BỘ THÔNG TIN VÀ TRUYỀN THÔNG HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG BÁO CÁO DỰ ÁN CHUYÊN ĐỀ HỆ THỐNG THÔNG TIN Đề tài: “ ỨNG DỤNG NHẬN DẠNG ẢNH KHÔNG PHÙ HỢP VỚI HỆ THỐNG NGƯỜI DÙNG
Trang 1BỘ THÔNG TIN VÀ TRUYỀN THÔNG HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
BÁO CÁO DỰ ÁN
CHUYÊN ĐỀ HỆ THỐNG THÔNG TIN
Đề tài: “ ỨNG DỤNG NHẬN DẠNG ẢNH KHÔNG PHÙ HỢP VỚI
HỆ THỐNG NGƯỜI DÙNG ”
Người hướng dẫn : TS Nguyễn Trọng Khánh Nguyễn Chí Minh : D21CQCN525
Vũ Tiến Quang : D21CQCN634
Vũ Hữu Hoài Linh : D21CQCN489 Nguyễn Sinh Hùng : D21CQCN414 Phạm Việt Hoàng : D21CQCN393
HÀ NỘI – 2025
Trang 2BỘ THÔNG TIN VÀ TRUYỀN THÔNG HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG
BÁO CÁO DỰ ÁN
CHUYÊN ĐỀ HỆ THỐNG THÔNG TIN
Đề tài: “ ỨNG DỤNG NHẬN DẠNG ẢNH KHÔNG PHÙ HỢP VỚI HỆ
THỐNG NGƯỜI DÙNG ”
Người hướng dẫn : TS Nguyễn Trọng Khánh Nguyễn Chí Minh : D21CQCN525
Vũ Tiến Quang : D21CQCN634
Vũ Hữu Hoài Linh : D21CQCN489 Nguyễn Sinh Hùng : D21CQCN414 Phạm Việt Hoàng : D21CQCN393
Trang 3NHÓM 15 - LỚP N03
LỜI CẢM ƠN
Em xin gửi lời cảm ơn chân thành tới Thầy Nguyễn Trọng Khánh – giảng viên hướng dẫn trong môn học CHUYÊN ĐỀ HỆ THỐNG THÔNG TIN Sự tận tâm chỉ bảo và chia sẻ những kiến thức cũng như kinh nghiệm thực tiễn của Thầy đã góp phần to lớn giúp em hoàn thành đề tài
“ỨNG DỤNG NHẬN DẠNG ẢNH KHÔNG PHÙ HỢP VỚI HỆ THỐNG NGƯỜI DÙNG” một cách thành công
Em cũng xin cảm ơn Ban Giám Hiệu và toàn thể thầy, cô trong khoa đã tạo điều kiện thuận lợi cho quá trình nghiên cứu và học tập Sự hỗ trợ, động viên của mọi người đã giúp em không chỉ nâng cao kiến thức chuyên môn mà còn phát triển tư duy và kỹ năng cần thiết cho tương lai Một lần nữa, em xin gửi lời tri ân sâu sắc tới Thầy Nguyễn Trọng Khánh cùng tất cả những người đã đồng hành và hỗ trợ em trong suốt quá trình thực hiện đề tài Em hy vọng rằng kết quả nghiên cứu của đề tài sẽ góp phần mang lại giá trị thiết thực cho cộng đồng và mở ra nhiều hướng phát triển mới trong ứng dụng công nghệ nhận dạng hình ảnh
Trân trọng cảm ơn!
