Thiết kế và thi công mô hình phân loại ba loại trái cây

Nội dung thực hiện: Tổng quan về xử lý ảnh; Tìm hiểu phương pháp nhận dạng và phân loại trái cây bằng mạng nơ-ron tích chập; Tìm hiểu kit Raspberry Pi 3 B và các linh kiện liên quan đến

Trang 1

THIẾT KẾ VÀ THI CÔNG MÔ HÌNH PHÂN LOẠI BA LOẠI TRÁI CÂY

GVHD: ThS NGUYỄN DUY THẢO SVTH: ĐẶNG MINH CẢNH

MSSV: 16141116 SVTH: VÕ THÀNH MỸ MSSV: 16141201

Trang 2

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH

KHOA ĐIỆN – ĐIỆN TỬ

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

Trang 3

BỘ GIÁO DỤC & ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH

KHOA ĐIỆN – ĐIỆN TỬ

Tp Hồ Chí Minh - 1/2021

Trang 4

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH ii

TRƯỜNG ĐH SPKT TP HỒ CHÍ MINH

KHOA ĐIỆN-ĐIỆN TỬ

CỘNG HÕA XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP - TỰ DO - HẠNH PHÖC

Hệ đào tạo: Đại học chính quy Mã hệ: 1

I TÊN ĐỀ TÀI: THIẾT KẾ VÀ THI CÔNG MÔ HÌNH PHÂN LOẠI BA LOẠI TRÁI

CÂY

II NHIỆM VỤ

1 Các số liệu ban đầu:

Một kit Raspberry Pi 3 model B, một module Camera Pi, hệ thống băng tải, cảm biến hồng ngoại, động cơ servo Sản phẩm gồm 3 loại trái cây là táo, chanh và lê

2 Nội dung thực hiện:

Tổng quan về xử lý ảnh; Tìm hiểu phương pháp nhận dạng và phân loại trái cây bằng mạng nơ-ron tích chập; Tìm hiểu kit Raspberry Pi 3 B và các linh kiện liên quan đến mô hình; Cài đặt hệ điều hành và các thư viện cần thiết để viết chương trình; Thiết kế phần cứng điều khiển hệ thống

III NGÀY GIAO NHIỆM VỤ: 13/10/2020

IV NGÀY HOÀN THÀNH NHIỆM VỤ: 15/01/2021

V HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: ThS Nguyễn Duy Thảo

CÁN BỘ HƯỚNG DẪN BM ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

Trang 5

iii

TRƯỜNG ĐH SPKT TP HỒ CHÍ MINH

KHOA ĐIỆN-ĐIỆN TỬ

CỘNG HÕA XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP - TỰ DO - HẠNH PHÖC

Tên đề tài: Thiết kế và thi công mô hình phân loại ba loại trái cây

Xác nhận GVHD

Tìm hiểu phân loại vật thể trái cây, tìm hiểu các thiết bị cần

cho hệ thống và thiết kế phần cứng thiết bị Tuần 7,8,9,10,11

(9/11-12/12)

Tiến hành lập trình cho phần cứng và thiết kế phần

mềm điều khiển trên điện thoại Tuần 12,13

(14-26/12/2020)

Thiết kế mô hình sản phẩm Kiểm tra và chỉnh sửa phần cứng Tuần 14,15 (28/12-

9/1/2020)

Viết báo cáo, Chạy thử thiết bị hoàn chỉnh, kiểm tra tinh chỉnh

thiết bị

GV HƯỚNG DẪN (Ký và ghi rõ họ và tên)

Trang 6

iv

Đề tài “Thiết kế và thi công mô hình phân loại ba loại trái cây” là do nhóm đề tài

tự thực hiện dựa vào một số tài liệu trước đó và không sao chép từ tài liệu hay công trình đã có trước đó

Người thực hiện đề tài

Trang 7

Nhóm xin gửi lời cảm ơn đến các quý thầy cô khoa Điện – Điện tử đã giúp đỡ và tạo điều kiện tốt cho chúng em thực hiện đề tài Ngoài ra, chúng em cũng cảm ơn các bạn học ở lớp 16141DT1 cũng như đã chia sẻ và giúp đỡ chúng em rất nhiều trong đề tài này

Xin chân thành cảm ơn!

