Giới thiệu dự án

Tại các đô thị lớn tại Việt Nam, sự bùng nổ phương tiện cá nhân—đặc biệt là xe máy với hơn 65 triệu phương tiện đang lưu hành—đã tạo áp lực khổng lồ lên hạ tầng giao thông tĩnh. Quản lý bãi đỗ xe truyền thống bằng vé giấy hoặc ghi số thủ công bộc lộ nhiều lỗ hổng nghiêm trọng: tốc độ xử lý chậm (mất từ 15–30 giây/xe), gây ùn tắc cục bộ vào giờ cao điểm, nguy cơ thất thoát doanh thu, rách nát vé khi gặp mưa bão và rủi ro tráo biển số, làm giả vé giấy phục vụ mục đích trộm cắp.

Nhằm giải quyết triệt để các hạn chế trên, đề tài "Tìm hiểu và xây dựng hệ thống giữ xe thông minh có nhận diện biển số xe" kết hợp công nghệ nhận dạng tần số sóng vô tuyến (RFID - Radio Frequency Identification) và thị giác máy tính (Computer Vision) ứng dụng bộ phân loại tầng LBP (Local Binary Patterns) và máy học véc-tơ hỗ trợ (Support Vector Machine - SVM).

graph LR
    A[Xe vào/ra bãi] --> B[Quẹt thẻ RFID RC522]
    B --> C[Trigger Camera chụp ảnh]
    C --> D[Tiền xử lý ảnh OpenCV]
    D --> E[LBP Cascade định vị biển số]
    E --> F[SVM nhận dạng ký tự]
    F --> G[Đối soát CSDL SQL Server]
    G --> H{Hợp lệ?}
    H -- Có --> I[Mở Barrier / Lưu nhật ký]
    H -- Không --> J[Cảnh báo vi phạm / Giữ xe]

Mục tiêu cụ thể của dự án

  1. Khảo sát quy chuẩn biển số xe máy Việt Nam: Phân tích đặc tính kích thước (140mm x 190mm), cấu trúc font chữ, màu sắc (biển trắng, xanh, đỏ, vàng) và quy tắc 2 dòng ký tự.
  2. Nghiên cứu thuật toán xử lý ảnh: Áp dụng các bộ lọc khử nhiễu (Gaussian, Median, Sobel, Laplace) để chuẩn hóa ảnh đầu vào từ camera.
  3. Phát triển module định vị & nhận diện ký tự: Huấn luyện bộ phân loại LBP Cascade để trích xuất vùng biển số và mô hình SVM (One-Against-One) để nhận dạng ký tự quang học (OCR).
  4. Tích hợp phần cứng điều khiển: Kết nối vi điều khiển Arduino Uno với module đọc thẻ RFID-RC522 (tần số 13.56 MHz) qua chuẩn giao tiếp SPI/UART.
  5. Xây dựng ứng dụng quản lý toàn diện: Phát triển phần mềm máy trạm trên nền tảng .NET/C# kết nối hệ quản trị cơ sở dữ liệu SQL Server.
  6. Thiết kế cơ chế an toàn & dự phòng: Tích hợp bộ lưu điện UPS Santak TG500 và module sao lưu/phục hồi dữ liệu tự động.

