Download đồ án cơ điện tử- đại học nguyễn tất thành and more Study Guides, Projects, Research Engineering in PDF only on Docsity!
BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC NGUYỄN TẤT THÀNH
KHOA KỸ THUẬT – CÔNG NGHỆ
BÁO CÁO DỰ ÁN HỌC PHẦN
TRÍ TUỆ NHÂN TẠO
TP. HỒ CHÍ MINH, THÁNG 05/ Giảng viên hướng dẫn: TS. TRẦN QUANG HUY Sinh viên thực hiện: TRẦN ĐỨC KHOA- Khoá: 2021 - 2025
LỜI CẢM ƠN
Kính gửi TS. Trần Quang Huy, Em xin chân thành cảm ơn Thầy vì sự hướng dẫn và hỗ trợ tận tình trong suốt quá trình học tập và thực hiện môn ‘Trí tuệ Nhân tạo’. Sự chỉ dẫn chi tiết và những lời khuyên quý báu của Thầy đã giúp em không chỉ hiểu rõ hơn về các khái niệm phức tạp mà còn áp dụng chúng một cách hiệu quả vào dự án của mình. Em thật sự biết ơn Thầy đã luôn kiên nhẫn giải đáp mọi thắc mắc và động viên em vượt qua những khó khăn gặp phải trong quá trình nghiên cứu. Trong suốt thời gian học tập dưới sự hướng dẫn của Thầy, em đã học được rất nhiều điều quý giá. Thầy đã giúp em xây dựng nền tảng vững chắc về các thuật toán và mô hình trí tuệ nhân tạo, cũng như cách thức triển khai chúng vào các ứng dụng thực tiễn. Sự nhiệt tình và đam mê của Thầy đối với môn học đã truyền cảm hứng cho em, thúc đẩy em nỗ lực học tập và nghiên cứu một cách nghiêm túc hơn. Em cũng rất cảm kích vì Thầy luôn dành thời gian để xem xét và phản hồi chi tiết về các bài làm và dự án của em, từ đó giúp em nhận ra những điểm mạnh cần phát huy và những điểm yếu cần cải thiện. Thầy đã không ngần ngại chia sẻ những kinh nghiệm quý báu từ thực tiễn nghiên cứu và công việc, giúp em có cái nhìn sâu sắc hơn về ngành trí tuệ nhân tạo cũng như các ứng dụng rộng rãi của nó trong đời sống. Không chỉ là một người thầy, Thầy còn là một người cố vấn đáng kính, luôn khuyến khích em không ngừng khám phá và sáng tạo. Em rất trân trọng sự tận tâm và cống hiến của Thầy, và em tin rằng những kiến thức và kỹ năng mà em thu được từ Thầy sẽ là hành trang vô cùng quý báu cho con đường sự nghiệp sau này của em. Một lần nữa, em xin bày tỏ lòng biết ơn sâu sắc tới Thầy và kính chúc Thầy luôn mạnh khỏe, hạnh phúc và tiếp tục đạt được nhiều thành công trong sự nghiệp giảng dạy và nghiên cứu. Hy vọng trong tương lai, em sẽ có cơ hội được học hỏi thêm nhiều từ Thầy. (Trần Đức Khoa)
MỤC LỤC
- DANH MỤC SƠ ĐỒ LỜI CÁM ƠN ii
- CHƯƠNG I GIỚI THIỆU
- 1.1 Giới thiệu tổng quát về đề tài
- 1.2 Tính cấp thiết của đề tài
- 1.3 Mục tiêu nghiên cứu của đề tài.................................................................................
- 1.4 Đối tượng và phạm vi nghiên cứu............................................................................
- 1.4.1 Đối tượng nghiên cứu.............................................................................................
- 1.4.2 Phạm vi nghiên cứu
- CHƯƠNG 2 PHƯƠNG PHÁP ÁP DỤ NG....................................................................
