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

Hoàng Hữu Trung và CS. Tập 134, Số 2A, 2025 168 không người lái nhận diện vật thể có các dạng hình học cơ bản, kết quả nghiên cứu và thảo luận về kết quả nghiên cứu được trình bày trong phần 4, cuối cùng phần 5 trình bày kết luận của bài báo. 2 Công trình nghiên cứu liên quan Tại Việt Nam, thiết bị bay không người lái ngày càng được ứng dụng và nghiên cứu rộng rãi tại Việt Nam. Thiết bị không người lái được ứng dụng ở nhiều nghiên cứu liên quan đến khảo sát địa hình [14], [15] và tạo bản đồ [16], [17], [18]. Đặc điểm của các nghiên cứu này là ứng dụng những điểm nổi bật của drone như có thể hoạt động trên không và có camera ghi hình để ghi lại đặc điểm địa hình tại nơi muốn theo dõi một cách tổng quát từ trên cao sau đó thu thập dữ liệu ảnh. Tuy nhiên, những ứng dụng này vẫn cần sự điều khiển và giám sát của con người mà chưa có khả năng tự hoạt động từ thiết bị bay không người lái. Các thuật toán nhận diện áp dụng trí tuệ nhân tạo cũng đã được ứng dụng để phát hiện rác thải nhựa ven biển [19]. Nghiên cứu này thu thập dữ liệu bằng cách sử dụng 95 ảnh chụp từ drone Phantom 4 Pro để đưa vào mô hình mạng nơ-ron tích chập sâu (Deep CNN) và huấn luyện cho ra kết quả. Đề tài đã phần nào phát hiện được các loại rác thải nhựa ven biển Hội An, Quảng Nam. Tuy nhiên, drone chỉ được sử dụng để thu thập dữ liệu chứ chưa thể nhận diện trực tiếp các loại rác thải nhựa khi đi dọc ven biển. Trên bình diện quốc tế, [20] là một nghiên cứu phát hiện và phân loại các hình dạng đối tượng vật thể như hình tròn, hình chữ nhật, hình tam giác. Mô hình sẽ có khả năng phát hiện

nhiều đối tượng từ một hình ảnh, đếm số lượng các đối tượng đã phát hiện, tách những đối tượng này thành các hình ảnh riêng biệt thông qua quá trình chuyển đổi sang mức xám, ngưỡng hóa, phát hiện biên, tìm các điểm góc của đối tượng. Quá trình phân loại được thực hiện thông qua mạng nơ-ron nhân tạo (Artificial neural network - ANN) và máy vectơ hỗ trợ (Support vector machine - SVM) bằng cách sử dụng các tập dữ liệu tổng hợp. Giải pháp đề xuất này đã đạt được độ chính xác phân loại 95% bằng ANN và từ 95% đến khoảng 100% bằng SVM. ANN và SVM đã học cũng có thể phân loại các đối tượng mới được phát hiện từ một hình ảnh. Tuy nhiên, nghiên cứu này chỉ nhận diện vật thể thông qua camera thông thường chứ chưa tích hợp được vào camera của drone. Trong luận văn thạc sĩ [21], tác giả đã tập trung vào việc sử dụng các máy bay không người lái Tello và Tello EDU, tạo ra một nền tảng kiểm soát chuyển động của máy bay không người lái thông qua nhận diện tư thế cơ thể con người. Nền tảng Tello SDK được sử dụng với nhiều lớp dữ liệu và phương thức nhằm kiểm soát máy bay không người lái Tello và MediaPipe cung cấp nền tảng kiến trúc mạng nơ-ron tích chập cho việc ước tính tư thế con người và tùy chỉnh việc ước tính thời gian thực trên các thiết bị di động và thiết bị có cấu hình thấp. Tuy nhiên, nghiên cứu này sử dụng nền tảng có sẵn MediaPipe Machine Learning của Google AI tập trung nhận