CƠ SỞ LÝ THUYẾT
P HẦN MỀM HỖ TRỢ P YTHON 3
Python là một ngôn ngữ lập trình bậc cao đa năng, được Guido van Rossum phát triển và ra mắt lần đầu vào năm 1991 Ngôn ngữ này nổi bật với tính dễ đọc, dễ học và dễ nhớ, phù hợp cho người mới bắt đầu lập trình Cấu trúc rõ ràng của Python cho phép viết mã lệnh với số lần gõ phím tối thiểu, làm cho nó trở thành lựa chọn phổ biến trong phát triển trí tuệ nhân tạo Vào tháng 7 năm 2018, Guido van Rossum đã từ chức lãnh đạo cộng đồng Python sau 30 năm cống hiến.
Python là một ngôn ngữ lập trình hoàn toàn động, sử dụng cơ chế cấp phát bộ nhớ tự động, tương tự như các ngôn ngữ Perl, Ruby, Scheme, Smalltalk và Tcl Được phát triển trong một dự án mã nguồn mở, Python hiện được quản lý bởi tổ chức phi lợi nhuận Python Software Foundation.
Python ban đầu được phát triển để hoạt động trên nền tảng Unix, nhưng theo thời gian, ngôn ngữ lập trình này đã mở rộng và tương thích với nhiều hệ điều hành khác nhau, từ MS-DOS cho đến Mac.
Python là một ngôn ngữ lập trình quan trọng, phát triển với sự đóng góp của nhiều cá nhân, trong đó Guido van Rossum là tác giả chủ yếu và giữ vai trò quyết định trong hướng phát triển của ngôn ngữ này.
- Python luôn được xếp hạng vào những ngôn ngữ lập trình phổ biến nhất.
Hình 3 Logo phần mềm Python
• Python có thể được sử dụng trên một máy chủ để tạo các ứng dụng web.
• Nó có thể được sử dụng cùng với phần mềm để tạo quy trình công việc.
• Python có thể kết nối với các hệ thống cơ sở dữ liệu Nó cũng có thể đọc và sửa đổi các tập tin.
Python là một ngôn ngữ lập trình mạnh mẽ, có khả năng xử lý dữ liệu lớn và thực hiện các phép tính phức tạp Ngoài ra, nó cũng thích hợp cho việc tạo mẫu nhanh và phát triển phần mềm sẵn sàng sản xuất.
Cú pháp của Python được tối ưu hóa để dễ đọc, mang lại trải nghiệm lập trình thuận tiện cho người dùng Nó có nhiều điểm tương đồng với ngôn ngữ tiếng Anh và chịu ảnh hưởng từ toán học, giúp lập trình viên dễ dàng hiểu và áp dụng.
Python sử dụng các dòng mới để hoàn thành lệnh, khác với các ngôn ngữ lập trình khác thường sử dụng dấu chấm phẩy hoặc dấu ngoặc đơn Ngôn ngữ này dựa vào thụt lề và khoảng trắng để xác định phạm vi, bao gồm phạm vi của vòng lặp, hàm và lớp.
Phiên bản Ngày phát hành
03/12/200820/07/2020Bảng 1 Các phiên bản Python đã phát hành
T HƯ VIỆN HỖ TRỢ O PEN CV 5
OpenCV, viết tắt của Open Source Computer Vision, là một trong những thư viện mã nguồn mở hàng đầu cho xử lý ảnh thời gian thực Ra mắt lần đầu vào năm 1999, OpenCV cung cấp một thư viện miễn phí cho cả mục đích học thuật và thương mại, với hơn 2500 thuật toán được tối ưu hóa.
- Nền tảng hỗ trợ: Windows, Linux, Android và Mac OS, iOS, hỗ trợ ngôn ngữ lập trình C/ C++, Python và Java
- OpenCV được viết bằng C / C ++ và tích hợp OpenCL
Hình 4 Logo thư viện Open CV
Bộ công cụ hỗ trợ 2D và 3D
Nhận dạng chuyển động, đối tượng, hành vi,
Tương tác giữa con người và máy tính
Hỗ trợ thực tế tăng cường
Tìm kiểm, phục hồi, xử lý ảnh
Nhận dạng khuôn mặt, cử chỉ.
Nhận dạng chữ viết, con số, ký tự.
Hình 5 Chức năng nhận diện phương tiện giao thông Open CV
A RUCO 6
Các điểm đánh dấu Aruco là những hình ảnh vuông đen trắng cung cấp thông tin về vị trí camera Chúng được lưu trữ dưới dạng nhị phân trong thư viện Aruco Khi phát hiện các con dấu trên hình ảnh, ID của chúng được xác định bằng cách so sánh với thư viện Hệ thống con dấu Aruco sử dụng DICT_6x6_250 với kích thước thực là 5x5 cm.