Hà Nội, ngày 24 tháng 02 năm 2025
Trang 4MỤC LỤC
Trang 5DANH MỤC THUẬT NGỮ VÀ TỪ VIẾT TẮT Thuật ngữ/Từ viết tắt Định nghĩa
NSFW Not Safe For Work – Nội dung không phù hợp, có thể gây sốc hoặc không thích hợp cho môi trường làm việc NSFWJS Thư viện JavaScript sử dụng TensorFlow.js để nhận dạng và phân loại nội dung NSFW trong hình ảnh TFJS (TensorFlow.js) Thư viện học máy của Google cho phép huấn luyện và triển khai các mô hình học sâu trực tiếp trên trình duyệt CNN (Convolutional Neural
Network)
Mạng neural tích chập – kiến trúc học sâu hiệu quả trong việc xử
lý và nhận dạng hình ảnh
MobileNetV2 Kiến trúc CNN nhẹ, tối ưu cho các thiết bị di động và ứng dụng
web, cân bằng giữa tốc độ và độ chính xác
Inception V3 Kiến trúc CNN hiệu năng cao với độ chính xác cao, nhưng đòi hỏi tài nguyên tính toán lớn hơn so với MobileNetV2 Quantization Kỹ thuật giảm kích thước mô hình bằng cách giảm độ chính xác của trọng số, giúp tăng tốc độ xử lý và tiết kiệm bộ nhớ API (Application
Programming Interface)
Giao diện lập trình ứng dụng, cho phép các phần mềm tương tác
và trao đổi dữ liệu với nhau
UI (User Interface) Giao diện người dùng – tập hợp các yếu tố hiển thị và tương tác
trên ứng dụng
UX (User Experience) Trải nghiệm người dùng – mức độ hài lòng và cảm nhận của người dùng khi sử dụng ứng dụng
DL (Deep Learning) Học sâu – nhánh của học máy sử dụng các mô hình mạng neural nhiều tầng để xử lý dữ liệu phức tạp
ML (Machine Learning) Học máy – nhánh của trí tuệ nhân tạo giúp máy tính tự học hỏi từ dữ liệu mà không cần lập trình chi tiết cho từng tác vụ HTML (HyperText Markup
Language)
Ngôn ngữ đánh dấu siêu văn bản được sử dụng để xây dựng giao diện web
CSS (Cascading Style Sheets) Ngôn ngữ định dạng được sử dụng để tạo kiểu cho các trang web JavaScript (JS) Ngôn ngữ lập trình chủ yếu dùng để tạo các tương tác và xử lý
logic trên trình duyệt
CDN (Content Delivery
Network) Mạng phân phối nội dung – giúp tải các thư viện và tài nguyên từ máy chủ xa một cách nhanh chóng và hiệu quả
Server cục bộ Local server – máy chủ chạy trên máy tính cá nhân dùng để kiểm thử và phát triển ứng dụng web
Trang 6CHƯƠNG 1 GIỚI THIỆU ĐỀ TÀI 1.1 Bối cảnh và Ý nghĩa của Đề tài
Trong thời đại số hiện nay, với sự phát triển mạnh mẽ của Internet và các ứng dụng trực tuyến, việc kiểm soát và lọc nội dung không phù hợp trở nên ngày càng quan trọng Các hệ thống người dùng đòi hỏi các biện pháp tự động nhận diện và loại bỏ hình ảnh có nội dung nhạy cảm nhằm bảo vệ người dùng, đặc biệt là trong môi trường cộng đồng mạng Đề tài “ỨNG DỤNG NHẬN DẠNG ẢNH KHÔNG PHÙ HỢP VỚI HỆ THỐNG NGƯỜI DÙNG” được xây dựng với mục tiêu áp dụng công nghệ trí tuệ nhân tạo vào việc phân loại và kiểm duyệt hình ảnh, góp phần tạo
ra một môi trường trực tuyến an toàn và lành mạnh
1.2 Giới thiệu về Dự án NSFWJS
Dự án NSFWJS là một thư viện mã nguồn mở được phát triển bằng JavaScript, sử dụng
