Xử lý ảnh nhận biết phương tiện trong hệ thống iot cho giao thông

Xử lý ảnh nhận biết phương tiện trong hệ thống iot cho giao thông Xử lý ảnh nhận biết phương tiện trong hệ thống iot cho giao thông Xử lý ảnh nhận biết phương tiện trong hệ thống iot cho giao thông luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp luận văn tốt nghiệp,luận văn thạc sĩ, luận văn cao học, luận văn đại học, luận án tiến sĩ, đồ án tốt nghiệp

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Xử lý ảnh, nhận biết phương tiện hệ thống iot cho giao thông ĐÀO HUY THẠCH Ngành: Kỹ thuật viễn thông Giảng viên hướng dẫn: TS Phan Xuân Vũ Viện: Điện tử - Viễn Thông Hà Nội, 2020 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Xử lý ảnh, nhận biết phương tiện hệ thống iot cho giao thông ĐÀO HUY THẠCH Ngành: Kỹ thuật viễn thông Giảng viên hướng dẫn: Viện: TS Phan Xuân Vũ Điện tử - Viễn Thông Hà Nội, 2020 Chữ ký GVHD LỜI NÓI ĐẦU Luận văn tốt nghiệp kết trình học tập nghiên cứu viện Điện Tử - Viễn Thông, viện Đào tạo Sau Đại Học, trường đại học Bách Khoa Hà Nội Luận văn nghiên cứu lập trình ứng dụng vào thiết bị IoT (điện thoại di động) nhận biết phương tiện giao thông hệ thống giao thông Mục đích đề tài giúp sử dụng Keras TensorFlow để training model nhận biết phương tiện Sử dụng TensorFlow Lite đưa model vào thiết bị IoT điện thoại, chip nhúng, web … để đưa vào ứng dụng cách nhanh chóng Với thời gian khơng nhiều dịch bệnh xảy để thực đề tài này, em gặp nhiều khó khăn việc làm quen kiến thức deep learning sử dụng TensorFlow sử dụng TensorFlow Lite để nhúng model vào thiết bị IoT (điện thoại) Tuy nhiên với giúp đỡ tận tình thầy cố gắng thân, em hoàn thành đề tài LỜI CẢM ƠN Em xin chân thành gửi lời cảm ơn đến T.S Phan Xuân Vũ tận tình giúp đỡ em trình thực đề tài Em gửi lời cảm ơn đến anh bạn chia sẻ kinh nghiệm, kiến thức cho em Em xin chân thành cảm ơn dạy dỗ giáo viên Viện Điện Tử Viễn Thơng, phịng Đào Tạo Sau Đại Học tận tình hướng dẫn, giúp đỡ em suốt trình làm đồ án bất chấp dịch bệnh xảy Cuối cùng, em xin gửi lời cảm ơn đến gia đình mình, người ln bên cạnh động viên, khuyến khích để em hoàn thành đề tài Em mong nhận góp ý, bảo tận tình thầy cô bạn vấn đề cịn khúc mắc hay thiếu sót luận văn Em xin chân thành cảm ơn! Học viên ĐÀO HUY THẠCH MỤC LỤC MỞ ĐẦU CHƯƠNG MẠNG NƠ-RON TÍCH CHẬP 1.1 Kiến trúc mạng CNN 1.1.1 Tầng Tích chập 1.1.2 Lớp Pooling 1.1.3 Fully Connected 1.2 Lịch sử phát triển mạng CNN 10 1.2.1 LeNet-5 (1998) 10 1.2.2 Alexnet (2012) 11 1.2.3 ZFNet (2013) 14 1.2.4 VGGNet (2014) 15 1.2.5 GoogleNet (2014) 17 1.2.6 ResNets (2015) 20 CHƯƠNG HỌC CHUYỂN GIAO (TRANSFER LEARNING) VÀ TENSORFLOW LITE 23 2.1 Học Chuyển Giao (Transfer learning) 23 2.2 Tensorflow Lite 32 CHƯƠNG HỆ THỐNG IoT XỬ LÝ ẢNH NHẬN BIẾT PHƯƠNG TIỆN TRONG GIAO THÔNG 35 3.1 Tổng quan