Bối cảnh và vấn đề nghiên cứu

Sự gia tăng nhanh chóng của các phương tiện giao thông cá nhân (ô tô, xe máy) tại các đô thị lớn tại Việt Nam như Hà Nội, TP. Hồ Chí Minh và Đà Nẵng đang tạo áp lực nặng nề lên hạ tầng giao thông tĩnh. Theo số liệu thống kê được nêu trong đồ án, số lượng bãi đỗ xe có giấy phép hiện nay tại các thành phố chỉ đáp ứng được khoảng 8% đến 10% nhu cầu thực tế của người dân, dẫn đến tình trạng khan hiếm chỗ đỗ nghiêm trọng. Tình trạng dừng đỗ phương tiện tự phát trên vỉa hè, lòng đường, công viên không chỉ gây cản trở lưu thông, ùn tắc vào giờ cao điểm mà còn làm mất mỹ quan đô thị.

Bên cạnh sự thiếu hụt mặt bằng, các bãi đỗ xe truyền thống đang bộc lộ nhiều hạn chế về mặt vận hành:

  • Phương thức quản lý thủ công: Việc kiểm soát vé và thu phí bằng nhân công dễ phát sinh sai sót, nhầm lẫn và thất thoát doanh thu.
  • Thời gian chờ kéo dài: Người điều khiển phương tiện mất nhiều thời gian xếp hàng tại cổng kiểm soát và tìm kiếm vị trí đỗ.
  • Không gian chưa được tối ưu: Thiếu hệ thống điều phối thông minh dẫn đến giảm hiệu suất khai thác diện tích bãi đỗ.
  • Nguy cơ lây nhiễm dịch bệnh: Hoạt động tiếp xúc vật lý trực tiếp khi nhận vé, trả tiền mặt tiềm ẩn rủi ro lây lan các bệnh truyền nhiễm trong bối cảnh các đại dịch như COVID-19.

Trước thực trạng đó, đề tài "Nghiên cứu xây dựng bãi đỗ xe thông minh" được tác giả Nguyễn Tiến Dũng thực hiện nhằm xây dựng giải pháp tự động hóa toàn diện quy trình kiểm soát phương tiện ra/vào và thanh toán không tiếp xúc.

Mục tiêu nghiên cứu

  1. Nghiên cứu và xây dựng hệ thống bãi đỗ xe thông minh ứng dụng mô hình thị giác máy tính YOLOv5-Small để tự động hóa quy trình nhận diện phương tiện ra/vào.
  2. Ứng dụng YOLOv5-Small nhằm nhận diện biển số phương tiện với độ chính xác cao trong nhiều điều kiện thực tế (ánh sáng yếu, góc quay không tối ưu, biển số bị mờ).
  3. Thiết kế kiến trúc hệ thống tích hợp đồng bộ giữa phần cứng (camera, vi điều khiển, cảm biến, thanh chắn barrier) và phần mềm (nhận diện, cơ sở dữ liệu quản lý, thanh toán tự động).
  4. Thử nghiệm, đo lường và đánh giá hiệu năng hệ thống về độ chính xác nhận diện biển số, tốc độ xử lý thời gian thực và khả năng đáp ứng đồng thời.

Nhiệm vụ nghiên cứu

  1. Tổng hợp cơ sở lý thuyết về xử lý ảnh số, kiến trúc mạng nơ-ron tích chập và mô hình YOLOv5 (đặc biệt là biến thể YOLOv5-Small).
  2. Phân tích yêu cầu kỹ thuật và thiết kế kiến trúc hệ thống tổng thể gồm phần cứng, phần mềm và sơ đồ luồng dữ liệu.
  3. Thu thập dữ liệu, gán nhãn, cấu hình tham số và huấn luyện mô hình nhận diện biển số xe cùng mô hình phân tách ký tự.
  4. Xây dựng mô hình thử nghiệm phần cứng (kết nối ESP32, động cơ servo, cảm biến vật cản hồng ngoại) và tích hợp cổng thanh toán trực tuyến.
  5. Kiểm tra, đánh giá các chỉ số hiệu năng (Accuracy, Confusion Matrix, TP, FP, TN, FN) và đề xuất hướng phát triển mở rộng.