Phạm vi và giới hạn đề tài

  • Phạm vi: Nhận dạng biển kiểm soát xe máy 2 bánh lưu hành tại Việt Nam dưới điều kiện luồng xe đi đúng làn định vị trước barrier.
  • Giới hạn: Tốc độ xử lý tối ưu khi xe dừng trước vạch; chưa tích hợp nhận diện biển số xe ô tô dài hoặc xử lý luồng xe di chuyển với vận tốc > 20 km/h.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Vé giấy truyền thống Thẻ từ / Mã vạch đơn thuần Hệ thống RFID kết hợp AI LBP-SVM (Đề tài)
Thời gian xử lý 15 – 30 giây/lượt 5 – 8 giây/lượt 1 – 2 giây/lượt
Độ an toàn / Chống gian lận Rất thấp (dễ làm giả, tráo xe) Trung bình (tráo xe cùng loại) Rất cao (đối soát ảnh + biển số + ID thẻ)
Độ bền phương tiện lưu trữ Thấp (nhàu nát, rách, ướt) Cao (thẻ nhựa PVC) Rất cao (thẻ RFID chống nước, chip Mifare)
Chi phí vận hành nhân sự Rất cao (cần 2-3 người/làn) Trung bình (1 người/làn) Tối ưu (tự động hóa, 1 người giám sát 2-4 làn)
Khả năng kiểm toán & thống kê Thủ công, dễ sai sót Tự động mức cơ bản Báo cáo thời gian thực, tra cứu nhật ký trực quan

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must-have (Bắt buộc): Đọc mã UID từ thẻ RFID-RC522; Chụp ảnh biển số và người lái từ camera IP (RTSP); Nhận diện chính xác chuỗi ký tự biển số; Lưu trữ dữ liệu vào SQL Server; Đóng/mở barrier tự động.
  • Should-have (Nên có): Phân quyền người dùng (Admin, Quản lý, Nhân viên); Quản lý vé tháng/vé lượt; Cảnh báo biển số không khớp khi xe ra.
  • Could-have (Có thể có): Thống kê doanh thu theo ngày/tháng; Báo cáo lịch sử vi phạm; Xuất dữ liệu báo cáo ra Excel.
  • Won't-have (Chưa triển khai): Nhận diện khuôn mặt người điều khiển; Tích hợp cổng thanh toán trực tuyến tự động (VNPAY/MoMo).

Thiết kế hệ thống

Hệ thống được thiết kế theo kiến trúc 3 lớp (3-Tier Architecture), phân tách độc lập giữa phần cứng thu thập tín hiệu, tầng xử lý logic trung tâm và tầng cơ sở dữ liệu.

+-----------------------------------------------------------------------+
|                           PRESENTATION LAYER                          |
|   WinForms UI: Giám sát làn xe | Quản lý thẻ | Báo cáo doanh thu      |
+-----------------------------------+-----------------------------------+
                                    |
+-----------------------------------v-----------------------------------+
|                            BUSINESS LOGIC                             |
|  - RFID Listener (Serial COM)     - Image Preprocessing (OpenCV)      |
|  - LBP Cascade Plate Detector     - Multi-Class SVM Character OCR     |
+-----------------------------------+-----------------------------------+
                                    |
+-----------------------------------v-----------------------------------+
|                              DATA LAYER                               |
|       Microsoft SQL Server: Xe_Vao | Xe_Ra | TheRFID | NhanVien       |
+-----------------------------------------------------------------------+

Technology Stack

  • Ngôn ngữ phát triển: C# (.NET Framework 4.7.2), C++ (huấn luyện mô hình xử lý ảnh), Arduino C/C++.
  • Thư viện thị giác máy tính: OpenCV 3.4 / EmguCV wrapper.
  • Hệ quản trị CSDL: Microsoft SQL Server 2014/2019.
  • Phần cứng điều khiển: Board vi điều khiển Arduino Uno R3 (ATmega328P, 16MHz), Module RFID-RC522 (13.56MHz SPI), Camera độ phân giải Full HD 1080p hỗ trợ RTSP/HTTP, Bộ lưu điện UPS Santak TG500.

