Giới thiệu dự án

Theo thống kê từ Tổng cục Thống kê và Bộ Giao thông Vận tải, mật độ phương tiện cơ giới cá nhân tại các đô thị lớn tại Việt Nam (như TP.HCM và Hà Nội) tăng trưởng trung bình từ 8% đến 12% mỗi năm. Tình trạng gia tăng cơ học này dẫn đến quá tải hạ tầng tĩnh, trong đó 30% nguyên nhân ùn tắc cục bộ tại các khu vực trung tâm bắt nguồn từ việc phương tiện phải lượn vòng tìm kiếm vị trí đỗ. Đồ án kỹ sư "Xây dựng hệ thống camera thông minh để giám sát phương tiện trong bãi giữ xe" (Đại học Công nghệ Thông tin - ĐHQG TP.HCM, 2022) giải quyết trực diện bài toán tự động hóa quản lý bãi đỗ thông qua mô hình kết hợp Trí tuệ nhân tạo (AI) và Điện toán biên (Edge Computing).

+-------------------------------------------------------------------------+
|                              PAIN POINTS                                |
|  - Thẻ từ/RFID: Dễ mất mát, chi phí cấp phát, không xác thực biển số xe |
|  - Cloud AI: Độ trễ cao (>1.5s), tốn băng thông, rủi ro lộ lọt hình ảnh |
|  - Cảm biến siêu âm mỗi ô: Chi phí phần cứng cao, bảo trì phức tạp     |
+-------------------------------------------------------------------------+
                                    |
                                    v
+-------------------------------------------------------------------------+
|                           PROPOSED SOLUTION                             |
|  - Edge AI (Jetson Nano + YOLOv5s + OpenALPR): Nhận diện thời gian thực |
|  - GPS-based Navigation: Dẫn đường vào ô đỗ qua ứng dụng di động        |
|  - Cloud Backend (Node.js + MongoDB on GCP): Quản lý vé điện tử và cước |
+-------------------------------------------------------------------------+

Problem Statement & Specific Pain Points

Các mô hình quản lý bãi đỗ xe truyền thống đang bộc lộ nhiều điểm nghẽn nghiêm trọng:

  • Hệ thống thẻ từ RFID truyền thống: Không thể phân biệt giữa phương tiện và người/vật thể khác, dễ xảy ra tình trạng tráo đổi biển số hoặc mất thẻ vật lý, phụ thuộc hoàn toàn vào nhân viên kiểm soát tại barrier.
  • Hệ thống xử lý AI tập trung trên Cloud (Cloud-centric): Truyền tải luồng video độ phân giải cao (RTSP Full HD) từ hàng chục camera về Cloud Server gây nghẽn băng thông, độ trễ nhận diện tăng cao (>1500ms), đồng thời tạo ra rủi ro bảo mật về quyền riêng tư hình ảnh.
  • Chi phí lắp đặt cảm biến vật lý: Việc gắn cảm biến siêu âm (Ultrasonic) hoặc cảm biến từ trường tại từng ô đỗ riêng lẻ làm tăng chi phí phần cứng và bảo trì theo hàm tuyến tính bậc nhất với quy mô bãi xe.

Project Objectives

  1. Nghiên cứu, tinh chỉnh và nhúng các mô hình học sâu (Deep Learning) nhận diện biển số xe (Object Detection & OCR) hoạt động tối ưu trên thiết bị có tài nguyên tính toán giới hạn.
  2. Thiết kế và chế tạo phần cứng Camera thông minh tích hợp máy tính nhúng NVIDIA Jetson Nano và USB Camera, đạt khả năng xử lý thời gian thực tại biên (Edge Inference).
  3. Xây dựng hệ thống Backend RESTful API bằng Node.js và cơ sở dữ liệu phi quan hệ MongoDB trên nền tảng Google Cloud Platform (GCP) để quản lý luồng dữ liệu vào/ra và thanh toán.
  4. Phát triển ứng dụng di động đóng vai trò vé xe điện tử (E-ticket), tích hợp dịch vụ định vị toàn cầu (GPS) để dẫn đường xe vào đúng ô đỗ và thanh toán không tiền mặt.

