TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH - VIỄN THÔNG

ĐỒ ÁN TỐT NGHIỆP

XÂY DỰNG MÔ HÌNH PHÂN LOẠI TRÁI
CÂY ĐỂ ỨNG DỤNG TRONG HỆ THỐNG
TÍNH TIỀN TỰ ĐỘNG
NGÀNH HỆ THỐNG NHÚNG VÀ IOT

Sinh viên:

ĐỖ MẠNH THẮNG
MSSV: 20139091

TP. HỒ CHÍ MINH – 06/2024

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HỒ CHÍ MINH
KHOA ĐIỆN ĐIỆN TỬ
BỘ MÔN KỸ THUẬT MÁY TÍNH - VIỄN THÔNG

ĐỒ ÁN TỐT NGHIỆP

XÂY DỰNG MÔ HÌNH PHÂN LOẠI TRÁI
CÂY ĐỂ ỨNG DỤNG TRONG HỆ THỐNG
TÍNH TIỀN TỰ ĐỘNG
NGÀNH HỆ THỐNG NHÚNG VÀ IOT

Sinh viên:

ĐỖ MẠNH THẮNG
MSSV: 20139091

Hướng dẫn: PGS.TS Trương Ngọc Sơn

TP. HỒ CHÍ MINH – 06/2024

ĐẠI HỌC SƯ PHẠM KỸ THUẬT TP. HCM

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM

KHOA ĐIỆN - ĐIỆN TỬ

Độc lập – Tự do – Hạnh phúc

***-TP. Hồ Chí Minh, ngày 03 tháng 6 năm 2024

NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
Họ và tên Sinh viên: Đỗ Mạnh Thắng

MSSV: 20139091

Ngành: Hệ thống Nhúng và IOT

Lớp: 20139C

Giảng viên hướng dẫn:
Ngày nhân đề tài: 26/02/2024

Ngày nộp đề tài: 09/06/2024

1. Tên đề tài: Xây dựng mô hình phân loại trái cây để ứng dụng trong hệ thống
tính tiền tự động.
2. Các số liệu, tài liệu ban đầu:
Andrew G. Howard, Mg englonZhu, Bo Chen, Dmitry Kalenichenko, Weijun
Wang, Tobias Weyand, Marco Andreetto and Hartwig Adam, “MobileNets:
Efficient Convolutional Neural Networks for Mobile Vision Applications”, 2017.
M. Sandler, A. Howard, M. Zhu, A. Zhmoginov and L. -C. Chen,
MobileNetV2: Inverted Residuals and Linear Bottlenecks, 2018 IEEE/CVF
Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT,
USA, 2018, pp. 4510-4520, doi: 10.1109/CVPR.2018.00474.

TRƯƠNG NGÀNH

GIẢNG VIÊN HƯỚNG DẪN

BẢN NHẬN XÉT KHÓA LUẬN TỐT NGHIỆP
(Dành cho giảng viên hướng dẫn)
Đề tài: XÂY DỰNG MÔ HÌNH PHÂN LOẠI TRÁI CÂY ĐỂ ỨNG DỤNG TRONG HỆ THỐNG TÍNH TIỀN TỰ
ĐỘNG
Sinh viên:

Đỗ Mạnh Thắng

MSSV: 20139091

Hướng dẫn: PGS.TS Trương Ngọc Sơn
___________________________________________________________________________________________
Nhận xét bao gồm các nội dung sau đây:
1. Tính hợp lý trong cách đặt vấn đề và giải quyết vấn đề ý nghĩa khoa học và thực tiễn:
Đặt vấn đề rõ ràng, mục tiêu cụ thể đề tài có tính mới, cấp thiết đề tài có khả năng ứng dụng, tính sáng tạo.

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

...
enko,
Weijun Wang, Tobias Weyand, Marco Andreetto and Hartwig Adam,
“MobileNets: Efficient Convolutional Neural Networks for Mobile Vision
Applications”, 2017.
[8]. Sik-Ho Tsang. Review: Mobilenetv1 — depthwise separable
convolution (lightweight model). URL https://towardsdatascience.com/reviewmobilenetv1-depthwise-separable-convolution-light-weight-model-a382df364b69.
Ac cessed: 2019-10-25.
50

[9]. Chollet, F. (2017). Xception: Deep Learning with Depthwise Separable
Convolutions. In Conference on Computer Vision and Pattern Recognition
(CVPR) (pp. 2017). https://ieeexplore.ieee.org/document/8099678
[10]. M. Sandler, A. Howard, M. Zhu, A. Zhmoginov and L. -C. Chen,
MobileNetV2: Inverted Residuals and Linear Bottlenecks, 2018 IEEE/CVF
Conference on Computer Vision and Pattern Recognition, Salt Lake City, UT,
USA, 2018, pp. 4510-4520, doi: 10.1109/CVPR.2018.00474.
[11]. Paolo Dell’Aversana, “Cross-disciplinary Machine Learning Part 2:
Applications in medical sciences, music, images, geosciences and natural
language analysis”, 2020.
[12]. S. Chennupati, Hierarchical Decomposition of Large Deep
Networks, Masters thesis, Rochester Institute of Technology, 2016.
[13]. R. S. Samosir, E. Abdurachman, F. L. Gaol, và B. S. Sabarguna,
Hybrid method architecture design of MRI brain tumors image segmentation,
ICIC Express Letters, vol. 14, no. 12, pp. 1177-1184, 2020.
[14]. A. A. Yahya, J. Tan, và M. Hu, A Novel Handwritten Digit
Classification System Based on Convolutional Neural Network Approach,
Sensors, vol. 21, no. 18, p. 6273, 2021.
[15]. K. P. Mensah, A. F. Adekoya, A. A. Mighty, và E. Y. Baagyire,
Capsule Networks – A survey, Journal of King Saud University - Computer and
Information Sciences, vol. 34, no. 1, 2019.
[16]. S. Trivedi, MixConv — An understanding of a new paradigm of
depthwise convolution operation developed by Google Research Team, Medium,
28 Jun 2020. [Online]. Available: https://medium.com/visionwizard/mixconvmixed-depthwise-convolutional-kernels-from-google-brain-628cf5802264.
[Accessed: 21-Jun-2024].
[17]. M. Tan và Q. V. Le, MixConv: Mixed Depthwise Convolutional
Kernels, in Proceedings of the British Machine Vision Conference (BMVC),
2019.

51

[18]. N. M. Dipu, S. A. Shohan, và K. M. A. Salam, Ocular Disease
Detection Using Advanced Neural Network Based Classification Algorithms,
Asian Journal of Convergence in Technology, vol. 7, no. 2, pp. 91-99, Aug. 2021.
DOI: 10.33130/AJCT.2021v07i02.019.

52