Đồ án tốt nghiệp: Thiết kế mô hình hệ thống hướng dẫn tài xế trong bãi xe thông minh

Tham khảo đồ án hệ thống hướng dẫn tài xế trong bãi xe thông minh. Ứng dụng công nghệ AI, xử lý ảnh để tìm và chỉ dẫn chỗ đỗ xe trống nhanh chóng.

• Tác giả: Nguyễn Minh Trường
• Người hướng dẫn: Thạc Sĩ Lê Minh Thành
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điện Tử, Truyền Thông
• Đề tài: Thiết Kế Mô Hình Hệ Thống Hướng Dẫn Tài Xế Trong Bãi Xe Thông Minh
• Loại tài liệu: Đồ Án Tốt Nghiệp
• Năm xuất bản: 2021
• Địa điểm: Thành Phố Hồ Chí Minh

Tóm tắt

I. Tổng quan về Hệ thống Hướng dẫn Tài xế Bãi xe Thông minh

Hệ thống hướng dẫn tài xế bãi xe thông minh là một giải pháp công nghệ tiên tiến được thiết kế để giải quyết bài toán thiếu chỗ đỗ xe ở các thành phố lớn. Với sự phát triển nhanh chóng của công nghệ AI và IoT, hệ thống này ứng dụng mạng nơron tích chập (CNN) để nhận diện và quản lý hiệu quả các chỗ đỗ xe trống. Đề tài được thực hiện bởi nhóm sinh viên từ Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, nhằm giảm thiểu ùn tắc giao thông và tối ưu hóa việc sử dụng không gian bãi đỗ xe. Mô hình được xây dựng trên nền tảng xử lý ảnh thông minh, cho phép tài xế nhanh chóng tìm được vị trí đỗ xe phù hợp thông qua giao diện hiển thị trên màn hình laptop.

1.1. Nhu cầu Giải pháp Bãi xe Thông minh

Mật độ phương tiện tại các thành phố lớn tăng liên tục, tạo ra áp lực lớn cho hệ thống giao thông. Bãi xe thông minh không chỉ giúp giảm thời gian tìm kiếm chỗ đỗ mà còn cải thiện môi trường bằng cách giảm lượng khí thải từ các xe tìm chỗ. Các trung tâm thương mại lớn đã nhận thức được tầm quan trọng của việc quản lý bãi đỗ xe hiệu quả, từ đó tạo nhu cầu cần thiết cho giải pháp hướng dẫn tài xế tự động.

1.2. Ứng dụng Công nghệ trong Hệ thống

Hệ thống sử dụng xử lý ảnh và học sâu (deep learning) để phân tích hình ảnh từ camera thông minh. Mạng nơron tích chập được huấn luyện để nhận diện chính xác các chỗ đỗ xe trống và được chiếm dụng. Dữ liệu được xử lý theo thời gian thực, cho phép hệ thống cập nhật tức thời thông tin và hiển thị hướng dẫn cho tài xế.

II. Cơ sở Lý thuyết và Công nghệ Cốt lõi

Nền tảng công nghệ của hệ thống bao gồm nhiều thành phần quan trọng trong lĩnh vực xử lý ảnh số và trí tuệ nhân tạo. Các giai đoạn xử lý ảnh cơ bản bao gồm tiền xử lý, phân đoạn, trích xuất đặc trưng và phân loại. Mạng nơron tích chập (CNN) đóng vai trò trung tâm, giúp nhận diện các đối tượng trong ảnh với độ chính xác cao. Ngoài ra, hệ thống còn sử dụng Python, OpenCV, Keras để xây dựng các module xử lý. Thuật toán Stochastic Gradient Descent (SGD) được áp dụng trong quá trình huấn luyện mô hình, giúp tối ưu hóa trọng số của mạng nơron.

2.1. Mạng Nơron Tích chập CNN và Cấu trúc

CNN gồm các lớp cơ bản: lớp tích chập, lớp gộp (pooling) và lớp kết nối đầy đủ. Lớp tích chập giúp trích xuất các đặc trưng cục bộ từ ảnh, lớp gộp giảm kích thước dữ liệu, còn lớp kết nối cuối cùng thực hiện phân loại. Mô hình được huấn luyện trên tập dữ liệu bãi đỗ xe PKLot chứa hàng nghìn hình ảnh các chỗ đỗ xe.