Đối tượng và phạm vi nghiên cứu

  • Đối tượng nghiên cứu:
    • Phương tiện giao thông đường bộ phổ biến (ô tô và xe máy) tại Việt Nam.
    • Mô hình xử lý ảnh YOLOv5-Small và các kỹ thuật tiền xử lý dữ liệu hình ảnh.
    • Hệ thống nhúng điều khiển barrier và hệ sinh thái phần mềm quản lý, thanh toán trực tuyến.
  • Phạm vi kỹ thuật: Tập trung ứng dụng mô hình YOLOv5-Small vào bài toán nhận diện vị trí biển số và phân loại ký tự quang học (OCR); không mở rộng sang các kiến trúc mạng xử lý ảnh phức tạp khác ngoài phạm vi đồ án.
  • Phạm vi ứng dụng: Định hướng triển khai cho các bãi đỗ xe quy mô vừa và nhỏ (khu dân cư, bệnh viện, trường học, trung tâm thương mại).
  • Phạm vi dữ liệu: Bộ dữ liệu hình ảnh biển số xe máy và ô tô theo quy chuẩn Việt Nam, được thu thập từ các điều kiện môi trường thực tế và giả lập.

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và mô hình tính toán

Nghiên cứu ứng dụng lý thuyết xử lý ảnh số kết hợp kỹ thuật học sâu (Deep Learning) trên nền tảng mạng nơ-ron tích chập (Convolutional Neural Network - CNN). Bài toán phát hiện đối tượng trong đồ án sử dụng kiến trúc YOLOv5 (phiên bản do Ultralytics phát triển):

  • Cơ chế chia lưới: Ảnh đầu vào được chia thành lưới $S \times S$ ô (ví dụ $7 \times 7$). Đầu ra là ma trận 3 chiều kích thước $S \times S \times (5 \times N + M)$, trong đó $N$ là số lượng bounding box dự đoán trên mỗi ô, $M$ là số lượng lớp đối tượng (classes). Mỗi bounding box gồm 5 tham số: $(x, y, w, h, \text{prediction})$ với $\text{prediction} = \text{Pr}(\text{Object}) \times \text{IoU}(\text{pred}, \text{truth})$.
  • Hàm mất mát tổng hợp ($L_{total}$): Được tính bằng tổng của ba thành phần mất mát: $$L_{total} = L_{confidence} + L_{classification} + L_{localization}$$
    • Mất mát phân loại ($L_{classification}$): Tính tổng sai số bình phương giữa xác suất phân lớp dự đoán $\hat{\rho}_i(c)$ và nhãn thực tế $\rho_i(c)$ tại các ô có chứa đối tượng.
    • Mất mát vị trí ($L_{localization}$): Tính sai số bình phương giữa tọa độ tâm đã chuẩn hóa $(\text{offset}_x, \text{offset}_y)$, chiều cao và chiều rộng $(\text{height}, \text{width})$ của hộp dự đoán so với nhãn thực tế, áp dụng cho hộp có chỉ số giao trên tập hợp (IoU) cao nhất.
    • Mất mát độ tin cậy ($L_{confidence}$): Đo lường sai số tồn tại đối tượng của bounding box tại cả ô có chứa và không chứa đối tượng, sử dụng hệ số cân bằng $\lambda_{noobject}$.
  • Kỹ thuật hậu xử lý: Thuật toán triệt tiêu phi cực đại (Non-Maximal Suppression - NMS) và chỉ số IoU được dùng để loại bỏ các bounding box chồng lấn, giữ lại vị trí có độ chính xác cao nhất: $$\text{IoU} = \frac{S_{\text{giao}}}{S_{\text{hợp}}}$$
  • Kiến trúc YOLOv5-Small: Bao gồm 3 khối chức năng:
    • Backbone: Ứng dụng cấu trúc CSPNet (Cross-Stage Partial Network) chia tách các tầng tích hợp nhằm giảm độ phức tạp tính toán và tăng tốc độ trích xuất đặc trưng.
    • Neck: Kết hợp các tầng phân tích đặc trưng trên nền tảng CSPNet để tổng hợp thông tin đa quy mô.
    • Head: Kế thừa và cải tiến từ YOLOv3, thực hiện dự đoán tọa độ bounding box, độ tin cậy và phân loại đối tượng trên các tỷ lệ ảnh khác nhau.