Solution Approach & Expected Outcomes

Giải pháp triển khai mô hình kiến trúc lai (Hybrid Architecture): Đẩy toàn bộ tác vụ xử lý thị giác máy tính nặng (nhận diện vị trí biển số bằng YOLOv5 và trích xuất ký tự bằng OpenALPR) xuống thiết bị biên (NVIDIA Jetson Nano). Dữ liệu sau xử lý chỉ là chuỗi ký tự (String) và metadata dung lượng siêu nhẹ (<1KB) được gửi qua HTTPS/REST API lên máy chủ trung tâm. Vị trí ô đỗ được giám sát và hướng dẫn thông qua tọa độ GPS trên smartphone của người dùng.

  • Độ trễ xử lý (Inference Latency): $< 350\text{ ms}$ trên Jetson Nano.
  • Độ chính xác nhận diện biển số (Accuracy): Đạt $\ge 95%$ trong điều kiện ánh sáng tiêu chuẩn.
  • Tiết kiệm băng thông mạng: Giảm $> 90%$ lưu lượng truyền tải so với phương pháp stream video lên Cloud.
  • Chi phí triển khai cảm biến ô đỗ: Giảm $100%$ chi phí mua sắm và bảo trì cảm biến siêu âm cố định tại mỗi ô đỗ.

Phạm vi và giới hạn nghiên cứu

  • Quy mô thử nghiệm: Bãi đỗ xe ô tô khu dân cư/trường học với sức chứa 100 phương tiện.
  • Chuẩn biển số: Biển số ô tô Việt Nam theo quy chuẩn quốc gia (dạng vuông và chữ nhật, nền trắng/chữ đen).
  • Giới hạn môi trường: Hệ thống hoạt động hiệu quả trong điều kiện ánh sáng ban ngày và ánh sáng nhân tạo bãi xe đủ tiêu chuẩn; chưa tối ưu cho trường hợp sương mù dày đặc hoặc biển số bị biến dạng cơ học nặng.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Bãi xe Thẻ từ RFID Cloud AI ANPR System Hệ thống Edge AI + GPS (Đồ án)
Bản chất công nghệ Thẻ tần số vô tuyến vật lý Stream RTSP về Cloud xử lý Edge Inference (Jetson Nano) + Mobile GPS
Tốc độ xử lý $2.0 - 4.0\text{ s}$ (quẹt thẻ thủ công) $1.5 - 3.0\text{ s}$ (phụ thuộc đường truyền) $0.3 - 0.6\text{ s}$ (xử lý tại biên)
Độ an toàn / Bảo mật Thấp (nguy cơ mất/tráo thẻ) Trung bình (nguy cơ rò rỉ video feed) Rất cao (xác thực đa nhân tố + chỉ lưu text)
Chi phí mở rộng ô đỗ Rất cao (cần gắn cảm biến từng ô) Rất cao (cần camera soi từng ô) Thấp (mở rộng trên bản đồ số GPS)
Yêu cầu băng thông Rất thấp (dữ liệu mã thẻ) Cực cao ($4 - 8\text{ Mbps}$/camera) Rất thấp ($< 10\text{ Kbps}$/giao dịch) 
                       YÊU CẦU HỆ THỐNG THEO MÔ HÌNH MOSCOW
+---------------------------------------------------------------------------------+
| MUST HAVE                                                                       |
| - Nhận diện biển số xe tự động tại barrier với YOLOv5 & OpenALPR                |
| - Mở/đóng barrier tự động qua tín hiệu điều khiển từ Jetson Nano                |
| - Quản lý vé điện tử, tính cước theo thời gian thực trên Node.js Backend       |
| - Ứng dụng di động hiển thị tình trạng ô trống và xác thực phương tiện          |
+---------------------------------------------------------------------------------+
| SHOULD HAVE                                                                     |
| - Định vị GPS hỗ trợ dẫn đường phương tiện tới chính xác ô đỗ được gán         |
| - Cảnh báo người dùng khi đỗ sai vị trí quy định                                |
| - Tích hợp cổng thanh toán trực tuyến/ví điện tử trên ứng dụng di động          |
+---------------------------------------------------------------------------------+
| COULD HAVE                                                                      |
| - Đặt trước chỗ đỗ (Reservation) qua ứng dụng di động                           |
| - Báo cáo thống kê doanh thu đa chiều cho ban quản lý bãi xe                    |
+---------------------------------------------------------------------------------+
| WON'T HAVE (Hiện tại)                                                           |
| - Nhận diện khuôn mặt tài xế (Facial Recognition)                               |
| - Tự động dẫn đường cho xe tự hành cấp độ 4 (Level 4 Autonomous Valet)         |
+---------------------------------------------------------------------------------+

