Bách khoa - ĐHĐN Tóm tắt - Ngày nay, cơng nghệ tiên tiến đóng nhiệm vụ quan trọng việc nhận dạng tiền tệ thật kinh tế Một giải pháp hiệu để phát nhận dạng tiền giấy điều quan trọng giao dịch tự động Luận văn đề xuất cách tiếp cận để nhận dạng tiền giấy dựa xử lý ảnh dùng mạng học sâu để trích xuất nhận dạng đặc trưng Kỹ thuật mạng neural sâu nghệ thuật nhận dạng xử lý hình ảnh Các kỹ thuật truyền thống thường có chi phí cao để xử lý số liệu hình ảnh tiền tệ nhận dạng nhiều mệnh giá tiền Luận văn tập trung vào nhận dạng tiền thật dựa hình thức tờ tiền Phương pháp đề xuất áp dụng để nhận biết nhiều loại mệnh loại tiền tệ khác Sự đóng góp nghiên cứu phương pháp tiếp cận dựa mạng neural sâu tăng cường liệu để cải thiện độ xác Thứ nhất, mạng neural sâu xây dựng có kiến trúc mạng sử dụng số inceptions khác với tốn tử tích chập, nhằm giảm thời gian huấn luyện Thứ hai, tăng cường hình ảnh tập liệu đào tạo để có liệu lớn đủ cho việc học mạng neural sâu Phương pháp nhằm mục đích giải vấn đề liệu nhỏ tăng cường khả học sâu Kết thử nghiệm phương pháp đề xuất áp dụng cho ứng dụng thực tế với hiệu suất có tỷ lệ xác 97,85% Từ khóa - Nhận dạng, tiền giấy, học sâu, mạng neural sâu, tích chập APPLICATIONS DEEP LEARNING FOR BANKNOTE RECOGNITION IN AUTOMATIC TRANSACTION SYSTEMS Abstract - Nowadays, advanced technology has played an important task in circulation of anti-counterfeit notes economy It is essential that requires an efficient solution to detect fake banknotes This thesis proposes an approach for recognition of paper currency based fundamental image processing using deep learning for feature extraction and recognition Deep neural network techniques have dramatically become the state of the art in image processing The high capacity of traditional techniques on currency image dataset has been impeded because of varieties of the appearance of the banknotes This thesis focuses recognition face value and anti-counterfeit based on banknote appearance The proposed method can be applied to recognize many kinds of the denomination or face values as well as the national currencies The contribution studies a new approach based on sequential deep neural network and data augmentation for improving accuracy First, the deep neural network is constructed using several inceptions with different parallel convolutional operations which support reducing consuming time Second, image augmentation of training dataset generates a larger data enough for deep neural network learning This proposed task is aimed to address the small data problem It is utilized for enhancing the capabilities of deep learning Experimental results illustrate that the proposed method is applicable to the real application with enhances performance to 97.85% accuracy rate Key words - Recognition, banknote, deep learning, deep neural network, convolutional DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT Ký hiệu Diễn giải Tiếng Anh Tiếng Việt AI Artificial intelligence Trí tuệ nhân tạo ANN Artificial Neural Network Mạng neural nhân tạo CNN Convolution Neural Network Mạng neural tích chập CUDA