Sử dụng raspberry pi 5 nhận diện linh kiện điện tử bằng mô hình cnn.

Abstract

Hiện nay trong lĩnh vực vật lí kỹ thuật, điện tử và tự động hóa, việc nhận diện linh kiện điện tử bằng thị giác máy tính đang được quan tâm nhằm hỗ trợ quá trình kiểm tra, phân loại và đào tạo. Với sự phát triển của trí tuệ nhân tạo, các mô hình mạng nơ-ron tích chập (Convolutional Neural Network – CNN) cho thấy hiệu quả cao trong các bài toán nhận diện hình ảnh. Tuy nhiên, việc triển khai các mô hình học sâu trên các hệ thống nhúng có tài nguyên hạn chế vẫn là một thách thức, đòi hỏi các mô hình có cấu trúc gọn nhẹ nhưng vẫn đảm bảo độ chính xác cao. Luận văn này trình bày việc xây dựng hệ thống nhận diện linh kiện điện tử sử dụng Raspberry Pi 5 kết hợp với mô hình CNN. Trong nghiên cứu, mô hình MobileNetV2 được lựa chọn do có số lượng tham số nhỏ, tốc độ xử lý nhanh và phù hợp với các thiết bị có cấu hình thấp. Mô hình MobileNetV2 đã được huấn luyện sẵn trên tập dữ liệu lớn và được sử dụng làm mô hình cơ sở, sau đó tiến hành huấn luyện lại bằng phương pháp transfer learning với tập dữ liệu linh kiện điện tử thu thập được. Quá trình huấn luyện được thực hiện trên môi trường Google Colab, sau đó mô hình được triển khai trên Raspberry Pi 5 để thực hiện nhận diện trong thời gian thực thông qua camera. Hệ thống được xây dựng gồm các khối chính gồm khối thu nhận hình ảnh, khối xử lý và nhận diện bằng mô hình MobileNetV2 và khối hiển thị kết quả. Trong quá trình thử nghiệm, hệ thống được kiểm tra với nhiều điều kiện khác nhau như thay đổi vị trí đặt linh kiện, khoảng cách giữa camera và đối tượng, cũng như điều kiện ánh sáng môi trường. Kết quả thực nghiệm cho thấy mô hình có khả năng nhận diện chính xác các linh kiện điện tử với độ tin cậy cao, đồng thời đảm bảo thời gian xử lý phù hợp để hoạt động trên Raspberry Pi 5. Kết quả của luận văn chứng minh rằng việc sử dụng mô hình CNN tối ưu như MobileNetV2 kết hợp với phương pháp transfer learning cho phép triển khai hiệu quả bài toán nhận diện hình ảnh trên hệ thống nhúng. Hệ thống có tiềm năng ứng dụng trong học tập, kiểm tra linh kiện.