Luận văn Thạc sĩ Công nghệ thông tin: Ứng dụng học sâu trong phân loại trái cây

Chia sẻ: Bobietbo | Ngày: | Loại File: PDF | Số trang:69

Thêm vào BST

Báo xấu

57
lượt xem 10
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận văn "Ứng dụng học sâu trong phân loại trái cây" thực hiện với mục tiêu chính như tìm hiểu bài toán phân loại dữ liệu nói chung và bài toán phân loại dữ ảnh trái cây nói riêng. Nghiên cứu mô hình mạng neuron đa tầng, các thuật toán lan truyền tiến, lan truyền ngược để sử dụng và huấn luyện mạng neuron.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Luận văn Thạc sĩ Công nghệ thông tin: Ứng dụng học sâu trong phân loại trái cây

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGOẠI NGỮ - TIN HỌC TPHCM LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGUYỄN VĂN PHÚC ỨNG DỤNG HỌC SÂU TRONG PHÂN LOẠI TRÁI CÂY THÀNH PHỐ HỒ CHÍ MINH – 10/2019
BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NGOẠI NGỮ - TIN HỌC TPHCM LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN NGUYỄN VĂN PHÚC ỨNG DỤNG HỌC SÂU TRONG PHÂN LOẠI TRÁI CÂY Ngành: CÔNG NGHỆ THÔNG TIN Mã số: 60480201 NGƯỜI HƯỚNG DẪN KHOA HỌC: TS. VŨ THANH HIỀN THÀNH PHỐ HỒ CHÍ MINH – 10/2019
LỜI CAM ĐOAN Tôi xin cam đoan đề tài: “Ứng dụng học sâu trong phân loại trái cây” là công trình nghiên cứu được tôi thực hiện dưới sự hướng dẫn của giảng viên hướng dẫn khoa học. Các kết quả nghiên cứu và kết quả thử nghiệm nêu trong luận văn là trung thực và chưa từng được công bố trong bất kỳ tài liệu nào khác. Trong phần kiến thức chung nghiên cứu giải thuật áp dụng, luận văn có tham khảo ở một số tài liệu và đã có trích dẫn đúng và đầy đủ. Học Viên Nguyễn Văn Phúc
LỜI CẢM ƠN Tôi xin bày tỏ lòng biết ơn sâu sắc đến Thầy, TS. Vũ Thanh Hiền, người đã hết lòng hướng dẫn, động viên và giúp đỡ cho tôi hoàn thành luận văn này. Tôi cũng xin chân thành gửi lời cám ơn đến quý Thầy Cô trường Đại Học Ngoại ngữ - Tin học TP.HCM đã tận tình dạy dỗ, chỉ bảo kiến thức quý báu giúp tôi hoàn thành khóa học đúng tiến độ và là nền tảng cho nghiên cứu của mình. Xin cảm ơn Ban Hợp tác và Đào tạo Sau đại học đã nhiệt tình hỗ trợ trong suốt quá trình học tập tại trường. Cuối cùng, xin chân thành cảm ơn bạn bè và đồng nghiệp đã khích lệ, động viên, tạo điều kiện thuận lợi cho tôi trong suốt thời gian thực hiện luận văn. TP. HCM, tháng 10 năm 2019 Học Viên Nguyễn Văn Phúc 2-2 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
DANH MỤC CÁC CHỮ VIẾT TẮT Chữ viết tắt Ý nghĩa AI Artificial Intelligent ANN Artificial neural networks CNN Convolutional Neural Network PCA Principal Component Analysis SVM Support Vector Machine 2-3 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 2.1 Minh hoạ sơ đồ Deep Learning .................................................................13 Hình 2.2 Minh hoạ các lớp trong Deep Learning ....................................................14 Hình 2.3 Kiến trúc tổng quát của một ANN ............................................................18 Hình 2.4 Mô hình tích chập......................................................................................20 Hình 2.5 Mô hình mạng neuron tích chập ...............................................................22 Hình 2.6 Mô hình mạng perceptron đa tầng ............................................................24 Hình 2.7 Mô tả các neuron đầu vào .........................................................................25 Hình 2.8 Mô hình neuron cục bộ .............................................................................26 Hình 2.9 Mô hình neuron cục bộ .............................................................................26 