Báo Cáo Emerging Technologies nhóm 8 - Công nghệ thông tin | Đại học Hoa Sen

Báo Cáo Emerging Technologies nhóm 8 - Công nghệ thông tin | Đại học Hoa Sen được sưu tầm và soạn thảo dưới dạng file PDF để gửi tới các bạn sinh viên cùng tham khảo, ôn tập đầy đủ kiến thức, chuẩn bị cho các buổi học thật tốt. Mời bạn đọc đón xem

Nhóm 8
BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC HOA SEN
KHOA CÔNG NGHỆ THÔNG TIN
TÊN ĐỀ TÀI:
NHẬN DIỆN CÂY XƯƠNG RỒNG
TỪ TRÊN CAO
Giảng viên : Lê Thanh Tùng
Lớp : TIN321DE01
Nhóm sinh viên thực hiện :
Trần Thị Xuân Mai - 2196991
Trần Quốc Bảo - 2190954
Trịnh Xuân An Bình - 2180760
Số nhóm : 8
THÁNG 05 / NĂM 2022
1.
Emerging
Technologies
Nhóm 8
LỜI CQM ƠN
Chúng em xin chân thnh gưi lơi cm ơn đĀn thầy Lê Thanh Tùng – ging viên dy
môn Emerging Technologies. Thầy đ* luôn nhiê ,t t-nh ging dy c.ng như l h0 trơ
chúng em trong suĀt quĀ tr-nh hc lm đề ti. Đ* có lúc chúng em đ* muĀn bỏ cuộc
nhưng thầy đ* hướng dẫn cho chúng em tận t-nh, giúp chúng em trong từng buổi hc
v đ* gii đĀp rất nhiều những thDc mDc trong quĀ tr-nh ging dy. Chính v- thĀ chúng
em đ* quyĀt tâm hon thnh đề ti một cĀch tĀt nhất để không phụ ơn thầy. Em nhóm
trưởng xin thay mặt c nhóm chúc thầy luôn dKi do sưc khỏe v luôn trn đầy tâm
huyĀt để có thể giĀo dục cho những thĀ hệ sau may mDn đươc thầy ging dy.
Chúng em xin chân thnh cm ơn.
P a g e | 1
Nhóm 8
MỤC LỤC:
1. GIỚI THIỆU.........................................................................................................3
2. CÁC LOẠI CÔNG NGHỆ...................................................................................4
2.1 Công ngh c a FLYCAM ..........................................................................................................4
2.1.1 Khái ni m .......................................................................................................................4
2.1.2 Cấấu t o ...........................................................................................................................4
2.1.3 Phấn lo i ........................................................................................................................4
2.1.4 M t sôấ công d ng c a Flycam ........................................................................................4
2.1.5 M t sôấ h ng dấẫn quay Flycam đ nh ch p và video chấất l ng ướ ượ ...........................5
2.2 Công ngh DEEP LEARNING ...................................................................................................5
2.2.1 Khái ni m .......................................................................................................................5
2.2.2 Deep Learning hay gi i quyếất nh ng vấấn đếề nh thếấ nào? ư ............................................6
2.2.3 Có nh ng kyẫ thu t Deep Learning nào? .........................................................................6
2.3 Convolu琀椀onal Neural Network...............................................................................................6
2.3.1 Khái ni m .......................................................................................................................6
2.3.2 Cấấu trúc c a m ng CNN .................................................................................................7
2.4 Công ngh OpenCV ................................................................................................................8
2.4.1 Khái ni m .......................................................................................................................8
2.4.2 OpenCV ra đ i khi nào? .................................................................................................8
2.4.3 OpenCV mang l i nh ng l i ích gì? ................................................................................9
2.4.4 OpenCV đ c s d ng đ làm gì?ượ ..................................................................................9
- CĀc hot động xư lý h-nh nh................................................................................................9
- Xấy d ng GUI .........................................................................................................................9
3. KẾT LUẬN.........................................................................................................10
TÀI LIÊUU THAM KHQO.........................................................................................11
P a g e | 2
Nhóm 8
2. GIỚI THIỆU
Công nghệ l sự , sự thay đổi, việc sư dụng, v về cĀc phĀt minh kiĀn thưc công
cụ, , , kỹ năng nghề nghiệp, , v phương phĀp , nhằmmĀy móc kỹ thuật hệ thĀng tổ chưc
gii quyĀt một vấn đề, ci tiĀn một gii phĀp đ* tKn ti, đt một mục đích, hay thực
hiện một chưc năng cụ thể đòi hỏi hm lương chất xĀm cao. Công nghệ nh hưởng
đĀng kể lên kh năng kiểm soĀt v thích nghi của c.ng như của những con ngươi động
vật khĀc vo của m-nh. Nói một cĀch đơn gin, công nghệ l sự môi trương tự nhiên
ưng dụng những phĀt minh khoa hc vo những mục tiêu hoặc sn phẩm thực tiễn v
cụ thể phục vụ đơi sĀng con ngươi, đặc biệt trong lĩnh vực công nghiệp hoặc thương
mi. công nghệ có thể đươc dùng theo nghĩa chung hay cho những lĩnh vựcThuật ngữ
cụ thể, ví dụ như "công nghệ xây dựng", "công nghệ thông tin".
P a g e | 3
Nhóm 8
3. CÁC LOẠI CÔNG NGHỆ
3.1 Công nghệ của FLYCAM
3.1.1 Khái niệm
Flycam l viĀt tDt của camera, Flycam l một thiĀt bị bay có gDn camera v đươc
điều khiển từ xa để chụp nh, quay video. Như vậy Flycam hiểu đơn gin l một chiĀc
camera bay, chúng ta sư dụng để chụp nh v quay video từ trên cao, giúp chúng ta
lấy đươc những h-nh nh rộng, bao quĀt, ấn tương.
Flycam hiện nay l thiĀt bị phổ biĀn trên thĀ giới, đươc ưng dụng rất nhiều vo cuộc
sĀng. Ngươi ta thương sư dụng, chụp nh, ghi li kỉ niệm v có ngươi dùng vo công
việc quay phim, sn xuất phim nh, khĀm phĀ vị trí con ngươi khó tiĀp cận để quay rõ
đươc những cnh đẹp từ phía trên xuĀng.
3.1.2 Cấu tạo
Flycam có cấu to gKm 4 bộ phận chính: MĀy bay điều khiển, camera, gimbal (đây l
bộ phận khung giữ camera cĀ định), bộ điều khiển v nhận tín hiệu. Ngoi ra, vẫn còn
một sĀ bộ phận khĀc để bộ trơ cho sự hot động của mĀy.