Thiết kế hệ thống

Kiến trúc hệ thống được phân lớp rõ ràng theo mô hình Micro-Edge-Cloud, phân tách độc lập giữa tầng thu thập/xử lý cục bộ và tầng lưu trữ/điều phối trung tâm.

flowchart TD
    subgraph Edge_Layer ["Tầng Biên (Edge Computing Layer)"]
        CAM["USB Camera (Full HD 1080p)"] -->|Video Stream| JN["NVIDIA Jetson Nano 4GB"]
        JN -->|1. Detect Box| Y5["YOLOv5s (PyTorch / TensorRT)"]
        Y5 -->|Crop License Plate| ALPR["OpenALPR Engine (OCR)"]
        ALPR -->|2. String Output| CTL["Edge Controller Daemon"]
        CTL -->|GPIO Trigger| BARRIER["Barrier Gate / Relay Controller"]
    end

    subgraph Cloud_Backend ["Tầng Máy Chủ Đám Mây (GCP Compute Engine)"]
        CTL -->|HTTPS / REST API| SVR["Node.js / Express Server v16.x"]
        SVR -->|Read / Write| MDB[("MongoDB Database Cluster")]
        SVR -->|Push Notification / Email| NOTIF["Firebase Cloud Messaging / Gmail API"]
    end

    subgraph Client_Layer ["Tầng Người Dùng (Mobile Application)"]
        APP["Mobile App (Java / Android)"] -->|HTTPS Requests| SVR
        APP -->|Location Tracking| GPS["Google Maps API / GPS Engine"]
        MDB -.->|Sync State| APP
    end

Technology Stack & Versions

  • Hardware Platform: NVIDIA Jetson Nano Developer Kit B01 (Quad-core ARM A57 @ 1.43 GHz, 128-core Maxwell GPU, 4GB 64-bit LPDDR4).
  • Edge Software: Ubuntu 18.04 LTS (JetPack 4.5.1), Python 3.8, PyTorch 1.8.0, OpenCV 4.5.1, OpenALPR v2.3.0.
  • Cloud Backend: Node.js v16.14.0 LTS, ExpressJS v4.18.1, Mongoose ODM v6.3.0.
  • Database Engine: MongoDB v5.0.6 (Atlas Multi-region Cluster).
  • Cloud Infrastructure: Google Cloud Platform (Compute Engine VM e2-medium: 2 vCPU, 4GB RAM).
  • Mobile Development: Android SDK (Java 11, Gradle 7.0), Google Play Services Location v19.0.1.

Database Schema Design (MongoDB Document Models)

// Collection: Vehicles
{
  "_id": { "$oid": "626fa5b8e4b0123456789abc" },
  "userId": { "$oid": "626fa512e4b0123456789001" },
  "licensePlate": "51G-888.88",
  "vehicleType": "Sedan 4-seats",
  "brand": "Toyota",
  "color": "White",
  "isRegistered": true,
  "createdAt": { "$date": "2022-04-15T08:00:00Z" }
}

// Collection: ParkingSessions (Tickets)
{
  "_id": { "$oid": "626fa700e4b0123456789def" },
  "vehicleId": { "$oid": "626fa5b8e4b0123456789abc" },
  "slotId": "SLOT_A12",
  "targetCoordinates": { "latitude": 10.870058, "longitude": 106.803082 },
  "checkInTime": { "$date": "2022-04-20T07:30:15Z" },
  "checkOutTime": null,
  "status": "PARKED", // EN_ROUTE, PARKED, COMPLETED
  "hourlyRate": 20000,
  "totalAmount": 0,
  "paymentStatus": "UNPAID"
}

