Chương 1. Giới thiệu dé tài. Các nghiên cứu liên quan.3, Mô tả bài toán 1. Phạm vi và mục tiêu để tài.
— Phạm vi dé tài 1. Mục tiêu đề tài.2cc2222vv 222 tre 6 1. Thách thức của đề tài. Đóng góp của để tài.
Cấu trúc khóa luận.-----¿-22++++22V+++22EEE+++222EE++222232222ExErtrrkrcree 6 Chương2.2--+¿¿+2VE+++tSEEEEE+ttEEExzrrrrrsecree § 2. 6+ + ST HH re8 2. Định nghĩa Machine Learning.--- ¿+ +55 ssx+xsv£vevxsrexseeee 8 2. Các giải thuật Machine Learning.
Bài toán Machine Learning trong đề tài. Giới thiệu bài toán phát hiện đối TƯỢN. Ham kich hoat 0117. Convolutionnal Neural Network.
Cấu trúc CNN. Phát hiện đối tượng bằng Viola-Jones. Giới thiệu Viola - Jones. Dac trưng Haar-Like.
Dac trưng LBP. Phát hiện đối tượng bằng SSD với MobileNet. Gidi thiệu SSD. Giới thiệu MobileNet.
Phát hiện đối tượng với YOLOv4 và YOLOv4 tiny 2. Giới thiệu YOLO. Giới thiệu YOLOv4. Giới thiệu YOLOv4 tỉny.
Nhận diện ký tự với SVM.-----222222vvvrrrttEEEErtrrrrrrrrrrrrrrrrrrrrri 42 Chương3. | MO HÌNH PHÁT HIỆN VÀ NHAN DIEN BIEN SO XE. Tổng quan mô hình. Tập dữ liệu.
Mô hình phát hiện khung biển số SSD. Phan vùng va gan nhãn dữ liệu. Chuẩn bị các mô hìnhh. Tạo dữ liệu huấn I0 50.
Tạo Label Map va cấu hình huấn luyện. Định nghĩa các mô hình. Mô hình phát hiện khung biển số HAAR/LBP Cascade 3. Phân vùng đối tượng.
Tạo tập samples. Mô hình phát hiện khung biển số YOLO. Phan vùng va gan nhãn dữ liệu. Mô hình nhận diện ký tự trên khung biển só SVM.
Huấn Wy 6tescecccccseccssssssecscsssseesssssessssssuessssssseessssussessssecsessseeseessseesesssees 68 Chuong 4. THỰC NGHIỆM VÀ DANH GIÁ. Phuong pháp đánh giá. Các chỉ số cho bài toán phát hiện đối tượng.
Các định nghĩa quan trọng. Môi trường thực nghiệm. Câu hình phan cứng. Thông số kỹ thuật.
Cài đặt môi trường. Hệ điều hành. Cài đặt và kích hoạt môi trường ảo. Kết quả đạt được.
Hướng phát triển dé tài. TÀI LIEU THAM KHẢO.--222:22222222ES2222223222223112221111222211 2212 re85 DANH MỤC HÌNH Hình 2. Sử dụng phát hiện đối tượng để xác định vị trí và phân loại đối tượng [12] —. Minh họa mô hình RCNN [15].
Minh họa mô hình YOLO [20] .- ----- ¿5c 5222 S2 *++£++eE+>exeexeseexssz 3 Hình 2. So sánh mang nơ-ron đơn giản và mạng no-ron học sâu [24]. Cấu tạo của mạng nơ-ron nhân CAO .- ¿+ 5+ + sx‡£vteerkeerxexreree 5 Hình 2. Cấu tạo của nơ-ron sinh UY H443.--- - ¿+6 E2 SE 12 912311113 111111101 11010111 1H 0101 têc 6 Hình 2.
Đồ thị biểu diễn hàm kích hoạt ngưỡng. Đồ thị biểu diễn hàm kích hoạt Sigmoid.----¿£©2s2zz2225sce2 8 Hình 2. Dé thị biểu diễn ham kích hoạt tanh. Dé thị biểu diễn ham kích hoạt ReLU.
Đầu vào và bộ lọc của lớp tích chập. Cách thức hoạt động của lớp tích chập. Cách thức hoạt động của lớp tích chập .----¿-¿-+- << ++zx+cs+21 Hình 2. Hình anh minh họa khi Stride = l.
Hình ảnh minh họa khi Padding = 1 va Stride = l. Hình anh minh họa ReLU. Hình anh minh họa hoạt động của Max Pooling. Detection cascade trong thuật toán Viola-Jones [26].
Đặc trưng Haar-Like [26].-- -- -- - St SE EEEEekekerkrrererree 27 Hình 2. Ví dụ về LBP operator cơ bản [36]. Các ví dụ về điểm lấy mẫu va bán kính khác nhau của LBP [36]. Minh họa kiến trúc mạng SSD [37] Hình 2.