Flycam thương đươc lDp đặt bởi một camera chuyên dụng thay v- cĀc loi camera
thông thương. Do mĀy cần hot động dựa trên yĀu tĀ chĀng rung khi bay trên không
v truyền tín hiệu xuĀng mặt đất. Việc truyền tín hiệu, đươc thông qua bộ phĀt sóng
5.8g hoặc 2.4g v chíp Iosd. Loi chíp ny, giúp ngươi chụp lựa đươc góc quay đẹp
nhất, thông qua thông sĀ h-nh nh v mn h-nh điều khiển dưới mặt đất.
3.1.3 Phân loại
ThiĀt bị Flycam gKm có 2 loi:1. Dòng Flying platform.
- Flying platform
Dòng ny đươc lDp đặt theo công thưc chuẩn v quay phim chụp h-nh theo từng mục
đích chuyên dụng. Ưu điểm của loi ny l có thể bay rất xa v hot động trong điều
kiện thơi tiĀt khDc nghiệt nhất. Do Flying platform có chất lương tĀt, nên nó đươc ưng
rộng r*i trong cĀc ngnh như khoa hc, quân sự, kinh tĀ, đặc biệt đươc dùng quay
khĀm phĀ ở những địa điểm khó khăn như rừng rậm hay sa mc.
- Ready to fly:
Dòng ny đ* đươc cĀc sư dụng rộng r*i trong hiện nay. thương đươc ưng dụng trong
quay phim chụp h-nh teambuilding, sự kiện, công tr-nh, sn xuất v có thể sư dụng
trong c nông nghiệp.
3.1.4 Một số công dụng của Flycam
- Quay, chụp từ góc nh-n trên cao
Đây l công dụng phổ biĀn nhất của Flycam m ai c.ng biĀt. Những mĀy nh truyền
thĀng bị hn chĀ bởi góc chụp nhưng Flycam th- khĀc. Nó cho những h-nh nh, thước
phim với góc chụp từ trên cao vô cùng độc đĀo. Giơ đây, những ngươi yêu công nghệ
sẽ đươc thỏa sưc sĀng to ở mi độ cao, mi góc chụp nhơ Flycam.
- GiĀm sĀt động vật hoang d*
P a g e | 4
Nhóm 8
dụng flycam bay từ trên cao có thể giĀm sĀt, quan sĀt đươc động vật hoang d* m
không lm chúng kinh sơ. Đây vừa l gii phĀp tiĀt kiệm chi phí vừa trĀnh nguy hiểm
cho con ngươi.
- KhĀm phĀ những địa điểm khó khăn
Chúng ta có thể sư dụng Flycam để quay những khu rừng có phong cnh đẹp hoặc có
thể dùng để khĀm phĀ vùng đất sa mc bao la rộng lớn.
Mục đích cuĀi cùng của Flycam ny đều có chung một tiêu chí đó l những góc quay
từ trên cao, l v độc đĀo m những loi mĀy quay thông thương không thể đĀp ưn
đươc.
3.1.5 Một số hướng dẫn quay Flycam để có ảnh chụp và video chất lượng
- Ch n đ a đi m thích h p đ bay Flycam
- Phác h a kếấ ho ch chuyếấn bay Flycam
- Kiểm tra Flycam trước khi bay ( dung lương pin, độ chặt của cĀnh qut, thiĀt bị
h cĀch, mĀy nh, hiệu chuẩn bộ điều khiển ).
- dụng GimBal ( giĀ đỡ ) cho Flycam giúp ổn định trong quĀ tr-nh quay phim
khi gặp gió lm rung lDc.
- Chn thơi gian thích hơp để quay những cnh phim, chụp những hinh nh đẹp.
3.2 Công nghệ DEEP LEARNING
3.2.1 Khái niệm
Deep Learning l một tập hơp con của Machine Learning, bn thân nó nằm trong lĩnh
vực trí tuệ nhân to.
Trong lĩnh vực nghiên cưu AI, Machine Learning đ* đt đươc thnh công đĀng kể
trong những năm gần đây – cho phép mĀy tính vươt qua hoặc tiĀn gần đĀn việc kĀt
p hiệu suất của con ngươi trong cĀc lĩnh vực từ nhận dng khuôn mặt đĀn nhận
dng ging nói v ngôn ngữ.
Machine Learning l quĀ tr-nh dy mĀy tính thực hiện một nhiệm vụ, thay v- lập tr-nh
nó lm thĀ no để thực hiện nhiệm vụ đó từng bước một. Machine Learning thương
đươc chia thnh hc có giĀm sĀt, trong đó mĀy tính hc bằng ví dụ từ dữ liệu đươc
gDn nh*n v hc không giĀm sĀt, trong đó cĀc mĀy tính nhóm cĀc dữ liệu tương tự
xĀc định chính xĀc sự bất thương.
Deep Learning l một tập hơp con của Machine Learning, có kh năng khĀc biệt ở
một sĀ khía cnh quan trng so với Machine Learning nông truyền thĀng, cho phép
mĀy tính gii quyĀt một lot cĀc vấn đề phưc tp không thể gii quyĀt đươc.
Khi dữ liệu của bn phần lớn không có cấu trúc v bn có rất nhiều dữ liệu th- bn nên
dụng Deep Learning. CĀc thuật toĀn Deep Learning có thể lấy dữ liệu lộn xộn v
không có nh*n rộng r*i – chẳng hn như video, h-nh nh, bn ghi âm thanh v văn bn
– v Āp đặt đủ thư tự cho dữ liệu đó để đưa ra dự đoĀn hữu ích, xây dựng hệ thĀng
P a g e | 5
Nhóm 8
phân cấp cĀc tính năng to nên con chó hoặc con mèo một h-nh nh hoặc âm thanh to
thnh một từ trong lơi nói.
3.2.2 Deep Learning hay giải quyết những vấn đề như thế nào?
Như đ* đề cập, cĀc mng nơ-ron sâu vươt trội trong việc đưa ra dự đoĀn dựa trên dữ
liệu phần lớn không có cấu trúc. Điều đó có nghĩa l h cung cấp hiệu suất tĀt nhất
trong cĀc lĩnh vực như nhận dng ging nói v h-nh nh, nơi h lm việc với dữ liệu
lộn xộn như ghi âm lơi nói v h-nh nh.
3.2.3 Có những kỹ thuật Deep Learning nào?
Có nhiều loi mng lưới thần kinh sâu, với cĀc cấu trúc phù hơp với cĀc loi nhiệm v
khĀc nhau. Ví dụ: Mng thần kinh chuyển đổi (CNN) thương đươc sư dụng cho cĀc
tĀc vụ thị giĀc mĀy tính, trong khi Mng thần kinh tĀi phĀt (RNN) thương đươc
dụng để xư lý ngôn ngữ. M0i lớp có cĀc chuyên môn riêng, trong CNN, cĀc lớp ban
đầu đươc chuyên biệt để trích xuất cĀc tính năng riêng biệt từ h-nh nh, sau đó đươc
đưa vo mng thần kinh thông thương hơn để cho phép h-nh nh đươc phân loi.