Compute Unified Architecture Kiến trúc thiết bị tính tốn hợp DNN Deep Neural Network Mạng neural sâu GPU Graphics Processing Unit Đơn vị xử lý đồ họa MLNN Multi Layer Neural Network Mạng Neural đa lớp ReLU Rectified Linear Unit Hiệu chỉnh đơn vị tuyến tính SIFT Scale-Invariant Transform SOM Self Organizing Maps Mạng Neural tự tổ chức SVM Support Vetor Machines Máy vector hỗ trợ VND Device Feature Biến đổi đặc trưng tỉ lệ không thay đổi Tiền đồng Việt Nam DANH MỤC CÁC BẢNG Bảng 2.1 Bảng mô tả kiến trúc 25 lớp mạng AlexNet Matlab 30 Bảng 2.2 Bảng mô tả kiến trúc mạng VGGNet Matlab 34 Bảng 2.3 Bảng mô tả kiến trúc 75 lớp mạng DNN xây dựng Matlab 42 Bảng 3.1 So sánh framework dùng cho kỹ thuật Học sâu 45 Bảng 3.2 Mô tả số lượng liệu mẫu huấn luyện 49 Bảng 3.3 Một số liệu mẫu tiền giấy thật 53 Bảng 3.4 Một số liệu mẫu tiền giấy giả giấy nguyên liệu khác 54 Bảng 3.5 Ma trận kiểm tra kết dự đoán tập liệu đánh giá phương pháp CNN 57 Bảng 3.6 Ma trận kiểm tra kết dự đoán tập liệu đánh giá phương pháp CNN + SVM 58 DANH MỤC CÁC HÌNH Hình 1.1 Sơ đồ tổng quát hệ thống xử lý ảnh Hình 1.2 Minh họa kiến trúc mạng Neural 10 Hình 1.3 Sơ đồ tổng quát perceptron 12 Hình 1.4 Sơ đồ mạng Neuron nhiều perceptron 12 Hình 1.5 Siêu phẳng phân tách mẫu liệu thành lớp 14 Hình 1.6 Các siêu phẳng biên H+ H- SVM 16 Hình 1.7 Tuyến tính hóa phân loại phi tuyến cách biến đổi tập liệu sang không gian có khả phân loại tuyến tính 18 Hình 1.8 (a) Mơ hình mạng neural cạn[27] (b) Mơ hình mạng neural sâu 20 Hình 1.9 Biểu diễn đặc trưng đối tượng mạng học sâu 21 Hình 1.10 Kiến trúc mạng tích chập đơn giản 22 Hình 1.11 Quá trình thực tích chập 23 Hình 1.12 Minh họa lớp tích chập nhận dạng biển báo giao thông: (a) Các trọng số lọc tích chập (b) Kết đầu tích chập mặt nạ 24 Hình 1.13 Minh họa hoạt động Max pooling Average pooling[33] 24 Hình 1.14 Minh họa giảm kích thước nhờ lớp pooling 25 Hình 1.15 Minh họa hoạt động lớp ReLU 26 Hình 1.16 Mơ hình lớp fully connection 27 Hình 2.1 Kiến trúc mạng LeNet-5 28 Hình 2.2 Kiến trúc mơ hình AlexNet 29 Hình 2.3 Kiến trúc mơ hình mạng ZFNet 31 Hình 2.4 Mơ hình module Inception 32 Hình 2.5 Mơ hình kiến trúc mạng GoogLeNet 33 Hình 2.6 Mơ hình kiến trúc mạng VGGNet 34 Hình 2.7 (a) Một số dấu hiệu đặc biệt để người nhận dạng tiền tệ dựa thông tin trực quan, (b) tiền giả chất liệu khác 37 Hình 2.8 Tổng quan kiến trúc trình nhận dạng tiền giấy 38 Hình 2.9 Kiểm tra tiền giấy dựa kỹ thuật DNN SVM 39 Hình 2.10 Sơ đồ tổng thể kiến trúc mạng neural sâu nhận dạng tiền giấy 40 Hình 2.11 ược đồ mạng Inception 41 Hình 3.1 Ví dụ hình ảnh tăng cường 51 Hình 3.2 Quá trình huấn luyện tập liệu tiền mạng DNN hội tụ với giá trị dự kiến sau vài epochs: (a) độ xác; (b) giá trị lỗi 52 Hình 3.3 Trọng số mặt nạ lọc lớp tích chập 56 Hình 3.4 Kết kích hoạt số lớp DNN 56 Hình 3.5 Kết nhận dạng mệnh giá 10.000, 20.000, 50.000 VND 60 Hình 3.6 Kết nhận dạng mệnh giá 100.000, 200.000, 500.000 VND 61 Hình 3.7 Kết nhận dạng khả nghi tiền giả mẫu tiền 62 MỞ ĐẦU Lý chọn đề tài Ngày nay, kỹ thuật học sâu (deep learning) tạo nên phát triển mạnh mẽ cơng nghệ tồn giới, ảnh hưởng tới nhiều