Phương pháp nghiên cứu

  • Phương pháp nghiên cứu lý thuyết: Phân tích quy trình xử lý ảnh số (tiền xử lý, lọc nhiễu Gaussian/Median, cân bằng ánh sáng, phát hiện cạnh Sobel/Canny, biến đổi Hough) và cấu trúc mạng CNN/YOLOv5.
  • Phương pháp phân tích và thiết kế hệ thống: Xây dựng sơ đồ khối chức năng, mô tả luồng kiểm soát xe ra/vào, lựa chọn giải pháp phần cứng vi điều khiển và module ngoại vi.
  • Phương pháp mô phỏng và học máy: Sử dụng môi trường Google Colab kết nối lưu trữ Google Drive để huấn luyện mô hình YOLOv5 trên bộ dữ liệu ảnh biển số thực tế gán nhãn bằng phần mềm LabelImg.
  • Phương pháp thực nghiệm: Lắp ráp mô hình vật lý hoàn chỉnh kết nối ESP32 với cảm biến hồng ngoại và động cơ Servo SG90 để kiểm thử khả năng nhận diện, mở barrier và ghi nhận cơ sở dữ liệu.
  • Phương pháp so sánh: Đánh giá độ chính xác phân loại dựa trên ma trận nhầm lẫn (Confusion Matrix) với các tham số: True Positive (TP), True Negative (TN), False Positive (FP), False Negative (FN), TPR, FPR, FNR, TNR và độ chính xác toàn diện (Accuracy).

Thiết kế và triển khai

Kiến trúc phần cứng

Hệ thống mẫu (prototype) được thiết kế và chế tạo bằng việc tích hợp các linh kiện điều khiển và cảm biến ngoại vi vào bộ điều khiển trung tâm:

Thiết bị Chủng loại / Thông số kỹ thuật chính Vai trò trong hệ thống
Vi điều khiển ESP32 (Espressif)
- CPU: Dual-Core Tensilica Xtensa 32-bit LX6 (160/240 MHz)
- Bộ nhớ: 448 KB ROM, 520 KB SRAM, RTC SRAM (8KB fast + 8KB slow)
- Kết nối: Wi-Fi 802.11 b/g/n (150 Mbps), Bluetooth v4.2 BR/EDR & BLE
- Giao tiếp: UART, SPI, I2C, PWM, ADC, DAC		 Xử lý tín hiệu cảm biến, điều khiển đóng/mở barrier qua PWM, kết nối mạng Wi-Fi gửi dữ liệu về máy chủ.
Cơ cấu chấp hành Servo SG90
- Trọng lượng: 9g, góc quay: 0° – 180°
- Điện áp hoạt động: 4.8V – 6V DC
- Điều khiển: Tín hiệu xung PWM (0.5ms: 180°, 1ms–2ms: 90°)		 Đóng/mở thanh chắn barrier kiểm soát xe vào/ra.
Cảm biến phát hiện Cảm biến hồng ngoại (IR Obstacle Sensor)
- Điện áp hoạt động: 3.3V – 5V DC
- Ngõ ra: Digital TTL (tích hợp biến trở chỉnh khoảng cách)		 Phát hiện phương tiện dừng đỗ trước cổng và kiểm tra chướng ngại vật trước khi hạ barrier.
Thiết bị thu nhận ảnh Camera giám sát độ phân giải cao Thu nhận luồng video và chụp ảnh biển số xe tại lối vào/ra.

