Nghiên cứu, thiết kế, chế tạo thiết bị thử kín nước áp dụng cho nhóm trang thiết bị đi kèm người nhái

NGHIÊN CỨU, THIẾT KẾ, CHẾ TẠO
THIẾT BỊ THỬ KÍN NƯỚC ÁP DỤNG CHO
NHÓM TRANG THIẾT BỊ ĐI KÈM NGƯỜI NHÁI
Đặng Ngọc Tú, Nguyễn Trọng Thắng
Trung tâm Giám định Chất lượng
Cục Tiêu chuẩn - Đo lường - Chất lượng/BTTM/Bộ Quốc phòng
Email: ,
Tóm tắt: Trong bài báo này, nhóm tác giả trình bày giải pháp thiết kế,
chế tạo thiết bị thử kín nước đến áp suất 0,7 MPa (tương đương áp
suất nước ở độ sâu 71,38 mH2O tại 4 °C) để kiểm tra khả năng kín
nước kết hợp kiểm tra khả năng hoạt động của các thiết bị hoạt động
trong môi trường nước dưới tác động của áp suất. Thiết bị sử dụng
các cảm biến để đo áp suất và được vận hành thông qua máy tính
điều khiển. Thiết bị giúp tiết kiệm chi phí, thời gian, nguồn nhân lực
trong việc tổ chức kiểm tra, đánh giá khả năng kín nước cũng như
khả năng hoạt động của các thiết bị trong môi trường biển thực tế;
góp phần giúp giám định viên, thử nghiệm viên đánh giá chính xác
chất lượng của nhóm vũ khí trang bị hoạt động trong môi trường
nước; giúp các đơn vị trong Bộ Quốc phòng trong việc khai thác,
đảm bảo kỹ thuật cũng như đảm bảo an toàn cho cán bộ, chiến sỹ khi
sử dụng nhóm vũ khí trang bị này khi làm nhiệm vụ.

phục vụ thử nghiệm rất cao do phải huy động tàu, thuyền và
số lượng nhân lực lớn.
Vấn đề cấp thiết đặt ra đối với Trung tâm Giám định
Chất lượng/Cục Tiêu chuẩn - Đo lường - Chất lượng là phải
có một hệ thống (thiết bị) tạo được áp suất môi trường nước
với độ sâu tương ứng để thử nghiệm khả năng kín nước kết
hợp kiểm tra khả năng hoạt động của nhóm các vũ khí, trang
bị kỹ thuật khi hoạt động ở môi trường này để đảm bảo đánh
giá chính xác về chất lượng của vũ khí trang bị, góp phần giúp

đơn vị trong việc khai thác, đảm bảo kỹ thuật cho vũ khí trang
bị cũng như an toàn cho cán bộ chiến sỹ khi sử dụng nhóm các
vũ khí trang bị kỹ thuật này khi làm nhiệm vụ.
Xuất phát từ tất cả những vấn đề đã phân tích ở trên, nhóm
tác giả đã thực hiện sáng kiến cải tiến kỹ thuật “Thiết kế, chế
tạo Thiết bị thử kín nước đến áp suất 0,7 MPa tương đương áp
suất ở độ sâu 71,38 mH2O tại 4 oC”.
Phần còn lại của bài báo được tổ chức như sau: Trong phần
II, chúng tôi miêu tả giải pháp kỹ thuật. Phần III đưa ra sơ đồ
khối, phần mềm điều khiển của thiết bị. Phần IV cung cấp kết
quả của các phép đo đã áp dụng chương trình đề xuất. Cuối
cùng, chúng tôi kết luận bài báo trong phần V.

Từ khóa: Kín nước; Tự động; Cảm biến; LabVIEW.

I.

GIỚI THIỆU

Trung tâm Giám định Chất lượng/Cục Tiêu chuẩn - Đo
lường - Chất lượng/Bộ Quốc phòng có chức năng nhiệm vụ
trọng tâm là giám định, thẩm định, thử nghiệm chất lượng vũ
khí trang bị kỹ thuật, sản phẩm hàng hóa quốc phòng mua
sắm, nhập khẩu trong cho các đơn vị trong Quân đội.
Hiện nay Trung tâm Giám định Chất lượng nói riêng và đa
số các cơ sơ đo lường - chất lượng khác nói chung chưa có
thiết bị kiểm tra, thử nghiệm khả năng kín nước cho các trang
bị chuyên dụng hoạt động ở các độ sâu khác nhau trong môi
trường nước. Đây lại là nhóm hàng hóa rất phổ biến mà các
đơn vị như Quân chủng Hải quân, Bộ Tư lệnh Cảnh sát biển,

Binh chủng Đặc công mua sắm, nhập khẩu trong các năm gần
đây.
Các thiết bị thử kín nước của một số đơn vị trong Quân đội
còn thô sơ, được điều khiển bằng tay, không có chế độ sefttest kiểm tra tính chính xác và ổn định của các đồng hồ hoặc
cảm biến đo áp suất, cơ chế an toàn và bảo vệ cho thiết bị còn
hạn chế, có kích thước và khối lượng cồng kềnh không thể cơ
động được và đặc biệt quan trọng là tính năng thử nghiệm
không đáp ứng được các yêu cầu của các trang bị kỹ thuật mua
sắm, nhập khẩu của các đơn vị. Trong quá trình thử nghiệm
thực tế khả năng kín nước của các nhóm trang bị này ở điều
kiện thực tế ở cửa sông, ngoài biển phụ thuộc nhiều vào nhiều
yếu tố như: thời tiết, vị trí, độ sâu thực tế và đặc biệt là chi phí

II.

GIẢI PHÁP KỸ THUẬT

Thiết bị thử kín nước TKN-GĐCL-19 tạo ra môi trường
áp suất nước đến 0,7 MPa (tương đương với áp suất ở độ sâu
71,38 mH2O tại 4 oC) để thử nghiệm khả năng kín nước kết
hợp kiểm tra khả năng làm việc của các thiết bị hoạt động
trong môi trường nước dưới tác động của áp suất.
Nguyên lý áp suất chất lỏng:
Áp suất thực tế trong môi trường chất lỏng tại điểm (t), có
độ sâu h1:
Ptương đối = ρ.g.h
Trong đó:
P tương đối : Áp suất tương đối tại điểm (t) trong chất lỏng [Pa]
ρ : Khối lượng riêng của chất lỏng [kg/m3]
g : Gia tốc trọng trường [m/s2]

h : Chiều cao cột chất lỏng tính từ điểm (t) đến mặt thoáng [m]
Ta có khối lượng riêng của nước là 1.000 kg/m3 tại 4 oC,
gia tốc trọng trường theo giá trị tiêu chuẩn bằng 9,8066 m/s2.

68


III.

Từ đó, ta có bảng tính toán giữa áp suất tương đối và độ sâu
trong môi trường nước tại 4 oC như sau:
Áp suất tương đối trong
Độ sâu cột nước
môi trường nước
tại 4 oC tương ứng
1
0,1 MPa = 100.000 Pa
10,1972 m
2
0,2 MPa = 200.000 Pa
20,3944 m
3
0,3 MPa = 300.000 Pa
30,5916 m
4
0,4 MPa = 400.000 Pa
40,7888 m
5
0,5 MPa = 500.000 Pa
50,9860 m

6
0,6 MPa = 600.000 Pa
61,1832 m
7
0,7 MPa = 700.000 Pa
71,3804 m
Thiết bị thử kín nước TKN-GĐCL-19 mô phỏng lại áp suất
tương đối trong môi trường nước để kiểm tra khả năng kín
nước của thiết bị trong bình thử nghiệm theo giải pháp như sau:
Theo định luật Pascal: Áp suất chất lỏng do ngoại lực tác
dụng lên mặt thoáng được truyền nguyên vẹn tới mọi điểm
trong lòng chất lỏng;
Vận dụng định luật Pascal, trong bình thử nghiệm của Thiết
bị thử kín nước TKN-GĐCL-19 gồm có hai môi chất là nước
và không khí, khi nén phần khí ở trong bình làm tăng áp suất
khí trong bình đến P khí BTN, khi đó áp suất tại đáy bình sẽ được
xác định theo công thức:
P tại đáy BTN = P khí BTN + ρ1.g.h1
Trong đó:
P tại đáy BTN : Áp suất tại đáy bình thử nghiệm [Pa]
Pkhí BTN : Áp suất khí nén trong bình thử nghiệm [Pa]
ρ1 : Khối lượng riêng của chất lỏng trong bình thử nghiệm [kg/m3]
g : Gia tốc trọng trường [m/s2]
h1 : Chiều cao cột nước tính từ mặt thoáng đến đáy bình thử
nghiệm [m]
Áp suất tạo ra tại đáy bình thử nghiệm (P tại đáy BTN) của
Thiết bị thử kín nước TKN-GĐCL-19 chính là áp suất tương
đối trong môi trường nước cần mô phỏng để kiểm tra khả năng
kín nước của các thiết bị.
Môi chất sử dụng trong bình thử nghiệm của thiết bị thử kín

nước TKN-GĐCL-19 là nước tinh khiết (khối lượng riêng xấp
xỉ bằng 1.000 kg/m3 ) và không khí. Cột nước tinh khiết trong
bình thử nghiệm có chiều cao là 0,5 m và lấy gia tốc trọng
trường bằng 9,8066 m/s2 nên áp suất tạo ra của cột nước được
tính như sau:
Pcột nước = ρ1.g.h1 = 0,0049033 MPa
Áp suất của cột nước trong bình thử nghiệm là rất nhỏ nên
có thể lấy xấp xỉ áp suất tại đáy bình thử nghiệm bằng áp suất
khí trong bình thử nghiệm:
Ptại đáy BTN ≈ Pkhí BTN
Để mô phỏng lại áp suất tương đối trong môi trường nước
trong bình thử nghiệm, Thiết bị thử kín nước TKN-GĐCL-19
sử dụng máy nén khí để tạo áp suất khí trong bình thử nghiệm
đến áp suất mong muốn, lắp ráp các cảm biến và đồng hồ đo
áp suất tương đối để đo áp suất trong bình thử nghiệm.
Sử dụng ngôn ngữ lập trình Labview xây dựng phần mềm
thu thập, xử lý và hiển thị dữ liệu từ các cảm biến áp suất (sử
dụng các thuật toán bù độ lệch theo các hàm fit đã khảo sát),
kết hợp kỹ thuật vi xử lý giúp thiết bị hoạt động có độ ổn định
cao, đảm bảo tính chính xác cho phép đo áp suất đồng thời
điều khiển tự động quá trình tăng, giảm áp suất trong bình thử
nghiệm.