Người thực hiện đề tài

Trang 8

vi

MỤC LỤC

NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP ii

LỊCH TRÌNH THỰC HIỆN ĐỒ ÁN TỐT NGHIỆP iii

LỜI CAM ĐOAN iv

LỜI CẢM ƠN v

MỤC LỤC vi

LIỆT KÊ HÌNH ix

LIỆT KÊ BẢNG xii

TÓM TẮT xiv

Chương 1: TỔNG QUAN 1

1.1 ĐẶT VẤN ĐỀ 1

1.2 MỤC TIÊU 2

1.3 NỘI DUNG NGHIÊN CỨU 2

1.4 GIỚI HẠN 2

1.5 BỐ CỤC 2

Chương 2: CƠ SỞ LÝ THUYẾT 4

2.1 TỔNG QUAN VỀ XỬ LÝ ẢNH 4

2.2.1 Giới thiệu về xử lý ảnh 4

2.2 PHƯƠNG PHÁP DÙNG NOTRON TÍCH CHẬP 7

2.2.1 Phương pháp học sâu (Deep Learning) 7

2.2.2 Mô hình mạng tổng quát mạng nơ-ron 8

2.2.3 Tập dữ liệu huấn luyện 8

2.2.4 Xây dựng mạng Nơ-tron tích chập 10

2.2.5 Ngôn ngữ lập trình Python và thư viện Tensorflow 17

Trang 9

vii

2.3 GIỚI THIỆU PHẦN CỨNG 18

2.3.1 Giới thiệu raspberry pi 3 B[7] 18

2.3.2 Giới thiệu Raspberry Pi Camera 20

2.3.3 Giới thiệu cảm biến vật thể hồng ngoại E18-D80NK 22

2.3.4 Giới thiệu đông cơ Servo MG996R 23

2.3.5 Giới thiệu hệ thống băng tải 23

Chương 3: TÍNH TOÁN VÀ THIẾT KẾ HỆ THỐNG 25

3.1 GIỚI THIỆU: 25

3.2 TÍNH TOÁN VÀ THIẾT KẾ HỆ THỐNG 25

3.2.1 Thiết kế sơ đồ khối hệ thống: 25

3.2.2 Tính toán và thiết kế hệ thống: 27

3.2.3 Sơ đồ kết nối toàn mạch 45

3.3 PHƯƠNG PHÁP PHÂN LOẠI TRÁI CÂY BẰNG MẠNG TÍCH CHẬP CNN 45 Chương 4: THI CÔNG HỆ THỐNG 47

4.1 GIỚI THIỆU 47

4.2 THI CÔNG HỆ THỐNG 47

4.2.1 Chuẩn bị phần cứng 47

4.2.2 Lắp ráp và kiểm tra 48

4.3 ĐÓNG GÓI VÀ THI CÔNG MÔ HÌNH 52

4.3.1 Đóng gói bộ điều khiển 52

4.3.2 Thi công mô hình 53

4.4 LẬP TRÌNH HỆ THỐNG 54

4.4.1 Lưu đồ giải thuật 54

4.4.2 Giao diện điều khiển 60

Trang 10

viii

4.5 VIẾT TÀI LIỆU HƯỚNG DẪN SỬ DỤNG, THAO TÁC 60

Chương 5: KẾT QUẢ-NHẬN XÉT-ĐÁNH GIÁ 70

5.1 KẾT QUẢ TỔNG QUAN 70

5.2 KẾT QUẢ ĐẠT ĐƯỢC 71

5.2.1 Kết quả huấn luyện từ tập cơ sở dữ liệu 71

5.2.2 Giao diện hiển thị trên màn hình 72

5.2.3 Kết quả mô hình thực tế 73

5.2.4 Kết quả thực nghiệm 78

5.3 NHẬN XÉT VÀ ĐÁNH GIÁ 84

5.3.1 Nhận xét kết quả đạt được 84

5.3.2 Đánh giá kết quả 85

Chương 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 86

6.1 KẾT LUẬN 86

6.2 HƯỚNG PHÁT TRIỂN 86

TÀI LIỆU THAM KHẢO 87

Trang 11

ix

LIỆT KÊ HÌNH

Hình Trang

Hình 2.1: Các bước cơ bản của xử lý ảnh 4

Hình 2 2: Tổng quan về trí tuệ nhân tạo 7

Hình 2.3: Mạng nơ-ron tích chập 8

Hình 2.4: một số ảnh trong tập cơ sở dữ liệu 9

Hình 2.5: Mô hình tích chập phân loại trái cây 10

Hình 2.6: Biểu diễn ma trận RGB 11

Hình 2.7: Ma trận đầu vào và lớp mặt nạ tương tự 12

Hình 2.8: Kết quả của phép tích chập 13

Hình 2.9: Hoàn thành phép tích chập và tạo ra feature map 14

Hình 2.10: Tạo ra phân tử đầu tiên khi Stride = 1 15

Hình 2.11: Tạo ra phân tử thứ hai khi Stride = 1 15

Hình 2.12: Tạo ra phân tử đầu tiên khi Stride = 1 và padding = 1 16

Hình 2.13: Ma trận được tạo ra với lớp max pooling và stride =2 16

Hình 2.14: Raspberry Pi 3 model B 18

Hình 2.15: Camera Pi 20

Hình 2.16: Sơ đồ kết nối Camera Pi 21

Hình 2.17: Cảm biến hồng ngoại E18-D80NK 22

Hình 2.18: Servo MG996G 23

Hình 2.19: Mô hình băng tải 24

Hình 3.1: Sơ đồ khối hệ thống 25

Hình 3.2: Mô hình kit Raspberry Pi Model B 27

Hình 3.3: Sơ đồ chân Raspberry Pi 3+ 28

Hình 3.4: Sơ đồ các cổng ngoại vi sử dụng 29

Hình 3.5: Sơ đồ bố trí cảm biến trên mô hình 30

Hình 3.6: Động cơ DC 31

Hình 3.7: Băng tải mini 32

Hình 3.8: Module relay 5V 32

Trang 12

x

Hình 3.9: Sơ đồ kết nối module relay điều khiển động cơ 34

Hình 3.10: Nguyên lý điều chế độ rộng xung của PWM 35

Hình 3.11: Module PWM 35

Hình 3.12: Kết nối các module điều khiển động cơ băng tải 36

Hình 3.13: Servo MG946R 37

Hình 3.14: Sơ đồ bố trí servo cùng với cảm biến trên băng tải 38

Hình 3.15: Kết nối của Camera Raspberry 39

Hình 3.16: Bóng đèn led 3W 39

Hình 3.17: Bố trí các thiết bị cho khối chụp ảnh (hướng nhìn từ trên xuống) 41

Hình 3.18: Bố trí các thiết bị cho khối chụp ảnh (hướng nhìn từ cạnh bên) 42

Hình 3.19: Nguồn Adapter 5V 2.5A cấp cho Raspberry 43

Hình 3.20: Nguồn Tổ ong 24V 5A cấp cho băng tải 44

Hình 3.21: Nguồn Adapter 5V 3A cấp cho 3 servo 44

Hình 3.22: Sơ đồ nguyên lý toàn mạch 45

Hình 4.1: Bố trí cảm biến, servo, các luồng phân loại trên băng tải 49

Hình 4.2: Mặt cạnh của buồng ảnh 50

Hình 4.3: Module PWM được gắn trên buồng ảnh 50

Hình 4.4: Bố trí các linh kiện trên trần của buồng ảnh 51

Hình 4.5: Cảm biến hồng ngoại trong buồng ảnh 51

Hình 4.6: Đóng gói bộ điều khiển trên buồng ảnh 52

Hình 4.7: Mô hình hệ thống 53

Hình 4.8: Lưu đồ chương trình chính mô hình 55

Hình 4.9: Lưu đồ chương trình con Chụp và lưu ảnh 57

Hình 4.10: Lưu đồ chương trình con Xử lý và dự đoán 58

Hình 4.11: Lưu đồ chương trình con So sánh và dán nhãn trái cây 59

Hình 4.12: Giao diện ban đầu 60

Hình 4.13: Cửa sổ Remote Desktop Connection 61

