XÂY DỰNG HỆ THỐNG QUẢN LÝ VÀ HỖ TRỢ PHÁT TRIỂN DU LỊCH THÀNH PHỐ CẦN THƠ TRÊN NỀN TẢNG CÔNG NGHỆ GIS

TRẦN LÊ DUY ANH - CH2002026

Ngày nay với sự phát triển không ngừng của công nghệ, trong đó các ứng dụng của công nghệ GIS đóng vai trò rất quan trọng và xuất hiện trong rất nhiều lĩnh vực, trong đó có lĩnh vực du lịch, mang đến nhiều tiện ích cho người dùng. Cùng với ngành du lịch Thành phố Cần Thơ nói chung và cả nước nói riêng vẫn chưa hồi phục hoàn toàn sau đại dịch Covid-19. Với ý tưởng giúp du khách khi đến với Thành phố Cần Thơ có trải nghiệm tốt hơn khi nắm bắt được các thông tin liên quan đến du lịch trên địa bàn Thành phố Cần Thơ cũng như dễ dàng tìm đường đi đến các địa điểm du lịch, khách sạn qua đó góp phần phát triển hơn du lịch ở điạ phương.

Trong bối cảnh hiện nay Google map API đã không còn miễn phí với người dùng, gây khó khăn cho việc phát triển và triển khai các hệ thống GIS. Do đó việc ứng dụng các nền tảng mã nguồn mở để xây dựng và triển khai các hệ thống GIS hiện nay đang là xu hướng chung.

Hệ thống sẽ giúp cải thiện việc số hóa và quản lý thông tin du lịch tại thành phố Cần Thơ. Đồng thời hệ thống cũng cung cấp các tính năng hỗ trợ khách du lịch như: gợi ý địa điểm du lịch và nơi lưu trú theo khoảng cách hoặc theo các bộ lọc được hỗ trợ sẵn, chỉ đường đến các địa điểm cần đến. Góp phần nâng cao sự trải nghiệm cho khách du lịch khi đến với Thành phố Cần Thơ với việc có đầy đủ các thông tin về các địa điểm du lịch, khách sạn hay nhà hàng cũng như dễ dàng tìm kiếm đường đi đến các địa điểm.

Một trong các đặc trưng của GIS so với một hệ thống thông tin thuần túy là yếu tố không gian được xuất hiện trong mô hình dữ liệu. Yếu tố không gian khi hiển thị lại sử dụng kỹ thuật đồ họa. Khi hiển thị một đối tượng ở dạng đồ họa, tùy thuộc vào vị trí, khoảng cách, nhu cầu của con người mà một đối tượng lại được hiển thị ở mức chi tiết khác nhau.

Kết quả đạt được:

• Hệ thống xây dựng hoàn thiện đã đóng góp về mặt thực tiễn với việc thu thập, kiểm tra tính chính xác và xây dựng tọa độ địa lý cho các điểm du lịch, ăn uống và nơi lưu trú tại Thành Phố Cần thơ và góp phần biểu diễn trực quan các địa điểm trên nền tảng GIS.
• Hệ thống giúp cải thiện việc số hóa và quản lý thông tin du lịch tại thành phố Cần Thơ. Đồng thời cung cấp các tính năng hỗ trợ khách du lịch như: gợi ý địa điểm du lịch, ăn uống và khách sạn theo các bộ lọc được hỗ trợ sẵn, chỉ đường đến các địa điểm cần đến. Góp phần nâng cao sự trải nghiệm cho khách du lịch khi đến với thành phố Cần Thơ với việc có đầy đủ các thông tin về các địa điểm du lịch, ăn uống, khách sạn cũng như dễ dàng tìm kiếm đường đi đến các địa điểm.
• Hệ thống giúp thống kê các ý kiến, bình luận của người dùng sau khi đến với các địa điểm, góp phần giúp các chủ doanh nghiệp tương tác cũng như cải thiện chất lượng dịch vụ của địa điểm mình.
• Hệ thống giúp biểu diễn trực quan dữ liệu dưới dạng biểu đồ, giúp du khách cũng như chủ địa điểm du lịch, ăn uống, khách sạn nắm bắt thông tin thống kê thời điểm các lượt khách du lịch đến với thành phố cao hay thấp, khách du lịch trong nước và quốc tế thường đến vào thời gian nào trong năm. Đối với du khách sẽ lựa chọn cho mình thời gian thích hợp khi có nhu cầu du lịch đến với thành phố Cần Thơ. Đối với chủ địa điểm du lịch, ăn uống, khách sạn sẽ thuận tiện cho việc lập kế hoạch hoạt động của địa điểm mình, có thể cải thiện hoặc tăng cường dịch vụ, nhân viên tại các thời gian cao điểm du lịch trong năm.
• Hệ thống thực tế có thể giúp khách du lịch khi đến với thành phố Cần Thơ có thể tra cứu được các thông tin của các địa điểm du lịch, ăn uống, khách sạn có uy tín ở Thành phố Cần Thơ, là các địa điểm đã được Sở văn hóa – thể thao và du lịch TPCT công nhận và thẩm định, các địa điểm ăn uống, quán ăn lớn, nổi bật được chủ doanh nghiệp liên hệ với Sở để quảng bá thương hiệu.
• Hệ thống giúp gợi ý địa điểm du lịch, ăn uống, khách sạn dựa trên thuật toán luật kết hợp, trên cơ sở phân tích dữ liệu hệ thống lưu trữ từ các lịch trình du khách trước đã từng tạo, giúp gợi ý địa điểm tối ưu, phù hợp nhất khi du khách mới tạo lịch trình.

