Đang tải... (xem toàn văn)
Trước sự phát triển của khoa học và công nghệ, học máy và thị giác máy tính được xem là một ứng dụng cụ thể thuộc lĩnh vực trí tuệ nhân tạo (AI) và mạng không gian ảo – đã góp phần xây dụng nên một kỷ nguyên phát triển của khoa học hiện đại, giúp máy tính có khả năng quan sát thu thập dữ liệu sau đó tiến hành xử lý như con người, từ đó cải thiện chính bản thân chúng dựa trên dữ liệu mẫu (training data) hoặc dựa vào kinh nghiệm (những gì đã được học). Dưới sự bùng nổ của các ngành khoa học và công nghệ, nó đã được ứng dụng rộng rãi để giải quyết các vấn đề trong thực tiễn. Trong thời đại mà trí tuệ nhân tạo phát triển mạnh mẽ, khả năng phân loại nhận dạng và nguồn gốc của sản phẩm đóng một vai trò quan trọng trong việc đảm bảo tính xác thực và chất lượng của sản phẩm. Đồ án này tập trung vào việc nhận dạng chính xác giống chó qua hình ảnh bằng cách sử dụng mạng nơron tích chập (CNN) với mô hình VGG16 để trích xuất đặc trưng từ hình ảnh, từ đó phân loại chúng vào các nhãn tương ứng. Nhóm chúng em đã lựa chọn đề tài này vì nó đặt ra một thách thức trong việc kết hợp giữa học máy và thị giác máy tính để xây dựng một hệ thống nhận dạng có khả năng phân biệt giữa các giống chó khác nhau
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN - 🕮 - BÁO CÁO BÀI TẬP LỚN HỌC PHẦN: ĐỒ ÁN CHUYÊN NGÀNH ĐỀ TÀI: PHÂN LOẠI GIỐNG CHÓ BẰNG MẠNG NƠ RON TÍCH CHẬP Giảng viên hướng dẫn Ts Nguyễn Mạnh Cường Nhóm thực hiện: Nhóm 22 Thành viên nhóm: Phan Hồng Phong 2020605552 Nguyễn Quang Hiếu 2020606997 Nguyễn Tuấn Vũ 2020605541 Lớp 2023IT60520002 Khóa: 15 Hà Nội - 2023 MỤC LỤC DANH MỤC HÌNH ẢNH iv DANH MỤC TỪ VIẾT TẮT vi LỜI CẢM ƠN LỜI MỞ ĐẦU CHƯƠNG PHÁT BIỂU BÀI TOÁN 1.1 Tổng quan học máy toán nhận dạng 1.1.1 Tổng quan học máy 1.1.2 Bài toán nhận dạng học máy 1.2 Bài tốn nhận dạng giống chó qua hình ảnh 1.2.1 Lý lựa chọn đề tài 1.2.2 Giới hạn phạm vi nghiên cứu 1.2.3 Đầu vào đầu toán 1.2.4 Ràng buộc toán 1.2.5 Ứng dụng thách thức toán 1.2.6 Phát biểu toán 1.3 Các kỹ thuật giải toán 1.3.1 Lý thuyết mạng nơ ron tích chập (CNNs) 1.3.2 Xử lý ảnh trích xuất đặc trưng 10 1.3.3 Thu thập liệu chuẩn bị tập liệu 10 1.3.4 Đánh giá mơ hình 10 CHƯƠNG PHƯƠNG PHÁP ỨNG DỤNG 11 2.1 Phương pháp tiếp cận toán 11 2.2 Các kỹ thuật giải toán đề xuất 12 2.2.1 Lý thuyết mạng CNN 12 2.2.2 Transfer Learning 15 2.2.3 Mơ hình VGG 18 2.2.4 Mơ hình MobileNet 19 ii 2.3 Các thư viện sử dụng toán 22 2.3.1 Numpy 22 2.3.2 Pandas 24 2.3.3 Keras 25 2.3.4 Tensorflow 27 2.3.5 OpenCV 29 CHƯƠNG TIẾN HÀNH THỰC NGHIỆM 31 3.1 Dataset 31 3.2 Chương trình ứng dụng 31 3.2.1 Import thư viện 31 3.2.2 Xử lý data 32 3.2.3 Mơ hình tốn 34 3.2.4 Train 37 3.2.5 Kết 38 CHƯƠNG Xây DỰNG CHƯƠNG TRÌNH DEMO 40 4.1 Giới thiệu chương trình 40 4.2 Thiết