Nghiên cứu mô hình học từ điển thưa ứng dụng trong nhận dạng thóc giống luận văn ths máy tính 84801

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CƠNG NGHỆ PHẠM THỊ LAN ANH NGHIÊN CỨU MƠ HÌNH HỌC TỪ ĐIỂN THƯA ỨNG DỤNG TRONG NHẬN DẠNG THÓC GIỐNG LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN HÀ NỘI - 2018 ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ PHẠM THỊ LAN ANH NGHIÊN CỨU MƠ HÌNH HỌC TỪ ĐIỂN THƯA ỨNG DỤNG TRONG NHẬN DẠNG THĨC GIỐNG LUẬN VĂN THẠC SĨ CƠNG NGHỆ THƠNG TIN Cán hướng dẫn: PGS TS Nguyễn Thị Thủy Cán đồng hướng dẫn: PGS TS Lê Thanh Hà HÀ NỘI, 2018 LỜI CAM ĐOAN Tôi xin cam đoan kết nghiên cứu, thực nghiệm trình bày luận văn thực hướng dẫn Phó giáo sư - Tiến sĩ Nguyễn Thị Thuỷ Phó giáo sư - Tiến sĩ Lê Thanh Hà Tất tham khảo từ nghiên cứu liên quan nêu nguồn gốc cách rõ ràng từ danh mục tài liệu tham khảo luận văn Trong luận văn, khơng có việc chép tài liệu, cơng trình nghiên cứu người khác mà không rõ tài liệu tham khảo TÁC GIẢ LUẬN VĂN Phạm Thị Lan Anh LỜI CẢM ƠN Trước tiên, xin gửi lời cảm ơn sâu sắc đến giáo: Phó giáo sư - Tiến sĩ Nguyễn Thị Thuỷ thầy giáo: Phó giáo sư - Tiến sĩ Lê Thanh Hà, tận tình hướng dẫn tơi suốt trình thực luận văn tốt nghiệp Cảm ơn thầy giáo - Tiến sĩ Trần Quốc Long có góp ý, nhận xét quý giá giúp hồn thiện nội dung nghiên cứu tơi luận văn Tôi xin bày tỏ lời cảm ơn chân thành tới trường Đại học Công Nghệ - ĐHQG Hà Nội thầy cô giáo giảng dạy, truyền thụ kiến thức cho thời gian qua với quan tâm động viên khích lệ tinh thần thành viên phịng thí nghiệm Tương tác người máy HMI – Đại học Công nghệ, Đại học Quốc Gia Hà Nội Tôi cảm ơn đồng nghiệp Khoa Công nghệ thông tin, đặc biệt Bộ mơn Khoa học máy tính – Học viện Nông nghiệp Việt Nam tạo điều kiện hỗ trợ tốt để tơi tập trung hồn thành việc học cao học bảo vệ luận văn thạc sĩ Cuối cùng, xin cảm ơn tất gia đình, bạn bè ln động viên giúp đỡ tơi thời gian nghiên cứu đề tài Tuy có cố gắng định thời gian trình độ có hạn nên luận văn cịn nhiều thiếu sót hạn chế Kính mong nhận góp ý quý thầy cô bạn TÁC GIẢ LUẬN VĂN Phạm Thị Lan Anh MỤC LỤC Lời cam đoan Lời cảm ơn Mục lục Danh mục ký hiệu chữ viết tắt Danh mục hình vẽ Danh mục bảng biểu Giới thiệu Chương 1.1 Biểu diễn thưa học từ điển 1.1.1 1.1.2 1.1.3 1.2 Xây dựng mơ hình học từ điển mã 1.2.1 1.2.2 1.3 Một số mô hình học từ điển ứng dụng 1.3.1 1.3.2 Chương 2.1 Tổng quan toán nhận dạng 2.1.1 2.1.2 động 2.2 Ứng dụng nhận dạng ảnh Chương 3.1 Mơ tả tốn 3.2.Kết đạt 3.3.Thảo luận ảnh hưởng ràng buộc thư Chương Kết luận hướng phát triển Tài liệu tham khảo Phụ lục DANH MỤC KÝ HIỆU VÀ CHỮ VIẾT TẮT CS Compressed Sensing DPL Dictionary Pair Learning K-SVD K-means Singular Value Decomposition LC-KSVD Label Consistent K-means Singular Value Decomposition MP Matching Pursuit NSL Nyquist Sampling Law OMP Orthogonal Matching Pursuit RF Random Forest SAD Sum of Absolute Difference SSD Sum of Squared Difference SST Shannon’ Sampling Theorem SVM Support Véc-tơ Machine DANH MỤC HÌNH VẼ Hình 1.1 Mẫu ảnh đa mức xám biểu diễn dày Hình 1.2 Ảnh đa mức xám với biểu diễn thưa Hình 1.3 Mơ tả giải pháp tối thiểu hóa số chuẩn khơng gian 2-D Hình 2.1 Một số ví dụ thuật tốn thị giác máy Hình 2.2 Một số ví dụ ứng dụng nhận dạng mẫu ảnh Hình 2.3.Quy trình thực hệ nhận dạng ảnh tự động Hình 3.1.