- 2.1 Mô tả phương pháp
- 2.2 Công cụ và môi trường phát triển
- 2.3 Quy trình thực hiện
- 2.3.1 Thu thập dữ liệu......................................................................................................
- 2.3.2 Xây dựng và huấn luyện mô hình.........................................................................
- CHƯƠNG 3 KẾT QUẢ
- 3 1 Đầu ra của chương trình.........................................................................................
- 3 2 Phân tích kết quả.....................................................................................................
- CHƯƠNG 4 KẾT LUẬN
- 4 .1 Thành tựu chính
- 4 .2 Đóng góp dự án
- 4 .3 Hạn chế và hướng phát triển trong tương lai..........................................................
- 4 3 .1 Hạn chế
- 4 3 2 Hướng phát triển..................................................................................................
- 4 .4 Tổng kết
- Hình 2 .1: <Thu thập và xử lý dữ liệu. > DANH MỤC SƠ ĐỒ, HÌNH VẼ
- Hình 2 .2: < Chuyển đổi thông tin dữ liệu. >
- Hình 2 .3: < Quy trình huấn luyện AI. >
- Hình 3 1 : < Kết quả của chương trình. >
- Trước hết, trong lĩnh vực bảo tồn động vật hoang dã, việc nhận diện và theo dõi các loài động vật như gấu trúc là vô cùng quan trọng. Gấu trúc là một loài đang bị đe dọa và việc bảo vệ chúng đòi hỏi sự giám sát liên tục trong môi trường tự nhiên. Sử dụng công nghệ phân loại hình ảnh giúp các nhà nghiên cứu và bảo tồn dễ dàng theo dõi số lượng, tình trạng sức khỏe và hành vi của gấu trúc, từ đó đưa ra các biện pháp bảo vệ kịp thời và hiệu quả hơn.
- Trong cuộc sống hàng ngày, chó và mèo là những vật nuôi phổ biến, đóng vai trò quan trọng trong đời sống tinh thần của con người. Phân loại hình ảnh chó và mèo có thể hỗ trợ nhiều ứng dụng thực tiễn như hệ thống nhận diện và quản lý thú cưng, tìm kiếm và nhận dạng thú cưng bị mất, cũng như trong các dịch vụ chăm sóc sức khỏe cho thú cưng. Ví dụ, các ứng dụng di động có thể sử dụng công nghệ này để giúp người dùng tìm kiếm thú cưng của họ dựa trên hình ảnh, hoặc cung cấp thông tin về sức khỏe và giống loài dựa trên hình ảnh chụp.
- Trong lĩnh vực thương mại và giải trí, việc phân loại hình ảnh các loài động vật có thể hỗ trợ các nền tảng thương mại điện tử trong việc quản lý và phân loại sản phẩm liên quan đến thú cưng, từ đó cải thiện trải nghiệm mua sắm của khách hàng. Ngoài ra, các ứng dụng và trò chơi điện tử có thể sử dụng công nghệ này để phát triển các tính năng nhận diện và tương tác với động vật, mang lại trải nghiệm thú vị và độc đáo cho người dùng.
- Trong giáo dục và nghiên cứu, việc sử dụng công nghệ AI để phân loại hình ảnh động vật giúp sinh viên và các nhà nghiên cứu nắm bắt các kỹ thuật tiên tiến trong lĩnh vực học máy và học sâu. Điều này không chỉ nâng cao kiến thức chuyên môn mà còn khuyến khích sự sáng tạo và khám phá những ứng dụng mới của AI trong đời sống.
- Cuối cùng, từ góc độ phát triển công nghệ, việc nghiên cứu và triển khai các mô hình phân loại hình ảnh động vật góp phần thúc đẩy sự phát triển của công nghệ AI và học sâu. Những tiến bộ trong lĩnh vực này không chỉ giới hạn ở việc phân loại hình ảnh mà còn có thể mở rộng sang các lĩnh vực khác như nhận diện khuôn mặt, giám sát an ninh, và chăm sóc sức khỏe.