hệ thống 35 3.2 Phần huấn luyện 36 3.2.1 Môi trường huấn luyện 38 3.2.2 Xử lý liệu đầu vào để học 40 3.2.3 Lựa chọn mơ hình phương pháp để thực học chuyển giao 41 3.3 Phần mềm ứng dụng vào điện thoại 45 3.4 Kết luận phần mềm nhận diện xe 52 CHƯƠNG KẾT LUẬN 53 TÀI LIỆU THAM KHẢO 54 i DANH MỤC HÌNH VẼ Hình 1.1 Mạng nơ ron tích chập Hình 1.2 Kiến trúc mạng CNN Hình 1.3 Ma trận đầu vào mà ma trận kernel thực thiện tích chập Hình 1.4 Cách quét tính giá trị feature map [1] Hình 1.5 Kết thu sau hồn tất việc qt tính Hình 1.6 Kích thước tăng lên feature map sau thêm padding Hình 1.7 Mơ tả hoạt động Max Pooling với strike Hình 1.8 Lớp Fully Connected Hình 1.9 Kiến trúc mạng LeNet (1998) [3] 10 Hình 1.10 Kiến trúc mạng Alexnet (2012) [6] 12 Hình 1.11 Kiến trúc mạng ZFNet (2013) [6] 14 Hình 1.12 Kiến trúc mạng VGGNet (2014) [6] 16 Hình 1.13 Kiến trúc mạng VGG16 16 Hình 1.14 Kiến trúc Inception Module [6] 18 Hình 1.15 Kiến trúc Inception V1 [6] 18 Hình 1.16 Kiến trúc Inception V2 [6] 19 Hình 1.17 Kiến trúc Inception V3 [6] 19 Hình 1.18 Kiến trúc Inception V4 [6] 20 Hình 1.19 So sánh tỉ lệ xác với việc tang layers [6] 21 Hình 1.20 ResNets Block [6] 22 Hình 1.21 ResNets (2015) 22 Hình 2.1 Kết thực nghiệm theo số lượng lớp mạng CNN chuyển giao [9] 25 Hình 2.2 Mơ hình VGG16 (trái) mơ hình VGG16 bao gồm ConvNet bỏ Fully connected layer (phải) [10] 26 Hình 2.3 Dạng khơng có lớp ẩn, đầu hàm Softmax [10] 27 Hình 2.4 Dạng hai class phân loại với class cịn lại [10] 27 Hình 2.5 Model VGG16 bỏ lớp fully connected thêm fully connected layer [10] 28 ii Hình 2.6 Freeze layer pre-trained model, train layer [10] 29 Hình 2.7 Unfreeze layer pre-trained train tất layer [10] 30 Hình 2.8 Bảng models có sẵn keras [11] 31 Hình 2.9 Quy trình triển khai TensorFlow Lite [1] 33 Hình 3.1 Luồng nhận dạng phương tiện hệ thống 35 Hình 3.2 Pha huấn luyện 36 Hình 3.3 Các thư viện deep learning hãng công nghệ lớn [13] 38 Hình 3.4 Số lượng tuổi đóng góp github repo thư viện [13] 39 Hình 3.5 Số lượng báo đề cập đến thư viện năm 2017 [13] 39 Hình 3.6 Một số hình ảnh xử lý liệu Keras với lật zoom 41 Hình 3.7 Một số hình ảnh xử lý liệu Keras với zoom dịch 41 Hình 3.8 Độ xác học chuyển giao với MobileNetV2 44 Hình 3.9 Độ xác học chuyển giao với Inception V3 44 Hình 3.10 Sơ đồ người dùng sử dụng ứng dụng nhận diện loại phương tiện 45 Hình 3.11 Luồng hoạt động ứng dụng 46 Hình 3.12 Vị trí đặt file model nhãn 46 Hình 3.13 Giao diện xuất cho phép lựa chọn ảnh từ sưu tập 47 Hình 3.14 Giao diện xuất ảnh lồi phương tiện sưu tập 48 Hình 3.15 Giao diện kết hiển thị sau chọn xe máy 49 Hình 3.16 Giao diện kết hiển thị sau chọn xe tải 50 Hình 3.17 Giao diện kết hiển thị sau chọn xe bán tải 51 iii DANH MỤC VIẾT TẮT STT Ý nghĩa Từ viết tắt ConvNet/CNN Mạng Nơ-ron tích chập Feature map Bản tạo sau thực