Camera nhận dạng là một thiết bị ngoại vi có tích hợp chức năng nhận dạng khuôn mặt người. Ứng dụng là một hệ thống thư viện, file chạy trên web Server
Hình 15: Giao diện camera trên Web
Hệ thống phần mềm viết trên Appilcation Windows bằng ngôn ngữ studio visual. Nhận định sẽ rất khó xử lý các giao dịch, khó phát triển hệ thống nếu như dùng web phát triển tiếp. Để làm chủ công nghệ tác giả dựa vào ý tưởng trên xây dựng chương trình nhận dạng trên winform thông qua các thư viện có sẵn cũa camera.
Thiết kế giao diện khung cảnh camera. Đọc vào lưu trữ và xử lý dữ liệu nhận dạng.
✓ Tự động lưu ảnh gốc vào folder
✓ Tự động lưu ảnh nhận dạng vào folder nhận dạng
Quy trình nhận dạng ảnh .
Một số kết quả thực hiện
Hiển thị ảnh nhận dạng và kết quả nhận dạng sau khi đã so sánh với ảnh gốc ban đầu. Tỷ lệ nhận dạng cao phụ thuộc vào hình ảnh gốc và hình ảnh ngang qua camera. Camera tự động chụp và nhận nhận. Chúng ta có thể chủ động điều chỉnh thời gian sau khi carenha nhận dạng khuôn mặt người chụp và nhận dạng ảnh để tránh trường hợp đầy ổ cứng. Ở đây tác giả để 3s nhận dạng một lần nếu như trong khung hình là mặt người thể hiện như Hình 17.
Để giảm bớt thao tác tác giả cho phép thêm ảnh cần nhận dạng ngay trên form nhận dạng thay vì cần một camera khác đưa thông tin người nhận dạng lên hệ thống bằng cách chụp lại khuôn mặt và xác định danh tính (danh mục nhân viên trong phần mềm), nhập tài xế mới minh họa như Hình 18.
Hình 18: Màn hình nhập dữ liệu tài xế mới
Báo cáo thống kê tài xế đi qua hệ thống nhận dạng và lưu lại lịch sử nhận dạng minh họa như Hình 20.
Hình 20: Báo cáo lịch sử nhận dạng tài xế
Phân tích và hiển thị thói quen dùng xe của tài xế chạy quen xe có lợi cho cả chủ xe lẫn tài xế, đồng thời giúp các nhà vận chuyển an tâm khi giao xe, cũng như xử lý tính huống khi có sự cố tốt hơn, tiết kiệm nhiên liệu, vận chuyển nhanh hơn và đúng thời gian lịch trình.
Hệ thống sẽ đưa ra thông tin xe đang chờ vận chuyển, thống kê số lần vận chuyển tài xế để nhân viên điều phối chọn xe một cách hiệu quả nhất.
Nhìn lại so sánh lợi ích phần mềm vận tải cho\ doanh nghiệp thì việc sử dụng phần mềm hỗ trợ trong công việc quản lý là cách tốt nhất hỗ trợ vận chuyển hiệu quả, giảm thiểu chi phí trong quản lý và trong hoạt động, đồng thời giúp cung cấp dịch vụ tốt hơn, hình thành chuỗi cung ứng theo thời gian thực tế chất lượng, đem tới sự hài lòng lớn nhất cho khách hàng sử dụng. Một hệ thống phần mềm đạt chất lượng, thích hợp khi nó mang lại lợi ích sử dụng cao như doanh nghiệp mong muốn.
Hiện nay, phần mềm quản lý vận tải được cung cấp vô cùng đa dạng, có nhiều sự lựa chọn khác nhau mà chúng ta có thể tính toán và xác định để lựa chọn. Thông thường, một phần mềm tiêu chuẩn khi đưa vào ứng dụng hỗ trợ trong việc đặt hàng, giao nhận, điều phối container, tới quản lý các loại xe vận tải, … Việc tối ưu tối đa được quá trình vận chuyển hàng hóa được thực hiện với phần mềm hỗ trợ chất lượng, chuyên nghiệp.
Thống kế tình hình hoạt động tài xế (nhân viên) qua nhận dạng như Hình
Thống kế và phân tích tài xế bằng phương pháp trực quan minh họa như Hình 23.
CHƯƠNG 5: KẾT LUẬN
Phần mềm quản lý doanh nghiệp nói chung, phần mềm dịch vụ vận tải nói riêng là một mô hình không thể thiếu trong công cuộc phát triển chung phù hợp với xu thế thời đại. Đơn giản nó là một mô hình công nghệ all-in-one, tích hợp nhiều module khác nhau cần thiết cho hoạt động quản lý các phòng ban thành một phần mềm duy nhất, giúp tự động hoá các hoạt động liên quan tới tài nguyên của doanh nghiệp, tạo ra một hệ thống dữ liệu tự động hợp nhất và xuyên suốt qua các phòng ban và khâu hoạt động về nghiệp vụ quản lý như mua hàng, bán hàng, quản lý nhân sự.