TensorFlow.js để nhận diện các hình ảnh không phù hợp (NSFW) trong thời gian thực
● Mục đích: NSFWJS cung cấp khả năng phân loại hình ảnh thành các lớp như Neutral, Porn, Drawing, Sexy, và Hentai
● Cách hoạt động: Thư viện sử dụng các mô hình đã được huấn luyện sẵn, chẳng hạn như MobileNetV2, Inception V3 và các phiên bản đã được tối ưu (quantized model) Khi nhận được một hình ảnh, NSFWJS sẽ load mô hình và trả về phân phối xác suất cho từng lớp, từ đó xác định xem hình ảnh đó có chứa nội dung NSFW hay không
1.3 Cấu trúc của Dự án NSFWJS
Sau khi xem xét code trên GitHub, ta nhận thấy rằng dự án được tổ chức một cách hợp lý với các thành phần chính như sau:
● Thư mục Models: Chứa các mô hình đã được huấn luyện sẵn Ví dụ, thư mục
mobilenet_v2 bao gồm các file như model.json và các file weights (ví dụ:
group1-shard1of1.bin) Đây là các file cần thiết để tải và khởi chạy mô hình nhận dạng
● Các File Code: Các file JavaScript trong dự án cung cấp API để load mô hình, xử lý hình ảnh và thực hiện phân loại Mã nguồn được thiết kế theo tiêu chuẩn ES6 và có khả năng chạy được trên trình duyệt lẫn môi trường Node.js
● Tài liệu Hướng dẫn: README của dự án trình bày cách cài đặt, cấu hình và sử dụng thư viện, tạo điều kiện thuận lợi cho nhà phát triển tích hợp vào hệ thống của mình
1.4 Ứng dụng Thực tiễn của Đề tài
Với việc tích hợp NSFWJS vào hệ thống người dùng, các ứng dụng web, diễn đàn hay mạng xã hội có thể tự động kiểm duyệt hình ảnh, từ đó:
● Ngăn chặn việc phát tán nội dung không phù hợp, giúp bảo vệ người dùng, đặc biệt là trẻ
Trang 7em và các nhóm người dùng nhạy cảm
● Giảm thiểu sự can thiệp thủ công, tiết kiệm thời gian và công sức của quản trị viên
● Nâng cao trải nghiệm người dùng bằng cách đảm bảo nội dung trên nền tảng luôn được kiểm duyệt và phù hợp với chính sách cộng đồng
1.5 Tầm Quan Trọng và Đóng Góp của Đề tài
Đề tài “ỨNG DỤNG NHẬN DẠNG ẢNH KHÔNG PHÙ HỢP VỚI HỆ THỐNG NGƯỜI DÙNG” không chỉ là một ứng dụng cụ thể của công nghệ trí tuệ nhân tạo trong việc kiểm soát nội dung mà còn mở ra những hướng phát triển mới trong quản lý an toàn thông tin trên môi trường trực tuyến Việc áp dụng NSFWJS giúp tăng cường hiệu quả kiểm duyệt nội dung, từ đó góp phần xây dựng một môi trường mạng văn minh và bảo vệ quyền lợi người dùng
Trang 8CHƯƠNG 2 CƠ SỞ LÝ THUYẾT
Trong chương này, chúng ta sẽ đi sâu vào các khái niệm và nguyên lý lý thuyết cơ bản liên quan đến việc nhận dạng hình ảnh không phù hợp, đặc biệt là trong bối cảnh ứng dụng trí tuệ nhân tạo
và học sâu Các nội dung được trình bày nhằm cung cấp cơ sở lý thuyết cho việc phát triển hệ thống kiểm duyệt nội dung tự động
2.1 Trí tuệ Nhân tạo và Học máy
● Khái niệm: Trí tuệ nhân tạo (AI) là lĩnh vực nghiên cứu nhằm tạo ra các hệ thống có khả năng thực hiện các tác vụ mà thông thường đòi hỏi sự thông minh của con người
● Học máy (Machine Learning): Là một nhánh của AI, tập trung vào việc xây dựng các thuật toán giúp máy tính học hỏi từ dữ liệu và cải thiện hiệu suất theo thời gian mà không cần lập trình tường tận