Hình 6 Điểm đánh dấu Aruco 6x6_250
T IÊU CHUẨN PHÂN LOẠI MÍT THÁI 7
- Khối lượng o Mít loại 1: từ 9kg trở lên o Mít loại 2: từ 7kg đến 9kg o Mít loại 3: dưới 7kg
Hình dáng của quả mít được đánh giá theo tiêu chuẩn hình Elip, trong đó điểm lõm vào nhiều nhất phải lớn hơn hoặc bằng 9/10 so với bán kính nhỏ nhất của hình Elip Nếu đạt tiêu chuẩn này, quả mít sẽ được giữ nguyên loại; ngược lại, nếu không đạt, loại mít sẽ bị giảm đi 1.
Hình 7 Đạt Hình 8 Không đạt
Mít loại 1 phải có khối lượng từ 9kg trở lên và đạt tiêu chuẩn về hình dáng, trong khi mít loại 2 có khối lượng từ 7kg đến dưới 9kg cùng với yêu cầu về hình dáng.
9kg trở lên + mít không đạt điều kiện hình dáng o Mít loại 3: dưới 7kg | từ 7kg đến dưới 9kg + mít không đạt điều kiện hình dáng
Hình 9 Tiêu chuẩn phân loại theo hình Elip
H Ệ SỐ 8
2.5.1 Hệ số sai lệch thực tế
- Hệ số có giá trị 0.85, thông số này được xác định thông qua cân đo trong thực tế
Việc xác định khối lượng của quả mít chỉ qua một camera 2 chiều dẫn đến kết quả không hoàn toàn chính xác, vì hình ảnh 2 chiều không phản ánh đúng thực tế như hình ảnh 3 chiều Để giảm thiểu sai sót cho hệ thống, cần có hệ số chênh lệch thực tế, được áp dụng trong quá trình tính khối lượng quả.
Hình 10 hệ số chênh lệch được gán vào khối lượng quả
Hệ số khối lượng được xác định bằng cách thu thập dữ liệu thực tế, bao gồm chu vi và khối lượng của quả Từ những số liệu này, hệ số được tính toán thông qua tỷ lệ giữa khối lượng và chu vi của quả.
STT Chu vi ( cm ) Khối lượng ( kg ) Hệ số ( cm/kg )
Bảng 2 số liệu thu thập trong thực tế
- Trung bình các giá trị hệ số ta có giá trị hệ số khối lượng là 11,306.
Hình 11 hệ số khối lượng được gán vào khối lượng quả
NGUYÊN LÝ HOẠT ĐỘNG CỦA HỆ THỐNG
H OẠT ĐỘNG TỔNG QUÁT CỦA HỆ THỐNG 9
- Hệ thống xử lý gồm:
• Camera kết nối với máy tính
• Con dấu Aruco nhận diện vị trí camera
- Cách thức hoạt động: quả mít được đưa vào khu vực nhận diện, camera sẽ nhận diện và tính toán :
Chu vi quả được xác định thông qua hệ thống nhận diện dựa vào sự khác biệt về màu sắc giữa nền và quả Hệ thống này sẽ xác định tâm quả và vẽ một hình elip xung quanh, kết hợp với các phép tính để tính toán chu vi quả một cách chính xác.
• Hình dạng: nếu quả bị méo mó về hình dạng, hệ thống sẽ giảm loại của quả đi 1.
Khối lượng của quả được xác định thông qua việc thu thập và xử lý số liệu thực tiễn, kết hợp với chu vi để tính toán khối lượng tương đối.
N GUYÊN LÝ 10
Sử dụng thư viện OpenCV, chúng ta chuyển đổi hình ảnh thu thập được thành ảnh xám Tiếp theo, ảnh này được xử lý để phát hiện sự khác biệt giữa màu sắc của quả mít và phông nền, từ đó vẽ các đường viền xung quanh quả mít.
- Tiếp tục xác định các thông số như chiều dài chiều rộng và tâm từ hình ảnh vừa xử lý.
- Từ thông số trên, tìm ra thông số 2 bán kính và vẽ một hình elip xung quanh quả mít để làm chuẩn
- Xác định các điểm xung quanh đường viền quả mít và tâm, sau đó tính độ dài từ tâm đến các điểm đó
Để đánh giá kích thước của hình lip, ta so sánh độ dài nhỏ nhất với bán kính nhỏ nhất Nếu độ dài nhỏ nhất nhỏ hơn 9/10 bán kính nhỏ nhất, kết quả sẽ là kích thước không đạt Ngược lại, nếu độ dài nhỏ nhất lớn hơn hoặc bằng 9/10 bán kính nhỏ nhất, kết quả sẽ là kích thước đạt.
Các thông số kích thước được áp dụng để tính chu vi của hình elip bao quanh quả mít Từ chu vi này, cùng với các hệ số khối lượng và hệ số sai lệch thực tế, ta có thể xác định khối lượng của quả mít.
Nếu loại mít đáp ứng đủ tiêu chí về khối lượng và hình dạng, nó sẽ được giữ nguyên Tuy nhiên, nếu chỉ đạt yêu cầu về khối lượng mà không đáp ứng hình dạng, loại mít đó sẽ bị trừ đi 1.