3.3 Convolutional Neural Network
3.3.1 Khái niệm
Convolutional Neural Network (CNNs – Mng nơ-ron tích chập) l một trong những
mô h-nh Deep Learning tiên tiĀn. Nó giúp cho chúng ta xây dựng đươc những hệ
thĀng thông minh với độ chính xĀc cao như hiện nay.
CNN đươc sư dụng nhiều trong cĀc bi toĀn nhận dng cĀc object trong nh. Để t-m
hiểu ti sao thuật toĀn ny đươc sư dụng rộng r*i cho việc nhận dng (detection),
chúng ta h*y cùng t-m hiểu về thuật toĀn ny.
CĀc convolutional layer có cĀc parameter (kernel) đ* đươc hc để tự điều chỉnh lấy ra
những thông tin chính xĀc nhất m không cần chn cĀc feature. Trong h-nh nh ví dụ
trên, ma trận bên trĀi l một h-nh nh trDng đen đươc sĀ hóa. Ma trận có kích thước
5×5 v m0i điểm nh có giĀ trị 1 hoặc 0 l giao điểm của dòng v cột.
Convolution hay tích chập l nhân từng phần tư trong ma trận 3. Sliding Window hay
còn gi l kernel, filter hoặc feature detect l một ma trận có kích thước nhỏ như trong
ví dụ trên l 3×3. Convolution hay tích chập l nhân từng phần tư bên trong ma trận
3×3 với ma trận bên trĀi. KĀt qu đươc một ma trận gi l Convoled feature đươc sinh
ra từ việc nhận ma trận Filter với ma trận nh 5×5 bên trĀi.
P a g e | 6
Nhóm 8
3.3.2 Cấu trúc của mạng CNN
Mng CNN l một tập hơp cĀc lớp Convolution chKng lên nhau v sư dụng cĀc hm
nonlinear activation như ReLU v tanh để kích hot cĀc trng sĀ trong cĀc node. M0i
một lớp sau khi thông qua cĀc hm kích hot sẽ to ra cĀc thông tin trừu tương hơn
cho cĀc lớp tiĀp theo.
M0i một lớp sau khi thông qua cĀc hm kích hot sẽ to ra cĀc thông tin trừu tương
hơn cho cĀc lớp tiĀp theo. Trong mô h-nh mng truyền ngươc (feedforward neural
network) th- m0i neural đầu vo (input node) cho m0i neural đầu ra trong cĀc lớp tiĀp
theo.
Mô h-nh ny gi l mng kĀt nĀi đầy đủ (fully connected layer) hay mng ton vẹn
(affine layer). Còn trong mô h-nh CNNs th- ngươc li. CĀc layer liên kĀt đươc với
nhau thông qua cơ chĀ convolution.
Layer tiĀp theo l kĀt qu convolution từ layer trước đó, nhơ vậy m ta có đươc cĀc
kĀt nĀi cục bộ. Như vậy m0i neuron ở lớp kĀ tiĀp sinh ra từ kĀt qu của filter Āp đặt
lên một vùng nh cục bộ của neuron trước đó.
M0i một lớp đươc sư dụng cĀc filter khĀc nhau thông thương có hng trăm hng ngh-n
filter như vậy v kĀt hơp kĀt qu của chúng li. Ngoi ra có một sĀ layer khĀc như
pooling/subsampling layer dùng để chDt lc li cĀc thông tin hữu ích hơn (loi bỏ cĀc
thông tin nhiễu).
Trong quĀ tr-nh huấn luyện mng (traning) CNN tự động hc cĀc giĀ trị qua cĀc lớ
filter dựa vo cĀch thưc m bn thực hiện. Ví dụ trong tĀc vụ phân lớp nh, CNNs sẽ
cĀ gDng t-m ra thông sĀ tĀi ưu cho cĀc filter tương ưng theo thư tự raw pixel > edges >
shapes > facial > high-level features. Layer cuĀi cùng đươc dùng để phân lớp nh.
Trong mô h-nh CNN có 2 khía cnh cần quan tâm l tính bất biĀn (Location
Invariance) v tính kĀt hơp (Compositionality). Với cùng một đĀi tương, nĀu đĀi
tương ny đươc chiĀu theo cĀc gĀc độ khĀc nhau (translation, rotation, scaling) th- độ
chính xĀc của thuật toĀn sẽ bị nh hưởng đĀng kể.
P a g e | 7
Nhóm 8
Pooling layer sẽ cho bn tính bất biĀn đĀi với phép dịch chuyển (translation), phép
quay (rotation) v phép co gi*n (scaling). Tính kĀt hơp cục bộ cho ta cĀc cấp độ biểu
diễn thông tin từ mưc độ thấp đĀn mưc độ cao v trừu tương hơn thông qua
convolution từ cĀc filter.
Đó l lý do ti sao CNNs cho ra mô h-nh với độ chính xĀc rất cao. C.ng giĀng như
cĀch con ngươi nhận biĀt cĀc vật thể trong tự nhiên.
Mng CNN sư dụng 3 ý tưởng cơ bn:
cĀc trương tiĀp nhận cục bộ (local receptive field)
trng sĀ chia sẻ (shared weights)
tổng hơp (pooling).
Trương tiĀp nhận cục bộ (local receptive field)
Đầu vo của mng CNN l một nh. Ví dụ như nh có kích thước 28×28 th- tương
ưng đầu vo l một ma trận có 28×28 v giĀ trị m0i điểm nh l một ô trong ma trận.
Trong mô h-nh mng ANN truyền thĀng th- chúng ta sẽ kĀt nĀi cĀc neuron đầu vo
vo tầng nh.
Tuy nhiên trong CNN chúng ta không lm như vậy m chúng ta chỉ kĀt nĀi trong một
vùng nhỏ của cĀc neuron đầu vo như một filter có kích thước 5×5 tương ưng (28- 5 +
1) 24 điểm nh đầu vo. M0i một kĀt nĀi sẽ hc một trng sĀ v m0i neuron ẩn sẽ hc
một bias. M0i một vùng 5×5 đấy gi l một trương tiĀp nhận cục bộ.
3.4 Công nghệ OpenCV
3.4.1 Khái niệm
OpenCV (đươc viĀt tDt từ Open Computer Vision) l một bộ công cụ phần mềm để xư
lý h-nh nh, video, phân tích v hc mĀy theo thơi gian thực. Bộ công cụ ny có hơn
2500 thuật toĀn đươc sư dụng cổ điển v hiện đi đươc tĀi ưu hóa cho thị giĀc mĀ
tính v hc mĀy.
