BÁO CÁO BÀI TẬP LỚN NHẬN DIỆN DAO CÁCH LY ĐÓNG HAY MỞ TRONG TRẠM BIẾN áp

ĐẠI HỌC QUỐC GIA HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA KHOA ĐIỆN – ĐIỆN TỬ BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG -o0o - BÁO CÁO BÀI TẬP LỚN NHẬN DIỆN DAO CÁCH LY ĐÓNG HAY MỞ TRONG TRẠM BIẾN ÁP GVHD: TS Phạm Việt Cường SVTH: Lê Dương - 1710898 Đặng Huy Khánh - 1711072 Nguyễn Lâm Viên - 1713939 Trần Tấn Đạt - 1710062 Phùng Bích Lan - 1711885 Phạm Đặng Đăng Khoa - 1710146i TP.HỒ CHÍ MINH, THÁNG 12 NĂM 2020 Bài tập lớn GVHD: TS PHẠM VIỆT CƯỜNG LỜI CẢM ƠN Trong suốt học kỳ vừa qua, nhóm chúng tơi đăng ký tập lớn với đề tài “Nhận diện dao cách ly đóng hay mở trạm biến áp” Để thực đề tài này, ngồi cơng sức cá nhân nhóm khơng thể khơng nói đến nhiệt tình giúp đỡ từ phía giáo viên mơn Chúng xin gửi lời biết ơn sâu sắc tới TS Phạm Việt Cường tận tình giúp đỡ chúng tơi suốt học kỳ vừa qua Những giảng buổi học tập ngoại khóa thầy cung cấp cho nhiều kiến thức, kinh nghiệm q trình thực đề tài, từ cải thiện đáng kể sai sót Bài tập lớn môn học thực với phối hợp năm thành viên, vốn kiến thức hạn chế nên khơng thể tránh khỏi thiếu sót Rất mong nhận đóng góp ý kiến từ phía giảng viên để học thêm nhiều kinh nghiệm q báu áp dụng vào cơng việc sau Xin chân thành cảm ơn thầy Tp Hồ Chí Minh, ngày 20 tháng 12 năm 2020 Sinh viên BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG Bài tập lớn GVHD: TS PHẠM VIỆT CƯỜNG TÓM TẮT BÀI TẬP LỚN Họ tên sinh viên: Lê Dương Đặng Huy Khánh Nguyễn Lâm Viên Trần Tấn Đạt Phùng Bích Lan Phạm Đặng Đăng Khoa Khoa: Điện – Điện tử Giảng viên hướng dẫn: TS Phạm Việt Cường Tên đề tài: “Nhận diện dao cách ly đóng hay mở trạm biến áp” Những nội dung nghiên cứu tập lớn môn học kết đạt được: - Nghiên cứu thuật toán detect object - Nghiên cứu mơ hình detect object sử dụng yolov3 - Nghiên cứu ngơn ngữ lập trình python - Nghiên cứu cách thức sử dụng google colab để training mơ hình - Nghiên cứu bước xây dựng mơ hình nhận diện - Nghiên cứu thông số đánh giá độ tin cậy mơ hình BỘ MƠN ĐIỀU KHIỂN TỰ ĐỘNG Bài tập lớn GVHD: TS PHẠM VIỆT CƯỜNG MỤC LỤC GIỚI THIỆU: LÝ THUYẾT: 2.1 Mơ hình yolo yolov3: .2 2.1.1 Sơ lược thuật toán YOLO: 2.1.2 Kiến trúc YOLOv3: .12 2.2 Chỉ số đánh giá mơ hình: 17 2.2.1 Chỉ số AP – Average Precision: .17 2.2.2 Chỉ số mAP – mean Average Precision 18 2.3 Google Colab 18 HUẬN LUYỆN MƠ HÌNH YOLO: 20 3.1 Các bước huấn luyện mơ hình YOLO sử dụng Google Colab: 20 3.1.1 Mơ hình YOLOv3: 20 3.1.2 Mơ hình YOLOv4: 20 3.1.3 Mơ hình YOLOv4 tiny: 20 KẾT QUẢ ĐẠT ĐƯỢC: .24 ĐÁNH GIÁ MÔ HÌNH: 26 5.1 Đánh giá mơ hình: 26 5.1.1 Mô hình YOLOv3: 26 5.1.2 Mơ hình YOLOv4: 27 5.1.3 5.1.3 Mơ hình YOLOv4 tiny 29 5.2 So sánh mơ hình 31 TÀI LIỆU THAM KHẢO: 33 BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG Giới thiệu GVHD: TS PHẠM VIỆT CƯỜNG GIỚI THIỆU: Các cách mạng công nghiệp tạo phát triển vượt bậc cho văn nhân loại Ngày nay, ứng dụng Robot xuất rộng rãi