Ảnh hạt thóc giống thóc khác trở thành liệu mẫu cho việc học mơ hình Hình 3.2.Biểu đồ thể hiệu suất mơ hình LC-KSVD DPL Hình 3.3.Biểu đồ so sánh tổng thời gian học kiểm tra mơ hình LC-KSVD1, LCKSVD2, DPL Hình 3.4.Biểu đồ tổng hợp kết phân loại mơ hình học từ điển, SVM RF Hình phụ lục 1.Sơ đồ trình nhận dạng biển số xe Hình phụ lục 2.Ảnh biển số xe sau thu nhận phân tách Hình phụ lục 3.Hiệu suất phân lớp mơ hình LC-KSVD DPL Hình phụ lục 4.Thời gian học kiểm tra mơ hình LC-KSVD 1, LC-KSVD 2, DPL DANH MỤC BẢNG BIỂU Bảng 3.1.Thống kê số lượng liệu ảnh giống thóc Bảng 3.2.Kết thay đổi tham số sparsitythres giống Bắc thơm Bảng 3.3.Kết thay đổi tham số DictSize giống thóc Bắc thơm Bảng 3.4.Kết phân lớp LC-KSVD1, LC-KSVD2 DPL Bảng 3.5.Thời gian học mơ hình kiểm tra LC-KSVD DPL Bảng phụ lục 1.Số lượng biển số xe thu nhận Bảng phụ lục 2.Số lượng ký tự tách từ biển số xe Bảng phụ lục 3.Số lượng mẫu toán nhận dạng 10 ký tự Bảng phụ lục 4.Số lượng mẫu toán nhận dạng 14 ký tự Bảng phụ lục 5.Số lượng mẫu toán nhận dạng mẫu Bảng phụ lục 6.Hiệu suất phân lớp LC-KSVD 1, LC-KSVD DPL Bảng phụ lục 7.Thời gian học kiểm tra mơ hình LC-KSVD 1, LC-KSVD 2, DPL Hình 3.4.Biểu đồ tổng hợp kết phân loại mơ hình học từ điển, SVM RF Từ kết thực nghiệm với mơ hình khác thấy LC-KSVD phân lớp tốt SVM số giống thóc Nếp 87 hay Thiên ưu 8; nhiên hầu hết giống thóc cịn lại chưa đạt kết mong muốn Vì vậy, với kết cho thấy mơ hình LC-KSVD với giá trị tham số chưa thật phù hợp với liệu thóc giống quan tâm 3.3 Thảo luận ảnh hưởng ràng buộc thưa vào kết nhận dạng Từ thực nghiệm hai liệu: nhận dạng thóc giống trình bày Chương nhận dạng ký tự biển số xe trình bày Phụ lục, nhận thấy thời gian tính tốn xây dựng mơ hình mơ hình học từ điển khơng đảm bảo thưa (DPL) nhanh vài lần, gần trăm lần (trong thực nghiệm với thóc giống), chí vài chục nghìn lần (trong thực nghiệm ký tự biển số xe ) so với mơ hình học từ điển đảm bảo thưa (LC-KSVD) kết phân loại cạnh tranh Do việc theo đuổi biểu diễn thưa có thật đóng vai trị quan trọng cho việc phân lớp hay không vấn đề cần nghiên cứu thêm Kết thực nghiệm luận văn củng cố cho giả thiết biểu diễn thưa yếu tố định cho mơ hình học từ điển phân lớp tốt Như qua kết nghiên cứu lý thuyết tổng quan thực nghiệm cài đặt hai mơ hình học từ điển hai liệu khác nhau, nhận thấy việc mơ hình học từ điển đảm bảo 44 thưa (như LC-KSVD) có vài nhược điểm Đầu tiên, tín hiệu đầu vào Y có số chiều cao đẩy số chiều từ điển học lên cao dẫn tới việc hiệu cho lưu trữ liệu, thuật toán học mơ hình kiểm tra với u cầu đảm bảo biểu diễn thưa trở nên phức tạp phải tính tốn với từ điển học số chiều cao, đặc biệt “big data” ứng dụng có số chiều lớn Hơn nữa, với mơ hình học từ điển thưa việc biểu diễn thưa