Professional Documents
Culture Documents
HCM
TRƯỜNG ĐẠI HỌC KINH TẾ - LUẬT
BÁO CÁO DỰ ÁN
0
MỤC LỤC
1. Ưu điểm.............................................................................................................................................. 11
1
I. Tổng quan về dự án
Tên dự án: Ứng dụng Teachable Machine để nhận diện các loại ô nhiễm môi trường
Hiện nay, cuộc sống đang phát triển ngày càng hiện đại, đời sống vật chất và tinh thần
của người dân ngày càng được cải thiện. Tuy nhiên, đối lập với nó, tình trạng ô nhiễm môi
trường lại có những diễn biến phức tạp và trở thành một trong những thách thức lớn nhất
đối với sự phát triển bền vững của xã hội toàn cầu. Ô nhiễm môi trường hiện nay không
chỉ là vấn đề của riêng một vùng nào mà nó diễn ra ở cả nông thôn hay thành thị, miền núi,
biển, không khí,... Nó không chỉ ảnh hưởng trực tiếp đến sức khỏe con người mà còn gây
vấn đề nghiêm trọng đối với hệ sinh thái và đa dạng sinh học. Chính vì vậy, dự án nhận
diện các loại ô nhiễm môi trường sử dụng Teachable Machine được thực hiện nhằm tuyên
truyền bảo vệ môi trường cũng như xử lý các trường hợp gây ô nhiễm môi trường của cá
nhân, tập thể, ứng dụng bằng hệ thống giám sát được đặt ở nơi công cộng.
Tác dụng chính của Teachable Machine là tạo ra mô hình học máy một cách dễ dàng
và trực quan. Công cụ này cho phép người dùng huấn luyện mô hình cho việc phân loại
ảnh, âm thanh và tín hiệu bằng cách cung cấp dữ liệu đào tạo và nhận diện các lớp hoặc
nhãn tương ứng:
2
• Xác định các mẫu trên hình ảnh
Sau khi mô hình được huấn luyện, người dùng có thể sử dụng nó để phân loại các dữ
liệu mới hoặc tích hợp vào các ứng dụng và dự án khác. Với tính linh hoạt và tính trực
quan cao, Teachable Machine đã trở thành một công cụ phổ biến cho cả những người mới
bắt đầu và những người có kinh nghiệm trong lĩnh vực học máy, mở ra cánh cửa cho nhiều
ứng dụng và sáng tạo mới trong lĩnh vực trí tuệ nhân tạo.
Trong bước này, bạn thu thập các ví dụ hoặc dữ liệu và phân nhóm chúng thành các
lớp hoặc danh mục mà bạn muốn máy tính học.
Sau khi đã thu thập dữ liệu, bạn tiến hành đào tạo mô hình. Quá trình này bao gồm
việc cung cấp dữ liệu thu thập được cho máy tính và cho phép nó học từ dữ liệu đó. Sau
khi đào tạo xong, cần kiểm tra mô hình để đảm bảo rằng nó có khả năng phân loại chính
xác các ví dụ mới.
Sau khi mô hình đã được đào tạo và kiểm tra, bạn có thể xuất nó để sử dụng trong các
dự án như trang web, ứng dụng hoặc có thể tải xuống hoặc lưu trữ trực tuyến miễn phí.
3
Trong quá trình huấn luyện, CNN sẽ tìm ra các đặc trưng của mỗi hình ảnh. Để làm
điều này, CNN so sánh hình ảnh theo từng mảnh, mỗi mảnh này được gọi là feature (đặc
trưng). Mỗi feature có thể được coi như một hình ảnh nhỏ, tức là chúng là các mảng hai
chiều nhỏ. Các feature này sẽ được so sánh và khớp với các đặc điểm chung của bức ảnh,
tức là feature này tương ứng với một phần nào đó của bức ảnh và chúng sẽ được khớp lại
với nhau.
Khi một hình ảnh mới được đưa vào, CNN sẽ thử nghiệm các feature ở tất cả các vị
trí có thể. Trong quá trình này, CNN tạo ra một bộ lọc, được gọi là filter, bằng cách sử dụng
phép toán tích chập. Phép toán này nhân mỗi điểm ảnh trong feature với giá trị tương ứng
của điểm ảnh trong hình ảnh. Quá trình này giúp trích xuất các đặc trưng quan trọng từ
hình ảnh và sử dụng chúng để phân loại hình ảnh.
Dự án này của chúng tôi sẽ dạy AI cách phân biệt giữa hiện tượng ô nhiễm nước, ô
nhiễm không khí, ô nhiễm đất, ô nhiễm ánh sáng và không bị ô nhiễm.
4
• Phân tích hình ảnh: Teachable Machine có thể được sử dụng để phân tích hình ảnh
nước, xác định các dấu hiệu ô nhiễm như: màu sắc bất thường (nâu đỏ, xanh lá),
váng bọt, rác thải hoặc tảo nở hoa.