Thiết kế cơ sở dữ liệu quan hệ (RDBMS)

-- Bảng quản lý thẻ RFID
CREATE TABLE TheRFID (
    MaRFID VARCHAR(15) PRIMARY KEY,
    MaLoaiVe VARCHAR(10) NOT NULL,
    NgayTao DATETIME DEFAULT GETDATE(),
    NgayCapNhatCuoi DATETIME,
    TrangThai BIT DEFAULT 1, -- 1: Đang hoạt động, 0: Đã khóa
    TheDangKy BIT DEFAULT 0  -- 1: Vé tháng, 0: Vé lượt
);

-- Bảng ghi nhận sự kiện xe vào
CREATE TABLE Xe_Vao (
    Ma_Vao VARCHAR(50) PRIMARY KEY,
    MaRFID VARCHAR(15) FOREIGN KEY REFERENCES TheRFID(MaRFID),
    MaGui VARCHAR(20),
    HinhBX_Vao VARCHAR(255),
    Hinh_N_Vao VARCHAR(255),
    MayTinh_Vao VARCHAR(50),
    MaNV VARCHAR(50),
    BienSo_Vao VARCHAR(15),
    TG_Vao DATE,
    Gio_Vao TIME(7),
    TrangThai BIT DEFAULT 0 -- 0: Trong bãi, 1: Đã ra
);

-- Bảng ghi nhận sự kiện xe ra đối soát
CREATE TABLE Xe_Ra (
    Ma_Ra VARCHAR(50) PRIMARY KEY,
    Ma_Vao VARCHAR(50) FOREIGN KEY REFERENCES Xe_Vao(Ma_Vao),
    HinhBX_Ra VARCHAR(255),
    Hinh_Ng_Ra VARCHAR(255),
    BienSo_Ra VARCHAR(15),
    MayTinh_Ra VARCHAR(50),
    MaNV VARCHAR(50),
    TG_Ra DATETIME DEFAULT GETDATE(),
    GhiChu NVARCHAR(MAX)
);

Methodology

Dự án áp dụng mô hình phát triển Prototyping lặp (Iterative Prototyping) chia làm 4 mốc triển khai (Milestones):

  1. Giai đoạn 1 (Tuần 1–4): Thu thập dữ liệu 1.500 ảnh biển số xe máy; nghiên cứu lý thuyết LBP, Haar-like và SVM; thiết lập mạch giao tiếp Arduino - RFID.
  2. Giai đoạn 2 (Tuần 5–8): Gắn nhãn tập dữ liệu (Bounding box); tiền xử lý và khử nhiễu ảnh; huấn luyện LBP Cascade phát hiện biển số và SVM phân loại ký tự.
  3. Giai đoạn 3 (Tuần 9–12): Thiết kế CSDL SQL Server; xây dựng giao diện WinForms; ghép nối luồng nhận diện với module COM Port phần cứng.
  4. Giai đoạn 4 (Tuần 13–16): Kiểm thử ngoài thực địa bãi xe; tối ưu thuật toán; cài đặt UPS dự phòng và đóng gói tài liệu khóa luận.

Implementation và kết quả

Development process

1. Toán tử Local Binary Patterns (LBP) và Multi-Block LBP (MB-LBP)

Toán tử LBP nguyên bản nhị phân hóa các pixel lân cận trong cửa sổ $3 \times 3$ so với pixel trung tâm $i_p$:

$$LBP(x_c, y_c) = \sum_{n=0}^{7} s(i_n - i_p) 2^n \quad \text{với} \quad s(x) = \begin{cases} 1 & \text{khi } x \ge 0 \ 0 & \text{khi } x < 0 \end{cases}$$

Trong hệ thống, MB-LBP được áp dụng để tính toán giá trị trung bình trên các khối hình chữ nhật thay vì từng pixel đơn lẻ, giúp tăng tốc độ tính toán thông qua cấu trúc ảnh tích hợp (Integral Image) và kháng nhiễu ánh sáng vượt trội so với Haar-like truyền thống.

