KHÓA LUẬN tốt NGHIỆP ỨNG DỤNG máy học TRONG PHÁT HIỆN ĐƯỜNG lưỡi bò 9 đoạn

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM HÀ ĐĂNG TÚ NGUYỄN HỒNG VŨ KHĨA LUẬN TỐT NGHIỆP ỨNG DỤNG MÁY HỌC TRONG PHÁT HIỆN ĐƯỜNG LƯỠI BÒ ĐOẠN A Nine Dash Line detector in images using machine learning KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM TP HỒ CHÍ MINH, 2020 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CƠNG NGHỆ THƠNG TIN KHOA CÔNG NGHỆ PHẦN MỀM HÀ ĐĂNG TÚ – 16521562 NGUYỄN HỒNG VŨ – 16521454 KHĨA LUẬN TỐT NGHIỆP ỨNG DỤNG MÁY HỌC TRONG PHÁT HIỆN ĐƯỜNG LƯỠI BÒ ĐOẠN A Nine Dash Line in images using machine learning KỸ SƯ NGÀNH KỸ THUẬT PHẦN MỀM GIẢNG VIÊN HƯỚNG DẪN PGS.TS VŨ ĐỨC LUNG TP HỒ CHÍ MINH, 2020 THƠNG TIN HỘI ĐỒNG CHẤM KHÓA LUẬN TỐT NGHIỆP Hội đồng chấm khóa luận tốt nghiệp, thành lập theo định số ngày Hiệu Trưởng trường Đại học Công Nghệ Thơng Tin LỜI CẢM ƠN Đầu tiên, nhóm xin gửi đến thầy PGS TS Vũ Đức Lung lời cảm ơn chân thành tận tình định hướng, hướng dẫn, giải đáp thắc mắc, đồng thời người hỗ trợ giải vấn đề khó khăn q trình thực đề tài Nhóm gửi lời cảm ơn đến Trường Đại học Công nghệ Thơng tin tồn thể cán bộ, giảng viên trường tạo điều kiện hỗ trợ nhóm suốt trình học tập trường Đặc biệt quý thầy cô, cán khoa Công nghệ Phần mềm tuyền đạt nhiều kiến thức tảng chuyên sâu kỹ quý báu để áp dụng q trình thực khố luận công việc tương lai MỤC LỤC Chương Tổng quan đề tài 1.1 Tổng quan vấn đề 1.2 Tổng quan đề tài nghiên cứu nước 1.3 Một số vấn đề tồn 1.4 Mục tiêu nội dung thực Chương Cơ sở lý thuyết 2.1 Giới thiệu Máy học 2.1.1 Khái niệm 2.1.2 Phân loại thuật toán máy học 2.2 Khái niêm học sâu mạng thần kinh nhân tạo 2.2.1 Khái niệm học sâu 2.2.2 Khái niệm mạng thần kinh nhân tạo 2.2.3 Mang thần kinh tích chập (CNN) 2.3 Thuật toán Yolo 12 2.3.1 Kiến trúc mạng yolo 13 2.3.2 Đầu vào YOLO 14 2.3.3 Đầu YOLO 15 Chương Phân tích thiết kế chương trình 15 3.1 Kiến trúc hệ thống 15 3.2 Hiện thực hệ thống 17 3.2.1 Sơ đồ usecase 17 3.2.2 Sơ đồ 21 3.2.3 Thiết kế giao diện 24 Chương Thực nghiệm đánh giá 35 4.1 Tập liệu tự tạo thực nghiệm 35 4.2 Kịch thử nghiệm 35 4.2.1 Môi trường thử nghiệm 35 4.2.2 Thực nghiêm liệu tự tạo 36 4.2.3 Kết thực nghiệm 36 4.2.4 Thực nghiệm thực tế 37 4.2.5 Nhận xét 37 Chương Kết luận hướng phát triển 38 5.1 Kết đạt 38 5.2 Các vấn đề tồn 38 5.3 Hướng phát triển 39 DANH MỤC HÌNH Hình 1-1 Ứng dụng Illegal Nine-dash Detection Zalo AI Hình 2-1 Sơ đồ tổng quát lĩnh vực Trí tuệ nhân tạo Hình 2-2 Mơ hình mạng thần kinh nhân tạo Hình 2-3 Thuật tốn Max Pooling Hình 2-4 Lớp kích hoạt CNN Hình 2-5 Kiến trúc mạng YOLO Hình 2-6 Mạng Darknet53 Hình 3-1 Kiến trúc Client-Server Hình 3-2 Sơ đồ usecase Hình 3-3 Sơ đồ "Kiểm tra đường chín đoạn" Hình 3-4 Sơ đồ "Kiểm tra đường chín đoạn video" Hình 3-5 Sơ đồ "Kiểm tra đường chín đoạn web" Hình 3-6 Sơ đồ chi tiết hình