Khám phá cách máy tính ‘nhìn’ thế giới

Nền tảng của Thị giác máy tính

1. Tổng quan về xử lý hình ảnh kỹ thuật số

Pixel, màu sắc và độ phân giải

Biến đổi hình ảnh thành dữ liệu số

1. Lấy mẫu (Sampling): Chia hình ảnh thành lưới các pixel.
2. Lượng tử hóa (Quantization): Gán giá trị số cho cường độ ánh sáng và màu sắc của mỗi pixel.

2. Các thách thức trong việc “nhìn” của máy tính

Khác biệt giữa nhận thức của con người và máy tính

Vấn đề về góc nhìn, ánh sáng và che khuất

1. Góc nhìn: Cùng một đối tượng có thể trông rất khác nhau khi nhìn từ các góc độ khác nhau. Ví dụ, một chiếc cốc nhìn từ trên xuống sẽ chỉ là một hình tròn, trong khi nhìn từ góc nghiêng lại là hình chữ nhật có quai.
2. Ánh sáng: Điều kiện ánh sáng có thể thay đổi đáng kể màu sắc và độ tương phản của một hình ảnh. Một chiếc áo màu đỏ dưới ánh nắng mặt trời có thể trông rất khác so với khi ở trong bóng râm.
3. Occlusion (Che khuất): Trong thế giới thực, các đối tượng thường bị che khuất một phần bởi các đối tượng khác. Máy tính phải học cách nhận diện một đối tượng ngay cả khi chỉ nhìn thấy một phần của đối tượng đó.

Machine Learning trong Thị giác máy tính

1. Giới thiệu về các phương pháp Machine Learning trong xử lý hình ảnh

Supervised Learning (học có giám sát) : Classification  (phân loại) và Object Detection (phát hiện đối tượng)

• Classification (Phân loại): Đây là task cơ bản nhất trong Thị giác máy tính. Mô hình học cách phân loại một hình ảnh vào một hoặc nhiều category (thể loại) đã định sẵn. Ví dụ, phân loại một hình ảnh là “chó”, “mèo”, hay “người”.
• Object Detection (Phát hiện đối tượng): Nâng cao hơn so với classification, object detection không chỉ xác định loại đối tượng mà còn xác định vị trí của đối tượng đó trong một hình ảnh bất kì. Ví dụ, xác định vị trí và các loại phương tiện giao thông trong một bức ảnh đường phố.

Unsupervised Learning (học không giám sát) : Clustering (phân cụm) và Anomaly Detection (phát hiện bất thường)

• Clustering (Phân cụm): Mô hình tự động nhóm các hình ảnh có đặc điểm tương tự vào cùng một nhóm. Ví dụ, nhóm các hình ảnh chụp cảnh biển, cảnh núi non, hay cảnh đô thị mà không cần gán nhãn trước.
• Anomaly Detection (Phát hiện bất thường): Mô hình học cách nhận biết các hình ảnh “bất thường” so với phần lớn dữ liệu. Ví dụ, trong kiểm tra chất lượng sản phẩm, phát hiện các sản phẩm bị lỗi.

2. Deep Learning và Mạng nơ ron tích chập (Convolutional Neural Networks)

Cấu trúc của CNN 

1. Convolutional Layer (Lớp tích chập): Áp dụng các bộ lọc (filter) lên hình ảnh đầu vào để phát hiện các đặc trưng như cạnh, góc, hoặc kết cấu.
2. Pooling Layer (Lớp gộp): Giảm kích thước dữ liệu nhưng vẫn giữ lại thông tin quan trọng, giúp mô hình xử lý nhanh hơn và ít bị overfitting.
3. Fully Connected Layer (Lớp kết nối đầy đủ): Kết nối tất cả các neuron từ lớp trước đó để thực hiện các tác vụ cuối cùng như classification.

Cách CNN trích xuất đặc trưng từ hình ảnh

1. Các lớp đầu tiên phát hiện các đặc trưng cơ bản như cạnh và góc.
2. Các lớp tiếp theo kết hợp các đặc trưng cơ bản này để nhận diện các hình dạng và kết cấu phức tạp hơn.
3. Các lớp cuối cùng học cách nhận diện các đối tượng cụ thể bằng cách kết hợp các đặc trưng phức tạp.

• Các lớp đầu có thể phát hiện các đường nét của mắt, mũi, miệng.
• Các lớp giữa có thể học cách kết hợp các đặc trưng này để nhận diện các bộ phận của khuôn mặt.
• Các lớp cuối cùng học cách nhận diện khuôn mặt cụ thể của từng người.