Hình 4.14: Cửa sổ hiển thị khi nhập đúng địa chỉ IP 62

Hình 4.15: Vị trí file chương trình trên Desktop 62

Hình 4.16: Giao diện trình biên dịch 63

Trang 13

xi

Hình 4.17: Giao diện điều khiển ban đầu 64

Hình 4.18: Giao diện hiển thị khi có trái cây đƣa vào 65

Hình 4.19: Giao diện hiển thị khi có loại trái cây khác vào 65

Hình 4.20: Cần gạt của servo1 mở nhận dạng là táo 66

Hình 4.21: Cần gạt của servo2 mở nhận dạng là chanh 67

Hình 4.22: Cần gạt của servo3 mở nhận dạng là lê 67

Hình 4.23: Sản phẩm khác loại đƣợc chuyển đến cuối băng tải 68

Hình 4.24: Kết quả sau khi phân loại 68

Hình 4.25: Trạng thái Stop trong giao diện 68

Hình 4.26: Cảnh báo khi thoát giao diện ……….69

Hình 5.1: Sơ đồ biểu diễn Model loss 71

Hình 5.2: Sơ đồ biểu diễn Model accuracy 71

Hình 5.3: Giao diện điều khiển ban đầu 72

Hình 5.4: Cảnh báo khi thoát giao diện 73

Hình 5.5: Mô hình hệ thống hoàn chỉnh 74

Hình 5.6: Ngõ vào của trái cây 75

Hình 5.7: Bộ điều khiển trên buồng ảnh 76

Hình 5.8: Module PWM gắn bên cạnh buồng ảnh 77

Hình 5.9: Bố trí đèn trong buồng ảnh 77

Hình 5.10: Táo khi đƣợc băng tải chuyển vào buồng ảnh 78

Hình 5.11: Kết quả hiển thị trên giao diện khi táo vào 79

Hình 5.12: Táo chuẩn bị đƣợc gạt vào luồng 79

Hình 5.13: Chanh khi đƣợc băng tải chuyển vào buồng ảnh 80

Hình 5.14: Kết quả hiển thị trên giao diện khi chanh vào 80

Hình 5.15: Chanh chuẩn bị đƣợc gạt vào luồng 81

Hình 5.16: Lê khi đƣợc băng tải chuyển vào buồng ảnh 81

Hình 5.17: Kết quả hiển thị trên giao diện khi lê vào 82

Hình 5.18: Lê chuẩn bị đƣợc gạt vào luồng 82

Hình 5.19: Giao diện hiển thị khi có loại khác vào 83

Hình 5.20: Trái mận đƣợc chuyển đến cuối băng tải 83

Trang 14

xii

LIỆT KÊ BẢNG

Bảng Trang

Bảng 3.1: Thông số kỹ thuật của E18-D80NK 30

Bảng 3.2: Thông số kỹ thuật của động cơ DC 31

Bảng 3.3: Thông số kỹ thuật của module relay 5V 33

Bảng 3.4: Chức năng các chân của module relay 5V 33

Bảng 3.5: Thông số kỹ thuật của module PWM 36

Bảng 3.6: Thông số kỹ thuật của Servo 37

Bảng 3.7: Thông số kỹ thuật của đèn led 3W 40

Bảng 4.1: Thông số của các linh kiện đƣợc sử dụng trong mô hình 46

Bảng 5.1: Kết quả chạy thực nghiệm 82

Trang 16

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 1

Chương 1: TỔNG QUAN

1.1 ĐẶT VẤN ĐỀ

Hiện nay, cùng với sự phát triển của nền kinh tế thị trường, ngành chế biến nông sản của nước ta cũng đang phát triển mạnh mẽ Trên cơ sở những tiềm năng và chiến lược phát triển mà Nhà nước đã đề ra, nông sản Việt ngày càng khẳng định được vị thế ở cả thị trường trong nước và quốc tế, trở thành một trong những mặt hàng trọng điểm, chiếm tỉ trọng lớn trong ngành xuất khẩu, đóng góp một phần không nhỏ vào nền kinh tế quốc dân[1]

Với sự ra đời và phổ biến rộng rãi của băng tải công nghiệp, chúng ta gần như

có thể tối ưu hóa mọi lĩnh vực, trong đó có việc chế biến và phân loại nông sản, quá trình nhận dạng hình ảnh sản phẩm là một trong những dây chuyền quan trọng

Xử lý ảnh là một lĩnh vực mang tính khoa học và công nghệ Nó là một ngành khoa học mới mẻ so với nhiều ngành khao học khác nhưng tốc dộ phát triễn của nó rất nhanh, kích thích các trung tâm nghiên cứu và ứng dụng[2] đặc biêt là trong lĩnh vực sản xuất

Deep Learning là một chi của ngành máy học dựa trên một tập hợp các thuật toán để cố gắng mô hình dữ liệu trừu tượng hóa ở mức cao bằng cách sử dụng nhiều lớp xử lý với cấu trúc phức tạp, hoặc bằng cách khác bao gồm nhiều biến đổi phi tuyến Deep Learning đã giúp máy tính thực thi những việc tưởng chừng như không thể: phân loại cả ngàn vật thể khác nhau trong các bức ảnh, tự tạo chú thích cho ảnh, bắt chước giọng nói và chữ viết của con người, giao tiếp với con người, hay thậm chí cả sáng tác văn, phim, ảnh, âm nhạc[3] Cùng với công nghệ xử lý ảnh để ứng dụng trong dây chuyền, kết hợp với dữ liệu hình ảnh cụ thể[4] phân loại nhiều loại sản phẩm thông nhiều góc nhìn là hoàn toàn có thể

Từ những khảo sát trên, cùng với các kiến thức đã được trang bị, nhóm làm đề tài kiến nghị thực hiện việc thiết kết và thi công một hệ thống phân loại sản phẩm bằng

raspberry[5] Hệ thống có tên là “Thiết kế và thi công mô hình phân loại ba loại trái

cây” sẽ có chức năng phân loại các loại trái cây thông qua camera

Trang 17

CHƯƠNG 1 TỔNG QUAN

1.2 MỤC TIÊU

Mục tiêu của đề tài “Thiết kế và thi công mô hình phân loại ba loại trái cây” là nắm

rõ nguyên lý hoạt động của thiết bị ngoại vi camera, động cơ servo, cảm biến hồng ngoại Làm quen và sử dụng phần mềm python trên bộ kit Raspberry, sử dụng có công

cụ và thư viện hổ trợ xử lý ảnh như Tensorflow, Keras và Opencv Thiết kế và thi công

mô hình nhận dạng trái cây theo mô hình nơ-ron tích chập, sử dụng cơ sở dử liệu có sẵn để hỗ trợ lập trình nhận dạng