Hình 3-7 Trang chủ Hình 3-8 Trang kiểm tra đường chín đoạn ảnh Hình 3-9 Trang trạng thái tiến trình quét ảnh Hình 3-10 Trang kết kiểm tra ảnh Hình 3-11 Trang kiểm tra đường chín đoạn video Hình 3-12 Trang trạng thái tiến trình quét video Hình 3-13 Trang kết kiểm tra video Hình 3-14 Trang kiểm tra đường chín đoạn trang web Hình 3-15 Trang trạng thái tiến trình tìm đường chín đoạn trang web Hình 3-16 Trang kết kiểm tra trang web 8 11 11 13 14 16 18 21 22 23 24 25 26 27 28 29 30 31 32 33 34 DANH MỤC BẢNG Bảng 3-1 Bảng mô tả actor hệ thống Bảng 3-2 Bảng danh sách usecase ứng dụng Bảng 3-3 Đặc tả usecase “Kiểm tra đường chín đoạn ảnh” Bảng 3-4 Đặc tả usecase "Kiểm tra đường chín đoạn video" Bảng 3-5 Đặc tả usecase "Kiểm tra đường chín đoạn trang web" Bảng 3-6 Danh sách trang Bảng 3-7 Bảng mô tả chi tiết đối tượng trang chủ Bảng 3-8 Bảng mô tả đối tượng trang kiểm tra đường chín đoạn ảnh Bảng 3-9 Bảng mô tả chi tiết đối tượng trang trạng thái tiến trình quét ảnh Bảng 3-10 Bảng mô tả chi tiết đối tượng trang kiểm tra ảnh Bảng 3-11 Bảng mô tả chi tiết đối tượng trang kiểm tra đường chín đoạn video Bảng 3-12 Bảng mơ tả chi tiết đối tượng trang trạng thái tiến trình qt video Bảng 3-13 Bảng mơ tả chi tiết đối tượng trang kết kiểm tra video Bảng 3-14 Bảng mô tả chi tiết đối tượng trang kiểm tra đường chín đoạn trang web Bảng 3-15 Bảng mô tả chi tiết đối tượng trạng trạng thái tiến trình tìm đường chín đoạn trang web Bảng 3-16 Bảng mô tả chi tiết đối tượng trang kết kiểm tra trang web Bảng 4-1 Bảng số liệu hình ảnh phân theo nội dung Bảng 4-2 Bảng số liệu hình ảnh phân theo vai trị Bảng 4-4 Bảng mơ tả kết sau thực nghiệm liệu tự tạo 17 18 18 19 20 24 25 26 27 28 29 30 31 32 33 34 35 35 36 DANH MỤC TỪ VIẾT TẮT STT Chữ viết tắt/kí hiệu Cụm từ đầy đủ AI Artificial Intelligence (Trí tuệ nhân tạo) ML Machine Learning (Máy học Học máy) DL Deep Learning (Học sâu) GPU Graphic Processing Unit CNN Convolutional Neural Network ANN Artificial Neural Network TÓM TẮT KHÓA LUẬN Những năm gần đây, cụm từ AI (Trí tuệ nhân tạo) cụ thể Machine Learning (Máy học hay Học máy) xem chủ đề nóng thời đại công nghệ 4.0 AI len lỏi vào đời sống với số ứng dụng định mà nhận như: xe tự hành Google Tesla, hệ thống tự động tag khuôn mặt Facebook, FaceID (mở khóa khn mặt) IPhoneX Apple… Máy học tập AI có khả tự học hỏi thông qua mẫu liệu cung cấp để đưa kết mà không cần người phải lập trình Trái ngược với mơ hình lập trình bản, cung cấp đầu vào logic xử lý để nhận đầu mong đợi, ML cho kết thông qua mẫu mà không cần phải cung cấp logic xử lý ưu điểm lớn máy học Đường chín đoạn tên gọi dùng để vùng lãnh hải Biển Đông mà Trung Quốc đơn phương tuyên bố Bất chấp tuyên bố đường chín đoạn Biển Đơng Trung Quốc khơng có pháp lý Tòa án Trọng tài thường trực Trung Quốc đẩy mạnh tuyên truyền chủ quyền thơng qua phương tiện như: