Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

ỨNG DỤNG AI-VISION PHÁT HIỆN SỰ CỐ TRÊN BĂNG
CHUYỀN TRONG NHÀ MÁY SẢN XUẤT THÔNG MINH
Đinh Hữu Đức, Nguyễn Văn Thành, Đinh Triều Dƣơng, Hồng Văn Xiêm
Khoa Điện tử - Viễn thơng, trƣờng Đại học Công nghệ, Đại học Quốc Gia Hà Nội
Email: , , ,

Tóm tắt—Ngày càng có nhiều sự quan tâm đến
ý tưởng về các nhà máy thông minh với 92% giám
đốc điều hành sản xuất tin rằng đây là con đường
của tương lai, với lượng dữ liệu đang tăng lên từng
ngày mơ hình nhà máy thơng minh là một mơi
trường nơi máy móc và thiết bị có thể cải thiện quy
trình thơng qua tự động hố và tối ưu hố, do đó
cần tận dụng các giải pháp thơng minh hơn để làm
cho tồn bộ quy trình của nhà máy hiệu quả và có
thể mở rộng. Cho đến thời điểm hiện tại thì cơng
nghệ trí tuệ nhân tạo (AI) đang mang đến cho các
nhà máy sản xuất một khả năng chưa từng có để
đẩy mạnh năng lực sản xuất, tối ưu hóa chuỗi cung
ứng và tăng tốc độ nghiên cứu và phát triển, nhưng
thực tế thì chưa có nhiều nghiên cứu và ứng dụng
AI trong nhà máy sản xuất thông minh. Để giải
quyết việc đưa ra các giải pháp thông minh hơn
trong nhà máy sản xuất, trong bài báo này chúng
tôi đề xuất hệ thống ứng dụng AI – Vision để giám
sát và phát hiện với khoảng cách sản phẩm nằm sát
mép băng chuyền <8mm, điều này giúp cảnh bảo
sớm và giúp kĩ sư xử lý kịp thời các hiện tượng
phát sinh nhằm giảm thiểu lỗi sản phẩm không

mong muốn. Kết quả đánh giá cho thấy, ứng dụng
thuật toán SVM và CNN có thể giúp nhận diện và
cảnh báo chính xác tới 91.81%.

của Deloittecho[5] cho thấy chỉ 5% các nhà sản xuất
Hoa Kỳ đã chuyển đổi hồn tồn ít nhất một nhà máy
thông minh, trong khi khoảng 30% báo cáo các sáng
kiến nhà máy thông minh đang diễn ra. AI là rất quan
trọng đối với việc kích hoạt nhà máy thông minh và
việc triển khai AI trong các hoạt động công nghiệp
cũng là một thách thức lớn [5].
Hiện nay, nhiều máy móc đã vƣợt qua khả năng
nhận diện, phân tích hình ảnh bằng mắt thƣờng của
con ngƣời. Thị giác máy tính đƣợc xem là một trong
những lĩnh vực thuộc AI và mang lại nhiều ứng dụng
thực tiễn cho cuộc sống của con ngƣời. Một số ứng
dụng phổ biến trong đời sống con ngƣời đƣợc nhiều
ngƣời biết đến nhƣ nhận diện giao thông [7], nhận
diện biển số xe, nhận diện mặt ngƣời hoặc nhận diện
các đồ vật, loài cây, hoa [6].
Trong bài viết này chúng tôi xin đề xuất một
nghiên cứu về việc ứng dụng AI-Vision trong việc
nhận diện và cảnh báo tình trạng sản phẩm trên dây
chuyền sản xuất điện thoại di động trong nhà máy
thơng minh. Đó là khi sản phẩm chạy trên băng tải bị
phát sinh các trƣờng hợp đặt lệch làm sản phẩm có thể
va chạm với thành băng tải, hoặc đặt chồng sản phẩm
lên nhau gây ra các lỗi chipping, xƣớc, rách tab… Để
cải thiện vấn đề này thơng thƣờng có thể lắp các
sensor quang ở hai bên thành băng tải để phát hiện