đời sống, bản, robot thay người công việc nặng, môi trường làm việc khắc nghiệt, độc hại, nguy hiểm gây hại trực tiếp với người Để robot thuận lợi thay người cơng nghiệp tác vụ xử lý ảnh, mơ hình thị giác máy robot ngày phát triển đạt tiến vượt bậc Học hỏi thành tựu đạt từ người trước, nhóm làm việc, nghiên cứu lĩnh vực detect object, kết hợp với khả xử lý ảnh, với mong muốn áp dụng mơ hình vào thực tiễn, giúp robot hồn toàn thay người tiếp cận nơi nguy hiểm Với đề tài “Nhận diện dao cách ly đóng hay mở trạm biến áp”, mục tiêu nhóm sử dụng mơ hình để phát lỗi thường gặp chuỗi sứ cách điện, từ thơng báo, gửi tín hiệu cho trung tâm điều khiển để kịp thời khắc phục sửa chữa, tránh gây hậu đáng tiếc Hơn hết, sử dụng hệ thống nhận diện lỗi, người tiếp xúc với đường dây tải cao áp, thứ vốn ảnh hưởng đến sức khỏe người BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG Lý thuyết GVHD: TS PHẠM VIỆT CƯỜNG LÝ THUYẾT: 2.1 Mơ hình yolo yolov3: 2.1.1 Sơ lược thuật toán YOLO: YOLO – You Only Look Once, thuật toán YOLO xem toán phát vật thể vấn đề hồi quy toàn ảnh, trực tiếp từ pixel ảnh thành dự đốn (bounding box) xác suất phân loại vật thể Việc sử dụng toán hồi quy cho tồn ảnh, thuật tốn YOLO giúp giàm số lượng phép toàn cần thực hiện, tăng tốc độ xử lý, đáp ứng toán thời gian thực tốt so với thuật toán khác (R-CNN) 2.1.1.1 Grid System: Ở lớp cuối mạng CNN, thay sử dụng lớp Fully Connected sử dụng thuật tốn YOLO, lớp Fully Connected (FC) có kích thước (classes, 1) thay lớp tích chập có kích thước (1, 1, classes) Vì vậy, cần phải chia Grid System từ đầu Việc chuyển đổi khơng làm ảnh hưởng đến kết dự đốn, đồng thời, Grid System cịn thể thuật tốn YOLO phân loại vật thể phép tốn tích chập với kết dự đốn nằm lớp tích chập cuối củng giữ vị trí vật thể Cụ thể sau: Hình Từ Grid System đến lớp tích chập cuối - mạng YOLO Tiến hành chia grid 3x3 tương đương với kích thước lớp cuối Vật thể nằm ô đánh màu xanh, sau thực bước tích chập, kết thu vị trí vật thể khơng thay đổi, đồng thời màu xanh (Hình 1.) lớp cuối kết phân loại vật thể BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG Lý thuyết GVHD: TS PHẠM VIỆT CƯỜNG Ví dụ khác, hình ảnh chứa vật thể cần phân loại có kích thước 14x14x3, sau thực bước tích chập, lớp tích chập cuối có kích thước 1x1x4 Hình Thay lớp FC cuối thành lớp tích chập có kích thước tương đương Như vật, grid system chia hình gốc thành số grid tương đương với kích thước lớp cuối Tại grid mang thơng tin chính: grid có chứa vật thể hay không, tọa độ bounding box (x, y, h, w), xác suất phân loại vật thể Một ví dụ thực tế Hình Hình 4., ảnh chia làm 6x6 cell, bounding box bao gồm thơng tin mà phải dự đốn Cụ thể sau: Đối tượng mà cell chứa Tâm đối tượng nằm cell cell chứa đối tượng Ví dụ Hình 3., tâm nhãn “cô gái” nằm cell màu xanh  mô hình phải dự đốn nhãn bounding box (màu đỏ) tương ứng “cơ gái” Phần hình ảnh nhãn “cô gái” nằm cell khác mà tâm khơng thuộc cell  