OpenCV h0 trơ nhiều ngôn ngữ lập tr-nh như C, C++, Java, Python,…tĀi ưu hóa thiĀt
kĀ đa nền tng v có kh năng hot động trên nhiều phần cưng khĀc nhau. Đươc thiĀt
kĀ để tận dụng tất c cĀc kh năng có có sẵn trong phần cưng, OpenCV giúp đm bo
mang li hiệu suất tĀt nhất cho cĀc ưng dụng mĀy tính sư dụng bộ công cụ ny.
3.4.2 OpenCV ra đời khi nào?
OpenCV đươc phĀt triển bởi Intel vo năm 1999 bởi Gary Bradski v phĀt hnh phiên
bn đầu tiên vo năm 2000. Năm 2005, OpenCV đươc sư dụng trong Stanley, chiĀc xe
ginh chiĀn thDng trong cuộc thi DARPA Grand Challenge, đây l bước đệm hon ho
cho việc phĀt triển OpenCV trong tương lai.
P a g e | 8
Nhóm 8
3.4.3 OpenCV mang lại những lợi ích gì?
- CĀc thuật toĀn rộng
OpenCV cung cấp hơn 2500 thuật toĀn hiện đi xen lẫn cổ điển. Bằng cĀch sư dụng
thư viện ny, ngươi dùng có thể thực hiện cĀc tĀc vụ như trích xuất mô h-nh, lươt bỏ,
theo dõi chuyển động,…
- dụng rộng r*i
CĀc doanh nghiệp lớn như IBM, Google, Toyota hoặc cĀc doanh nghiệp Startup đều
lựa chn OpenCV cho một sĀ hot động trong công việc của h. Qua đó, ngươi dùng
đươc đm bo rằng, h có thể đặt niềm tin vo bộ công cụ tiện ích đang đươc dụng
bởi cĀc doanh nghiệp lớn.
- H0 trơ
Trong cộng đKng sư dụng OpenCV rộng lớn, ngươi dùng có thể yêu cầu đươc h0 trơ
hoặc trơ giúp, chia sẻ những kinh nghiệm v gii phĀp của m-nh với những ngươi
khĀc. Đây l một cĀch rất tĀt giúp ngươi dùng có thể giao lưu, hc hỏi thêm những
kiĀn thưc về OpenCV trong cộng đKng.
- Gii phĀp hiệu qu
OpenCV cung cấp sự hiệu qu trong cĀc thuật toĀn để xư lý cĀc chương tr-nh thơi gian
thực. Hơn nữa, bộ công cụ ny đươc thiĀt kĀ với hiệu năng đặc biệt, cho phép tận
dụng kh năng tăng tĀc phần cưng v hệ thĀng đa lõi để triển khai hiệu qu.
3.4.4 OpenCV được sử dụng để làm gì?
- CĀc thuật toĀn xư lý h-nh nh
Khi viĀt thuật toĀn về thị giĀc mĀy tính (Computer Vision), bn sẽ phi sư dụng nhiều
thao tĀc xư lý h-nh nh cơ bn. Hầu hĀt, cĀc chưc năng ny đều có trong OpenCV, bn
có thể lm những việc như lc h-nh nh, biĀn đổi h-nh hc, chuyển đổi mu sDc, phân
tích h-nh dng v một sĀ tính năng khĀc.
- Xây dựng GUI
OpenCV cung cấp mô-đun đươc gi l highgui xư lý tất c cĀc hot động GUI (giao
diện ngươi dùng). Khi bn muĀn kiểm tra h-nh nh trước khi bDt đầu bước tiĀp theo,
mô-đun highgui có thể to một cưa sổ hiển thị nh hoặc video, giúp bn căn chỉnh phù
p trước.
P a g e | 9
Nhóm 8
4. KẾT LUẬN
- Thông qua những nghiên cưu v t-m hiểu trên giúp ta hiểu rõ biĀt thêm về
những công nghệ hiện đi. Điển h-nh Công nghệ DEEP LEARNING
- Những kiĀn thưc mở rộng, cĀch một công nghệ hot động ra sao, mưc độ khó
khăn khi ta thực hiện. Những kiĀn thưc mở rộng lẫn những sự hiểu biĀt của
chúng ta. Nâng cao những thư mới c.ng như chuôi rèn nhiều kiĀn thưc m
chúng ta đ* thiĀu hụt trong quĀ tr-nh hc hỏi, t-m hiểu.
- Hiểu rõ đươc cĀch sư dụng của từng công nghệ giúp chúng ta mở rộng hiểu
biĀt.
P a g e | 10
| 1/12

Preview text:

Nhóm 8
BỘ GIÁO DỤC VÀ ĐÀO TẠO
TRƯỜNG ĐẠI HỌC HOA SEN
KHOA CÔNG NGHỆ THÔNG TIN Emerging Technologies TÊN ĐỀ TÀI:
NHẬN DIỆN CÂY XƯƠNG RỒNG TỪ TRÊN CAO Giảng viên : Lê Thanh Tùng Lớp : TIN321DE01
Nhóm sinh viên thực hiện :
Trần Thị Xuân Mai - 2196991
Trần Quốc Bảo - 2190954
Trịnh Xuân An Bình - 2180760 Số nhóm : 8 THÁNG 05 / NĂM 2022 1. Nhóm 8 LỜI CQM ƠN
Chúng em xin chân thnh gư뀉i lơꄀi cm ơn đ Ān thầy Lê Thanh Tùng – ging viên d愃⌀y
môn Emerging Technologies. Thầy đ* luôn nhiê ,t t-nh ging d愃⌀y c.ng như l h0 trơꄣ
chúng em trong su Āt qu愃Ā tr-nh h漃⌀c lm đề ti. Đ* có lúc chúng em đ* mu Ān bỏ cuộc
nhưng thầy đ* hướng dẫn cho chúng em tận t-nh, giúp chúng em trong từng buổi h漃⌀c
v đ* gii đ愃Āp rất nhiều những thDc mDc trong qu愃Ā tr-nh ging d愃⌀y. Chính v- th Ā chúng
em đ* quy Āt tâm hon thnh đề ti một c愃Āch t Āt nhất để không phụ ơn thầy. Em nhóm
trưởng xin thay mặt c nhóm chúc thầy luôn dKi do sư뀁c khỏe v luôn trn đầy tâm
huy Āt để có thể gi愃Āo dục cho những th Ā hệ sau may mDn đươꄣc thầy ging d愃⌀y.