yếu tố định hiệu biểu diễn, biểu diễn thưa lại nhạy cảm với việc xoay kéo dãn kích thước (do thay đổi khiến việc tính tốn hệ số biểu diễn bị thay đổi theo) dẫn tới việc tạo sai khác đủ lớn để thay đổi lớp hình ảnh đối tượng xoay kéo dãn Thứ hai, tham số dùng cho xây dựng mô hình phức tạp bao gồm trọng số phân lớp, tham số đảm bảo thưa có tham số phù hợp nhãn Các tham số đòi hỏi phải thử chọn nhiều thời gian để có tham số phù hợp cho hiệu suất tốt 45 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Qua trình thực luận văn, tác giả tìm hiểu lý thuyết tổng quan thị giác máy toán nhận dạng mẫu ảnh, đồng thời tìm hiểu thêm số mơ hình học máy (SVM, RF, Dictionary Learning and Sparse Coding) Cụ thể, tác giả sâu tìm hiểu lý thuyết ứng dụng mơ hình học từ điển, nghiên cứu vai trò biểu diễn thưa toán phân lớp với việc so sánh mặt lý thuyết xây dựng mơ hình lẫn thực nghiệm với hai mơ hình đại diện cho hai hướng phát triển mơ hình học từ điển mơ hình học từ điển đảm bảo thưa (LC-KSVD) mơ hình học từ điển khơng đảm bảo thưa (DPL) Từ hiểu biết tạo tảng cho trình học tập nghiên cứu thân lĩnh vực thị giác máy tính Về mặt thực tiễn, luận văn trình bày mơ hình học từ điển vừa có khả biểu diễn liệu tốt, vừa phù hợp với phân lớp liệu Luận văn đề xuất ứng dụng mơ hình vào liệu thực tế Việt Nam với việc cài đặt tham số để mơ hình phù hợp với toán Về mặt lý luận, luận văn củng cố cho nhận định vai trò biểu diễn thưa xây dựng mơ hình học từ điển khiến chi phí thời gian tăng đáng kể khơng thật giúp cho mơ hình học từ điển tăng hiệu suất phân loại Để có tốt cho nhận định này, tác giả dự kiến cài đặt mơ hình nhiều liệu khác Ngồi ra, tác giả nhận thấy mơ hình học từ điển LC-KSVD gặp khó khăn lớn với liệu số chiều cao từ điển học kích thước q lớn Vì vậy, tác giả dự kiến tìm hiểu thêm kỹ thuật giúp từ mơ hình từ điển LC-KSVD rời rạc (incoherent) để loại bỏ từ dư thừa với mong muốn cải tiến mơ hình LC-KSVD phù hợp với toán phân lớp 46 TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt [1] Nguyễn Đức Tuấn: Học từ điển khơng thưa cho tốn phân loại ảnh Đồ án tốt nghiệp Đại học Bách khoa Hà Nội (2015) [2] Nguyễn Việt Anh : Phát ngã sử dụng đặc trưng chuyển động hình dạng thể dựa camera đơn Luận văn thạc sĩ Đại học Công nghệ Đại học Quốc Gia Hà Nội (2017) [3] Phan Thi Thu Hong, Tran Thi Thanh Hai, Le Thi Lan, Vo Ta Hoang, Nguyen Thi Thuy (2015) “Identification of seeds of different rice varieties using image processing and computer vision techniques”, J Sci & Devel 2015, Vol 13, No 6: 1036-1042 Tài liệu tiếng Anh [4] Aharon, M., Elad, M., Bruckstein, A.: K-svd: An algorithm for designing overcomplete dictionaries for sparse representation IEEE Trans on Signal Processing,54(11) (2006) 4311–4322 [5] B K Natarajan “Sparse approximate solutions to linear systems,” SIAM journal on computing, vol 24, no 2, pp 227–234, 1995 [6] Bernd Jähne (editors) Computer Vision and Applications - A Guide for Students and Practitioners, Academic Press, 24th April 2000 [7] Chenglong