cell khơng chứa tâm vật thể khơng gán nhãn có chứa thơng tin Chỉ gán nhãn cho cell chứa tâm vật thể Đồng thời, cell gán nhãn chứa đối tượng Nếu cell có chứa từ tâm vật thể trở lên, mơ hình YOLO cho detect nhãn Để detect nhiều đối tượng hơn, cần tăng grid size lớn để tạo thêm nhiều cell BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG Lý thuyết GVHD: TS PHẠM VIỆT CƯỜNG Kích thước ảnh đầu vào phải bội số grid size Hình Ảnh grid size 6x6 detect mơ hình YOLO (1) Mỗi cell chịu trách nhiệm dự đoán boundary box đối tượng Mỗi boundary box dự đốn có chứa vật thể hay khơng thơng tin vị trí boundary box (tâm, chiều dài, chiều rộng boundary box đó) Khi cài đặt, khơng dự đốn giá trị pixel mà cần phải chuẩn hóa kích thước ảnh đoạn từ [0 - 1] dự đoán độ lệch tâm đối tượng đến box chứa đối tượng Theo ví dụ, thay đốn vị trí pixel điểm màu đỏ, cần dự đốn độ lệch a,b cell chứa tâm đối tượng BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG Lý thuyết GVHD: TS PHẠM VIỆT CƯỜNG Hình Ảnh grid size 6x6 detect mơ hình YOLO (2) Tổng kết lại, bounding box cần dự đốn thơng tin sau: Cell có chứa đối tượng hay khơng? Dự đốn độ lệch box chứa đối tượng so với cell Lớp đối tượng Như vậy, cell, cần thực dự đốn vector có kích thước (5*n_box+n_class) chiều Ví dụ, dự đốn box, lớp (loại đối tượng) cell có ma trận chiều 7x7x13 chứa tồn thơng tin cần thiết Cụ thể sau: Dự đoán bounding box gồm thành phần: (x, y, w, h, prediction): BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG Lý thuyết GVHD: TS PHẠM VIỆT CƯỜNG + (x, y): tọa độ tâm bounding box + (w, h): chiều rộng, chiều cao bounding box + prediction hay gọi confidence core: C=Pr ( Object )∗IoU ( pred , truth) + Mỗi bounding box dự đốn xác suất có điều kiện class cho trước, nghĩa giá trị tỷ lệ đối tượng thuộc class cho trước Được tính sau: Pr ( Class i∨Object ) =P ( clas s i)∗Confidence core Hình Vector mơ hình YOLO dự đoán box, lớp cho bounding box 2.1.1.2 Chỉ số IoU thuật toán Non-max suppression: Chỉ số IoU (Intersection over Union) cho biết tỷ lệ trùng vào boundary box A B Cụ thể sau: IoU = box A ∩box B A ∩ B = box A ∪box B A ∪ B Hình Chỉ số IoU (Intersection over Union) (1) Trong đó:  A ∩ B diện tích phần giao (Intersection)  A ∪ B diện tích phần chung box (Union) tổng diện tích box trừ diện tích phần giao Việc xác định IoU giúp tính tốn khả phát xác vật thể, box A thường Anchor box hay Groundtruth boundinh box (gán nhãn trước training mơ hình); box B boundrary box hệ thống xác định test mơ hình q trình training Tính tốn IoU để đánh giá mơ hình phát vật thể hay chưa IoU tiến mơ hình có khả dự đoán so với tập test cao ngược lại BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG Huấn luyện mơ hình GVHD: TS PHẠM VIỆT CƯỜNG HUẬN LUYỆN MƠ HÌNH YOLO: 3.1 Các bước huấn luyện mơ hình YOLO sử dụng Google Colab: Tập liệu bao gồm: - Tổng cộng: … file ảnh bao gồm: + Tập train: + Tập valid: + Tập test: 3.1.1 Mơ hình YOLOv3: 3.1.2 