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

KHOA CƠ KHÍ CHẾ TẠO MÁY

ĐỒ ÁN TỐT NGHIỆP
Đề tài: NGHIÊN CỨU, THIẾT KẾ MÔ HÌNH
PHÂN LOẠI TRÁI CÂY SỬ DỤNG XỬ LÝ ẢNH

Giảng viên hướng dẫn :

TS. ĐỖ VĂN HIẾN

Sinh viên thực hiện :

DƯƠNG THÀNH ĐẠT

MSSV: 20146179

NGUYỄN QUỐC TIẾN

MSSV: 20146538

Lớp:

201461C

Khóa:

2020 – 2024

TP. Hồ Chí Minh, tháng 07/2024

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

BỘ MÔN CƠ ĐIỆN TỬ

ĐỒ ÁN TỐT NGHIỆP
Đề tài: NGHIÊN CỨU, THIẾT KẾ MÔ HÌNH
PHÂN LOẠI TRÁI CÂY SỬ DỤNG XỬ LÝ ẢNH

Giảng viên hướng dẫn :

TS. ĐỖ VĂN HIẾN

Sinh viên thực hiện :

DƯƠNG THÀNH ĐẠT

MSSV: 20146179

NGUYỄN QUỐC TIẾN

MSSV: 20146538

Lớp:

201461C

Khóa:

2020 – 2024

TP.Hồ Chí Minh, tháng 07/2024

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HCM

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM

KHOA CƠ KHÍ CHẾ TẠO MÁY

Độc lập - Tự do – Hạnh phúc

NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
Học kỳ …… / năm học …………….............
Giảng viên hướng dẫn:

..........................................................

Sinh viên thực hiện:

............................................ MSSV: ....................... Điện thoại: ..............

Sinh viên thực hiện:

............................................ MSSV: ....................... Điện thoại: ..............

1. Đề tài tốt nghiệp:
- Mã số đề tài: ...........................................................
- Tên đề tài:

..............................................................................................................
...............................................................................................................

2. Các số liệu, tài liệu ban đầu:
…………….………..……….……………………………………………………………
…………….………..……….……………………………………………………………
…………….………..……….……………………………………………………………
…………….………..……….……………………………………………………………
3. Nội dung chính của đồ án:
…………….………..……….……………………………………………………………
…………….………..……….……………………………………………………………
…………….………..……….……………………………………………………………
…………….………..……….……………………………………………………………
4. Các sản phẩm dự kiến
…………….………..……….……………………………………………………………
…………….………..……….……………………………………………………………
…………….………..……….……………………………………………………………
5. Ngày giao đồ án:
6. Ngày nộp đồ án

7. Ngôn ngữ trình bày Bản báo cáo:

Tiếng Anh

Tiếng Việt

Trình bày bảo vệ:

Tiếng Anh

Tiếng Việt

TRƯỞNG KHOA

TRƯỞNG BỘ MÔN

GIẢNG VIÊN HƯỚNG DẪN

(Ký, ghi rõ họ tên)

(Ký, ghi rõ họ tên)

(Ký, ghi rõ họ tên)

 Được phép bảo vệ ......................................................
...

...
=True,
fill_mode=nearest)

XIII

# load the MobileNetV2 network, ensuring the head FC layer sets are
# left off
baseModel = MobileNetV2(weights=imagenet, include_top=False,
input_tensor=Input(shape=(224, 224, 3)))
#print(baseModel.summary())
# construct the head of the model that will be placed on top of the
# the base model
headModel = baseModel.output # 7x7x1280
headModel = AveragePooling2D(pool_size=(7, 7))(headModel) # 1x1x1280
headModel = Flatten(name=flatten)(headModel)
headModel = Dense(128, activation=relu)(headModel)
headModel = out(0.5)(headModel)
headModel = Dense(3, activation=softmax)(headModel)
# # place the head FC model on top of the base model (this will become
# # the actual model we will train)
model = Model(inputs=baseModel.input, outputs=headModel)
print(model.summary())
#loop over all layers in the base model and freeze them so they will
#*not* be d during the first training process
for layer in baseModel.layers:
layer.trainable = False
# compile our model
print([INFO] compiling model...)
opt = Adam(lr=INIT_LR, decay=INIT_LR / EPOCHS)
model.compile(loss=binary_crossentropy, optimizer=opt,
metrics=[accuracy])

XIV

# train the head of the network
print([INFO] training head...)
H = model.fit(
aug.flow(trainX, trainY, batch_size=BS),
steps_per_epoch=len(trainX) // BS,
validation_data=(testX, testY),
validation_steps=len(testX) // BS,
epochs=EPOCHS)
# make predictions on the testing set
print([INFO] evaluating network...)
predIdxs = model.predict(testX, batch_size=BS)
# for each image in the testing set we need to find the index of the
# label with corresponding largest predicted probability
predIdxs = np.argmax(predIdxs, axis=1)
# show a nicely formatted classification report
print(classification_report(testY.argmax(axis=1), predIdxs,
target_names=lb.classes_))
# serialize the model to disk
print([INFO] saving mask detector model...)
model.save(SlotModel.model, save_format=h5)
# plot the training loss and accuracy
N = EPOCHS
plt.style.use(ggplot)
plt.figure()
plt.plot(np.arange(0, N), H.history[loss], label=train_loss)
plt.plot(np.arange(0, N), H.history[val_loss], label=val_loss)
plt.plot(np.arange(0, N), H.history[accuracy], label=train_acc)

XV

plt.plot(np.arange(0, N), H.history[val_accuracy], label=val_acc)
plt.title(Training Loss and Accuracy)
plt.xlabel(Epoch #)
plt.ylabel(Loss/Accuracy)
plt.legend(loc=lower left)
plt.savefig(plot.png)

XVI