Bao et al Dictionary learning for sparse coding: Algorithms and convergence analysis IEEE Transactions on Pattern Analysis and Machine Intelligence ,Volume: 38 , Issue: , pp 1356 – 1369, July 2016 [8] E Simoncelli and E Adelson “Noise removal via bayesian wavelet coring,” in International Conference on Image Processing, vol 1, 1996, pp 379–382 [9] Feng, Z., Yang, M., Zhang, L., Liu, Y., Zhang, D Joint discriminative dimensionality reduction and dictionary learning for face recognition Pattern Recognition 46 (2013) 2134–2143 [10] G Davis, S Mallat, and M Avellaneda “Adaptive greedy approximations,” J Construct Approx., vol 13, pp 57–98, 1997 [11] G Davis, S Mallat, and Z Zhang “Adaptive time-frequency decompositions,” Opt Eng., vol 33, no 7, pp 2183–91, 1994 [12] Gonzalez,R.C.Thomas,M.G “Syntatic Pattern Recognition: an Introduction” , Addison Wesley, Reading, MA, 1978 [13] Hongcheng Wang Discriminative Dictionary Learning via Shared Latent Structure for Object Recognition and Activity Recognition IEEE International Conference on Robotics and Automation (ICRA 2014), At Hong Kong, China [14] I F Gorodnitsky and B D Rao “Sparse signal reconstruction from limited data using FOCUSS: A re-weighted norm minimization algorithm,” IEEE Trans Signal Process., vol 45, pp 600–616, 1997 47 [15] J A Tropp and A C Gilbert “Signal recovery from random measurements via orthogonal matching pursuit,” IEEE Transactions on Information Theory, vol 53, no 12, pp 4655–4666, 2007 [16] J Mairal, F Bach, J Ponce, G Sapiro, and A Zisserman Discriminative learned dictionaries for local image analysis, IEEE Conference on Computer Vision and Pattern Recognition, 2008 [17] J Mairal, F Bach, J Ponce, G Sapiro, and A Zisserman Supervised dictionary learning, Supervised Dictionary Learning RR-6652, pp.15, INRIA 2008 [18] J Marial, M.Elad, and G.Sapiro Sparse representation for color image restoration IEEE Transactions on Image Processing archive, Volume 17 Issue 1, Pp 53-69, 2008 [19] J Shi, X Ren, G Dai, J Wang, and Z Zhang “A nonconvex relaxation approach to sparse dictionary learning,” in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2011, pp 1809–1816 [20] J Starck, E Candes, and D Donoho “The curvelet transform for image denoising,” Image Processing, IEEE Transactions on, vol 11, no 6, pp 670– 684, 2002 [21] J Wright, M Yang, A Ganesh, S Sastry, and Y Ma Robust face recognition via sparse representation TPAMI, 31(2):210–227, 2009 [22] J.A.Tropp “Greed is good: Algorithmic results for sparse approximation,” IEEE Trans Inf Theory, vol 50, pp 2231–2242, Oct 2004 [23] Jiang, Z., Lin, Z., Davis, L Label consistent k-svd: learning a discriminative dictionary for recognition IEEE Trans on Pattern Anal Mach Intelligence35(11) (2013) 2651–2664 [24] K Huang and S Aviyente Sparse representation for signal classification, Advances in Neural Information Processing Systems 19, NIPS 2006 [25] M Do and M Vetterli “The contourlet transform: an efficient directional multiresolution