• Phân loại nguồn ô nhiễm: Dự án có thể phân loại nguồn ô nhiễm dựa trên hình ảnh:
rác thải sinh hoạt, nước thải công nghiệp hoặc hóa chất nông nghiệp.
• Phân tích hình ảnh: Teachable Machine có thể phân tích hình ảnh bầu trời, xác định
các dấu hiệu ô nhiễm như: mức độ mù, khói bụi hoặc sương mù.
• Phân loại nguồn ô nhiễm: Dự án có thể phân loại nguồn ô nhiễm dựa trên hình ảnh:
khí thải từ xe cộ, khí thải từ nhà máy hoặc cháy rừng.
• Phân tích hình ảnh: Teachable Machine có thể phân tích hình ảnh đất, xác định các
dấu hiệu ô nhiễm như: màu sắc bất thường (nâu đỏ, đen), rác thải hoặc cây cối chết.
• Phân loại nguồn ô nhiễm: Dự án có thể phân loại nguồn ô nhiễm dựa trên hình ảnh:
rác thải sinh hoạt, hóa chất nông nghiệp hoặc chất thải công nghiệp.
• Phân tích hình ảnh: Teachable Machine có thể phân tích hình ảnh bầu trời đêm, xác
định mức độ ô nhiễm ánh sáng.
• Phân loại nguồn ô nhiễm: Dự án có thể phân loại nguồn ô nhiễm dựa trên hình ảnh:
ánh sáng từ nhà cửa, ánh sáng từ đường phố hoặc ánh sáng từ quảng cáo.
• Phân tích hình ảnh: Teachable Machine có thể phân tích hình ảnh môi trường, xác
định các dấu hiệu cho thấy môi trường không bị ô nhiễm như:
o Không khí: Bầu trời trong xanh, không có khói bụi hay sương mù.
5
o Nước: Nước trong xanh, không có váng bọt hay rác thải. Cây cối và sinh vật dưới
nước phát triển tốt.
o Đất: Đất màu mỡ, tơi xốp. Cây cối phát triển xanh tốt. Không có rác thải hay hóa
chất độc hại.
o Ánh sáng: Ánh sáng tự nhiên từ mặt trời. Không có ánh sáng nhân tạo quá mức.
Chia dữ liệu thành hai tập: tập huấn luyện để đào tạo mô hình và tập kiểm tra để đánh
giá hiệu quả của mô hình sau khi được huấn luyện.
6
Bước 2: Chọn “Get Started” để bắt đầu và chọn loại dự án phù hợp với dữ liệu mà bạn
muốn huấn luyện: Image (Hình ảnh), Audio (Âm thanh), Pose (Cử chỉ).
Nhóm sẽ chọn sử dụng đầu vào là hình ảnh. Nhấn chọn “Image Project”, sau đó chọn “
Standard image model”. Cửa sổ bên dưới sẽ xuất hiện để dạy AI theo Class đã đề cập:
7
Bước 3: Tạo mô hình
- Thêm và đổi tên 5 Class như đã đề cập. Chọn “Upload” để tải tất cả ảnh đã chuẩn bị lần
lượt vào 5 Class.
8
- Tiếp tục chọn “Train Model” để máy bắt đầu học. Sau đó, ta có thể kiểm tra được độ
chính xác của mô hình tại phần “Preview” bằng cách đưa vào một ảnh mới để xem máy có
thể phân loại đúng Class đã được học không.
3. Sử dụng mô hình
Chọn “Export Model”, tại đây Teachable Machine đã xây dựng một model với những
dữ liệu đã được huấn luyện sẵn, muốn sử dụng thì sẽ dùng model này.
9
Ô nhiễm đất
10
Ô nhiễm nước
Teachable Machine là một công cụ hoàn toàn miễn phí, không yêu cầu trả phí bản
quyền hay phí sử dụng.
Teachable Machine cho phép người dùng tùy chỉnh mô hình nhận diện theo nhu cầu
cụ thể. Người dùng có thể lựa chọn các loại dữ liệu huấn luyện, điều chỉnh các thông số
mô hình và xuất mô hình sang các định dạng khác nhau.
2. Hạn chế
Khả năng nhận diện của Teachable Machine có thể bị ảnh hưởng bởi chất lượng hình
ảnh, điều kiện ánh sáng, điều kiện thời tiết hay góc chụp.
Teachable Machine gặp khó khăn trong việc nhận diện các hình ảnh ô nhiễm môi
trường ở các môi trường khác nhau chẳng hạn như ô nhiễm môi trường ở nông thôn và
thành thị.
11
Kết luận: Sau khi xây dựng mô hình và liên tục thử nghiệm với Teachable Machine,
nhóm đưa ra kết luận như sau: Mô hình có tính chất tham khảo, tuy khả năng ứng dụng là
khả thi nhưng độ chính xác vẫn chưa đạt được yêu cầu, cần cải thiện mô hình cũng như
ứng dụng Teachable Machine để có thể sử dụng tốt hơn trong tương lai.
VI. Trello
Teachable Machine - Nhóm5
12