TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN - ĐIỆN TỬ

ĐỒ ÁN TỐT NGHIỆP
Chuyên ngành Điện Công Nghiệp
ĐỀ TÀI:

THIẾT KẾ HỆ THỐNG PHÁT HIỆN VÀ NHẬN DIỆN
SẢN PHẨM CHO QUẦY BÁN HÀNG TỰ ĐỘNG SỬ
DỤNG PHƯƠNG PHÁP HỌC THÍCH ỨNG MIỀN
GVHD:

TS. TRẦN VŨ HOÀNG

SVTH:

ĐẶNG CÔNG TY

MSSV:

19142415

KHÓA:

2019

NGÀNH:

CÔNG NGHỆ KỸ THUẬT ĐIỆN-ĐIỆN TỬ

TP.HCM, tháng 6 năm 2023

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

THÔNG TIN KHÓA LUẬN TỐT NGHIỆP
1. Thông tin sinh viên
Họ và tên sinh viên: Đặng Công Ty

MSSV: 19142415

Email: [email protected]

Điện thoại: 0792546076

2. Thông tin đề tài
- Tên của đề tài: THIẾT KẾ HỆ THỐNG PHÁT HIỆN VÀ NHẬN DIỆN SẢN PHẨM
CHO QUẦY BÁN HÀNG TỰ ĐỘNG SỬ DỤNG PHƯƠNG PHÁP HỌC THÍCH ỨNG
MIỀN
- Đơn vị quản lý: Bộ môn Điện Công nghiệp, Khoa Điện - Điện Tử, Trường Đại Học
Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh.
- Thời gian thực hiện: Từ ngày 14/02/2023 đến ngày 30/06/2023.
3. Lời cam đoan của sinh viên
Chúng tôi – cam đoan Khóa Luận Tốt Nghiệp là công trình nghiên cứu của chúng tôi
dưới sự hướng dẫn của TS. Trần Vũ Hoàng. Kết quả công bố trong Khóa Luận Tốt
Nghiệp là trung thực và không sao chép từ bất kỳ công trình nào khác.
Tp. HCM, ngày 01 tháng 07 năm 2023
Nhóm sinh viên thực hiện đồ án

_____________________________________________________________________
Tp. HCM, ngày 01 tháng 07 năm 2023

Tp. HCM, ngày 01 tháng 07 năm 2023

Giảng viên hướng dẫn

Bộ môn Điện Công nghiệp

i

ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP.HCM
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN: ĐIỆN CÔNG NGHIỆP

BẢNG NHẬN XÉT VÀ ĐÁNH GIÁ CỦA GIÁO VIÊN HƯỚNG DẪN
I. TÓM TẮT NỘI DUNG CHÍNH
Thiết kế hệ thống phát hiện và nhận dạng sản phẩm được sử dụng tại các cửa hàng bán
hàng tự động khi chỉ sử dụng dữ liệu tổng hợp để huấn luyện.
II. MÔ TẢ ĐỀ TÀI
Đề tài đề xuất áp dụng kỹ thuật học thích ứng miền (Domain Adaptation) bằng cách kết
hợp kỹ thuật học đối nghịch (Adversarial Learning) vào quá trình huấn luyện mô hình
YOLOv8 nhằm giảm sự khác biệt trên miền đặc trưng giữa dữ liệu tổng hợp và dữ liệu
thực tế. Từ đó, hệ thống phát hiện và nhận dạng sản phẩm được huấn luyện trên các dữ
liệu tổng hợp vẫn có thể hoạt động tốt trên dữ liệu thực tế
II.1. Tính cần thiết
Việc kết hợp kỹ thuật học thích ứng miền sẽ giúp tiết kiệm thời gian và công sức thu
thập một lượng dữ liệu lớn cho việc huấn luyện.
II.2. Bài toán đặt ra (Nội dung cần giải quyết)
Chỉ sử dụng tập dữ liệu tổng hợp đến để huấn luyện nhưng sẽ đánh giá trên tập dữ liệu
t
...

...
Learn. Represent. ICLR 2017 Conf. Track Proc., pp. 1–17, 2017.
[30] M. Arjovsky, S. Chintala, and L. Bottou, “Wasserstein GAN,” 2017, [Online].
Available: http://arxiv.org/abs/1701.07875
[31] Y. Ganin et al., “Domain-adversarial training of neural networks,” Adv. Comput.
Vis. Pattern Recognit., vol. 17, no. 9783319583464, pp. 189–209, 2017, doi:
10.1007/978-3-319-58347-1_10.
[32] K. Bousmalis, N. Silberman, D. Dohan, D. Erhan, and D. Krishnan,
“Unsupervised pixel-level domain adaptation with generative adversarial
networks,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition, CVPR
2017, vol. 2017-Janua, pp. 95–104, 2017, doi: 10.1109/CVPR.2017.18.
[33] E. Tzeng, J. Hoffman, K. Saenko, and T. Darrell, “Adversarial discriminative
domain adaptation,” Proc. - 30th IEEE Conf. Comput. Vis. Pattern Recognition,
CVPR 2017, vol. 2017-Janua, pp. 2962–2971, 2017, doi:
10.1109/CVPR.2017.316.
[34] P. Russo, F. M. Carlucci, T. Tommasi, and B. Caputo, “From Source to Target
and Back: Symmetric Bi-Directional Adaptive GAN,” Proc. IEEE Comput. Soc.
Conf. Comput. Vis. Pattern Recognit., pp. 8099–8108, 2018, doi:
10.1109/CVPR.2018.00845.
[35] “Compare YOLOv8.” https://www.stereolabs.com/blog/performance-of-yolov5-v7-and-v8/
[36] C. Feng, Y. Zhong, Y. Gao, M. R. Scott, and W. Huang, “TOOD: Task-aligned
One-stage Object Detection,” Proc. IEEE Int. Conf. Comput. Vis., pp. 3490–
3499, 2021, doi: 10.1109/ICCV48922.2021.00349.
[37] S. Woo, J. Park, J. Y. Lee, and I. S. Kweon, “CBAM: Convolutional block
attention module,” Lect. Notes Comput. Sci. (including Subser. Lect. Notes Artif.
Intell. Lect. Notes Bioinformatics), vol. 11211 LNCS, pp. 3–19, 2018, doi:
10.1007/978-3-030-01234-2_1.
39

[38] K. M. Ting, “Precision and Recall BT - Encyclopedia of Machine Learning,” C.
Sammut and G. I. Webb, Eds. Boston, MA: Springer US, 2010, p. 781. doi:
10.1007/978-0-387-30164-8_652.
[39] P. Henderson and V. Ferrari, “End-to-end training of object class detectors for
mean average precision,” Lect. Notes Comput. Sci. (including Subser. Lect.
Notes Artif. Intell. Lect. Notes Bioinformatics), vol. 10115 LNCS, pp. 198–213,
2017, doi: 10.1007/978-3-319-54193-8_13.
[40] H. Zhang, M. Cisse, Y. N. Dauphin, and D. Lopez-Paz, “MixUp: Beyond
empirical risk minimization,” 6th Int. Conf. Learn. Represent. ICLR 2018 Conf. Track Proc., pp. 1–13, 2018.

40

PHỤ LỤC
Code các module và chương trình chính của hệ thống:
Link github: CongTyy/automated_retail_checkout (github.com)

41