LuanVan.vnLuận Văn
Gửi thư

Sử dụng raspberry pi 5 nhận diện linh kiện điện tử bằng mô hình cnn.

Khoá luận tốt nghiệp · Đại học · năm 2026 · đề tài tham khảo

Loại tài liệuKhoá luận tốt nghiệp
Bậc họcĐại học
NgànhKỹ thuật, xây dựng, môi trường
Tác giảNguyễn Quốc An
Người hướng dẫnNguyễn Thành Tiên
Cơ sở đào tạoTrường Đại học Cần Thơ
Năm2026
NguồnThư viện số Trường Đại học Cần Thơ · trang gốc

Tóm tắt

Hiện nay trong lĩnh vực vật lí kỹ thuật, điện tử và tự động hóa, việc nhận diện linh kiện điện tử bằng thị giác máy tính đang được quan tâm nhằm hỗ trợ quá trình kiểm tra, phân loại và đào tạo. Với sự phát triển của trí tuệ nhân tạo, các mô hình mạng nơ-ron tích chập (Convolutional Neural Network – CNN) cho thấy hiệu quả cao trong các bài toán nhận diện hình ảnh. Tuy nhiên, việc triển khai các mô hình học sâu trên các hệ thống nhúng có tài nguyên hạn chế vẫn là một thách thức, đòi hỏi các mô hình có cấu trúc gọn nhẹ nhưng vẫn đảm bảo độ chính xác cao. Luận văn này trình bày việc xây dựng hệ thống nhận diện linh kiện điện tử sử dụng Raspberry Pi 5 kết hợp với mô hình CNN. Trong nghiên cứu, mô hình MobileNetV2 được lựa chọn do có số lượng tham số nhỏ, tốc độ xử lý nhanh và phù hợp với các thiết bị có cấu hình thấp. Mô hình MobileNetV2 đã được huấn luyện sẵn trên tập dữ liệu lớn và được sử dụng làm mô hình cơ sở, sau đó tiến hành huấn luyện lại bằng phương pháp transfer learning với tập dữ liệu linh kiện điện tử thu thập được. Quá trình huấn luyện được thực hiện trên môi trường Google Colab, sau đó mô hình được triển khai trên Raspberry Pi 5 để thực hiện nhận diện trong thời gian thực thông qua camera. Hệ thống được xây dựng gồm các khối chính gồm khối thu nhận hình ảnh, khối xử lý và nhận diện bằng mô hình MobileNetV2 và khối hiển thị kết quả. Trong quá trình thử nghiệm, hệ thống được kiểm tra với nhiều điều kiện khác nhau như thay đổi vị trí đặt linh kiện, khoảng cách giữa camera và đối tượng, cũng như điều kiện ánh sáng môi trường. Kết quả thực nghiệm cho thấy mô hình có khả năng nhận diện chính xác các linh kiện điện tử với độ tin cậy cao, đồng thời đảm bảo thời gian xử lý phù hợp để hoạt động trên Raspberry Pi 5. Kết quả của luận văn chứng minh rằng việc sử dụng mô hình CNN tối ưu như MobileNetV2 kết hợp với phương pháp transfer learning cho phép triển khai hiệu quả bài toán nhận diện hình ảnh trên hệ thống nhúng. Hệ thống có tiềm năng ứng dụng trong học tập, kiểm tra linh kiện.
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.

Tải ứng dụng AI Học Thuật

Tư vấn học thuật, luận văn, công bố quốc tế với chuyên gia — miễn phí trên iPhone, iPad và Android.

Download on the App Store Tải trên Google Play