2.2 Học sâu (Deep Learning) và Mạng Neural Tích chập (CNN)
● Học sâu: Là một tập hợp các kỹ thuật trong học máy sử dụng các mô hình mạng neural nhiều tầng, có khả năng trích xuất và học đặc trưng từ dữ liệu phức tạp như hình ảnh, âm thanh, văn bản
● Mạng Neural Tích chập (CNN): Đặc biệt hiệu quả trong việc xử lý dữ liệu hình ảnh, CNN được ứng dụng rộng rãi trong các bài toán nhận dạng và phân loại hình ảnh Các kiến trúc CNN như MobileNetV2 và Inception V3 là nền tảng của NSFWJS
2.3 Các Kiến trúc Mô hình trong NSFWJS
● MobileNetV2: Là mô hình nhẹ, tối ưu cho thiết bị di động và trình duyệt, với khả năng phân loại nhanh và hiệu quả trong môi trường có tài nguyên hạn chế
● Inception V3: Cung cấp độ chính xác cao hơn nhưng đòi hỏi tài nguyên tính toán lớn hơn, phù hợp với các ứng dụng yêu cầu độ chính xác cao
● Quantized Models: Phiên bản được tối ưu hóa thông qua kỹ thuật lượng tử hóa
(quantization), giảm kích thước mô hình và tăng tốc độ xử lý, đặc biệt hữu ích khi triển khai trên trình duyệt
2.4 TensorFlow.js – Thư viện Học máy cho Trình duyệt
● Giới thiệu: TensorFlow.js là thư viện mã nguồn mở do Google phát triển, cho phép huấn luyện và chạy các mô hình học sâu trực tiếp trên trình duyệt
● Ứng dụng: Với TensorFlow.js, NSFWJS có thể tải và chạy các mô hình nhận dạng hình ảnh một cách trực tiếp trên môi trường web, giúp giảm thiểu thời gian chờ đợi và cải thiện trải nghiệm người dùng
2.5 Các Kỹ thuật và Phương pháp Cải tiến
● Transfer Learning: Kỹ thuật tái sử dụng kiến thức từ các mô hình đã được huấn luyện sẵn cho các tác vụ mới, giúp giảm thời gian huấn luyện và cải thiện hiệu suất
● Data Augmentation và Tiền Xử Lý Dữ liệu: Các phương pháp này đảm bảo dữ liệu đầu vào được chuẩn hóa và đa dạng, góp phần cải thiện chất lượng của mô hình học sâu 2.6 Ứng dụng Nhận dạng Hình ảnh NSFW
● Mục tiêu: Phân loại hình ảnh thành các nhóm như Neutral, Porn, Drawing, Sexy, và Hentai
● Ý nghĩa thực tiễn: Hệ thống nhận dạng hình ảnh NSFW giúp kiểm duyệt nội dung tự động trên các nền tảng trực tuyến, bảo vệ người dùng khỏi những nội dung không phù hợp và tạo ra môi trường số an toàn, lành mạnh
2.7 Tổng kết
Các kiến thức lý thuyết đã được trình bày ở trên tạo nền tảng cho việc phát triển và triển khai hệ
Trang 9thống nhận dạng hình ảnh không phù hợp Sự kết hợp giữa các mô hình học sâu, kiến trúc CNN hiện đại và khả năng chạy trên trình duyệt thông qua TensorFlow.js đã mở ra nhiều hướng ứng dụng thực tiễn, từ kiểm duyệt nội dung đến phân tích dữ liệu hình ảnh trong thời gian thực
Trang 10CHƯƠNG 3 PHƯƠNG PHÁP ĐỀ XUẤT
Trong chương này, chúng ta trình bày chi tiết các phương pháp đề xuất nhằm xây dựng hệ thống nhận dạng hình ảnh không phù hợp Phương pháp đề xuất được xây dựng dựa trên việc tích hợp công nghệ nhận dạng NSFW sử dụng thư viện NSFWJS, cùng với các bước thiết kế và triển khai nhằm đảm bảo hiệu quả kiểm duyệt nội dung tự động cho hệ thống người dùng