API Endpoint Specifications

+-------------------------------------------------------------------------------------------------------+
| METHOD | ENDPOINT                         | PAYLOAD / PARAMS                | CHỨC NĂNG                       |
+--------+----------------------------------+---------------------------------+---------------------------------+
| POST   | /api/v1/edge/check-in            | { licensePlate, cameraId, time }| Xác thực xe vào, cấp ô đỗ       |
| POST   | /api/v1/edge/check-out           | { licensePlate, cameraId }      | Tính phí, kiểm tra thanh toán   |
| GET    | /api/v1/parking/slots/available  | ?zone=A                         | Lấy danh sách ô trống           |
| POST   | /api/v1/parking/verify-slot      | { sessionId, userLat, userLng } | Đối soát GPS xe với ô đỗ        |
| POST   | /api/v1/payments/checkout        | { sessionId, cardToken }        | Thực hiện thanh toán điện tử    |
+-------------------------------------------------------------------------------------------------------+

Methodology

Dự án áp dụng quy trình phát triển linh hoạt Agile/Scrum kết hợp mô hình V-Model trong giai đoạn kiểm thử phần cứng nhúng.

       PROJECT TIMELINE & PHASES (14 TUẦN)
============================================================
[Tuần 01-02] R&D Mô hình nhận dạng: YOLOv5s & OpenALPR
[Tuần 03-05] Xây dựng Backend Node.js & Thiết kế Database
[Tuần 06-08] Phát triển ứng dụng Android & Tích hợp GPS
[Tuần 09-10] Tích hợp Jetson Nano, Camera & Barrier Relay
[Tuần 11-12] Thử nghiệm thực địa bãi xe 100 vị trí & Stress Test
[Tuần 13-14] Tối ưu hóa hiệu năng, đóng gói báo cáo và nghiệm thu
============================================================

Quản trị rủi ro (Risk Mitigation Matrix)

  • Rủi ro 1 - Quá nhiệt phần cứng Edge: Jetson Nano hoạt động liên tục sinh nhiệt gây giảm xung (Thermal Throttling). Giải pháp: Lắp đặt cụm tản nhiệt nhôm cưỡng bức kèm quạt PWM 5V tự động kích hoạt khi $T > 65^\circ\text{C}$.
  • Rủi ro 2 - Mất kết nối Internet: Hệ thống mạng Cloud gián đoạn làm tê liệt barrier. Giải pháp: Edge Controller lưu trữ Local Cache (SQLite) cho danh sách 500 phương tiện đã đăng ký cố định để mở barrier Offline.

Implementation và kết quả

Development Process

Trọng tâm triển khai kỹ thuật nằm ở việc tối ưu hóa luồng xử lý thị giác máy tính trên Jetson Nano nhằm bảo đảm tốc độ khung hình (FPS) ổn định mà không làm cạn kiệt bộ nhớ 4GB RAM.

                         EDGE INFERENCE PIPELINE
+-------------+      +-------------------+      +---------------------+
| Video Stream| ---> | Frame Extraction  | ---> | YOLOv5s TensorRT    |
| (1080p@30fps|      | (Resize 640x640)  |      | Bounding Box Detect |
+-------------+      +-------------------+      +---------------------+
                                                           |
                                                           v
+-------------+      +-------------------+      +---------------------+
| REST API    | <--- | Text Verification | <--- | OpenALPR OCR        |
| Dispatch    |      | Regex Matching    |      | Character Extract   |
+-------------+      +-------------------+      +---------------------+

Core Edge Pipeline Implementation (Python on Jetson Nano)

import cv2
import requests
import json
import re
from openalpr import Alpr

class SmartEdgeCamera:
    def __init__(self, backend_url, camera_id=0):
        self.backend_url = backend_url
        self.camera_id = camera_id
        self.cap = cv2.VideoCapture(camera_id)
        self.cap.set(cv2.CAP_PROP_FRAME_WIDTH, 1920)
        self.cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 1080)
        # Khởi tạo OpenALPR với cấu hình chuẩn cho biển số xe
        self.alpr = Alpr("vn", "/etc/openalpr/openalpr.conf", "/usr/share/openalpr/runtime_data")
        if not self.alpr.is_loaded():
            raise SystemError("Không thể tải OpenALPR Engine")
        self.alpr.set_top_n(1)

    def extract_license_plate(self, frame):
        # Chuyển đổi khung hình sang định dạng mã hóa JPG để ALPR nhận diện
        ret, enc = cv2.imencode('.jpg', frame)
        results = self.alpr.recognize_array(bytes(enc))
        for plate in results['results']:
            plate_text = plate['plate']
            confidence = plate['confidence']
            # Kiểm tra biểu thức chính quy chuẩn biển số Việt Nam
            if confidence > 85.0 and re.match(r'^[0-9]{2}[A-Z]{1,2}[0-9]{4,5}$', plate_text):
                return plate_text
        return None