Ứng dụng của Thị giác máy tính trong thực tế

1. Các ứng dụng trong đời sống hàng ngày

Nhận diện khuôn mặt và sinh trắc học

• Hệ thống chấm công: Nhiều công ty ở Việt Nam đã áp dụng hệ thống chấm công bằng nhận diện khuôn mặt, thay thế cho các phương pháp truyền thống như vân tay hay thẻ từ.
• Hệ thống an ninh: Tại nhiều sân bay ở Việt Nam như Nội Bài hay Tân Sơn Nhất, hệ thống camera an ninh kết hợp với công nghệ nhận diện khuôn mặt giúp nhận diện các đối tượng tình nghi và kiểm soát an ninh hiệu quả hơn.
• Thanh toán sinh trắc học: Một số ngân hàng và cửa hàng ở Việt Nam đã bắt đầu thử nghiệm hệ thống thanh toán bằng nhận diện khuôn mặt, cho phép khách hàng thực hiện giao dịch mà không cần thẻ hay điện thoại.

Xe tự lái và hệ thống hỗ trợ lái xe

• Phát hiện vật cản: Hệ thống máy quay và cảm biến trên xe sử dụng công nghệ thị giác máy tính để nhận diện và phân loại các đối tượng xung quanh như người đi bộ, phương tiện giao thông, và biển báo đường.
• Hỗ trợ đỗ xe: Nhiều xe hơi hiện đại được trang bị hệ thống camera 360 độ, kết hợp với Thị giác máy tính để cung cấp góc nhìn toàn cảnh và hỗ trợ người lái trong quá trình đỗ xe.
• Cảnh báo lệch làn: Hệ thống này sử dụng Thị giác máy tính để nhận diện vạch kẻ đường và cảnh báo khi xe có dấu hiệu lệch làn không an toàn.

2. Ứng dụng trong công nghiệp và y tế

Kiểm tra chất lượng sản phẩm tự động

• Ngành điện tử: Tại các nhà máy sản xuất điện thoại của Samsung ở Việt Nam, hệ thống Thị giác máy tính được sử dụng để kiểm tra nhanh chóng và chính xác các linh kiện nhỏ như chip, bảng mạch in.
• Ngành thực phẩm: Các dây chuyền đóng gói thực phẩm sử dụng Thị giác máy tính để phát hiện sản phẩm bị lỗi, đảm bảo mỗi gói hàng đều đạt tiêu chuẩn về khối lượng và hình dạng.
• Ngành dệt may: Hệ thống Thị giác máy tính giúp phát hiện các lỗi nhỏ trên vải, đảm bảo chất lượng sản phẩm và giảm thiểu sự can thiệp của con người.

Chẩn đoán hình ảnh y tế

• Phân tích X-quang: Các thuật toán Deep Learning được huấn luyện trên hàng nghìn ảnh X-quang có thể hỗ trợ bác sĩ phát hiện các dấu hiệu bất thường như u, nốt phổi, hoặc gãy xương.
• Chẩn đoán ung thư da: Bằng cách phân tích hình ảnh của các nốt ruồi và tổn thương da, các hệ thống Thị giác máy tính có thể giúp phát hiện sớm melanoma – một dạng ung thư da nguy hiểm.
• Phân tích MRI não: Thị giác máy tính giúp phân tích chi tiết các hình ảnh MRI não, hỗ trợ chẩn đoán các bệnh lý như Alzheimer hay phát hiện khối u não ở giai đoạn sớm.

D. Hướng phát triển trong tương lai

Few-shot learning và Zero-shot learning

• Few-shot learning: Cho phép mô hình học nhận diện các lớp mới chỉ với một số ít ví dụ. Ví dụ, một hệ thống có thể học nhận diện một loại cây mới chỉ sau khi xem vài hình ảnh của nó.
• Zero-shot learning: Còn ấn tượng hơn, phương pháp này cho phép mô hình nhận diện các lớp mà nó chưa từng thấy trong quá trình huấn luyện, dựa trên mô tả ngôn ngữ tự nhiên. Ví dụ, một mô hình có thể nhận diện một loài động vật mới dựa trên mô tả về đặc điểm của nó.

Explainable AI trong Thị giác máy tính

• Visualization techniques (Kỹ thuật trực quan hóa): Các phương pháp như Class Activation Mapping (CAM) cho phép chúng ta “nhìn thấy” những phần của hình ảnh mà mô hình tập trung vào khi đưa ra quyết định. 
• Attribution methods (Phương pháp quy kết): Các kỹ thuật này giúp xác định đóng góp của từng pixel hoặc đặc trưng đối với quyết định cuối cùng của mô hình.
• Concept-based explanations (Giải thích dựa trên khái niệm): Phương pháp này cố gắng liên kết các đặc trưng học được của mô hình với các khái niệm có ý nghĩa với con người.