sách, báo, phim, ảnh, đồ, mạng xã hội… Việt Nam phát nhiều sản phẩm từ sách báo phần mềm thiết bị cơng nghệ có chứa đường lưỡi bị, từ xuất phát nhu cầu nhận dạng đặc điểm Đặc biệt website với lượng thơng tin khổng lồ việc nhận dạng thủ cơng vơ khó khăn Với phát triển phần cứng máy tính năm gần phát triển thuật toán ML, tốc độ xử lý để đưa kết chưa đến giây với độ xác cao, nhanh nhiều so với phương pháp thủ công Điều giúp làm giảm đáng kể chi phí phải bỏ để phát đường chín đoạn ảnh Cũng từ nhu cầu đó, nhóm em tìm hiểu định chọn đề tài “ỨNG DỤNG MÁY HỌC TRONG PHÁT HIỆN ĐƯỜNG CHÍN ĐOẠN” Với đề tài này, nhóm em định xây dựng chương trình có khả phát ảnh có đường chín đoạn Ứng dụng tự động nhận diện đường chín đoạn hình, tự STT Tên đối tượng Chức Navigation bar Điều hướng đến trang khác trang web Link “Hình ảnh” Chuyển đến trang kiểm tra hình ảnh Link “Video” Chuyển đến trang kiểm tra video Link “Website” Chuyển đến trang kiểm tra trang web Button “Bắt đầu” Chuyển đến trang tương ứng thẻ b Kiểm tra đường chín đoạn ảnh Hình 3-8 Trang kiểm tra đường chín đoạn ảnh Bảng 3-8 Bảng mô tả đối tượng trang kiểm tra đường chín đoạn ảnh STT Tên đối tượng Chức Input “Nhập URL ảnh” Nhập URL ảnh cần kiểm tra Khu vực kéo thả ảnh Khu vực kéo thả ảnh để upload Button “Choose file” Mở file dialog chọn ảnh để upload 26 Button “Kiểm tra” Quét đường chín đoạn ảnh c Trạng thái tiến trình quét ảnh Hình 3-9 Trang trạng thái tiến trình quét ảnh Bảng 3-9 Bảng mô tả chi tiết đối tượng trang trạng thái tiến trình quét ảnh STT Tên đối tượng Spinner “Quét ảnh” Chức Mô tả trạng thái tiến trình quét ảnh 27 d Kết kiểm tra ảnh Hình 3-10 Trang kết kiểm tra ảnh Bảng 3-10 Bảng mô tả chi tiết đối tượng trang kiểm tra ảnh STT Tên đối tượng Chức Progress bar “Đường chín đoạn” Hiển thị phần trăm khả hình ảnh có đường chín đoạn Image view Hiển thị hình ảnh với hình chữ nhật bao quanh đường chín đoạn Link “Back to home” Link điều hướng trang chủ 28 e Kiểm tra đường chín đoạn video Hình 3-11 Trang kiểm tra đường chín đoạn video Bảng 3-11 Bảng mô tả chi tiết đối tượng trang kiểm tra đường chín đoạn video STT Tên đối tượng Chức Khu vực kéo thả ảnh Khu vực kéo thả video để upload Button “Choose file” Mở file dialog chọn video để upload Button “Kiểm tra” Quét đường chín đoạn video 29 f Trạng thái tiến trình quét video Hình 3-12 Trang trạng thái tiến trình quét video Bảng 3-12 Bảng mô tả chi tiết đối tượng trang trạng thái tiến trình quét video STT Tên đối tượng Spinner “Quét video” Chức Mô tả trạng thái tiến trình quét video 30 g Kết kiểm tra video Hình 3-13 Trang kết kiểm tra video Bảng 3-13 Bảng mô tả chi tiết đối tượng trang kết kiểm tra video Tên đối tượng STT Chức Video Hiển thị video sau quét Checkpoint list Danh sách thời điểm xuất đường chín đoạn video Checkpoint button Giúp người dùng tua nhanh đến vị trí xuất đường chín đoạn video