intTypePromotion=1
ADSENSE

Thiết kế mẫu CNN cho bài toán tìm biên ảnh

Chia sẻ: Thi Thi | Ngày: | Loại File: PDF | Số trang:7

41
lượt xem
3
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Bài báo có 4 phần, phần 1 giới thiệu chung, phần 2 giới thiệu khái quát về CNN và ứng dụng trong xử lý ảnh, phần 3 giới thiệu và giải quyết bài toán dò biên gồm: thiết kế mẫu CNN, áp dụng cho bài toàn tìm biên ảnh, tiến hành cài đặt mô phỏng mẫu tìm được trên ngôn ngữ Java. So sánh với kết quả trên Candy cho thấy độ chính xác của ảnh kết quả là tương đương, phần 4 kết luận đánh giá kết quả thực nghiệm, hướng ứng dụng và phát triển cứng hóa thuật toán trên chip.

Chủ đề:
Lưu

Nội dung Text: Thiết kế mẫu CNN cho bài toán tìm biên ảnh

Vũ Đức Thái và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> 106(06): 139 - 145<br /> <br /> THIẾT KẾ MẪU CNN CHO BÀI TOÁN TÌM BIÊN ẢNH<br /> Vũ Đức Thái1*, Lê Văn Thủy2<br /> 1<br /> <br /> Trường ĐH Công nghệ Thông tin & Truyền thông – ĐH Thái Nguyên<br /> 2<br /> Đại học Thái Nguyên<br /> <br /> TÓM TẮT<br /> Tìm biên của một ảnh là một trong những xử lý quan trọng trong phân tích ảnh vì các kĩ thuật phân<br /> đoạn ảnh chủ yếu dựa vào biên. Thực tế, trong nhiều lĩnh vực, yêu cầu về các máy tính, thiết bị có<br /> công suất tính toán cực mạnh là rất cấp thiết như: trong xử lý ảnh động thời gian thực, nhận dạng<br /> và định vị đa mục tiêu di động trong an ninh quốc phòng, kiểm tra chất lượng sản phẩm chuyển<br /> động nhanh trên dây chuyền công nghiệp, xử lý chất lượng ảnh siêu âm trong y tế, chế tạo robot<br /> thông minh, chế tạo các thiết bị không người lái... Mạng nơ ron tế bào CNN với kiến trúc xử lý<br /> song song vật lý giúp cho tốc độ xử lý nhanh hơn nhiều so với máy PC. Bài báo giới thiệu phương<br /> pháp sử dụng công nghệ CNN vào bài toán tìm biên ảnh. Bài báo có 4 phần, phần 1 giới thiệu<br /> chung, phần 2 giới thiệu khái quát về CNN và ứng dụng trong xử lý ảnh, phần 3 giới thiệu và giải<br /> quyết bài toán dò biên gồm: thiết kế mẫu CNN, áp dụng cho bài toàn tìm biên ảnh, tiến hành cài<br /> đặt mô phỏng mẫu tìm được trên ngôn ngữ Java. So sánh với kết quả trên Candy cho thấy độ chính<br /> xác của ảnh kết quả là tương đương, phần 4 kết luận đánh giá kết quả thực nghiệm, hướng ứng<br /> dụng và phát triển cứng hóa thuật toán trên chip.<br /> Từ khóa: CNN, biên, mẫu, ngưỡng, PDE, láng giềng.<br /> <br /> GIỚI THIỆU<br /> Năm 1988, Leon O Chua và Lin Yang đưa ra<br /> ý tưởng về kiến trúc máy tính mạng nơ ron tế<br /> bào CNN (Cellular Neural Network). Trong<br /> đó, các tác giả đã nêu những nội dung cơ bản<br /> cho một mô hình tính toán song song, bao<br /> gồm kết cấu mạch điện, phương trình toán<br /> học mô tả hoạt động của hệ thống. Đồng thời<br /> phân tích, chứng minh sự làm việc ổn định<br /> của mạng bằng các cơ sở toán học, đưa ra mô<br /> hình mô phỏng thuật toán với những ví dụ cụ<br /> <br /> thể. Cung cấp những khái niệm, nguyên tắc<br /> cơ bản, làm nền tảng cho việc nghiên cứu về<br /> công nghệ CNN.