lĩnh vực sống đại (robot, IoT, tài chính, y tế…) Kỹ thuật học sâu thể tính ưu việt kỹ thuật khác việc nhận diện hình ảnh nhiều lĩnh vực khác, kết nghiên cứu gần áp dụng kỹ thuật cho độ xác cao Nhiều cơng ty hoạt động lĩnh vực công nghệ giới đầu tư nhiều nguồn lực vào nghiên cứu phát triển nhằm tạo sản phẩm ứng dụng sử dụng kỹ thuật học sâu Những công ty lớn Google, Baidu… sử dụng kỹ thuật học sâu dùng thuật tốn nhận dạng giọng nói, hình ảnh mang kết tốt đem vào ứng dụng thực tế Các lĩnh vực công nghệ dùng kỹ thuật học sâu kể đến là: cơng nghệ nhận diện giọng nói (các trợ lý ảo giọng nói Siri Apple, Cortana Microsoft, Alexa Amazon, DeepVoice Baidu ), dịch tự động công nghệ xử lý ngôn ngữ tự nhiên, cơng nghệ nhận diện hình ảnh (Google, Microsoft, Facebook, Baidu, ) Cơng nghệ nhận diện hình ảnh sử dụng kỹ thuật học sâu nhiều nhà nghiên cứu tìm hiểu đưa vào ứng dụng thực tế; nhóm nghiên cứu trí tuệ nhân tạo Facebook tạo phần mềm DeepFace[1] có khả nhận dạng khn mặt tốt người với độ xác khoảng 97.35%, cơng trình cơng bố năm 2014, sử dụng khoảng triệu ảnh khuôn mặt 4000 người để huấn luyện cho mạng nơron nhiều lớp, kết thu vượt qua kỹ thuật nghiên cứu đề xuất trước Trong lĩnh vực y tế có nhiều cơng ty khởi nghiệp (Enlitic, Freenome, Merck, Atomwise …) y sinh đưa sản phẩm điện tốn có khả đọc Xquang, MRI phim chụp CT cách nhanh chóng xác bệnh chuẩn bác sỹ điều trị[34] Ở Việt Nam, việc nghiên cứu thị giác máy tính (Computer Vision) kỹ thuật xử lý ảnh, trí tuệ nhân tạo (AI) để áp dụng giải toán nhận dạng tiền hệ thống giao dịch tự động chưa nghiên cứu nhiều Ứng dụng Money Reader nhận dạng Tiền giấy dựa hình ảnh tự động chuyển đổi tỷ giá (Trường Đại học Công nghệ - Hà Nội)[35] số nghiên cứu Cuộc cách mạng công nghiệp lần thứ bước đầu có tác động sâu sắc đến định hướng phát triển xã hội Các nhà lãnh đạo hối thúc phát triển quyền điện tử, thị thông minh, y tế thông minh,… Như vậy, tất yếu cần phải có hệ thống tương tác giao dịch thơng minh người máy tính từ hệ thống lớn trung tâm hành công giao dịch tự động, siêu thị mua bán tự động đến 64 TÀI LIỆU THAM KHẢO Tiếng Anh [1] Yaniv Taigman, Ming Yang, Marc'Aurelio Ranzato, and Lior Wolf, "Deepface: Closing the gap to human-level performance in face verification," in Proceedings of the IEEE conference on computer vision and pattern recognition, 2014, pp 1701-1708 [2] Yann LeCun et al., "Backpropagation applied to handwritten zip code recognition," (in A), vol 1, no 4, pp 541-551, 1989 [3] [4] Yann LeCun, Yoshua Bengio, and Geoffrey %J nature Hinton, "Deep learning," (in A), vol 521, no 7553, p 436, 2015 Chris Solomon and Toby Breckon, Fundamentals of Digital Image Processing: [5] A practical approach with examples in Matlab John Wiley & Sons, 2011 Frank Rosenblatt, The perceptron, a perceiving and recognizing automaton Project Para Cornell Aeronautical Laboratory, 1957 [6] [7] [8] Rina Dechter, Learning while searching in constraint-satisfaction problems University of California, Computer Science Department, Cognitive Systems Laboratory, 1986 Corinna Cortes and Vladimir %J Machine learning Vapnik, "Support-vector