Hệ thống Phân loại Âm thanh Loài chim sử dụng Deep Learning (EfficientNet-B7 + LSTM)

ĐỀ TÀI: NGHIÊN CỨU VÀ XÂY DỰNG HỆ THỐNG PHÂN LOẠI ÂM THANH LOÀI CHIM SỬ DỤNG MÔ HÌNH LAI DEEP LEARNING (EFFICIENTNET-B7 + LSTM) Đây là Đồ án Tốt nghiệp Đại học chính thức của tôi tại Trường Đại học Khoa học Tự nhiên - ĐHQG TP.HCM (HCMUS). Đề tài tập trung vào việc nghiên cứu, phát triển và tối ưu hóa hệ thống Trí tuệ Nhân tạo (AI) nhằm tự động nhận diện và phân loại tiếng chim từ các nguồn âm thanh môi trường thực tế (Bioacoustics). Các kỹ thuật chuyên sâu và công nghệ cốt lõi được áp dụng trong dự án: 1. Xử lý tín hiệu số (Digital Signal Processing - DSP): - Sử dụng thư viện Librosa để phân tích âm thanh kỹ thuật số. - Thực hiện trích xuất đặc trưng bằng cách chuyển đổi tín hiệu âm thanh dạng sóng (Waveform) sang dạng ảnh phổ tần số Mel-Spectrogram (trực quan hóa miền thời gian - tần số). 2. Kiến trúc mô hình Hybrid AI tiên tiến: - EfficientNet-B7: Mạng CNN (Convolutional Neural Network) hiệu năng cao đóng vai trò trích xuất các đặc trưng không gian (spatial features) từ ảnh phổ spectrogram. - LSTM (Long Short-Term Memory): Mạng nơ-ron hồi quy (RNN) xử lý các đặc trưng thời gian (temporal features), phân tích sự biến đổi của âm thanh theo chuỗi thời gian để nâng cao độ chính xác. 3. Môi trường huấn luyện & Tối ưu hóa: - Huấn luyện mô hình quy mô lớn trên nền tảng điện toán đám mây Google Colab và Kaggle, tận dụng tối đa hiệu năng tăng tốc phần cứng của GPU (CUDA). - Ngôn ngữ & Framework: Python, PyTorch, TensorFlow. Kết quả & Giá trị đạt được: - Xây dựng thành công Pipeline hoàn chỉnh (End-to-End): Từ khâu tiền xử lý âm thanh thô, trích xuất spectrogram, cho đến đưa ra dự đoán loài chim với độ chính xác cao (Accuracy). - Dự án là minh chứng thực tế cho năng lực lập trình Python nâng cao, xử lý dữ liệu lớn (Big Data), xử lý tín hiệu âm thanh (Audio Processing) và thiết kế hệ thống Deep Learning phức tạp của tôi.