kế giao diện chức 41 KẾT LUẬN 45 TÀI LIỆU THAM KHẢO 46 iii DANH MỤC HÌNH ẢNH Hình 2.1 Mơ hình CNN 12 Hình 2.2 Phép tích chập với lọc (nguồn internet) 13 Hình 2.3 Phép MaxPooling (2x2), stride=2 14 Hình 2.4 Sơ đồ so sánh hiệu suất mơ hình 15 Hình 2.5 Các đặc trưng học từ mạng CNN 16 Hình 2.6 Kiến trúc mạng VGG16 sử dụng làm base network 17 Hình 2.7 Kiến trúc base network kết hợp với fully connected layers 18 Hình 2.8 Mơ hình học sâu VGG 18 Hình 2.9 Mơ hình học sâu MobileNet 19 Hình 2.10 Depthwise Separable Convolutions 20 Hình 2.11 Giảm số lượng tính tốn 21 Hình 2.12 Sự khác biệt CNN vs MobileNet 22 Hình 2.13 Thư viện Numpy 23 Hình 2.14 Thư viện Pandas 24 Hình 2.15 Thư viện keras 26 Hình 2.16 Biểu đồ thống kê thư viện sử dụng 26 Hình 2.17 Thư viện tensorFLow 27 Hình 2.18 Mơ hình thống kê thư viện 29 Hình 2.19 Thư viện OpenCv 29 Hình 3.1 Import thư viện 31 Hình 3.2 Download dataset 32 Hình 3.3 Giải nén data 32 Hình 3.4 Đọc file train.csv 32 Hình 3.5 Gán ảnh label 33 Hình 3.6 Chuẩn hóa liệu cho data 33 Hình 3.7 In kích thước train validation 33 Hình 3.8 Chuẩn hóa cho tập test 34 iv Hình 3.9 Chuyển đổi RGB chuẩn hóa 34 Hình 3.10 Mơ hình tốn 35 Hình 3.11 Khai báo mơ hình VGG16 35 Hình 3.12 Đóng băng lớp 35 Hình 3.13 Lớp Flatten 35 Hình 3.14 Lớp fully connected 35 Hình 3.15 Lớp fully connected 36 Hình 3.16 Lưu mơ hình 36 Hình 3.17 Kích thước, tham số mơ hình 36 Hình 3.18 Siêu tham số 37 Hình 3.19 Train mơ hình 37 Hình 3.20 Trainning 38 Hình 3.21 Biểu đồ hàm mát 39 Hình 3.22 In ảnh tập test 40 Hình 3.23 Kết dự đốn ảnh tập test 40 Hình 4.1 Thư viện chương trình 41 Hình 4.2 Code tải ảnh 42 Hình 4.3 Giao diện tải ảnh 42 Hình 4.4 Hiển thị ảnh tải lên 42 Hình 4.5 Tiền xử lý hình ảnh 43 Hình 4.6 Tải mơ hình 43 Hình 4.7 Test giống chó Chihuahua 43 Hình 4.8 Test giống chó doberman 44 Hình 4.9 Test giống chó border collie 44 v DANH MỤC TỪ VIẾT TẮT VGG Tên mơ hình học sâu VGG CNN Mạng nơ ron tích chập (convolutional neural network) vi LỜI CẢM ƠN Trước tiên với tình cảm sâu sắc chân thành nhất, cho phép em bày tỏ lịng biết ơn đến thầy trường Đại học Công Nghiệp Hà Nội, đặc biệt thầy cô khoa Công Nghệ Thông Tin trường tạo điều kiện cho em có mơn học giúp chúng em củng cố kiến thức kinh nghiệm trước bước vào làm đồ án tốt nghiệp Và em xin chân thành cảm ơn thầy giáo Ts Nguyễn Mạnh Cường người tận tâm hướng dẫn chúng em qua buổi nói chuyện, hướng dẫn, thảo luận lĩnh vực đề tài Chúng em biết ơn góp ý, dẫn kiến thức chuyên môn mà thầy giáo chia sẻ với chúng em trình thực báo cáo Nhờ lời khuyên hướng dẫn thầy giúp chúng em có hội học hỏi phát triển kỹ Khơng giúp chúng em hoàn thành đồ án mẫu cách thành cơng, đóng góp thầy giáo cịn giúp hiểu rõ lĩnh vực củng có kiến thức chuẩn bị cho đồ án tốt nghiệp tới Nhờ thầy giáo mà