Phân loại sản phẩm dùng neural network

ĐẠI HỌC QUỐC GIA TP.HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA ^^^———]]] TRẦN QUỐC BÌNH PHÂN LOẠI SẢN PHẨM DÙNG NEURAL NETWORK CHUYÊN NGÀNH: KỸ THUẬT VÔ TUYẾN & ĐIỆN TỬ Mà SỐ NGÀNH: 2.07.01 LUẬN VĂN THẠC SĨ THÀNH PHỐ HỒ CHÍ MINH, Tháng 12 Năm 2004 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: PGS TSKH Nguyễn Kim Sách Cán chấm nhận xét 1: PGS TS Lê Tiến Thường Cán chấm nhận xét 2: TS Phạm Hồng Liên Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA , ngày 30 tháng 12 năm 2004 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH CỘNG HÒA Xà HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐỘC LẬP -TỰ DO - HẠNH PHÚC NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Trần Quốc Bình Phái: nam Ngày, tháng, năm sinh: 24-12-1976 Nơi sinh: Đồng Tháp Chuyên ngành: Kỹ thuật điện tử Mã số: 2.07.01 I.TÊN ĐỀ TÀI: Phân Loại Sản Phẩm Dùng Neural Network II NHIỆM VỤ VÀ NỘI DUNG: - Nghiên cứu kỹ thuật nhận dạng đối tượng - Nghiên cứu huấn luyện Neural Network để phân loại đối tượng - Xây dựng chương trình tự động phân loại sản phẩm - Đánh giá kết nêu hướng phát triển đề tài III NGÀY GIAO NHIỆM VỤ: 01/07/2004 IV NGÀY HOÀN THÀNH NHIỆM VỤ: 01/12/2004 V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: PGS.TSKH Nguyễn Kim Sách VI HỌ VÀ TÊN CÁN BỘ CHẤM NHẬN XÉT 1: VII HỌ VÀ TÊN CÁN BỘ CHẤM NHẬN XÉT 2: Cán Bộ Hướng Dẫn Cán Bộ Nhận Xét1 Cán Bộ Nhận Xét2 Nội dung đề cương luận văn thạc só Hội Đồng Chuyên Ngành thông qua Ngày 30 tháng 12 năm2004 TRƯỞNG PHÒNG QLKH-SĐH CHỦ NHIỆM NGÀNH LỜI CẢM ƠN ! Tôi xin gởi lời biết ơn sâu sắc đến Thầy Cô Trường Đại Học Bách Khoa TP Hồ Chí Minh tận tình giảng dạy thời gian học tập thực luận văn Đặc biệt, xin chân thành cảm ơn PGS.TSKH Ngưyễn Kim Sách tận tình hướng dẫn giúp đỡ thời gian nghiên cứu đề tài Xin chân thành cảm ơn bạn bè, đồng nghiệp người thân gia đình động viên hỗ trợ suốt khóa học TP HCM, ngày 30 tháng 12 năm 2004 Trần Quốc Bình Tóm tắt Các nội dung thực đề tài này: Nghiên cứu phương pháp phân tích nhận dạng đối tượng như: việc phân đoạn đối tượng ảnh, việc mô tả đối tượng ảnh, lý thuyết nhận dạng, lý thuyết mạng neuron nhân tạo Triển khai thực chương trình ứng dụng mạng neuron nhân tạo vào việc phân loại đối tượng chuỗi ảnh động Quá trình hoạt động hệ thống tóm tắt sau: chuỗi ảnh với đối tượng chuyển động đưa vào hệ thống Hệ thống thực việc phân đoạn để lấy đối tượng ảnh cần quan tâm Sau thực số phép biến đổi hình học, chuẩn hóa, đặc tính đối tượng ảnh trích đưa vào mạng neuron huấn luyện trước để nhận dạng phân loại cho kết cuối Abstract The content of this include of: Research on image object analytics methods and image object recognition: image segmentation, morphology, image object description, theory of recognition and neural network Perform a application