<br /> Năm 1993 máy tính mạng nơron tế bào đã<br /> được chế tạo ứng dụng thành công cho một số<br /> bài toán xử lý ảnh và tính toán. Đến nay,<br /> CNN đã được nghiên cứu phát triển ứng dụng<br /> rộng rãi trên nhiều nước với nhiều lĩnh vực<br /> như xử lý ảnh động, thị giác máy, tính toán<br /> điều khiển... Tại Việt Nam đã có một số<br /> nghiên cứu ban đầu [1].<br /> <br /> Hình 1. Máy tính thị giác trên PC 104 plus*<br /> *<br /> <br /> Hình 2. Máy tính thị giác trên PC để bàn<br /> <br /> Tel: 0985 158998; Email: vdcthai@gmail.com<br /> <br /> 139<br /> <br /> Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên<br /> <br /> http://www.lrc-tnu.edu.vn<br /> <br /> Vũ Đức Thái và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> Một trong những vấn đề trọng tâm nghiên cứu<br /> của lĩnh vực thị giác máy là biên và các thao<br /> tác trên đó vì các kĩ thuật phân đoạn ảnh chủ<br /> yếu dựa vào biên. Nhìn chung về mặt toán<br /> học, người ta coi điểm biên của ảnh là điểm<br /> có sự thay đổi nhanh hoặc đột ngột về độ xám<br /> (hoặc màu). Tập hợp các điểm biên liên tiếp<br /> tạo thành biên hay đường bao quanh của ảnh.<br /> Để áp dụng CNN vào bào toán xử lí ảnh (cụ<br /> thể bài toán tìm biên) cần sử dụng bộ mẫu xử<br /> lí. Ứng với mỗi yêu cầu xử lý cụ thể sẽ một<br /> bộ mẫu xử lí riêng. Bài báo sẽ giới thiệu một<br /> số phương pháp để thiết kế mẫu xử lí và tiến<br /> hành thử nghiệm mẫu đó.<br /> KIẾN TRÚC CNN VÀ MÔ HÌNH TOÁN HỌC<br /> <br /> xij ∈ R, yij ∈ R và zij ∈ R được gọi là trạng<br /> thái: đầu ra, đầu vào, ngưỡng của tế bào<br /> C(i,j), A(i, j; k, l) và B(i, j; k, l) được gọi là<br /> toán tử phản hồi và toán tử dẫn nhập đầu vào.<br /> Theo Chua và Roska, 1993 [6]:<br /> <br /> A(i, j; k , l ) = A(k , l ; i, j ) <br /> ,<br /> B (i , j ; k , l ) = B ( k , l ; i , j ) <br /> <br /> xij ( 0 ) ≤ 1 ,<br /> uij ≤ 1<br /> <br /> Để<br /> <br /> CNN có tính ổn định thì<br /> a ij ∈ A, bij ∈ B, có thể được chọn như sau:<br /> một<br /> <br /> a1 = a9; a2 = a8; a3 = a7; a4 = a6;<br /> b 1 = b 9; b 2 = b 8; b 3 = b 7; b 4 = b 6:<br /> 2. Phương trình đầu ra<br /> <br /> Kiến trúc CNN và các phương trình mô tả<br /> Theo Leon O. Chua và L.Yang giới thiệu năm<br /> 1988. CNN sử dụng một mảng đơn giản các tế<br /> bào liên kết nhau cục bộ để xây dựng một hệ<br /> thống xử lý tín hiệu analog mạnh. Khối mạch<br /> cơ bản của CNN được gọi là tế bào (tế bào),<br /> chứa các phần tử mạch tuyến tính và phi tuyến<br /> bao gồm các tụ tuyến tính, các điện trở tuyến<br /> tính, các nguồn điều khiển tuyến tính và phi<br /> tuyến, và các nguồn độc lập.