Mơ hình YOLOv4: 3.1.3 Mơ hình YOLOv4 tiny: Các bước Setup ban đầu để train: STEP 1 - KẾT NỐI DRIVE CÁ NHÂN Sử dụng drive cá nhân để lưu trữ liệu trình train #Kết nối với drive cá nhân from google.colab import drive drive.mount('/content/gdrive') STEP 2 - TẢI SOURCE YOLOV4 TỪ GITHUB Sử dụng YOLO AlexeyAB # Step 2. Tai ma nguon YOLO ve drive !rm -rf darknet %cd /content/gdrive/My\ Drive !git clone https://github.com/AlexeyAB/darknet %cd /content/gdrive/My\ Drive/darknet !rm -rf data 10 !mkdir data STEP 3 - THỰC HIỆN MỘT SỐ THAY ĐỔI CƠ BẢN  Thực MAKE FILE  Thay đổi thông số file yolov4-tiny-custom.cfg Trong file yolov4-tiny-custom.cfg -Sửa max_batches=6000 BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG 20 Huấn luyện mơ hình GVHD: TS PHẠM VIỆT CƯỜNG -Sửa steps=4800,5400 -Sửa classes = -Replace tồn dịng có “filters=255” thành “filters=” -Chuyển subdivisions = 64 width=416, height=416 để không bị out memory Trong file MAKE FILE -Sửa GPU = 1, CUDNN=1, OPENCV=1 STEP – TẠO FILE YOLO.NAMES 11 # Step 5. Tạo file yolo.names 12 %cd /content/gdrive/My\ Drive/darknet 13 !echo "dcl close" > yolo.names 14 !echo "dcl open" >> yolo.names STEP – TẠO FILE TRAIN.TXT VÀ VAL.TXT Ta lấy ngẫu nhiên hình data để đảm bảo tính phân phối liệu: 15 %cd /content/gdrive/My\ Drive/darknet 16   17 import glob2 18 import math   19 import os 20 import numpy as np 21   22 files = [] 23 for ext in ["*.png", "*.jpeg", "*.jpg"]: 24   image_files = glob2.glob(os.path.join("data/data/", ext)) 25   files += image_files 26   27 nb_val = math.floor(len(files)*0.2) 28 rand_idx = np.random.randint(0, len(files), nb_val) 29   30 # Tạo file train.txt 31 with open("train.txt", "w") as f: 32   for idx in np.arange(len(files)): 33     if (os.path.exists(files[idx][:-3] + "txt")): 34       f.write(files[idx]+'\n') BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG 21 Huấn luyện mơ hình GVHD: TS PHẠM VIỆT CƯỜNG 35   36 # Tạo file vali.txt 37 with open("val.txt", "w") as f: 38   for idx in np.arange(len(files)): 39     if (idx in rand_idx) and (os.path.exists(files[idx][:-3] + " txt")): 40       f.write(files[idx]+'\n') 41 print (img_train_list) STEP – TẠO FILE YOLO.DATA CHỨA THAM SỐ TRAIN 42 %cd /content/gdrive/My\ Drive/darknet 43 !mkdir backup 44 !echo classes=1 > yolo.data 45 !echo train=train.txt >> yolo.data 46 !echo valid=val.txt >> yolo.data 47 !echo names=yolo.names >> yolo.data 48 !echo backup=backup >> yolo.data STEP – BIÊN DỊCH MÃ NGUỒN DARKNET 49 %cd /content/gdrive/My\ Drive/darknet 50 !rm darknet 51 !make STEP – TẢI PRETRAIN WEIGHTS Đối với yolov4: 52 %cd /content/gdrive/My\ Drive/darknet 53 !wget https://github.com/AlexeyAB/darknet/releases/download/dark net_yolo_v3_optimal/yolov4.conv.137 Đối với yolov3 54 !wget https://pjreddie.com/media/files/darknet53.conv.74 STEP – TRAIN Train yolov3: 55 %cd /content/gdrive/My\ Drive/darknet 56 !./darknet detector train yolo.data cfg/yolov3.cfg