SƠ ĐỒ KHỐI, CHẾ ĐỘ HOẠT ĐỘNG, PHẦN MỀM
ĐIỀU KHIỂN

1. Sơ đồ khối của thiết bị

TT

V1

S1'

P1

V5

2

S1

V3

1
V4

B

3

3
2

V7

1

V6

P

Si

Ghi chú:

BT

S2

V2

BT: Bình thử
B: Nút chặn khí
P: Máy nén khí
Si: Nút giảm thanh
S1,2: Cảm biến áp suất
S1',2': Cảm biến áp suất (tuỳ chọn thêm)
V1: Van an toàn
V2: Van thoát nước
V3: Van nạp/thoát khí
V4,7: Van điện từ 3/2
V5: Van một chiều khí nén
V6: Van điều áp
P1: Đồng hồ kim đo áp suất khí nén
S2'

Hình 1. Sơ đồ khối bình thử nghiệm áp suất nước
Nguồn
một chiều

(+ 12 V, + 24 V)

220 VAC

Nguồn xoay
chiều
220 V/50 Hz

Máy tính có
chương trình
điều khiển

Vi xử lý
LabVIEW

Bo mạch
Arduino

10 bit

ADC

12 VDC

Bo mạch
Arduino

Mức
thấp/
Mức

cao

Hệ thống chuyển
mạch
Relay NO-NC

Ghi chú:
Tín hiệu số

24 VDC

220 VAC
12 VDC

Cảm biến áp suất
S1,S1',S2,S2'

Van điện từ 3/2
V 4, V 7

Tín hiệu tương tự
Nguồn cung cấp

Khởi động từ
220 V/50 Hz

Máy nén khí P

Hình 2. Sơ đồ thiết bị - Phần điều khiển

Thiết bị bao gồm các khối cơ bản sau:
- Máy tính điều khiển;
- Vi mạch điều khiển, hệ thống van khí (được tích hợp trong
vali kỹ thuật);
- Bình thử nghiệm;
- Máy nén khí.
2. Chế độ hoạt động của thiết bị
Thiết bị có 03 chế độ làm việc được điều khiển từ phần
mềm được cài đặt trong máy tính:
- Chế độ tự kiểm tra Self-Test;
- Chế độ thử nghiệm thủ công Manual;
- Chế độ thử nghiệm tự động Auto.
Đối tượng thử nghiệm (Equipment under Test - EUT) là
các thiết bị hoạt động trong môi trường nước, cần đánh giá
kiểm tra sự kín nước cũng như khả năng hoạt động trong môi
trường nước dưới tác động của áp suất.
Các bước kiểm tra, thử nghiệm kín nước gồm 04 bước:
Bước 1: Thử nghiệm viên kiểm tra EUT trước khi thử
nghiệm gồm: Kiểm tra ngoại quan, tình trạng bên ngoài (bao
gồm sự kín khít của thiết bị); sau đó thông điện kiểm tra khả
năng hoạt động của thiết bị (ghi lại các thông số kiểm tra nếu
cần thiết);
Bước 2: Thử nghiệm viên kiểm tra thiết bị thử kín nước
TKN-GĐCL-19 trước khi thử nghiệm bao gồm đánh giá khả
năng hoạt động của toàn bộ thiết bị đồng bộ thuộc hệ thống,

69


3. Phần mềm điều khiển

Trong mục này sẽ mô tả chi tiết về phần mềm điều khiển
thiết bị với 3 chế độ hoạt động: Chế độ tự kiểm tra Self-Test,
chế độ thử nghiệm thủ công Manual, chế độ thử nghiệm tự
động Auto. Giao diện chính được chia ra làm 6 phần:
- Phần 1: Thông tin chung về phần mềm, nhóm tác giả
thực hiện;
- Phần 2: Thông tin về EUT: tên gọi, ký hiệu, số hiệu, hãng
sản xuất/đơn vị sản xuất, xuất xứ, năm sản xuất;
- Phần 3: Cấu hình phép thử bao gồm: Cấu hình lựa chọn
cảm biến áp suất; chọn địa chỉ giao tiếp với Arduino; thiết lập
mức áp suất thử (Plimit); địa chỉ file báo cáo mẫu;
- Phần 4: Chế độ tự kiểm tra thiết bị Self-Test, khi bấm vào
nút thử trong mục này, phần mềm sẽ chuyển sang giao diện
Self-Test (chi tiết xem mục 4.4.1). Sau khi Self-Test được
thực hiện, chương trình sẽ về giao diện chính và tại mục SelfTest sẽ có đồ thị áp suất như trong Hình 3;
- Phần 5: Chế độ thủ công/tự động Manual/Auto, khi bấm
vào nút thử trong mục này, phần mềm sẽ chuyển sang giao
diện Manual hoặc Auto (chi tiết xem mục 4.4.2 và mục 4.4.3).
Kết thúc quá trình thử, chương trình sẽ về giao diện chính và
tại mục này sẽ có đồ thị áp suất như trong Hình 3;
- Phần 6: Phím LƯU&DỪNG có chức năng lập báo cáo
căn cứ theo các đồ thị thử nghiệm được tạo ra ở Phần 5. Sau
đó, kết thúc chương trình

tính chính xác của các cảm biến đo áp suất, khả năng điều
khiển của phần mềm (Chế độ Seft- Test);
Trước mỗi một lần thử, Chế độ Seft-Test có vai trò quan
trọng, đặc biệt đối với đặc thù thiết bị phải thường xuyên di
chuyển, chế độ này giúp thử nghiệm viên đánh giá nhanh khả
năng hoạt động của thiết bị, cụ thể như sau:

- Kiểm tra độ ổn định và tính chính xác của các cảm biến
đo áp suất: Các cảm biến được sử dụng đều phải đảm bảo độ
ổn định và độ chính xác. Quá trình Seft-Test đưa ra đồ thị đặc
tuyến áp suất theo thời gian của các cảm biến, nhờ đó giúp thử
nghiệm viên đánh giá được tính ổn định của các cảm biến theo
thời gian (trường hợp đối chiếu đặc tuyến của các cảm biến,
một trong các cảm biến có giá trị tăng/giảm bất thường so với
các cảm biến khác thì thử nghiệm viên có thể đánh giá cảm
biến đó đang không bình thường so với các cảm biến khác).
Về độ chính xác của các cảm biến, thiết bị được trang bị một
đồng hồ kim đo áp suất, đảm bảo độ chính xác và có hiệu lực
kiểm định/hiệu chuẩn giúp thử nghiệm viên có thể đối chiếu
trực tiếp giá trị hiển thị trên các cảm biến và trên đồng hồ kim;
- Kiểm tra khả năng hoạt động của phần mềm điều khiển,
hoạt động của máy nén khí (bằng việc điều khiển bật/tắt máy
nén khí) và các thiết bị đồng bộ khác (kiểm tra việc đóng/mở
của các van điện từ khí nén 3/2, kiểm tra ngõ thoát khí...).
Bước 3: Sau khi đã đánh giá được khả năng hoạt động của
thiết bị, thử nghiệm viên đưa EUT vào trong bình thử nghiệm,
vận hành thiết bị thử kín nước TKN-GĐCL-19 tạo áp suất
trong bình thử nghiệm thông qua phần mềm điều khiển được
cài đặt trong máy tính. Thử nghiệm viên có thể chọn hai chế
độ thử nghiệm:
Thử nghiệm tự động Auto: Thử nghiệm viên thiết lập chu
trình tăng, giảm áp (mức áp suất thử nghiệm, thời gian thử
nghiệm, các bước tăng/giảm áp suất, thời gian nghỉ giữa các
bước tăng/giảm áp suất) trong bình thử nghiệm trên phần mềm
điều khiển. Quá trình tăng, giảm áp trong bình thử nghiệm
được thực hiện hoàn toàn tự động bởi phần mềm điều khiển
theo chu trình đã định sẵn do thử nghiệm viên thiết lập.

Thử nghiệm thủ công Manual: Đối với trường hợp thử
nghiệm phức tạp như các bước tăng/giảm áp, thời gian nghỉ
giữa các bước không tuân theo một quy luật tuần hoàn vì vậy
quá trình thử nghiệm tự động không thể đáp ứng được, do đó
chế độ thử nghiệm thủ công là cần thiết. Khi đó, quá trình
tăng/giảm áp trong bình thử nghiệm được điều khiển bởi thử
nghiệm viên bằng các núm, nút mềm trên phần mềm điều
khiển;
Bước 4: Thử nghiệm viên kiểm tra EUT sau khi kết thúc
thử nghiệm, đánh giá lại khả năng hoạt động, sự kín khít của
thiết bị.
Đối với mỗi EUT khác nhau thì phương pháp đánh giá,
kiểm tra khả năng hoạt động và sự kín khít của từng thiết bị sẽ
khác nhau.

