BỘ GIÁO DỤC &amp ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN - ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP Y SINH
———————————–

ĐỒ ÁN TỐT NGHIỆP
NGÀNH KỸ THUẬT Y SINH

ĐỀ TÀI:

THIẾT BỊ HỖ TRỢ NHẬN DIỆN ĐỘ
CHÍN CỦA SẦU RIÊNG
GVHD: TS. Nguyễn Mạnh Hùng
SVTH1: Lưu Quang Triều
MSSV1: 18129059
SVTH2: Phạm Văn Tấn
MSSV2: 18129049

TP. Hồ Chí Minh - 12/2023

BỘ GIÁO DỤC &amp ĐÀO TẠO
TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN - ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP Y SINH
———————————–

ĐỒ ÁN TỐT NGHIỆP
NGÀNH KỸ THUẬT Y SINH

ĐỀ TÀI:

THIẾT BỊ HỖ TRỢ NHẬN DIỆN ĐỘ
CHÍN CỦA SẦU RIÊNG
GVHD: TS. Nguyễn Mạnh Hùng
SVTH1: Lưu Quang Triều
MSSV1: 18129059
SVTH2: Phạm Văn Tấn
MSSV2: 18129049

TP. Hồ Chí Minh - 12/2023

TRƯỜNG ĐH SPKT TP. HỒ CHÍ MINH
KHOA ĐIỆN-ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

CỘNG HÒA XÃ HỘI CHỦ NGHĨA
VIỆT NAM
Độc lập - Tự do - Hạnh phúc

—————————————–
Tp. HCM, ngày 28 tháng 12 năm 2023

NHIỆM VỤ KHÓA LUẬN TỐT NGHIỆP
Họ tên sinh viên 1:

Lưu Quang Triều

MSSV: 18129059

Họ tên sinh viên 2:

Phạm Văn Tấn

MSSV: 18129049

Chuyên ngành:

Kỹ thuật Y Sinh

Mã ngành: 7520212D

Hệ đào tạo:

Đại học chính quy

Mã hệ: 1

Khóa:

2018

Lớp: 181290

I. TÊN ĐỀ TÀI: THIẾT BỊ HỖ TRỢ NHẬN DIỆN ĐỘ CHÍN CỦA SẦU RIÊNG
II. NHIỆM VỤ:
1. Các số liệu ban đầu:
• Hệ điều hành Raspbian cho Raspberry Pi 4B
• Các mô hình phân loại: Multi-layer Perceptron, Random Forest, và Logistic Regression
• Phương pháp đánh giá mô hình: Confusion Matrix, Accuracy Score và Cross-Validation.
• Ngôn ngữ lập trình sử dụng: Python và C++.
• Các thư viện chính được sử dụng: Scikit-learn, Pyaudio, Serial, Pickle.
• Phần mềm lập trình: Arduino IDE, Jupyter Notebook, và Thonny
2. Nội dung thực hiện:
• Thiết kế thiết bị thu thập dữ liệu.
• Thi công thiết bị thu thập dữ liệu.
• Tiến hành thu thập và xử lý dữ liệu.
• Xây dựng mô hình máy học cho việc phân loại độ chín.
• Thử nghiệm và tinh chỉnh các hệ số của mô hình phân loại.

• Đóng gói và triển khai mô hình với thiết bị
• Kiểm tra và đánh giá hoạt động của thiết bị
• Viết báo cáo.
• Bảo vệ luận văn.
III. NGÀY GIAO NHIỆM VỤ: 11/09/2023.
IV. NGÀY HOÀN THÀNH: 28/12/2023.
V. HỌ VÀ TÊN NGƯỜI HƯỚNG DẪN: TS. NGUYỄN MẠNH HÙNG.

CÁN BỘ HƯỚNG DẪN

BM. ĐIỆN TỬ CÔNG NGHIỆP - Y SINH

TRƯỜNG ĐH SPKT TP. HỒ CHÍ MINH
KHOA ĐIỆN-ĐIỆN TỬ
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH

CỘNG HÒA XÃ HỘI CHỦ NGHĨA
VIỆT NAM
Độc lập - Tự do - Hạnh phúc

—————————————–
Tp. HCM, ngày tháng 12 năm 2023

LỊCH TRÌNH THỰC HIỆN KHÓA LUẬN T
...

...
ent Material Systems and Structures, vol. 11, p. 246–257, Apr. 2000.
[12] T. Ota, J. Takahashi, and I. Yamai, “Effect of microstructure on the dielectric property of
ceramics,” Key Engineering Materials, vol. 66–67, p. 185–246, Jan. 1992.
[13] D. Jurafsky and J. H. Martin, Speech and language processing : an introduction to natural
language processing, computational linguistics, and speech recognition. Upper Saddle
River, N.J.: Pearson Prentice Hall, 2009.
[14] T. K. Ho, “Random decision forests,” in Proceedings of 3rd international conference on
document analysis and recognition, vol. 1, pp. 278–282, IEEE, 1995.
[15] M. Fernández-Delgado, E. Cernadas, S. Barro, and D. Amorim, “Do we need hundreds
of classifiers to solve real world classification problems?,” Journal of Machine Learning
Research, vol. 15, no. 90, pp. 3133–3181, 2014.
[16] E. Raczko and B. Zagajewski, “Comparison of support vector machine, random forest and
neural network classifiers for tree species classification on airborne hyperspectral APEX
images,” European Journal of Remote Sensing, vol. 50, pp. 144–154, Jan. 2017.
[17] A. F. Agarap, “Deep learning using rectified linear units (relu),” 2019.
[18] T. Pearce, A. Brintrup, and J. Zhu, “Understanding softmax confidence and uncertainty,”
2021.
[19] F. Pedregosa, G. Varoquaux, A. Gramfort, V. Michel, B. Thirion, O. Grisel, M. Blondel, P. Prettenhofer, R. Weiss, V. Dubourg, J. Vanderplas, A. Passos, D. Cournapeau,
M. Brucher, M. Perrot, and E. Duchesnay, “Scikit-learn: Machine learning in Python,”
Journal of Machine Learning Research, vol. 12, pp. 2825–2830, 2011.
[20] K. M. Ting, Confusion Matrix, pp. 209–209. Boston, MA: Springer US, 2010.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP - Y SINH

85

PHỤ LỤC
Vì chương trình thực thi của thiết bị tương đối là phức tạp và dài cho việc diễn dải cụ thể
trong mục này, nên nhóm thực hiện đề tài đã tải toàn bộ chương trình thực thi kèm với chương
trình phân tích mô hình lên trên Github với đường dẫn sau đây: https://bit.ly/3RrQmpv

Tệp Machine Learning Models Analysis.ipynb bao gồm những phân đoạn code mà nhóm đã
viết cho việc phân tích performance của mô hình thông qua việc thay đổi các thông số của mô
hình và thông số của bộ lọc.

Tệp DeployModel.py là chương trình thực thi chính của Raspberry Pi, chương trình sử dụng
thư viện scikit-learn phiên bản 1.3.2 tương ứng với mô hình huấn luyện được bên Jupyter Notebook. Còn tệp ArduinoCode.ino là chương trình thực thi chính đối với Arduino Nano.