tích chập Feature Các tính Kernel Ma trận lõi để nhân tích chập Input Đầu vào Pixel Giá trị điểm ảnh Stride Bước nhảy Pooling Lớp Pooling làm giảm kích thước feature map Training Đào tạo 10 Dimensionality Giảm chiều sâu đầu vào reduction 11 Model Mơ hình iv MỞ ĐẦU Lý chọn đề tài Hiện nay, tình trạng ùn tắc giao thơng thành phố lớn Hà Nội thành phố Hồ Chí Minh diễn thường xuyên, gây thiệt hại hàng ngàn tỷ đồng Nhiều biện pháp đưa mở rộng đường, xây thêm cầu vượt, thành lập tuyến đường sắt cao hay việc cấm đường số phương tiện khung định Trong giải pháp trên, việc cấm đường số loại phương tiện giải pháp dễ triển khai đồng thời mang lại hiệu định chờ đợi giải pháp đồng quy mô Để hỗ trợ việc cấm loại phương tiện nút giao thơng việc xác định loại phương tiện lưu thơng qua nút giao thơng vơ quan trọng Bài tốn nhỏ xác định loại phương tiện đó, cần phân loại loại phương tiện giao thông cần giải để giải toán xác định lưu lương loại phương tiện qua nút giao thơng từ giúp quan chức biết phương tiện giao thông hay lưu thông qua nút giao thơng để từ đưa quy hoạch phù hợp Việc thực chủ yếu quan sát camera sau xử lý ảnh đơn thuần, nhiên phương pháp khó áp dụng với lưu lượng lớn, có mở rộng chủng loại phương tiện Thời gian gần đây, nhờ phát triển mạnh mẽ khả tính tốn hệ máy tính đại bùng nổ liệu thông qua mạng Internet, ta chứng kiến nhiều đột phá lĩnh vực học máy, đặc biệt lĩnh vực thị giác máy tính Sự phát triển vượt bậc phương pháp học sâu khả tính tốn máy tính giúp thị giác máy tính đạt thành tựu đáng kể lĩnh vực nhận dạng hình ảnh Việc nhúng file model sau training vào thiết bị IoT điện thoại, chip … thường có độ trễ lớn Thường việc triển khai gửi ảnh đến server thực nhận dạng trả lại thiết bị IoT Tuy nhiên với đời TensorFlow Lite việc nhúng file model vào thiết bị IoT trở nên dễ dàng, cho phép suy luận học máy thiết bị IoT với độ trễ nhỏ kích thước nhị phân nhỏ Đề tài “Xử lý ảnh, nhận biết phương tiện hệ thống IoT cho giao thông” đưa với hi vọng ứng dụng mơ hình học sâu vào nhận dạng hình ảnh với số lượng loại phương tiện hạn chế dụng chúng nhận dạng nhúng vào thiết bị IoT cụ thể ứng dụng di động nhận dạng vài loại phương tiện Mục đích luận văn Do thời gian hạn chế thời gian thực nghiên cứu dịch bệnh kéo dài, luận văn trước hết tập trung nghiên cứu mạng tích chập CNN học chuyển giao (transfer learning) học máy đồng thời thực cài đặt mơ hình huấn luyện nhận dạng ảnh học sâu với số lượng phương tiện hạn chế, sử dụng TensorFlow Lite nhúng chúng vào thiết bị IoT (cụ thể điện thoại) làm nhận dạng sở cho ứng dụng hỗ trợ nhận dạng phương tiện điện thoại thông minh mà không cần kết nối mạng internet Cơ sở liệu Bộ sở liệu ảnh thành phần quan trọng hàng đầu phương pháp Học máy nói chung, sử dụng để phục vụ cho q trình tính tốn tham số huấn luyện, tinh