chúng em có hội nắm bắt khía cạnh quan trọng phát triển tư sáng tạo Đồ án mẫu khơng thể hồn thành cách xuất sắc khơng có giúp đỡ thầy Chúng em cảm ơn tâm huyết nhiệt tình giúp đỡ chúng em xuyên suốt trình thực báo cáo Trong trình thực báo cáo, trình thực đề tài chọn chúng em cố gắng xây dựng đề tài này, Tuy nhiên trình thực khó tránh khỏi sai sót Em mong nhận ý kiến đóng góp từ thầy để học thêm nhiều kinh nghiệm hoàn thành tốt báo cáo tốt nghiệp tới Em xin chúc thầy mạnh khỏe, may mắn thành công sống Em xin chân thành cảm ơn! Sinh viên thực Nguyễn Quang Hiếu Phan Hồng Phong Nguyễn Tuấn Vũ LỜI MỞ ĐẦU Trước phát triển khoa học công nghệ, học máy thị giác máy tính xem ứng dụng cụ thể thuộc lĩnh vực trí tuệ nhân tạo (AI) mạng khơng gian ảo – góp phần xây dụng nên kỷ nguyên phát triển khoa học đại, giúp máy tính có khả quan sát thu thập liệu sau tiến hành xử lý người, từ cải thiện thân chúng dựa liệu mẫu (training data) dựa vào kinh nghiệm (những học) Dưới bùng nổ ngành khoa học công nghệ, ứng dụng rộng rãi để giải vấn đề thực tiễn Trong thời đại mà trí tuệ nhân tạo phát triển mạnh mẽ, khả phân loại nhận dạng nguồn gốc sản phẩm đóng vai trị quan trọng việc đảm bảo tính xác thực chất lượng sản phẩm Đồ án tập trung vào việc nhận dạng xác giống chó qua hình ảnh cách sử dụng mạng nơ-ron tích chập (CNN) với mơ hình VGG16 để trích xuất đặc trưng từ hình ảnh, từ phân loại chúng vào nhãn tương ứng Nhóm chúng em lựa chọn đề tài đặt thách thức việc kết hợp học máy thị giác máy tính để xây dựng hệ thống nhận dạng có khả phân biệt giống chó khác Bài báo cáo thực theo cấu trúc sau: Chương 1: Phát biểu toán Trong chương 1, nhóm chúng em nêw lý mục đích đề tài, từ đưa giới thiệu phát biểu toán đầu vào, đầu ra, giới hạn, phạm vi nghiên cứu toán Chương 2: Phương pháp ứng dụng Sau đưa phát biểu xác định u cầu tốn, nhóm chúng em tiến hành trình bày phương pháp tiếp cận kỹ thuật giải toán Chương 3: Tiến hành thực nghiệm Ở chương nhóm chúng em trình bày q trình thực nghiệm kết đạt với phương pháp kỹ thuật giải toán đưa chương 2 Chương 4: Xây dựng chương trình demo Nhóm chúng em xây dựng chương trình demo sau trỉnh đào tạo để dự đoán tên giống chó qua hình ảnh đưa vào Kết luận: Cuối kết luận, tổng hợp kết đạt được, hướng phát triển mở rộng tương lai Chúng em hy vọng báo cáo đem lại nhìn thú vị chi tiết trình nghiên cứu phát triển chúng em việc giải toán phân loại giống chó Chúng em mong muốn đề tài đóng góp phần nhỏ vào phát triển lĩnh vực thị giác máy tính ứng dụng sống hàng ngày CHƯƠNG PHÁT BIỂU BÀI TOÁN 1.1 Tổng quan học máy toán nhận dạng 1.1.1 Tổng quan học máy Học máy lĩnh vực trí tuệ nhân tạo liên quan đến việc cung cấp cho máy tính khả tự động học hỏi cải thiện mà khơng cần lập trình rõ ràng cho tác vụ Học máy