Link “Back to home” Link điều hướng trang chủ 31 h Kiểm tra đường chín đoạn trang web Hình 3-14 Trang kiểm tra đường chín đoạn trang web Bảng 3-14 Bảng mô tả chi tiết đối tượng trang kiểm tra đường chín đoạn trang web STT Tên đối tượng Chức Input “Nhập URL website” Nhập URL website cần kiểm tra Button “Kiểm tra” Kiểm tra đường chín đoạn website 32 i Trạng thái tiến trình tìm đường chín đoạn trang web Hình 3-15 Trang trạng thái tiến trình tìm đường chín đoạn trang web Bảng 3-15 Bảng mô tả chi tiết đối tượng trạng trạng thái tiến trình tìm đường chín đoạn trang web STT Tên đối tượng Spinner “Lấy ảnh từ website” Spinner “Quét ảnh” Chức Mô tả trạng thái tiến trình lấy ảnh từ trang web Mơ tả trạng thái tiến trình quét ảnh lấy từ trang web 33 j Kết kiểm tra trang web Hình 3-16 Trang kết kiểm tra trang web Bảng 3-16 Bảng mô tả chi tiết đối tượng trang kết kiểm tra trang web STT Tên đối tượng Danh sách hình chứa đường chín đoạn Image view Chức Hiển thị danh sách hình chứa đường chín đoạn Hiển thị chi tiết người dùng cần xem chi tiết hình ảnh 34 Chương Thực nghiệm đánh giá 4.1 Tập liệu tự tạo thực nghiệm Do có đề tài nghiên cứu đường chín đoạn nên dự liệu đường chín đoạn chủ yếu q trình thực nghiệm tự tạo Nguồn ảnh chủ yếu lấy từ google hình ảnh với kích thước khác từ 100x200 5000x4000 với tổng số ảnh 1956 với chất lượng ảnh đạt mức tốt (không q mờ nhịe) Với số lượng hình ảnh nêu trên, liệu chia thành ba tập liệu khác để phục vụ cho trình huấn luyên, đánh giá kiểm tra mô tả bảng 4-1 bảng 4-2 Bảng 4-1 Bảng số liệu hình ảnh phân theo nội dung Có đường chín đoạn Khơng có đường chín đoạn Tổng cộng Gán nhãn Không gán nhãn Tổng cộng 1328 188 1516 440 440 1328 628 1956 Bảng 4-2 Bảng số liệu hình ảnh phân theo vai trị Gán nhãn Khơng gán nhãn Tổng cộng Huấn luyện 1014 1516 Đánh giá 314 440 Kiểm tra 628 628 1328 440 1956 Tổng cộng 4.2 Kịch thử nghiệm 4.2.1 Môi trường thử nghiệm Do giới hạn phần cứng để tiết kiệm thời gian phải sửa lỗi q trình cài đặt gói thư viện để chạy thuật tốn, nhóm định sử 35 dụng google colab để tiến hành huấn luyện thử nghiệm mơ hình Google Colab sử dụng hệ điều hành Ubuntu 18.04.3 LTS với cấu hình 2xCPU Intel(R) Xeon(R) CPU @ 2.30GHz, GPU NVIDIA Tesla T4 12GB, RAM 12GB Mơi trường thiết lập để kiểm nghiệm mơ hình: Opencv 4.1.2, CUDA 10.1, cuDNN 7.6.5 4.2.2 Thực nghiêm liệu tự tạo Trong trình thực nghiệm, tập liệu gán nhãn 314 ảnh từ tập liệu đánh giá để tinh chỉnh mô hình sau lần huấn luyện để tránh tình trạng overfiting (mơ hình đạt độ xác huấn luyện cao lại đưa dự đoán sai kiểm tra) cách sau khoảng 100 lần huấn luyện đánh giá lần liên tục hoàn thành Kết mAP (độ xác trung bình) cao đạt 90% Tập liệu 628 ảnh dùng cho việc tính độ xác hệ thống Độ đo sử dụng Accuracy (%) để đánh giá độ xác mơ hình Kết thu tập liệu kết thức mơ hình liệu 4.2.3 Kết thực nghiệm Bảng 4-3 cho thấy ảnh bình thường (khơng chứa đường chín đoạn) độ xác đạt khoảng 72.5 % số chưa mức cao ngun nhân có hình chứa đường cong gần giống với hình ảnh đường chín đoạn nên làm cho hệ thống nhầm lẫn Đối với hình ảnh có chứa đường chín đoạn độ xác đạt khoảng 95.2% mức đạt yêu cầu, nhiên số hình ảnh mờ hình ảnh đường chín đoạn q ảnh nhỏ hệ thống chưa nhận diện Bảng 4-3 Bảng mô tả kết sau thực nghiệm liệu tự tạo Total True False Accuracy (%) Normal 440 319 121 72.5 Nine dash line 188 179 95.2 36 83.85 % 4.2.4 Thực nghiệm thực tế Sau q trình thực nghiệm liệu, nhóm tích hợp thuật tốn Yolo vào phần mềm thiết kế phía tiến hành số kiểm tra 10 hình bất kì, video có thời gian khoảng 30s/video trang web Với 10 ảnh, tốc độ nhận diện chưa đầy giây với mức xác đạt 10/10 kết khả quan Với video, tốc độ nhận diện chậm (khoảng gần phút cho video), đảm bảo nhận diện đường chín đoạn Và cuối với trang web, tốc độ nhận diện khoảng phút, với kết không phát đường chín đoạn trang web Kết cho thấy, ứng dụng đạt đươc yêu cầu đặt 4.2.5 Nhận xét Qua trình thực nghiệm, tốc độ xử lý để tìm kiếm đưởng chín đoạn ảnh chưa đến giây kết khả quan Với độ xác đạt đến 95.2 % ảnh có đường chín đoạn đảm bảo hình có đường chín đoạn nhận diện Tuy nhiên, với hình khơng có đường chín đoạn độ xác đạt khoảng 72,5% số chưa cao Trên thực có số hình ảnh gây nhầm lẫn với đường chín đoạn nên việc sai sót bị nhận diện sai khiến cho hệ thống cần phải có cải tiến Vì giới hạn phần cứng nên tốc độ kiểm tra video mức tạm chấp Về bản, đáp ứng yêu cầu đặt ban đầu 37 Chương Kết luận hướng phát triển 5.1 Kết đạt Qua khóa luận này, nhóm nghiên cứu đường chín đoạn hình ảnh với lý thuyết mạng thần kinh nhân tạo (ANN), mạng tích chập (CNN) quan trọng thuật toán YOLO Phương pháp tiếp cận để tài tích hợp thuật tốn YOLO để xây dựng phần mềm giúp giải toán phát đường chín đoạn ảnh Phần mềm trình thử nghiệm hoạt động ổn định, cho kết khả quan giúp mở cánh cửa việc phát đường chín đoạn ảnh, video trang web Qua giúp cho quan kiểm duyệt, kiểm sốt nội dung kiểm tra ấn phẩm cách nhanh chóng, xác, hạn chế tối đa để sót, lọt ấn phẩm có đường chín đoạn 5.2 Các vấn đề tồn Bên cạnh kết khả quan được, nhiên vài vấn đề cần phải lưu tâm như: - Đối với video có độ dài lớn website có lưu lượng hình ảnh lớn, hệ thống nhận diện chạy chậm bình thường - Độ xác mơ hình nhận diện tương đối cao chưa phải tuyệt đối, đó, có sai sót kiểm tra ảnh Nguyên nhân số hình ảnh có chứa đoạn cong giống đường chín đoạn khơng phải đường chín đoạn ví dụ hình ảnh hịn đảo có hình dạng cong, hình viên đá xếp theo đường vịng cung… làm cho hệ thống hiểu nhầm đường chín đoạn Ngồi cịn số nguyên nhân khác làm cho kết phán đốn bị sai, thời gian thực khóa luận có hạn nên nhóm chưa thể nghiên cứu tiếp - Vấn đề tài ngun tính tốn thách thức nhóm Thuật tốn YOLO thiết kế để tận dụng tối đa khả xử lý, tính tốn GPU 