darknet53.con v.74-dont_show flag -map Train yolov4-custom: 57 %cd /content/gdrive/My\ Drive/darknet BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG 22 Huấn luyện mơ hình 58 GVHD: TS PHẠM VIỆT CƯỜNG !./darknet detector train yolo.data cfg/yolov4-custom.cfg yolov4 conv.137 -dont_show flag -map Train yolov4-tiny-custom: 59 %cd /content/gdrive/My\ Drive/darknet 60 !./darknet detector train yolo.data cfg/yolov4-tiny-custom.cfg y olov4.conv.137 -dont_show flag -map BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG 23 Kết đạt GVHD: TS PHẠM VIỆT CƯỜNG KẾT QUẢ ĐẠT ĐƯỢC: Thử detect số hình ảnh tập test: BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG 24 Kết đạt BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG GVHD: TS PHẠM VIỆT CƯỜNG 25 Đánh giá mơ hình GVHD: TS PHẠM VIỆT CƯỜNG ĐÁNH GIÁ MƠ HÌNH: 5.1 Đánh giá mơ hình: 5.1.1 Mơ hình YOLOv3: Hình 5.1 Biểu đồ Loss- mAP hệ thống (yolov3) Nhận xét biểu đồ: - Chỉ số Loss mơ hình giảm nhanh chóng sau 100 batch có xu hướng hội tụ sau Thời gian training lâu Các thông số khác yolov3-custom_last.weights: BỘ MƠN ĐIỀU KHIỂN TỰ ĐỘNG 26 Đánh giá mơ hình GVHD: TS PHẠM VIỆT CƯỜNG Hình 5.2 Các thơng số hệ thống (yolov3) Nhận xét: Chỉ số mAP rơi vào khoảng 99.97% IoU trung bình vào khoảng 83.68% Tỉ lệ F1-score cao với 99% Cả class với AP 99.94% 100% cao gần tuyệt đối  Mơ hình training thành cơng đạt độ xác gần tuyệt độ - 5.1.2 Mơ hình YOLOv4: Hình 5.3 Biểu đồ Loss- mAP hệ thống (yolov4) Nhận xét biểu đồ: BỘ MƠN ĐIỀU KHIỂN TỰ ĐỘNG 27 Đánh giá mơ hình - GVHD: TS PHẠM VIỆT CƯỜNG Chỉ số Loss mơ hình giảm nhanh chóng 1000 weight có xu hướng chậm lại sau mAP đạt gần 100% sau 2500 bước lặp Thời gian traing lâu độ xác cao Mơ hình thành cơng nhiệm vụ classes: DCL open DCL close Các thông số khác yolov4-custom_last.weights: Hình 5.4 Các thơng số hệ thống (yolov4) Nhận xét: Chỉ số mAP rơi vào khoảng 99.51% IoU trung bình vào khoảng 75.73% Tỉ lệ F1-score cao không với 96% Cả class với AP 99.17% 99.85% cao khơng chênh lệch q nhiều  Có thể coi mơ hình train thành cơng đạt nhiều số vượt lí thuyết mong đợi - 5.1.3 Mơ hình YOLOv4 tiny BỘ MƠN ĐIỀU KHIỂN TỰ ĐỘNG 28 Đánh giá mơ hình GVHD: TS PHẠM VIỆT CƯỜNG Biểu đồ loss mAP train yolov4-tiny Nhận xét biểu đồ:  Chỉ số Loss mơ hình giảm nhanh chóng 1000 weight có xu hướng chậm lại weight thứ 1200 mAP tăng nhanh 1000 weight đạt giá trị lớn 43%  Mơ hình tùy thành cơng việc giảm Loss mAP thấp Tuy nhiên thời gian training nhanh mơ hình đơn giản hóa nhiều so với yolov4 gốc Các thơng số khác yolov4-tiny-custom_best.weights: BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG 29 Đánh giá mơ hình GVHD: TS PHẠM VIỆT CƯỜNG Hình 5.6 Các thơng số hệ thống (yolov4 tiny) Nhận xét:  Chỉ số mAP rơi vào khoảng 41.22% IoU trung bình vào khoảng 52.22%  Tỉ lệ F1-score thấp với 56%  Cả class với AP 57.70% 24.75% thấp khơng đạt u cầu tốn đưa  Mơ hình thất bại training để đạt độ xác cao đổi lại thời gian