Ứng dụng mạng nơ ron tích chập lai ghép để xử lý ảnh trong hệ thống báo động trực ca hàng hải

Bài viết nghiên cứu và áp dụng giải thuật lai ghép SSDLite_MobileNetV2 cải tiến vào hệ thống báo động trực ca hàng hải GTS.V1. Phần cứng thiết kế dựa trên Raspberry Pi-3, một board máy tính nhúng với CPU cấp điện thoại thông minh, RAM giới hạn và không có GPU CUDA.
Nội dung trích xuất từ tài liệu:
Ứng dụng mạng nơ ron tích chập lai ghép để xử lý ảnh trong hệ thống báo động trực ca hàng hải47 TẠP CHÍ KHOA HỌC CÔNG NGHỆ GIAO THÔNG VẬN TẢI, SỐ 32-05/2019 ỨNG DỤNG MẠNG NƠ RON TÍCH CHẬP LAI GHÉP ĐỂ XỬ LÝ ẢNH TRONG HỆ THỐNG BÁO ĐỘNG TRỰC CA HÀNG HẢI APPLYING HYBRID CONVOLUTIONAL NEURAL NETWORKS FOR IMAGE PROCESSING TO BRIDGE NAVIGATIONAL WATCH AND ALARM SYSTEM Đặng Xuân Kiên, Nguyễn Việt Chính, Phan Thanh Minh Trường Đại học Giao thông vận tải Tp. Hồ Chí Minh Tóm tắt: Hiện nay, mạng nơ ron tích chập được coi như một công cụ hữu hiệu nhất trong kỹ thuậtchuẩn đoán và xử lý hình ảnh. Trong bài báo này, các tác giả đã nghiên cứu và áp dụng giải thuật laighép SSDLite_MobileNetV2 cải tiến vào hệ thống báo động trực ca hàng hải GTS.V1. Phần cứng thiết kếdựa trên Raspberry Pi-3, một board máy tính nhúng với CPU cấp điện thoại thông minh, RAM giới hạnvà không có GPU CUDA. Kết quả thực nghiệm cho thấy hoàn toàn có thể đưa một mô hình học sâu ápdụng lên các máy tính nhúng với độ chính xác cao như các kết quả trong nghiên cứu này. Từ khóa: Mạng nơ ron tích chập, phát hiện đối tượng, BNWAS. Chỉ số phân loại: 2.2 Abstract: Currently, Convolutional Neural Networks are considered as the most effective tool inimage diagnosis and processing techniques. In this paper, the authors have studied and applied themodified SSDLite_MobileNetV2 hybrid algorithm to Bridge Navigational Watch & Alarm System -GTS.V1(BNWAS). The hardware was designed based on Raspberry Pi-3, a embedded single boardcomputer with CPU smartphone level, limited RAM without CUDA GPU. Experimental results showedthat we can deploy a deep learning model on an embedded single board computer with high effective. Keywords: Convolutional neural networks, object detection, BNWAS. Classification number: 2.2 1.Giới thiệu được các quy định của IMO [6], [7], [9] và IEC Phát hiện đối tượng có thể được coi là một [8] để có thể đưa vào thử nghiệm và vận hànhthách thức lớn đối với thị giác máy tính, vì nó trực tiếp trên tàu.liên quan đến sự kết hợp giữa phân loại đối 2. Xử lý hình ảnh và video dựa trêntượng và định vị đối tượng trong khung hình. SSDLite-MobileNetSự ra đời của những tiến bộ hiện đại trong học Các mô hình CNN tuy có độ chính xácsâu [1], [2] đã dẫn đến những tiến bộ đáng kể cao, nhưng chúng đều có một điểm hạn chếtrong phát hiện đối tượng, với phần lớn nghiên chung đó là không phù hợp với các ứng dụngcứu tập trung vào việc thiết kế các mạng phát trên mobile hay các hệ thống nhúng có khảhiện đối tượng ngày càng phức tạp hơn để cải năng tính toán thấp.thiện độ chính xác như SSD [2, 3], Faster R- Nếu muốn phát triển các mô hình trên choCNN [4], YOLO [5]. Hiệu suất phát hiện đối các ứng dụng trong thời gian thực ta cần phảitượng trên ImageNet và PASCAL VOC đã có cấu hình cực kì mạnh mẽ (GPU / CPU), cònđược cải thiện đáng kể với sự phát triển của các đối với các hệ thống nhúng (Raspberry Pi,giải thuật xử lý ảnh dựa trên mạng nơ ron tích Nano pc) hay các ứng dụng chạy trênchập (CNNs). Tuy vậy các giải thuật đều hình smartphone, ta cần có một mô hình nhẹ nhưđòi hỏi lượng tài nguyên hệ thống lớn và để đưa SSDLite-MobileNet lai ghép.chúng lên các thiết bị có phần cứng hạn chế như Yếu tố chính giúp SSDLite-MobileNet cóHệ thống Trực ca hàng hải buồng lái được độ chính xác cao trong khi thời gian tính(BNWAS) cần tinh gọn và biên dịch lên phần toán thấp nằm ở cấu trúc được lai ghép từ SSDcứng hạn chế của hệ thống. và cấu trúc MobileNet. Để đáp ứng được yêu cầu về hạn chế phần - SSD (Single Shot MultiBox Detector) làcứng, nhóm nghiên cứu sử dụng cấu trúc một bộ dò đối tượng (hình 1) thực hiện haiSSDLite MobileNetV2 cải tiến bởi nó có tốc công đoạn chính: Trích xuất bản đồ đặc trưngđộ nhanh và chính xác. Không những đáp ứng của các đối tượng (feature maps) và áp dụngđược các yêu cầu về xử lý hình ảnh, phát hiện các bộ lọc tích chập (convolution filters) đểvà phân loại đối tượng, hệ thống còn đáp ứng48 Journal of Transportation Science and Technology, Vol 32, May 2019phát hiện đối tượng. 300x300x3 512 1024 1x1x256 512 256 256 VGG VGG 19 19 19 3 ...