LuanVan.vnLuận Văn
Gửi thư

ĐỌC CHỈ SỐ NƯỚC TỰ ĐỘNG ỨNG DỤNG TINYML

Khoá luận tốt nghiệp · Đại học · năm 2023 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhKỹ thuật, xây dựng, môi trường
Tác giảNguyễn Văn Vĩnh
Người hướng dẫnNguyễn Văn Khanh
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2023
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Mục tiêu của đề tài là thiết kế một thiết bị có thể đọc chỉ số nước trên đồng hồ nước dạng cơ một cách tự động sử dụng máy ảnh ứng dụng mô hình máy học sâu chạy trực tiếp trên vi điều khiển, để hỗ trợ việc theo dõi lượng nước đã sử dụng hàng tháng. Một mô hình thiết bị được thiết kế để lắp đặt trực tiếp lên đồng hồ nước. Board mạch ESP32-CAM tích hợp sẵn máy ảnh OV2640 được sử dụng để thu thập dữ liệu ảnh và chạy mạng học sâu TinyML. Quá trình thực hiện mạng học sâu để đọc chỉ số đồng hồ nước được thực hiện thông qua bốn bước. Bước thứ nhất, một chương trình được phát triển để thu thập ảnh các chữ số trên đồng hồ, các số được thay đổi bằng cách xoay các bánh răng trên đồng hồ. Dữ liệu cũng được tăng cường để đảm bảo đủ để huấn luyện mạng. Bước thứ hai, dữ liệu được đánh nhãn, chia nhóm để huấn luyện các cấu trúc mạng học sâu TinyML đề xuất trên máy tính cá nhân. Bước thứ ba, mạng có độ chính xác tốt nhất sẽ được chuyển sang dạng rút gọn để chạy trực tiếp trên ESP32. Mô hình sẽ được kiểm tra trực tiếp bằng ảnh chụp từ máy ảnh để đánh giá độ chính xác của các số nhận dạng được, nếu độ chính xác không đạt, dữ liệu mới sẽ được thêm vào bộ dữ liệu đã thu thập và quay lại bước đầu tiên. Sau cùng, nếu độ chính xác đạt yêu cầu, mạng TinyML sẽ được áp dụng để đọc các chữ số trên đồng hồ và đổi thành số m3 nước đã tiêu thụ. Mô hình mạng TinyML đề nghị cũng được so sánh với mô hình mạng LeNet5 để đánh giá tính hiệu quả. Kết quả thực nghiệm cho thấy, với bộ dữ liệu gồm 3045 ảnh 32x24 pixel thu thập được mô hình mạng TinyML đề nghị đã đạt độ chính xác khi huấn luyện là 99.5 %, độ chính xác kiểm tra thực tế trên vi điều khiển là 97.3 %, F1-Score đạt 97.3 %. Mô hình đề nghị có độ chính xác cao hơn 27 % so với LeNet5. Tuy nhiên, đề tài chỉ dừng lại ở việc thử nghiệm với trường hợp các số hiện rõ trên đồng hồ, chưa đề xuất thuật toán đọc trường hợp chuyển từ số này sang số khác. Từ khóa: Đọc chỉ số nước, TinyML, Deep Learning, ESP32-CAM. Lời cảm tạ iv Tóm tắt v Abstract vi Lời cam đoan vii Danh mục hình xi Danh mục bảng xii Danh mục từ viết tắt xiv Chương 1: Tổng quan đề Tài 1 1.1 Đặt vấn đề 1 1.2 Mục tiêu thực hiện đề tài 3 1.3 Phạm vi và đối tượng nghiên cứu 3 1.3.1 Phạm vi nghiên cứu 3 1.3.2 Đối tượng nghiên cứu 3 1.3.3 Nghiên cứu liên quan 3 Chương 2: Cơ sở lý thuyết 7 2.1 Đồng hồ nước dạng cơ 7 2.1.1 Đồng hồ nước là gì 7 2.1.2 Cấu tạo đồng hồ nước 7 2.1.3 Nguyên lý hoạt động của đồng hồ nước 8 2.1.4 Cách xem đồng hồ nước 9 2.2 Ảnh xám (GrayScale image) 9 2.3 Tăng cường dữ liệu 10 2.3.1 Biến dạng đàn hồi (Elastic Distortions) 11 2.3.2 Biến đổi phối cảnh (Perspective Transforms) 11 2.3.3 Xoay bảo toàn kích thước (Size Preserving Rotations) 11 2.3.4 Cắt xén (Cropping) 12 2.3.5 Xóa ngẫu nhiên (Random Erasing) 12 2.4 Tổng quan về học sâu 13 2.4.1 Sự liên quan giữ học máy và học sâu 13 2.4.2 Định nghĩa mạng học sâu 13 2.4.3 Mạng nơron tích chập 14 2.4.4 Tích chập (Convolution) trong mạng nơron 14 2.4.5 Tính năng (Feature) trong mạng noron tích chập 15 2.4.6 Những lớp cơ bản của mạng nơron tích chập 15 2.4.7 Kiến trúc của mạng nơron tích chập 17 2.4.8 Cách lựa chọn tham số cho mạng nơron tích chập 17 2.4.9 Các chỉ tiêu đánh giá kết quả 18 2.5 Ánh xạ mô hình xuống hệ thống nhúng 20 2.5.1 Sơ lược về TinyML 20 2.5.2 Sơ lượt về TensorFlow Lite [19] 20 2.6 ESP32-CAM AI-Thinker 21 2.6.1 Tổng quan về ESP32-CAM 21 2.6.2 Một số thành phần chính của ESP32-CAM 22 2.6.3 Các tính năng chi tiết 22 2.7 Máy ảnh OV2640 23 2.7.1 Tính năng 23 2.7.2 Thông số kỹ thuật 23 Chương 3: Phương pháp thực hiện 24 3.1 Tổng quan mô hình 24 3.2 Bố trí thí nghiệm 25 3.3 Thiết kế phần cứng 26 3.4 Xây dựng bộ dữ liệu 26 3.4.1 Chụp ảnh bằng ESP32-CAM 26 3.4.2 Thuật toán cắt lấy vùng chọn 28 3.4.3 Các bước thu thập dữ liệu 29 3.5 Xây dựng mô hình nhận dạng 30 3.5.1 Thiết kế mô hình mạng học sâu đề xuất 30 3.5.2 Mô hình mạng Lenet5 33 3.6 Thiết kế nhận dạng thực tế 34 3.6.1 Thực thi mô hình nhận dạng trên hệ thông nhúng 34 3.6.2 Nhận dạng một số 35 3.6.3 Nhận dạng dãy số 36 Chương
Bản toàn văn lưu tại thư viện Trường Đại học Cần Thơ