việc sản phẩm màn hình điện thoại có bị đặt lệch và va
chạm với thành băng tải hay không, phƣơng pháp này
rất dễ lắp đặt nhƣng có một nhƣợc điểm đó là trong
trƣờng hợp bề mặt băng tải bị cong vênh hoặc sensor
bị lệch trong q trình hoạt động có thể ảnh hƣởng đến
khả năng phát hiện sự cố đặt lệch của sản phẩm trên
băng tải, thêm vào đó phƣơng pháp này chỉ phát hiện
đƣợc lỗi của sản phẩm đặt lệch sát mép của băng tải
mà chƣa phát hiện đƣợc lỗi sản phẩm đặt chất chồng
lên nhau. Một phƣơng pháp khác cũng có thể đƣợc sử
dụng đó là láp camera giám sát, nhƣng phƣơng pháp
này mang lại hiểu quả khơng cao vì camera đơn thuẩn
chỉ đƣợc lắp đặt để theo dõi và ghi lại q trình sản
xuất mà khơng có bất cứ hành động cụ thể nào cho đến
khi con ngƣời can thiệp.
Do đó trong bài báo này chúng tơi đƣa ra một
phƣơng pháp có thể cải thiện hiệu quả các vấn đề trên
bằng việc ứng dụng AI-Vision để phát hiện và cảnh
báo sớm khi phát sinh các trƣờng hợp sản phẩm điện
thoại đặt lệch hoặc chồng lấn lên nhau (Hình 1). Trong
tất cả các bài tốn áp dụng AI thì vấn đề quan trọng
nhất để có một mơ hình đào tạo tốt đó là phải có bộ dữ

Từ khóa—Smart factory, AI-Vision smart factory,
AI-Vision
I.

GIỚI THIỆU

Trong những năm gần đây, cùng với sự phát triển

mạnh mẽ trong nhiều lĩnh vực khoa học công nghệ và
sự ra đời của các thiết bị số hiện đại, nền công nghiệp
4.0 là một thuật ngữ phổ biến trên khắp các tờ báo nói
chung hoặc trên các trang web của cơng ty nói riêng,
với một trong những cấu trúc quan trọng của nền cơng
nghiệp 4.0 đó chính là mơ hình nhà máy thơng minh
[1]. Với một tầm nhìn về mơi trƣờng sản xuất trong đó
các cơ sở sản xuất và hệ thống hậu cần đƣợc tổ chức
mà không cần có sự can thiệp của con ngƣời. Việc ứng
dụng cơng nghệ đang làm cho quá trình sản xuất ngày
càng trở nên thông minh và năng động [2].
Các công nghệ nhà máy thông minh sử dụng nhƣ
internet of things (IoT), edge computing, autonomous
vision systems, AI và Machine Learning có thể cải
thiện đáng kể chi phí, thơng lƣợng, chất lƣợng, an tồn
và tăng trƣởng doanh thu. Một cuộc khảo sát gần đây

ISBN 978-604-80-5958-3

328


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

liệu chuẩn và đa dạng, do đó phƣơng pháp đƣợc đề
xuất này của chúng tơi hồn tồn hứa hẹn tính chính
xác cao do mơ hình học máy có đƣợc dựa trên bộ dữ
liệu rất dồi dào trong quá trình sản xuất của nhà máy
vì vậy việc đào tạo trở nên rất dễ dàng và khả năng
phát hiện lỗi phát sinh đạt hiệu quả cao nhất.


chuyển trên băng tải sau đó đƣợc camera chụp và ghi
lại gửi về cho PC thông qua hệ thống truyền thông
TCP/IP bởi các dây kết nối, tại đây máy tính có nhiệm
vụ là trung tâm điều khiển tiếp nhận hình ảnh từ
camera gửi về, xử lý, phát hiện và gán nhãn cho sản
phẩm điện thoại đã đặt OK hay NG tƣơng ứng trên
băng tải. Phƣơng pháp và thuật toán để xử lý hình ảnh
phân loại sản phẩm đƣợc sử dụng trong bài báo này
dựa vào hai thuật toán SVM và CNN đƣợc triển khai
trên ngôn ngữ python và thƣ viện xử lý ảnh OpenCV.
Dƣới đây là một số thông số chi tiết trong thành phần
hệ thống vision trong phƣơng án đƣợc đề xuất:






Camera : Basler Ace 2 Pro – 10 Megapixel –
60 fps (khung hình trên giây)
PC : Intel® Core™ i7-4800MQ @2.7 GHz ,
RAM 4 GB, hệ điều hành Window 10, 64-bit
Môi trường kiểm thử: Anacoda 3 - python 3,
openCV 2
Băng chuyền : Kích thƣớc 500x1600mm
Dây kết nối.