1.3 NỘI DUNG NGHIÊN CỨU

NỘI DUNG 1: Tìm hiểu phương pháp xử lý hình ảnh nhận diện trái cây

NỘI DUNG 2: Thiết kế thi công mô hình hệ thống

NỘI DUNG 3: Viết chương trình xử lý kết hợp với dữ liệu nhận dạng trái cây

bằng ngôn ngữ Python và nhúng xuống kit Raspberry Pi

NỘI DUNG 4: Hoàn thiện hệ thống điều khiển, mô hình, tiến hành chạy mẫu NỘI DUNG 5: Viết báo cáo thực hiện

NỘI DUNG 6: Bảo vệ luận án

1.4 GIỚI HẠN

Các thông số giới hạn của đề tài bao gồm:

- Mô hình đồ án mang tính chất minh họa, chưa đạt chuẩn về thông số kĩ thuật đáp ứng cho thực tế

Trang 18

Chương 3: Thiết kế và tính toán

Chương 4: Thi công hệ thống

Chương 5: Kết quả-nhận xét-đánh giá

Chương 6: Kết luận và hướng phát triển

Nội dung từng chương như sau:

Chương 1: Tổng quan

Nhóm đề tài đặt vấn đề dẫn nhập, lý do chọn đề tài, mục tiêu, nội dung nghiên cứu, các giới hạn thông số và bố cục đồ án

Chương 2: Cơ Sở Lý Thuyết

Nội dung chương bao gồm lý thuyết cơ bản về xử lý ảnh, giới thiệu về mạng nơ- ron tích chập (CNN), giới thiệu cơ bản về Raspberry Pi, ngôn ngữ lập trình Python và thư viện hỗ trợ Open CV, giới thiệu về cảm biến E18-D80NK, Servo

Chương 3: Thiết Kế và Tính Toán

Từ những cơ sở lý thuyết có được, nhóm đề tài sẽ trình bày về sơ đồ khối, chức

năng từng khối và kết nối của hệ thống

Chương 4: Thi Công Hệ Thống

Sau khi thực hiện tính toán và thiết kế, nhóm đề tài sẽ tiến hành thi công hệ thống

và trình bày lại quá trình thi công tại chương này

Chương 5: Kết Qủa - Nhận Xét - Đánh Giá

Những kết quả đạt được cùng với những nhận xét, đánh giá về toàn bộ hệ thống nhóm đề tài sẽ tóm tắt tại Chương 5

Chương 6: Kết Luận và Hướng Phát Triển

Cuối cùng, nhóm xin được trình bày những kết luận đã được rút ra trong suốt quá

trình thực hiện đề tài cùng với hướng phát triển, cải tiến của đề tài sao cho phù hợp với thực tế hơn

Trang 19

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT

Chương 2: CƠ SỞ LÝ THUYẾT

2.1 TỔNG QUAN VỀ XỬ LÝ ẢNH

2.2.1 Giới thiệu về xử lý ảnh

Xử lý ảnh là một lĩnh vực mang tính khoa học và công nghệ Nó là một ngành khoa học mới so với nhiều ngành khoa học khác nhưng tốc độ phát triển của nó rất nhanh đặc biệt là máy tính chuyên dụng riêng cho nó

Xử lý ảnh là kỹ thuật áp dụng trong việc tăng cường và xử lý các ảnh thu nhận từ các thiết bị như camera, webcam… Do đó, xử lý ảnh đã được ứng dụng và phát triển trong rất nhiều lĩnh vực quan trọng như:

 Trong lĩnh vực quân sự: xử lý và nhận dạng ảnh quân sự

 Trong lĩnh vực giao tiếp: nhận dạng ảnh, xử lý âm thanh, đồ họa

 Trong lĩnh vực an ninh, bảo mật: nhận diện khuôn mặt người, nhận diện vân tay, mẫu mắt, …

 Trong lĩnh vực giải trí: trò chơi điện tử

 Trong lĩnh vực y tế: xử lý ảnh y sinh, chụp X quang, MRI,…

Sau đây, ta sẽ xét các bước cần thiết trong quá trình xử lý ảnh Đầu tiên, ảnh tự nhiên từ thế giới bên ngoài được thu nhận qua các thiết bị thu (như camera, máy chụp ảnh) Trước đây, ảnh thu qua camera là các ảnh tương tự (loại camera ống kiểu CCIR) Gần đây với sự phát triển của công nghệ, ảnh màu hoặc đen trắng được lấy ra từ camera, sau đó nó được chuyển trực tiếp thành ảnh số tạo thuận lợi cho xử lý tiếp theo Mặt khác ảnh có thể được quét từ vệ tinh chụp trực tiếp bằng máy quét ảnh

THU NHẬN

ẢNH

TIỀN XỬ LÝ ẢNH

PHÂN ĐOẠN ẢNH

Trang 20

 Thu nhận ảnh(Image Acquisition) :

Ảnh có thể nhận qua camera màu hoặc đen trắng Thường ảnh nhận qua camera là ảnh tương tự (loại camera ống chuẩn CCIR với tần số 1/25, mỗi ảnh 25 dòng), cũng có loại camera đã số hóa (như loại CCD – Change Coupled Device) là loại photodiot tạo cường độ sáng tại mỗi điểm ảnh

Camera thường dùng là loại quét dòng, ảnh tạo ra dạng 2 chiều Chất lượng một ảnh thu nhận được phụ thuộc vào thiết bị thu, vào môi trường (ánh sáng, phong cảnh)

 Tiền xử lý(Image processing):

Sau bộ thu nhận, ảnh có thể nhiễu độ tương phản thấp nên cần đưa vào bộ tiền xử

lý để nâng cao chất lượng Chức năng chính của bộ tiền xử lý là lọc nhiễu, nâng độ tương phản để làm ảnh rõ hơn, nét hơn

 Phân đoạn(Segmentation) hay phân vùng ảnh:

Phân vùng ảnh là tách một ảnh đầu vào thành các vùng thành phần để biểu diễn phân tích, nhận dạng ảnh Ví dụ: để nhận dạng chữ (hoặc mã vạch) trên phong bì thư cho mục đích phân loại bưu phẩm, cần chia các câu chữ về địa chỉ hoặc tên người thành các từ, các chữ, các số (hoặc các vạch) riêng biệt để nhận dạng Đây là phần phức tạp khó khăn nhất trong xử lý ảnh và cũng dễ gây lỗi, làm mất độ chính xác của ảnh Kết quả nhận dạng phụ thuộc rất nhiều vào công đoạn này

 Biểu diễn ảnh(Image Representation):

Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn) cộng với mã liên kết với các vùng lận cận Việc biến đổi các số liệu này thành dạng thích hợp là cần thiết cho xử lý tiếp theo bằng máy tính Việc chọn các tính chất để thể hiện ảnh gọi là trích chọn đặc trưng (Feature Selection) gắn với việc tách các đặc tính của ảnh dưới dạng các thông tin định lượng hoặc làm cơ sở để phân biệt lớp đối tượng này với đối tượng khác trong phạm vi ảnh nhận được Ví dụ: trong nhận dạng ký tự trên phong bì thư, chúng ta miêu tả các đặc trưng của từng ký tự giúp phân biệt ký tự này với ký tự khác

Trang 21

 Nhận dạng và nội suy ảnh(Image Recognition and Interpretation):

Nhận dạng ảnh là quá trình xác định ảnh Quá trình này thường thu được bằng cách so sánh với mẫu chuẩn đã được học (hoặc lưu) từ trước Nội suy là phán đoán theo ý nghĩa trên cơ sở nhận dạng Ví dụ: một loạt chữ số và nét gạch ngang trên phong

bì thư có thể được nội suy thành mã điện thoại Có nhiều cách phân loại ảnh khác nhau

về ảnh Theo lý thuyết về nhận dạng, các mô hình toán học về ảnh được phân theo hai loại nhận dạng ảnh cơ bản:

 Nhận dạng theo tham số

 Nhận dạng theo cấu trúc

Một số đối tượng nhận dạng khá phổ biến hiện nay đang được áp dụng trong khoa học và công nghệ là: nhận dạng ký tự (chữ in, chữ viết tay, chữ ký điện tử), nhận dạng văn bản (Text), nhận dạng vân tay, nhận dạng mã vạch, nhận dạng mặt người…

 Cơ sở tri thức(Knowledge Base):

Như đã nói ở trên, ảnh là một đối tượng khá phức tạp về đường nét, độ sáng tối, dung lượng điểm ảnh, môi trường để thu ảnh phong phú kéo theo nhiễu Trong nhiều khâu xử lý và phân tích ảnh ngoài việc đơn giản hóa các phương pháp toán học đảm bảo tiện lợi cho xử lý, người ta mong muốn bắt chước quy trình tiếp nhận và xử lý ảnh theo cách của con người Trong các bước xử lý đó, nhiều khâu hiện nay đã xử lý theo các phương pháp trí tuệ con người Vì vậy, ở đây các cơ sở tri thức được phát huy

 Mô tả:

Ảnh sau khi số hoá sẽ được lưu vào bộ nhớ, hoặc chuyển sang các khâu tiếp theo

để phân tích Nếu lưu trữ ảnh trực tiếp từ các ảnh thô, đòi hỏi dung lượng bộ nhớ cực lớn và không hiệu quả theo quan điểm ứng dụng và công nghệ Thông thường, các ảnh thô đó được đặc tả (biểu diễn) lại (hay đơn giản là mã hoá) theo các đặc điểm của ảnh được gọi là các đặc trưng ảnh (Image Features) như: biên ảnh (Boundary), vùng ảnh (Region)

Trang 22

2.2 PHƯƠNG PHÁP DÙNG NOTRON TÍCH CHẬP

2.2.1 Phương pháp học sâu (Deep Learning)

Hình 2 2: Tổng quan về trí tuệ nhân tạo

Các mạng huấn luyện theo phương pháp học sâu còn được gọi với cái tên khác là mạng nơ-ron sâu (Deep Neural Network) do cách thức hoạt động của chúng Về cơ bản, các mạng này bao gồm rất nhiều lớp khác nhau, mỗi lớp sẽ phân tích dữ liệu đầu vào theo các khía cạnh khác nhau và theo mức độ trừu tượng nâng cao dần

Cụ thể, với một mạng học sâu cho nhận dạng ảnh, các lớp đầu tiên trong mạng chỉ làm nhiệm vụ rất đơn giản là tìm kiếm các đường thẳng, đường cong, hoặc đốm màu trong ảnh đầu vào Các thông tin này sẽ được sử dụng làm đầu vào cho các lớp tiếp theo, với nhiệm vụ khó hơn là từ các đường, các cạnh đó tìm ra các thành phần của vật thể trong ảnh Cuối cùng, các lớp cao nhất trong mạng huấn luyện sẽ nhận nhiệm vụ phát hiện ra vật thể trong ảnh

Với cách thức học thông tin từ ảnh lần lượt qua rất nhiều lớp, nhiều tầng khác nhau như vậy, các phương pháp này có thể giúp cho máy tính hiểu được những dữ liệu phức tạp bằng nhiều lớp thông tin đơn giản qua từng bước phân tích

Đó cũng là lý do chúng được gọi là các phương pháp học sâu

Trang 23

2.2.2 Mô hình mạng tổng quát mạng nơ-ron

Hình 2.3: Mạng nơ-ron tổng quát

Mô hình tổng quát mạng nơ-ron bao gồm 3 lớp cơ bản: Input layer (lớp đầu vào), hidden layer (lớp ẩn), output layer (lớp đầu ra) Trong mỗi lớp sẽ chứa các nơ-ron được liên kết với các nơ-ron khác ở các lớp gần kề Mỗi mô hình luôn có một lớp đầu vào và một lớp đầu ra, có hoặc không có các lớp ẩn Các nơ-ron trong lớp ẩn và lớp đầu ra liên

kết với các nơ-ron ở lớp trước đó với các trọng số w và trong mỗi nơ-ron có hệ số bias

riêng

Mỗi lớp ẩn được gọi là fully connected layer (lớp kết nối đầy đủ) theo đúng ý nghĩa của nó do các nơ-ron được kết nối với tất cả nơ-ron của lớp trước như đã nêu trên Cả mô hình được gọi là fully connected neural network (FCN)