chỉnh mơ hình Thông thường, liệu lớn chọn lọc tỉ mỉ cẩn thận độ xác mơ hình cải thiện, phạm vi luận văn kích thước CSDL hạn chế, số lượng loại phương tiện nhận dạng số lượng ảnh chụp cho loại phương tiện Cụ thể: - Số lượng phương tiện nhận dạng: loại phương tiện xe tải, xe bán tải… - Số lượng ảnh gốc cho loại phương tiện: khoảng 150 ảnh, bao gồm ảnh chụp phương tiện góc độ khác với tùy ý, lấy từ nguồn mạng tự chụp thiết bị camera cá nhân Bộ huấn luyện nhận dạng phương tiện Sử dụng phương pháp Học máy thuộc phương pháp học sâu, kết hợp sử dụng học chuyển giao với mơ hình đánh giá tối ưu google_v3, ImageNet vv Thực huấn luyện, so sánh kết thu chương trình học chuyển giao khác để lựa chọn file model tốt nhúng vào thiết bị IoT backend) TensorFlow Keras có cú pháp đơn giản TensorFlow nhiều Keras có số ưu điểm sau đây: ● Keras ưu tiên trải nghiệm người lập trình ● Keras hỗ trợ rộng rãi doanh nghiệp công đồng nghiên cứu ● Keras dễ dàng thiết kế thành sản phẩm ● Keras hỗ trợ huấn luyện GPU phân tán ● Keras support nhiều hệ điều hành Với ưu điểm keras Tensor Flow Em định lựa chọn Keras vào Tensorflow làm thư viện huấn luyện 3.2.2 Xử lý liệu đầu vào để học Bộ CSDL để thực việc học máy bao gồm loại phương tiện : xe tải, xe bán tải, xe ô tô, xe van, xe máy Số lượng ảnh gốc cho loại phương tiện: khoảng 150 ảnh, bao gồm ảnh chụp phương tiện góc độ khác với tùy ý, lấy từ nguồn mạng tự chụp thiết bị camera cá nhân Nguồn ảnh đa dạng nên kích thước ảnh khác Đê thu kết tốt nhất, liệu ảnh nên định dạng, kích thước đa dạng chứa nhiều trường hợp Dữ liệu ảnh đa dạng giúp việc training tránh bị overfit Trong Keras cung cấp kỹ thuật giúp tăng tính đa dạng tập liệu cách áp dụng phép biến đổi ngẫu nhiên (nhưng thực tế) xay hình ảnh cách sử dụng Keras Preprocessing Layers train_datagen=ImageDataGenerator(validation_split=0.25,rescale=1/25 5., rotation_range=45, width_shift_range=.15, height_shift_range=.15, horizontal_flip=True, zoom_range=0.5) 40 Bằng cách áp dụng đoạn code trên, liệu chia làm phần 75% dành cho học máy, 25% dành cho xác thực, giá trị ảnh khơng cịn từ [0:255] mà nằm khoảng giá trị [0:1] Kỹ thuật áp dụng biến đổi ngẫu nhiên quay 45 độ, dịch theo chiều cao chiều rộng 0.15 %, zoom in/out 0.5 hay flip ảnh Một số hình ảnh thu CSDL sau qua biến đổi: Hình 3.6 Một số hình ảnh xử lý liệu Keras với lật zoom Hình 3.7 Một số hình ảnh xử lý liệu Keras với zoom dịch 3.2.3 Lựa chọn mơ hình phương pháp để thực học chuyển giao Cho táo Classification cần it 1000 ảnh để có kết học tương đối theo phương pháp truyền thống Trong CSDL có 150 ảnh, dù áp dụng thêm tăng liệu đạt tới 1000 ảnh Với CSDL nhỏ thực học chuyển giao để giảm khối 41 lượng tính tốn tăng độ xác cho model, cụ thê sử dụng phương pháp extractor học chuyển giao để thực nhiệm vụ học máy Mục đích Ln văn