TRA CỨU
thông tin biểu ghi
  • Luận án, Luận văn
  • Ký hiệu PL/XG: 006.3 T871
    Nhan đề: Nhận dạng trái cây bằng mạng nơ ron tích chập :
DDC 006.3
Tác giả CN Trương, Lê Phước Lộc
Nhan đề Nhận dạng trái cây bằng mạng nơ ron tích chập : Đề án Thạc sĩ Công nghệ thông tin; Mã ngành:8480201 / Trương Lê Phước Lộc; Võ Thị Hồng Thắm hướng dẫn
Thông tin xuất bản Tp.Hồ Chí Minh : Đại học Nguyễn Tất Thành, 2025
Mô tả vật lý x, 47 tr. : hình ảnh ; 29 cm.
Tóm tắt Đề án đã thực hiện một nghiên cứu so sánh chuyên sâu, tập trung vào việc đánh giá và đối chiếu hiệu suất của bốn kiến trúc CNN tiêu biểu nói trên, sử dụng tập dữ liệu Fruit 360 làm nền tảng thực nghiệm. Quá trình này bao gồm các bước chuẩn bị dữ liệu kỹ lưỡng (tách nền, cân bằng, tăng cường dữ liệu), huấn luyện các mô hình một cách công bằng trên cùng một nền tảng (Google Colab với GPU A100) và phân tích kết quả đa chiều, từ độ chính xác, độ mất mát, ma trận nhầm lẫn đến thời gian xử lý. Từ những thực nghiệm đó, đề án mang đến những đóng góp khoa học và thực tiễn quan trọng: Cung cấp một phân tích so sánh định lượng chi tiết về hiệu suất của bốn kiến trúc CNN (VGG-16, ResNet-50, MobileNet, ShuffleNet v2) trên tập dữ liệu Fruit 360, làm cơ sở tham khảo cho việc lựa chọn mô hình trong các ứng dụng nhận dạng trái cây. Xác định mô hình CNN có hiệu suất tối ưu nhất (trong số các mô hình được khảo sát) cho bài toán nhận dạng trái cây trên tập dữ liệu Fruit 360, dựa trên các chỉ số đánh giá đa dạng. Nghiên cứu chỉ ra rằng ResNet-50 đạt hiệu suất vượt trội về độ chính xác (99.20%), độ mất mát thấp (0.0374) và thời gian đánh giá nhanh (15.43 giây) so với các mô hình còn lại.Làm rõ vai trò và hiệu quả của các kỹ thuật huấn luyện nâng cao, như học chuyển giao (Transfer Learning) và điều chỉnh tốc độ học (Learning Rate Scheduling) theo từng giai đoạn, trong việc tối ưu hóa hiệu suất của mô hình ResNet-50. Đề xuất các khuyến nghị thực tế cho việc triển khai hệ thống nhận dạng trái cây và gợi mở các hướng nghiên cứu tiềm năng trong tương lai, chẳng hạn như mở rộng nghiên cứu trên các tập dữ liệu phức tạp hơn, đánh giá thêm các mô hình tiên tiến khác, hay phát triển ứng dụng nhận dạng thời gian thực trên thiết bị di động.
Từ khóa tự do Mô hình CNN
Từ khóa tự do Mạng nơ ron tích chập
Từ khóa tự do Nhận dạng trái cây
Khoa Khoa Công nghệ Thông tin
Tác giả(bs) CN Võ, Thị Hồng Thắm
Địa chỉ 300Q12_Kho Luận án, luận văn(1): 099382
000 00000nam#a2200000u##4500
00156191
0023
00483B3E9A2-A403-4813-8C21-5943D8B0DCF3
005202508071454
008250714s2025 vm vie
0091 0
039|a20250807145425|bbacntp|c20250716162148|dbacntp|y20250714113544|zbacntp
040 |aNTT
041 |avie
044 |avm
082 |a006.3|bT871
100 |aTrương, Lê Phước Lộc
245 |aNhận dạng trái cây bằng mạng nơ ron tích chập : |bĐề án Thạc sĩ Công nghệ thông tin; Mã ngành:8480201 / |cTrương Lê Phước Lộc; Võ Thị Hồng Thắm hướng dẫn
260 |aTp.Hồ Chí Minh : |bĐại học Nguyễn Tất Thành, |c2025
300 |ax, 47 tr. : |bhình ảnh ; |c29 cm.
502 |aThư mục cuối trang
520 |aĐề án đã thực hiện một nghiên cứu so sánh chuyên sâu, tập trung vào việc đánh giá và đối chiếu hiệu suất của bốn kiến trúc CNN tiêu biểu nói trên, sử dụng tập dữ liệu Fruit 360 làm nền tảng thực nghiệm. Quá trình này bao gồm các bước chuẩn bị dữ liệu kỹ lưỡng (tách nền, cân bằng, tăng cường dữ liệu), huấn luyện các mô hình một cách công bằng trên cùng một nền tảng (Google Colab với GPU A100) và phân tích kết quả đa chiều, từ độ chính xác, độ mất mát, ma trận nhầm lẫn đến thời gian xử lý. Từ những thực nghiệm đó, đề án mang đến những đóng góp khoa học và thực tiễn quan trọng: Cung cấp một phân tích so sánh định lượng chi tiết về hiệu suất của bốn kiến trúc CNN (VGG-16, ResNet-50, MobileNet, ShuffleNet v2) trên tập dữ liệu Fruit 360, làm cơ sở tham khảo cho việc lựa chọn mô hình trong các ứng dụng nhận dạng trái cây. Xác định mô hình CNN có hiệu suất tối ưu nhất (trong số các mô hình được khảo sát) cho bài toán nhận dạng trái cây trên tập dữ liệu Fruit 360, dựa trên các chỉ số đánh giá đa dạng. Nghiên cứu chỉ ra rằng ResNet-50 đạt hiệu suất vượt trội về độ chính xác (99.20%), độ mất mát thấp (0.0374) và thời gian đánh giá nhanh (15.43 giây) so với các mô hình còn lại.Làm rõ vai trò và hiệu quả của các kỹ thuật huấn luyện nâng cao, như học chuyển giao (Transfer Learning) và điều chỉnh tốc độ học (Learning Rate Scheduling) theo từng giai đoạn, trong việc tối ưu hóa hiệu suất của mô hình ResNet-50. Đề xuất các khuyến nghị thực tế cho việc triển khai hệ thống nhận dạng trái cây và gợi mở các hướng nghiên cứu tiềm năng trong tương lai, chẳng hạn như mở rộng nghiên cứu trên các tập dữ liệu phức tạp hơn, đánh giá thêm các mô hình tiên tiến khác, hay phát triển ứng dụng nhận dạng thời gian thực trên thiết bị di động.
541 |aNộp lưu chiểu
653 |aMô hình CNN
653 |aMạng nơ ron tích chập
653 |aNhận dạng trái cây
690 |aKhoa Công nghệ Thông tin
691 |aCông nghệ thông tin
700 |aVõ, Thị Hồng Thắm
852|a300|bQ12_Kho Luận án, luận văn|j(1): 099382
8561|uhttp://elib.ntt.edu.vn/documentdata01/3 luanvanluanan/anhbiasach_2025/56191_nhandangtraicaybangmangnorontichchapthumbimage.jpg
890|a1|b0|c0|d0
Dòng Mã vạch Nơi lưu S.gọi Cục bộ Phân loại Bản sao Tình trạng Thành phần Đặt chỗ
1 099382 Q12_Kho Luận án, luận văn 006.3 T871 Sách mượn tại chỗ 1

Không có liên kết tài liệu số nào