2. Kỹ thuật tiền xử lý ảnh trong OpenCV

Trước khi đưa vào Cascade Classifier, ảnh chụp được loại bỏ nhiễu và làm nổi bật biên cạnh bằng các bộ lọc chuyên dụng:

#include <opencv2/opencv.hpp>
using namespace cv;

Mat preprocessLicensePlate(const Mat& src) {
    Mat gray, blurred, edge;
    // 1. Chuyển đổi không gian màu sang Grayscale
    cvtColor(src, gray, COLOR_BGR2GRAY);
    // 2. Khử nhiễu muối tiêu bằng Gaussian Blur ma trận 5x5
    GaussianBlur(gray, blurred, Size(5, 5), 0);
    // 3. Tính toán gradient biên cạnh bằng toán tử Sobel bậc 1 theo trục X
    Sobel(blurred, edge, CV_8U, 1, 0, 3, 1, 0, BORDER_DEFAULT);
    // 4. Nhị phân hóa thích nghi (Otsu Thresholding)
    Mat binary;
    threshold(edge, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
    return binary;
}

3. Nhận dạng ký tự quang học với SVM (Multi-Class One-Against-One)

Thuật toán SVM giải quyết bài toán cực tiểu hóa rủi ro cấu trúc (Structural Risk Minimization - SRM):

$$\min_{w, b, \xi} \frac{1}{2} |w|^2 + C \sum_{i=1}^{N} \xi_i \quad \text{thỏa mãn} \quad y_i(w^T \phi(x_i) + b) \ge 1 - \xi_i, \quad \xi_i \ge 0$$

Hệ thống phân lớp 36 nhãn (10 chữ số từ 0–9 và 26 chữ cái A–Z). Với chiến lược One-Against-One (1-vs-1), hệ thống xây dựng $\frac{k(k-1)}{2} = \frac{36 \times 35}{2} = 630$ bộ phân loại nhị phân SVM, bỏ phiếu chọn nhãn có số điểm cao nhất.

4. Giao tiếp Arduino Uno và Module RFID-RC522

#include <SPI.h>
#include <MFRC522.h>

#define SS_PIN 10
#define RST_PIN 9
MFRC522 rfid(SS_PIN, RST_PIN);

void setup() {
    Serial.begin(9600);
    SPI.begin();
    rfid.PCD_Init();
}

void loop() {
    // Kiểm tra có thẻ mới xuất hiện trong vùng từ trường
    if (!rfid.PICC_IsNewCardPresent() || !rfid.PICC_ReadCardSerial()) return;
    
    // Đọc mã UID của thẻ và gửi qua Serial COM
    String tagUID = "";
    for (byte i = 0; i < rfid.uid.size; i++) {
        tagUID += String(rfid.uid.uidByte[i] < 0x10 ? "0" : "");
        tagUID += String(rfid.uid.uidByte[i], HEX);
    }
    tagUID.toUpperCase();
    Serial.println("CARD_UID:" + tagUID);
    
    rfid.PICC_HaltA();
    rfid.PCD_StopCrypto1();
    delay(500); // Tránh đọc đúp thẻ
}

Testing và validation

Quá trình kiểm thử được thực hiện trên tập dữ liệu kiểm chuẩn gồm 800 ảnh chụp xe máy thực tế tại bãi giữ xe Trường Đại học Công nghiệp Thực phẩm TP.HCM trong nhiều điều kiện môi trường.

+-----------------------------------------------------------------------+
|                  BIỂU ĐỒ TỈ LỆ NHẬN DẠNG THEO ĐIỀU KIỆN                |
|                                                                       |
|  Ban ngày, đủ sáng      [====================================] 96.8%  |
|  Góc nghiêng (<= 25 độ) [==================================]   92.4%  |
|  Ban đêm / Đèn nhân tạo [================================]     88.5%  |
|  Biển dính bẩn / Mờ số  [============================]         78.2%  |
+-----------------------------------------------------------------------+
Kịch bản kiểm thử Số lượng mẫu Phát hiện vùng biển số (LBP Cascade) Nhận dạng ký tự (SVM OCR) Độ chính xác toàn diện
Ánh sáng ban ngày thuận lợi 350 98.6% 98.2% 96.8%
Góc chụp nghiêng (15° - 25°) 200 95.0% 97.2% 92.4%
Khu vực bóng râm / Thiếu sáng 150 92.0% 96.1% 88.5%
Biển số cũ / Trầy xước / Dính bùn 100 85.0% 92.0% 78.2%
Tổng thể trung bình 800 94.5% 96.7% 91.4%