<br /> <br /> 106(06): 139 - 145<br /> <br /> yij = f ( xij ) =<br /> <br /> 1<br /> 1<br /> xij ( t ) + 1 − xij ( t ) − 1<br /> 2<br /> 2<br /> <br /> (1.2)<br /> 3. Điều kiện biên xác định và là các tế bào<br /> thuộc hiệu ứng cầu của các tế bào cạnh<br /> nhưng nằm ngoài mảng kích thước MxN.<br /> 4.<br /> <br /> Trạng<br /> <br /> thái<br /> <br /> khởi<br /> <br /> i = 1, 2,...., M , j = 1, 2,..., N ;<br /> <br /> tạo<br /> <br /> x ij (0) ,<br /> <br /> (1.3)<br /> <br /> 5. Sr(i, j) là hiệu ứng cầu của tế bào C(i,j) có<br /> bán kính r, khi tất cả các tế bào lân cận thỏa<br /> mãn điều kiện sau (r là một số nguyên<br /> dương);<br /> <br /> Sr (i, j) = C ( k, l ) max { k − i , l − j ≤ r}<br /> <br /> <br /> 1≤k ≤M ,1≤l ≤N<br /> (1.4)<br /> Hình 3. Kiến trúc mạng CNN MxN<br /> <br /> Kiến trúc CNN chuẩn là một mảng có kích<br /> thước MxN gồm các tế bào C(i,j) với (i = 1,<br /> 2,…M, j = 1, 2, . . . , N), bao gồm phương<br /> trình toán học sau [2]:<br /> <br /> Ta thu được Sr(i, j) là lân cận (2r + l) x (2r<br /> +1) (hình 4).<br /> <br /> 1. Phương trình trạng thái (state equation)<br /> <br /> xij =−<br /> +<br /> <br /> 1<br /> xij ( t )<br /> Rx<br /> <br /> ∑<br /> <br /> C(k,l)∈Sr (i, j)<br /> <br /> A(i, j;k,l)ykl ( t ) +<br /> <br /> ∑<br /> <br /> C(k,l )∈Sr (i, j)<br /> <br /> (1.1)<br /> <br /> Hình 4. Lân cận<br /> <br /> B(i, j; k,l)ukl +zij<br /> <br /> a) Lân cận 3x3 (r=1), b) lân cận 5x5(r=2)<br /> <br /> Dưới đây là một kiểu kiến trúc mạng nơron tế<br /> bào xử lý ảnh thông dụng nhất. Trong kiến<br /> <br /> 140<br /> <br /> Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên<br /> <br /> http://www.lrc-tnu.edu.vn<br /> <br /> Vũ Đức Thái và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> 106(06): 139 - 145<br /> <br /> ảnh còn lại là đầu ra output. Trong pha xử lý<br /> này, ảnh trong đầu ra được thay đổi và ảnh<br /> cuối cùng trên lớp ra là kết quả của sự tính<br /> toán. Trong chip tế bào thị giác, ngoài cấu<br /> trúc mạng nơron tế bào, còn có một số các<br /> kiến trúc thực hiện tính toán hiệu năng cao<br /> khác tồn tại.<br /> <br /> trúc này, phần tử xử lý chứa 2 lớp gồm một<br /> lớp vào và một lớp ra. Lớp đầu vào cung cấp<br /> mối liên kết feed-forward cho lớp đầu ra.<br /> Trong lớp đầu ra, có các trọng số phản hồi<br /> ngược liên tục trong thời gian từ các tế bào<br /> lân cận trong không gian. Một mạng nơron tế<br /> bào xử lý ảnh CNN có thể được khởi tạo với<br /> 2 ảnh, một ảnh được nạp vào đầu vào input,<br /> <br /> Hình 6. Hệ động lực của một tế bào CNN<br /> <br /> Hình 5. Mô hình kết nối mạng nơron tế bào<br /> <br /> Mẫu và các thao tác xử lý của CNN<br /> Phần 1 ta đã thấy sự xuất hiện của 3 trọng số A, B, z (A, B được gọi là các toán tử hồi tiếp và các<br /> toán tử điều khiển hoặc còn được gọi là các mẫu vô tính) trong kiến trúc CNN. Bộ 3 trọng số này<br /> giúp tạo ra trạng thái ổn định của mạng CNN… Việc xây dựng chương trình chạy trên CNN là<br /> xây dựng tập các mẫu xử lí thực hiện liên tục. Đối với bài toán yêu cầu xử lí lớn ta tiến hành xây<br /> dựng thư viện mẫu (hoặc sử dụng thư viện mẫu có sẵn).