program: use neural network to recognize and categorize object from moving image sequence Performance process of recognition system: At first, the system extracts image objects in each image by segmentation Next, morphology of the image is corrected Then, position, size and orientation of the object are normalized Then, signature anh color characteristic are extracted They are the input data of the trained neural network to recognize and categorize object MỤC LỤC trang Lời Nói Đầu Chương PHÂN ĐOẠN ẢNH 1.1 Phân Đoạn Ảnh 1.2 Các Phương Pháp Phân Đoạn Ảnh 1.2.1 Phân Đoạn Dựa Trên Đường Bieân Phương pháp watershed 1.2.2 Phân Đoạn Dựa Trên Miền Mở Rộng miền Hợp miền Phân chia miền 1.2.3 Phaân Đoạn Dựa Trên Ngưỡng 1.2.4 Phân Đoạn Dựa Vào Chuyển Động 13 Chương NHẬN DẠNG ẢNH 17 2.1 Giới Thiệu Chung 17 2.2 Các Khái Niệm Cơ Bản 17 2.3 Mô Tả Đối Tượng Ảnh 20 2.3.1 Mô Tả Đường Nét 20 Signature 20 Mô tả chuỗi Fourier 21 Mã chuỗi xích (chain code) 23 2.3.2 Mô Tả Miền 24 Texture 24 Moment 26 2.4 Nhận Dạng 27 2.4.1 Phương Pháp Số Nhận Dạng 27 2.4.1.1 Phân lớp kiểu tìm kiếm khối 29 2.4.1.2 Phân lớp dựa vào khoảng cách tối thiểu 31 2.4.1.3 Phân lớp 1ý thuyết thống kê 36 2.4.1.4 Phân lớp sử dụng mạng neuron 36 2.4.2 Nhận Dạng Theo Cấu Trúc 36 Phương pháp sử dụng mẫu tượng trưng 37 Phương pháp phân tích cú pháp 38 Chương MẠNG NEURON NHÂN TẠO 39 3.1 Giới Thiệu 39 3.1.1 Bộ Não Con Người Và Neuron Sinh Học 40 3.1.2 So Sánh Khả Năng Làm Việc Của Bộ Não Người Và Máy Tính 42 3.2 Mạng Neuron Nhân Tạo 43 3.2.1 Mô Hình Neuron Nhân Tạo 43 3.2.2 Maïng Neuron Nhân Tạo 46 3.3 Maïng Perceptron 49 3.4 Mạng Perceptron Đa Lớp 54 3.5 Maïng Kết Hợp Tuyến Tính 64 3.6 Maïng Kohonen 66 3.7 Quy Trình Thiết Kế Mạng Neuron ÖÙng Duïng 70 3.8 Một Số Vấn Đề Liên Quan Đến Mạng Neuron Nhân Tạo 75 3.8.1.Khả tính toán biểu diễn liệu mạng neuron 75 3.8.2.Việc xác định cấu trúc mạng tối öu 75 3.8.3.Soá lượng mẫu huấn luyện mạng 76 3.8.4.Quá khớp 76 Chương THỰC HIỆN CHƯƠNG TRÌNH 77 4.1 Thu nhận Ảnh 78 4.2 Phân Đoạn Ảnh 78 4.3 Trích Đặc Tính Hình Dạng 79 4.4 Trích Đặc Tính Màu Sắc 90 4.5 Maïng Neuron 92 • Cấu trúc mạng neuron 93 • Huấn luyện mạng neuron 94 4.6 Quyết Định Kết Quả, Thống Kê Số Lượng Đối Tượng 96 Chương KẾT QUẢ VÀ HƯỚNG PHÁT TRIỂN ĐỀ TÀI 97 5.1 Kết Quả Và Nhận Xét 97 5.2 Hướng Phát Triển Đề Tài 101 Lời nói đầu Một mong muốn nhà kỹ thuật làm để tạo máy móc có khả nhận thức người, khả nghe hiểu tiếng nói hay nhìn nhận định vật thể xung quanh Và mục tiêu yêu cầu quan trọng lónh vực chế tạo người máy (Robot) Ngày bùng nổ công nghiệp máy tính với phát triển sở lý thuyết lónh vực xử lý thông tin nhân tố quan trọng để giúp dần tới mục tiêu”người máy hóa” Chúng ta biết người nhận thức giới xung quanh giác quan lực tư Hiện có nhiều cảm biến (Sensor) có khả thu nhận thông tin môi trường xung quanh giống