Chúng em xin chân thnh cm ơn. P a g e | 1 Nhóm 8 MỤC LỤC:
1. GIỚI THIỆU.........................................................................................................3
2. CÁC LOẠI CÔNG NGHỆ...................................................................................4 2.1 Công ngh cệ a FL
ủ YCAM ..........................................................................................................4 2.1.1
Khái niệm.......................................................................................................................4 2.1.2
Cấấu tạo...........................................................................................................................4 2.1.3 Phấn lo i
ạ ........................................................................................................................4 2.1.4 M t sôấ công d ộ ng c ụ a Flycam ủ
........................................................................................4 2.1.5 M t sôấ h ộ ng dấẫn qua ướ y Flycam đ có ể nh ch ả p và video chấất l ụ
ượ ng... .......................5 2.2 Công ngh DEEP ệ
LEARNING...................................................................................................5 2.2.1
Khái niệm.......................................................................................................................5 2.2.2
Deep Learning hay gi i quyếất nh ả ng vấấn đ ữ ếề nh thếấ nào? ư
............................................6 2.2.3 Có nh ng kyẫ thu ữ t Deep Learning nào? ậ
.........................................................................6 2.3
Convolu琀椀onal Neural Network...............................................................................................6 2.3.1
Khái niệm.......................................................................................................................6 2.3.2 Cấấu trúc c a m ủ ng CNN ạ
.................................................................................................7 2.4 Công ngh OpenCV ệ
................................................................................................................8 2.4.1
Khái niệm.......................................................................................................................8 2.4.2 OpenCV ra đ i khi nào? ờ
.................................................................................................8 2.4.3 OpenCV mang l i nh ạ ng l ữ i ích gì? ợ
................................................................................9 2.4.4 OpenCV đ c s ượ ử d n ụ g đ làm gì? ể
..................................................................................9 -
C愃Āc ho愃⌀t động xư뀉 lý h-nh nh................................................................................................9 - Xấy d ng GUI ự
.........................................................................................................................9
3. KẾT LUẬN.........................................................................................................10
TÀI LIÊUU THAM KHQO.........................................................................................11 P a g e | 2 Nhóm 8 2. GIỚI THIỆU
Công nghệ l sự ph愃Āt minh, sự thay đổi, việc sư뀉 dụng, v ki Ān thư뀁 về c c 愃Āc công
cụ, m愃Āy móc, kỹ thuật, kỹ năng nghề nghiệp, hệ th Āng, v phương ph愃Āp tổ chư뀁c, nhằm
gii quy Āt một vấn đề, ci ti Ān một gii ph愃Āp đ* tKn t愃⌀i, đ愃⌀t một mục đích, hay thực
hiện một chư뀁c năng cụ thể đòi hỏi hm lươꄣng chất x愃Ām cao. Công nghệ nh hưởng
đ愃Āng kể lên kh năng kiểm so愃Āt v thích nghi của con ngươꄀi c.ng như của những động
vật kh愃Āc vo môi trươꄀng tự nhiên của m-nh. Nói một c愃Āch đơn gin, công nghệ l sự
ư뀁ng dụng những ph愃Āt minh khoa h漃⌀c vo những mục tiêu hoặc sn phẩm thực tiễn v
cụ thể phục vụ đơꄀi s Āng con ngươꄀi, đặc biệt trong lĩnh vực công nghiệp hoặc thương
m愃⌀i. Thuật ngữ công nghệ có thể đươꄣc dùng theo nghĩa chung hay cho những lĩnh vực
cụ thể, ví dụ như "công nghệ xây dựng", "công nghệ thông tin". P a g e | 3 Nhóm 8
3. CÁC LOẠI CÔNG NGHỆ
3.1 Công nghệ của FLYCAM 3.1.1 Khái niệm
Flycam l vi Āt tDt của camera, Flycam l một thi Āt bị bay có gDn camera v đươꄣc
điều khiển từ xa để chụp nh, quay video. Như vậy Flycam hiểu đơn gin l một chi Āc
camera bay, chúng ta sư뀉 dụng để chụp nh v quay video từ trên cao, giúp chúng ta
lấy đươꄣc những h-nh nh rộng, bao qu愃Āt, ấn tươꄣng.
Flycam hiện nay l thi Āt bị phổ bi Ān trên th Ā giới, đươꄣc ư뀁ng dụng rất nhiều vo cuộc
s Āng. Ngươꄀi ta thươꄀng sư뀉 dụng, chụp nh, ghi l愃⌀i kỉ niệm v có ngươꄀi dùng vo công
việc quay phim, sn xuất phim nh, kh愃Ām ph愃Ā vị trí con ngươꄀi khó ti Āp cận để quay rõ
đươꄣc những cnh đẹp từ phía trên xu Āng. 3.1.2 Cấu tạo
Flycam có cấu t愃⌀o gKm 4 bộ phận chính: M愃Āy bay điều khiển, camera, gimbal (đây l
bộ phận khung giữ camera c Ā định), bộ điều khiển v nhận tín hiệu. Ngoi ra, vẫn còn
một s Ā bộ phận kh愃Āc để bộ trơꄣ cho sự ho愃⌀t động của m愃Āy.
Flycam thươꄀng đươꄣc lDp đặt bởi một camera chuyên dụng thay v- c愃Āc lo愃⌀i camera
thông thươꄀng. Do m愃Āy cần ho愃⌀t động dựa trên y Āu t Ā ch Āng rung khi bay trên không
v truyền tín hiệu xu Āng mặt đất. Việc truyền tín hiệu, đươꄣc thông qua bộ ph愃Āt sóng
5.8g hoặc 2.4g v chíp Iosd. Lo愃⌀i chíp ny, giúp ngươꄀi chụp lựa đươꄣc góc quay đẹp
nhất, thông qua thông s Ā h-nh nh v mn h-nh điều khiển dưới mặt đất. 3.1.3 Phân loại
Thi Āt bị Flycam gKm có 2 lo愃⌀i:1. Dòng Flying platform. - Flying platform
Dòng ny đươꄣc lDp đặt theo công thư뀁c chuẩn v quay phim chụp h-nh theo từng mục
đích chuyên dụng. Ưu điểm của lo愃⌀i ny l có thể bay rất xa v ho愃⌀t động trong điều
kiện thơꄀi ti Āt khDc nghiệt nhất. Do Flying platform có chất lươꄣng t Āt, nên nó đươꄣc ư뀁ng
rộng r*i trong c愃Āc ngnh như khoa h漃⌀c, quân sự, kinh t Ā, đặc biệt đươꄣc dùng quay
kh愃Ām ph愃Ā ở những địa điểm khó khăn như rừng rậm hay sa m愃⌀c. - Ready to fly:
Dòng ny đ* đươꄣc c愃Āc sư뀉 dụng rộng r*i trong hiện nay. thươꄀng đươꄣc ư뀁ng dụng trong
quay phim chụp h-nh teambuilding, sự kiện, công tr-nh, sn xuất v có thể sư뀉 dụng trong c nông nghiệp.