Hình 3. Giao diện chính của phần mềm điều khiển

4. Lưu đồ thuật toán
Lưu đồ thuật toán được nêu trong Hình 4.
Trong chế độ tự kiểm tra thiết bị Self-Test, các cảm biến
sẽ gửi tín hiệu liên tục về bo mạch Arduino qua các kênh A2,
A3, A4, A5 (tương ứng với mỗi kênh là 1 cảm biến áp suất,
thiết bị hỗ trợ tối đa 4 cảm biến – cấu hình tối thiểu là 1 cảm
biến áp suất nước, 1 cảm biến áp suất khí; cấu hình tối đa là
2 cảm biến áp suất nước, 2 cảm biến áp suất khí), với tần số
15 lần lấy mẫu cho một lần hiển thị giá trị, giá trị điện áp thu
thập từ cảm biến được tính trung bình, sau đó bằng thuật
toán nội suy (theo công bố của nhà sản xuất cảm biến) phần
mềm sẽ quy đổi từ giá trị điện áp sang giá trị áp suất. Bơm
khí vào bình để giá trị đo áp suất của các cảm biến nằm trong

dải 0,4 MPa ± 10 %, duy trì độ ổn định áp suất trong bình
trong khoảng 5 phút. Vẽ đồ thị đặc tuyến áp suất theo thời

70


bơm khí vào bình thử, và duy trì áp suất trong khoảng thời
gian đã được thiết lập trước khi thử, rồi tiến hành xả khí theo
chu trình đã thiết lập ban đầu. Nếu Ptb nằm ngoài dải nêu trên,
thì phần mềm sẽ tự tối ưu điều chỉnh các van điện từ và máy
nén khí như được nêu trong lưu đồ thuật toán.
Chú ý:
- Như sơ đồ đã nêu ở Hình 1, thiết bị hỗ trợ tối đa 4 cảm
biến áp suất đặt tại các vị trí khác nhau, trong đó tối đa là 2 vị
trí đo áp suất khí (được ký hiệu là S1 và S1’), 2 vị trí đo áp suất
nước (được ký hiệu là S2 và S2’) và tối thiểu là 1 vị trí đo áp
suất khí (S1), 1 vị trí đo áp suất nước (S2). Trong chế độ thử
thủ công và chế độ thử tự động, chỉ hiển thị 2 giá trị đo, 1 là
giá trị đo áp suất nước và 1 là giá trị đo áp suất khí, khi đó nếu
có nhóm cảm biến (nhóm đo áp suất nước và nhóm đo áp suất
khí) có 2 cảm biến thì giá trị hiển thị là giá trị trung bình cộng
của 2 cảm biến, nếu có nhóm nào chỉ có 1 cảm biến thì giá trị
hiển thị là giá trị của riêng cảm biến đó.
- Giá trị Ptb là giá trị được lấy theo trung bình cộng của các
cảm biến đo áp suất khí hoặc nước (việc lựa chọn lấy áp suất
khí hay áp suất nước làm căn cứ so sánh tuỳ thuộc vào thử
nghiệm viên và có thể đặt được trong phần thiết lập của phần
mềm; ở chế độ mặc định Ptb lấy căn cứ theo áp suất trung bình
khí). Trường hợp chỉ có 1 cảm biến đo áp suất thì Ptb là giá trị
hiển thị của cảm biến áp suất đó.

5. Chế độ kiểm tra Self-Test
Giao diện người dùng và giao diện lập trình chế độ tự kiểm
tra Self-Test được mô tả trong Hình 5 và Hình 6. Góc bên trái
gồm có 3 phím mềm để điều khiển quá trình tăng/giảm áp
suất; phía dưới vị trí 3 phím mềm là phím “Dừng thử” để kết
thúc quá trình tự kiểm tra Self-Test. Ở giữa là 4 đồng hồ hiển
thị giá trị áp suất, ở vị trí trên là 2 đồng hồ đo áp suất khí và ở
vị trí dưới là 2 đồng hồ đo áp suất nước. Bên trong các đồng
hồ kim có 1 đồng hồ hiển thị số với giá trị hiển thị đến 3 số
sau dấu phảy. Ngoài cùng bên phải là đồ thị thể hiện đường
đặc tuyến áp suất (MPa) theo thời gian (s). Với đồ thị này, thử
nghiệm viên có thể dễ dàng quan sát đồng thời tối đa 4 kênh
tín hiệu đo áp suất và đánh giá được độ ổn định của các kênh
đo áp suất.

gian của các cảm biến, đối chiếu đường đặc tuyến của các
cảm biến với nhau để đánh giá tính ổn định của các cảm biến.
Bắt đầu
- Nhập thông tin đối tượng thử nghiệm;
- Nhập giới hạn áp suất thử Plim;
- Khai báo địa chỉ bo mạch Arduino;
- Khai báo thông tin các cảm biến: Lựa chọn số
lượng cảm biến sử dung, file hệ số bù;
- Cấu hình cho chế độ tự động: Bước tăng/giảm
Pstep; thời gian nghỉ giữa các bước.

Tự kiểm tra
Self- Test

Đúng

Ghi chú:
* Thử nghiệm viên đóng/mở máy nén khí, các van điện bằng nút trên phần mềm;
** Số bước tăng/giảm áp suất, được tính N = Z(Plim/Pstep)

Đọc dữ liệu analog (1-5 V)
thu thập từ các cảm biến
qua 4 kênh A2, A3, A4,
A5 của bo mạch Arduino

Lấy giá trị trung
bình 15 lần lấy mẫu
từ các kênh A2,
A3, A4, A5

Chuyển đổi từ
điện áp (VDC)
sang áp suất
(MPa)

Bù áp suất theo
bộ tham số áp
suất được hiệu
chuẩn

Lấy giá trị
trung bình
đo áp suất
Ptb

Sai

Dừng quá
trình SelfTest, đưa
kết quả
Self-Test
dạng đồ
thị ra
trang bìa
của phần
mềm

Thử nghiệm
thủ công

Đúng
Sai

Đếm
thời
gian
Delta T

Delta T < 5 min

Đúng Đọc dữ liệu analog (1-5 V)
thu thập từ các cảm biến
qua 4 kênh A2, A3, A4,
A5 của bo mạch Arduino

Sai

Mở van nạp
khí từ máy Đúng
0,36 MPa nén khí đến
bình thử*
Sai

Đóng van
xả khí từ
bình thử*

Kích hoạt
máy nén khí
hoạt động*

Mở van xả
khí từ bình
thử*

Ngắt máy
nén khí hoạt
động*

Đóng van nạp Đúng
khí từ máy nén
0,44 MPa >Ptb
khí đến bình
thử*

Đóng van
xả khí từ
bình thử*

Ngắt máy
nén khí hoạt
động*

Đóng van nạp
khí từ máy nén
khí đến bình
thử*

Chuyển đổi từ
điện áp (VDC)
sang áp suất
(MPa)

Bù áp suất theo
bộ tham số áp
suất được hiệu
chuẩn

Lấy giá trị trung
bình 15 lần lấy mẫu
từ các kênh A2,
A3, A4, A5

Đóng van

xả khí từ
bình thử*

Kích hoạt
máy nén khí
hoạt động*

Mở van xả
khí từ bình
thử*

Ngắt máy
nén khí hoạt
động*

Đóng van
xả khí từ
bình thử*

Ngắt máy
nén khí hoạt
động*

Mở van nạp Đúng
khí từ máy
nén khí đến
bình thử*

Thử nghiệm
tự động

Đúng

Xác định số bước
tăng/giảm áp suất
N**

Đếm
thời
gian thử
Delta T’

i:=1

Lấy giá trị
trung bình
đo áp suất
Ptb

Plim < Ptb

Sai
Đóng van nạp Đúng
khí từ máy nén
1,03Plim > Ptb
khí đến bình
thử*

Sai
Dừng và Đúng

Nhấn “Dừng”
lưu đồ thị
thủ công
tạo áp suất
thử

Sai

Đóng van nạp
khí từ máy nén
khí đến bình
thử*

Sai

Thực hiện chu trình
tăng áp đến các mức
iPstep và nghỉ bước
nghỉ đã thiết lập

Sai
Sai
i:=i+1

i':=1

i=N

Thực hiện chu trình
tăng áp đến mức Plim

và nghỉ bước nghỉ đã
thiết lập

Đúng

Thực hiện chu trình
giảm áp đến các mức
i'Pstep và nghỉ bước
nghỉ đã thiết lập
Sai
i':=i'+1
Dừng và
lưu đồ thị
tạo áp suất
thử

Sai

Xả khí cho đến khi
Ptb = 0,001 MPa

i' = N

Đúng

Lưu trữ
Đúng
Xuất dữ liệu ra Báo
cáo thử nghiệm dạng
file word

Kết thúc

Hình 4. Lưu đồ thuật toán của chương trình

Trường hợp có một trong số các cảm biến đưa ra giá trị có
biến động lớn thì cần phải xem xét kỹ lưỡng lại cảm biến đó vì
rất có thể cảm biến đó gặp vấn đề. Đối chiếu giá trị hiển thị
của các cảm biến với giá trị hiển thị trên đồng hồ chuẩn P đo
áp suất dạng kim để đánh giá độ chính xác của các cảm biến
đo áp suất. Ở chế độ tự kiểm tra thiết bị Self Test, việc điều
khiển các thao tác bật/tắt máy nén khí, đóng/mở van điện từ
được thực hiện bởi thử nghiệm viên;
- Trong chế độ thủ công, quy trình thu thập dữ liệu từ cảm
biến đưa về xử lý tương tự như trong chế độ tự kiểm tra SelfTest. Ở chế độ thử này, việc điều khiển các thao tác bật/tắt
máy nén khí, đóng/mở van điện từ được thực hiện bởi thử
nghiệm viên;
- Trong chế độ tự động, quy trình thu thập dữ liệu từ cảm
biến đưa về xử lý tương tự như trong chế độ tự kiểm tra Self
Test và chế độ thủ công. Ở chế độ thử này, việc điều khiển các
thao tác bật/tắt máy nén khí, đóng/mở van điện từ được thực
hiện bởi phần mềm. So sánh giá trị Ptb với dải giá trị quy định
thử từ Plim đến Plim + 3 %. Nếu Ptb nằm trong dải thì dừng việc

Hình 5. Giao diện người dùng chế độ tự kiểm tra Self-Test

71


7. Chế độ thử nghiệm tự động

Giao diện người dùng và giao diện lập trình chế độ thử
nghiệm tự động được mô tả trong Hình 9 và Hình 10. Tương
tự như giao diện bên chế độ kiểm tra thủ công. Trong giao
diện chế độ kiểm tra tự động, các phím mềm điều khiển không
xuất hiện vì các quá trình tăng/giảm áp đã được thiết lập tự
động. Chỉ còn lại phím “Dừng thử”, sử dụng khi đang trong
quá trình thử gặp một sự cố nào đó mà cần tắt chương trình
khẩn cấp.