Thông tin và tóm tắt ở trên lấy từ kho số mở của thư viện trường. Bản toàn văn do thư viện trường quản lý — có nơi cho đọc trực tuyến, có nơi cần tài khoản bạn đọc của trường.

Mở tại thư viện trường ↗
Dùng tài liệu tham khảo cho đúng
  • Đọc để hiểu cách người trước đặt câu hỏi, chọn phương pháp, trình bày số liệu — rồi tự làm với dữ liệu và bối cảnh của bạn.
  • Ý, số liệu, bảng biểu lấy từ tài liệu này phải trích dẫn (tác giả, năm, tên đề tài, cơ sở đào tạo).
  • Đề tài trùng tên vẫn làm được nếu khác đơn vị khảo sát, thời gian hoặc cách tiếp cận — nêu rõ điểm khác trong phần mở đầu.

Hướng dẫn chọn đề tài, cấu trúc và số liệu cho ngành này: Luận văn kỹ thuật, xây dựng, môi trường · Hỏi đáp từng chương với người hướng dẫn số: Học Giả Số · Công cụ số: Luận Văn Số.

Đề tài cùng ngành

Tác giả muốn gỡ, sửa thông tin hoặc bổ sung bản toàn văn: gửi yêu cầu qua trang Liên hệ, kèm đường dẫn trang này.