3.1.4 Một số công dụng của Flycam
- Quay, chụp từ góc nh-n trên cao
Đây l công dụng phổ bi Ān nhất của Flycam m ai c.ng bi Āt. Những m愃Āy nh truyền
th Āng bị h愃⌀n ch Ā bởi góc chụp nhưng Flycam th- kh愃Āc. Nó cho những h-nh nh, thước
phim với góc chụp từ trên cao vô cùng độc đ愃Āo. Giơꄀ đây, những ngươꄀi yêu công nghệ
sẽ đươꄣc thỏa sư뀁c s愃Āng t愃⌀o ở m漃⌀i độ cao, m漃⌀i góc chụp nhơꄀ Flycam.
- Gi愃Ām s愃Āt động vật hoang d* P a g e | 4 Nhóm 8
Sư뀉 dụng flycam bay từ trên cao có thể gi愃Ām s愃Āt, quan s愃Āt đươꄣc động vật hoang d* m
không lm chúng kinh sơꄣ. Đây vừa l gii ph愃Āp ti Āt kiệm chi phí vừa tr愃Ānh nguy hiểm cho con ngươꄀi.
- Kh愃Ām ph愃Ā những địa điểm khó khăn
Chúng ta có thể sư뀉 dụng Flycam để quay những khu rừng có phong cnh đẹp hoặc có
thể dùng để kh愃Ām ph愃Ā vùng đất sa m愃⌀c bao la rộng lớn.
Mục đích cu Āi cùng của Flycam ny đều có chung một tiêu chí đó l những góc quay
từ trên cao, l愃⌀ v độc đ愃Āo m những lo愃⌀i m愃Āy quay thông thươꄀng không thể đ愃Āp ư뀁n đươꄣc.
3.1.5 Một số hướng dẫn quay Flycam để có ảnh chụp và video chất lượng - Ch n đ ọ a đi ị m thích h ể p đ ợ bay Fly ể cam - Phác h a kếấ ọ ho ch chuy ạ ếấn bay Flycam
- Kiểm tra Flycam trước khi bay ( dung lươꄣng pin, độ chặt của c愃Ānh qu愃⌀t, thi Āt bị
h愃⌀ c愃Āch, m愃Āy nh, hiệu chuẩn bộ điều khiển ).
- Sư뀉 dụng GimBal ( gi愃Ā đỡ ) cho Flycam giúp ổn định trong qu愃Ā tr-nh quay phim khi gặp gió lm rung lDc.
- Ch漃⌀n thơꄀi gian thích hơꄣp để quay những cnh phim, chụp những hinh nh đẹp.
3.2 Công nghệ DEEP LEARNING 3.2.1 Khái niệm
Deep Learning l một tập hơꄣp con của Machine Learning, bn thân nó nằm trong lĩnh
vực trí tuệ nhân t愃⌀o.
Trong lĩnh vực nghiên cư뀁u AI, Machine Learning đ* đ愃⌀t đươꄣc thnh công đ愃Āng kể
trong những năm gần đây – cho phép m愃Āy tính vươꄣt qua hoặc ti Ān gần đ Ān việc k Āt
hơꄣp hiệu suất của con ngươꄀi trong c愃Āc lĩnh vực từ nhận d愃⌀ng khuôn mặt đ Ān nhận
d愃⌀ng gi漃⌀ng nói v ngôn ngữ.
Machine Learning l qu愃Ā tr-nh d愃⌀y m愃Āy tính thực hiện một nhiệm vụ, thay v- lập tr-nh
nó lm th Ā no để thực hiện nhiệm vụ đó từng bước một. Machine Learning thươꄀng
đươꄣc chia thnh h漃⌀c có gi愃Ām s愃Āt, trong đó m愃Āy tính h漃⌀c bằng ví dụ từ dữ liệu đươꄣc
gDn nh*n v h漃⌀c không gi愃Ām s愃Āt, trong đó c愃Āc m愃Āy tính nhóm c愃Āc dữ liệu tương tự
x愃Āc định chính x愃Āc sự bất thươꄀng.
Deep Learning l một tập hơꄣp con của Machine Learning, có kh năng kh愃Āc biệt ở
một s Ā khía c愃⌀nh quan tr漃⌀ng so với Machine Learning nông truyền th Āng, cho phép
m愃Āy tính gii quy Āt một lo愃⌀t c愃Āc vấn đề phư뀁c t愃⌀p không thể gii quy Āt đươꄣc.
Khi dữ liệu của b愃⌀n phần lớn không có cấu trúc v b愃⌀n có rất nhiều dữ liệu th- b愃⌀n nên
sư뀉 dụng Deep Learning. C愃Āc thuật to愃Ān Deep Learning có thể lấy dữ liệu lộn xộn v
không có nh*n rộng r*i – chẳng h愃⌀n như video, h-nh nh, bn ghi âm thanh v văn bn
– v 愃Āp đặt đủ thư뀁 tự cho dữ liệu đó để đưa ra dự đo愃Ān hữu ích, xây dựng hệ th Āng P a g e | 5 Nhóm 8
phân cấp c愃Āc tính năng t愃⌀o nên con chó hoặc con mèo một h-nh nh hoặc âm thanh t愃⌀o
thnh một từ trong lơꄀi nói.
3.2.2 Deep Learning hay giải quyết những vấn đề như thế nào?
Như đ* đề cập, c愃Āc m愃⌀ng nơ-ron sâu vươꄣt trội trong việc đưa ra dự đo愃Ān dựa trên dữ
liệu phần lớn không có cấu trúc. Điều đó có nghĩa l h漃⌀ cung cấp hiệu suất t Āt nhất
trong c愃Āc lĩnh vực như nhận d愃⌀ng gi漃⌀ng nói v h-nh nh, nơi h漃⌀ lm việc với dữ liệu
lộn xộn như ghi âm lơꄀi nói v h-nh nh.
3.2.3 Có những kỹ thuật Deep Learning nào?
Có nhiều lo愃⌀i m愃⌀ng lưới thần kinh sâu, với c愃Āc cấu trúc phù hơꄣp với c愃Āc lo愃⌀i nhiệm v
kh愃Āc nhau. Ví dụ: M愃⌀ng thần kinh chuyển đổi (CNN) thươꄀng đươꄣc sư뀉 dụng cho c愃Āc
t愃Āc vụ thị gi愃Āc m愃Āy tính, trong khi M愃⌀ng thần kinh t愃Āi ph愃Āt (RNN) thươꄀng đươꄣc
dụng để xư뀉 lý ngôn ngữ. M0i lớp có c愃Āc chuyên môn riêng, trong CNN, c愃Āc lớp ban
đầu đươꄣc chuyên biệt để trích xuất c愃Āc tính năng riêng biệt từ h-nh nh, sau đó đươꄣc
đưa vo m愃⌀ng thần kinh thông thươꄀng hơn để cho phép h-nh nh đươꄣc phân lo愃⌀i.