networks," (in A), vol 20, no 3, pp 273-297, 1995 Jason Weston and Chris Watkins, "Multi-class support vector machines," Citeseer1998 [9] Chih-Chung Chang, Chih-Jen %J ACM transactions on intelligent systems Lin, and technology, "LIBSVM: a library for support vector machines," (in A), vol 2, no 3, p 27, 2011 [10] Benjamin %J arXiv preprint arXiv: Graham, "Fractional max-pooling," (in A), 2014 Jost Tobias Springenberg, Alexey Dosovitskiy, Thomas Brox, and Martin %J arXiv preprint arXiv: Riedmiller, "Striving for simplicity: The all convolutional net," (in A), 2014 Yann LeCun, Léon Bottou, Yoshua Bengio, and Patrick %J Proceedings of the IEEE Haffner, "Gradient-based learning applied to document recognition," (in A), vol 86, no 11, pp 2278-2324, 1998 [11] [12] [13] Alex Krizhevsky, Ilya Sutskever, and Geoffrey E Hinton, "Imagenet classification with deep convolutional neural networks," in Advances in neural information processing systems, 2012, pp 1097-1105 65 [14] Olga Russakovsky et al., "Imagenet large scale visual recognition challenge," [15] (in A), vol 115, no 3, pp 211-252, 2015 Matthew D Zeiler and Rob Fergus, "Visualizing and understanding [16] convolutional networks," in European conference on computer vision, 2014, pp 818-833: Springer Christian Szegedy et al., "Going deeper with convolutions," in Proceedings of [17] the IEEE conference on computer vision and pattern recognition, 2015, pp 1-9 Radigya M Correia et al., "Banknote analysis by portable near infrared [18] spectroscopy," (in A), vol 8, pp 57-63, 2018 Vanessa da Silva Oliveira, Ricardo Saldanha Honorato, Fernanda Araújo Honorato, and Claudete Fernandes %J Forensic science international Pereira, "Authenticity assessment of banknotes using portable near spectrometer and chemometrics," (in A), vol 286, pp 121-127, 2018 infrared [19] Sangwook Baek, Euison Choi, Yoonkil Baek, and Chulhee %J Digital Signal [20] Processing Lee, "Detection of counterfeit banknotes using multispectral images," (in A), 2018 Takashi Nammoto, Koichi Hashimoto, Shingo Kagami, and Kazuhiro Kosuge, [21] [22] [23] "High speed/accuracy visual servoing based on virtual visual servoing with stereo cameras," in Intelligent Robots and Systems (IROS), 2013 IEEE/RSJ International Conference on, 2013, pp 44-49: IEEE Van-Dung Hoang, My-Ha Le, Truc Thanh Tran, and Van-Huy Pham, "Improving Traffic Signs Recognition Based Region Proposal and Deep Neural Networks," in Asian Conference on Intelligent Information and Database Systems, 2018, pp 604-613: Springer Iyad Abu Doush, AL-Btoush %J Journal of King Saud University-Computer Sahar, and Information Sciences, "Currency recognition using a smartphone: comparison between color SIFT and gray scale SIFT algorithms," (in A), vol 29, no 4, pp 484-492, 2017 Ji Woo Lee, Hyung Gil Hong, Ki Wan Kim, and Kang Ryoung %J Sensors Park, "A survey on banknote recognition methods by various sensors," (in A), vol 17, no 2, p 313, 2017 Tiếng Việt [24] Đỗ Năng Tồn, Bài giảng mơn học Xử lý ảnh, 2013 [Online] Xem tại: https://tailieu.vn/doc/bai-giang-xu-ly-anh-pgs-ts-do-nang-toan-1739869.html