với chức giác quan người Đơn giản micro thu nhận âm thanh, camera có khả thu nhận hình ảnh Vấn đề tiếp xử lý thông tin thu Đối với người trình xử lý thông tin trình tư dựa chế hoạt động não Đây trình phức tạp mà ngày nắm bắt phần nhỏ chế hoạt động Có lẽ lâu “máy móc” đạt đến khả tư người Nhưng nỗ lực bước mình, nhà kỹ thuật phân tách mảng thông tin phần định thực xử lý riêng khuôn khổ phân định Chính xử lý riêng biệt tạo thành công định việc chế tạo hệ thống kỹ thuật có lực tư người Việc tạo hệ thống có khả nhận định thông tin hướng nghiên cứu có thành công định Trong hệ thống này, từ dạng thông tin thu nhận được, hệ thống phân tách thành mẫu thông tin định, sau biểu diễn mẫu thông tin này, xếp phân loại chúng cuối tìm ý nghóa mẫu thông tin Việc phân tách thông tin thu được, biểu diễn nhận định ý nghóa chúng nội dung toán “Nhận dạng mẫu” (Pattern Recognition) Phạm vi ứng dụng lý thuyết nhận dạng mẫu áp dụng cho lónh vực nhận dạng tín hiệu, nhận dạng tiếng nói, nhận dạng ảnh Nhận dạng ảnh nói bước cuối trình xử lý ảnh Rất nhiều lý thuyết kỹ thuật xử lý ảnh phát triển để đạt mục đích nhận dạng đối tượng ảnh thu Và nói sở để phát triển lý thuyết kỹ thuật xử lý ảnh việc số hóa ảnh Kỹ thuật nhận dạng dựa vào việc phân tích biến đổi mẫu để rút đặc trưng đối tượng cần nhận dạng Với đặc trưng này, người ta phân lớp mẫu Việc gán ý nghóa cho lớp mẫu việc nhận dạng mẫu xếp vào lớp Song song với kỹ thuật nhận dạng ảnh phân tích biến đổi ảnh kỹ thuật nhận dạng phát triển mạnh ngày thể tính ưu việt Đó nhận dạng ảnh đối tượng mạng neuron Mạng neuron nỗ lực nghiên cứu nhiều nhà khoa học nhằm đạt mục tiêu tạo máy móc có lực hoạt động não người Những thành công mạng neuron không toán nhận dạng ảnh mà nhiều lónh vực khác Và điều động lực cho nghiên cứu mạng neuron tiếp tục phát triển hàng ngày Ngày nay, nhiều lónh vực đòi hỏi việc tự động hoá trình xử lý công việc Có công việc thực phương pháp thủ công với hỗ trợ máy móc thực Ngoài ra, 103 Xử Lý Hình Học : Sau phân đoạn, ảnh nhị phân đối tượng trích Tuy nhiên, chúng dạng thô, chứa nhiều chỗ lồi lõm, lỗ khe nứt Do đó, ảnh cần phải xử lý mặt hình học trước đưa vào khâu sau Quá trình xử lý thực bước: • Nở rộng: nhằm mục đích làm liền khe nứt, làm đầy chỗ lõm • Co Hẹp: nhằm mục đích lấy lại kích thước ban đầu Như vậy, việc nở rộng co hẹp tương đương với phép đóng miền Mục đích hai trình loại bỏ vết nứt chỗ lõm từ biên vào bên đối tượng Tiếp theo, khâu thực hai trình: • Co hẹp • Nở rộng Hai trình tương đương với việc mở miền Nó có nhằm mục đích loại bỏ gai, ngạnh biên Sau đó, khâu thực việc : • Lấp đầy lỗ Quá trình co hẹp nở rộng sử dụng đóa tròn bán kính pixel Kết việc xử lý có ảnh nhị phân đối tượng có biên trơn không lỗ, gai khe nứt Dựa vào ảnh nhị phân này, ảnh RGB đối tượng trích để đưa vào khâu xử lý sau 104 (a) (b) (c) (d) (e) Hình 