Minh họa depthwise convolution và pointwise convolution [40]. Sơ đồ kiến trúc mạng YOLO. Các layer trong mạng darknet-53 [22]. Kiến trúc output của model YOLO.
Hyperplane phân tách [48]. Hyperplanes phân tách tuyến tính [49].---- z++2+zz+2z+sc+z 44 Hình 3. Mô hình nhận diện biển số xe. Minh hoa tập dữ liệu — tập dương.
Minh họa tập dữ liệu — tập âm.--- ¿+ ¿2 5< *£zx+keerkerrkrkeree 46 Hình 3. Minh họa lớp ký tur Roo eeceeeseseseeeeeeseseseseneeeeseeseecaeeeeeneserseseeeeeeeeeeeeaeaes 47 Hình 3. Gan nhãn dữ liệu cho các mô hình SSD. --- «+ ++x<+x+xc++vxsxe 48 Hình 3.
Minh họa nội dung file label xml. Cài đặt Notebook sử dụng GPU. Liên kết Notebook với Drive. Gan nhãn dữ liệu cho các mô hình Viola — Jones.
Minh họa nội dung file label location. Các tham số hỗ trợ tạo samples. Bộ tham SỐ create_samples 61 Hình 3. Các tham số opencv_traincascade hỗ UO seecesceccessesseessessessssseesessessesseesees 62 Hình 3.Gán nhãn dữ liệu cho các mô hình YOLO.
Minh họa nội dung file label tX(.- -- 6 5+ S+££x+xz£vrereeerevexev 63 Hình 3. Clone mã nguồn Darknet về máy ảo Google Colab. Thay đổi file makefile.-¿--22£222++t2EESS+ttEEEErretrrvrrrrrrrrcee 66 Hình 3. Dữ liệu huấn luyện cho model nhận diện kí tự.
Minh họa dit liệu ký tự No. eee esseseesesseseesesesessesessessesnsssssaeeneeneaees 68 Hình 4. Cách tính IoU [53]. --- - 5c + 3+ St 3233 E*EEvE+tEeEEexrxrxerrrvrrrrerrrrerrrrrrree 71 Hình 4.
Sơ đồ cấu tao Raspberry Pi 4 Model B. Trường hợp điều kiện thử nghiệm tốt. Trường hợp nhận sai ký tự B — 8. Trường hợp nhận sai ký tự B — Ú.--¿-¿- + + St+t+ketekerrkekererree 79 Hình 4.
Mô hình không thể contour tất cả ký tự trong trường hợp ảnh hưởng bởi ngOại Cảnh.- ¿óc 11v HH1 T HT HH TH HH TT HH ng vi. Mô hình không thé contour tat cả ký tự trong trường hợp ảnh hưởng bởi ngoại cảnh Hình 4. Mô hình vẫn có thể hoạt động khi chịu tác động của ánh sáng Hình 4. Trường hợp biển số bị nghiêng.-----c222cc+2222Evveerrrrrrrrrrrrer 81 DANH MỤC BANG Bảng 2.
Kiến trúc mạng của MobilelNet. Depthwise separable và Full Convolution MobileNet. Thông số kỹ thuật Raspberry Pi 4 Model B. Kết quả đánh giá các mô hình SSD và YOLO.
Kết quả đánh giá mô hình Haar Cascade và LBP Cascade. Kết quả thực nghiệm của các mô hình.-----cz£22222vszccce2 76 DANH MỤC TU VIET TAT Ký hiệu, chữ viết tắt Tên đầy đủ ML Machine Learning DL Deep Learning SIFT Scale-Invariant Feature Transform HOG Histogram of Oriented Gradients SVM Support Vector Machine CNN Convolutional Neural Networks R-CNN Region Based Convolutional Neural Networks Fast R-CNN Fast Region Based Convolutional Neural Networks cascade R-CNN cascade Region Based Convolutional Neural Networks SSD Single Shot Multibox Detector YOLO You Only Look Once LBP Local Binary Patterns VGG Visual Geometry Group from Oxford ReLU Rectified Linear Unit CSP Cross Stage Partial connections SPP Spatial Pyramid Pooling PAN Path Aggregation Network DC Block Dense Connection Block FPN Feature Pyramid Network COCO Common Objects in Context mAP mean Average Precision loU Intersection over Union TP True Positive FP False Positive TN True Negative FN False Negative AP Average Precision AR Average Recall FPS Frames Per Second. TÓM TẮT KHÓA LUẬN Những năm gần đây, học máy (Machine Learning) và học sâu (Deep Learning) đã và đang được ứng dụng ngày càng nhiêu trong các lĩnh vực như giao thông, y tế, tài chính, v. Đề tài này tập trung tìm hiều, nghiên cứu các giải thuật học máy và học sâu, huấn luyện và triển khai các mô hình phát hiện và nhận diện đối tượng trên thiết bị nhúng Raspberry Pi 4 Model B.