image representation", IEEE Transactions on Image Processing archive Volume 14 Issue 12, December 2005 Pp 20912106 [26] M Elad, M Figueiredo, and Y Ma “On the role of sparse and redundant representations in image processing,” Proceedings of the IEEE, vol 98, no 6, pp 972– 982, 2010 [27] M Schmidt, G Fung, and R Rosale “Optimization methods for l1regularization,” University of British Columbia, West Mall Vancouver, B.C Canada V6T 1Z4, Tech Rep., 2009 [28] Meng Yanga et al Sparse Representation based Fisher Discrimination Dictionary IEEE International Conference on Computer Vision, ICCV 2011, Barcelona, Spain, November 6-13, 2011 [29] Q Zhang and B Li Discriminative k-svd for dictionary learning in face recognition, IEEE Computer Society Conference on Computer Vision and Pattern Recognition, CVPR 2010, pp 2691-2698 [30] R Rubinstein, A Bruckstein, and M Elad “Dictionaries for sparse representation modeling,” Proceedings of the IEEE, vol 98, no 6, pp 1045– 1057, 2010 [31] Ramirez, I., Sprechmann, P., Sapiro, G Classification and clustering via dictionary learning with structured incoherence and shared features IEEE 48 Computer Society Conference on Computer Vision and Pattern Recognition, pp 3501-3508, CVPR 2010 [32] Richard Szeliski Computer Vision: Algorithms and Applications Springer; 1st Edition October 1, 2010 [33] S G Mallat and Z Zhang “Matching pursuits with time-frequency dictionaries,” IEEE Transactions on Signal Processing, vol 41, no 12, pp 3397–3415, 1993 [34] S.Chen,S.A.Billings,andW.Luo “Orthogonal least squares methods and their applicationt on on-linear system identification,” Int.J.Contr., vol 50, no 5, pp 1873–96, 1989 [35] S.S.Chen,D.L.Donoho,andM.A.Saunders “Atomic decomposition by basis pursuit,” SIAM Rev., vol 43, no 1, pp 129–159, 2001 [36] ShuhangGu et al Projective dictionary pair learning for pattern classification Advances in Neural Information Processing Systems 27, NIPS 2014 [37] Sprechmann, P., Litman, R., Yakar, T.B., Bronstein, A., Sapiro, G Efficient supervised sparse analysis and synthesis operators Proceedings of the 26th International Conference on Neural Information Processing Systems - Volume 1, Pp 908-916, NIPS 2013 [38] Vinita Dutt,Vikas Chaudhry, Imran Khan “Pattern recognition: An overview” American Journal of Intelligent Systems 2012 [39] W He, Y Zi, B Chen, F Wu, and Z He “Automatic fault feature extraction of mechanical anomaly on induction motor bearing using ensemble super-wavelet transform,” Mechanical Systems and Signal Processing, vol 54, pp 457–480, 2015 [40] Y C Pati, R Rezaiifar, and P S Krishnaprasad “Orthogonal matching pursuit: Recursive function approximation with applications to wavelet decomposition,” in Conf Rec 27th Asilomar Conf Signals, Syst Comput., 1993, vol [41] Yang, M., Zhang, L., , Feng, X., Zhang, D Fisher discrimination dictionary learning for sparse representation Proceeding ICCV '11 Proceedings of the 2011 International Conference on Computer Vision, Pp 543-550, 