có file model chạy thiết bị nhúng có phần cứng thấp, tốc độ xử lý hạn chế Sử dụng TensorFlow Lite để thực convert mô hình từ TensorFlow sang TensorFlow Lite Tuy nhiên ta phải lựa chọn mơ hình hỗ trợ TensorFlow Lite để thu hiệu suất tốt giảm kích thước cua file model để phù hợp với nhớ thiết bị Các pre-trained model giới thiệu phần học chuyển giao (2.1) ta thấy có nhiều pre-trained với kích thước giải toán khác Với yêu cầu toán luận văn nhận diện vật thể phân loại thuộc dạng object detection classification Tiếp chuyển đổi sang dạng TF-Lite để sử dụng cho thiết bị nhúng nên pre-trained model có cấu trúc ssd_mobilenet Trên trang TensorFlow Lite, với toán nhận diện vật thể google có sử dụng kiến trúc cho thiết bị di động MobileNetV2 InceptionV3 Thứ MobileNetV2 phát triển nhóm tác giả từ Google Với kích thước nhỏ 14M độ xác 71,3 % cho dự đoán 90,1% cho đưa dự đốn Ngồi theo nghiên cứu “MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications” MobileNet chứng tỏ ưu mạng khác Thứ hai InceptionV3 phát triển Google dược áp dụng thay đổi filter xử lý liệu đầu vào giúp giảm lượng tính tốn Kích thước tương đối 92M độ xác 77,9% độ xác cho dự đoán, 93.7% cho đưa dự đoán MobileNetV2: base_model = MobileNetV2(include_top=False, weights='imagenet' ,input_shape=(224,224,3)) InceptionV3: base_model = InceptionV3(include_top=False, weights='imagenet', input_shape=(224,224,3)) 42 Input_shape (224,224,3) sử dụng ảnh màu có kích thước covert 224x224 Include_top = FALES: có thêm lớp fully connected layer đầu hay không Weights = “imagenet” sử dụng trọng số pre-train on ImageNet Sau lựa chọn xong model, thực học chuyển giao phương pháp extractor, đóng băng lớp layer pretrained-model for i,layer in enumerate(model.layers): print("{}: {}".format(i,layer)) for layer in model.layers[:769]: layer.trainable=False for layer in model.layers[769:]: layer.trainable=True Layer.trainable = False: trọng số lớp khơng đổi trình học Layer.trainable = True: trọng số lớp thay đổi q trình học Kết thu sau thực việc huấn luyện 20 epochs liệu loại phương tiện 43 Hình 3.8 Độ xác học chuyển giao với MobileNetV2 Hình 3.9 Độ xác học chuyển giao với Inception V3 44 Từ đồ thị nhận thấy Mơ hình Mơ hình MobileNetV2 cho kết tốt với độ xác lên tới 95% với kiểm thử đạt lên tới 96% với đào tạo InceptionV3 có kết độ xác tập đào tạo cao 93% kiểm thử đạt 91% Về kích thước file model MobileNetV2 có kích thước 15.4M Inception V3 93.1M Vì lợi MobileNetV2 ta sử dụng file model MobileNetV2 để nhúng vào điện thoại thực suy luận nhận biết loại phương tiện 3.3 Phần mềm ứng dụng vào điện thoại Hình 3.10 Sơ đồ người dùng sử dụng ứng dụng nhận diện loại phương tiện Hệ thống sử dụng vô đơn giản Người dùng mở ứng dụng, ứng dụng tải file model file label Sau người dùng chọn ảnh từ thư viện ảnh Ứng dụng thực