ỨNG DỤNG THỊ GIÁC MÁY TÍNH HUẤN LUYỆN THIẾT BỊ BAY KHÔNG NGƯỜI LÁI NHẬN DIỆN CÁC VẬT THỂ CÓ DẠNG HÌNH HỌC CƠ BẢN

jos.hueuni.edu.vn Tập 134, Số 2A, 2025 175 hoạt (activation function) là Rectified Linear Unit (ReLU) để tối ưu. Trong mô hình CNN này, số lượng tham số có thể học được (trainable params) là 10.914.886. Số lượng lần học toàn bộ bộ dữ liêu (epochs) được sử dụng để huấn luyện là 10, số lượng ảnh trong một lần huấn luyện (batch size) là 32. Bộ dữ liệu gốc được chia thành 80% cho bộ dữ liệu huấn luyện (training dataset) và 20% được dùng để làm bộ dữ liệu kiểm thử (validation dataset). b. Nhận diện vật thể thông qua camera của drone Hệ thống thu thập hình ảnh từ drone DJI Tello hoạt động thông qua kết nối không dây WiFi. Khi khởi động, drone sẽ tự động phát tín hiệu WiFi, cho phép máy tính thực hiện kết nối và điều khiển từ xa. Để tương tác với drone thông qua giao thức WiFi, DJI cung cấp bộ công cụ phát triển phần mềm Tello SDK (Software Development Kit) [25]. Tello SDK là một nền tảng chuyên dụng được thiết kế nhằm hỗ trợ việc phát triển ứng dụng và tích hợp các tính năng điều khiển với máy bay không người lái Tello. Để triển khai Tello SDK trong môi trường Python, nghiên cứu sử dụng thư viện DjiTelloPy [26], một thư viện mã nguồn mở được phát triển để điều khiển drone DJI Tello. DjiTelloPy cung cấp giao diện lập trình ứng dụng (API) đầy đủ cho việc điều khiển và tương tác với drone DJI Tello. Thư viện này cho phép việc phát triển các ứng dụng từ cơ bản đến phức tạp, bao gồm điều khiển chuyển động, thu thập dữ liệu cảm biến và xử lý hình ảnh thời gian thực. DjiTelloPy đóng vai trò quan trọng trong việc đơn giản hóa quá trình lập trình và mở rộng khả năng ứng dụng

của drone trong các nghiên cứu khoa học. Hệ thống xử lý hình ảnh được thiết kế dựa trên phương pháp phân tách màu sắc và nhận diện hình học. Đầu tiên, hình ảnh từ camera drone được truyền về máy tính và được chuyển đổi thành hệ ảnh nhị phân (đen trắng) thông qua việc nhận diện một trong ba màu cơ bản: đỏ, xanh lá cây hoặc xanh dương. Các pixel có màu được chọn sẽ được chuyển thành màu trắng, trong khi các pixel còn lại được chuyển thành màu đen. Để đảm bảo độ chính xác trong nhận diện, vật thể cần được thiết kế với một trong ba màu đặc trưng này, đồng thời môi trường xung quanh phải không chứa màu tương ứng. Sau khi hoàn thành quá trình chuyển đổi ảnh nhị phân, hệ thống sử dụng mô hình mạng nơ-ron tích chập đã được huấn luyện trước để nhận diện các dạng hình học cơ bản của vật thể, bao gồm hình tròn, hình chữ nhật, hình tam giác và hình ngũ giác đều. 4 Kết quả và thảo luận 4.1 Kết quả huấn luyện mô hình CNN nhận diện vật thể Kết quả huấn luyện mô hình CNN đề xuất sẽ trình bày dưới dạng các chỉ số về độ lỗi (loss) và độ chính xác (accuracy) trên tập huấn luyện và tập kiểm thử, cùng với thời gian xử lý trung bình mỗi mẫu.