3.3 Convolutional Neural Network 3.3.1 Khái niệm
Convolutional Neural Network (CNNs – M愃⌀ng nơ-ron tích chập) l một trong những
mô h-nh Deep Learning tiên ti Ān. Nó giúp cho chúng ta xây dựng đươꄣc những hệ
th Āng thông minh với độ chính x愃Āc cao như hiện nay.
CNN đươꄣc sư뀉 dụng nhiều trong c愃Āc bi to愃Ān nhận d愃⌀ng c愃Āc object trong nh. Để t-m
hiểu t愃⌀i sao thuật to愃Ān ny đươꄣc sư뀉 dụng rộng r*i cho việc nhận d愃⌀ng (detection),
chúng ta h*y cùng t-m hiểu về thuật to愃Ān ny.
C愃Āc convolutional layer có c愃Āc parameter (kernel) đ* đươꄣc h漃⌀c để tự điều chỉnh lấy ra
những thông tin chính x愃Āc nhất m không cần ch漃⌀n c愃Āc feature. Trong h-nh nh ví dụ
trên, ma trận bên tr愃Āi l một h-nh nh trDng đen đươꄣc s Ā hóa. Ma trận có kích thước
5×5 v m0i điểm nh có gi愃Ā trị 1 hoặc 0 l giao điểm của dòng v cột.
Convolution hay tích chập l nhân từng phần tư뀉 trong ma trận 3. Sliding Window hay
còn g漃⌀i l kernel, filter hoặc feature detect l một ma trận có kích thước nhỏ như trong
ví dụ trên l 3×3. Convolution hay tích chập l nhân từng phần tư뀉 bên trong ma trận
3×3 với ma trận bên tr愃Āi. K Āt qu đươꄣc một ma trận g漃⌀i l Convoled feature đươꄣc sinh
ra từ việc nhận ma trận Filter với ma trận nh 5×5 bên tr愃Āi. P a g e | 6 Nhóm 8
3.3.2 Cấu trúc của mạng CNN
M愃⌀ng CNN l một tập hơꄣp c愃Āc lớp Convolution chKng lên nhau v sư뀉 dụng c愃Āc hm
nonlinear activation như ReLU v tanh để kích ho愃⌀t c愃Āc tr漃⌀ng s Ā trong c愃Āc node. M0i
một lớp sau khi thông qua c愃Āc hm kích ho愃⌀t sẽ t愃⌀o ra c愃Āc thông tin trừu tươꄣng hơn cho c愃Āc lớp ti Āp theo.
M0i một lớp sau khi thông qua c愃Āc hm kích ho愃⌀t sẽ t愃⌀o ra c愃Āc thông tin trừu tươꄣng
hơn cho c愃Āc lớp ti Āp theo. Trong mô h-nh m愃⌀ng truyền ngươꄣc (feedforward neural
network) th- m0i neural đầu vo (input node) cho m0i neural đầu ra trong c愃Āc lớp ti Āp theo.
Mô h-nh ny g漃⌀i l m愃⌀ng k Āt n Āi đầy đủ (fully connected layer) hay m愃⌀ng ton vẹn
(affine layer). Còn trong mô h-nh CNNs th- ngươꄣc l愃⌀i. C愃Āc layer liên k Āt đươꄣc với
nhau thông qua cơ ch Ā convolution.
Layer ti Āp theo l k Āt qu convolution từ layer trước đó, nhơꄀ vậy m ta có đươꄣc c愃Āc
k Āt n Āi cục bộ. Như vậy m0i neuron ở lớp k Ā ti Āp sinh ra từ k Āt qu của filter 愃Āp đặt
lên một vùng nh cục bộ của neuron trước đó.
M0i một lớp đươꄣc sư뀉 dụng c愃Āc filter kh愃Āc nhau thông thươꄀng có hng trăm hng ngh-n
filter như vậy v k Āt hơꄣp k Āt qu của chúng l愃⌀i. Ngoi ra có một s Ā layer kh愃Āc như
pooling/subsampling layer dùng để chDt l漃⌀c l愃⌀i c愃Āc thông tin hữu ích hơn (lo愃⌀i bỏ c愃Āc thông tin nhiễu).
Trong qu愃Ā tr-nh huấn luyện m愃⌀ng (traning) CNN tự động h漃⌀c c愃Āc gi愃Ā trị qua c愃Āc lớ
filter dựa vo c愃Āch thư뀁c m b愃⌀n thực hiện. Ví dụ trong t愃Āc vụ phân lớp nh, CNNs sẽ
c Ā gDng t-m ra thông s Ā t Āi ưu cho c愃Āc filter tương ư뀁ng theo thư뀁 tự raw pixel > edges >
shapes > facial > high-level features. Layer cu Āi cùng đươꄣc dùng để phân lớp nh.
Trong mô h-nh CNN có 2 khía c愃⌀nh cần quan tâm l tính bất bi Ān (Location
Invariance) v tính k Āt hơꄣp (Compositionality). Với cùng một đ Āi tươꄣng, n Āu đ Āi
tươꄣng ny đươꄣc chi Āu theo c愃Āc g Āc độ kh愃Āc nhau (translation, rotation, scaling) th- độ
chính x愃Āc của thuật to愃Ān sẽ bị nh hưởng đ愃Āng kể. P a g e | 7 Nhóm 8
Pooling layer sẽ cho b愃⌀n tính bất bi Ān đ Āi với phép dịch chuyển (translation), phép
quay (rotation) v phép co gi*n (scaling). Tính k Āt hơꄣp cục bộ cho ta c愃Āc cấp độ biểu
diễn thông tin từ mư뀁c độ thấp đ Ān mư뀁c độ cao v trừu tươꄣng hơn thông qua
convolution từ c愃Āc filter.
Đó l lý do t愃⌀i sao CNNs cho ra mô h-nh với độ chính x愃Āc rất cao. C.ng gi Āng như
c愃Āch con ngươꄀi nhận bi Āt c愃Āc vật thể trong tự nhiên.
M愃⌀ng CNN sư뀉 dụng 3 ý tưởng cơ bn:
c愃Āc trươꄀng ti Āp nhận cục bộ (local receptive field)
tr漃⌀ng s Ā chia sẻ (shared weights) tổng hơꄣp (pooling).
Trươꄀng ti Āp nhận cục bộ (local receptive field)
Đầu vo của m愃⌀ng CNN l một nh. Ví dụ như nh có kích thước 28×28 th- tương
ư뀁ng đầu vo l một ma trận có 28×28 v gi愃Ā trị m0i điểm nh l một ô trong ma trận.