việc dự đoán đưa kết cho người dùng Sau hiển thị kết người dùng tiếp tục thực với ảnh khác 45 Hình 3.11 Luồng hoạt động ứng dụng Tải File model nhãn File model nhãn lưu thư mục assets ứng dụng: Hình 3.12 Vị trí đặt file model nhãn 46 Thực việc load model nhãn câu lệnh: tflite = new Interpreter(tfliteModel, tfliteOptions); labels = FileUtil.loadLabels(activity, getLabelPath()); Nếu không tải thành công thực thông báo cho user Tải thành công giao diện xuất cho phép chọn ảnh từ sư tập để dự đốn: Hình 3.13 Giao diện xuất cho phép lựa chọn ảnh từ sưu tập 47 Hình 3.14 Giao diện xuất ảnh loài phương tiện sưu tập 48 Lựa chọn ảnh để đưa vào dự đoán Kết thu thể Hình 3.15 Giao diện kết hiển thị sau chọn xe máy 49 Hình 3.16 Giao diện kết hiển thị sau chọn xe tải 50 Hình 3.17 Giao diện kết hiển thị sau chọn xe bán tải 51 3.4 Kết luận phần mềm nhận diện xe Phần mềm nhận diện xe sử dụng file model thực suy luận ln thiết bị di động nên có giao diện sử dụng đơn giản, dễ dùng Khi có Ảnh lựa chọn việc suy luận diễn với tốc độ nhanh, gần delay Vì khơng có server nên khơng cần phải thực kết nối truyền ảnh lên server để nhận dạng, giúp tăng tốc độ Kết nhận dạng, với dự đốn tỉ lệ xác cao, số mẫu với góc chụp tốt có mức độ dự đốn gần 100% Mốt số hình ảnh với góc nhìn vật thể che khuất tỷ lệ dự đốn chưa cao, ngun nhân số góp chụp xe bị khuất vật thể ảnh ảnh hưởng đến kết Nếu chọn vật phương tiện khơng nằm nhóm, hệ thống trả kết phương tiện, hạn chế tri thức đào tạo Ngoài ra, kết thực nghiệm thu cho thấy hệ thống nhận dạng đạt kết tương đối chuẩn xác với trường hợp hình ảnh ảnh đầu vào bị che khuất phần, điều kiện ánh sáng không thực tốt trường hợp ảnh bị biến dạng nhẹ Đây khó khăn tốn nhận dạng vật thể nói chung, lý giải cho điều trình thu thập ảnh ban đầu sinh ảnh tự động từ ảnh gốc, mô hình nhận dạng huấn luyện để nhận trường hợp tương tự Khả dự đoán mạnh mẽ giúp cho phương pháp Học sâu, đặc biệt mạng huấn luyện nơ ron tích chập CNN trở thành giải pháp mạnh mẽ lĩnh vực nhận dạng ảnh 52 CHƯƠNG KẾT LUẬN Luận văn nghiên cứu, tìm hiểu tốn xử lý ảnh nhận biết loại phương tiện giao thơng Thực cụ thể ví dụ với loại phương tiện khác thực triển khai thiết bị IoT điện thoại di động Nghiên cứu sử dụng mạng CNN xử lý ảnh nhận biết phương tiện, thực học chuyển giao để đào tạo mơ hình nhận biết với độ xác tương đối cao Luận văn giải yêu cầu đưa đầu luận văn: ⮚ Hoàn thiện xây dựng sở liệu ảnh phục vụ huấn luyện nhận dạng cho loại phương tiện, loại khoảng 150 ảnh, Sử dụng Data Augmentation học máy để tăng số lượng ảnh huấn luyện cách thực thao tác zoom, xoay ảnh …vv ⮚ Tìm hiểm mạng CNN xử lý ảnh nhận dạng ảnh học máy, nghiên cứu mơ hình mạng CNN từ có kiến thức để lựa chọn mơ hình mạng CNN để học chuyển giao ⮚ Thực việc học chuyển giao với mơ hình hỗ trợ cho thiết bị