Hình 6. Giao diện lập trình Blog Diagram chế độ tự kiểm tra Self-Test

6. Chế độ thử nghiệm thủ công
Giao diện người dùng và giao diện lập trình chế độ thử
nghiệm thủ công được mô tả trong Hình 7 và Hình 8. Giao
diện trong phần thử nghiệm thủ công tương tự như trong phần
tự kiểm tra Self-Test. Có một số điểm khác như sau:
- Xuất hiện thêm cột độ sâu nước được quy đổi tương
đương từ đại lượng áp suất. Thang đo của cột độ sâu nước đến
80 m;
- Có 2 đồng hồ đo giá trị áp suất. Ở vị trí trên là đồng hồ
đo áp suất khí, trong trường hợp sử dụng 2 cảm biến, giá trị
hiển thị trong đồng hồ sẽ là giá trị trung bình của 2 cảm biến.
Ở vị trí dưới là đồng hồ đo áp suất nước, tương tự như đồng
hồ đo áp suất khí, trong trường hợp sử dụng 2 cảm biến, giá trị
hiển thị trong đồng hồ sẽ là giá trị trung bình của 2 cảm biến.
Dải đo của các đồng hồ được thiết lập đến 1 MPa.

Hình 9. Giao diện người dùng chế độ thử nghiệm tự động

Hình 10. Giao diện lập trình Blog Diagram chế độ thử

nghiệm tự động

8. Phần lưu trữ dữ liệu thử nghiệm
Kết thúc quá trình thử nghiệm, phần mềm điều khiển sẽ
xuất báo cáo thử nghiệm dưới dạng file word, thuận lợi cho
việc lưu trữ và in ấn.
IV.

KẾT QUẢ

Thiết bị thử kín nước TKN-GĐCL-19 đã được kiểm định
an toàn và kiểm tra kỹ thuật đo lường, kết quả kiểm tra đáp
ứng được các yêu cầu theo quy định.
Hiệu quả đã đạt được của sáng kiến cải tiến kỹ thuật:
- Giải quyết được vấn đề về thử nghiệm khả năng kín nước
cũng như khả năng làm việc của các thiết bị hoạt động trong
môi trường nước đến 70 m, chủ yếu là nhóm trang thiết bị đi
kèm người nhái..
- Tiết kiệm kinh tế, thời gian, nguồn nhân lực, đảm bảo an
toàn trong việc tổ chức triển khai nghiệm thu, kiểm tra khả
năng kín nước cũng như khả năng hoạt động của các thiết bị
trong môi trường nước.
- Góp phần giúp giám định viên, thử nghiệm viên đánh giá
chính xác chất lượng của nhóm vũ khí trang bị hoạt động
trong môi trường nước; giúp đơn vị trong việc khai thác, đảm
bảo kỹ thuật cũng như an toàn cho cán bộ, chiến sỹ khi sử
dụng nhóm vũ khí trang bị này khi làm nhiệm vụ.

Hình 7. Giao diện người dùng chế độ thử nghiệm thủ công

Hình 8. Giao diện lập trình Blog Diagram chế độ thử
nghiệm thủ công

72


V. KẾT LUẬN
Thiết bị thử kín nước TKN-GĐCL-19 đang trong quá trình
hoàn thiện hơn và hiện đã được áp dụng trong công tác kiểm
tra, giám định, thử nghiệm chất lượng tại Trung tâm Giám
định Chất lượng/Cục Tiêu chuẩn - Đo lường - Chất lượng/Bộ
Quốc phòng. Thiết bị đã giải quyết được vấn đề thử nghiệm
khả năng kín nước cũng như khả năng làm việc của các thiết
bị hoạt động trong môi trường nước đến 70 m, chủ yếu là
nhóm trang thiết bị đi kèm người nhái.
Sáng kiến đã được Cục Tiêu chuẩn - Đo lường - Chất
lượng/Bộ Quốc phòng đánh giá cao và được đề xuất đưa vào
sản xuất để trang bị cho các đơn vị trong Quân đội.

Hình 11 – Hình ảnh thực tế của thiết bị thử kín nước TKN-GĐCL-19

73


Giám Sát Định Vị, Bản Đồ Hóa và Điều Hướng Cho Robot Tự Hành Đa Hướng Sử
Dụng Hệ Điều Hành Lập Trình ROS
Ngô Mạnh Tiến1, Nguyễn Mạnh Cường2, Hà Thị Kim Duyên3, Phan Sỹ Thuần4, Nguyễn Ngọc Hải 5, Trần Văn
Hoàng6, Nguyễn Văn Dũng7
1,2
Viện Vật Lý- Viện Hàn lâm KH&CN Việt Nam; 3,4,5,6ĐH Công nghiệp Hà Nội; 7CĐN Công nghệ cao Hà Nội

Email: , , ,
5
, ,

Tóm tắt— Bài báo trình bày việc giám sát định vị, bản đồ hóa
(SLAM - Simultaneous Localization and Mapping) và điều
hướng (Navigation) cho chuyển động của robot tự hành đa
hướng trên nền tảng hệ điều hành lập trình cho robot - ROS
(Robot Operating System). Mô hình robot tự hành sử dụng
trong bài báo là mô hình Robot Omni 4 bánh, với bộ xử lý hiệu
năng cao Jetson TX2 làm nhiệm vụ xử lý trung tâm kết hợp với
Astra camera. Kết quả giám sát bản đồ, định vị và điều hướng
robot được xây dựng dựa trên dữ liệu thu được từ depth
camera và Laser Scan (Lindar) trong quá trình chuyển động
của robot được tiến hành bằng mô phỏng dựa trên phần mềm
GAZEBO, giám sát trên phần mềm RVIZ của ROS và thực
nghiệm thực tế. Các kết quả đạt được cho thấy hiệu quả trong
hướng nghiên cứu sử dụng ROS cho việc điều khiển và giám
sát robot tự hành, xe tự lái cũng như phát triển các hệ thống
robot thông minh.

thống truyền động, di chuyển cũng như hành vi của robot để
tối ưu thiết kế. Đó cũng là một vấn đề khó khăn mà người
chế tạo, thiết kế điều khiển robot tự hành gặp phải, nhưng
nhờ có ROS mà vấn đề này trở nên đơn giản hơn.
ROS đã tích hợp các phần mềm hỗ trợ GAZEBO và
RVIZ cho phép mô phỏng và giám sát quá trình hoạt động
của robot. Bên cạnh đó, môi trường xung quanh cũng có thể
thay đổi phục vụ cho việc thử nghiệm ở môi trường khác
nhau. Nhờ đó chúng ta có thể trực tiếp giám sát những hoạt

động và thích nghi của robot với sự thay đổi môi trường.
Đã có một số công trình công bố liên quan đến ứng dụng
ROS trong việc bản đồ hóa, điều hướng cho robot tự hành
[4], [5]. Việc ứng dụng ROS vào các bài toán điều khiển,
giám sát robot, robot tự hành, xe tự lái [6], [7] hiện đang
được một số Viện nghiên cứu, trường Đại học triển khai tập
trung. SLAM là nhiệm vụ quan trọng, quyết định đến chất
lượng của robot, xe tự hành [2], [9], [12]. Đây là phương
pháp cho phép định vị, tạo bản đồ với những vật cản xung
quanh trong môi trường không xác định thông qua dữ liệu
nhận từ cảm biến như Lidar, Camera, IMU. Việc ứng dụng
ROS cho SLAM cho robot tự hành [10], [11] các công bố
dựa trên robot có sẵn và kết quả cũng rất khả quan.
Trong bài báo này trình bày về thiết kế phần cứng và mô
hình 3D của một robot sử dụng Omni 4 bánh và tiến hành
xây dựng bản đồ, định vị và điều hướng robot trên mô hình
đó. Trong phần II, cấu trúc phần cứng mô hình thực tế của
robot được xây dựng hoàn chỉnh để tiến hành thực nghiệm.
Trong phần III, là quá trình triển khai mô phỏng và chạy thực
nghiệm robot SLAM, điều hướng và lấy bản đồ địa hình thực
tế trên ROS với hai phần mềm chính GAZEBO và RVIZ.
Cuối cùng, các kết luận về các kết quả nghiên cứu được đưa
trong phần IV, V.

Keywords - ROS, GAZEBO, RVIZ, SLAM, Omni Robot,
Navigation.

I.

GIỚI THIỆU

Trong kỷ nguyên cách mạng công nghiệp lần thứ tư, nhu
cầu sử dụng robot cho công việc phức tạp thay thế cho con
người càng lớn, một robot tự hành là một hệ tự trị, có khả
năng lấy thông tin về môi trường của nó và làm việc trong
một thời gian dài mà không có sự can thiệp của con người
và để tránh các tình huống có hại cho môi trường hoặc chính
nó.
Nghiên cứu, chế tạo và phát triển các robot tự hành, xe tự
hành không người lái đang là một hướng nghiên cứu tập
trung của các nhà khoa học, công nghệ trên thế giới. Với
việc phát triển nhanh của công nghệ xử lý tốc độ cao cũng
như lưu trữ data dung lượng lớn, cộng với khả năng kết nối
vạn vật, các robot tự hành, xe tự hành ngày càng trở lên
thông minh hơn. Dựa trên các công cụ phần cứng mạnh,
robot giờ đây ứng dụng nhiều các hệ cảm biến mắt máy
(camera 3D), cảm biến quét laser, Lindar, IMU, và đặc biệt
là ứng dụng trí tuệ nhân tạo vào việc nhận dạng, nhận biết,
và điều hướng thông qua các cảm biến đó. Với các công cụ,
phần mềm lập trình truyền thống, việc xử lý đa tác vụ, nhiều
loại dữ liệu và dung lượng cao như thế là rất khó khăn, và
ROS là hệ điều hành lập trình chuyên dụng cho robot giải
quyết được vấn đề này. ROS hiện nay được sử dụng rộng rãi
và gần như là tối ưu cho việc xây dựng hệ thống điều khiển
cho các loại robot, robot tự hành, và xe tự lái trên thế giới
như [1], [2] và [3].
Trong quá trình thiết kế lập trình điều khiển cho robot tự
hành thì việc mô phỏng là rất quan trọng để tiến hành thử
nghiệm các hoạt động của phần mềm, hoạt động, các hệ

II.