2.2. Công cụ và Thư viện Phát triển

Python được chọn làm ngôn ngữ lập trình chính do tính linh hoạt và hỗ trợ tốt cho AI. Keras cung cấp API đơn giản để xây dựng mạng nơron sâu, còn OpenCV hỗ trợ xử lý ảnh thời gian thực. Sublime Text được sử dụng là trình soạn thảo mã nguồn, cùng với YAML để cấu hình hệ thống.

III. Thiết kế Mô hình Hệ thống Toàn vẹn

Mô hình hệ thống được thiết kế với cấu trúc hai phần chính: phần cứng và phần mềm. Phần cứng bao gồm camera thông minh (Webcam Logitech HD C270), laptop xử lý (Dell G3) và hệ thống hiển thị LED để hướng dẫn tài xế. Phần mềm được phát triển dựa trên kiến trúc xử lý ảnh với các bước: thu nhập ảnh, tiền xử lý, chạy mô hình CNN đã huấn luyện, và hiển thị kết quả. Hệ thống được áp dụng trên mô hình bãi xe có 15 chỗ đỗ để thử nghiệm. Sơ đồ khối cho thấy luồng dữ liệu từ camera đến bộ xử lý trung tâm và cuối cùng đến giao diện hiển thị.

3.1. Thiết kế Phần cứng

Khối xử lý trung tâm sử dụng laptop Dell G3 có cấu hình mạnh để xử lý dữ liệu ảnh thời gian thực. Camera Logitech HD C270 cung cấp độ phân giải 720p đủ để nhận diện các chỗ đỗ xe. Khối hiển thị gồm màn hình laptop hiển thị bản đồ bãi xe với màu sắc chỉ dẫn từng chỗ đỗ (xanh = trống, đỏ = đã được chiếm dụng).

3.2. Thiết kế Phần mềm và Luồng Xử lý

Phần mềm được phát triển với kiến trúc modular, các module riêng biệt cho xử lý ảnh, nhận diện, và hiển thị. Thuật toán SGD được sử dụng để huấn luyện mô hình CNN. Hệ thống thực hiện cập nhật thông tin liên tục, cho phép tài xế biết được tình trạng bãi xe real-time và được hướng dẫn đến chỗ đỗ trống gần nhất.

IV. Kết quả Thực hiện và Hướng Phát triển Trong Tương lai

Sau quá trình phát triển và thử nghiệm, hệ thống đã đạt được kết quả khả quan với độ chính xác nhận diện các chỗ đỗ xe trống đạt trên 85%. Kết quả phần cứng cho thấy camera và hệ thống xử lý hoạt động ổn định, có khả năng xử lý hình ảnh liên tục. Kết quả phần mềm chứng minh mô hình CNN đã được huấn luyện hiệu quả, có khả năng phân biệt chính xác giữa các chỗ đỗ xe trống và đã chiếm dụng. Tuy nhiên, hệ thống vẫn còn những giới hạn về kiến thức và kinh nghiệm thực tế, cần được cải thiện và mở rộng trong các giai đoạn tiếp theo.

4.1. Kết quả Đạt được Hiện tại

Mô hình hệ thống trên bãi xe 15 chỗ đã hoạt động thành công, với thời gian xử lý dưới 500ms mỗi khung hình. Hướng dẫn tài xế được hiển thị chính xác, giúp tài xế nhanh chóng tìm được chỗ đỗ xe phù hợp. Hệ thống cho thấy tiềm năng ứng dụng thực tế tại các bãi xe quy mô nhỏ đến trung bình.

4.2. Hướng Phát triển Tương lai

Trong tương lai, hệ thống có thể được mở rộng để hỗ trợ bãi xe lớn hơn với nhiều camera. Tích hợp IoT sẽ cho phép kết nối với điện thoại di động của tài xế. Ứng dụng machine learning tiên tiến như ResNet hoặc Transformer có thể nâng cao độ chính xác. Việc lưu trữ dữ liệu lâu dài sẽ giúp phân tích xu hướng và tối ưu hóa quản lý bãi xe.