- Tóm lại, tính cấp thiết của đề tài phân loại hình ảnh gấu trúc, chó và mèo được thể hiện qua nhiều khía cạnh, từ bảo tồn động vật, cải thiện cuộc sống hàng ngày, phát triển thương mại và giải trí, đến thúc đẩy nghiên cứu và giáo dục. Việc nghiên cứu và triển khai thành công các mô hình phân loại hình ảnh không chỉ mang lại lợi ích trực tiếp mà còn góp phần vào sự phát triển bền vững và tiến bộ của xã hội. 1.3. Mục tiêu nghiên cứu của đề tài.
- Phát triển mô hình phân loại hình ảnh chính xác và hiệu quả : +Xây dựng và huấn luyện các mô hình học sâu (Deep Learning), đặc biệt là mạng nơ-ron tích chập (Convolutional Neural Networks - CNN) để phân loại hình ảnh gấu trúc, chó và mèo.
+Đảm bảo mô hình có khả năng nhận diện và phân biệt chính xác các loài động vật này với độ chính xác cao, ngay cả trong các tình huống có nhiễu hoặc hình ảnh chất lượng kém.
- Thu thập và chuẩn hóa tập dữ liệu đa dạng và đại diện : +Thu thập một tập dữ liệu lớn và đa dạng bao gồm hình ảnh của gấu trúc, chó và mèo từ nhiều nguồn khác nhau, đảm bảo tính đại diện cho các đặc điểm khác nhau của từng loài. +Thực hiện tiền xử lý dữ liệu, bao gồm chuẩn hóa kích thước hình ảnh, điều chỉnh ánh sáng, và loại bỏ các hình ảnh nhiễu để cải thiện chất lượng dữ liệu đầu vào cho mô hình.
- Tối ưu hóa và cải tiến mô hình để đạt hiệu suất cao nhất : +Thử nghiệm và đánh giá các kiến trúc mạng nơ-ron khác nhau để tìm ra mô hình tối ưu nhất cho bài toán phân loại hình ảnh. +Tối ưu hóa các siêu tham số (hyperparameters) của mô hình để cải thiện hiệu suất phân loại, giảm thiểu lỗi và tăng tốc độ xử lý.
- Đánh giá và kiểm tra tính chính xác của mô hình : +Sử dụng các phương pháp đánh giá như độ chính xác (accuracy), độ nhạy (sensitivity), độ đặc hiệu (specificity), và ma trận nhầm lẫn (confusion matrix) để đánh giá hiệu suất của mô hình. +Thực hiện kiểm thử trên tập dữ liệu kiểm tra (test set) để đảm bảo mô hình hoạt động tốt không chỉ trên tập dữ liệu huấn luyện mà còn trên các dữ liệu chưa từng thấy trước đó.
- Ứng dụng thực tiễn và tích hợp mô hình vào các hệ thống khác : +Nghiên cứu và phát triển các ứng dụng thực tiễn sử dụng mô hình phân loại hình ảnh, chẳng hạn như ứng dụng di động để nhận diện thú cưng, hệ thống giám sát động vật hoang dã, và các công cụ hỗ trợ trong lĩnh vực y tế thú y. +Tích hợp mô hình vào các hệ thống hiện có, đảm bảo tính tương thích và khả năng mở rộng của ứng dụng.
- Đóng góp vào nghiên cứu khoa học và cộng đồng : +Xuất bản các kết quả nghiên cứu trên các tạp chí khoa học uy tín và trình bày tại các hội nghị chuyên ngành để chia sẻ kiến thức và đóng góp vào cộng đồng nghiên cứu. +Tạo ra các tài liệu hướng dẫn và mã nguồn mở để hỗ trợ cộng đồng nghiên cứu và phát triển trong lĩnh vực phân loại hình ảnh động vật. 1.4.1 Đối tượng và phạm vi nghiên cứu. 1.4.1. Đối tượng nghiên cứu. Kỹ thuật tiền xử lý ảnh để chuẩn bị dữ liệu cho mô hình.