Hình 2.10 Mô hình neuron cục bộ ...........................................................................27 Hình 2.11 Công thức xây dựng lớp tính Neuron......................................................28 Hình 2.12 Minh hoạ đặc trưng cấu trúc neuron .......................................................29 Hình 2.13 Bản đồ đặc trưng .....................................................................................30 Hình 2.14 Sơ đồ phân lớp ........................................................................................32 Hình 2.15 Sơ đồ phân lớp ........................................................................................32 Hình 2.16 Sơ đồ phân lớp ........................................................................................33 Hình 2.17 Kiến trúc AlexNet ...................................................................................34 Hình 2.18 Kiến trúc VGG 16 ...................................................................................35 Hình 2.19 Kiến trúc Inception ..................................................................................36 Hình 2.20 Inception ..................................................................................................36 Hình 3.1 Hình dạng khác nhau của cùng một loại táo .............................................37 Hình 3.2 Hình dạng quả nho ....................................................................................37 Hình 3.3 Trái cây Apple Braeburn ...........................................................................42 2-4 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
Hình 3.4 Trái cây Apple Braeburn đã bị xoay .........................................................43 Hình 3.5 Trái cây Apple Golden 1 ...........................................................................44 Hình 3.6 Trái cây Apple Golden 1 đã bị xoay .........................................................45 Hình 3.9 Độ lỗi của mô hình trong quá trình huấn luyện dựa trên tensorboard ......50 Hình 3.10 Độ chính xác của mô hình trong quá trình huấn luyện dựa trên tensorboard ................................................................................................................50 Hình 3.7 Giao diện chính của ứng dụng ..................................................................52 Hình 3.8 Huấn luyện mô hình ..................................................................................54 Hình 3.11 Kiểm tra trên tập dữ liệu test ...................................................................55 2-5 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
DANH MỤC CÁC BẢNG BIỂU Bảng 3.1 Các loại trái cây ........................................................................................41 Bảng 3.2 Các thông số của mô hình.........................................................................47 Bảng 3.3 Các chức năng của ứng dụng ....................................................................53 2-6 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
TRANG THÔNG TIN VỀ LUẬN VĂN THẠC SĨ 1. Họ tên học viên: NGUYỄN VĂN PHÚC Nam/ Nữ: Nam 2. Ngày tháng năm sinh: 30 tháng 4 năm 1990 Nơi sinh: Campuchia 3. Ngành học: Công nghệ Thông tin Mã số: 60480201 4. Ngày nhập học: 2016 5. Các thay đổi trong quá trình đào tạo: (nếu có) 6. Tên đề tài luận văn (chính thức bảo vệ): 7. 