TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

VIỆN CÔNG NGHỆ THÔNG TIN VÀ Độc Lập – Tự do – Hạnh phúc

TRUYỀN THÔNG ––––––––––––––––––––––––––––
––––––––––––
Hà Nội, ngày 15 tháng 9 năm 2020

BÁO CÁO
KẾT QUẢ THỰC TẬP TẠI ĐƠN VỊ NGOÀI TRƯỜNG

Kính gửi: Viện Công nghệ thông tin và Truyền thông, Đại học Bách khoa Hà Nội

Họ và tên sinh viên: Trần Tất Đắc

MSSV: 20172992
Lớp, Khóa:KHMT01-K62
Điện thoại: 0354892533
Email: dac.tt172992@sis.hust.edu.vn
Địa chỉ đến thực tập: Công ty TNHH công nghệ và truyền thông MDC Việt Nam
Thời gian được cử đi thực tập: từ ngày 22/6/2020 đến ngày 15/9/2020
Giáo viên phụ trách: Không
I. Nội dung công việc được giao:
- Đề tài : Phân biệt ảnh chứng minh thư thật/giả ứng dụng deep learning

- Nội dung thực hiện :

+ Tìm hiểu phương pháp thực hiện
+ Dữ liệu và training model
a. Các phương pháp giải quyết bài toán
Bài toán phân biệt ảnh chứng minh thư thật/giả được đưa về bài toán cơ bản phân loại ảnh nhị
phân. Đây là bài toán rất đặc trưng của thị giác máy tính nên có rất nhiều phương pháp được
áp dụng để giải quyết nhưng thường sẽ có 3 phần chính:
+Tiền xử lý ảnh : Đưa ảnh đầu vào về 1 kích thước cố định, chuẩn hóa, biến đổi hệ
màu, và áp dụng thêm các phương pháp tăng cường dữ liệu : rotation, crop, flip,...
+Dùng 1 mạng CNN để trích xuất đặc trưng
+Đưa đặc trưng trích xuất qua các lớp kết nối đầy đủ(Fully connected) để phân lớp
Tuy phương pháp chung là như vậy, nhưng với bài toán đặc thù này thì áp dụng là khá khó
khăn về chọn phương pháp tiền xử lý ảnh, chọn mạng CNN và cả về dữ liệu
Sau khi tìm hiểu và được hướng dẫn đã thử các phương pháp sau:
+Tập dữ liệu CASIA v2 : cắt ảnh thành các mảnh 64x64, một mảnh nhỏ được gán nhãn
fake khi nó có chưa trên 1000px giả và trên 1000px thật ( dựa trên mask của ảnh giả để xác
định. Đưa qua các mạng CNN : resnet50, VGG16. Cuối cùng đưa qua 2 lớp FC(Fully
connected)
+Tập dữ liệu CASIA v1 : resize ảnh về kích thước 512x512, chuẩn hóa. Đưa qua mạng
CNN : resnet,VGG16. Cuối cùng đưa qua 2 lớp FC(Fully connected)
+Tập dữ liệu tự tạo ( khoảng 150 ảnh CMT, CCCD thật + 200 ảnh tự tạo bằng cách
ghép chữ, ghép ảnh) : Tiền xử lý tương tự như tập CASIA v2 + đổi hệ màu ( RGB, YCbCr).
Đưa qua mạng CNN : MobileNet v2.
b. Dữ liệu và training model
2 bộ dữ liệu CASIA v1 và v2 được cung cấp miễn phí tại :
https://www.kaggle.com/sophatvathana/casia-dataset
Về bộ dữ liệu tự tạo : ảnh CMT, CCCD thật được cung cấp bởi công ty, ảnh giả được tạo
bằng 2 cách : ghép chữ và ảnh vào 1 vài phôi gốc ( tạo thêm 1 mặt nạ đánh dấu vị trí thật/giả)
và chỉnh sửa ảnh thật bằng photoshop
Tất cả model đều được train bằng Google Colab
II. Kết quả thực hiện:
− Khi chưa có bộ dữ liệu tự tạo và phải thực hiện thử nghiệm với 2 bộ dữ liệu CASIA
v1 và v2 kết quả đạt được chỉ ở khoảng 60-70% accuracy trên validation set và tận 90-
95% accuracy trên training set, điều này cho thấy sự overfit rất lớn, dù có fineturn
model bằng các lớp dropout và normalization nhưng kết quả không tốt hơn
− Với bộ dữ liệu tự tạo, kết quả training rất tốt (99%) tuy nhiên chưa hiểu vì lí do gì mà
khả năng phân lớp của mạng lại khá tệ. Có thể do các bước hậu xử lý chưa được đúng
đắn, kết quả cuối cần dựa trên kết quả của nhiều ảnh nhỏ.
III. Tự đánh giá kết quả thực tập:
− Ưu điểm: Trải qua quá trình thực tập đã có học hỏi được nhiều kiến thức và kinh
nghiệm trong lĩnh vực deep learning nói chung và computer vision nói riêng, được
trải nghiệm làm việc trong môi trường doanh nghiệp chuyên nghiệp. Suốt quá
trình thực tập đã được các anh/chị trong công ty hỗ trợ rất nhiều.
− Nhược điểm: kết quả sau quá trình thực hiện chưa được tốt, chưa thể gọi là hoàn
thiện. Bản thân cảm thấy chưa thực sự cố gắng hết mình.

SINH VIÊN
(Ký và ghi rõ họ tên)

Đắc
Trần Tất Đắc

XÁC NHẬN CỦA NƠI THỰC TẬP XÁC NHẬN CỦA VIỆN CNTT-TT
(Ký, ghi rõ họ tên, đóng dấu)