CẤU TRÚC PHẦN CỨNG ROBOT

A. Cấu trúc cơ khí truyền động
Omni robot với 4 bánh xe đa hướng cách nhau 900 về góc.
Các trục tọa độ được gắn vào các bánh xe omni đa hướng cụ
thể như trong hình H1:

74


H. 1

+ Astra camera có độ phân giải hình ảnh RGB lên đến 1280
x 720 @ 30 khung hình / giây, độ sâu hình ảnh Res lên đến
640 x 480 @ 30 khung hình / giây sẽ được sử dụng như mắt
của robot để thu hình ảnh từ môi trường một cách rõ nét và
chân thực nhất, sau đó sẽ được xây dựng thành bản đồ ảo.
+ RPLindar là bộ quét laser, kết hợp với Camera 3D Astra
sẽ đưa về tín hiệu GAZEBO và RVIZ dựng bản đồ 2D và
3D địa hình hoạt động của robot.
+ Mạch điều khiển STM32 sẽ là bộ phận nhận tín hiệu điều
khiển từ Jetson-Tx2 rồi trực tiếp điều khiển tín hiệu đến
mạch cầu MOSFET.
+ Mạch cầu H sử dụng các MOSFET là mạch công suất điều
khiển các động cơ servo 4 bánh di chuyển.
+ Modul bluetooth để thu tín hiệu điều khiển từ điện thoại di
động khi muốn điều khiển trực tiếp.

Omni Robot 4 bánh và mẫu bánh Omni và cấu trúc bánh
Omni đa hướng

Bánh xe Omni còn có tên gọi là bánh xe Mecanum, nó
được chế tạo bằng cách thêm các bánh xe nhỏ dọc theo chu
vi của bánh chính (như trên H.1). Do đó bánh xe Omni có
thể trượt dọc theo trục của động cơ và trượt theo chiều
ngang (phụ thuộc vào chuyển động của các bánh còn lại).
Kết hợp hai chuyển động này (cộng vector) thì bánh Omni
có thể di chuyển theo mọi hướng trong khi vẫn giữ được
hướng của đầu robot không đổi trong quá trình di chuyển.
Bánh xe Omni đã trở lên rất thông dụng trong robot tự hành
vì nó cho phép robot di chuyển ngay đến một vị trí trên mặt
phẳng mà không phải quay trước. Hơn nữa, chuyển động
tịnh tiến dọc theo một quỹ đạo thẳng có thể kết hợp với
chuyển động quay làm cho robot di chuyển tới vị trí mong
muốn với góc định hướng chính xác.

H. 4

III.

Sơ đồ cấu trúc phần cứng

HỆ ĐIỀU HÀNH LẬP TRÌNH CHO ROBOT ROS

ROS là một hệ điều hành chuyên dụng để lập trình và điều
khiển robot được nghiên cứu và phát triển tại đại học
Stantford từ năm 2007. ROS bao gồm các công cụ, thư viện
khổng lồ và cho phép sử dụng nhiều loại ngôn ngữ lập trình

như C++, python giúp người dùng dễ dàng triển khai, xây
dựng sản phẩm của mình.
H. 2

Thiết kế cơ khí của Omni Robot bốn bánh

H. 3

Mô tả cách di chuyển của robot

H. 5

B. Cấu trúc bộ phận điều khiển
Cấu trúc phần cứng được sử dụng:
+ Máy tính nhúng Jetson-TX2 với cai trò xử lý trung tâm, là
bộ xử lý hiệu năng cao chuyên dụng cho các xử lý trí tuệ
nhận tạo (AI), Deep Learning, nó thu tập các tín hiệu từ các
cảm biến, astra camera, Lindar, IMU và xử lý và gửi các tín
hiệu đặt cho mạch điều khiển.

cấu trúc chương trình của ROS

Cấu trúc của ROS được phát triển thông qua các node, các
node được đóng gói trong các packages khác nhau theo từng
nhiệm vụ. Hoạt động giao tiếp giữa các node dưới dạng chủ
đề, tin nhắn, dịch vụ được minh họa trong H.5.
A. SLAM
SLAM (Simultaneous Localization And Mapping) là công
nghệ để xây dựng bản đồ môi trường ứng dụng trong công

75


nghệ xe tự hành. SLAM xây dựng bản đồ bằng cách thu
nhận tín hiệu của các cảm biến gắn trên robot như Lidar,
Camera, IMU và ước tính tư thế bằng các phương pháp bộ
lọc Kalman, bản địa hóa Markov, bản địa hóa Monte Carlo.
Để thực hiện SLAM, chúng tôi sử dụng gói Hector slam
cho omni robot. Bằng việc thu các dữ liệu từ RPLidar, Astra
camera và chyển đổi Deep to Laser với cấu trúc các phần
như H.6.

mây điểm (Point Cloud) của khoảng cách 3D cảm biến như
RealSense, Kinect hoặc Astra camera, giá trị hình ảnh thu
được từ máy ảnh mà không phải phát triển nhiều phần mềm
riêng biệt. Bằng cách hình dung những gì robot đang nhìn
thấy, suy nghĩ và làm, người dùng dễ dàng phát triển và gỡ
lỗi hệ thống cho robot và bộ điều khiển.
IV.

KẾT QUẢ

Trong phần thực nghiệm, chúng tôi thực nghiệm robot hoạt
động trong một khu vực không biết trước. Mục đích là để
robot thực hiện điều hướng trong khu vực này đồng thời thu
thập dữ liệu từ môi trường thông qua camera để từ đó xây
dựng bản đồ hóa.
ROS là công cụ được chúng tôi sử dụng trong việc xây
dựng hệ thống điều hành robot. ROS giúp người sử dụng dễ
dàng kiểm soát robot và nhận nhiều thông tin cùng một lúc,

đơn giản hóa việc lập trình, kết nối các bộ phận của robot
với nhau. Không những thế, trong ROS có những công cụ
hỗ trợ mạnh mẽ như GAZEBO, RVIZ giúp người dùng có
thể mô phỏng hay giám sát robot.
A. Kết quả mô phỏng
H. 6

Sơ đồ tín hiệu xây dựng bản đồ, định vị và điều hướng
robot

B.GAZEBO and RVIZ
Gazebo là một công cụ mạnh mẽ của ROS giúp người thiết
kế có thể tạo ra mô hình mô phỏng của cả robot cũng như
môi trường. Việc này sẽ làm đơn giản hóa việc thử nghiệm
trong quá trình thiết kế robot. Tuy nhiên để tạo ra một mô
hình robot và môi trường trong ROS chúng ta sẽ cần URDF
(Universal Robotic Decreption Format). URDF là một định
dạng tệp XML được sử dụng để có thể mô phỏng tất cả yếu
tố của một robot như cảm biến, camera, khớp nối…vv. Để
robot hoạt động hiệu quả và chính xác, cần bổ xung các yếu
tố như ma sát, tư thế, quán tính và một số thuộc tính khác
[3]. Việc thêm những yếu tố này giúp tệp URDF tương thích
với định dạng SDF (định dạng mô phỏng) của ROS. Sau đó,
UDRF sẽ được chuyển sang định dạng SDF thông qua
GAZEBO. Vậy nên GAZEBO hoàn toàn có thể mô phỏng
toàn bộ mô hình robot cũng như môi trường một cách hoàn
chỉnh.
RVIZ là phần mềm hữu ích giúp giám sát trực tiếp, trực
quan ba chiều của các loại dữ liệu cảm biến và hoạt động
của robot. RVIZ truy xuất được các tín hiệu được cung cấp

trong ROS, chẳng hạn như quét laser, IMU, GPS và hình
ảnh camera 3D. Nó cũng sử dụng thông tin từ thư viện TF
để hiển thị các dữ liệu cảm biến trong khung tọa độ chung,
hiển thị trên không gian 3 chiều. Trực quan hóa tất cả dữ
liệu của bạn trong cùng một ứng dụng không chỉ xem được
hết các thông tin mà còn cho phép bạn nhanh chóng xem
những gì robot của bạn nhìn thấy và xác định các vấn đề
như sai lệch cảm biến hoặc mô hình robot không chính xác.
Việc hiển thị dữ liệu của cảm biến, laser, Camera 3D để trực
quan hóa khoảng cách từ cảm biến của Cảm biến khoảng
cách Laser (Laser scan) đến chướng ngại vật, dữ liệu đám

H. 7

Hình ảnh robot mô phỏng trên GAZEBO

Robot model được xây dựng dưới dạng tệp URDF là một
định dạng tệp XML

H. 8

76

Môi trường mô phỏng


Môi trường mô phỏng được xây dựng dựa trên môi
trường thực tế - 1 góc sảnh A2 viện Hàn Lâm Khoa Học
Việt Nam.

H. 9

khiển robot trong môi trường không cho trước để xây dựng
bản đồ địa hóa.

Góc nhìn khác của môi trường mô phỏng
H. 12 Phối cảnh mô hình thực nghiệm robot.

H. 10 Hình ảnh robot trên Rviz thu được từ mô phỏng

H. 13 Mô hình xây dựng thực tế.

H. 11 Hình ảnh giám sát robot qua Rviz.

Việc giám sát qua Rviz giúp người điều khiển dễ dàng
thấy dữ liệu robot thu được từ môi trường (H.11), đơn giản
hóa việc phát hiện và sửa lỗi.
Đường màu đỏ chính là vật cản mà robot phát hiện khi
quét Scan. Khu vực màu xám là khu vực trống mà robot có
thể di chuyển đến đó.
H. 14 Hình ảnh sảnh nhà A2 viện Hàn Lâm KH&CN Việt Nam
được lấy dữ liệu xây dựng bản đồ địa hóa.

B. Kết quả thực nghiệm
Sau khi tiến hành mô phỏng và thu được kết quả khả
quan, chúng tôi tiến hành thiết kế robot thực nghiệm. Điều

77

[2] Y.