nhúng, so sánh application học chuyển giao khác nhau, lựa chọn model phù hợp cho ứng dụng ⮚ Hoàn thành ứng dụng, nhúng file model vào thiết bị di động, Thực việc tải dự đoán TensorFlow Lite cho kết tốt Hướng phát triển luận văn Với việc phát triển không ngừng thiết bị IoT, phát triển TensorFlow Lite tương lai, Chúng ta thực hệ thống toàn diện nhận biết nhiều loại xe hơn, tính tốn lưu lượng loại xe qua điểm chốt, nút giao thông từ đưa quy hoạch phù hợp Gia tăng số lượng loại phương tiện, toán tìm kiếm loại xe tính tốn tốc độ chúng giao thông, áp dụng cho toán xe tự lái Với việc TensorFlow Lite có xu hướng phát triển việc training thiết bị IoT hướng giúp việc tối ưu hóa đào tạo liệu cho khu vực, địa phương cách thuận tiện để phát triển ứng dụng 53 TÀI LIỆU THAM KHẢO [1] Course Intro to TensorFlow https://classroom.udacity.com/courses/ud190 Lite UDACITY, [2] website https://cs231n.github.io/convolutional-networks/ [3] website https://phamdinhkhanh.github.io/2020/05/31/CNNHistory.html [4] Russakovsky, O., Deng, J., Su, H., Krause, J., Satheesh, S., Ma, S., Fei-Fei, L (2015) ImageNet Large Scale Visual Recognition Challenge International Journal of Computer Vision, 115(3), 211–252 [5] ImageNet Large Scale Visual Recognition Competition 2012 (ILSVRC2012) http://image-net.org/challenges/LSVRC/2012/results.html [6] website https://dlapplications.github.io/2018-07-06-CNN/ [7] Yosinski, J., Clune, J., Bengio, Y., & Lipson, H (2014) How transferable are features in deep neural networks? Advances in Neural Information Processing Systems 27 (Proceedings of NIPS), 27, 1–9 [8] Jimmie Goode (2015) Classifying images in the Oxford 102 flower dataset with CNNs – Jimmie Goode http://jimgoo.com/flower-power/ [9] Slide Deep Learning work shop of Kenvin Mcguinness [10] website https://nttuan8.com/bai-9-transfer-learning-va-data-augmentation/ [11] https://keras.io/api/applications/ [12] https://www.tensorflow.org/lite/guide [13] website machinelearingcoban Giới thiệu Keras https://machinelearningcoban.com/2018/07/06/deeplearning/ [14] Course Intro to TensorFlow for Deep Learning UDACITY, https://classroom.udacity.com/courses/ud187 [15] website https://www.tensorflow.org/ 54 ... bị tăng tốc phần cứng GPU 34 CHƯƠNG HỆ THỐNG IoT XỬ LÝ ẢNH NHẬN BIẾT PHƯƠNG TIỆN TRONG GIAO THÔNG 3.1 Tổng quan hệ thống Hệ thống phần mềm nhận dạng phương tiện thiết kế theo kiến trúc phần sử... Đề tài ? ?Xử lý ảnh, nhận biết phương tiện hệ thống IoT cho giao thông? ?? đưa với hi vọng ứng dụng mô hình học sâu vào nhận dạng hình ảnh với số lượng loại phương tiện hạn chế dụng chúng nhận dạng... phương tiện nhận dạng số lượng ảnh chụp cho loại phương tiện Cụ thể: - Số lượng phương tiện nhận dạng: loại phương tiện xe tải, xe bán tải… - Số lượng ảnh gốc cho loại phương tiện: khoảng 150 ảnh,