Kết quả đạt được

  • Hiệu năng hệ thống: Thời gian xử lý trung bình từ lúc quẹt thẻ đến khi phân tích xong ảnh và kích hoạt mở barrier đạt 1.45 giây (trong đó trích xuất LBP mất ~120ms, nhận dạng ký tự SVM mất ~85ms).
  • Tính toàn vẹn dữ liệu: 100% các phiên xe vào/ra đều được lưu giữ nhật ký đối chiếu bao gồm: ảnh chụp người điều khiển, ảnh chụp biển số, chuỗi ký tự nhận dạng và thời gian chính xác đến từng giây.
  • Xử lý sự cố: Tự động kích hoạt nguồn UPS Santak TG500 khi mất điện lưới, duy trì hệ thống máy tính và camera hoạt động liên tục trong 15–20 phút, đủ thời gian hoàn tất các lượt xe đang dở dang và thực hiện sao lưu an toàn CSDL.

Đổi mới và đóng góp

  1. Kết hợp MB-LBP và SVM phân tầng tối ưu cho Edge PC: Thay vì sử dụng các mạng nơ-ron tích chập (CNN) đòi hỏi phần cứng GPU đắt tiền, giải pháp kết hợp MB-LBP trích xuất đặc trưng hình thái nhanh với bộ phân loại SVM tối ưu biên giúp hệ thống chạy mượt mà trên máy tính văn phòng cấu hình phổ thông (Intel Core i3/i5, không card rời) với độ chính xác đạt trên 91%.
  2. Cơ chế xác thực kép 2 lớp (Dual-Factor Verification): Kết hợp thẻ RFID cứng chống sao chép và thuật toán thị giác đối chiếu biển số. Nếu thẻ hợp lệ nhưng biển số xe ra lệch so với xe vào, hệ thống lập tức khóa cổng và hiển thị hình ảnh so sánh cạnh nhau trên màn hình để nhân viên bảo vệ can thiệp.
  3. Giảm thiểu độ trễ I/O phần cứng: Giao thức kết nối bất đồng bộ (Asynchronous Event-Driven) giữa C# và cổng nối tiếp COM của Arduino giúp luồng đọc thẻ và chụp hình camera RTSP không gây đóng băng (hang/freeze) giao diện người dùng.

Ứng dụng thực tế và triển khai

Yêu cầu phần cứng và triển khai chuẩn hóa

  • Camera giám sát: 02 Camera IP/Analog độ phân giải Full HD (1920x1080), hỗ trợ đèn hồng ngoại ban đêm và ống kính tiêu cự điều chỉnh (Varifocal 2.8–12mm), đặt tại độ cao $1.2\text{m} - 1.4\text{m}$, góc nghiêng $20^\circ - 30^\circ$ so với đuôi xe.
  • Bộ điều khiển trung tâm: 01 PC cấu hình tối thiểu Intel Core i3 thế hệ 6, 8GB RAM, 256GB SSD, hệ điều hành Windows 10/11 64-bit.
  • Bộ phân phối làn: 01 Board Arduino Uno + 01 Module RC522 đặt trong hộp bảo vệ mica cách nước tại cột quẹt thẻ; 01 Relay module kích đóng mở cần Barrier tự động.
                             SƠ ĐỒ BỐ TRÍ LÀN XE THỰC TẾ
                      
     [Camera Người]                           [Camera Biển Số]
         | (Góc cao 1.8m)                         | (Góc thấp 1.2m)
         v                                        v
  =================== Vạch dừng xe ===================
        [Xe máy]  --->  [Trụ quẹt thẻ RFID] ---> [Cần Barrier]
                               |
                       (Arduino RC522)
                               |
                        [PC Trung Tâm]