Wu, Y. Zhang, H. Hu, and Y. Liu, “A Visual SLAM
Navigation System Based on Cloud Robotics,” 2010
[3] I. Zamora, N. G. Lopez, V. M. Vilches, and A. H.
Cordero, “Extending the OpenAI Gym for robotics: a
toolkit for reinforcement learning using ROS and
GAZEBO,” no. August, pp. 1–6, 2016
[4] E. T. Enikov and J. A. Escareno, “Application of sensory
body schemas to path planning for micro air vehicles
(MAVs),” ICINCO 2015 - 12th Int. Conf. Informatics
Control. Autom. Robot. Proc., vol. 1, pp. 25–31, 2015
[5] J. Wu, H. Xu, and W. Liu, “Data Registration with
Ground Points for Roadside LiDAR Sensors,” Transp.
Res. Rec., 2019.
[6] M. Galli, R. Barber, S. Garrido, and L. Moreno, “Path
planning using Matlab-ROS integration applied to
mobile robots,” 2017 IEEE Int. Conf. Auton. Robot
Syst. Compet. ICARSC 2017, pp. 98–103, 2017.
[7] A. Araújo, D. Portugal, M. S. Couceiro, and R. P. Rocha,
“Integrating Arduino-Based Educational Mobile Robots
in ROS,” J. Intell. Robot. Syst. Theory Appl., vol. 77,
no. 2, pp. 281–298, 2014.
[8] [S. Kohlbrecher. (2016) hector mapping. [Online].
Available: mapping.
[9] R. Mur-Artal, J. M. M. Montiel, and J. D. Tardos, “ORBSLAM: A Versatile and Accurate Monocular SLAM
System,” IEEE Trans. Robot., vol. 31, no. 5, pp. 1147–
1163, 2015.
[10] G. Grisetti, C. Stachniss, and W. Burgard, “Nonlinear
constraint network optimization for efficient map

learning,” IEEE Trans. Intell. Transp. Syst., vol. 10, no.
3, pp. 428–439, 2009.
[11] G. Priyandoko, T. Y. Ming, and M. S. H. Achmad,
“Mapping of unknown industrial plant using ROSbased navigation mobile robot,” IOP Conf. Ser. Mater.
Sci. Eng., vol. 257, no. 1, 2017.
[12] [Rajesh Kannan Megalingam, Chinta Ravi Teja,
Sarath Sreekanth, Akhil Raj,” ROS based Autonomous
Indoor Navigation Simulation Using SLAM
Algorithm”, International Journal of Pure and Applied
Mathematics, Volume 118 No. 7 2018, 199-205.

H. 15 Hình ảnh kết quả bản đồ, định vị và điều hướng robot xây
dựng dựa trên bản đồ thực tế.

Robot thực nghiệm được xây dựng dựa trên ý tưởng kết
hợp các thiết bị ngoại vi hoạt động trên nên ROS để phục vụ
việc xây dựng bản đồ địa hình, định vị và điều hướng robot.
Hình ảnh trên là kết quả thu được khi tiến hành cho robot
quét bản đồ tại sảnh A2 viện Hàn Lâm Khoa Học và Công
Nghệ Việt Nam – 18 Hoàng Quốc Việt, Hà Nội.
Trong hình H15, những đường màu xanh lá cây là những
nơi robot đã đi qua. Điểm màu xanh dương chính là vị trí
hiện tại robot đang đứng. Đường màu đỏ là tín hiệu robot
quét gặp phải vật cản. Các kết quả thực nghiệm chứng tỏ
tính hiệu quả và khả năng áp dụng vào thực tế của phương
pháp đã đề xuấ, nền tảng để áp dụng các thuật toán trí tuệ
nhân tạo, điều khiển thông minh và thích nghi vào điều
khiển robot tự hành.
V.

KẾT LUẬN

Trong bài báo này chúng tôi đã tiến hành tiến hành thiết
kế, chế tạo và xây dựng mô hình thực Robot Omni 4 bánh,
với bộ xử lý hiệu năng cao Jetson TX2 làm nhiệm vụ xử lý
trung tâm, ứng dụng ROS vào thiết lập hệ thống điều hành,
kết nối bộ phận. Kết quả giám sát bản đồ, định vị và điều
hướng robot được xây dựng dựa trên dữ liệu thu được từ
depth camera và Point Cloud trong quá tình chuyển động
của robot được tiến hành bằng mô phỏng dựa trên phần
mềm GAZEBO, và sau đó đã chạy thực nghiệm trên phần
mềm RVIZ của ROS. Các kết quả đạt được cho thấy hiệu
quả, hướng nghiên cứu sử dụng ROS cho việc lập trình hệ
thống điều khiển và giám sát robot tự hành, xe tự lái cũng
như phát triển các hệ thống robot thông minh.
TÀI LIỆU THAM KHẢO
[1] H.

Yoshida, H. Fujimoto, D. Kawano, Y. Goto, M.
Tsuchimoto, and K. Sato, “ROS: an open-source Robot
Operating System,” IECON 2015 - 41st Annu. Conf.
IEEE Ind. Electron. Soc., no. Figure 1, pp. 4754–4759,
2015

78


Copulas Gauss cho Bài Toán Xác Định Độ Tương
Quan và Ứng Dụng Đối Sánh Vector Đặc Trưng
Hoàng Mạnh Hà

Khoa Kỹ Thuật – Công Nghệ,
Đại học Thủ Dầu Một


Nguyễn Việt Thanh Hiền
Tổ Tin học - công nghệ
Trường THPT Nguyễn Đình
Chiểu,
hien187@gmail. com

Hoàng Hà Quang Tùng
Khoa Điện Tử– Viễn Thông
Đại học Quốc Tế, Đại học
Quốc Gia Tp Hồ Chí Minh


Nông Kiều Trang
Khoa Tin học và Đại cương
Trường Cao đẳng nghề Việt
Nam – Singapore





Trong đó, độ chính xác tại từng bước đóng vai trò quyết định
đến độ chính xác chung. Hiện nay, vấn đề thu nhận tín hiệu và
tiền xử lý đã được giải quyết hoàn toàn [1-3]. Đối với bước
Trích chọn đặc trưng, các giải pháp như PCA (Principal
Component Analysis), ICA (Independent Component

Analysis), SIFT (Scale Invariant Feature Transform) đã chứng
minh khả năng giải quyết trọn vẹn vấn đề [1,2].
Tại bước Đối sánh đặc trưng, các đặc trưng của chữ ký được
trích xuất trong bước trước được so sánh với các đặc trưng lưu
trữ trong cơ sở dữ liệu. Nếu hai bên đặc trưng phù hợp thì chữ
ký kiểm tra là thực. Để đánh giá kết quả, các bài báo đều sử
dụng độ đo FAR và FRR và được mô tả trong công thức sau
NoFA
FAR
100
NoFT
Trong đó
FAR: Tỷ lệ xác nhận sai
NoFA: Số lần chữ ký giả mạo được xác nhận đúng
NoFT: Tổng số chữ ký giả mạo được dùng để đánh giá

Abstract— Trong bài toán thực tế, khi số lượng mẫu quá nhỏ giá
trị trung bình cộng sẽ sai khác quá nhiều so với kỳ vọng của biến
ngẫu nhiên. Do vậy, không đảm bảo về độ chính xác của việc tính
hệ số tương quan. Bài báo này trình bày kết quả ứng dụng kỹ
thuật chuyển đổi dữ liệu sang biểu diễn Copulas Gauss cho bài
toán tính độ tương quan giữa 2 biến ngẫu nhiên. Thực nghiệm đã
cho thấy đề xuất này đáng tin cậy khi áp dụng vào tính độ giống
nhau trên bảng điểm rèn luyện của sinh viên Đại học Thủ Dầu
Một. Kết quả này đã tạo động lực tiếp tục áp dụng giải bài toán
đối sánh vector đặc trưng để xác thực chữ ký. Độ chính xác của
đề xuất được đánh giá dưới hình thức thực nghiệm trên cùng tập
dữ liệu chuẩn với các nghiên cứu mới nhất về xác thực chữ ký.
Đồng thời với việc tìm kiếm chứng minh lý thuyết về tính chính
xác, kết quả này tiếp tục được áp dụng vào vấn đề tự động tính

tiền tại siêu thị sử dụng nhận dạng ảnh hàng hóa và cũng thu
được độ chính xác phù hợp với yêu cầu thực tế.
Keywords- Độ tương đồng giữa 2 biến ngẫu nhiên, Copulas
Gauss, signature verification, SIFT, SURF, SVM.

I.

Lê Quang Thiện
Khoa Tin học và Đại cương
Trường Cao đẳng nghề Việt
Nam – Singapore

GIỚI THIỆU

Bài toán Xác thực chữ ký và Tự động tính tiền tại siêu thị
sử dụng nhận dạng hàng hóa [1,2] đều có chung các bước sau:

FRR

NoOR
100
NoOT

Trong đó
FAR: Tỷ lệ loại bỏ sai
NoOR: Số lần chữ ký thật được xác nhận nhầm là giả
NoOT: Tổng số chữ ký thật được dùng để đánh giá

Thu nhận tín hiệu
(Dữ liệu)

Bảng 1 liệt kê các phương pháp đối sánh đang được sử dụng
hiện nay

Tiền xử lý

Bảng 1. Tổng quan về các phương pháp đối sánh đặc trưng của
chữ ký
T
Tác giả chính
Phương đối
Độ đo dánh giá
T
sánh
FAR
FRR
Madasu
Logic mờ
34%
37.5%
anmandlua,
1 Mohd.
Hafizuddin [5]

Trích chọn đặc
trưng

Đối sánh đặc trưng để
đưa ra Kết luận
Hình 1. Mô tả các bước giải quyết vấn đề Xác thực chữ ký và nhận

dạng hàng hóa

79

2

Sayantan Roy
[6]

3

Prashanth C. R.

Cách tiếp cận
dựa trên lưới và
tâm
Đặc trưng về

20%

19%

4.99%

8.5%


4

[7]

M.K. Kalera
[8]

góc
Khoảng cách

E. Justino
[9]

Mô hình
Markov ẩn

34.91
%

28.33
%

2.83

1.44%

điểm là 95%. Kết quả này đã khích lệ chúng tôi tiếp tục quay
lại giải quyết vấn đề đối sánh vector đặc trưng trong bài toán
Xác thực chữ ký và bài toán nhận dạng hàng hóa. Kết quả sẽ
được trình bày chi tiết ở mục 3 trong bài báo này.
Trong phần II tiếp theo, chúng tôi miêu tả về bài toán ước
lượng độ tương đồng giữa hai biến ngẫu nhiên với số mẫu nhỏ
và đề xuất lời giải dựa trên chuyển đổi sang biểu diễn Copulas
Gauss

Phần còn lại của bài báo được tổ chức như sau: trong phần III,
chúng tôi miêu tả mô hình đề xuất. Trong phần IV, chúng tôi
đánh giá hiệu năng của hệ thống. Phần V cung cấp các kết quả
mô phỏng và phân tích lý thuyết. Cuối cùng, chúng tôi kết luận
bài báo trong phần VI.