2.2.3 Tập dữ liệu huấn luyện

Về cơ bản, máy học yêu cầu phải có một tập dữ liệu (dataset) Tập dữ liệu này có thể hiểu là những gì chúng ta muốn cho máy tính “học” và sau khi quá trình “học” hoàn tất thì máy tính có thể nhận biết được đối tượng đã “học” trong những hoàn cảnh

Trang 24

khác nhau Do đó, việc chuẩn bị tập dữ liệu huấn luyện là điều quan trọng bậc nhất trong máy học

Nhóm thực hiện đề tài đã chuẩn bị một tập dữ liệu huấn luyện theo yêu cầu của

đề tài tương ứng 3 loại trái cây khác nhau: táo, chanh và lê Tập dữ liệu bao gồm 1346 ảnh, trong đó ảnh táo chiếm 508 ảnh, ảnh chanh chiếm 534 ảnh và ảnh lê chiếm 549 ảnh Như đã nói, tập dữ liệu rất quan trọng trong bài toán phân loại và có ảnh hưởng tới việc xây dựng mô hình mạng nơ-ron sau này nên đòi hỏi tập dữ liệu phải đủ tốt Để làm được điều này thì phải tuân thủ theo các yêu cầu sau:

 Số lượng dữ liệu: Số lượng ảnh huấn luyện phải đủ lớn, tối thiểu phải đạt 50

ảnh cho mỗi loại

 Cân bằng tập dữ liệu: Số lượng ảnh cho mỗi loại phải cân bằng với nhau, duy

trì tỉ lệ 1:2 cho loại có dữ liệu ít nhất với loại có dữ liệu cao nhất

 Đa dạng tập dữ liệu: Để chắc chắn rằng hình ảnh trong tập dữ liệu sẽ đại diện

cho loại trái cây mà ta muốn trích đặc trưng và trách nhầm lẫn do phát hiện ra nhiều điểm chung không cần thiết trong các bức ảnh thì ta cần phải đa dạng tập

dữ liệu bằng cách:

 Chụp ảnh trên nhiều loại nền khác nhau

 Chụp ảnh trong điều kiện ánh sáng khác nhau

 Chụp ảnh với đối tượng có kích thước khác nhau

 Thay đổi góc chụp của camera

 Chụp nhiều chủng loại của loại trái cây đó

Hình 2.4: một số ảnh trong tập cơ sở dữ liệu

Trang 25

2.2.4 Xây dựng mạng Nơ-tron tích chập

Mạng nơ-ron tích chập là một thuật toán Deep Learning có kiến trúc, lấy ý tưởng

từ chính mô hình kết nối của các nơ-ron trong bộ não con người Chúng có thể nhận đầu vào là hình ảnh, trích xuất các đặc trưng trong hình ảnh bằng các trọng số có thể phân biệt được các khía cạnh/đối tượng khác nhau trong hình ảnh đó Mô hình mạng nơ-ron tích chập được xây dựng dựa trên đặc tính của tập dữ liệu huấn luyện, đối với tập dữ liệu của đề tài thì mô hình dưới đây đã được thử nghiệm và hoàn toàn phù hợp

để có thể trích xuất được đặc trưng của ba loại trái cây cần thiết

Hình 2.5: Mô hình tích chập phân loại trái cây

Lớp đầu vào:

Tất cả hình ảnh trong tập dữ liệu huấn luyện là ảnh màu RGB, mỗi hình ảnh sẽ được biểu diễn bởi ba ma trận tương ứng với ba màu Red – Green – Blue

Trang 26

từ trái qua phải, từ trên xuống dưới sử dụng phép toán tích chập sau đó đưa qua các hàm kích hoạt phù hợp (ReLU, softmax…)

Trang 27

Hình 2.7: Ma trận đầu vào và lớp mặt nạ tương tự

Phép toán tích chập: Theo toán học, tích chập là phép toán tuyến tính, cho ra kết

quả là một hàm bằng việc tính toán dựa trên hai hàm đã có (f và g) Công thức tích chập giữa hàm ảnh f(x, y) và bộ lọc k(x, y) kích thước mxn

Hàm kích hoạt: Là một phép biến đổi phi tuyến tính đối với tín hiệu đầu vào, nó

sẽ quyết định khi nào nơ-ron đó được kích hoạt hoặc không Hàm kích hoạt có nhiệm

vụ thực hiện các biến đổi phi tuyến tính để có thể mô hình hóa và giúp giải được các vấn đề phức tạp trong học sâu

(( ) ) Một số hàm kích hoạt được sử dụng trong mô hình:

 ReLU (Rectified linear unit): Đây là một hàm kích hoạt được sử dụng rất phổ biến, nó có chức năng chuyển đổi các giá trị âm không cần thiết khi tính toán thành giá trị 0

( ) ( )

Trang 28

 Softmax: Hàm này được sử dụng để trả về xác xuất cho mỗi nơ-ron đầu ra, softmax là một hàm đồng biến và luôn trả về giá trị dương giúp đánh giá chính xác giá trị xác xuất của nơ-ron đó

( )

∑ Quay lại với lớp tích chập, mặt nạ kernel sẽ quét qua từng phần tử của ma trận ảnh đầu vào, sử dụng phép tính tích chập cho từng vị trí tương ứng và đưa qua hàm kích hoạt Kết quả là ta sẽ thu được một giá trị trong feature map

Hình 2.8: Kết quả của phép tích chập

Tương tự, quá trình này sẽ thực hiện cho đến hết

Trang 29

Hình 2.9: Hoàn thành phép tích chập và tạo ra feature map

Ảnh được đưa vào huấn luyện mô hình là ảnh RGB gồm 3 kênh, do đó, kernel cũng sẽ có 3 kênh Mỗi kernel sẽ cho ra một ma trận đầu ra, k kernel sẽ cho ra k ma trận đầu ra Kết hợp các ma trận này sẽ có một tensor có chiều sâu là k Quá trình tính tích chập được mô tả như hình dưới đây

Số lượng và giá trị của các kernel sẽ được tìm tự động để trích xuất các đặc tính riêng biệt của hình ảnh như: hình dạng, viền, màu sắc đặc trưng,…