training nhanh 5.2 So sánh mơ hình Đặc trưng Thời gian training mAP 6h (3000 weight) 5h (5100 weight) 5h (2500 weight) 99.97% 41.22% 99.51% Mơ hình Yolov3 Yolov4 (tiny) Yolov4 Nhận xét: - Mơ hình yolov4 (tiny) phù hợp cho dự án cần thực khoảng thời gian ngắn khơng địi hỏi độ xác cao dataset nhỏ đơn giản BỘ MƠN ĐIỀU KHIỂN TỰ ĐỘNG 30 Đánh giá mơ hình GVHD: TS PHẠM VIỆT CƯỜNG - Mơ hình yolov4 train nhanh yolov3 nhiều đạt mAP (99.51%) sát với mAP yolov3 (99.97%) sau 2500 weight cịn có xu hướng tăng - Mơ hình yolov4 mAP thấp yolov3 thực nhiệm vụ tốt yolov3 trường hợp dao cách li chụp xéo có nhiều nhiễu xung quanh MỞ RỘNG VỚI ỨNG DỤNG HYPERDASH: 6.1 Hyperhash gì: - Hyperdash ứng dụng giúp theo dõi trình training từ xa lúc đâu với điện thoại thông minh kết nối internet 6.2 Đặc điểm bật hyperdash: - Real-time Alerts: Hyperdash tự động theo dõi trình training thơng báo q trình training hồn thành, thất bại, crashes kết nối - Trach logs remotely: truyền trực tiếp lịch sử bảng điều khiển từ máy tính sang điện thoại với thời gian thực Không cần SSH để xem lỗi hiệu suất mơ hình - Private and secure: nhà sản xuất khơng thấy dataset model nên IP ta Bảo mật đại giúp giữ an toàn cho nhật ký số liệu 6.3 Trải nghiệm đánh giá: B1: tạo model tên yolov4_training, sau hyperdash tự động tạo model giống điện thoại để truy cập theo dõi BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG 31 Đánh giá mơ hình GVHD: TS PHẠM VIỆT CƯỜNG Model names yolov4_training B2: bắt đầu q trình training mơ hình yolov4 google colab BỘ MƠN ĐIỀU KHIỂN TỰ ĐỘNG 32 Đánh giá mơ hình GVHD: TS PHẠM VIỆT CƯỜNG B3: Truy cập vào model tạo tự động hyperdash điện thoại theo dõi: BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG 33 Tài liệu tham khảo GVHD: TS PHẠM VIỆT CƯỜNG TÀI LIỆU THAM KHẢO: [1] Detection of Power Line Insulator Defects Using Aerial Images Analyzed With Convolutional Neural Networks [2] Insulator-Fault-Detection-Based-on-Spatial-Morphological-Features-of-AerialImages [3] Computer-visionbased-automatic-rodinsulator-defect-detection-in-high-speedrailway-catenary-system [3] https://phamdinhkhanh.github.io/2020/03/10/DarknetGoogleColab.html [4] https://www.youtube.com/watch?v=_FNfRtXEbr4 [5] Một vài tài liệu khác cung cấp từ thầy hướng dẫn đồ án, từ website machine learning xử lý ảnh BỘ MÔN ĐIỀU KHIỂN TỰ ĐỘNG 34 ...Bài tập lớn GVHD: TS PHẠM VIỆT CƯỜNG LỜI CẢM ƠN Trong suốt học kỳ vừa qua, nhóm chúng tơi đăng ký tập lớn với đề tài “Nhận diện dao cách ly đóng hay mở trạm biến áp” Để thực đề tài này, ngồi cơng... mong muốn áp dụng mơ hình vào thực tiễn, giúp robot hồn tồn thay người tiếp cận nơi nguy hiểm Với đề tài “Nhận diện dao cách ly đóng hay mở trạm biến áp”, mục tiêu nhóm sử dụng mơ hình để phát... 2.1.1.1 Grid System: Ở lớp cuối mạng CNN, thay sử dụng lớp Fully Connected sử dụng thuật toán YOLO, lớp Fully Connected (FC) có kích thước (classes, 1) thay lớp tích chập có kích thước (1, 1, classes)