(ngẫu
nhiên)

5

2.50
(nhân
quả)
Đặc trưng hình
học

12%

16.7%

7

Ashwini
Pansare
[10]
N.P.Narayan
[11]

Đối sánh đường

cong

0.0421

0.1011

Đặc trưng hình
học thông qua
sử dụng mạng
neural

14.66
%

20%

8

Ashwini
Pansare
[12]
Daramola
Samuel
[13]
Özgündüz E
[14]

Novel feature
extraction

1%

0.5%

Support Vector
Machine

0.11%

0.02%

trong đó

Sự biến dạng
thời gian động
(DTW)

20%

25%

11

A. Piyush
Shanker
[15]

E: ký hiện kỳ vọng
D(X): Phương sai của biến ngẫu nhiên X
Vì 1 d U X ,Y d 1 là thang đo phản ánh độ tương đồng giữa biến

12

P. Deng
[16]

Wavelet

10.98
%

5.60 %

R.Abbas
[17]

Mạng Neural
lan truyền
ngược

10%

6%

13

Phân vùng với
mật độ thích
nghi

5.3%

4%

14

Malekian, V
[18]

6

9
10

II.

BÀI TOÁN ƯỚC LƯỢNG ĐỘ TƯƠNG ĐỒNG GIỮA HAI BIẾN
NGẪU NHIÊN VỚI SỐ MẪU NHỎ

Trong các công cụ hiện đại, độ đo tương đồng giữa 2 vector
được chuyển đổi sang độ đo cosin của góc giữa hai vector đó.
Thực ra, đó chỉ là cách biểu diễn khác của độ đo Hệ số Tương
quan giữa hai biến ngẫu nhiên của môn Xác Suất. Xin phép
nhắc lại như sau

U X ,Y

E

^ X  E > X @

Y  E >Y @
` ,
D( X ) D(Y )

(1)

U X ,Y : Hệ số tương quan giữa biến ngẫu nhiên X và Y

ngẫu nhiên X với biến ngẫu nhiên Y do đó, Hệ số tương quan
được ứng dụng rộng rãi trong thực tế và thường được người sử
dụng khai thác dưới hình thức một hàm máy tính. Ẩn bên trong
hàm đó, phép tính kỳ vọng đối với biến ngẫu nhiên X được
thực hiện thông qua phép tính trung bình cộng như sau
1 n
E ª¬X º¼ | ¦ x i
(2)
n i1
trong đó x i là các giá trị thu nhận được của biến ngẫu nhiên X
sau n lần.
Nếu ta thay Y vào X và thay yi vào x i , công thức (2) cũng

Qua bảng trên, ta thấy rằng trong bài toán xác thực chữ ký,
bước đối sánh gần như đã được giải quyết trọn vẹn khi áp dụng
SVM (Support Vector Machine). Tuy nhiên trong thực tế, số
chữ ký mẫu để huấn luyện không đáp ứng yêu cầu trong [14].
Do vậy trên thực tế, độ chính xác không đạt được như trong
nghiên cứu.
Trong trường hợp tập mẫu quá ít để huấn luyện, hướng tìm lời
giải chuyển sang đối sánh độ tương đồng giữa hai vector đặc
trưng.

Trong khi tìm lời giải cho bài toán phục hồi điểm rèn luyện của
sinh viên Đại học Thủ Dầu Một, chúng tôi phải giải quyết vấn
đề xác định độ tương đồng giữa hai biến ngẫu nhiên X và Y với
số mẫu nhỏ và ta không biết hàm phân phối của chúng. Lấy ý
tưởng từ [4], chúng tôi đã áp dụng phương pháp chuyển đổi
sang biểu diễn Copulas Gauss đối với biến ngãu nhiên X và Y
và thu được kết quả thực nghiệm với độ chính xác khi phục hồi

được sử dụng để tính xấp xỉ kỳ vọng đối với biến ngẫu nhiên Y.
Nếu ta gọi tập hợp các giá trị x i với i 1,2,..., n là vector x
Nếu ta gọi tập hợp các giá trị yi với i

1,2,..., n là vector y

Thì công thức (1) được sử dụng để đo độ tương đồng giữa hai
vector x và y .
Nếu các giá trị x i và yi của biến ngẫu nhiên X và Y tuân theo
phân phối Gauss và n đủ lớn thì sai số của phép tính trong công
thức (2) này đủ nhỏ, chấp nhận được. Luật Số Lớn (Dạng yếu)
là cơ sở để tính kỳ vọng thông qua tính trung bình và được mô
tả như sau
­1 n
½
°
°
lim P ® ¦ x i  E ª¬X º¼  H ¾ 1 ,
n of
°n i 1
°
¯

¿

80


trong đó ɛ là sai số cho phép
Do đó, ta có thể dễ dàng thấy rằng khi số mẫu quá nhỏ (n < 10)
và khi không biết thông tin về phân phối của biến ngẫu nhiên X
thì ta không thể đảm bảo độ chính xác của kết quả tính hệ số
tương quan thông qua hàm máy tính cài đặt sẵn trong các ngôn
ngữ lập trình.
Chúng tôi đã phát hiện ra rằng một số vấn đề của ngành Tài
Chính cũng dẫn đến bài toán tương đương như trên. Để giải
quyết vấn đề này, công cụ được sử dụng là Copulas Gauss.
Trong [4], Samoro G và Taqqu M đã trình bày ý tưởng của về
Copulas, đó là công cụ để mô tả cấu trúc chỉ phụ thuộc nhiều
biến ngẫu nhiên với các phân bố biên duyên của nó mà không
quan tâm đến điều kiện moment bậc hai hữu hạn. Do vậy, biểu
diễn biến ngẫu nhiên dưới dạng Copula hứa hẹn giải quyết vấn
đề nêu trên.
Đối với bài toán chúng tôi đang quan tâm là đo độ tương đồng
giữa hai biến ngẫu nhiên (hai vector), do vậy theo [4], Copulas
của được định nghĩa như sau
I 1 u
I 1 v

 s 2  2 Ust  t 2
1
C u, v
dsdt , (3)

³ ³
2 1  U2
2S 1  U 2 D D











^




Eˆ X  Eˆ ª¬X º¼ Y  Eˆ ª¬Y º¼

(5)


`

ưĐ
1
1 n ãĐ
1 n ã ẵ

| Ư đă xi  Ư xi á ă yi  Ư yi á ắ
n i 1 â
n i 1 ạâ
n i 1 ạ
n

(6)

III.

XUT P DNG PHNG C LNG TNG
NG GIA HAI BIN NGU NHIấN VI S MU NH

A. Bi toỏn phc hi im rốn luyn ca sinh viờn i hc
Th Du Mt
Hin nay, sinh viờn c ỏnh giỏ thụng qua im hc tp v
im rốn luyn. Trong ú im rốn luyn ca sinh viờn ỏnh
giỏ ý thc ca sinh viờn, l yu t phn ỏnh s phỏt trin trong
tng lai sau khi tt nghip. im rốn luyn bao gm 16 u
im thnh phn v c mụ t trong phn Ph lc 1. Thc t
a n kch bn l mt s sinh viờn b mt vi im rốn luyn
ó c chm trc ú lõu hn hai nm. Do thi gian chm
quỏ lõu nờn ging viờn khụng th ỏnh giỏ li. Do vy, phũng
Qun lý Sinh viờn ra yờu cu v bi toỏn Phc hi im rốn
luyn t nhng im ó cú. Ban u, gii quyt bi toỏn
ny, chỳng tụi ó s dng mt tip cn cú sn, ú l ỏp dng
thut toỏn bootstrap. Tuy nhiờn, thụng qua kim nh thng
kờ, chỳng tụi khng nh rng mi u im cú tng quan
vi nhng u im khỏc. Do vy chỳng tụi gi thit rng
im b mt ca sinh viờn A s tng quan vi im cựng loi

ca sinh viờn B nu nhng im cũn li ca hai sinh viờn ny
tng quan vi nhau. Gi thit ny c mụ t trc quan nh
sau




trong đó

U  ª¬0,1º¼ là hệ số tương quan của hai biên duyên
I là hàm phân phối chuẩn tắc một chiều
phân bố Copulas Gauss, với có dạng hình chuông nhưng có
hai đuôi dày [4].
Trong [3], các tác giả đã cung cấp thông tin về các bước
chuyển đổi các mẫu xi và yi sang biểu diễn dạng Copulas
Gauss. Do vậy chúng tôi nhận ra rằng có thể tính kỳ vọng với
sai số cho phép dưới biểu diễn Copulas Gauss.
Các bước chuyển đổi các mẫu xi sang biểu diễn Copulas Gauss
được mô tả như sau:
B1: Ước lượng mật độ xác xuất u và v từ chuỗi dữ liệu thực
tế xi và yi

Nếu ta loại bỏ điểm cột 1 của dòng 1 là điểm (10)
Gọi X là biến ngẫu nhiên phản ánh điểm các cột: 7, 8, 9, 14,
15,và 16 của sinh viên có TT là 6 (dòng 1).
Vậy xi= (15, 10, 10, 10, 5, 5)

B2: Ước lượng xấp xỉ ma trận các tham số tương quan tuyến
tính Uˆ từ hai tham số u và v ( mật độ xác xuất của chuỗi dữ

Gọi Y là biến ngẫu nhiên phản ánh điểm các cột: 7, 8, 9, 14,
15,và 16 của sinh viên có TT là 83 (dòng 2).
Vậy yi= (15, 10, 10, 10, 5, 6)

liệu xi và yi)
B3: Xây dựng hàm mật độ dưới dạng Copula Gauss là uˆ và
vˆ từ tham số tương quan tuyến tính Uˆ