Trích đoạn nội dung tài liệu

chương 1, nhóm trình bày tổng quan về đề tài, sơ bộ về tình hình nghiên cứu ở trong nước và ngoài nước, mục tiêu và giới hạn của đề tài, sau đó là bố cục chính của đề tài. Chương 2: Cơ sở lý thuyết Trong chương 2, các lý thuyết về xử lý ảnh, mạng nơron tích chập và những lý thuyết liên quan đến đề tài sẽ được đề cập đến. Chương 3: Thiết kế mô hình hệ thống Ở chương 3, nhóm sẽ đưa ra sơ đồ khối, chức năng từng khối và hoạt động của hệ thống. Sau đó, trình bày lưu đồ giải thuật của chương trình chính và các chương trình con.

Chương 4: Kết quả thực hiện Chương 4 sẽ thể hiện kết quả của hệ thống cả phần cứng lẫn phần mềm. Sau đó, nhóm sẽ trình bày về các trường hợp khác nhau và đưa ra nhận xét về từng trường hơp, những giải pháp khi hệ thống hoạt động không chính xác. Chương 5: Kết luận và hướng phát triển Trong chương 5 nhóm sẽ trình bày về những kiến thức đã đạt được trong quá trình nghiên cứu đề tài, những ưu điểm của mô hình và những điều mô hình cần cải thiện trong tương lai để có thể áp dụng rộng rãi trong thực tế. 3 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 TỔNG QUAN VỀ XỬ LÝ ẢNH 2.1 Giới thiệu Xử lý ảnh là một lĩnh vực mang tính khoa học và công nghệ.

Nó là một ngành khoa học mới so với nhiều ngành khoa học khác nhưng tốc độ phát triển đang rất nhanh, kích thích các trung tâm nghiên cứu, ứng dụng, đặc biệt là máy tính chuyên dụng riêng cho nó. Sự ra đời của xử lý ảnh và những ứng dụng của nó là rất cần thiết cho cuộc sống. Các phương pháp xử lý ảnh bắt đầu từ các ứng dụng nhằm nâng cao chất lượng bằng các phân tích được nghiên cứu trong giai đoạn thiết bị phần cứng bị hạn chế, chẳng hạn như nâng cao độ sáng hay độ phân giải của hình ảnh. Về sau, nhờ sự xuất hiện và phát triển mạnh của máy tính đã tạo điều kiện hơn nữa cho quá trình thực hiện các thuật toán xử lý ảnh.

Ứng dụng của xử lý ảnh ngày càng được mở rộng sang các lĩnh vực khác, chẳng hạn như viễn thông, điều khiển tự động, giao thông thông minh, kỹ thuật y sinh. Đặc biệt, trong các thiết bị kỹ thuật số có màn hình hiển thị luôn ưu tiên một phần tài nguyên dành cho việc xử lý hình ảnh như máy tính xách tay, camera kỹ thuật số, điện thoại thông minh, ti vi thông minh.2 Các giai đoạn xử lý ảnh Thu nhận Tiền xử Phân đoạn ảnh lý ảnh ảnh Nhận dạng Biểu diễn ảnh ảnh Hình 2.1: Các bước trong xử lý ảnh Thu nhận ảnh: Ảnh có thể nhận qua camera màu hoặc tần số 1/25, mỗi ảnh 25 dòng), cũng có loại camera đã số hoá (như loại CCD – Change Coupled Device) là loại photodiot tạo cường độ sáng tại mỗi điểm ảnh. Camera thường dùng là loại quét dòng, ảnh tạo ra có dạng hai chiều. Chất lượng một ảnh thu nhận được phụ thuộc vào thiết bị thu, vào môi trường (ánh sáng, phong cảnh).

Tiền xử lý ảnh: Sau bộ thu nhận, ảnh có thể nhiễu độ tương phản thấp nên cần đưa vào bộ tiền xử lý để nâng cao chất lượng. Chức năng chính của bộ tiền xử lý là lọc nhiễu, nâng độ tương phản để làm ảnh rõ hơn, nét hơn. 4 Phân đoạn ảnh: Phân đoạn ảnh là tách một ảnh đầu vào thành các vùng thành phần để biểu diễn phân tích, nhận dạng ảnh. Đây là phần phức tạp khó khăn nhất trong xử lý ảnh và cũng dễ gây lỗi, làm mất độ chính xác của ảnh.