Stride: Là khoảng cách dịch chuyển bộ lọc sau mỗi lần quét Ví dụ: khi stride = 1

có nghĩa là bộ lọc sẽ dịch chuyển 1 pixel mỗi lần quét, stride = 2 thì khoảng cách là 2 pixel Nếu kích thước của stride và kernel càng lớn thì kích thước của feature map sẽ càng nhỏ

Trang 30

Hình 2.10: Tạo ra phân tử đầu tiên khi Stride = 1

Hình 2.11: Tạo ra phân tử thứ hai khi Stride = 1

Đôi khi stride và kernel sẽ không tương thích để quét hết ma trận ảnh đầu vào, trong trường hợp này ta sẽ sử dụng padding

Padding: Là việc thêm các pixel bao quanh các cạnh ma trận ảnh đầu vào, nếu

tăng padding thì phần viền này càng dày

Trang 31

Hình 2.12: Tạo ra phân tử đầu tiên khi Stride = 1 và padding = 1

Pooling: Thông thường ngay sau mỗi lớp tích chập là lớp pooling Pooling có

nhiệm vụ giảm số lượng siêu tham số từ đó làm giảm việc tính toán, giảm thời gian huấn luyện mô hình và tránh overfitting Max pooling là loại pooling thường gặp nhất, đây cũng là một cửa sổ trượt quét qua từng phần tử của ma trận ảnh đầu vào, sau đó chỉ giữ lại giá trị lớn nhất nằm trong cửa sổ trượt Ví dụ: áp dụng max pooling kích thước 2x2, stride = 2

Hình 2.13: Ma trận được tạo ra với lớp max pooling và stride =2

Trang 32

ra chính bằng số lượng đối tượng mà ta muốn phân loại, trong trường hợp này là 3 ron tương ứng với 3 loại trái cây: táo, chanh và bơ Hàm kích hoạt được lựa chọn là softmax để chuyển đổi tín hiệu đầu vào thành dạng xác suất cho mỗi nơ-ron

nơ-2.2.5 Ngôn ngữ lập trình Python và thư viện Tensorflow

2.2.5.1 Ngôn ngữ lập trình Python [6]

Python là một ngôn ngữ lập trình bậc cao cho các mục đích lập trình đa năng,

do Guido van Rossum tạo ra và lần đầu ra mắt vào năm 1991 Python được thiết kế với

ưu điểm mạnh là dễ đọc, dễ học và dễ nhớ Python là ngôn ngữ có hình thức rất sáng sủa, cấu trúc rõ ràng, thuận tiện cho người mới học lập trình Cấu trúc của Python còn cho phép người sử dụng viết mã lệnh với số lần gõ phím tối thiểu

Ban đầu, Python được phát triển để chạy trên nền Unix Những rồi theo thời gian Python dần mở rộng sang mọi hệ điều hành từ MS-DOS đến Mac OS, OS/2, Wimdows, Linux và các hệ điều hành khác thuộc họ Unix

Python chính là lựa chọn hàng đầu cho các dự án về AI và Machine Learning vì các tính năng như:

 Tính đơn giản và nhất quán

 Cho phép sử dụng các thư viện và framework cho AI và Machine Learning

Tensorflow cung cấp nhiều mức độ trừu tượng để người dùng có thề chọn cấp độ phù hợp với nhu cầu Cung cấp khả năng xây dựng và huấn luyện mô hình bằng cách

sử dụng API Keras bậc cao giúp giao tiếp với người dùng dễ dàng hơn từ đó có thể tiếp cận với máy học tốt hơn

Trang 33

Tensor được đính kèm theo một số thuộc tính khác bao gồm:

 Device: Tên thiết bị tạo ra Tensor hiện tại

 Graph: Đồ thị chứa Tensor hiện tại

 Name: Tên của Tensor hiện tại

 Shape: TensorShape của Tensor hiện tại

 Op: Toán tử để tạo ra Tensor hiện tại

 Dtype: Kiểu dữ liệu của các phần tử trong Tensor hiện tại

Tensorflow có những ưu điểm:

 Xây dựng mô hình đơn giản

 Có thể xây dựng, huấn luyện và triển khai mô hình trên đa nền tảng, đa thiết bị

Trang 34

Foundation với mục đích thúc đẩy việc giảng dạy về khoa học máy tính cơ bản trong các trường học và các nước đang phát triển

Raspberry Pi xây dựng xoay quanh bộ xử lí SoC Broadcom BCM2835 bao gồm: CPU, GPU, bộ xử lí âm thanh /video, và các tính năng khác… Raspberry Pi có hai phiên bản, Model A và Model B Ở đề tài này sử dụng Kit Raspberry Pi 3 Model B vì thông dụng hơn.

Thông tin cấu hình Raspberry Pi 3 Module B

 Bộ xử lí Broadcom BCM2835 tốc độ xử lí 1.2ghz 64-bit quad-core ARM Cortex- A53

 Mạng Wireless LAN chuẩn 802.11 b/g/n

 Bộ xử lý đa phương tiện Videocore IV® Dual Core

 Đầu nối video / âm thanh 1 x HDMI

 Đầu nối video / âm thanh 1 x RCA

Ưu điểm: Giá rẻ, nhỏ gọn, GPU mạnh, phục vụ cho nhiều mục đích Khả năng

hoạt động liên tục, giá thành rẻ hơn so với máy tính thông thường…

Nhược điểm: Máy tính nhúng xử lý vẫn còn chậm so với máy tính để bàn hay

laptop Sử dụng những chương trình nhẹ

Trang 35

2.3.2 Giới thiệu Raspberry Pi Camera

Giới thiệu

Raspberry Pi Camera là module camera được chính Raspberry Pi Foundation thiết kế và đưa vào sản xuất đại trà từ tháng 5/2013 Camera module ra đời đã làm thoả lòng rất nhiều tín đồ yêu thích Raspberry Trước khi xuất hiện camera, điều duy nhất bạn có thể làm để thêm khả năng nhận biết hình ảnh, quay phim, chụp hình cho RPi là

sử dụng 1 webcam cắm vào cổng USB Với các webcam Logitech tích hợp sẵn định dạng xuất mjpeg sẽ giúp Raspberry xử lý nhanh hơn Nhưng các webcam Logitech lại

có giá thành khá cao, nhất là các webcam có độ phân giải lớn Bạn không tốn thêm cổng USB nào cho Camera vì Camera được gắn chắc chắn vào socket CSI Điều này giúp hạn chế tình trạng nghẽn băng thông cho chip xử lý USB trên mạch Raspberry Chiều dài cáp nối camera đã được tính toán cẩn thận khi vừa đạt được độ dài cần thiết trong khi vẫn đảm bảo tốc độ truyền hình ảnh từ module về Raspberry Pi Tháng 4/2016, Raspberry Pi Foundation ra mắt thế hệ thứ 2 của sản phẩm Camera Module với nâng cấp đáng kể nhất là sử dụng sensor Sony IMX219 8 Megapixel

Raspberry Pi Camera Module V2 có một cảm biến 8-megapixel của Sony IMX219 (so với cảm biến 5-megapixel OmniVision OV5647 trên Camera Module phiên bản cũ).