Trân trọng.

Họ và tên: Phan Hữu Phước Lộc

MSSV: 22520794

Lớp: CNTT2022.1

Đề bài: Ước mơ sau này của anh/chị và chọn ra 6 môn học quan trọng mà anh/chị cảm thấy quan trọng trong việc phục vụ ước mơ đó. Giải thích tại sao lại chọn các môn học này.

Bài làm

          Ước mơ của mỗi con người sẽ được chắp cánh theo nhiều cách khác nhau. Đối với tôi, ước mơ nó không còn là một vấn đề nữa mà nó là nguồn cội của sự tồn tại của chúng ta hiện tại. Tôi ước mơ mình trở thành một người ưu tú hơn từng ngày, tôi ước mơ bản thân sẽ có đủ điều kiện để chăm sóc cho những người tôi yêu thương. Tôi hiện thực hóa ước mơ ấy qua sự đam mê của tôi dành cho công nghệ, tôi yêu khoa học, tôi yêu những sự phát triển vượt bậc của công nghệ và tôi muốn dấn thân vào trải nghiệm cùng với nó, tôi muốn hòa vào nó để có thể cống hiến những điều tốt đẹp nhất cho công nghệ. Tôi đặt một niềm tin to lớn của mình vào UIT – ngôi trường Đại học mà tôi hiện đang là sinh viên, tôi tin rằng với sự nỗ lực của bản thân kết hợp với sự hỗ trợ nhiệt tình của đội ngũ giảng viên, tôi có thể trở thành người mà tôi thật sự mong muốn. Để có thể thực được điều ấy, tôi đã chọn ngành “Công nghệ thông tin” của trường - một trong những ngành top đầu với sự rộng rãi về mặt chuyên môn, tôi mong muốn sau khi ra trường, mình sẽ trở thành một web developer. Dưới đây là những môn học tôi nghĩ nó thật sự cần thiết cho tôi khi theo học tại UIT.

Phân loại hình ảnh mối hàn thép dựa trên công nghệ xử lý dữ liệu lớn

Nguyễn Xuân Huy - CH2002007

Khuyết tật hàn là các lỗi được tạo ra do sai lệch về hình dáng bên ngoài, độ nặng và cấu trúc kim loại so với thiết kế trong quá trình làm việc của thợ hàn với máy hàn. Khuyết tật hàn có thể ảnh hưởng đến chất lượng và thẩm mỹ của mối hàn. Trong quá trình sản xuất và thi công thép tiền chế cho các công trình, nếu các khuyết tật mối hàn không được phát hiện sẽ không đảm bảo chất lượng và an toàn cho công trình, cũng như đe dọa tính mạng con người. Trong lĩnh vực gia công, có 2 cách kiểm tra khuyết tật mối hàn là kiểm tra phá hủy và kiểm tra không phá hủy. Kiểm tra phá hủy thường thực hiện trong các phòng thí nghiệm, trong khi kiểm tra không phá hủy thường được ưu tiên thực hiện trong quá trình sản xuất.

Có nhiều phương pháp kiểm tra không phá hủy để kiểm tra khuyết tật trong mối hàn như kiểm tra bằng sóng siêu âm (UT), kiểm tra bằng tia X (RT), kiểm tra bằng tia gamma (GT), kiểm tra bằng dòng điện xoay chiều (ET), và kiểm tra bằng phương pháp quang (VT). Lĩnh vực thị giác máy tính đang được ứng dụng trong các lĩnh vực y tế, an ninh, sản xuất kinh doanh, việc phân loại khuyết tật mối hàn dựa trên hình ảnh cũng có thể thực hiện bằng thị giác máy tính.