<br /> <br /> Hình 8. Mẫu tìm đường xiên và hiệu quả của mẫu<br /> <br /> Hình 7. Mẫu tìm vùng và hiệu quả của mẫu<br /> <br /> A=<br /> <br /> v/h2<br /> <br /> 0<br /> v/h<br /> 0<br /> <br /> 2<br /> <br /> *<br /> <br /> 0<br /> <br /> 2<br /> <br /> -4 v/h + 1/R<br /> <br /> v/h<br /> <br /> v/h2<br /> <br /> 0<br /> <br /> 2<br /> <br /> B=<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> Z=<br /> <br /> 0<br /> <br /> Hình 9. Mẫu giải phương trình PDE Laplace<br /> <br /> Phương pháp thiết kế mẫu cho bài toán ứng dụng [1], [3], [4]<br /> Sử dụng các mặt nạ trong kỹ thuật xử lý ảnh truyền thống<br /> Dùng các mặt nạ đã được sử dụng, kiểm nghiệm trong quá trình xử lý ảnh trên máy tính số như<br /> các mẫu lọc trung bình (average), các mẫu co ảnh (erosion), dãn ảnh (dilation), ... Trong mạng<br /> CNN mặt nạ này được sử dụng làm ma trận cho phép thực hiện các phép biến đổi tương đương.<br /> 141<br /> <br /> Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên<br /> <br /> http://www.lrc-tnu.edu.vn<br /> <br /> Vũ Đức Thái và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> 106(06): 139 - 145<br /> <br /> • EDGE: Mẫu tìm biên nhị phân<br /> <br /> A=<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> B=<br /> <br /> -1<br /> <br /> -1<br /> <br /> -1<br /> <br /> -1<br /> <br /> 8<br /> <br /> -1<br /> <br /> -1<br /> <br /> -1<br /> <br /> -1<br /> <br /> Z=<br /> <br /> -1<br /> <br /> B sử dụng mặt nạ Laplace.<br /> Phương pháp hệ thống dùng bảng logic<br /> Đây là phương pháp xác định các mẫu không liên kết cho các ứng dụng xử lý ảnh nhị phân. Bảng<br /> logic được mã hoá với các giá trị {0, 1} tức là trắng và đen, ngoài ra chúng ta cũng còn có thể mã<br /> hoá dữ liệu nhị phân là TRUE(1), FALSE(-1) và DON'T CARE(0). Khi thiết kế các mẫu CNN<br /> để thực hiện một hàm logic Fk (.) đã cho, chúng ta thường sử dụng các mẫu không liên kết được<br /> mã hoá và diễn tả như sau:<br /> <br /> A=<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> a 00 ≥ 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> Bk =<br /> <br /> Phân tích hoạt động của CNN để tìm ra mẫu<br /> Theo phương pháp này để tìm ra một tập mẫu<br /> trước hết cần phảỉ phân tích mô tả hoạt động<br /> của mẫu đó thành các tác vụ chi tiết - Các luật<br /> cục bộ (local rule) sau đó dựa vào phương<br /> trình trạng thái và đồ thị quan hệ giữa biến<br /> trạng thái và đạo hàm bậc nhất của nó (đồ thị<br /> DP) để xác định mẫu.