    def process_traffic(self):
        while self.cap.isOpened():
            ret, frame = self.cap.read()
            if not ret:
                continue
            
            plate_str = self.extract_license_plate(frame)
            if plate_str:
                payload = {
                    "cameraId": self.camera_id,
                    "licensePlate": plate_str,
                    "timestamp": cv2.getTickCount()
                }
                headers = {'Content-Type': 'application/json'}
                try:
                    response = requests.post(
                        f"{self.backend_url}/api/v1/edge/check-in",
                        data=json.dumps(payload),
                        headers=headers,
                        timeout=1.5
                    )
                    if response.status_code == 200:
                        self.trigger_barrier_open()
                except requests.exceptions.RequestException as e:
                    print(f"Network error: {e}")

    def trigger_barrier_open(self):
        # Điều khiển GPIO đóng Relay kích hoạt mô tơ Barrier
        pass

Backend Check-in Controller (Node.js/Express)

const express = require('express');
const router = express.Router();
const ParkingSession = require('../models/ParkingSession');
const Vehicle = require('../models/Vehicle');
const SlotManager = require('../services/SlotManager');

router.post('/check-in', async (req, res) => {
    try {
        const { licensePlate, cameraId } = req.body;
        
        // 1. Kiểm tra xe đã đăng ký trên hệ thống chưa
        const vehicle = await Vehicle.findOne({ licensePlate, isRegistered: true });
        if (!vehicle) {
            return res.status(403).json({ success: false, message: "Phương tiện chưa đăng ký!" });
        }

        // 2. Tự động cấp phát ô đỗ tối ưu qua thuật toán Slot Allocation
        const assignedSlot = await SlotManager.findOptimalSlot();
        if (!assignedSlot) {
            return res.status(409).json({ success: false, message: "Bãi đỗ xe đã đầy!" });
        }

        // 3. Tạo phiên đỗ xe (Parking Session)
        const session = new ParkingSession({
            vehicleId: vehicle._id,
            slotId: assignedSlot.id,
            targetCoordinates: assignedSlot.coordinates,
            checkInTime: new Date(),
            status: "EN_ROUTE"
        });
        await session.save();

        // 4. Khóa tạm thời ô đỗ trong DB
        await SlotManager.lockSlot(assignedSlot.id);

        return res.status(200).json({
            success: true,
            barrierAction: "OPEN",
            sessionId: session._id,
            slot: assignedSlot
        });
    } catch (error) {
        return res.status(500).json({ success: false, error: error.message });
    }
});

module.exports = router;

Testing và validation

Quá trình kiểm nghiệm được thực hiện thông qua 3 giai đoạn: Benchmark hiệu năng thuật toán AI, Thử nghiệm chịu tải hệ thống Backend và Kiểm thử người dùng thực tế (UAT).

+--------------------------------------------------------------------------------------------------------+
|                                SO SÁNH CÁC MÔ HÌNH OBJECT DETECTION TRÊN JETSON NANO                   |
+----------------------+--------------------+--------------------+------------------+--------------------+
| Mô hình thử nghiệm   | Inference Time (ms)| Tốc độ xử lý (FPS) | Độ chính xác mAP | Bộ nhớ RAM tiêu thụ|
+----------------------+--------------------+--------------------+------------------+--------------------+
| SSD-MobileNet v2     | 110 ms             | 9.1 FPS            | 82.4%            | 1.2 GB             |
| YOLOv4-Tiny          | 68 ms              | 14.7 FPS           | 88.1%            | 1.5 GB             |
| YOLOv5s (PyTorch)    | 52 ms              | 19.2 FPS           | 94.2%            | 1.8 GB             |
| **YOLOv5s (TensorRT)**| **32 ms**         | **31.2 FPS**       | **94.0%**        | **1.4 GB**         |
+----------------------+--------------------+--------------------+------------------+--------------------+