Dữ liệu hình ảnh về khuyết tật mối hàn rất đa dạng do quá trình sản xuất. Tuy nhiên, nghiên cứu ứng dụng phân loại khuyết tật mối hàn sử dụng các phương pháp học sâu cho bộ dữ liệu ngày càng lớn sẽ gặp rất nhiều thách thức. Một trong những thách thức lớn nhất đó là chất lượng hình ảnh khi thu thập từ camera hoặc điện thoại thông minh bị ảnh hưởng bởi góc chụp ảnh, độ sáng hoặc các mối hàn bị che khuất. Điều này dẫn đến việc có thể thiếu sót thông tin và làm giảm độ chính xác của mô hình phân loại. Bên cạnh đó, chi phí huấn luyện cho mô hình cũng là một thách thức khác. Một số phương pháp học sâu đòi hỏi một lượng lớn dữ liệu và thời gian để huấn luyện, và việc thu thập dữ liệu phù hợp cũng là một nguyên nhân khó khăn. Ngoài ra, việc xây dựng một mô hình phân loại khuyết tật mối hàn đáng tin cậy và chính xác có thể đòi hỏi sự cân nhắc kỹ lưỡng và công phu trong quá trình thu thập và xử lý dữ liệu.

Để giải quyết những thách thức trên, Luận văn này đề xuất một phương pháp phân hình ảnh mối hàn dựa trên công nghệ xử lý dữ liệu lớn. Phương pháp này sử dụng các mô hình dữ liệu đào tạo trước để học chuyển giao (LT) và dữ liệu đào tạo áp dụng phương pháp đào tạo song song phân tán. Nền tảng tập trung dữ liệu Apache Spark kết hợp thư viện BigDL giúp cho việc huấn luyện phát hiện khuyết tật mối hàn trở nên nhanh chóng và chính xác hơn.

Từ kết quả thực nghiệm 1 của bộ dữ liệu hàn nhiệt gồm 9,058 hình ảnh cho thấy, Trong tác vụ 3 class, mô hình EfficientNetB0 cho kết quả thấp nhất (0.4394, 0.2035 và 0.2683 cho các độ đo Accuracy, Macro F1-score và Weighted F1-score), trong khi ResNet101 và VGG16 cho kết quả tốt hơn. VGG16 cho kết quả tốt nhất trong 5 mô hình cài đặt (với 0.8230 Accuray, 0.8205 Macro F1-score và 0.8222 Weighted F1- score). Trong tác vụ 7 class, EfficientNB0 và VGG16 lần lượt cho kết quả không tốt đồng thời hiệu suất của các mô hình ở tác vụ 7 class thấp hơn khoảng 20% so với tác vụ 3 class.

Căn cứ kết quả thí nghiệm 2 có thể đánh giá thời gian trung bình huấn luyện mô hình từ xxx giây cho bộ dữ liệu 9,058 tấm ảnh cho huấn luyện song song phân tán trên mạng LAN so với xxx giây của qua VPN, độ chính xác đạt xx%. Với phương pháp Đồng bộ hóa Dữ liệu Song Song, Kết quả cho thấy rằng huấn luyện trên một GPU chỉ nhanh hơn một chút so với nhiều GPU (xxs / epoch so với xxs / epoch). Tuy nhiên, nếu huấn luyện mô hình với lượng dữ liệu lớn khả năng xử lý của 1 GPU thì việc sử dụng chỉ 1 GPU để huấn luyện có thể gây khó khăn và trở nên quá tải. Giải pháp hợp lý trong trường hợp này là sử dụng huấn luyện mô hình song song và phân tán dữ liệu. Đó là một trong những giải pháp tốt nhất để làm việc với dữ liệu lớn hiện nay.

Từ những kết quả này, ta có thể thấy rằng công nghệ xử lý dữ liệu lớn là một phương pháp phù hợp trong việc phân loại hình ảnh khuyết tật mối hàn thép. Việc áp dụng công nghệ này giúp tăng độ chính, giảm thời gian đáng kể xử lý đào tạo dữ liệu và giúp giảm chi phí đào tạo. Ngoài ra, phương pháp này chứng tỏ có hiệu quả và thiết thực trong ứng dụng thực tế.

Trân trọng.