thường chia thành hai loại học máy có giám sát học máy không giám sát: - Trong học máy có giám sát, máy tính cung cấp liệu huấn luyện với nhãn tương ứng Máy tính học cách dự đoán nhãn cho liệu dựa liệu huấn luyện Ví dụ, học máy có giám sát sử dụng để đào tạo mơ hình nhận dạng chữ viết tay, phân loại hình ảnh, chẩn đoán y khoa - Trong học máy khơng giám sát, máy tính khơng cung cấp liệu huấn luyện với nhãn tương ứng Máy tính học cách phân nhóm phát mẫu liệu Học máy không giám sát sử dụng để phân nhóm khách hàng, phát gian lận, phân tích thị trường Học máy có nhiều ứng dụng thực tế, bao gồm: - Phân loại: Phân loại trình gán nhãn cho liệu Học máy sử dụng để phân loại sản phẩm, khách hàng, email, v.v - Kết nối: Kết nối q trình phân nhóm liệu Học máy sử dụng để kết nối khách hàng, sản phẩm, v.v - Dự đốn: Dự đốn q trình dự đoán giá trị biến tương lai Học máy sử dụng để dự đoán giá cổ phiếu, thời tiết, v.v - Tìm kiếm: Tìm kiếm q trình tìm kiếm thơng tin tập liệu lớn Học máy sử dụng để cải thiện hiệu hệ thống tìm kiếm Có thể thấy học máy lĩnh vực phát triển nhanh chóng Với phát triển cơng nghệ, học máy ứng dụng ngày rộng rãi nhiều lĩnh vực đời sống 3.2.2 Xử lý data Download Dataset lưu trữ google Drive: Hình 3.2 Download dataset Giải nén data: Hình 3.3 Giải nén data Gán đọc file train.csv: Hình 3.4 Đọc file train.csv 32 Gán giá trị cột hình ảnh vào image_paths, nhãn vào labels: Hình 3.5 Gán ảnh label Dữ liệu input cho mơ hình convolutional neural network tensor chiều (N, W, H, D), kích thước ảnh: W = H = 224, số kênh màu D = 3, N số lượng ảnh cho lần training Do liệu ảnh có kích thước (N, 224, 224) tức (N, W, H) nên rần reshape lại thành kích thước N * 224 * 224 * để giống kích thước mà keras yêu cầu Đọc xử lý hình ảnh đầu vào thư viện cv2, tiến hành xử lý resize kích thước hình ảnh 224 x 224, sau thêm tất hình ảnh vào X_data Cuối tiến hành chuẩn hóa chuyển liệu X_data thành dạng mảng Numpy (sử dụng np.array để tiến hành chuẩn hóa liệu): Hình 3.6 Chuẩn hóa liệu cho data Chia tập liệu dùng để train cho toán thành tập training : validation với tỉ lệ 80: 20, sau in kích thước liệu X_train X_val: Hình 3.7 In kích thước train validation 33 Xử lý tương tự với X_test: Hình 3.8 Chuẩn hóa cho tập test Chuyển giá trị X_train, X_val, X_test kênh màu RGB, sau tiến hành chuẩn hóa giá trị pixel khoảng [0,1]: Hình 3.9 Chuyển đổi RGB chuẩn hóa Mã hóa encoder nhãn y_train, y_val dạng số, sau tiến hành mã hóa one-hot encoding cho nhãn để sử dụng cho hàm mát “categorical crossentropy” tốn: 3.2.3 Mơ hình tốn 34 Hình 3.10 Mơ hình tốn Mơ hình VGG16 để phân loại hình ảnh giống chó vào lớp khác với trọng số đào tạo trước tập liệu ImageNet “include_top=False” loại bỏ lớp fully connected (FC) đầu mơ hình (thường sử dụng để phân loại 