38 NVIDIA mà khơng có hỗ trợ cho loại GPU khác nên yêu cầu phần cứng đặt thiết bị bắt buộc phải sử dụng GPU NVIDIA Ngoài vấn đề tài nguyên lưu trữ vấn đề kiểm tra hình ảnh trang web, lưu lượng ảnh lớn chiếm hết dung lượng cấp phát cho hệ thống 5.3 Hướng phát triển Với vấn đề đề cập phía có số hướng phát triển để cải thiện chất lượng ứng dụng Hiện có số nhà phát triển nghiên cứu ứng dụng OpenCL (một thư viện giống CUDA NVIDIA chạy loại GPU khác) để tạo phiên YOLO chạy OpenCL giúp giảm bớt lệ thuộc phần cứng Vấn đề tài nguyên lưu trữ hệ thống thời gian quét cải tiến cách quét qua vài hình ảnh chọn theo thứ tự định để giảm thời gian quét đồng thời không gây tốn tài nguyên lưu trữ hệ thống lưu trữ ảnh quét RAM sau quét xong xóa Qua cải thiện chất lượng ứng dụng tương lai 39 DANH SÁCH TÀI LIỆU THAM KHẢO [1] Joseph Redmon, Ali Farhadi In YOLOv3: An Incremental Improvement [2] Alexey Bochkovskiy, Chien-Yao Wang Institute of Information Science Academia Sinica, Taiwan, Hong-Yuan Mark Liao Institute of Information Science Academia Sinica, Taiwan In YOLOv4: Optimal Speed and Accuracy of Object Detection [3] https://www.analyticsvidhya.com/blog/2018/12/guide-convolutional-neuralnetwork-cnn/ [4] https://machinelearningcoban.com/2016/12/27/categories/ [5] https://openclassrooms.com/en/courses/6397806-design-your-softwarearchitecture-using-industry-standard-patterns/6896156-client-serverarchitecture [6] Fei-Fei Li, Justin Johnson, Serena Yeung, CS231n: Convolutional Neural Networks for Visual Recognition, http://cs231n.github.io/, Stanford University, 2019 [7] Fudong Nian, Teng Li, Yan Wang, Mingliang Xu, Jun Wu,Pornographic Image Detection Utilizing Deep Convolutional Neural Networks, Neurocomputing, 2015 [8] Ross Girshick, Jeff Donahue, Trevor Darrell & Jitendra Malik, Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation, Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2013 [9] Shaoqing Ren, Kaiming He, Ross Girshick& Jian Sun, Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks, IEEE Transactions on Pattern Analysis and Machine Intelligence, volume 39, 2015 [10] Kaiming He, Xiangyu Zhang, Shaoqing Ren & Jian Sun, Deep Residual Learning for Image Recognition, 2015 [11] Ross Girshick, Fast R-CNN, 2015 40 ... HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN KHOA CÔNG NGHỆ PHẦN MỀM HÀ ĐĂNG TÚ – 16521562 NGUYỄN HOÀNG VŨ – 16521454 KHÓA LUẬN TỐT NGHIỆP ỨNG DỤNG MÁY HỌC TRONG PHÁT HIỆN ĐƯỜNG... để phát đường chín đoạn ảnh Cũng từ nhu cầu đó, nhóm em tìm hiểu định chọn đề tài ? ?ỨNG DỤNG MÁY HỌC TRONG PHÁT HIỆN ĐƯỜNG CHÍN ĐOẠN” Với đề tài này, nhóm em định xây dựng chương trình có khả phát. .. cứu nước 1.2 Hiện đề tài nước nghiên cứu nhận diện đường chín đoạn Chỉ có Zalo AI phát triển ứng dụng Illegal Nine-dash Line Detection hình 1-1 giúp phát đường chín đoạn ảnh Ứng dụng Zalo AI