2011 [42] Yunjin, C., Thomas, P., Bischof, H Learning l1-based analysis and synthesis sparsity priors using bilevel optimization Workshop on Analysis Operator Learning vs Dictionary Learning, NIPS 2012 [43] Zheng Zhang et al: A survey of sparse representation: algorithms and applications Published on IEEE Access, Vol 3, pp 490-530, 2015 49 PHỤ LỤC Ứng dụng nhận dạng ký tự biển số xe Nhận dạng ký tự toán nhận dạng kinh điển có nhiều ứng dụng đời sống nhận diện ký tự viết tay, nhận dạng ký tự chữ chữ số ảnh, Dữ liệu ký tự nhiều nhà nghiên cứu sử dụng để kiểm tra mô hình học máy mà họ đề xuất Vì vậy, tơi lựa chọn liệu ký tự tách từ liệu ảnh biển số xe để kiểm tra mô hình học từ điển mà tơi nghiên cứu trước cài đặt mơ hình cho tốn nhận dạng thóc giống – tốn đặc trưng ngành Nơng nghiệp trình bày chi tiết Chương Bộ liệu ký tự biển số xe phòng Tương tác người máy (HMI Lab) – Đại học Công nghệ, Đại học Quốc Gia Hà Nội cung cấp Q trình cài đặt mơ hình học từ điển cho toán triển khai đồng mặt thiết bị máy móc phiên phần mềm với q trình đặt mơ hình học từ điển liệu ảnh thóc giống a) Mơ tả toán Bài toán nhận dạng ký tự biển số xe triển khai luận văn sử dụng nguồn liệu từ nhóm nghiên cứu (của phòng HMI) phát triển phần mềm hỗ trợ quản lý phương tiện giao thông ra/vào khu gửi xe tòa nhà mở rộng dùng hệ thống vào việc kiểm tra, giám sát hành trình phương tiện giao thơng video quan sát Có hai loại phương tiện giao thơng thu nhận liệu xe máy ô tô thuộc ba loại xe: xe tư hữu (biển trắng, ký tự bên đen), xe công (biển xanh, ký tự bên màu trắng) xe quân đội (biển đỏ, ký tự bên màu trắng) Quá trình nhận dạng biển số xe tuân thủ theo giai đoạn sơ đồ hình phụ lục Hình phụ lục Sơ đồ trình nhận dạng biển số xe 50 Khi thu nhận ảnh có tuân thủ số quy tắc để đảm bảo ảnh liệu phù hợp để đưa vào mơ hình nhận dạng: - Biển số cịn ngun vẹn, khơng bị tróc sơn hay rỉ sét, không bị che khuất - Biển số có hàng, số ký tự ký tự (3 ký tự hàng ký tự hàng dưới) ký tự (3 ký tự hàng ký tự hàng dưới) biển ô tô ký tự (4 ký tự hàng ký tự hàng dưới) ký tự (4 ký tự hàng ký tự hàng dưới) ký tự hàng có dấu gạch nối biển xe máy - Hình chụp biển số khơng bị mờ, nhịe, ký tự biển số cịn phân biệt, nhận dạng trực quan Hình phụ lục 2.Ảnh biển số xe sau thu nhận phân tách Những ảnh không đạt yêu cầu loại bỏ cách thủ công trước đưa vào giai đoạn Do thời gian hồn thành hệ thống tương đối ngắn nên nhóm nghiên cứu không thu nhận đầy đủ ký tự có biển số xe số lượng nhiều ký tự hạn chế nên không phù hợp để đưa vào học mơ hình (được đưa bảng phụ lục phụ lục 2) Bảng phụ lục Số lượng biển số xe thu nhận Số ký tự dòng - dòng Số lượng biển 51 Bảng phụ lục 2.Số lượng ký tự tách từ biển số xe Ký tự A B D E C F G H Để khắc phục tình trạng này, liệu ký tự biển số xe mà nhận bổ sung liệu tạo tự động máy tính với giả lập tham số nhiễu để triển khai xây dựng kiểm tra mơ hình phân lớp dành cho nhận dạng Giúp cho việc so sánh khả ứng dụng hai mơ hình liệu thực tế liệu ảo, luận văn quan tâm thực toán phân lớp