Nếu X tương quan với Y thông qua hai dãy xi và yi thì điểm
tại cột 1, dòng 1 cũng tương quan với điểm tại cột 1, dòng 2
Như đã trình bày trong phần II, vì số lượng điểm quá ít (n=6)

B4: Tái tạo chuỗi số liệu
xˆi từ hàm mật độ uˆ

để tính độ tương đồng giữa X và Y, do đó chúng tôi phải áp
dụng Copulas Gauss cho vấn đề này. Điểm khôi phục sẽ được
tính dựa trên kết quả tính độ tương đồng lớn nhất.
Để đánh giá độ chính xác, thực nghiệm được tiến hành trên
bảng điểm thật. Việc mất điểm được giả định trên những điểm
có thật. Sau đó điểm khôi phục được so sánh với điểm thật. để
mô tả minh họa như sau

yˆi từ hàm mật độ vˆ
B5: Ước lượng kỳ vọng thông qua tính trung bình
1 n
Eˆ ª¬X º¼ | ¦ xˆi
n i1

1 n

Eˆ ª¬Y º¼ | ¦ yˆi
n i1

(4)

81


Bảng 2 So sánh minh họa phương pháp đề xuất với tuật toán
Bootstrap
Điểm
Thực của
Sinh viên

Áp dụng Bootstrap

Điểm mới

Áp dụng phương pháp
tính độ tương đồng
dựa vào chuyển đổi
sang Copulas Gauss
Điểm mới

tính được

Độ sai
lệch

tính được

Độ sai
lệch

6

3.9937

2.0063

5.5487

0.4513

9

9.4186

-0.4186

8.9372

0.0628

9

9.9061

-0.9061

8.1819

0.8181

5

4.0921

0.9079

4.9223

0.0777

10

10

0

10

0

5

4.8073

0.1927

4.3978

0.6022

5

4.4184

0.5816

5

0

10

10

0

10

0

10

9.5201

0.4799

9.898

0.102

5

4.8736

0.1264

4.9892

0.0108

3

2.8233

0.1767

2.9899

0.0101

10

8.8076

1.1924

9.8598

0.1402

10

10

0

10

0

10

3.8497

6.1503

9.7947

0.2053

Hình 3. Tập chữ ký giả mạo

Hình 4 dưới đây mô tả khái quát bước đối sánh đặc trưng thông
qua đo độ tương đồng

Chữ ký mẫu

Chữ ký cần xác thực

Trích chọn
đặc trưng
(SURF)

Trích chọn
đặc trưng
(SURF)

Chuẩn hóa độ
dài vector đặc
trưng

B. Bài toán Xác thực chữ ký
Bài toán xác thực chữ ký đã được giới thiệu tại mục I, với bốn
bước được mô tả trong hình 1. Tại đây, chúng tôi sẽ chỉ mô tả
về kết quả thực nghiệm khi ứng dụng đề xuất tại mục II.
Nhằm mục đích đối sánh với các kết quả khác, chúng tôi sử
dụng bộ dữ liệu ICDAR 2011SignatureVerification
Competition (SigComp2011)
được cung cấp tại địa chỉ:
/>ignature_Verification_Competition_(SigComp2011)
Bộ dữ liệu gồm chữ ký của 10 người (239 chữ ký thật và 125
chữ ký giả mạo).

Chuẩn hóa độ
dài vector đặc
trưng

Đối sánh đặc trưng
thông qua đo độ tương
đồng

Kết luận
Hình 4. Mô tả bước đối sánh đặc trưng

Việc áp dụng độ đo FAR và FRR đã được giới thiệu ở mục I.
Trong đó
x Độ đo FAR phản ánh khả năng nhận nhầm chữ ký giả
là chữ ký thật.
x Độ đo FRR phản ánh khả năng nhận nhầm chữ ký thật
là chữ ký giả.
Với mục đích chính là xác thực chữ ký, mục tiêu chính là giảm
số lần nhận nhầm chữ ký giả là chữ ký thật. Do đó ưu tiên giảm
nhỏ độ đo FAR. Kết quả được mô tả minh họa thông qua 10
trường hợp như sau

Hình 2. Tập chữ ký thật

82


Bảng 3: Minh họa phương pháp đề xuất
TT

Người thực
nghiệm

Độ chính
xác
(%)

1
FAR
(%)

FRR
(%)

1

Người 1

91.67

0.01

8.32

2

Người 2

99.00

0.14

0.86

3

Người 3

99.00

0.19

0.81

4

Người 4

99.00

0.14

0.86

5

Người 5

97.00

0.13

2.87

6

Người 6

87.50

0.09

12.41

7

Người 7

87.50

0.02

12.48

8

Người 8

98.00

0.07

1.93

9

Người 9

99.00

0.21

0.79

10

Người 10

99.00

0.04

0.96

0.87

0.10

4.23

Trung bình

2

3
4
5
6
7
8
9
10
11
12
13
14
15

[1]

[2]

[4]
[5]

Hình 5. Mô tả bước trích chọn đặc trưng trên ảnh
[6]

Bước đối sánh đặc trưng được thực hiện thông qua sự kết hợp
giữa SVM và đo độ tương đồng đề xuất trong mục II. Độ chính
xác được đánh giá qua thực nghiệm, mỗi mặt hàng được chụp
từ ba góc (thẳng, lệch trái và lệch phải). Mỗi góc chụp 10 ảnh.
Kết quả được mô tả trong bảng dưới đây

[7]

[8]

Bảng 4 Đánh giá độ chính xác của bài toán nhận dạng hàng hóa
Chụp lệch
trái

Đúng
9

Sai
1

Đúng
9

Sai
1

10
10
10
10
9
10
9

0
0

0
0
1
0
1

10
10
10
10
7
8
8

0
0
0
0
3
2
2

9
10
10
10
8
9
9

1
0
0
0
2
1
1

9

1

9

1

9

1

10
8

0
2

9
9

1

1

9
8

1
2

10
10
10

0
0
0

10
9
8

0
1
2

8
9
9

2
1

1

9

1

8

2

9

1

KẾT LUẬN

TÀI LIỆU THAM KHẢO

[3]

Chụp thẳng

Sai
0

Trong bài báo này, chúng tôi đề xuất áp dụng các bước chuyển
đổi sang Copulas Gauss để tính độ tương quan giữa hai biến
ngẫu nhiên và ứng dụng đối sánh độ tương đồng giữa hai
vector. Kết quả này đóng vai trò quan trọng trong ba ứng dụng
thực tế, đó là Khôi phục điểm rèn luyện của sinh viên Đại học

Thủ Dầu Một, Hỗ trợ xác thực chữ ký và Hỗ trợ tự động tính
tiền trong siêu thị. Tiếp theo chúng tôi sẽ xây dựng đảm bảo
toán học cho đề xuất này

C. Bài toán Nhận dạng hàng hóa
Bài toán nhận dạng hàng hóa nhằm mục đích gải quyết vấn đề
tự động tính tiền tại siêu thị. Tuy hiện nay các giải pháp cho
vấn đề tự động tính tiền tại siêu thị đã được giải quyết thông
qua mã vạch. Song tuy nhiên, việc dán mã vạch lên tất cả các
sản phẩm đã đòi hỏi thời gian và công sức rất lớn. Chúng tôi đề
xuất giải pháp ứng dụng kỹ thuật tách đặc trưng SIFT để tách
đặc trưng nhằm khắc phục tình trạng bất định về góc thu nhận
ảnh [19]. Hình 5 dưới đây mô tả bước trích chọn dặc trưng trên
ảnh hàng hóa

Tên hàng
hóa

Đúng
10

IV.

Như đã trình bày trong bảng 1, nếu chỉ xét độ đo FAR, kết quả
tốt nhất là FAR = 0.11 cuả Özgündüz. E [14]. Với việc áp dụng
chuyển đổi Copulas Gauss cho bài toán xác định độ tương
đồng giữa 2 vector đặc trưng, chúng tôi đã đạt được FAR dao
động xung quanh giá trị 0.10

TT

Sữa tươi
hộp
TH true
milk
Bia 333
Bột giặt
Chocolate
Coca Cola
Gia vị
Mì chính
Nước suối
Aquafina
Nước suối
Lavie
Sting dâu
Nước suối
Dasani
Trà sữa
Sữa bắp
Nước tương
Chinsu
Hạt nêm
Knorr

Chụp lệch
phải

83

Napa Sae-Bae, Nasir Memon, “Online Signature Verification on Mobile
Devices”, IEEE Transction on Information Forensics and Security, vol.
9, no. 6, June 2014
Banshider Majhi, Y Santhosh Reddy, D Prasanna Babu, “Novel Features
for Off-line Signature Verification”, International Journal of Computers,
Communications & Control Vol. I, No. 1, pp. 17-24, 2006
Bouyé, E, V. Durrleman, A. Nikeghbali, G. Riboulet, and T. Roncalli.
“Copulas for Finance: A Reading Guide and Some Applications.”
Working Paper. Groupe de Recherche Opérationnelle, Crédit Lyonnais,
Paris, 2000..
Samoro G, Taqqu M. S,“Stable non-Gaussian Random Process”
Chapman and Hall, LonDon, 1994.
Madasu Hanmandlua, Mohd. Hafizuddin Mohd.Yusofb,Vamsi Krishna
Madasuc, “Off-line signature verification and forgery detection using
fuzzy modeling”, The Journal of Pattern Recognition Society,Elsevier,
pp. 341 – 356, 2005.
Sayantan Roy, Sushila Maheshkar, “Offline Signature Verification using
Grid based and Centroid based Approach”, International Journal of
Computer Applications Volume 86 – No 8,pp.35-39, Jan 2014.
Prashanth C. R. and K. B. Raja, “Off-line Signature Verification Based
on Angular Features”, International Journal of Modeling and
Optimization, Volume 2, No. 4,pp.477-481 August 2012.
M.K. Kalera. S. Srihari and Aihua Xu, “Off-line Signature Verification
and Identification using Distance Statistics”, International Journal of
Pattern Recognition and Artificial Intelligence, World Scientific, Vol.
18, No. 7, pp. 1339-1360, 2004