6.1. Tên Tiếng Việt: “Ứng dụng học sâu trong phân loại trái cây” 6.2. Tên Tiếng Anh: “Apply Deep Learning to Classify Fruit” Cán bộ hướng dẫn (họ tên, học hàm, học vị): TS. VŨ THANH HIỀN 8. Tóm tắt các kết quả của luận văn: “Tóm tắt các kết quả của luận văn: Đã tìm hiểu cơ sở lý thuyết của mạng neuron và đặc biệt là mô hình mạng neuron tích chập để giải quyết bài toán phân loại 60 loại trái cây trên cơ sở dữ liệu Fruit. Qua quá trình thực nghiệm, chúng tôi đã xác định kiến trúc cũng như bộ tham số phù hợp để giải quyết bài toán với độ chính xác cao” 9. Khả năng ứng dụng thực tiễn (nếu có) 10. Những hướng nghiên cứu tiếp theo (nếu có) 11. Các công trình đã công bố có liên quan đến luận văn: CÁN BỘ HƯỚNG DẪN HỌC VIÊN (ký tên, họ và tên) (ký tên, họ và tên) Nguyễn Văn Phúc TS. Vũ Thanh Hiền 2-7 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
LỜI MỞ ĐẦU Ngày nay công nghệ thông tin là ngành chủ lực quan trọng góp phần thúc đẩy sự phát triển mọi mặt của con người. Một trụ cột của thời đại công nghiệp 4.0 là sự phát triển mạnh của Trí tuệ nhân tạo (Artificial Intelligence - AI). AI có mặt ở tất cả các ứng dụng thông minh như nhận dạng giọng nói của Apple, dịch tự động, search engine của Google, xe lái tự động của Tesla, … có thể nói AI đang là một trong những công nghệ được quan tâm đầu tư nghiên cứu và phát triển nhất thời điểm hiện nay. Ở nước ta hiện nay đã bắt đầu áp dụng Trí tuệ nhân tạo vào nghiên cứu và kinh doanh đã cho ra những kết quả rất đáng kể. Trong lương lai nước ta sẽ áp dụng và đưa công nghệ thông tin vào tất cả các lĩnh vực nhằm phát triển mạnh mẽ hơn để có thể thay thế những thủ tục thủ công mà con người bấy lâu nay vẫn còn phụ thuộc… Khi nền công nghiệp 4.0 được đưa vào áp dụng thì máy móc sẽ giúp cho con người hoàn thành tốt công việc và thực hiện nhanh hơn, chính xác hơn và công sức tối ưu nhất, tương lai máy móc sẽ thay thế con người làm việc trên mọi mặt, do đó, những chuyên gia hay bất cứ ai nghiên cứu về lĩnh vực này luôn muốn tìm hiểu và nghiên cứu sâu về sự thay đổi mạnh mẽ của công nghiệp 4.0 và sự phát triển mạnh của Trí tuệ nhân tạo. Bây giờ, Trí tuệ nhân tạo đang góp phần thay đổi sâu sắc nhiều khía cạnh của cuộc sống, dần trở thành một yếu tố quan trọng trong hoạt động muôn màu muôn vẻ của nhân loại. Nhiều bức tranh về tương lai xán lạn do trí tuệ nhân tạo mang tới cho loài người đã được khắc họa. Riêng về mặt kinh tế cho thấy trí tuệ nhân tạo trở thành cơ hội thương mại lớn nhất ngày nay trong nền kinh tế toàn cầu đang thay đổi nhanh chóng với phần đóng góp của nó, Chính vì lý do đó, nhiều nước trên thế giới đã và đang tiến hành xây dựng chiến lược phát triển trí tuệ nhân tạo quốc gia của họ. 2-8 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
MỤC LỤC CHƯƠNG 1. TỔNG QUAN ..................................................................................... 2 1.1 ĐẶT VẤN ĐỀ......................................................................................................... 2 1.2 GIỚI THIỆU TRÍ TUỆ NHÂN TẠO VÀ HỌC MÁY ................................................... 4 1.3 TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ ........................................................................... 6 1.3.1 GIỚI THIỆU ........................................................................................................ 6 1.3.2 MỘT SỐ KHÁI NIỆM CƠ BẢN TRONG XỬ LÝ ẢNH ................................................ 7 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT ....................................................................... 10 2.1 GIỚI THIỆU VỀ DEEP LEARNING...................................................................... 10 2.2 MỘT SỐ ỨNG DỤNG CỦA DEEP LEARNING ...................................................... 14 2.3 GIỚI THIỆU MẠNG NEURON............................................................................. 