1000 lớp ImageNet) input_shape=(224, 224, 3) định kích thước ảnh đầu vào 224x224 pixels với kênh màu (RGB) Tác dụng dùng để thêm lớp fully conected phù hợp với tốn phân loại giống chó: Hình 3.11 Khai báo mơ hình VGG16 Đóng băng (freeze) tất lớp trừ lớp cuối có lớp cuối mơ hình huấn luyện lại trình đào tạo, tất lớp trước giữ nguyên trọng số đào tạo trước Cách đặc biệt hữu ích sử dụng mơ hình đào tạo trước (pretrained) tập liệu lớn (như ImageNet) để giải vấn đề nhỏ tốn phân loại giống chó mà chúng em giải quyết: Hình 3.12 Đóng băng lớp Thêm lớp Flatten để chuyển đổi đầu mơ hình (lớp tích chập cuối cùng) thành vector chiều trước đưa vào lớp fully connected: Hình 3.13 Lớp Flatten Thêm lớp fully connected (Dense) với 512 nơ-ron, hàm kích hoạt ReLU (Rectified Linear Unit), sử dụng phương pháp khởi tạo trọng số "he_uniform": Hình 3.14 Lớp fully connected Thêm lớp fully connected cuối với nơ-ron (tương ứng với lớp đầu ra), sử dụng hàm kích hoạt “softmax” cho tốn đa lớp để ánh xạ đầu thành xác suất lớp: 35 Hình 3.15 Lớp fully connected Sau cùng, chúng em tạo mơ hình với đầu vào từ mơ hình VGG16 tạo từ trước đầu từ lớp fully connected cuối cùng: Hình 3.16 Lưu mơ hình Hiển thị tóm tắt mơ hình, bao gồm thơng tin kích thước lớp số lượng tham số mơ hình: Hình 3.17 Kích thước, tham số mơ hình Cơng thức tính tham số layer lớp tích chập: 36 k * (F * F * D + 1) - Trong đó: o k số kênh đầu o FxF kích thước kernel o D số kênh đầu vào o bias Ví dụ, để tính tham số cho block1_conv1 (Conv2D) lớp tích chập: k * (F * F * D + 1) = 64 * (3 * * + 1) = 1792 3.2.4 Train Hàm mát chúng em sử dụng categorial crossentropy cho tốn Các siêu tham số: Hình 3.18 Siêu tham số Hình 3.19 Train mơ hình - 'name': 'SGD': Đây tên trình tối ưu hóa, trường hợp này, Stochastic Gradient Descent (SGD) - Learning rate = 0.001: lần cập nhật trọng số, di chuyển khoảng 0.001 lần gradient hàm mát - Batch-size = 32: 32 mẫu liệu lại cập nhật trọng số lần - Epochs = 10: 10 tiến trình - Shuffle = false: liệu đầu vào xáo trộn nên khơng cần xáo trộn 37 Q trình training: Hình 3.20 Trainning 3.2.5 Kết Dựa thơng số sau training, độ xác tiến trình đầu 0.326 tăng dần sau tiến trình độ xác accuracy tiến trình cuối mơ hình học cho sấp xỉ 100%, q trình học thuận lợi độ xác tập valid val_acc đạt 79% - Hàm mát độ xác tập huấn luyện (Training set): Loss giảm đáng kể từ epoch đến epoch 10, điều thường dấu hiệu tích cực mơ hình học cách giảm sai số Độ xác tăng lên cách đáng kể từ epoch đến epoch 10, điều dấu hiệu tích cực khả phân loại mơ hình tập huấn luyện - Loss Accuracy tập validation: Loss tập validation giảm đáng kể từ epoch đến epoch 10, cuối tăng lên giảm xuống đột biến, điều thể mơ hình khơng q mức "gồng" liệu mà chưa thấy trước Accuracy tập validation tăng