Ngày truy cập: 25/5/2018 66 [25] Hoàng Văn Dũng, Giáo trình Nhận dạng Xử lý ảnh Nhà xuất Khoa học kỹ thuật, 2018 Trang Web [26] Alexnet Xem tại: https://www.mathworks.com/help/deeplearning/ref/alexnet.html?s_tid=srchtitle [Ngày truy cập: 16/7/2018] [27] [28] [29] Mạng nơ-ron Xem tại: https://vi.wikipedia.org/wiki/M%E1%BA%A1ng_n%C6%A1-ron [Ngày truy cập: 24/6/2018] A Beginner's Guide to Neural Networks and Deep Learning Xem tại: https://skymind.ai/wiki/neural-network [Ngày truy cập: 14/6/2018] Convolutional neural network Xem tại: https://en.wikipedia.org/wiki/Convolutional_neural_network [Ngày truy cập: 24/6/2018] [30] [31] [32] [33] [34] [35] Siddharth Das (2017) CNN Architectures: LeNet, AlexNet, VGG, GoogLeNet, ResNet and more … Xem tại: https://medium.com/@sidereal/cnnsarchitectures-lenet-alexnet-vgg-googlenet-resnet-and-more-666091488df5 [Ngày truy cập: 14/7/2018] Vgg16 Xem tại: https://www.mathworks.com/help/deeplearning/ref/vgg16.html?searchHighligh t=vgg&s_tid=doc_srchtitle [Ngày truy cập: 14/7/2018] Petar Veličković (2017) Deep learning for complete beginners: convolutional neural networks with keras Xem tại: https://cambridgespark.com/content/tutorials/convolutional-neural-networkswith-keras/index.html [Ngày truy cập: 14/7/2018] HARSH SINGHAL (2017) Convolutional Neural Network with TensorFlow implementation Xem tại: https://medium.com/data-science-group-iitr/buildinga-convolutional-neural-network-in-python-with-tensorflow-d251c3ca8117 [Ngày truy cập: 14/8/2018] Công nghệ giúp giới phát triển với tốc độ chưa thấy lịch sử loài người Xem tại: http://cafebiz.vn/cong-nghe-dang-giup-ca-the-gioi-phattrien-voi-toc-do-chua-tung-thay-trong-lich-su-loai-nguoi20161030094002644.chn [Ngày truy cập: 14/3/2018] TUYẾT NGA (2016) Nhận dạng tiền giấy dựa hình ảnh (Số 305+306 Bản tin Đại học Quốc gia Hà Nội ed.) Xem tại: 67 http://repository.vnu.edu.vn/handle/VNU_123/24674 [Ngày truy cập: [36] [37] 14/3/2018] Convolutional Neural Networks (CNNs / ConvNets) Xem tại: http://cs231n.github.io/convolutional-networks/ [Ngày truy cập: 24/6/2018] Michael Nielsen (2015) Neural Networks and Deep Learning Xem tại: http://neuralnetworksanddeeplearning.com/ [Ngày truy cập: 14/5/2018] [38] The Karush-Kuhn-Tucker (KKT) conditions Xem tại: http://www.svms.org/kkt/ [Ngày truy cập: 17/6/2018] [39] So sánh phần mềm học sâu Xem tại: https://vi.wikipedia.org/wiki/So_s%C3%A1nh_c%C3%A1c_ph%E1%BA%A7 n_m%E1%BB%81m_h%E1%BB%8Dc_s%C3%A2u [Ngày truy cập: 14/8/2018] ... văn cao học: ? ?Ứng dụng kỹ thuật học sâu nhận dạng tiền hệ thống giao dịch tự động? ?? Mục đích ý nghĩa đề tài 2.1 Mục đích Nghiên cứu kỹ thuật trí tuệ nhân tạo, đặc biệt kỹ thuật học sâu ứng dụng thực... nhận dạng tiền mặt với khả xử lý với nhiều mệnh giá tiền, loại tiền cách tự động 2.3 Ý nghĩa thực tiễn Dùng kỹ thuật học sâu để xây dựng mơ hình nhận dạng tiền để ứng dụng hệ thống giao dịch tự động. .. nhân tạo, kỹ thuật mạng neural học sâu để ứng dụng phân tích hình ảnh, nhận dạng mệnh giá tiền, loại tiền - Nghiên cứu hệ thống nhận dạng tiền (tiền giấy) để ứng dụng cho giao dịch tự động 4.2