5.2 Minh họa kết việc xử lý hình học (a) Ảnh nhị phân đối tượng sau phân đoạn (b) Sau thực việc đóng miền: rãnh nhỏ bị loại bỏ (c) sau thực việc mở miền: ngạnh, gai bị loại bỏ (d) sau thực việc lấp đầy lỗ (c) Ảnh RGB đối tượng 105 Chuẩn Hóa Đối tượng ảnh cần nhận dạng có kích thước vị trí tư có chiều hướng bất kỳ, trước đưa vào khâu trích đặc tính để nhận dạng cần phải chuẩn hóa mặt chiều hướng chuẩn hóa mặt kích thước, vị trí • Chuẩn hóa chiều hướng: Trước tiên từ ảnh nhị phân đối tượng, tìm hình elip có moment bậc trọng tâm trùng với moment bậc trọng tâm đối tượng Sau đó, tính góc hợp trục x trục (dài) elip : θ θ x (a) (b) Hình 5.3 Minh họa việc xác định chiều hướng đối tượng (a) Ảnh nhị phân đối tượng hình elip có moment bậc trùng với moment bâc đối tượng (b) Góc hợp trục x trục elip Trong chương trình này, signature sử dụng để mô tả đặc tính hình dạng đối tượng Do việc chuẩn hóa chiều hướng đối tượng tương ứng với việc tìm điểm bắt đầu signature Việc xác định điểm bắt đầu signature tìm cách tìm giao điểm đường bao đối tượng đường thẳng qua trọng tâm đối tượng hợp với trục nằm ngang x góc θ Hình minh họa việc xác định điểm bắt đầu signature 106 -y Điểm bắt đầu θ Trục elip Hình 5.4 Minh họa việc tìm điểm bắt đầu signature • Chuẩn hóa vị trí: Trọng tâm đối tượng sử dụng việc chuẩn hóa vị trí Trong chương trình này, signature sử dụng để mô tả đặc tính hình dạng đối tượng Do đó, trọng tâm điểm mốc để xác định khoảng cách từ đến điển đường bao • Chuẩn hóa kích thước: Việc chuẩn hoá kích thước cần thiết vật mẫu đưa vào huấn luyện cho hệ thống có kích thước khác với đối tượng ảnh đưa vào trình nhận dạng ảnh hưởng luật ‘xa gần’ lên việc thu nhận ảnh Trong chương trình này, việc chuẩn hóa kích thước thực cách đưa giá trị signature đoạn [0 1] Huấn Luyện Tăng Cường : Trong trình sử dụng mạng vào việc nhận dạng, mạng neuron huấn luyện tăng cường hệ thống gặp mẫu có thay đổi Nhờ hệ thống có khả thích nghi với biến đổi hình dạng đối tượng so với mẫu huấn luyện trước, thích nghi với thay 107 đổi môi trường tác động lên đối tượng làm biến dạng đối tượng Nó lệnh huấn luyện tăng cường cho mạng neuron gặp đối tượng có hình dạng bị biến đổi so với mẫu huấn luyện trước, thay đổi hình dạng ảnh hưởng môi trường Việc định huấn luyện tăng cường cho mạng neuron thực sau: hệ thống gặp đối tượng có hình dạng biến đổi qua, tương ứng với kết nhận dạng từ mạng neuron có sai số định, hệ thống ghi lại mẫu Nếu sau hệ thống lại gặp lại mẫu lần hệ thống định huấn luyện tăng cường cho mạng neuron Tập mẫu huấn luyện cho mạng neuron bao gồm mẫu nguyên thủy thêm vào mẫu có dạng biến đổi Việc huấn luyện mạng với tập mẫu có mẫu nguyên thủy nhằm đảm bảo không gây thay đổi lớn cho mạng neuron, tức mạng neuron phải nhận dạng mẫu nguyên thủy Hay nói cách khác việc huấn luyện mang tính chất