TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HCM
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH – VIỄN THÔNG

KHÓA LUẬN TỐT NGHIỆP

ỨNG DỤNG DEEP LEARNING TRONG VIỆC XỬ LÝ
HÌNH ẢNH CHO DRONE GIAO HÀNG TỰ ĐỘNG
NGÀNH HỆ THỐNG NHÚNG VÀ IOT

Sinh viên:

NGUYỄN ĐÌNH ĐỨC THỌ
MSSV: 20139092
NGUYỄN AN MINH TRIẾT
MSSV: 20139093

Hướng dẫn:

TS. HUỲNH THẾ THIỆN

TP. HỒ CHÍ MINH - 01/2025

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HCM
KHOA ĐIỆN – ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH – VIỄN THÔNG

KHÓA LUẬN TỐT NGHIỆP

ỨNG DỤNG DEEP LEARNING TRONG VIỆC XỬ LÝ
HÌNH ẢNH CHO DRONE GIAO HÀNG TỰ ĐỘNG
NGÀNH HỆ THỐNG NHÚNG VÀ IOT

Sinh viên:

NGUYỄN ĐÌNH ĐỨC THỌ
MSSV: 20139092
NGUYỄN AN MINH TRIẾT
MSSV: 20139093

Hướng dẫn:

TS. HUỲNH THẾ THIỆN

TP. HỒ CHÍ MINH - 01/2025

LỜI CẢM ƠN
Khóa luận tốt nghiệp này là kết quả của một hành trình dài, nơi tôi may mắn nhận
được sự hỗ trợ quý báu từ nhiều phía. Tôi xin gửi lời tri ân sâu sắc đến quý Thầy Cô
khoa Điện - Điện tử, trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, đặc
biệt là các Thầy Cô chuyên ngành Hệ thống nhúng và IoT, và các bạn cùng khóa đã luôn
đồng hành, chia sẻ kiến thức và kinh nghiệm để tôi hoàn thiện đề tài. Tôi xin bày tỏ lòng
biết ơn sâu sắc đến Thầy Huỳnh Thế Thiện, người đã dành nhiều tâm huyết hướng dẫn
và định hướng cho tôi trong suốt quá trình thực hiện khóa luận. Nhờ sự chỉ bảo tận tình
của Thầy, tôi đã có thể hoàn thiện đề tài này. Tôi hiểu rằng, dù đã nỗ lực rất nhiều nhưng
khóa luận chắc chắn vẫn còn những thiếu sót. Rất mong nhận được sự góp ý chân thành
từ quý Thầy Cô để tôi có thể cải thiện và phát triển đề tài này trong tương lai. Xin trân
trọng cảm ơn!

Sinh viên thực hiện khóa luận tốt nghiệp
(Ký và ghi rõ họ tên)

Nguyễn Đình Đức Thọ

i

Nguyễn An Minh Triết

LỜI CAM ĐOAN
Chúng tôi gồm Nguyễn Đình Đức Thọ, mã số sinh viên 20139092 và Nguyễn An
Minh Triết, mã số sinh viên 20139093, sinh viên ngành Hệ thống nhúng và IoT, khoa
Điện - Điện tử, trường Đại học Sư phạm Kỹ thuật thành phố Hồ Chí Minh, xin cam đoan
rằng khóa luận tốt nghiệp với đề tài Ứng dụng Deep learning trong việc xử lý hình ảnh
cho drone giao hàng tự động là kết quả của quá trình nghiên cứu độc lập và sáng tạo
của nhóm, dưới sự hướng dẫn tận tình của giảng viên. Chúng tôi khẳng định rằng toàn
bộ nội dung trong khóa luận, bao gồm ý tưởng, thiết kế, phân tích và kết quả, đều là sản
phẩm trí tuệ độc lập của nhóm, và chúng tôi đã tuân thủ nghiêm ngặt các nguyên tắc đạo
đức trong nghiên cứu khoa học, không sao chép hoặc sử
...

...
” in Proceedings of the IEEE Conference on Computer Vision and Pattern
Recognition (CVPR), 2016.
[21] F. Chollet, “Xception: Deep learning with depthwise separable convolutions,” in
Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition
(CVPR), 2017.
[22] T.-Y. Lin, P. Dollár, R. Girshick, K. He, B. Hariharan, and S. Belongie, “Feature
pyramid networks for object detection,” in Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognition (CVPR), 2017.
[23] E. Real, A. Aggarwal, Y. Huang, and Q. V. Le, “Regularized evolution for image
classifier architecture search,” in Proceedings of the AAAI Conference on Artificial
Intelligence (AAAI), 2019.
[24] M. Tan, R. Pang, and Q. V. Le, “Efficientdet: Scalable and efficient object detection,” in Proceedings of the IEEE Conference on Computer Vision and Pattern
Recognition (CVPR), 2020.

71

[25] A. Vaswani and Shazeer, “Attention is all you need,” Advances in Neural Information Processing Systems (NeurIPS), vol. 30, 2017.
[26] S. Li, L. Liang, S. Zhang, Y. Zhang, A. Plaza, and X. Wang, “End-to-end convolutional network and spectral-spatial transformer architecture for hyperspectral
image classification,” Remote Sensing, vol. 16, no. 2, p. 325, 2024.
[27] S. Woo, J. Park, J.-Y. Lee, and I. S. Kweon, “Cbam: Convolutional block attention
module,” in Proceedings of the European Conference on Computer Vision (ECCV).
Springer, September 2018, pp. 3–19.
[28] A. Buslaev, V. Iglovikov, and A. Shvets, “Albumentations: Fast and flexible image
augmentation library,” arXiv preprint arXiv:2006.10771, 2020.
[29] T. Graz,
“Semantic drone dataset,”
2020. [Online].
https://www.iic.tugraz.at/research/semantic-drone-dataset/

Available:

[30] S. Speth, Gonçalves et al., “Deep learning with rgb and thermal images onboard a
drone for monitoring operations,” Journal of Field Robotics, pp. 1–29, 2022.
[31] G. Csurka, D. Larlus, F. Perronnin, and F. Meylan, “What is a good evaluation
measure for semantic segmentation?” in Proceedings of the 24th British Machine
Vision Conference (BMVC), vol. 27. University of Bristol, 2013.
[32] I. Loshchilov and F. Hutter, “Decoupled weight decay regularization,” in Proceedings of the 31st International Conference on Neural Information Processing Systems (NeurIPS), 2017.
[33] L. N. Smith, “Cyclical learning rates for training neural networks,” in Proceedings
of the IEEE Winter Conference on Applications of Computer Vision (WACV), 2017.

72