Hình 2: Mơ tả hệ thống


Hình 1: Mơ tả hệ thống ứng dụng AI-Vision vào
việc quản lý và cảnh báo các trường hợp gây lỗi
sản phẩm trên băng chuyền.

B. Mô tả cách xác định sản phẩm

Trong phần tiếp theo của bài báo này, chúng tơi
trình bày về đề xuất hệ thống ứng dụng AI-Vision vào
phát hiện lỗi trên băng tải (phần II) và các phƣơng
pháp AI để đào tạo sẽ đƣợc giới thiệu trong phần III.
Tiếp đó, phần IV sẽ trình bày về kết quả thực nghiệm
thực tế và các phân tích đánh giá, đây là cơ sở cho
phần kết luận chúng tơi nêu trong phần V.
II.

ĐỀ XUẤT HỆ THỐNG
Hình 3: Mơ tả trạng thái sản phẩm [OK] [NG]

A. Xây dựng hệ thống
Để quan sát xác định đƣợc lỗi có phát sinh đối với
sản phẩm hay không, trong nghiên cứu của chúng tơi
đề xuất sử dụng hệ thống AI-vision (hình 2), cách tiếp
cận này đƣợc thực hiện để phân loại sản phẩm mà
không làm thay đổi cấu trúc của dây chuyền sản xuất
thực tế. Hệ thống vision của chúng tôi đƣợc đƣợc xây
dựng bao gồm một camera có độ phân giải cao: 10
megapixel với tốc độ xử lý 60 fps (khung hình trên
giây) và một nguồn sáng từ đèn Led để đảm bảo độ
sáng khơng bị biến đổi nhiều trong q trính quan sát
sản phẩm. Mỗi panel (sản phẩm điện thoại) đƣợc vận


ISBN 978-604-80-5958-3

Cách tiếp cận đƣợc đề xuất trong nghiên cứu của
bài báo này để nhận biết sản phẩm điện thoại có lỗi hay
khơng đƣợc xử lý qua một PC nhƣ thể thiện trong hình
2. Tại đây PC sẽ chứa tất cả tập dữ liệu đào tạo và kiểm
tra cùng với chƣơng trình phân loại để nhận hình ảnh
gửi về, các hình ảnh sẽ đƣợc thay đổi với cùng kích
thƣớc và đƣợc xử lý để đƣa ra phán định. Các lỗi đƣợc
xem xét trong phân loại ở đây đƣợc chia thành 2 loại
chính : OK (All correct) và NG (Not good), trong loại
sản phẩm [NG] gồm 2 loại lỗi điện thoại đặt sát mép

329


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

băng tải hoặc điện thoại bị đặt xếp chồng lên nhau chi
tiết thể hiện trong hình 3. Sản phẩm OK là sản phẩm
khơng nằm sát mép của băng tải với khoảng cách
>8mm và không bị đặt chồng lấn tác động vào nhau.
Cách phân loại sản phẩm [OK] hay [NG] này dựa theo
kinh nghiệm và dữ liệu chạy trực tiếp trong dây truyền
nhà máy dựa trên đó để thiết lập tập dữ liệu đào tạo.
Các sản phẩm OK sau đó sẽ tiếp tục đƣợc robot gắp đi,
còn đối với trƣờng hợp phát sinh NG hệ thống sẽ dừng
và cảnh báo để đƣợc khắc phục kịp thời.
III.


Kết hợp hai điều kiện trên, có y(w.x + b)>= 1.
Khoảng cách của siêu phẳng và
đến
là
.
Cần tìm siêu phẳng
với lề lớn nhất, là giải bài tốn
tối ƣu tìm w và b sao cho:
đạt cực đại với ràng
buộc (w. + b) >= 1. Tƣơng đƣơng với bài toán cực
với điều kiện: (w.
+ b) ≥ 1, mọi
tiểu hóa:
i=1…r. Lời giải cho bài tốn tối ƣu này là cực tiểu hóa
hàm Lagrange:

CÁC PHƢƠNG PHÁP AI-VISION

L(w,b,α)=

A. Phương pháp sử dụng thuật toán SVM
SVM là một giải thuật máy học dựa trên lý thuyết
học thống kê do Vapnik and Chervonenkis (1974),
Vapnik (1999) xây dựng. Bài toán cơ bản của SVM là
bài toán phân loại hai lớp: Cho trƣớc r điểm trong
không gian n chiều (mỗi điểm thuộc vào một lớp kí
hiệu là +1 hoặc –1), mục đích của giải thuật SVM là
tìm một siêu phẳng (hyperplane) phân hoạch tối ƣu
cho phép chia các điểm này thành hai phần sao cho

các điểm cùng một lớp nằm về một phía với siêu
phẳng này [8]. Hình 4 cho một minh họa phân lớp với
SVM trong mặt phẳng.

|

|

∑

α

(|

|

)

Trong đó, α là các hệ số Lagrange, α≥0.
Lời giải tìm siêu phẳng tối ƣu trên có thể mở rộng
trong trƣờng hợp dữ liệu khơng thể tách rời tuyến tính
bằng cách ánh xạ dữ liệu vào một khơng gian có số
chiều lớn hơn bằng cách sử dụng một hàm nhân K
(kernel). Một số hàm nhân thƣờng dùng nhƣ:
- Hàm tuyến tính có dạng K(x,y)=x.y
- Hàm đa thức có dạng K(x.y)=
)
- Hàm RBF (Radial Basis Function) có dạng
K(x, y) =
Với khả năng vƣợt trội của SVM về tính hiệu quả,

độ chính xác, khả năng xử lý các bộ dữ liệu một cách
linh hoạt, việc sử dụng máy vectơ hỗ trợ SVM đã và
đang là sự lựa chọn tối ƣu nhất trong việc giải quyết
các bài toán phân loại/dự báo trong một số các ngành
khoa học [9]. Bài viết này áp dụng phƣơng pháp phân
lớp sử dụng máy vectơ hỗ trợ SVM cho bài tốn cảnh
báo trên dây chuyền sản xuất điện thoại.

Hình 4: Ví dụ minh họa phân lớp với SVM.
Xét tập r mẫu huấn luyện {( , ), ( , ),…
( , )}. Trong đó là một vector đầu vào đƣợc biểu
diễn trong không gian X  , là một nhãn lớp;
 1,1. Siêu phẳng tối ƣu phân tập dữ liệu này
thành hai lớp là siêu phẳng có thể tách rời dữ liệu
thành hai lớp riêng biệt với lề (margin) lớn nhất. Tức
là, cần tìm siêu phẳng : y = w.x + b = 0 và hai siêu
phẳng
,
hỗ trợ song song với
và có cùng
khoảng cách đến . Với điều kiện khơng có phần tử
nào của tập mẫu nằm giữa
và
, khi đó:

Hình 5: Áp dụng thuật toán SVM trong việc cảnh báo
các trường hợp sản phẩm lỗi trên băng chuyền




: w.x + b >= +1 với y = +1
: w.x + b >= -1 với y = -1

ISBN 978-604-80-5958-3

330

Bƣớc 1: Đọc dữ liệu ảnh.
Bƣớc 2: Sử dụng thuật toán HOG (Histogram Of
Oriented Gradient). Thuật tốn này sẽ tạo ra các
bộ mơ tả đặc trƣng nhằm mục đích phát hiện vật
thể. Từ một bức ảnh, ta sẽ lấy ra 2 ma trận quan
trọng giúp lƣu thơng tin ảnh đó là độ lớn gradient
(gradient magnitute) và phƣơng của gradient
(gradient orientation). Bằng cách kết hợp 2 thông
tin này vào một biểu đồ phân phối histogram,
trong đó độ lớn gradient đƣợc đếm theo các nhóm
bins của phƣơng gradient. Cuối cùng ta sẽ thu


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)

đƣợc véc tơ đặc trƣng HOG đại diện cho
histogram [10].
OK (All correct)

NG (Not good)

Hình 6: Histogram Of Oriented Gradient





Bƣớc 3: Áp dụng thuật toán SVM để phân loại
ảnh trƣờng hợp NG và OK.
Bƣớc 4: Gán Label.