3.1 Tổng Quan Phương Pháp Đề Xuất
Mục tiêu của phương pháp đề xuất là xây dựng một hệ thống có khả năng:
● Tự động kiểm duyệt hình ảnh được đăng tải bởi người dùng
● Phân loại hình ảnh thành các nhóm như Neutral, Porn, Drawing, Sexy, và Hentai dựa
trên phân phối xác suất từ mô hình học sâu
● Cung cấp giao diện thân thiện, hiển thị kết quả một cách trực quan cho người quản trị hoặc người dùng cuối
3.2 Phân Tích Yêu Cầu và Lựa Chọn Công Nghệ
3.2.1 Yêu Cầu Hệ Thống
● Hiệu suất: Hệ thống cần phản hồi nhanh chóng khi nhận diện hình ảnh
● Độ chính xác: Đảm bảo phân loại hình ảnh NSFW với độ chính xác cao, tránh trường hợp báo động sai
● Khả năng mở rộng: Hệ thống có thể tích hợp dễ dàng vào các nền tảng web hiện có 3.2.2 Lựa Chọn Công Nghệ
● TensorFlow.js: Cho phép chạy các mô hình học sâu trực tiếp trên trình duyệt
● NSFWJS: Thư viện mã nguồn mở dựa trên TensorFlow.js, hỗ trợ nhận dạng hình ảnh NSFW thông qua các mô hình đã được huấn luyện như MobileNetV2, Inception V3
● Giao diện người dùng (Frontend): Sử dụng HTML, CSS và JavaScript để xây dựng giao diện tải ảnh, hiển thị kết quả phân loại và cảnh báo nội dung không phù hợp
3.3 Thiết Kế và Triển Khai Hệ Thống
3.3.1 Kiến Trúc Hệ Thống
● Phía Frontend:
o Giao diện tải ảnh: Cho phép người dùng chọn ảnh cần kiểm duyệt
o Hiển thị kết quả: Một khu vực hiển thị kết quả dự đoán một cách trực quan (ví dụ: thông báo “Ảnh được nhận diện là Neutral với độ chính xác 99.55%”)
● Phía Backend (nếu cần):
o Ghi nhận và lưu trữ kết quả kiểm duyệt
o Quản lý dữ liệu người dùng và log hệ thống để phục vụ quá trình đánh giá và cải tiến
3.3.2 Quy Trình Triển Khai
1 Chuẩn bị môi trường:
o Thiết lập server cục bộ để chạy trang web (sử dụng Live Server, Python HTTP Server hoặc Node.js)
o Tải và cấu hình thư viện NSFWJS cùng với các mô hình cần thiết (ví dụ: folder chứa model MobileNetV2)
2 Triển khai tích hợp NSFWJS:
o Sử dụng NSFWJS để load mô hình từ folder cục bộ (ví dụ:
/models/mobilenet_v2/)
o Viết các đoạn mã JavaScript xử lý sự kiện khi người dùng tải ảnh, sau đó hiển thị kết quả dự đoán được chuyển đổi từ dữ liệu JSON sang giao diện thân thiện
Trang 113 Tối ưu giao diện người dùng:
o Cải thiện cách hiển thị kết quả dự đoán: chỉ hiện thông tin chính (lớp có xác suất cao nhất) cùng với phần trăm độ chính xác, kết hợp với các thông báo hoặc cảnh báo khi ảnh có nội dung NSFW
o Đảm bảo giao diện phản hồi nhanh và dễ hiểu cho người dùng cuối
4 Kiểm thử và hiệu chỉnh:
o Thử nghiệm với nhiều loại ảnh khác nhau để đánh giá độ chính xác của mô hình
o Tinh chỉnh giao diện và ngưỡng cảnh báo (threshold) để phù hợp với chính sách nội dung của hệ thống người dùng
3.4 Các Biện Pháp Đánh Giá Hiệu Quả Hệ Thống
● Đánh giá theo phân phối xác suất: So sánh xác suất dự đoán giữa các lớp để xác định mức độ tự tin của hệ thống