Hình 2.15: Camera Pi

Trang 36

Camera Module có thể được sử dụng để quay video độ nét cao, cũng như chụp hình ảnh tĩnh Nó khá dễ dàng để sử dụng cho người mới bắt đầu, nhưng cũng có rất nhiều giải pháp mở rộng để cung cấp cho người dùng yêu cầu cao Có rất nhiều demo của người dùng về công dụng của Camera Module như chụp Time-Lapse, Slow - Motion và rất nhiều ứng dụng khác

Raspberry Pi Camera Module V2 là một bước nhảy vọt về chất lượng hình ảnh, màu sắc trung thực và hiệu suất ánh sáng thấp Đặc biệt nó hỗ trợ video lên tới 1080P30, 720P60 và video mode VGA90, cũng như chế độ chụp hình Dĩ nhiên, nó vẫn sử dụng đoạn cáp 15cm qua cổng CSI trên Raspberry Pi Chiếc camera này tương thích với tất cả các phiên bản của Raspberry Pi 1, 2 và 3

Thông tin cấu hình Camera Pi v2.1

 Kết nối với Raspberry Pi thông qua cáp ribbon đi kèm dài 15 cm

 Camera Module được hỗ trợ với phiên bản mới nhất của Raspbian

Hình 2.16: Sơ đồ kết nối Camera Pi

Trang 37

2.3.3 Giới thiệu cảm biến vật thể hồng ngoại E18-D80NK

Giới thiệu

Cảm biến vật cản hồng ngoại E18-D80NK dùng ánh sáng hồng ngoại để xác định khoảng cách tới vật cản cho độ phản hồi nhanh và rất ít nhiễu do sử dụng mắt nhận và phát tia hồng ngoại theo tần số riêng biệt Cảm biến có thể chỉnh khoảng cách mong muốn thông qua biến trở

Hình 2.17: Cảm biến hồng ngoại E18-D80NK

Thông số kỹ thuật

Thông số kỹ thuật cảm biến E18-D80NK:

 Nguồn điện cung cấp: 5VDC

 Màu nâu: VCC, nguồn dương 5VDC

 Màu xanh dương: GND, nguồn âm 0VDC

Trang 38

 Màu đen: Chân tín hiệu ngõ ra cực thu hở NPN

2.3.4 Giới thiệu đông cơ Servo MG996R

Giới thiệu động cơ servo MG996R

Động cơ RC Servo MG996 là loại thường được sử dụng nhiều nhất trong các thiết kế robot hoặc dẫn hướng xe Động cơ RC Servo MG996 có lực kéo mạnh, các khớp và bánh răng được làm hoàn toàn bằng kim loại nên có độ bền cao, động cơ được tích hợp sẵn driver điều khiển động cơ bên trong theo cơ chế phát xung - quay góc nên rất dễ sử dụng

Băng tải (băng chuyền) hiểu đơn giản là một máy cơ khí dùng để vận chuyển các

đồ vật từ điểm này sang điểm khác, từ vị trí A sang vị trí B Thay vì vận chuyển sản phẩm bằng công nhân vừa tốn thời gian, chi phí nhân công lại tạo ra môi trường làm việc lộn xộn thì băng chuyền tải có thể giải quyết điều đó Nó giúp tiết kiệm sức lao động, số lượng nhân công, giảm thời gian và tăng năng suất lao động

Trang 39

Vì vậy băng chuyền, băng tải là một trong những bộ phận quan trọng trong dây chuyền sản xuất, lắp ráp của các nhà máy, xí nghiệp Góp phần tạo nên một môi trường sản xuất hiện đại, khoa học và giải phóng sức lao động mang lại hiệu quả kinh tế cao cho công ty

Hình 2.19: Mô hình băng tải

 Bộ điều khiển băng chuyền: thường gồm có biến tần, sensor, timer, PLC

 Cơ cấu truyền động gồm có: rulo kéo, con lăn đỡ, nhông xích

Trang 40

Chương 3: TÍNH TOÁN VÀ THIẾT KẾ HỆ THỐNG

3.1 GIỚI THIỆU:

Đề tài “Nghiên cứu, thiết kế và thi công mô hình phân loại 3 loại trái cây ” với mục tiêu phân loại 3 loại trái cây là táo, lê và chanh Trong đề tài nhóm sử dụng Raspberry Pi 3 làm bộ xử lý trung tâm với ngôn ngữ lập trình Python sử dụng mô hình mạng nơ-ron tích chập để trích xuất đặc trưng của các loại trái cây trên sử dụng các thư viện hỗ trợ mạnh về máy học và xử lý ảnh như Tensorflow và OpenCV Điều khiển các thiết bị ngoại vi hoạt động theo đúng chức năng yêu cầu như camera, cảm biến, servo…Người dùng có thể giám sát và điều khiển thông qua giao diện trên màn hình hiển thị

3.2 TÍNH TOÁN VÀ THIẾT KẾ HỆ THỐNG

3.2.1 Thiết kế sơ đồ khối hệ thống:

Để thực hiện hoàn thành đề tài “Nghiên cứu, thiết kế và thi công mô hình phân

loại 3 loại trái cây“ hệ thống sẽ được nhóm thiết kế theo sơ đồ như sau:

Hình 3.1: Sơ đồ khối hệ thống

KHỐI XỬ LÝ TRUNG TÂM

Định dạng
Số trang	107
Dung lượng	6,48 MB