Kiến trúc phần mềm và dịch vụ

  • Môi trường huấn luyện & Thư viện: Python, framework PyTorch, công cụ gán nhãn LabelImg, nền tảng điện toán Google Colab có GPU.
  • Giao diện & Ứng dụng quản trị: Xây dựng trên nền tảng Flask Framework (kiến trúc micro-framework của Python, định tuyến decorators @app, tích hợp template Jinja2, Werkzeug và thư viện ORM kết nối cơ sở dữ liệu).
  • Cơ sở dữ liệu: MySQL Server lưu trữ thông tin nhận diện xe, biển số, mốc thời gian vào/ra, đường dẫn ảnh lưu trữ và trạng thái vé xe.
  • Cổng thanh toán điện tử: Tích hợp nền tảng PayOS ứng dụng mô hình A2A Payment (Account-to-Account) thông qua hệ thống Open API kết nối trực tiếp tài khoản ngân hàng, tạo mã QR thanh toán động cho từng giao dịch gửi xe.

Quy trình nhận diện hai giai đoạn

  1. Giai đoạn 1 (License Plate Detection): Thu nhận ảnh phương tiện từ camera, mô hình phát hiện và định vị chính xác tọa độ hộp bao (bounding box) chứa biển số xe. Hệ thống thực hiện cắt vùng ảnh biển số dựa trên tọa độ dự đoán (coordinates = detect).
  2. Giai đoạn 2 (Character Recognition / OCR): Ảnh biển số sau khi cắt được đưa vào mô hình nhận diện ký tự gồm 27 lớp (các ký tự chữ cái và chữ số quy chuẩn trên biển số xe) để trích xuất thành chuỗi ký tự biển số.

Cấu hình huấn luyện mô hình

Tập dữ liệu hình ảnh được phân chia theo tỷ lệ: 80% dữ liệu huấn luyện (train) và 20% dữ liệu kiểm thử/đánh giá (val).

Cấu hình câu lệnh huấn luyện mô hình phát hiện biển số (LP_detection - 1 lớp: license_plate):

!python train.py --img 320 --batch 32 --epochs 30 --data /yolov5/data/LP_detection.yaml --weights yolov5s.pt --cache

Cấu hình câu lệnh huấn luyện mô hình phân tách và nhận diện ký tự (char_detect - 27 lớp ký tự chữ và số):

!python train.py --img 640 --batch 32 --epochs 30 --data char_detect.yaml --weights yolov5m.pt --cache

Luồng vận hành hệ thống

Quy trình Xe Vào:
   [Hợp lệ]                           [Không hợp lệ]
 [Kiểm tra cảm biến IR]            [Yêu cầu xác minh thủ công]
 [Mở Barrier (Servo)]
 [Lưu MySQL: Biển số, Thời gian, Ảnh]

Quy trình Xe Ra:
   [Khớp dữ liệu vào]                [Không khớp/Lỗi]
 [Kiểm tra trạng thái thanh toán PayOS]   [Xác minh thủ công]
   [Đã thanh toán]

Nội dung chính theo từng chương

CHƯƠNG 1: GIỚI THIỆU TỔNG QUAN

Chương 1 phân tích bối cảnh đô thị hóa và sự bùng nổ phương tiện cá nhân tại Việt Nam, nêu bật thực trạng cơ sở hạ tầng bãi đỗ xe có phép tại các đô thị mới chỉ đáp ứng 8-10% nhu cầu. Chương này trình bày chi tiết các hạn chế của bãi đỗ xe truyền thống (quản lý nhân công, chậm trễ, thất thoát, ô nhiễm khí thải, rủi ro tiếp xúc thời dịch bệnh), từ đó xác lập tính cấp thiết, mục tiêu, 5 nhiệm vụ nghiên cứu, phương pháp luận, đối tượng, phạm vi và ý nghĩa khoa học - thực tiễn của đề tài.