+--------------------------------------------------------------------------------------------------------+
|                                  KẾT QUẢ ĐỐI SOÁT ĐỘ CHÍNH XÁC THEO ĐIỀU KIỆN ÁNH SÁNG                 |
+-------------------------------+---------------------+--------------------+-----------------------------+
| Kịch bản môi trường           | Số mẫu thử nghiệm   | Nhận diện đúng     | Tỷ lệ chính xác (%)         |
+-------------------------------+---------------------+--------------------+-----------------------------+
| Ban ngày (Ánh sáng tự nhiên)  | 500 lượt            | 489 lượt           | 97.8%                       |
| Bãi xe tầng hầm (Đèn Neon)    | 300 lượt            | 287 lượt           | 95.6%                       |
| Ban đêm (Ánh sáng yếu)        | 200 lượt            | 181 lượt           | 90.5%                       |
| Biển số nghiêng góc >30 độ    | 100 lượt            | 86 lượt            | 86.0%                       |
| **Tổng thể nghiệm thu**       | **1100 lượt**       | **1043 lượt**      | **94.81%**                  |
+-------------------------------+---------------------+--------------------+-----------------------------+

Kết quả đạt được

  • Chỉ tiêu hiệu năng: Thời gian xử lý từ lúc camera nhận dạng biển số đến khi kích hoạt mở barrier chỉ mất $380\text{ ms}$ (đạt mục tiêu $< 500\text{ ms}$).
  • Khả năng chịu tải Backend: Máy chủ GCP e2-medium chịu tải tối đa $850\text{ req/s}$ với độ trễ phản hồi trung bình $45\text{ ms}$, CPU Utilization duy trì dưới $65%$.
  • Mức độ hài lòng UAT: Khảo sát trên 45 người dùng thử nghiệm thực tế tại bãi đỗ trường ĐH Công nghệ Thông tin đạt điểm trung bình $4.6/5.0$, trong đó tính năng định vị ô đỗ và thanh toán không tiền mặt được đánh giá cao nhất.

Đổi mới và đóng góp

  1. Kiến trúc Điện toán biên (Edge Computing Architecture): Khắc phục triệt để bài toán thắt cổ chai băng thông và bảo mật dữ liệu của các mô hình Cloud AI truyền thống bằng cách đóng gói toàn bộ quy trình nhận diện ký tự quang học (ANPR) trực tiếp tại thiết bị biên Jetson Nano.
  2. Loại bỏ cảm biến vật lý bằng Định vị số (Virtual GPS Slot Mapping): Thay thế hoàn toàn hệ thống cảm biến siêu âm đắt đỏ tại từng ô đỗ bằng thuật toán giám sát vị trí phương tiện qua GPS trên điện thoại, giảm hơn 70% tổng chi phí đầu tư ban đầu (CapEx) cho phần cứng bãi đỗ.
  3. Mô hình Khép kín Không chạm (Touchless Automation): Kết hợp nhận diện biển số tự động, định vị dẫn đường nội bộ và thanh toán ví điện tử, loại bỏ 100% việc tiếp xúc vật lý và rút ngắn thời gian vào/ra bãi từ 30 giây xuống còn dưới 3 giây.
+--------------------------------------------------------------------------------------------------------+
|                                SO SÁNH GIỮA CÁC GIẢI PHÁP QUẢN LÝ BÃI ĐỖ                               |
+-------------------------------+-----------------------+-----------------------+------------------------+
| Tiêu chí                      | Bãi xe RFID truyền thống | Hệ thống Hikvision ANPR | Giải pháp của Khóa luận |
+-------------------------------+-----------------------+-----------------------+------------------------+
| Chi phí thiết bị / 100 ô đỗ   | ~ 150 - 200 triệu VNĐ | ~ 300 - 400 triệu VNĐ | ~ 45 - 60 triệu VNĐ    |
| Chi phí bảo trì hàng năm      | Cao (hỏng thẻ, đầu đọc) | Trung bình (camera)   | Cực thấp (phần mềm số) |
| Khả năng định vị dẫn đường    | Không hỗ trợ          | Cần màn hình LED phụ  | Trực quan qua Mobile GPS|
| Tốc độ lưu thông vào/ra       | 15 - 20 xe/phút       | 25 - 30 xe/phút       | 35 - 40 xe/phút        |
+-------------------------------+-----------------------+-----------------------+------------------------+

Ứng dụng thực tế và triển khai

Real-World Use Cases & Deployment

Hệ thống được thiết kế theo dạng module hóa cao (Modular Design), sẵn sàng triển khai tại:

  • Tòa nhà văn phòng / Khu chung cư: Tự động nhận diện cư dân có vé tháng, phân bổ ô đỗ cố định và quản lý khách vãng lai qua mã QR động.
  • Khuôn viên trường Đại học / Bệnh viện: Kiểm soát lưu lượng giao thông cục bộ, hạn chế tình trạng chiếm dụng ô đỗ trái phép.
       MÔ HÌNH TRIỂN KHAI PHẦN CỨNG TẠI CỔNG BÃI XE
+-------------------------------------------------------------+
|                                                             |
|   [USB Cam 1080p] ----------> [Jetson Nano (Edge)]          |
|         |                            |                      |
|    (Góc quét 45°)            (Relay Controller)             |
|         |                            |                      |
|         v                            v                      |
|   [Xe Dừng Vạch]             [Mô tơ Barrier Mở]             |
|                                                             |
|   [Smartphone User] <======= HTTPS =======> [GCP Cloud API] |
|   (GPS Tracking)                                            |
+-------------------------------------------------------------+

Phân tích Hiệu quả Đầu tư (Cost-Benefit & ROI Analysis)

  • Chi phí đầu tư phần cứng (CapEx): 01 Máy tính nhúng Jetson Nano (~3.000.000 VNĐ), 01 Camera Full HD (~1.200.000 VNĐ), 01 Bộ điều khiển Relay (~300.000 VNĐ). Tổng chi phí một cổng kiểm soát chưa tới 5.000.000 VNĐ (chưa bao gồm thanh chắn cơ học).
  • Tiết kiệm chi phí vận hành (OpEx): Cắt giảm hoàn toàn chi phí in ấn thẻ từ (khoảng 10.000 VNĐ/thẻ) và giảm tối thiểu 02 nhân sự túc trực soát vé tại cổng, tiết kiệm từ 15.000.000 – 20.000.000 VNĐ/tháng/cổng.
  • Thời gian hoàn vốn (Payback Period): Ước tính từ 3 đến 6 tháng đối với bãi xe quy mô trung bình 100 - 200 ô đỗ.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  1. Suy hao tín hiệu GPS trong không gian kín: Định vị GPS hoạt động chính xác ở các bãi đỗ ngoài trời nhưng gặp hiện tượng trôi dạt tọa độ (Multipath effect) khi đi sâu vào các tầng hầm bê tông cốt thép.
  2. Chất lượng quang học ban đêm: Hiện tượng lóa sáng do đèn pha xe chiếu thẳng vào ống kính camera (Headlight Glare) làm giảm độ tương phản của ký tự biển số.

Hướng phát triển trong tương lai

  • Hệ thống định vị trong nhà (Indoor Positioning System): Tích hợp công nghệ Bluetooth Low Energy (BLE Beacons) hoặc Ultra-Wideband (UWB) để tăng độ chính xác định vị tầng hầm lên mức $< 0.5\text{ mét}$.
  • Tối ưu hóa mô hình AI: Áp dụng kỹ thuật lượng tử hóa trọng số INT8 (Weight Quantization) qua TensorRT để tăng tốc độ xử lý lên $> 45\text{ FPS}$ trên Jetson Nano.
  • Tích hợp trạm sạc xe điện (EV Charging Management): Bổ sung tính năng quản lý và điều phối ô đỗ tích hợp trụ sạc thông minh cho xe ô tô điện.

Đối tượng hưởng lợi

+--------------------------------------------------------------------------------------------------------+
|                                    GIÁ TRỊ MANG LẠI CHO CÁC ĐỐI TƯỢNG                                  |
+--------------------+-----------------------------------------------------------------------------------+
| Đối tượng          | Giá trị thực tiễn và định lượng                                                   |
+--------------------+-----------------------------------------------------------------------------------+
| **Sinh viên**      | Tài liệu tham khảo chuẩn mực về triển khai Deep Learning (YOLOv5) trên phần cứng  |
|                    | nhúng (Edge Computing) và kiến trúc hệ thống full-stack IoT.                      |
| **Lập trình viên** | Kiến trúc mã nguồn mẫu về việc tích hợp C++ ALPR Engine vào Python Daemon và cách |
|                    | thiết kế hệ thống Backend RESTful API hướng sự kiện (Event-Driven).               |
| **Doanh nghiệp**   | Giải pháp tự động hóa bãi xe chi phí thấp, tối ưu hóa $100\%$ nhân sự soát vé,   |
|                    | chống thất thoát doanh thu và nâng cao trải nghiệm khách hàng.                    |
| **Nhà nghiên cứu** | Cơ sở dữ liệu và phương pháp luận thực nghiệm về giải quyết bài toán thị giác     |
|                    | máy tính trong điều kiện tài nguyên phần cứng biên hạn hẹp.                       |
+--------------------+-----------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu cấu hình tối thiểu để triển khai trạm Camera thông minh tại biên là gì?