lên, điều mơ hình tổng qt hóa tốt với liệu 38 Chúng em tiến hành so sánh tập huấn luyện tập validation: Loss accuracy tập validation gần giống với tập huấn luyện, điều cho thấy mơ hình khơng bị overfitting (q mức thích ứng với liệu huấn luyện mà khơng tổng qt hóa cho liệu mới) Hình 3.21 Biểu đồ hàm mát Đánh giá tổng quan: Chúng em tiến hành chạy thử thấy 10 ảnh kiểm tra có ảnh sai kết Mơ hình đạt hiệu suất tốt tập huấn luyện tập validation Các giá trị accuracy cao, đặc biệt tập validation, thấy mơ hình học hiệu để phân loại ảnh giống chó theo loại mà chúng em mong muốn Cuối chạy mơ hình tập test in ảnh ngẫu nhiên kèm nhãn dự đoán: 39 Hình 3.22 In ảnh tập test Kết dự đốn ảnh ngẫu nhiên tập test: Hình 3.23 Kết dự đoán ảnh tập test CHƯƠNG XÂY DỰNG CHƯƠNG TRÌNH DEMO 4.1 Giới thiệu chương trình Nhóm chúng em phát triển chương trình demo đơn giản sử dụng Python để thực việc dự đoán giống chó dựa mơ hình huấn luyện để nhận dạng loại giống chó từ trước Chương trình triển khai Google Colab tận dụng thư viện Ipython, OpenCV, Numpy, Keras Matplotlib để hỗ trợ trình phân loại 40 Chương trình thiết kế đơn giản với tiến trình sau: - Người dùng tiến hành tải lên hình ảnh giống chó từ hệ thống ảnh lưu vào - Sau đó, chương trình tiền xử lý hình ảnh để phù hợp với dự đốn u cầu mơ hình - Tiếp theo, chương trình sử dụng mơ hình phân loại giống chó thơng qua đào tạo để tiến hành dự đốn lớp giống chó có độ xác cho hình ảnh - Chương trình hiển thị hình ảnh giống chó với tên loại giống chó dự đoán cho người dùng 4.2 Thiết kế giao diện chức Các thư viện mà chúng em sử dụng cho chương trình: Hình 4.1 Thư viện chương trình Chương trình sử dụng IPython.display, module IPython (Interactive Python), giao diện tương tác mạnh mẽ cho ngơn ngữ lập trình Python Module cung cấp công cụ để hiển thị tương tác với đa phương tiện, chẳng hạn hình ảnh, âm thanh, video HTML môi trường tương tác Chương trình sử dụng files google.colab để tạo chức tải ảnh, ảnh tải lên từ hệ thống thông qua button Chọn Tệp Khi muốn hủy việc tải, sử dụng phím Cancel upload để hủy bỏ việc tải ảnh lên: 41 Hình 4.2 Code tải ảnh Giao diện tải ảnh: Hình 4.3 Giao diện tải ảnh Sau tải lên hình ảnh giống chó, chương trình hiển thị hình ảnh lên hình: Hình 4.4 Hiển thị ảnh tải lên Hình ảnh sau tải lên, chương trình tiến hành tiền xử lý hình ảnh để phù hợp cho việc dự đốn mơ hình tốn: 42 Hình 4.5 Tiền xử lý hình ảnh Tiếp đến, chương trình tải lên mơ hình qua đào tạo thơng qua hàm load_model thư viện keras.models : Hình 4.6 Tải mơ hình Cuối cùng, sử dụng mơ hình tải lên để đưa nhãn dự đốn giống chó có độ xác cao Hình ảnh giống chó nhãn dự đốn hiển thị lên hình thơng qua thư thư viện matplotlib Dưới số kết chạy với nhiều hình ảnh nhiều giống chó khác mà chúng em test: Test