Phân tích chi phí - lợi ích (ROI) cho bãi xe quy mô 1.000 xe/ngày

+-----------------------------------------------------------------------+
|                    BẢNG HẠCH TOÁN CHI PHÍ ĐẦU TƯ BAN ĐẦU              |
|                                                                       |
|  1. Máy tính điều khiển Core i5 / 8GB RAM       : 10.500.000 VNĐ      |
|  2. Bộ 02 Camera IP Full HD chuyên dụng         :  4.200.000 VNĐ      |
|  3. Cần Barrier tự động + Arduino Controller    : 12.000.000 VNĐ      |
|  4. Bộ lưu điện UPS Santak TG500                :  1.150.000 VNĐ      |
|  5. 1.000 Thẻ từ RFID Mifare 13.56MHz           :  3.500.000 VNĐ      |
|  6. Vật tư thi công, gờ giảm tốc, khung bảo vệ  :  3.000.000 VNĐ      |
|  -------------------------------------------------------------------  |
|  TỔNG CHI PHÍ ĐẦU TƯ                            : 34.350.000 VNĐ      |
+-----------------------------------------------------------------------+
  • Hiệu quả kinh tế: Cắt giảm từ 3 nhân sự trực xuống còn 1 nhân sự giám sát. Tiết kiệm chi phí nhân công ước tính 14.000.000 VNĐ/tháng.
  • Thời gian hoàn vốn (ROI):

$$\text{Thời gian hoàn vốn} = \frac{34.350.000}{14.000.000} \approx 2.45 \text{ tháng}$$

Sau chưa đầy 3 tháng vận hành, hệ thống bắt đầu tạo ra giá trị lợi nhuận thặng dư bền vững cho ban quản lý tòa nhà/trường học.

Hạn chế và hướng phát triển

Hạn chế hiện tại

  • Độ nhạy sáng: Khi xe bật đèn pha chiếu thẳng vào camera ở làn đối diện hoặc trời mưa lớn làm ướt bề mặt phản quang của biển số, tỷ lệ nhận diện OCR bị suy giảm xuống khoảng 78%.
  • Kiểu dáng biển số: Hiện hệ thống tối ưu tốt nhất cho quy chuẩn biển số xe máy 2 dòng; các trường hợp biển số cong vênh, rỉ sét nặng hoặc font chữ lạ chưa đạt độ chính xác kỳ vọng.

Hướng phát triển tương lai

  1. Nâng cấp sang Deep Learning: Thay thế LBP và SVM bằng kiến trúc mạng nơ-ron tích chập hiện đại YOLOv8-Nano cho bài toán phát hiện vùng biển số và CRNN (Convolutional Recurrent Neural Network) kèm CTC Loss cho bài toán nhận dạng chuỗi ký tự không cần phân đoạn (segmentation-free OCR).
  2. Mở rộng nền tảng nhúng Edge AI: Porting toàn bộ pipeline xử lý sang các máy tính đơn bo mạch như NVIDIA Jetson Nano hoặc Raspberry Pi 4, giảm thiểu hoàn toàn sự phụ thuộc vào máy vi tính cồng kềnh.
  3. Thanh toán không tiền mặt: Tích hợp sinh mã QR động (VietQR/MoMo) trực tiếp trên màn hình phụ tại làn ra, tự động tính phí dựa trên thời gian đỗ xe thực tế.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành CNTT/Điện tử: Nguồn tài liệu tham khảo thực tế về quy trình tích hợp giữa phần mềm xử lý ảnh OpenCV, học máy truyền thống và phần cứng vi điều khiển Arduino.
  • Kỹ sư phát triển phần mềm (Developers): Nắm vững kiến trúc giao tiếp cổng nối tiếp C# SerialPort, xử lý đa luồng (Multi-threading) tránh nghẽn luồng UI khi xử lý video stream từ Camera.
  • Doanh nghiệp & Đơn vị quản lý bãi đỗ: Sở hữu giải pháp tự động hóa quản lý bãi đỗ với chi phí đầu tư thấp, ngăn chặn tuyệt đối tình trạng gian lận doanh thu và trộm cắp tài sản.
  • Các nhà nghiên cứu ứng dụng: Cung cấp bộ số liệu thực nghiệm so sánh hiệu năng giữa toán tử LBP Cascade và máy học vector SVM trên dữ liệu ảnh thực tế tại Việt Nam.

