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 169 diện tư thế cơ thể con người chứ chưa nghiên cứu về các vật thể cơ bản khác và phụ thuộc vào mức độ phát triển của Google chứ chưa tự phát triển được mô hình riêng phù hợp từng bài toán khác nhau. Trong nghiên cứu [22], nhóm tác giả đã tập trung vào việc nhận diện đối tượng thông qua video thu được từ thiết bị bay không người lái, ứng dụng mạng nơ-ron tích chập đã cho phép thiết bị bay không người lái nhận diện một số loại đối tượng như tòa nhà, ô tô, cây cỏ và con người. Nghiên cứu đã cho thấy kết quả độ chính xác của hai mô hình Single Shot Detector (SSD) và Faster R-CNN đối với tòa nhà, cây cỏ, ô tô và con người rất cao, trung bình trên 85% và tối đa là 99%. Các mô hình SSD chú tâm nhiều hơn đến tỷ lệ và vị trí lấy mẫu dự đoán hơn là Faster R- CNN, thời gian trung bình của mỗi khung hình là 115 mili giây (Millisecond - ms), nhưng tỷ lệ nhận diện đối tượng thấp. Trong đó, Faster R-CNN chính xác hơn và tìm thấy nhiều đối tượng hơn từ cảnh quan, gần 95% tất cả các đối tượng trong hình ảnh có thể được nhận biết, nhưng thời gian trung bình của mỗi khung hình ít nhất là 140 ms. Tuy nhiên, nghiên cứu này sử dụng bộ dữ liệu video có sẵn để thực nghiệm và chưa thử nghiệm thực tế. Ở một nghiên cứu khác [23], nhóm tác giả đã trình bày một phương pháp phát hiện và theo dõi đối tượng mục tiêu đang di chuyển hoặc đứng yên cho máy bay không người lái Parrot AR từ việc ứng dụng mô hình mạng nơ-ron tích chập. Kết quả nhận diện đối tượng cho thấy rằng CNN phát hiện và phân loại đối tượng với mức độ chính xác cao (98%). Đối với việc theo dõi thời

gian thực, thuật toán theo dõi phản ứng nhanh hơn so với các phương pháp thông thường được sử dụng, hiệu quả trong việc theo dõi đối tượng đã được nhận diện mà không mất mục tiêu khỏi tầm nhìn. Các tính toán dựa trên một số lần lặp cho thấy rằng hiệu suất đạt được cho việc theo dõi mục tiêu là 96,5%. Nghiên cứu này cho thấy rằng việc ứng dụng CNN phát hiện đối tượng và tích hợp vào drone đạt hiệu quả cao trong thực tế. Tuy nhiên, nghiên cứu này cần nhiều thời gian để tạo và tiền xử lý dữ liệu thông qua việc tự động chụp 5100 bức ảnh. 3 Huấn luyện thiết bị bay không người lái nhận diện vật thể có dạng hình học cơ bản 3.1 Tổng quan phương pháp Phương pháp tổng quan của nghiên cứu này được chia thành bốn bước chính được mô tả trong Hình 1 như sau: - Xây dựng bộ dữ liệu ảnh hỗ trợ huấn luyện: Bước đầu tiên là xây dựng bộ dữ liệu ảnh để huấn luyện mô hình CNN nhận diện vật thể trên drone DJI Tello. Trong bước này, một bộ dữ liệu chứa các hình ảnh các vật thể có dạng hình học cơ bản như hình chữ nhật, hình tam giác, hình tròn, hình ngũ giác đều sẽ được xây dựng. Bộ dữ liệu ảnh này sử dụng hệ màu đen trắng để giảm kích thước ảnh làm tăng tốc độ huấn luyện.