với ảnh giống chó Chihuahua: Hình 4.7 Test giống chó Chihuahua Test với ảnh giống chó Doberman: 43 Hình 4.8 Test giống chó doberman Test ảnh với giống chó border collie: Hình 4.9 Test giống chó border collie 44 KẾT LUẬN Trong suốt trình thực đồ án chuyên ngành với đề tài “Phân loại giống chó mạng nơ ron tích chập” nhóm chúng em đạt nhiều kinh nghiệm trải nghiệm quý báu Chúng em đạt kết sau: Tìm hiểu mạng CNN mơ hình học sâu VGG16 - Xây dựng chương trình phân loại giống chó với độ xác tốt - Tích hợp mơ hình huấn luyện vào chương trình để chuẩn đốn giống chó qua ảnh - Chúng em thiết kế để ứng dụng có tính linh hoạt có khả mở rộng Các thành phần dự án, bao gồm việc huấn luyện mơ hình học máy, thiết kế giao diện người dùng logic sử lý tiến hành kiểm thử đơn vị, xếp cách có tổ chức rõ ràng lưu trữ github để tiện cho việc sửa chữa mở rộng tương lai Tuy xây dựng mơ hình học máy để tiến hành phân loại giống chó với độ trích xác cao phần đánh giá, nhiên nhiên số hạn chế như: Giao diện người dùng đơn giản sơ sài, liệu đầu vào chúng em chưa thực tốt với loại giống chó cịn (6 loại) chất lượng ảnh cịn chưa tốt (góc độ khơng đa dạng, chất lượng ảnh thấp) làm ảnh hưởng đến khả nhận dạng Dù cố gắng hết sức, với giới hạn lực kiến thức, chúng em nhận thức rõ cịn nhiều hành trình phía trước để nghiên cứu phát triển Những hạn chế liệt kê phương hướng giúp chúng em phát triển tương lai nâng cấp chất lượng giống loại liệu đầu vào, huấn luyện mơ hình có độ xác cao hơn, xây dựng giao diện ứng dụng thân thiện với người dùng Chúng em xin gửi lời cảm ơn chân thành tới thầy giáo, Tiến sĩ Nguyễn Mạnh Cường tận tình hướng dẫn em thực đề tài Chúng em xin chúc Thầy luôn mạnh khỏe thành công nghiên cứu tới Chúng em xin trân trọng cảm ơn! Nguyễn Quang Hiếu Phan Hồng Phong Nguyễn Tuấn Vũ 45 TÀI LIỆU THAM KHẢO [1] Phùng Đức Hịa (Chủ biên); Hồng Quang Huy; Hồng Văn Hồnh; Nguyễn Đức Lưu; Trịnh Bá Q, "Giáo trình Nhập môn công nghệ phần mềm", 2019 [2] Các kiến trúc CNN đại, https://phamdinhkhanh.github.io/content, truy cập gần nhất: 21/11/2023 [3] Deep Learning bản, https://nttuan8.com/gioi-thieu-ve-deep-learning/, truy cập gần nhất: 21/11/2023 [4] Khám phá Keras, https://waodate.com/blog/keras, truy cập gần nhất: 7/11/2023 [5] Tutorialspoint, https://www.tutorialspoint.com/index.htm , truy cập gần nhất: 16/12/2023 [6] Thư viện dataset, https://www.kaggle.com/datasets, truy cập gần nhất: 02/12/2023 [7] Nguyễn Mạnh Cường, Nguyễn Lương Bằng, Phạm Ngọc Hn, Phí Trung Hiếu, 2022, Mơ hình học chuyển tiếp cho dịch vụ dựa định danh Tạp chí Khoa học Công nghệ, trường Đại Học Công Nghiệp Hà Nội, tập 58, số [8] Zhang, Aston and Lipton, Zachary C and Li, Mu and Smola, Alexander J, 2021, Dive into Deep Learning, arXiv preprint arXiv:2106.11342 46