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

Chương 2 trình bày tổng quan về lĩnh vực xử lý ảnh số, các công đoạn cơ bản từ thu nhận, tiền xử lý, trích xuất đặc trưng (Sobel, Canny, Hough, Harris) đến phân tích và phân loại đối tượng. Tiếp đó, chương phân tích sâu cấu trúc giải thuật YOLO, nguyên lý chia lưới $S \times S$, cấu trúc đầu ra dự đoán bounding box, công thức toán học chi tiết của ba hàm mất mát ($L_{confidence}, L_{classification}, L_{localization}$), thuật toán triệt tiêu phi cực đại NMS và chỉ số IoU. Chương này cũng phân tích kiến trúc mạng 3 phần của YOLOv5 (Backbone CSPNet, Neck, Head) và mô hình hóa bài toán nhận diện biển số hai khối (khối phát hiện vùng biển số và khối phân tách nhận diện 27 lớp ký tự).

CHƯƠNG 3: PHƯƠNG PHÁP NGHIÊN CỨU

Chương 3 đi sâu vào thiết kế kỹ thuật của hệ thống. Tác giả thiết lập lưu đồ quy trình vận hành chi tiết cho làn xe vào và làn xe ra; công bố bảng thông số kỹ thuật và vai trò của các phần cứng (vi điều khiển ESP32, động cơ servo SG90 điều khiển xung PWM, cảm biến hồng ngoại điều chỉnh cự ly). Về phần mềm, chương mô tả việc sử dụng framework Flask, cổng thanh toán PayOS mô hình A2A, công cụ LabelImg, quy trình tổ chức thư mục dataset (tỷ lệ 80% train / 20% val), cấu hình các tệp cấu hình YAML và hai câu lệnh huấn luyện YOLOv5 cụ thể, cùng các công thức đo lường đánh giá mô hình (Accuracy, Confusion Matrix, TP, TN, FP, FN).

CHƯƠNG 4: THỬ NGHIỆM VÀ ĐÁNH GIÁ

Chương 4 tập trung vào việc hiện thực hóa mô hình thử nghiệm vật lý theo các mục tiêu đã đề ra. Hệ thống được đưa vào kiểm thử khả năng tích hợp giữa mạch điều khiển ESP32, camera ghi hình, mô hình AI nhận diện và phần mềm lưu trữ dữ liệu MySQL. Tác giả tiến hành đánh giá tổng quan khả năng hoạt động đồng bộ của toàn hệ thống, kiểm tra độ chính xác nhận diện biển số xe máy và ô tô trong các tình huống thực tế và kiểm chứng tính năng tự động sinh mã QR thanh toán qua PayOS.

CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

Chương 5 đúc kết toàn bộ quá trình thực hiện đồ án, phân tích các nhược điểm còn tồn tại của mô hình mẫu và đề xuất các giải pháp kỹ thuật cụ thể để nâng cấp hệ thống trong tương lai, hướng tới việc hoàn thiện các giải pháp giao thông thông minh trong đô thị.

Kết quả và đóng góp

Kết quả chính đạt được

  • Về mô hình thị giác máy tính: Xây dựng thành công quy trình nhận diện biển số xe hai giai đoạn sử dụng mạng nơ-ron tích chập YOLOv5:
    • Huấn luyện mô hình LP_detection với kích thước ảnh đầu vào 320x320, batch size 32 qua 30 epochs để khoanh vùng và cắt chính xác vùng ảnh biển số.
    • Huấn luyện mô hình char_detect với kích thước ảnh đầu vào 640x640, batch size 32 qua 30 epochs trên 27 lớp ký tự (chữ cái và chữ số quy chuẩn) phục vụ trích xuất ký tự OCR.
  • Về tích hợp phần cứng - phần mềm:
    • Ghép nối thành công vi điều khiển ESP32 điều khiển góc quay động cơ Servo SG90 (độ rộng xung 0.5ms - 2ms) đóng/mở barrier tự động dựa trên tín hiệu phát hiện vật cản từ cảm biến hồng ngoại Digital TTL.
    • Xây dựng phần mềm quản lý trên nền tảng Flask, kết nối cơ sở dữ liệu MySQL lưu trữ thông tin thời gian thực và hình ảnh nhận diện của phương tiện.
    • Tích hợp cổng thanh toán trực tuyến PayOS theo mô hình A2A Payment, cho phép tự động tính toán chi phí và sinh mã QR thanh toán trực tiếp qua ngân hàng mà không cần tiền mặt.