Kết quả nhận dạng ảnh phụ thuộc rất nhiều vào công đoạn này. Biểu diễn ảnh: Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn) cộng với mã liên kết với các vùng lận cận. Việc biến đổi các số liệu này thành dạng thích hợp là cần thiết cho xử lý tiếp theo bằng máy tính. Việc chọn các tính chất để thể hiện ảnh gọi là trích chọn đặc trưng (feature selection) gắn với việc tách các đặc tính của ảnh dưới dạng các thông tin định lượng hoặc làm cơ sở để phân biệt lớp đối tượng này với đối tượng khác trong phạm vi ảnh nhận được.

Ví dụ: Trong nhận dạng ký tự trên phong bì thư, chúng ta miêu tả các đặc trưng của từng ký tự giúp phân biệt ký tự này với ký tự khác. Nhận dạng ảnh: Nhận dạng ảnh là quá trình xác định ảnh. Quá trình này thường thu được bằng cách so sánh với mẫu chuẩn đã được học (hoặc lưu) từ trước. Nội suy là phán đoán theo ý nghĩa trên cơ sở nhận dạng.

Ví dụ: Một loạt chữ số và nét gạch ngang trên phong bì thư có thể được nội suy thành mã điện thoại. Có nhiều cách phân loại ảnh khác nhau về ảnh. Theo lý thuyết về nhận dạng, các mô hình toán học về ảnh được phân theo hai loại nhận dạng ảnh cơ bản: Nhận dạng theo tham số, nhận dạng theo cấu trúc. Một số đối tượng nhận dạng khá phổ biến hiện nay đang được áp dụng trong khoa học và công nghệ là: Nhận dạng ký tự (chữ in, chữ viết tay, chữ ký điện tử), nhận dạng văn bản (text), nhận dạng vân tay, nhận dạng mã vạch, nhận dạng mặt người [2].3 Những khái niệm cơ bản trong xử lý ảnh [3] Điểm ảnh: Là một phần tử của ảnh số tại toạ độ (x,y) với độ xám hoặc màu nhất định.

Mỗi điểm ảnh biểu diễn một màu sắc nhất định (hay độ sáng với ảnh đen trắng) tại một điểm duy nhất. Độ phân giải: Với cùng một ảnh, càng nhiều điểm được lấy mẫu thì ảnh chụp càng chi tiết. Mật độ điểm ảnh trong một ảnh được xem như độ phân giải của chính nó. Ảnh có độ phân giải càng cao thì càng chứa nhiều thông tin.

Nói một cách chính xác, khi giữ ảnh tại cùng một kích thước vật lý thì ảnh trở nên sắc nét hơn và chi tiết hơn nếu độ phân giải cao hơn. Ảnh RGB: Ảnh này được biểu diễn bởi một ma trận ba chiều có kích thước m x n x 3, với m x n là kích thước ảnh theo điểm ảnh. Ma trận này định nghĩa các thành phần màu red, green, blue cho mỗi điểm ảnh. 5 Mức xám của ảnh: Là cường độ sáng của nó được gán bằng giá trị số tại điểm đó.

Các giá trị mức xám thông thường 16, 32, 64, 128, 256. Lược đồ mức xám (histogram): Là một hàm cung cấp tần số xuất hiện của mỗi mức xám trong ảnh. Biểu diễn toán học của lược đồ mức xám của một ảnh số có L = 256 mức xám là một hàm rời rạc: (p(fk) ∈ [0,1]): 𝑛𝑘 P(fk) = (1) 𝑛 Trong đó : fk là giá trị mức xám thứ k (k = 0,1,…,L-1). nk là số pixel mức xám đó.