Câu hỏi thường gặp

1. Hệ thống có yêu cầu máy tính trang bị GPU đồ họa rời để chạy nhận diện không?

Không. Nhờ việc sử dụng các đặc trưng MB-LBP kết hợp với bộ phân loại nhị phân SVM tối ưu trên không gian vector, thuật toán tiêu tốn rất ít tài nguyên tính toán (CPU overhead < 15% trên dòng chip Core i3 thế hệ 6 trở lên) và hoàn toàn không yêu cầu GPU chuyên dụng như các mô hình Deep Learning phức tạp.

2. Nếu mất điện đột ngột, dữ liệu xe đang gửi có bị mất hoặc hỏng CSDL không?

Không. Hệ thống được tích hợp bộ lưu điện UPS Santak TG500 tự động duy trì nguồn điện ngay lập tức mà không gây sập nguồn máy tính. Đồng thời, CSDL SQL Server tuân thủ chặt chẽ tính chất ACID (Atomicity, Consistency, Isolation, Durability) với cơ chế ghi log giao dịch (Write-Ahead Logging), đảm bảo dữ liệu luôn toàn vẹn.

3. Thẻ RFID có bị làm giả hoặc đọc trộm thông tin dễ dàng như vé giấy không?

Không. Thẻ sử dụng chip Mifare chuẩn ISO/IEC 14443 Type A hoạt động ở tần số 13.56 MHz với mã định danh UID duy nhất 4-byte hoặc 7-byte được ghi đúc cố định từ nhà sản xuất trong ROM, không thể sao chép bằng các thiết bị ghi thẻ thông thường.

4. Hệ thống xử lý thế nào khi một người mượn thẻ của người khác để lấy xe ra?

Khi xe ra, màn hình làm việc của nhân viên bảo vệ sẽ hiển thị đồng thời 04 hình ảnh trực quan: ảnh người vào, ảnh người ra, ảnh biển số vào và ảnh biển số ra, kèm thông báo mức độ trùng khớp của chuỗi ký tự nhận diện. Nếu có sự sai lệch về hình ảnh người lái hoặc biển số, hệ thống sẽ phát tín hiệu cảnh báo và không mở barrier.

5. Chi phí bảo trì, bảo dưỡng hệ thống định kỳ gồm những gì?

Hệ thống có chi phí bảo trì rất thấp. Định kỳ 6 tháng chỉ cần vệ sinh bề mặt kính camera để tránh bụi mờ, kiểm tra độ căng của cần barrier và chạy tác vụ dọn dẹp phân mảnh chỉ mục (Index Defragmentation) trên SQL Server thông qua chức năng Backup/Restore đã tích hợp sẵn trong phần mềm.

Kết luận

Đề tài "Tìm hiểu và xây dựng hệ thống giữ xe thông minh có nhận diện biển số xe" đã hoàn thành xuất sắc các mục tiêu nghiên cứu và ứng dụng đề ra. Bằng việc kết hợp hài hòa giữa công nghệ nhận dạng vô tuyến RFID 13.56 MHz, thị giác máy tính OpenCV (LBP Cascade) và học máy phân lớp Support Vector Machine (SVM), hệ thống đã giải quyết triệt để bài toán tự động hóa kiểm soát phương tiện xe máy tại Việt Nam với độ chính xác đạt trên 91.4% và thời gian xử lý ấn tượng < 1.5 giây/xe.

Mô hình không chỉ mang lại giá trị học thuật cao trong việc ứng dụng xử lý ảnh và nhúng phần cứng, mà còn mở ra tiềm năng thương mại hóa rộng lớn cho các bãi đỗ xe thông minh tại trường học, bệnh viện, khu đô thị và trung tâm thương mại trên toàn quốc.