Trong mô h-nh m愃⌀ng ANN truyền th Āng th- chúng ta sẽ k Āt n Āi c愃Āc neuron đầu vo vo tầng nh.
Tuy nhiên trong CNN chúng ta không lm như vậy m chúng ta chỉ k Āt n Āi trong một
vùng nhỏ của c愃Āc neuron đầu vo như một filter có kích thước 5×5 tương ư뀁ng (28- 5 +
1) 24 điểm nh đầu vo. M0i một k Āt n Āi sẽ h漃⌀c một tr漃⌀ng s Ā v m0i neuron ẩn sẽ h漃⌀c
một bias. M0i một vùng 5×5 đấy g漃⌀i l một trươꄀng ti Āp nhận cục bộ.
3.4 Công nghệ OpenCV 3.4.1 Khái niệm
OpenCV (đươꄣc vi Āt tDt từ Open Computer Vision) l một bộ công cụ phần mềm để xư뀉
lý h-nh nh, video, phân tích v h漃⌀c m愃Āy theo thơꄀi gian thực. Bộ công cụ ny có hơn
2500 thuật to愃Ān đươꄣc sư뀉 dụng cổ điển v hiện đ愃⌀i đươꄣc t Āi ưu hóa cho thị gi愃Āc m愃Ā tính v h漃⌀c m愃Āy.
OpenCV h0 trơꄣ nhiều ngôn ngữ lập tr-nh như C, C++, Java, Python,…t Āi ưu hóa thi Āt
k Ā đa nền tng v có kh năng ho愃⌀t động trên nhiều phần cư뀁ng kh愃Āc nhau. Đươꄣc thi Āt
k Ā để tận dụng tất c c愃Āc kh năng có có sẵn trong phần cư뀁ng, OpenCV giúp đm bo
mang l愃⌀i hiệu suất t Āt nhất cho c愃Āc ư뀁ng dụng m愃Āy tính sư뀉 dụng bộ công cụ ny.
3.4.2 OpenCV ra đời khi nào?
OpenCV đươꄣc ph愃Āt triển bởi Intel vo năm 1999 bởi Gary Bradski v ph愃Āt hnh phiên
bn đầu tiên vo năm 2000. Năm 2005, OpenCV đươꄣc sư뀉 dụng trong Stanley, chi Āc xe
ginh chi Ān thDng trong cuộc thi DARPA Grand Challenge, đây l bước đệm hon ho
cho việc ph愃Āt triển OpenCV trong tương lai. P a g e | 8 Nhóm 8
3.4.3 OpenCV mang lại những lợi ích gì?
- C愃Āc thuật to愃Ān rộng
OpenCV cung cấp hơn 2500 thuật to愃Ān hiện đ愃⌀i xen lẫn cổ điển. Bằng c愃Āch sư뀉 dụng
thư viện ny, ngươꄀi dùng có thể thực hiện c愃Āc t愃Āc vụ như trích xuất mô h-nh, lươꄣt bỏ, theo dõi chuyển động,…
- Sư뀉 dụng rộng r*i
C愃Āc doanh nghiệp lớn như IBM, Google, Toyota hoặc c愃Āc doanh nghiệp Startup đều
lựa ch漃⌀n OpenCV cho một s Ā ho愃⌀t động trong công việc của h漃⌀. Qua đó, ngươꄀi dùng
đươꄣc đm bo rằng, h漃⌀ có thể đặt niềm tin vo bộ công cụ tiện ích đang đươꄣc sư뀉 dụng
bởi c愃Āc doanh nghiệp lớn. - H0 trơꄣ
Trong cộng đKng sư뀉 dụng OpenCV rộng lớn, ngươꄀi dùng có thể yêu cầu đươꄣc h0 trơꄣ
hoặc trơꄣ giúp, chia sẻ những kinh nghiệm v gii ph愃Āp của m-nh với những ngươꄀi
kh愃Āc. Đây l một c愃Āch rất t Āt giúp ngươꄀi dùng có thể giao lưu, h漃⌀c hỏi thêm những
ki Ān thư뀁c về OpenCV trong cộng đKng.
- Gii ph愃Āp hiệu qu
OpenCV cung cấp sự hiệu qu trong c愃Āc thuật to愃Ān để xư뀉 lý c愃Āc chương tr-nh thơꄀi gian
thực. Hơn nữa, bộ công cụ ny đươꄣc thi Āt k Ā với hiệu năng đặc biệt, cho phép tận
dụng kh năng tăng t Āc phần cư뀁ng v hệ th Āng đa lõi để triển khai hiệu qu.
3.4.4 OpenCV được sử dụng để làm gì?
- C愃Āc thuật to愃Ān xư뀉 lý h-nh nh
Khi vi Āt thuật to愃Ān về thị gi愃Āc m愃Āy tính (Computer Vision), b愃⌀n sẽ phi sư뀉 dụng nhiều
thao t愃Āc xư뀉 lý h-nh nh cơ bn. Hầu h Āt, c愃Āc chư뀁c năng ny đều có trong OpenCV, b愃⌀n
có thể lm những việc như l漃⌀c h-nh nh, bi Ān đổi h-nh h漃⌀c, chuyển đổi mu sDc, phân
tích h-nh d愃⌀ng v một s Ā tính năng kh愃Āc. - Xây dựng GUI
OpenCV cung cấp mô-đun đươꄣc g漃⌀i l highgui xư뀉 lý tất c c愃Āc ho愃⌀t động GUI (giao
diện ngươꄀi dùng). Khi b愃⌀n mu Ān kiểm tra h-nh nh trước khi bDt đầu bước ti Āp theo,
mô-đun highgui có thể t愃⌀o một cư뀉a sổ hiển thị nh hoặc video, giúp b愃⌀n căn chỉnh phù hơꄣp trước. P a g e | 9 Nhóm 8 4. KẾT LUẬN
- Thông qua những nghiên cư뀁u v t-m hiểu trên giúp ta hiểu rõ bi Āt thêm về
những công nghệ hiện đ愃⌀i. Điển h-nh Công nghệ DEEP LEARNING
- Những ki Ān thư뀁c mở rộng, c愃Āch một công nghệ ho愃⌀t động ra sao, mư뀁c độ khó
khăn khi ta thực hiện. Những ki Ān thư뀁c mở rộng lẫn những sự hiểu bi Āt của
chúng ta. Nâng cao những thư뀁 mới c.ng như chuôi rèn nhiều ki Ān thư뀁c m
chúng ta đ* thi Āu hụt trong qu愃Ā tr-nh h漃⌀c hỏi, t-m hiểu.
- Hiểu rõ đươꄣc c愃Āch sư뀉 dụng của từng công nghệ giúp chúng ta mở rộng hiểu bi Āt. P a g e | 10