(Hướng dẫn viết tài liệu tham khảo)
CHƯƠNG 2 PHƯƠNG PHÁP ÁP DỤNG
2.1 Mô tả phương pháp. Dự án này áp dụng thuật toán k-láng giềng gần nhất (k-Nearest Neighbors - k- NN) để phân loại hình ảnh của các loài sinh vật biển, bao gồm hải quỳ, cua, và cá vàng. Thuật toán k-NN là một phương pháp học máy giám sát đơn giản nhưng hiệu quả, đặc biệt thích hợp cho các bài toán phân loại dựa trên khoảng cách giữa các điểm dữ liệu trong không gian đặc trưng. 2.2 Công cụ và môi trường phát triển. Ngôn ngữ lập trình: Python. Thư viện và framework: scikit-learn, OpenCV, NumPy, Pandas. Môi trường phát triển: Jupyter Notebook, Google Colab. Phần mềm và công cụ hỗ trợ: Git để quản lý mã nguồn, Docker để triển khai môi trường nhất quán. 2.3 Quy trình thực hiện. 2.3.1 Thu thập dữ liệu. Thu thập hình ảnh: Tập hợp các hình ảnh của ba loài sinh vật biển từ các nguồn dữ liệu công khai, đáng tin cậy như các kho dữ liệu hình ảnh trực tuyến. Tiền xử lý dữ liệu: Các hình ảnh được xử lý để đồng nhất kích thước và chuẩn hóa. Điều này bao gồm chuyển đổi hình ảnh sang định dạng xám, thay đổi kích thước và chuẩn hóa pixel.
(Hướng dẫn viết tài liệu tham khảo) Hình 2.1 Thu thập và xử lý dữ liệu.
CHƯƠNG 3 KẾT QUẢ
3 .1.Đầu ra của chương trình.
Sau khi huấn luyện và đánh giá mô hình k-NN, kết quả đánh giá bao gồm độ chính
xác, độ nhạy (recall), độ đặc hiệu (precision), và điểm F1 (F1-score) cho từng lớp.
Hình 3.1 Kết quả của chương trình.
3 .2. Phân tích kết quả Độ chính xác tổng thể (Accuracy): 44%
- Mô hình đạt được độ chính xác tổng thể là 44%, tức là 44% các hình ảnh trong tập kiểm thử được phân loại đúng. Độ chính xác (Precision):
- cats: 0.
- dog: 0.
- panda: 0. Độ nhạy (Recall):
- cats: 0.
- dog: 0.
- panda: 0. Điểm F1 (F1-score):
- cats:0.
- dog:0.
- panda: 0.
Áp dụng mô hình học sâu: Thử nghiệm và áp dụng các mô hình học
sâu như Mạng Nơ-ron Tích chập (CNN) để cải thiện hiệu suất phân
loại.
Tối ưu hóa thuật toán: Tối ưu hóa các bước tiền xử lý và trích xuất
đặc trưng, thử nghiệm với các biến thể của k-NN hoặc các thuật toán
phân loại khác như SVM, Random Forest.
4 .4. Tổng kết.
Dự án đã thành công trong việc xây dựng và đánh giá mô hình phân loại
hình ảnh động vật sử dụng thuật toán k-NN. Các bước thực hiện từ thu thập
dữ liệu, tiền xử lý, đến huấn luyện mô hình đều được hoàn thành một cách
hiệu quả, cung cấp một cơ sở vững chắc cho các nghiên cứu và ứng dụng
tiếp theo. Tuy còn một số hạn chế, nhưng với những hướng phát triển đề
xuất, hệ thống này hứa hẹn sẽ được cải thiện và mở rộng, mang lại kết quả
tốt hơn và ứng dụng rộng rãi hơn trong thực tế.