Giải pháp và đóng góp của đề tài

  • Đề xuất một mô hình bãi đỗ xe thông minh có chi phí đầu tư phần cứng hợp lý (sử dụng ESP32, servo mini và mô hình YOLOv5-Small tối ưu tài nguyên), phù hợp triển khai tại các bãi đỗ xe quy mô vừa và nhỏ.
  • Tự động hóa khâu thu phí và kiểm soát barrier, giảm thiểu tiếp xúc vật lý giữa người điều khiển phương tiện và nhân viên, góp phần phòng chống lây lan dịch bệnh và ngăn ngừa thất thoát doanh thu.
  • Cung cấp tài liệu thực nghiệm chi tiết về việc ứng dụng YOLOv5 vào bài toán nhận diện biển số xe theo định dạng tại Việt Nam.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế (Nhược điểm)

  • Hệ thống mới chỉ dừng lại ở quy mô mô hình thử nghiệm (prototype), chưa được triển khai diện rộng trên hệ thống phần cứng công nghiệp chuyên dụng.
  • Khả năng nhận diện của mô hình có thể bị suy giảm trong các điều kiện môi trường quá khắc nghiệt (góc chụp camera quá lệch, biển số xe bị che khuất một phần hoặc bùn đất bám quá mờ).
  • Tốc độ xử lý của mô hình OCR ký tự vẫn phụ thuộc vào năng lực phần cứng của máy chủ xử lý ảnh.

Hướng nghiên cứu tiếp (Hướng phát triển)

  • Bổ sung các thuật toán tăng cường chất lượng ảnh (Super Resolution, khử nhiễu nâng cao) để nâng cao độ chính xác khi nhận diện biển số mờ hoặc ban đêm.
  • Nâng cấp phần cứng camera giám sát và tối ưu hóa mô hình YOLOv5 để triển khai trực tiếp trên các thiết bị tính toán biên (Edge Computing).
  • Mở rộng thêm các tính năng thông minh: phân tích mật độ và hướng di chuyển của phương tiện, hướng dẫn xe vào chỗ trống tự động, và tích hợp vào hệ thống trạm thu phí tự động không dừng (ETC).

Giá trị tham khảo

Đồ án tốt nghiệp của tác giả Nguyễn Tiến Dũng là tài liệu tham khảo chuyên môn phù hợp cho:

  • Sinh viên các ngành: Kỹ thuật Điện tử - Viễn thông, Công nghệ Thông tin, Kỹ thuật Máy tính, Hệ thống Nhúng và IoT đang thực hiện đồ án tốt nghiệp hoặc các dự án môn học về Thị giác máy tính và Smart City.
  • Nội dung giá trị chuyên biệt:
    • Quy trình chia tách bài toán nhận diện biển số xe thành 2 giai đoạn (phát hiện vùng biển số $\rightarrow$ phân tách và nhận dạng ký tự OCR) trên kiến trúc YOLOv5.
    • Phương pháp xây dựng tập dữ liệu, gán nhãn bằng LabelImg, cấu hình file .yaml và cú pháp huấn luyện mô hình trên Google Colab.
    • Mô hình mẫu kết nối vi điều khiển ESP32 với các module ngoại vi (Servo SG90, cảm biến vật cản hồng ngoại) và cách thức tích hợp API thanh toán trực tuyến PayOS vào ứng dụng nền tảng Python/Flask.