17 2.4 MẠNG NEURON TÍCH CHẬP.............................................................................. 18 2.4.1 ĐỊNH NGHĨA MẠNG NEURON TÍCH CHẬP ......................................................... 19 2.4.2 CONVOLUTION (TÍCH CHẠP̂ ) ............................................................................ 19 2.4.3 MÔ HÌNH MẠNG NƠ-RON TÍCH CHẠP̂ ............................................................... 20 2.4.4 XAŶ DỰNG MẠNG NƠ-RON TÍCH CHẠP̂ ............................................................ 22 2.5 MỘT SỐ KIẾN TRÚC CONVOLUTIONAL NEURAL NETWORK THÔNG DỤNG .... 34 2.5.1 KIẾN TRÚC ALEXNET [17] .............................................................................. 34 2.5.2 KIẾN TRÚC VGG 16 [17] ................................................................................. 35 2.5.3 KIẾN TRÚC INCEPTION/GOOGLENET [18] ....................................................... 35 CHƯƠNG 3. PHÂN LOẠI ẢNH TRÁI CÂY ...................................................... 37 3.1 PHÁT BIỂU BÀI TOÁN ........................................................................................ 37 3.2 CƠ SỞ DỮ LIỆU TRÁI CÂY ................................................................................. 38 3.3 CẤU TRÚC THƯ MỤC CƠ SỞ DỮ LIỆU ẢNH TRÁI CÂY ....................................... 41 3.4 DỮ LIỆU MẪU .................................................................................................... 41 3.5 PHƯƠNG PHÁP ĐỀ XUẤT ................................................................................... 45 B. HÀM LOSS.............................................................................................................. 48 C. PHƯƠNG PHÁP HUẤN LUYỆN ........................................................................... 48 CHƯƠNG 4. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN...................................... 49 4.1 THỰC NGHIỆM VÀ KẾT QUẢ ............................................................................. 49 4.2 KẾT LUẬN VÀ PHƯỚNG PHÁT TRIỂN ................................................................ 55 4.3 HƯỚNG PHÁT TRIỂN TIẾP THEO....................................................................... 56 TÀI LIỆU THAM KHẢO ...................................................................................... 57
CHƯƠNG 1. TỔNG QUAN 1.1 Đặt vấn đề - Cơ sở hình thành đề tài: Trong luận văn này trình bày khái quát về xử lý ảnh, các phương pháp trích chọn đặc trưng. Mạng neuron tích chập và sử dụng trong bài toán phân loại đối tượng. Hiện nay, với sự phát triển của công nghiệp 4.0, công nghệ thông tin nói chung và sự phát triển trong lĩnh vực Trí tuệ nhân tạo, các hệ thống phát hiện và nhận dạng và ngày càng có nhiều ứng dụng trong thực tế như vấn đề an ninh, các hệ thống bảo mật, nhận dạng người trên các bằng lái xe, hộ chiếu, nhận dạng người trong các hệ thống tương tác người-máy, nhận dạng đối tượng, nhận dạng vân tay, nhận dạng màu sắc, trong lĩnh vực giải trí... Đặc biệt khi cách mạng công nghiệp 4.0 ra đời thì công nghệ ngày càng được phát triển cao hơn, các công nghệ tối tân sẽ dần dẫn được đưa vào xử dụng nhằm phục vụ cho con người. Nhu cầu tăng lên trong ứng dụng Trí tuệ nhân tạo, đã giúp các nhà khoa học có thêm nhiều phương pháp mới để phát triển các dự án nghiên cứu. Mặc dù ban đầu thực hiện gặp nhiều khó khăn do mới tiếp xúc công nghệ hoặc đang áp dụng lý thuyết vào thực tế nhưng những kết quả đạt được trong thời gian đầu cũng xem như một kết quả khả quan tạo động lực cho các công trình sau này. việc nhận dạng đối tượng không thể chính xác được như các phương pháp nhận dạng khác như nhận dạng vân tay, nhận dạng mặt người…nhưng đề tài này nó vẫn nhận được sự quan tâm lớn của các nhà nghiên cứu trong lĩnh vực thị giác máy tính. Lý do chủ yếu 2