B. Phương pháp CNN
Convolutional Neural Network (CNNs – Mạng nơ-ron
tích chập) [11] là một trong những mơ hình Deep
Learning tiên tiến, giúp cho chúng ta xây dựng đƣợc
những hệ thống thơng minh với độ chính xác cao. Vì
vậy trong bài tốn nhận diện ảnh này chúng tơi áp
dụng một mơ hình CNN vào để nhận biết việc điện
thoại đặt [OK] hay [NG] trên băng tải hay không, cấu
trúc mơ hình CNN đƣợc thể hiện trong hình 6. Trong
mơ hình này hình ảnh đầu vào đƣợc tiền xử lý thay đổi
đƣa về cùng một kích thƣớc 64*64 pixel sau đó đƣợc
đƣa vào 2 lớp tích chập với số bộ lọc lần lƣợt là 64 và
128 có kích thƣớc kernel 3*3 và bƣớc nhảy là 1, cùng
với đó hàm kích hoạt Relu đƣợc sử dụng cho tính phi
tuyến của mạng, tiếp đó hàm Maxpooling 2*2 đƣợc áp
dụng để lấy đặc điểm nổi bật nhất và giảm kích thƣớc
chiều dài, chiều rộng đi một nửa. Sau đó các node của
mạng sẽ đƣợc kết nối tồn bộ và làm phẳng thơng qua
hàm Flatten và Dense của lớp Full connection, cuối
cùng ở lớp ouput chúng tơi sử dụng hàm softmax để
dự đốn xác xuất các node tại đầu ra.

Hình 7: Mơ hình CNN

Mơ hình CNN mà chúng tơi áp dụng gồm có 4 loại
layers [12]:
Conv+Relu: Áp dụng cho layer Ci (i=1,2). Phép tích
chập trƣớc tiên đƣợc thực hiện để tạo ra 2(i + 5) bản đồ
đối tƣợng (feature maps). Sau đó hàm kích hoạt Relu
(rectified linear unit) đƣợc sử dụng cho tính phi tuyến.
Max pooling: Mạng sử dụng layer max pooling 2*2
với bƣớc nhảy (stride) là 1, dùng để trích xuất mẫu của
bản đồ đối tƣợng.
Full Connection: Layer này chúng tôi áp dụng hàm
Flatten và Dense để kết nối toàn bộ các node trong đầu
ra của mạng.
Output layer: Layer này kết nối hoàn tồn với layer
trƣớc đó (Layer full connection) và xuất ra vector 2*1
là xác xuất phân loại của đầu ra sử dụng hàm softmax.
IV.

KẾT QUẢ VÀ ĐÁNH GIÁ

Để đánh giá độ chính xác của các mơ hình chúng tơi
đã thực hiện việc mô phỏng và kiểm thử trên bộ dữ
liệu gồm 350 chụp thực tế chia làm 2 tập training và
testing trong đó dữ liệu training gồm 140 ảnh OK và

ISBN 978-604-80-5958-3

331


Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021)


100 ảnh NG và tập testing gồm 110 ảnh với tỉ lệ
OK/NG là 50/60. Số lƣợng cụ thể đƣợc thể hiện ở
bảng 1.

suất thiết bị tốt trong các dây chuyền công nghiệp hiện
đại và nghiêm ngặt.
TÀI LIỆU THAM KHẢO

Bảng 1: Dữ liệu đánh giá
Hạng mục
Số lƣợng
ảnh

Phân loại

Training

OK

140

NG
Total

Testing

[1]

Total


50

190

100

60

160

240

110

350

[2]

Bảng 2 tổng hợp dữ liệu kết quả độ chính xác của
các model trong các phƣơng pháp AI đƣợc sử dụng.
Chỉ với tập dự liệu training không quá lớn 350 ảnh
(140 ảnh OK và 100 ảnh NG) nhƣng độ chính xác đã
đạt khá cao với Model SVM (kernel=”rbf”) đạt
91,81% và model CNN 91,81%. Điều này hứa hẹn tỷ
lệ chính xác có thể cải thiện hơn rất nhiều nếu tập dữ
liệu đƣợc training đủ lớn và đang dạng hơn khi đƣợc
lấy từ trong nhà máy. Hơn nữa với tập dữ liệu đã có ở
trên thì thời gian huấn luyện khá nhanh trong khoảng
từ 23s-25s đối với có model SVM và cao nhất là 64s

đối với model CNN thêm vào đó thời gian xử lý dự
đốn xác định hình ảnh chỉ trong khoảng 0.1-0.2s
(bảng 3) nên hoàn toàn đáp ứng đƣợc trong dây
chuyền khi sản xuất tự động liên tục của nhà máy.