Xác định vị trí camera:
Sử dụng thư viện OpenCV, chúng ta có thể nhận diện loại con dấu Aruco và tính toán tỷ lệ pixel của con dấu so với kích thước thực tế Bằng cách chia kích thước thực của vật thể cho giá trị pixel của con dấu, ta có thể xác định kích thước thật của vật thể Điều này cho phép chúng ta đo kích thước của vật thể, như quả mít, ngay cả khi vị trí camera thay đổi, vì giá trị pixel sẽ thay đổi nhưng kích thước thực vẫn không đổi.
Khi camera di chuyển ra xa, kích thước pixel của con dấu sẽ giảm, dẫn đến tỷ lệ giảm và khi chia tỷ lệ này cho pixel của quả mít, kích thước thực của quả mít sẽ tăng Ngược lại, khi camera tiến lại gần, tỷ lệ sẽ tăng, khiến kích thước quả giảm để duy trì thông số kích thước thực Hệ thống nhận diện kích thước con dấu cho kết quả 2,46 và 2,44, tương đương 4,92 x 4,88 cm, so với kích thước chính xác là 5 x 5 cm, cho thấy sự sai lệch là không đáng kể.
T IẾN TRÌNH THỰC NGHIỆM 13
- Thực nghiệm1: phân biệt quả mít trên hình ảnh, xác định các giá trị kích thước
- Thực nghiệm 2: phân biệt trên nhiều loại mít khác nhau
Hình 13 Các loại quả mít hình dáng khác nhau
- Thực nghiệm 3: kết nối với camera để nhận diện quả mít và con dấu aruco
- Thực nghiệm 4: hoàn thiện tất cả chỉnh sửa
K ẾT QUẢ THỰC NGHIỆM 15 CHƯƠNG 5 KẾT LUẬN
Trong thực nghiệm 1, kết quả đạt được là khả năng nhận diện quả mít, xác định tâm và hai bán kính của hình elip bao quanh quả mít, đồng thời hiển thị giá trị của hai bán kính này.
- Thực nghiệm 2: Kết quả thu được là nhận diện được từng loại mít với từng giá trị khác nhau tương ứng mỗi loại.
Trong thực nghiệm 3, hệ thống đã thành công trong việc nhận diện con dấu aruco và hiển thị kích thước thật của quả mít trên màn hình Kết quả bao gồm các thông số quan trọng như kích thước 1, kích thước 2, bán kính nhỏ nhất trong hai bán kính hình elip, độ dài đoạn ngắn nhất của quả mít, khối lượng, tiêu chuẩn hình dạng và kết quả phân loại cuối cùng.
Hình 16 Thông số tính toán được
Hình 17 Kết quả chiều dài ( 20 cm )
Hình 18 Kết quả chiều rộng ( 14 cm )
Thông số kích thước từ camera: 10.21 x 7.28.
Thống số đo được: dài 20 cm, rộng 14 cm → 10 x 7.
→ Kết quả đo được và thực tế là khá giống nhau, tuy nhiên vẫn xảy ra sai số.
Các thông số còn lại có xảy ra sai sót.
Kết quả thực nghiệm 4 cho thấy sau khi chỉnh sửa toàn bộ hệ thống, các thông số về chiều dài và rộng của quả theo hình elip được xác định tương đối chính xác Kích thước đoạn nhỏ nhất tính từ tâm quả mít cũng đạt độ chính xác cao Việc nhận dạng tiêu chuẩn hình dạng quả là đúng, tuy nhiên, xác định khối lượng vẫn có sai số cho từng loại mít, với một số loại có sai số lên đến 0,7 kg Phạm vi đo khối lượng nằm trong khoảng từ 6kg đến 10kg Cụ thể, trong thực nghiệm, quả có khối lượng 8,24 kg, trong khi thực tế quả tương ứng chỉ nặng 7,8 kg, dẫn đến chênh lệch 0,44 kg.
Hình 19 Khối lượng mít đo được trong thực tế
- Giúp phân biệt nhanh các loại mít
- Hạn chế việc cân đo
- Xác định hình dạng nhanh chóng dễ dàng
- Có thể dùng để xác định kích thước quả ngay khi quả còn trên cây
Hình 20 Xác định kích thước quả ngay khi còn ở trên cây
- Hệ thống có sai sót tuy nhiên điều này là không nhiều
- Phụ thuộc vào màu nền phía sau
- Phụ thuộc vào cường độ ánh sáng xung quanh
- Phụ thuộc vào con dấu aruco để xác định vị trí camera
- Hệ thống là cố định
- Nếu phần lõm quả không hướng về camera thì việc xác định điều kiện hình dạng là không đúng
- Phát triển thêm camera để xác định 3 chiều, sau đó tổng hợp tất cả các dữ liệu từ nhiều camera để tăng độ chính xác cho hệ thống
- Phát triển lên điện thoại đi động
- Tối ưu hóa để dễ dàng nhận biết trong điều kiện ánh sáng không tốt
- Tìm phương hướng hạn chế phụ thuộc vào con dấu
- Thu thập thêm các dữ liệu từ người dùng để cải thiện thông số cho hệ thống