Trong quá trình thực hiện đề tài, chúng tôi đã tìm hiểu, giải quyết bài toán phát hiện và nhận diện đối tượng với các giải thuật học máy và học sâu. Sau quá trình tìm hiểu, chúng tôi đã huấn luyện được các mô hình với YOLO (YOLO v4, YOLO v4- tiny), SSD (SSD Mobilenet v2, SSDLite Mobilenet v2, SSD Inception v2, SSD Quantized v2), Haar Cascade va LBP Cascade cho bài toán phát hiện đối tượng, kết hợp với SVM cho bài toán nhận diện đối tượng. Trong đề tài này chúng tôi muốn triển khai các mô hình học máy và hoc sâu trên các thiết bị nhúng dé thực nghiệm và đánh giá nhằm tìm ra mô hình đảm bảo cả về độ chính xác và tốc độ xử lý vì trên thực tế, đã có nhiều nghiên cứu nhưng chỉ đưa ra các kết quả đánh giá về độ chính xác hoặc đa phần đều triển khai các giải thuật này trên các máy trạm (có GPU). Giới thiệu dé tai Hiện nay, tại các đô thị lớn, quy hoạch không gian dành cho các bãi đỗ xe tỏ ra không theo kip với tốc độ phát triển, gia tăng một cách chóng mặt của các phương tiện giao thông.
Theo thông kê của Bộ Giao thông Vận tải, đến cuối năm 2019, tại Việt Nam đã có khoảng 60 triệu xe máy đang lưu thông và đến nay con số này vẫn tiếp tục tăng lên nhanh chóng mỗi ngày. So với số lượng xe máy khổng lỗ này thì không gian của các bãi đỗ xe thường khá khiêm tốn so với nhu cầu sử dụng. Mặt khác, mỗi bãi xe đều mang những nét đặc thù riêng đòi hỏi cách bé trí cũng như quản lý việc gửi trả xe một cách hợp lý mới mang lại hiệu quả tối ưu trong việc khai thác, sử dụng bãi xe. Việc áp dụng các mô hình bãi đỗ xe thông minh công cộng dé giải quyết tình trạng khan hiếm chỗ đỗ xe ở các đô thị lớn của nước ta cũng được đưa ra nghiên cứu, thử nghiệm nhưng vấp phải nhiều khó khăn khi triển khai xây dựng.
Đầu tiên là vấn đề liên quan đến các quỹ dat sử dung dé xây dựng các bãi đỗ xe thông minh. Đề được triển khai thi các quỹ dat này phải thuộc diện quy hoạch làm bãi đỗ xe thông minh, sau khi thuộc diện quy hoạch thì cần phải là đất sạch, nếu phải giải phóng mặt bằng thì kinh phí sẽ đội lên rat lớn. Còn nếu đất không thuộc diện quy hoạch làm bãi đỗ xe, các nhà đầu tư công trình hạ tầng kỹ thuật tiến hành thủ tục chuyền đổi thành đất phục vụ cho mục đích đỗ xe. Tuy nhiên đây chỉ là giải pháp ngắn hạn và không phải loại đất nào cũng có thé chuyển đổi được, chưa ké nếu là đất thương mai dich vụ thì sẽ có giá thuê rất cao, việc triển khai sẽ không khả thi với các nhà đầu tư.
Tiếp đến là các chính sách đề khuyến khích các nhà đầu tư tham gia vào các dự án bãi đỗ xe thông minh. Cụ thé theo quy định hiện hành của pháp luật, dự án đầu tư bãi đỗ xe không thuộc diện được giao đất không thu tiền sử dụng đất, tức là khi đầu tư loại hình dự án này, nhà đầu tư phải thực hiện chuyển quyền sử dụng đất và nộp tiền sử dụng đất cho Nha nước. Chưa kể mức phí gửi xe hiện nay đang khá thấp và khó có thể thay đổi. Ngoài ra theo quy định các dự án bãi đỗ xe sẽ không thẻ triển khai các dịch vụ thương mại, như vậy rất khó cho nhà đầu tư có thể đây nhanh quá trình thu hồi vốn.
Thực tế, nhiều nhà đầu tư trong và ngoài nước cũng rất quan tâm đến vấn đề đầu tư bãi đỗ xe thông minh và đều thấy rằng đây là lĩnh vực rất tiềm năng. Tuy nhiên, bên cạnh tiềm năng về nhu cầu, vẫn dé mà các nhà đầu tư băn khoăn là làm thé nào dé thu hồi vốn, bởi kinh phí đầu tư quá lớn nhưng tiền thu về thì nhỏ giọt.