liệu cung cấp số lượng liệu mẫu đưa vào mơ hình phân lớp liệt kê cụ thể bảng phụ lục 3, bảng phụ lục bảng phụ lục 5: - Nhận dạng 10 ký tự: 10 ký tự chữ số (0-9) với liệu hoàn toàn liệu thực tế - Nhận dạng 14 ký tự: 10 ký tự chữ số (0-9) ký tự chữ (A, B, D, E) với liệu hoàn toàn liệu thực tế - Nhận dạng 36 ký tự: 10 ký tự chữ số (0-9) 26 ký tự chữ (từ A-Z) với liệu có kết hợp liệu thực tế liệu ảo 52 Bảng phụ lục 3.Số lượng mẫu toán nhận dạng 10 ký tự Ký tự Số lượng 10 281 106 193 263 109 124 110 108 117 198 Bảng phụ lục 4.Số lượng mẫu toán nhận dạng 14 ký tự 53 Bảng phụ lục 5.Số lượng mẫu tốn nhận dạng mẫu K Mơ hình học máy khối nhận dạng mà luận văn cài đặt mơ hình học từ điển đảm bảo thưa (LC-KSVD) mơ hình khơng đảm bảo thưa (DPL) để so sánh thời gian hiệu suất hai mơ hình Bộ liệu ảnh cho toán chia thành loại tương ứng: nhận dạng 10 ký tự (được chia thành 10 loại), nhận dạng 14 ký tự (nhận dạng 14 loại), nhận dạng 36 ký tự (được chia thành 36 loại) Với việc sử dụng mơ hình học từ điển đảm bảo tính thưa LC-KSVD, hai tham số dictsize sparsitythres cìa đặt sau: dictsize = {10:10:70} với toán nhận dạng 10 ký tự 14 ký tự, dictsize = {10:10:100,150,200} với toán nhận dạng 36 ký tự ; sparsitythres = {3,5,7,10:5:70} với toán nhận dạng 10 ký tự 14 ký tự, sparsitythres = {5,10:10:100,150} với toán nhận dạng 36 ký tự Với việc sử dụng mơ hình học từ điển không đảm bảo thưa DPL, tham số lựa chọn sau: DictSize = {10:10:200} kết hợp tham số {Tau, lambda, gamma} = {0.975, 0.09, 0.1} b) Kết đạt Kết hiệu suất nhận dạng thời gian thực mô hình tốn đưa bảng phụ lục bảng phụ lục Trong bảng kết quả, ba toán, LC-KSVD2 cho kết tốt so với LC-KSVD1 (gần 90%) lại xa so với DPL (DPL đạt gần 98%) Như mơ hình DPL khơng theo đuổi ràng 54 buộc đảm bảo tính thưa hệ số biểu diễn hồn tồn cho kết phân lớp tốt cạnh tranh (trong trường hợp kết phân lớp tốt hẳn so với LC-KSVD) Bảng phụ lục 6.Hiệu suất phân lớp LC-KSVD 1, LC-KSVD DPL 10 ký tự 14 ký tự 36 ký tự Hiệu suất phân lớp 1.2 0.8 0.6 0.4 0.2 10 ký tự Hình phụ lục 3.Hiệu suất phân lớp mơ hình LC-KSVD DPL Bảng phụ lục 7.Thời gian học kiểm tra mơ hình LC-KSVD 1, LC-KSVD 2, DPL Bài toán nhận dạng 10 ký tự 14 ký tự 36 ký tự Thời gian học kiểm tra mơ hình Hình phụ lục 4.Thời gian học kiểm tra mơ hình LC-KSVD 1, LC-KSVD 2, DPL Về mặt thời gian tính tốn, DPL gần khơng bị ảnh hưởng kích thước từ điển LC-KSVD bị ảnh hưởng rõ rệt thể hình phụ lục ... mơ hình học từ điển đảm bảo thưa không đảm bảo thưa Từ đưa nhận xét hai dạng mơ hình học từ điển đề xuất hướng ứng dụng mơ hình học từ điển thưa Ngồi phần giới thiệu tài liệu tham khảo, luận văn. .. hình học từ điển đảm bảo thưa mơ hình cặp từ điển (DPL) – tiêu biểu cho mơ hình học từ điển không đảm bảo thưa liệu ảnh thóc giống thu nhận từ thực tế Việt Nam Việc áp dụng mơ hình học từ điển. .. theo đuổi nghiên cứu nhận dạng ảnh thóc giống Với khả mạnh mẽ mơ hình học từ điển nói chung học từ điển đảm bảo tính thưa nói riêng, tơi mong muốn thử nghiệm mơ hình tốn nhận dạng thóc giống mà