Câu hỏi thường gặp

1. Hệ thống sử dụng mô hình nào để nhận diện biển số xe và cấu trúc chia làm mấy giai đoạn?

Hệ thống sử dụng mô hình học sâu YOLOv5-Small và chia quy trình nhận diện thành hai giai đoạn:

  • Giai đoạn 1 (LP Detection): Phát hiện vùng chứa biển số xe trên toàn bức ảnh và tiến hành cắt lấy khung ảnh biển số dựa trên tọa độ bounding box.
  • Giai đoạn 2 (OCR): Nhận diện từng ký tự riêng biệt trên vùng ảnh biển số đã cắt với tổng cộng 27 lớp đối tượng bao gồm chữ cái và chữ số quy chuẩn.

2. Các tham số chính khi cấu hình huấn luyện hai mô hình YOLOv5 trên Google Colab là gì?

Theo tài liệu đồ án, tham số cấu hình huấn luyện của hai mô hình như sau:

  • Mô hình nhận diện biển số: Kích thước ảnh --img 320, batch size --batch 32, số epoch --epochs 30, dữ liệu --data /yolov5/data/LP_detection.yaml (1 lớp đối tượng: license_plate), trọng số khởi tạo --weights yolov5s.pt.
  • Mô hình nhận diện ký tự: Kích thước ảnh --img 640, batch size --batch 32, số epoch --epochs 30, dữ liệu --data char_detect.yaml (27 lớp ký tự), trọng số khởi tạo --weights yolov5m.pt.

3. Phần cứng điều khiển trung tâm và cơ cấu đóng mở barrier sử dụng những linh kiện nào?

Hệ thống sử dụng vi điều khiển ESP32 (lõi kép Tensilica Xtensa 32-bit LX6, hỗ trợ Wi-Fi/BLE), kết hợp với động cơ Servo SG90 (trọng lượng 9g, góc quay tối đa 180 độ điều khiển bằng độ rộng xung PWM 0.5ms - 2ms) và cảm biến vật cản hồng ngoại (IR Obstacle Avoidance) ngõ ra Digital TTL có biến trở chỉnh khoảng cách để phát hiện vật cản trước barrier.

4. Hệ thống tích hợp giải pháp thanh toán nào và cơ chế hoạt động ra sao?

Hệ thống tích hợp cổng thanh toán PayOS hoạt động theo mô hình A2A Payment (Account to Account). Giải pháp này sử dụng Open API kết nối trực tiếp với tài khoản ngân hàng để tạo mã QR thanh toán động cho từng lượt gửi xe của khách hàng, giúp tiền chuyển thẳng giữa các tài khoản mà không cần qua trung gian thẻ quốc tế (như VISA, Paypal) hay dùng tiền mặt.

5. Cơ sở dữ liệu và framework phát triển giao diện được đồ án lựa chọn là gì?

Đồ án sử dụng hệ quản trị cơ sở dữ liệu MySQL để lưu trữ thông tin nhận diện biển số xe, mốc thời gian vào/ra và lịch sử thanh toán; đồng thời sử dụng Flask Framework viết bằng ngôn ngữ Python (kết hợp template Jinja2, Werkzeug và thư viện ORM) để xây dựng ứng dụng web quản lý và giao tiếp dữ liệu.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu xây dựng bãi đỗ xe thông minh" của sinh viên Nguyễn Tiến Dũng đã hoàn thành mục tiêu nghiên cứu và thiết kế thành công một hệ thống bãi đỗ xe tự động hóa dựa trên công nghệ thị giác máy tính YOLOv5-Small và vi điều khiển ESP32. Công trình đã kết hợp đồng bộ quy trình nhận diện biển số 2 giai đoạn, cơ chế kiểm soát barrier tự động bằng cảm biến và tính năng thu phí không tiếp xúc qua cổng PayOS. Kết quả thực nghiệm của đề tài cung cấp một giải pháp kỹ thuật khả thi, chi phí hợp lý, có giá trị ứng dụng thực tế cho các bãi đỗ xe vừa và nhỏ trong tiến trình hiện đại hóa đô thị thông minh.