là trên thực tế, nhận dạng đối tượng vẫn là cách truyền thống để con người nhận dạng và phát hiện ra đối tượng. Có rất nhiều mô hình tính toán mô phỏng bộ não của người được nghiên cứu trong đó có mạng neuron. Đề tài này cũng một phần áp dụng mạng neuron vào khả năng giải quyết hàng loạt các bài toán như tính toán tối ưu, nhận dạng đối tượng, điều khiển và được ứng dụng trong nhiều lĩnh vực của bài toán phát hiện và nhận dạng. Một mạng neuron nhân tạo bao gồm một tập các đơn vị xử lý cơ bản, gọi là neuron, chúng truyền thông tin bằng cách gửi các tín hiệu cho nhau qua các kênh kết nối có trọng số. Mỗi neuron thực hiện một công việc tương đối đơn giản: nhận tín hiệu từ các neuron lân cận hoặc từ nguồn bên ngoài, tính toán tín hiệu ra rồi truyền sang cho các neuron khác. Ngoài việc xử lý này, nhiệm vụ thứ hai của neuron là điều chỉnh lại các trọng số. Hệ thống sẽ được thực hiện song song vì nhiều neuron có thể thực hiện tính toán ở cùng thời điểm. Xuất phát trong hoàn cảnh đó tôi đã quyết định lựa chọn đề tài: “Nhận dạng ảnh xác định đối tượng của ảnh khi sử dụng mạng Neuron” là một việc làm không chỉ có ý nghĩa khoa học và còn mang đậm tính thực tiễn nhất khi thực tế đang đặt ra những yêu cầu đòi hỏi. - Mục tiêu nghiên cứu: • Tìm hiểu bài toán phân loại dữ liệu nói chung và bài toán phân loại dữ ảnh trái cây nói riêng. • Nghiên cứu mô hình mạng neuron đa tầng, các thuật toán lan truyền tiến, lan truyền ngược để sử dụng và huấn luyện mạng neuron. 3 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
• Nghiên cứu một số kiến trúc mạng neuron hiện đại giải quyết bài toán phân loại dữ liệu ảnh • Tiến hành xây dựng kiến trúc của mô hình, tiến hành thực nghiệm mô hình, và đánh giá kết quả thực nghiệm của mô hình để giải quyết bài toán phân loại ảnh trái cây 1.2 Giới thiệu trí tuệ nhân tạo và học máy Trí tuệ nhân tạo là một hướng nghiên cứu của lĩnh vực Công nghệ thông tin và Khoa học máy tính nhằm phát triển các hệ thống thông minh nhằm giải quyết các bài toán trong thực tế giống như hoạt động của bộ não người. Trí tuệ nhân tạo được bắt đầu nghiên cứu từ những năm 50 của thế kỷ 20 và trong khoảng 30 năm trở lại đây đã được cộng đồng các nhà khoa học quan tâm mạnh mẽ. Rất nhiều các hội thảo lớn về lĩnh vực này được tổ chức hàng năm trên thế giới. Các ứng dụng tiêu biểu của trí tuệ nhân tạo vào đời sống xã hội bào gồm: người máy, robot, xử lý ngôn ngữ tự nhiên, nhận dạng, phát hiện dị thường, an ninh quốc phòng, tin sinh học, khoa học vũ trụ và trái đất,... Trong khuôn khổ luận văn Thạc sỹ của mình, qua việc được trang bị các môn học lỹ thuyết như thuật toán, xử lý ảnh, trí tuệ nhân tạo,... tôi đã lựa chọn đề tài Nghiên cứu một số phương pháp cơ bản về nhận dạng và phát hiện một số loại trái cây thông dụng trong ảnh màu. Chủ đề phân lớp dữ liệu là một nhánh quan trọng trong lĩnh vực học máy (machine learning) của trí tuệ nhân tạo, có thể kể các ứng dụng của học máy trong thực tế như người máy, robot, nhận dạng mặt người, nhận dạng tiếng nói và chữ viết,... 4 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