huấn luyện tăng cường cho mạng với mẫu biến đổi Sơ đồ sau mô tả trình huấn luyện ban đầu cho hệ thống trình nhận dạng hệ thống Chuỗi Ảnh Ảnh Vật Mẫu Ảnh Nền Xử lý hình học Chuẩn Hóa Quá Trình Nhận Dạng Trích đặc tính hình dạng Chuẩn Hóa Phân đoạn Xử lý hình học Trích đặc tính màu sắc Trích đặc tính hình dạng Tìm Ảnh Quá Trình Huấn Luyện Ban Đầu cho Mạng Neuron Phân đoạn Mạng Neuron Mạng Neuron Quyết định kết quả, Thống kê, Quyết định huấn luyện tăng cường cho mạng neuron Kết 108 109 Sau số kết : 0.6 0.9 0.4 0.8 0.2 0.7 0.6 -0.2 0.5 -0.4 0.4 -0.6 0.3 -0.8 -1 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8 0.2 50 100 150 50 100 150 50 100 150 0.6 0.9 0.4 0.8 0.2 0.7 -0.2 0.6 -0.4 0.5 -0.6 -0.8 -1 0.4 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8 0.3 0.8 0.9 0.6 0.4 0.8 0.2 0.7 -0.2 0.6 -0.4 0.5 -0.6 -0.8 -1 -0.8 -0.6 -0.4 -0.2 0.2 0.4 0.6 0.8 0.4 0.4 0.9 0.3 0.2 0.8 0.1 0.7 -0.1 0.6 -0.2 0.5 -0.3 -0.4 -0.5 -1 0.4 -0.8 -0 -0 -0 0 0.4 0.6 0.8 0.3 50 100 150 0.6 0.9 0.4 0.8 0.2 0.7 -0.2 0.6 -0.4 0.5 -0.6 -0.8 -1 (a) 0.4 -0.8 -0.6 -0.4 -0.2 (b) 0.2 0.4 0.6 0.8 0.3 50 100 (c) Hình 5.5 Signature số mẫu (a) Ảnh đối tượng (b) Đường bao đối tượng sau chuẩn hóa (c) Signature đối tượng 150 110 Giao Diện Nhận Dạng Đối Tượng Mẫu huấn luyện ban đầu cho mạng neuron Mẫu có hình dạng thay đổi Kết nhận dạng mẫu có hình dạng bị thay đổi 111 ∇ Để khắc phục giới hạn nêu sử dụng số giải pháp sau đây: Tốc độ xử lý nhận dạng chương trình chưa cao Dịch chương trình sang ngôn ngữ C, C++ để tăng tốc độ giảm hạn chế Matlab Để gia tăng số lớp mẫu, đặc tính signature, hệ thống nhận dạng cần sử dụng thêm số đặc tính khác để mô tả đối tượng xác sử dụng kết hợp nhiều đặc tính Sử Dụng Đặc Tính Moment : x ( xi , y i ) y Hình 5.6 Minh họa việc dọc theo đường bao để có chuỗi giá trị moment Tại điểm ( xi , yi ) đường bao đối tượng, moment bậc theo trục x y tính theo biểu thức: Mxi = ∑∑ ( y − y i ) bw( x, y ) x y Myi = ∑∑ ( x − xi ) bw( x, y ) x (5.1) y Moment toång: M i = Mxi + Myi 112 Ở đây, bw( x, y ) ảnh chứa đường biên đối tượng Việc dùng ảnh biên đối tượng có lý Lý thứ vừa chứa đựng thông tin hình dạng thông tin kết cấu cạnh bên đối tượng Lý thứ việc dùng ảnh cạnh, biên bị ảnh hưởng điều kiện chiếu sáng việc dùng trực tiếp ảnh mức xám hay ảnh RGB đối tượng Ngoài vấn đề thêm đặc tính đối tượng làm cho việc nhận dạng xác gia tăng số lớp mẫu; vấn đề màu đối tượng background trùng nhau, ảnh hưởng bóng giải cách sử dụng phương pháp tương quan, việc tìm trùng khớp mẫu đối tượng ảnh Việc thực cách thiết lập hàm tương quan ảnh mẫu w( x, y ) ảnh xét f ( x, y ) : c( s, t ) = ∑∑ f ( x, y ) w( x − s, y − t ) x (5.2) y thiết lập hệ số tương quan: γ ( s, t ) = ∑∑ [ f ( x, y ) − f ( x, y)][w( x − s, y − t ) − w ] x y 1/ ⎧ ⎫ 2 ⎨∑∑ [ f ( x, y ) − f ( x, y )] ∑∑ [ w( x − s, y − t ) − w ] ⎬ x