Hệ thống yêu cầu tối thiểu một bo mạch NVIDIA Jetson Nano (bản 4GB RAM) hoặc Jetson Xavier NX, thẻ nhớ MicroSD 32GB Class 10 (tốc độ đọc $\ge 90\text{ MB/s}$), nguồn điện DC 5V-4A chân Jack DC và 01 USB Camera có độ phân giải tối thiểu Full HD (1080p@30fps) hỗ trợ chuẩn UVC.

2. Hệ thống xử lý thế nào khi có nhiều xe cùng tiến vào bãi đỗ cùng một lúc?

Nhờ tốc độ xử lý đạt ~31 FPS của mô hình TensorRT trên Jetson Nano, hệ thống có thể xử lý liên tục từng khung hình với độ trễ chỉ 32ms. Hàng đợi thông điệp (Message Queue) tại Backend Node.js phân loại và cấp phát vị trí ô đỗ theo thuật toán FIFO (First-In, First-Out) không gây nghẽn phiên.

3. Làm thế nào để tích hợp hệ thống vào cổng Barrier tự động có sẵn?

Bo mạch Jetson Nano điều khiển module Relay 5V 1-channel thông qua chân GPIO (General Purpose Input/Output). Ngõ ra tiếp điểm Relay (Dry Contact) được đấu nối song song với nút bấm mở cưỡng bức (Push Button) của bo mạch điều khiển Barrier sẵn có tại bãi đỗ.

4. Nếu mất kết nối Internet giữa bãi xe và Cloud, hệ thống có hoạt động không?

Jetson Nano được cài đặt một cơ sở dữ liệu đệm SQLite nội bộ, tự động đồng bộ danh sách biển số xe cư dân cố định (Whitelist). Khi mất mạng, hệ thống tự động chuyển sang chế độ Standalone Offline để tiếp tục mở barrier cho cư dân và lưu vết phiên đỗ vào bộ nhớ đệm, sau đó đẩy dữ liệu lên Cloud khi có mạng trở lại.

5. Chi phí vận hành và thời gian bảo trì định kỳ của hệ thống như thế nào?

Chi phí vận hành bao gồm phí duy trì Cloud VM GCP (khoảng 300.000 – 500.000 VNĐ/tháng) và tiền điện tiêu thụ của Jetson Nano (~10W/giờ, tương đương 30.000 VNĐ/tháng). Chu kỳ bảo trì phần cứng khuyến nghị là 6 tháng/lần (vệ sinh quạt tản nhiệt và thấu kính camera).

Kết luận

Khóa luận tốt nghiệp "Xây dựng hệ thống camera thông minh để giám sát phương tiện trong bãi giữ xe" của sinh viên Nguyễn Đình Thiên Bảo và Nguyễn Nhật Huy đã giải quyết xuất sắc bài toán cân bằng giữa chi phí đầu tư và hiệu năng công nghệ trong quản lý đô thị thông minh. Bằng cách làm chủ kỹ thuật tối ưu hóa Deep Learning trên phần cứng biên kết hợp nền tảng đám mây và ứng dụng di động, đề tài không chỉ đạt giá trị học thuật xuất sắc tại Trường Đại học Công nghệ Thông tin - ĐHQG TP.HCM mà còn sở hữu tính ứng dụng thương mại hóa cao.

Doanh nghiệp, đơn vị quản lý tòa nhà và các nhà phát triển quan tâm đến giải pháp có thể tiếp cận mô hình kiến trúc này để triển khai thực tế, góp phần hiện đại hóa cơ sở hạ tầng giao thông tĩnh và thúc đẩy xây dựng các đô thị thông minh bền vững.