Page 90 - Kỷ yếu hội thảo quốc tế: Ứng dụng công nghệ mới trong công trình xanh - lần thứ 9 (ATiGB 2024)
P. 90
th
HỘI THẢO QUỐC TẾ ATiGB LẦN THỨ CHÍN - The 9 ATiGB 2024 81
3. THIẾT KẾ MÔ HÌNH HỆ THỐNG
3.1. Kiến thức chung
3.1.1. Mạng thần kinh tích chập CNN
Các mạng CNN (Convolutional Neural Network)
đều trích xuất đặc trưng dựa trên nguyên lý tích chập.
Kiến trúc phân tầng giúp mạng CNN học được đặc
trưng ở những cấp độ khác nhau, từ cấp độ bậc thấp
(low-level) tới bậc cao (high-level). Theo đó, mức độ
chi tiết của hình ảnh tăng tiến từ các đặc trưng chung
như đường chéo, ngang, dọc rìa, cạnh tới những các
đặc trưng chi tiết hơn. Kích thước layers giảm dần
Hình 2. Các bộ phận của khối dữ liệu đầu vào giúp giảm thiểu số lượng tham số của mô hình đáng
Khối xử lý trung tâm: Board Raspberry Pi4 là bộ kể và giúp tạo ra những mạng có kích thước nhẹ hơn
não của hệ thống có vai trò nhận tín hiệu từ cảm biến và tốc độ dự báo nhanh hơn. Trong khi độ chính xác
sau đó điều khiển các tín hiệu ngoại vi. của mô hình giảm không đáng kể.
Hình 3. Hộp điều khiển trung tâm
với bộ não là Raspberry
Khối chấp hành: Thực hiện các chức năng được
định sẵn thông qua sự điều khiển của Raspberry. Một
số thiết bị ngoại vi như cánh tay robot 2 bậc tự do, Hình 6. Kiến trúc điển hình của CNN [2]
máy bơm nước, còi báo động và đèn báo hiển thị tình Độ sâu của các lớp tăng dần nhờ tăng số bộ lọc,
trạng cho nguồn điện tại nơi xảy ra đám cháy. thường là theo cấp số nhân. Độ sâu tăng sẽ giúp cho
mạng CNN học được đa dạng các đặc trưng hơn. Ở
những lớp đầu tiên là những đặc trưng chung, chúng
khá giống nhau về hình dạng, phương hướng, nên
không cần quá nhiều bộ lọc để tạo ra chúng với số
lượng lớn. Càng ở những lớp sau đòi hỏi độ chi tiết
cao hơn thì yêu cầu số lượng bộ lọc nhiều hơn để giúp
phân biệt được nhiều chi tiết đặc trưng hơn.
3.1.2. Mô hình thuật toán Yolo
Yolo là một mô hình mạng thần kinh tích chập
Hình 4. Một số thiết bị ngoại vi của khối chấp hành CNN ứng dụng trong phát hiện, nhận dạng, phân loại
Khối nguồn: Cung cấp nguồn cho khối xử lý trung đối tượng. Mô hình Yolo được tạo ra từ việc kết hợp
tâm hoạt động và các thiết bị ngoại vi trong hệ thống. các lớp tích chập (Convolutional layers) và các lớp
kết nối (Connected layers). Trong đó các lớp tích
chập trích xuất ra các đặc trưng của ảnh và các lớp kết
nối đầy đủ (Fully-connected layers) sẽ dự đoán ra xác
suất và tọa độ của đối tượng.
Hình 5. Tủ điện hệ thống Hình 7. Kiến trúc mạng Yolo [3]
ISBN: 978-604-80-9779-0