● Kiểm thử với tập dữ liệu thực tế: Sử dụng bộ dữ liệu ảnh đa dạng (bao gồm ảnh NSFW
và ảnh phù hợp) để đánh giá độ chính xác và tỷ lệ lỗi
● Thu thập phản hồi của người dùng: Sau khi triển khai ban đầu, thu thập ý kiến của người dùng và quản trị viên để cải thiện giao diện và chức năng kiểm duyệt
3.5 Tổng Kết Chương 3
Phương pháp đề xuất được xây dựng dựa trên nền tảng NSFWJS và TensorFlow.js, kết hợp với giao diện người dùng thân thiện nhằm tạo ra một hệ thống nhận dạng hình ảnh không phù hợp hiệu quả cho hệ thống người dùng Qua đó, đề tài hướng tới mục tiêu cung cấp một giải pháp tự động kiểm duyệt nội dung, góp phần bảo vệ người dùng và tạo ra môi trường trực tuyến an toàn
Trang 12CHƯƠNG 4 THỰC NGHIỆM VÀ ĐÁNH GIÁ
Chương này trình bày quá trình thực nghiệm và đánh giá hiệu quả của hệ thống “ỨNG DỤNG NHẬN DẠNG ẢNH KHÔNG PHÙ HỢP VỚI HỆ THỐNG NGƯỜI DÙNG” dựa trên thư viện NSFWJS Qua đó, chúng tôi đánh giá được độ chính xác, tốc độ phản hồi và trải nghiệm người dùng khi sử dụng hệ thống kiểm duyệt nội dung tự động
4.1 Mục Tiêu Thực Nghiệm
● Kiểm tra hiệu quả phân loại: Đánh giá khả năng của hệ thống trong việc phân loại chính xác các hình ảnh NSFW và hình ảnh phù hợp
● Đo lường tốc độ xử lý: Đánh giá thời gian tải mô hình và thời gian phản hồi khi người dùng tải ảnh lên
● Đánh giá giao diện người dùng: Xác định mức độ thân thiện và dễ sử dụng của giao diện hiển thị kết quả
4.2 Môi Trường Thực Nghiệm
● Phần cứng: Máy tính cá nhân với cấu hình [chi tiết cấu hình nếu cần]
● Phần mềm:
o Hệ điều hành: Windows 10
o Trình duyệt: Google Chrome phiên bản mới nhất
o Server cục bộ: Sử dụng Live Server hoặc Python HTTP Server để chạy ứng dụng
● Bộ dữ liệu:
o Một tập hợp các hình ảnh được chia thành hai nhóm chính: hình ảnh NSFW và hình ảnh phù hợp (Neutral)
o Các hình ảnh được lựa chọn từ các nguồn mở nhằm đảm bảo tính đa dạng về nội dung và kích thước
4.3 Quy Trình Thực Nghiệm
1 Chuẩn bị dữ liệu:
o Thu thập và phân loại các hình ảnh vào hai nhóm: NSFW và hình ảnh bình thường
o Đảm bảo rằng bộ dữ liệu bao gồm nhiều trường hợp khác nhau để kiểm tra khả năng phân loại của hệ thống
2 Thực hiện kiểm tra:
o Mỗi hình ảnh được tải lên giao diện ứng dụng
o Hệ thống sử dụng NSFWJS để load mô hình từ folder local và tiến hành dự đoán, sau đó hiển thị kết quả dựa trên lớp có xác suất cao nhất
o Ghi nhận thời gian tải mô hình, thời gian xử lý mỗi ảnh và kết quả dự đoán
3 Đánh giá kết quả:
o So sánh kết quả dự đoán với nhãn thực của các hình ảnh
o Tính toán các chỉ số hiệu quả như độ chính xác (accuracy), độ nhạy (recall), độ đặc hiệu (precision) và F1-score (nếu có bộ dữ liệu đủ lớn)
o Thu thập phản hồi của người dùng qua bảng khảo sát nhỏ để đánh giá giao diện
và trải nghiệm sử dụng
4.4 Kết Quả Thực Nghiệm
● Hiệu quả phân loại:
o Đa số hình ảnh phù hợp được nhận diện với độ chính xác trên 95%
o Các hình ảnh NSFW được phân loại chính xác với xác suất cao, giúp hệ thống cảnh báo đúng nội dung không phù hợp