y ⎩ x y ⎭ (5.3) Với w trị trung bình w( x, y ) , f ( x, y ) trị trung bình cuûa f ( x, y ) 113 Việc hình dung việc chập cửa sổ trượt w( x, y ) chứa ảnh mẫu lên ảnh f ( x, y ) để tìm đối tượng ảnh: s x t ( s, t ) w( x − s, y − t ) f ( x, y ) y Hình 5.7 Việc trượt cửa sổ tìm đối tượng lên ảnh TÀI LIỆU THAM KHẢO [1] Xử Lý nh Và Video Số Nguyễn Kim Sách [2] Nhập Môn Xử Lý Ảnh Số Lương Mạnh Bá, Nguyễn Thanh Thủy [3] Mạng Nơron Nhân Tạo Lê Minh Trung [4] Mạng Nơron Phương Pháp Ứng Dụng Nguyễn Đình Thúc [5]Giải Thuật Di Truyền Trong Xử Lý Ảnh Nguyễn Đức Chí [6] Nhận Dạng Một Số Loại Nhiễu Trong Ảnh Nguyễn Đức Hoàng [7] p Dụng Mạng Neuron Trong Kỹ Thuật Xử Lý AÛnh Nguyeãn Quang Thi [8] Applied Image Processing G.J Awcock and R Thomas [9] Digital Image Processing Rafael C Gonzalez, Richard E Woods [10] Pattern Classification R O Duda, P E Hart and D G Stork, John Wiley & Sons [11] Fundermentals of Digital Image Processing Anil K.Jain [12] Learning Models For Object Recognition Pedro F Felzenszwalb [13] Representation And Detection Of Shapes In Images Pedro F Felzenszwalb [14] Neural Networks Genevieve Orr [15] Object Recognition In Robot Foodball Using A One Dimen Tional Image Hatice Kose and Levent Akin [16] Real Time Object Recognition For Teaching Neural Networks Fitratullah Khan and Alberto Cervanta [17] Object Extraction From Infrared Images Anupam Gerg [18] Learning To Recognize Human Action Sequences Chen Yu and Dana H Ballard [19] Discovering and Learning To Recognize Objects Paul Fitzpatrick [20] Matlab Image Processing Toolbox [21] Matlab Neural Network Toolbox [22] Cooperation of Multilayer Perceptron Classifiers Bernard Gosselin Sản phẩm loại Sản phẩm loại Sản phẩm bị méo Hình 4.1 Minh họa sản phẩm Sản phẩm loại Sản phẩm bị mẻ Lý Lịch Trích Ngang Họ tên : Trần Quốc Bình Ngày, tháng, năm sinh : 24-12-1976 Nơi sinh : Đồng Tháp Địa liên lạc : 34/38 Cư Xá Lữ Gia, F15, Q11, TP.HCM Quá trình đào tạo : Từ năm 1995 đến 2000 : học đại học ngành Điện –Điện Tử Trường đại học Bách Khoa TP.HCM Từ năm 2002 đến năm 2004 : học cao học ngành Kỹ Thuật Vô Tuyến & Điện Tử Trường đại học Bách Khoa TP.HCM Quá trình công tác : Từ năm 2000 đến năm 2002 : công tác Trung Tâm Nhiệt Điện Phú Mỹ ... luận văn với đề tài: ? ?Phân Loại Sản Phẩm Dùng Neural Network? ?? Đề tài nghiên cứu triển khai thực chương trình ứng dụng vào tự động hóa trình sản xuất Đó tự động phân loại sản phẩm dựa Kỹ thuật nhận... tác Nhận dạng sản phẩm phân loại sản phẩm vấn đề nằm lónh vực nhận dạng ảnh Qua trình này, ta vừa phân loại sản phẩm theo yêu cầu đặt trước (về kích cỡ hình dạng), vừa phát phế phẩm (về hình... 2.07.01 I.TÊN ĐỀ TÀI: Phân Loại Sản Phẩm Dùng Neural Network II NHIỆM VỤ VÀ NỘI DUNG: - Nghiên cứu kỹ thuật nhận dạng đối tượng - Nghiên cứu huấn luyện Neural Network để phân loại đối tượng - Xây