<br /> Kỹ thuật thiết kế fuzzy<br /> Lý thuyết tập mờ và logic mờ (fuzzy sets and<br /> fuzzy logic) do giáo sư Lofti Zadeh công bố<br /> năm 1965. Logic mờ được thiết kế để làm<br /> việc với các sự kiện không chính xác. Mặc dù<br /> không được các hầu hết cộng đồng nghiên<br /> cứu ủng hộ trong phát triển lý thuyết, logic<br /> mờ vẫn được áp dụng và có nhiều thành công<br /> trong thực tiễn như trong hệ thống điện ô tô,<br /> máy điều hoà nhiệt độ, thang máy, máy giặt,<br /> máy rửa bát, các bộ lọc ngôn ngữ, xử lý ảnh<br /> số, ... Logic mờ cũng được áp dụng trong<br /> thiết kế các mẫu phục vụ cho các tác vụ CNN.<br /> Thiết kế mẫu dùng giải thuật di truyền<br /> Thuật giải di truyền (Genetic algorithms GA) có đặc điểm thích hợp với những bài<br /> toán dạng tối ưu. Bản chất của giải thuật di<br /> truyền là một giải thuật tìm kiếm ngẫu nhiên<br /> có định hướng (hàm thích nghi). Thuật gen có<br /> khả năng kiểm tra hết mọi trường hợp có thể<br /> của bài toán, nhưng đó là một sự kiểm tra<br /> Định hình<br /> dạng mẫu<br /> <br /> Tạo hệ thống quy<br /> luật quan hệ<br /> <br /> w-1,-1<br /> <br /> w-1,0<br /> <br /> w-1,1<br /> <br /> w0,-1<br /> <br /> w0,0<br /> <br /> w0,1<br /> <br /> w1,-1<br /> <br /> w1,0<br /> <br /> w1,1<br /> <br /> Z<br /> <br /> (*)<br /> <br /> ngẫu nhiên và có định hướng; khác với<br /> phương pháp vét cạn tất cả các trường hợp.<br /> Có thể xem thuật gen như là một phương<br /> pháp khám phá. Thuật giải di truyền không<br /> quan tâm đến nội dung của bài toán mà chỉ<br /> cần quan tâm đến vấn đề cần giải quyết của<br /> bài toán. Vì GA là một giải thuật ngẫu nhiên<br /> nên nếu có thể xác định được hàm phân bố<br /> ngẫu nhiên của bài toán thì việc giải quyết bài<br /> toán sẽ dễ dàng hơn. Các giải thuật leo đồi,<br /> luyện thép cũng đã được áp dụng để tìm kiếm<br /> mẫu. Tuy nhiên giải thuật di truyền không<br /> phải khi nào cũng cho kết quả tối ưu và giá<br /> thành tính toán đắt (Số lượng phép tính lớn).<br /> Mặc dù vậy do là một kỹ thuật tìm kiếm giải<br /> pháp dựa trên việc mô phỏng quá trình tiến<br /> hoá của tự nhiên nên hiện nay kỹ thuật này<br /> vẫn được các nhà nghiên cứu CNN áp dụng<br /> để tìm kiếm, thiết kế mẫu...<br /> Phương pháp thiết kế mẫu trực tiếp<br /> Đây là phương pháp dùng thiết kế mẫu cho<br /> xử lý ảnh nhị phân được Ákos Zarándy đề<br /> xuất. Phương pháp này được sử dụng để<br /> thiết kế mẫu khi nhiệm vụ yêu cầu đã được<br /> xác định chính xác. Các mẫu tìm được có<br /> thể là loại cho mạng CNN ghép cặp hoặc<br /> không ghép cặp. Trình tự tiến hành thiết kế<br /> mẫu theo phương pháp trực tiếp theo 4 bước<br /> như trong hình:<br /> Giải hệ thống<br /> quy luật quan hệ<br /> <br /> Chọn mẫu<br /> mạnh nhất<br /> <br /> Hình 10. Sơ đồ các bước thiết kế mẫu theo phương pháp trực tiếp<br /> <br /> 142<br /> <br /> Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên<br /> <br /> http://www.lrc-tnu.edu.vn<br /> <br /> Vũ Đức Thái và Đtg<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> ỨNG DỤNG CNN VÀO BÀI TOÁN TÌM<br /> BIÊN ẢNH<br /> Quy trình phát hiện biên<br /> Điểm biên nếu có sự thay đổi nhanh hoặc đột<br /> ngột về mức xám (hoặc màu). Việc thực hiện<br /> tìm biên trong xử lí ảnh truyền thống cài đặt<br /> trên máy PC thường thực hiện tuần tự trên<br /> từng điểm ảnh kết hợp sử dụng toán tử làm<br /> nổi biên. Do vậy thời gian xử lý bằng tổng<br /> thời gian xử lý cho mỗi điểm ảnh. Với công<br /> nghệ CNN, mỗi điểm ảnh được xử lý bởi một<br /> chip trong mạng CNN, quá trình thực hiện xử<br /> lí toàn ảnh xảy ra song song. Tốc độ xử lý chỉ<br /> bằng tốc độ xử lý cho một điểm ảnh. Để ứng<br /> dụng CNN, nhóm nghiên cứu tiến hành áp<br /> dụng các phương pháp thiết kế mẫu, sử dụng<br /> quy trình học mẫu để tìm mẫu cho việc tìm<br /> biên ảnh (mẫu EDEG EXTRACTION).<br /> Thử nghiệm và đánh giá<br /> a. Thử nghiệm:<br /> •<br /> Quá trình tìm mẫu bằng phương<br /> pháp học [5]:<br /> <br /> 106(06): 139 - 145<br /> <br /> B1. Nạp ảnh đầu vào;<br /> B2. Đưa yêu cầu xử lí (ví dụ làm mờ, dò biên,<br /> dãn ảnh…);<br /> B3. Thực hiện các xử lý logic hoặc analogic<br /> để tìm mẫu;<br /> B4. Thực thiện xử lí song song với tìm được;<br /> B5. Đánh giá kết quả thu được, nếu đầu ra chưa<br /> hội tụ đến đầu ra của biên lí tưởng tiến hành<br /> quay trở lại bước 3 cho tới khi đạt được mẫu<br /> CNN tối ưu (Mẫu EDEG EXTRACTION).<br /> Sau khi tìm được mẫu tối ưu của mạng ta áp<br /> dụng thực hiện xử lý cho bất kỳ ảnh đầu vào<br /> nào, thuật toán như sau:<br /> Bước 1: Nạp ảnh đầu vào<br /> Bước 2: Nạp mẫu xử lý (tùy yêu cầu xử lý để<br /> nạp mẫu thích hợp)<br /> Bước 3: Chạy chương trình<br /> Bước 4: Đưa ra kết quả xử lý<br /> Nhóm đã tiến hành thử nghiệm tìm mẫu và<br /> chạy chương trình trên một số dạng ảnh, kết<br /> quả như sau:<br /> <br /> Candy<br /> <br /> Java Simulation<br /> Hình 12. Ảnh đầu vào<br /> <br /> Hình 11. Quy trình tìm mẫu bằng phương pháp học<br /> <br /> Thử nghiệm 1: mẫu chuẩn CNN EDEG<br /> <br /> A=<br /> Kết quả (1):<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> 0<br /> <br /> B=<br /> <br /> -1<br /> <br /> -1<br /> <br /> -1<br /> <br /> -1<br /> <br /> 8<br /> <br /> -1<br /> <br /> -1<br /> <br /> -1<br /> <br /> -1<br /> <br /> Candy T = 2s<br /> <br /> Z=<br /> <br /> -1<br /> <br /> Java Simulation T = 2s<br /> <br /> 143<br /> <br /> Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên<br /> <br /> http://www.lrc-tnu.edu.vn<br /> <br />
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

 

Đồng bộ tài khoản
2=>2