n là tổng số pixel của ảnh. Khôi phục ảnh: Là hồi phục lại ảnh gốc so với ảnh bị biến dạng, nói cách khác là kỹ thuật cải thiện chất lượng hình ảnh ghi đảm bảo gần được như ảnh thật khi ảnh bị méo. Phân đoạn ảnh: Là công việc phân chia hay tách ảnh thành các vùng có thuộc tính giống nhau. Thuộc tính cơ bản nhất để phân đoạn là độ chói đối với ảnh đơn sắc và các thành phần màu đối với ảnh màu.2 TỔNG QUAN VỀ CÔNG NGHỆ AI 2.1 Giới thiệu Thông minh nhân tạo AI còn được gọi là trí tuệ nhân tạo, một trong những công nghệ đang được phát triển rất nhiều bởi những “gã khổng lồ” công nghệ, mục đích là để mô phỏng lại quá trình học tập, tư duy và suy nghĩ của con người để cho máy học, đặc biệt là những hệ thống máy tính lớn với khả năng xử lý cao.

Các quá trình này bao gồm học tập (máy sẽ tự thu thập và học hỏi những thông tin xung quanh, quy tắc sử dụng thông tin đó), sau đó sẽ tiến hành lập luận (lập luận, tư duy theo những quy tắc để đưa ra kết quả chính xác nhất), khả năng tự sửa lỗi.2: Công nghệ AI 2.2 Một số ứng dụng của AI trong đời sống Trợ lý ảo: Trí tuệ nhân tạo giúp các trợ lý ảo linh hoạt hơn trong xử lý yêu cầu nhờ học hỏi thói quen sinh hoạt của người dùng và dự đoán cảm xúc. Ngoài ra, trợ lý còn có thể tự đưa ra các quyết định hoặc đặt lịch hẹn cho chủ nhân dựa trên tình hình giao thông, thời tiết.3: Trợ lý ảo SIRI của Apple 7 Trong lĩnh vực y tế: Thông qua thị giác máy tính và mạng lưới thần kinh tích chập, AI hiện có khả năng đọc quét hình ảnh cộng hưởng từ để kiểm tra khối u và sự phát triển ác tính khác của nó, với tốc độ nhanh hơn so với các bác sĩ x-quang và sai số thấp hơn đáng kể.4: AI chẩn đoán ung thư phổi Nhà thông minh: AI là tương lai của công nghệ nhà ở. Theo đó, các bộ lõi nhà thông minh có khả năng học hỏi và ghi nhớ người dùng qua lệnh giọng nói, hành vi, thói quen, sau đó kết hợp cùng xu hướng vạn vật Internet.5: Mẫu nhà thông minh mới Cube Two 8 2.3 HỌC SÂU Học sâu (DL-Deep Learning) là một chủ đề của trí truệ nhân tạo (AI) và là một phạm trù nhỏ của máy học. Học sâu tập trung giải quyết các vấn đề liên quan đến mạng nơron nhân tạo nhằm nâng cấp các công nghệ như nhận diện giọng nói, thị giác máy tính và xử lý ngôn ngữ tự nhiên.

Học sâu đang trở thành một trong những lĩnh vực quan trọng trong khoa học máy tính. Chỉ trong vài năm, học sâu đã thúc đẩy tiến bộ trong đa dạng các lĩnh vực như nhận thức sự vật, dịch tự động, nhận diện giọng nói, đó là những vấn đề từng rất khó khăn với các nhà nghiên cứu trí tuệ nhân tạo. Một số ứng dụng của học sâu: - Hệ thống xử lý trên các nền tảng. - Nhận diện hình ảnh.

- Xử lý ngôn ngữ tự nhiên.4 MẠNG NƠRON TÍCH CHẬP 2.1 Tổng quan về mạng nơron tích chập Mạng Nơron tích chập (Convolutional Neural Networks) – viết tắt CNN là một trong những mô hình học sâu phổ biến nhất và có ảnh hưởng nhiều nhất trong cộng đồng thị giác máy tính. CNN được dùng trong nhiều bài toán như nhân dạng ảnh, phân tích video, ảnh MRI, hoặc cho các bài của lĩnh vực xử lý ngôn ngữ tự nhiên, và hầu hết đều giải quyết tốt các bài toán này. CNN cũng có lịch sử khá lâu đời. Kiến trúc gốc của mô hình CNN được giới thiệu bởi một nhà khoa học máy tính người Nhật vào năm 1980.