Để chuỗi hoạt động được tiến hành nhanh gọn, tránh lãng phí thời gian; tập trung vào xây dựng chiến lược và tiếp thị thì xu hướng số hóa doanh nghiệp là cần thiết. Dựa vào khả năng của đơn vị thiết kế phần mềm chúng ta có nhiều sự lựa chọn tích hợp các thiết bị vào trong điều khiển (control devices) mà camera nhận dạng là một điển hình.
Trong bài tiểu luận này hệ thống điều khiển camera, hệ thống quản lý được tác giả phát triển trên ngôn ngữ C#, Vb.Net, Asp.Net, nơi lưu trữ dữ liệu SQL Server. Áp dụng công thức phân tích dự báo theo chuỗi thời gian đối với từng thời điểm để đưa ra kết quả chính xác nhất, nhanh nhất.
Luận văn này có tính cấp thiết và ứng dụng vào thực triễn với doanh nghiệp Logistics, có thể ứng dụng vào các doanh nghiệp khác trong nhiều lĩnh vực khác nhau.
Hệ thống phần mềm quản lý tích hợp camera nhận dạng khuôn mặt được áp dụng theo mô hình Agile và quy trình scrum hỗ trợ doanh nghiệp trong vấn đế quản lý tài chính chặt chẽ, phân công nguồn nhân lực hợp lý và chính xác.
Hệ thống giám sát camera được ứng dụng công nghệ Facial Recognition (nhận dạng khuôn mặt người) xác định độ chính xác theo một tỷ lệ cho phép sau khi so sánh nguồn dữ liệu trong hệ thống mà người quản trị thiết lập trước đó.
Đưa ra những cảnh báo như thống kê, giám sát hỗ trợ người sử dụng chọn lọc một cách tối ưu nhất. Dữ liệu lưu trữ lớn dần theo thời gian chúng cũng cần lường trước vấn đề này để đưa ra giải pháp tối ưu đảm bảo tốc độ truy vấn.
Nhận dạng khuôn mặt người hiện nay đã có rất nhiều tiến bộ, được rất nhiều các công ty hàng đầu về công nghệ quan tâm và đưa vào nghiên ứng dụng điều phối tài xế lái xe và tiết kiệm chi phí và đều hành.
TÀI LIỆU THAM KHẢO
[1]T. Kohonen (1995), LVQ-.PAK Version 3.1 - The Learning Vector Quantization Program Package, LVQ Programming Team of the Helsinki University of Technology.
[2]A. Sato and J. Tsukumo (1994), A Criterion for Training Reference Vectors and Improved Vector Quantization, Proc. of the International Conference on Neural Networks, Vol. 1, pp.161-166.
[3]Nguyen Vu Truong, 2012, Mechanical parameter estimation of motion control systems, 2012 4th International Conference on Intelligent.
[4]Sathyanarayana, Aarti, 2016, Sleep Quality Prediction From Wearable Data Using Deep Learning, JMIR mHealth and uHealth.
[5]Zhong, Sheng-hua, Liu -Yan, Liu –Yang,2011. Bilinear Deep Learning for Image Classification. Proceedings of the 19th ACM International Conference on Multimedia.
[6]A. Krizhevsky, I. Sutskever, G. E. Hinton, 2012, ImageNet classification with deep convolutional neural networks, Proc. Adv. Neural Inf. Process. Syst, pp. 1097-1105. [7]A. Angelova, A. Krizhevsky, V. Vanhoucke, A. Ogale, D. Ferguson, 2015, Real-time
pedestrian detection with deep network cascades, Proc. BMVC, pp. 1-12. [8]Y. LeCun, Y. Bengio, G. Hinton, 2015, Deep learning, Nature, pp. 436-444.
[9]J. Schmidhuber, 2015, Deep learning in neural networks: An overview, Neural Netw., pp. 85-117.
[10] H. Roth, 2015, Improving computer-aided detection using convolutional neural networks and random view aggregation, IEEE Trans. Med. Imag., pp. 1170-1181 [11] https://minhng.info/tutorials/local-binary-patterns-lbp-opencv.html, truy
cập 20/09/2021
[12] Đào Quang Toàn, 2017, Nhận dạng khuôn mặt trong hỗ trợ công tác quản lý tiếp dân, Luận văn cao học máy tính, Trường Đại học Thái Nguyên.
[13] Kirby, M., and Sirovich, L., 1990, Application of the Karhunen-Loeve procedure for the characterization of human faces, IEEE PAMI, Vol. 12, pp. 103-108.
[14] S. Gong, S. J. McKeANNa, and A.Psarron, 2020, Dynamic Vision, Imperial College Press, London.
[15] https://phamdinhkhanh.github.io/2020/03/12/faceNetAlgorithm.html, truy cập 20/09/2021