Sản phẩm

Hệ thống phần mềm nhận dạng mẫu vật qua ảnh hỗ trợ công tác đăng ký sở hữu bản quyền công nghiệp và các ứng dụng khác trong khoa học kỹ thuật - JB Rec-patterns.

Nhận dạng mẫu (pattern recognition) là một ngành thuộc lĩnh vực học máy (machine learning). Nói cách khác, nó có thể được xem là việc "cần thực hiện một tác động vào dữ liệu thô mà tác động cụ thể là gì sẽ tùy vào loại của dữ liệu đó" [1]. Như vậy nó là một tập các phương pháp học có giám sát (supervised learning).

 Nhận dạng mẫu nhằm mục đích phân loại dữ liệu (là các mẫu) dựa trên: hoặc là kiến thức tiên nghiệm (a priori) hoặc dựa vào thông tin thống kê được trích rút từ các mẫu có sẵn. Các mẫu cần phân loại thường được biểu diễn thành các nhóm của các dữ liệu đo đạc hay quan sát được, mỗi nhóm là một điểm ở trong một không gian đa chiều phù hợp. Đó là không gian của các đặc tính để dựa vào đó ta có thể phân loại.

Một hệ thống nhận dạng mẫu hoàn thiện gồm một thiết bị cảm nhận (sensor) để thu thập các quan sát cần cho việc phân loại hay miêu tả; một cơ chế trích rút đặc trưng (feature extraction) để tính toán các thông tin dưới dạng số hay dạng tượng trưng (symbolic) từ các dữ liệu quan sát được; và một bộ phân loại (hay lược đồ mô tả) nhằm thực hiện công việc phân loại thực sự (hay miêu tả các quan sát đó) dựa vào các đặc tính đã được trích rút.

Việc phân loại (hay lược đồ mô tả) thường dựa vào sự có sẵn của một tập các mẫu mà đã được phân loại (hay miêu tả) sẵn. Tập các mẫu này được gọi là tập huấn luyện và chiến lược học nhằm phân loại mẫu vào một trong các lớp có sẵn được gọi là học có giám sát. Việc học cũng có thể là không có giám sát, theo nghĩa là hệ thống không được cung cấp các mẫu được đánh nhãn (phân loại) tiên nghiệm, mà nó phải tự đưa ra các lớp để phân loại dựa vào tính ổn định trong thống kê của các mẫu.

Việc phân loại (hay lược đồ mô tả) thường dùng một trong các hướng tiếp cận sau: thống kê (hay lý thuyết quyết định), cú pháp (hay cấu trúc). Nhận dạng mẫu dùng thống kê là dựa vào các đặc tính thống kê của các mẫu, chẳng hạn rằng các mẫu được tạo mởi một hệ thống xác suất. Nhận dạng dùng cấu trúc là dựa vào tương quan cấu trúc giữa các mẫu.

Xác định Khoa học công nghệ là nền tảng và động lực phát triển kinh tế xã hội, JBTECH tập trung đầu tư nghiên cứu các hệ thống kỹ thuật đặc thù có tính ứng dụng thực tiên cao. Hệ thống hỗ trợ nhận dạng mẫu vật qua ảnh được xây dựng với các nội dung chủ yếu sau:

Các robot với mục đích sử dụng hàng ngày trước đây thường sử dụng các loại cảm biến truyền thống như cảm biến hồng ngoại, cảm biến siêu âm. Nhược điểm của các loại cảm biến này là thông tin mang lại ít, gây ra nhiều giới hạn cho việc vận hành và khả năng của robot để thực hiện các tác vụ phức tạp. Trong những năm gần đây, với sự đi lên của khoa học kĩ thuật, kĩ thuật xử lý ảnh và các hướng nghiên cứu về thị giác máy tính (Computer Vision) đang được phát triển, trong đó có thị giác máy tính sử dụng trong Robotics. Việc sử dụng camera giúp robot cảm nhận được môi trường xung quanh một cách đầy đủ và chi tiết hơn nhiều so với các loại cảm biến truyền thống. Từ đó tăng tính khả thi cho các bài toán phức tạp hơn về robot như khả năng nhận diện vật thể (màu sắc, hình khối), giúp phối hợp robot hoạt động bầy đàn (định vị, lập bản đồ, phối hợp tuần tra, tìm kiếm cứu nạn đa mục tiêu), … Hiện nay, hướng nghiên cứu thị giác máy tính không chỉ tập trung vào việc xử lý ảnh màu 2D mà còn phát triển cả các công cụ xử lý ảnh 2.5D và 3D. Các loại camera 3D trên thị trường thường sử dụng kết hợp camera màu RGB truyền thống và camera độ sâu (Depth), cho đầu ra là ảnh kết hợp RGB-D. Bài toán nhận diện và phân loại các bề mặt vật thể sử dụng camera RGB-D là một bước khởi đầu cho việc nghiên cứu thị giác máy tính theo xu hướng mới hiện nay. Mục tiêu của hệ thống là xây dựng chương trình có khả năng phân biệt, nhận biết các bề mặt vật thể trong ảnh. Hệ thống có thể được phát triển tiếp và ứng dụng trong lĩnh vực robot, hệ thống đa robot hay trong đời sống hàng ngày.

+  Camera RGB-D và đám mây điểm:

+  Tiền xử lý (giảm mẫu (downsample), loại bỏ các điểm nhiễu không liên quan, phân đoạn và ghép nhóm)

+  Tính toán đặc trưng điểm: Các đặc trưng điểm được sử dụng bao gồm véc tơ pháp tuyến và lược đồ đặc trưng điểm – là đặc trưng cần thiết để xác định bề mặt vật thể. Thiết lập Lược đồ đặc trưng điểm (Point Feature Histogram) phù hợp với từng nhóm loại vật thể.

+   Xây dựng mô hình học máy SVM, sử dụng mô hình SVM để nhận diện, phân loại đặc trưng vật thể.

+    Hệ thống hóa và thực nghiệm: thử nghiệm trên dữ liệu sạch (noiseless) và dữ liệu thật chụp bằng cảm biến Kinect. Phân tích và đánh giá hiệu năng khi thay đổi các tham số của giải thuật.

Từ các kết quả phân tích và phần mềm hóa các chức năng, JBTECH đã hoàn thiện hệ thống lõi cho các ứng dụng nhận mẫu vật công nghiệp bất kỳ (chai, lon, bao gói, túi, đồ mỹ nghệ,….). Hệ thống được gọi với tên là JB Rec-patterns.

  • Thời gian Tháng 12, 2020
  • Loại sản phẩm Công nghệ kỹ thuật đặc thù