+ Đối tượng và phạm vi nghiên cứu - Đối tượng nghiên cứu • Nghiên cứu mạng neuron đa tầng và mạng neuron tích chập • Nghiên cứu bài toán phân lớp ảnh trái cây • Tìm hiểu xây dựng kiến trúc và thực nghiệm mô hình mạng neuron tích chập để giải quyết bài toán phân lớp ảnh trái cây - Phạm vi nghiên cứu - Lý thuyết: Nghiên cứu lý thuyết về xử lý ảnh, Học máy, Deep Learning, Mạng neuron tích chập. - Thực nghiệm: Lập trình trên phần mềm Python cho chương trình phân loại một số loại trái cây thông dụng trong ảnh. + Phương pháp nghiên cứu - Thu thập, phân tích các tài liệu và thông tin liên quan đến đề tài từ đó đưa ra cái nhìn tổng quan, các khó khăn gặp phải, các ràng buộc của bài toán... - Tiến hành phân tích, xây dựng giải pháp phát hiện gồm có : Tiền xử lý, trích chọn đặc trưng, huấn luyện mô hình dữ liệu, hậu xử lý. - Xây dựng và kiểm thử việc đánh giá hiệu quả phương pháp mạng neuron tích chập để phân loại đối tượng bằng ngôn ngữ Python. + Cấu trúc của luận văn 5 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
Cấu trúc của luận văn Nghiên cứu và ứng dụng mạng Neuron tích chập vào thực nghiệm trên nhiều tầng khác nhau để tìm ra kết quả tốt nhất cho bài toán và chương trình bao gồm những cấu trúc như sau: Chương 1: Tổng quan về Chương 2: Lý thuyết về Deep Learning và Mạng neuron tích chập. Chương 3: Chương này sẽ đi sâu vào việc cài đặt ứng dụng cụ thể cho bài toán phát hiện và phân loại một số loại trái cây thông dụng bằng phương pháp Deep Learning trong mô hình mạng neuron tích chập. Chương 4: Kết quả và hướng phát triển Kết luận: Tóm tắt các vấn đề được tìm hiểu trong luận văn và các vấn đề liên quan trong luận văn. 1.3 Tổng quan về xử lý ảnh số 1.3.1 Giới thiệu Con người thu nhận thông tin qua các giác quan, trong đó thị giác đóng vai trò quan trọng nhất. Những năm trở lại đây với sự phát triển của phần cứng máy tính, xử lý ảnh và đồ hoạ đó phát triển một cách mạnh mẽ và có nhiều ứng dụng trong cuộc sống. Xử lý ảnh và đồ hoạ đóng một vai trò quan trọng trong tương tác người và máy. Quá trình xử lý ảnh được xem như là quá trình thao tác ảnh đầu vào nhằm cho ra kết quả mong muốn. Kết quả đầu ra của một quá trình xử lý ảnh có thể là một ảnh “tốt hơn” hoặc một kết luận. 6 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
- Các bước cơ bản trong một hệ thống xử lý ảnh: + Khối thu nhận ảnh: có nhiệm vụ tiếp nhận ảnh đầu vào. + Khối tiền xử lý: có nhiệm vụ xử lý nâng cao chất lượng ảnh như giảm nhiễu, phân vùng, tìm biên v.v.. + Khối trich chọn đặc điểm: có nhiệm vụ trích chọn các đặc trưng quan trọng của các bức ảnh đã được tiền xử lý để sử dụng trong hệ quyết định + Khối hậu xử lý: có nhiệm vụ xử lý các đặc điểm đã trích chọn, có thể lược bỏ hoặc biến đổi các đặc điểm này để phù hợp với các kỹ thuật cụ thể sử dụng trong hệ quyết định + Khối hệ quyết định và lưu trữ: có nhiệm vụ đưa ra quyết định (phân loại) dựa trên dự liệu đã học lưu trong khối lưu trữ + Khối kết luận: đưa ra kết luận dựa vào quyết định của khối quyết định 1.3.2 Một số khái niệm cơ bản trong xử lý ảnh + Ảnh và điểm ảnh: Điểm ảnh được xem như là dấu hiệu hay cường độ sáng tại một vị trí nào đó của đối tượng trong không gian và ảnh được xem như là một tập hợp các điểm ảnh. + Mức xám, màu: Là số các giá trị có thể có của các điểm ảnh của ảnh + Nắn chỉnh biến dạng: Ảnh thu nhận thường bị biến dạng do các thiết bị quang học và điện tử. 7 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
+ Khử nhiễu: Có 2 loại nhiễu cơ bản trong quá trình thu nhận ảnh mà chúng ta cần loại bỏ: Nhiễu hệ thống: là nhiễu có quy luật có thể khử bằng các phép biến đổi Nhiễu ngẫu nhiên: vết bẩn không rõ nguyên nhân có thể khắc phục bằng các phép lọc + Chỉnh số mức xám: Chỉnh số mức xám là nhằm khắc phục tính không đồng đều của hệ thống xử lý ảnh, thông thường có 2 hướng tiếp cận: Giảm số mức xám: Thực hiện bằng cách nhóm các mức xám gần nhau thành một bó. Trường hợp giảm xuống 2 mức xám thì chính là chuyển về ảnh đen trắng. Tăng số mức xám: Thực hiện nội suy ra các mức xám trung gian bằng kỹ thuật nội suy. Kỹ thuật này nhằm tăng cường độ mịn cho ảnh. Phân tích ảnh: Là khâu quan trọng trong quá trình xử lý ảnh để tiến tới hiểu ảnh. Trong phân tích ảnh việc trích chọn đặc điểm là một bước quan trọng. Các đặc điểm của đối tượng được trích chọn tuỳ theo mục đích nhận dạng trong quá trình xử lý ảnh. Có thể nêu ra một số đặc điểm của ảnh sau đây: Đặc điểm không gian: Phân bố mức xám, phân bố xác suất, biên độ, điểm uốn v.v.. Đặc điểm biến đổi: Các đặc điểm loại này được trích chọn bằng việc thực hiện lọc vùng (zonal filtering). Các bộ vùng được gọi là “mặt nạ đặc điểm” (feature mask) thường là các khe hẹp với hình dạng khác nhau (chữ nhật, tam giác, cung tròn v.v..) 8 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
+ Nén ảnh: Nén ảnh là kỹ thuật nhằm giảm thiểu không gian lưu trữ. Có hai hướng tiếp cận chính là nén có bảo toàn và không bảo toàn thông tin. Nén không bảo toàn thì thường có khả năng nén cao hơn nhưng không phục hồi được ảnh gốc, ngược lại nén có bảo toàn cho phép khôi phục hoàn toàn ảnh gốc. Nén ảnh nói chung có 4 cách tiếp cận cơ bản: Nén ảnh thống kê: Kỹ thuật nén này dựa vào việc thống kê tần xuất xuất hiện của giá trị các điểm ảnh, trên cơ sở đó mà có chiến lược mã hóa thích hợp. Một ví dụ điển hình cho kỹ thuật mã hóa này là *.TIF Nén ảnh không gian: Kỹ thuật này dựa vào vị trí không gian của các điểm ảnh để tiến hành mã hóa. Kỹ thuật lợi dụng sự giống nhau của các điểm ảnh trong các vùng gần nhau. Ví dụ cho kỹ thuật này là mã nén *.PCX Nén ảnh sử dụng phép biến đổi: Đây là kỹ thuật tiếp cận theo hướng nén không bảo toàn và do vậy tỉ lệ nén tương đối cao. *.JPG chính là tiếp cận theo kỹ thuật nén này. Nén ảnh Fractal: Sử dụng tính chất Fractal của các đối tượng ảnh. Tính chất Fractal của ảnh thể hiện sự lặp lại của các chi tiết tại nhiều vị trí khác nhau với kích thước và hướng khác nhau. Kỹ thuật nén sẽ tính toán để chỉ cần lưu trữ phần gốc ảnh và quy luật sinh ra ảnh theo nguyên lý Fractal. 9 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011
CHƯƠNG 2. CƠ SỞ LÝ THUYẾT 2.1 Giới thiệu về Deep Learning Deep Learning là một phương pháp của Học máy. Nó cho phép huấn luyện một tập dữ liệu có thể dự đoán được các đầu ra dựa vào một tập các đầu vào. Cả hai phương pháp có giám sát và không giám sát đều có thể sử dụng để huấn luyện. Sẽ huấn luyện nó bằng phương pháp học có giám sát. Nói rộng ra, deep learning là một tên gọi dễ hiểu hơn của mạng neuron nhân tạo. Từ "deep" trong deep learning đề cập đến độ sâu của mạng lưới. Một mạng neuron nhân tạo cũng có thể rất cạn. Mạng neuron được lấy cảm hứng từ cấu trúc của vỏ não. Mức cơ bản được gọi là perceptron, biểu diễn toán học của một neural sinh học. Giống như vỏ não, có thể có nhiều lớp perceptron kết nối với nhau. Lớp đầu tiên là lớp input (đầu vào). Mỗi nút trong lớp này lấy một đầu vào, và sau đó chuyển output (đầu ra) của nó làm đầu vào cho mỗi nút trong lớp tiếp theo. Nói chung không có kết nối giữa các nút trong cùng một lớp và lớp cuối cùng tạo nên kết quả đầu ra. gọi phần giữa là lớp ẩn. Những neuron này không có kết nối với bên ngoài (ví dụ như đầu vào hoặc đầu ra) và chỉ được kích hoạt bởi các nút trong lớp trước. Điều mà nhiều người không nhận ra là tất cả các công nghệ này, về mặt bản chất đều xuất phát từ cùng một nguồn gốc. Chúng được phát triển từ “deep learning”, một nhánh đặc biệt trong trí tuệ nhân tạo (AI). Nhiều nhà khoa học vẫn thích gọi nó theo tên nguyên gốc là deep neural network (mạng neuron sâu). Trên thực tế, chẳng kỹ sư nào có thể lập trình cho máy tính thực hiện được những tính năng đề cập ở trên. Thay vào đó, họ tạo ra một thuật toán giúp máy tính 10 Luận văn thạc sĩ công nghệ thông tin – Học Viên Nguyễn Văn Phúc – MSHV: 12CH201011