[3]

[4]

[5]

[6]

[7]

Bảng 2: Độ chính xác của các mơ hình (%)
Số lƣợng
kiểm thử

Phƣơng pháp
SVM(kernel="linear")
SVM(kernel="poly")
SVM(kernel="rbf")

110
110
110

SVM(kernel="sigmoid")
CNN (20 epochs)


Dự đốn
đúng

Độ chính
xác (%)

98
99
101

89.09%
90%
91.81%

110

60

54.54%

110

101

91.81%

[8]

[9]


[10]

Bảng 3: Thời gian xử lý
Thời gian
(Tiền xử lý Training)

Thời gian dự
đoán
(second/Image)

SVM(kernel="linear")

24.27 s

0.123 s

SVM(kernel="poly")

25.29 s

0.132 s

SVM(kernel="rbf")
SVM(kernel="sigmoid")
CNN (20 epochs)

23.74 s
24.92 s
64.03 s


0.113 s
0.127 s
0.105 s

Phƣơng pháp

V.

[11]

[12]

KẾT LUẬN

Trong bài viết này chúng tơi đã nghiên cứu một số
phƣơng pháp (mơ hình SVM, CNN) để áp dụng xác
định phát hiện điện thoại đặt OK, NG trên băng truyền
trong nhà máy. Qua kết quả thực nghiệm đã khẳng
định tính đúng đắn của phƣơng pháp đƣợc đề xuất, đây
là một phƣơng pháp cải tiến có khả năng áp dụng thực
tế cao và đồng loạt với độ chính xác đáng tin cậy rất
hữu ích cho việc đảm bảo chất lƣợng sản phẩm và hiệu

ISBN 978-604-80-5958-3

332

PhilippOsterrieder, LukasBudde, ThomasFriedli, “The smart
factory as a key construct of industry 4.0: A systematic

literature review” International Journal of Production
Economics, Volume 221, March 2020, 107476
Petrillo, A.; De Felice, F.; Cioffi, R.; Zomparelli, “Digital
Transformation in Smart Manufacturing”, IntechOpen:
London, UK, 2018; pp. 1–20
Michele Calì “Smart Manufacturing Technology” Department
of Electrical, Electronics and Computer Engineering (DIEEI),
University of Catania, 95124 Catania, Italy, Appl.
Sci. 2021, 11(17), 8202
Chen, B., Wan, J., Shu, L., Li, P., Mukherjee, M., & Yin, B.
(2018). “Smart Factory of Industry 4.0: Key Technologies,
Application Case, and Challenges”. IEEE Access, 6, 6505–
6519. doi:10.1109/access.2017.2783682
Frank Herrmann. “The Smart Factory and Its Risks”. OTH
Regensburg, Innovation and Competence Centre for
Production Logistics and Factory Planning, P.O. Box 120327,
93025 Regensburg, Germany, Systems 2018, 6(4), 38;
/>Yu Sun, Yuan Liu, Guan Wang, and Haiyan Zhang “Deep
Learning for Plant Identification in Natural Environment”
1School of Information Science and Technology, Beijing
Forestry University, Beijing 100083, China 22 May 2017
MihainDaniel RADU, Ilona Madalina COSTEA, Valentin
Alexandru STAN “Automatic Traffic Sign Recognition
Artificial Inteligence - Deep Learning Algorithm” 25-27 June
2020
Wun-Hwa Chen, Sheng-Hsun Hsu∗, Hwang-Pin Shen,
“Application of SVM and ANN for intrusion detection”
National Taiwan University, No. 1, Section 4, Roosevelt Road,
Taipei 106, Taiwan Accepted 29 March 2004
Durgesh K. Srivastava, Lekha Bhambh, “Data classification

using support vector machine” Journal of Theoretical and
Applied Information Technology 12(1):1-7, february 2010.
N. Dalal and B. Triggs. ”Histograms of oriented gradients for
human detection” 2005 IEEE Computer Society Conference on
Computer Vision and Pattern Recognition (CVPR'05). 20-25
June 2005
Saad Albawi, Tareq Abed Mohammed, Saad Al-Zawi,
“Understanding of a convolutional neural network”, 2017
International Conference on Engineering and Technology
(ICET), DOI: 10.1109/ICEngTechnol.2017.8308186
Shyava Tripathi, Rishi Kumar, “Image Classification using
small Convolutional Neural Network”, 2019 9th International
Conference on Cloud Computing, Data Science & Engineering
(Confluence), DOI: 10.1109/CONFLUENCE.2019.8776982