Xây Dựng Hệ Thống Nhận Diện Biển Số Xe Ô Tô Theo Thời Gian Thực

• Tác giả: Bùi Thanh Phương
• Người hướng dẫn: TS. Đỗ Trọng Hợp
• Trường học: Đại học Quốc gia TP. HCM Trường Đại học Công nghệ Thông tin
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Hệ Thống Nhận Diện Biển Số Xe Ô Tô Thời Gian Thực Sử Dụng Công Nghệ Dữ Liệu Lớn
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: TP. Hồ Chí Minh

• LỜI BÀY TỎ
• LỜI CAM KẾT
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Vấn đề nghiên cứu
• 1.2. Giới hạn và kết quả
• 1.2.1. Đối tượng nghiên cứu
• 1.2.2. Giới hạn
• 1.3. Nội dung, phương pháp thực hiện
• 1.3.1. Các nghiên cứu, công nghệ có liên quan
• 1.3.2. Phân tích, thiết kế hệ thống
• 1.3.3. Thực hiện - triển khai
• 1.4. Kết quả - đánh giá
• 1.5. Kết luận - hướng phát triển
• 1.6. Ý nghĩa
• 1.6.1. Tính mới
• 1.6.2. Tính khoa học
• 1.6.3. Tính ứng dụng
• 1.6.4. Tính cấp thiết
• 2. CHƯƠNG 2: NGHIÊN CỨU VÀ CÔNG NGHỆ LIÊN QUAN
• 2.1. Nghiên cứu và xu hướng công nghệ
• 2.2. Nghiên cứu và công nghệ liên quan
• 2.3. Các nghiên cứu ở Việt Nam
• 2.4. Cơ sở lý thuyết và hướng tiếp cận đề tài
• 2.5. Công nghệ áp dụng
• 2.5.1. BigDL
• 3. CHƯƠNG 3: PHÂN TÍCH VÀ THIẾT KẾ
• 3.1. Thiết kế tổng quan
• 3.2. Thiết kế chi tiết
• 3.2.1. Thành phần nhận diện biển số xe
• 3.2.2. Thành phần lưu trữ
• 3.2.3. Thành phần máy chủ
• 3.2.4. Thành phần ứng dụng trên trình duyệt
• 4. CHƯƠNG 4: THỰC HIỆN VÀ ĐÁNH GIÁ
• 4.1. Thu thập - xử lý dữ liệu
• 4.2. Gán nhãn và xử lý hình ảnh
• 4.3. Huấn luyện mô hình
• 4.3.1. Hiện thực mô hình RetinaNet
• 4.3.2. Hiện thực chương trình
• 4.3.3. Hiện thực công thức tính AP
• 4.4. Đánh giá độ chính xác của mô hình phát hiện biển số xe
• 4.5. Đánh giá độ chính xác và hiệu suất của chương trình biển số xe
• 4.6. So sánh với bài báo khác
• 4.7. Một số hình ảnh chương trình
• 5. CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả - đóng góp
• 5.2. Một số thách thức
• 5.3. Một số hạn chế
• 5.4. Hướng phát triển
• THAM KHẢO
• BẢNG VIẾT TẮT
• BẢNG HÌNH ẢNH
• DANH MỤC CÁC BẢNG

I. Tổng Quan Về Hệ Thống Nhận Diện Biển Số Xe Thời Gian Thực

Thành phố thông minh đang phát triển mạnh mẽ trên toàn cầu, đặc biệt trong lĩnh vực giao thông. Để quản lý và xử lý các vấn đề giao thông, một hệ thống nhận diện biển số xe thời gian thực là vô cùng cần thiết. Với sự gia tăng của dữ liệu lớn (big data), việc phân tích và xử lý đòi hỏi sự hỗ trợ từ các công cụ dữ liệu lớn (big data) và trí tuệ nhân tạo (AI). Đề tài này tập trung vào việc đề xuất một hệ thống sử dụng mạng RetinaNet và thư viện xử lý dữ liệu lớn (big data) BigDL để xác định biển số xe ô tô di chuyển trên đường thông qua máy tính nhúng Jetson Nano kết nối với camera.

1.1. Mục Tiêu Nghiên Cứu Hệ Thống ALPR ANPR

Mục tiêu chính là đề xuất một hệ thống giao thông thông minh sử dụng công nghệ dữ liệu lớn (big data) để xác định biển số xe ô tô theo thời gian thực. Đồng thời, đặt nền tảng cho việc áp dụng công nghệ dữ liệu lớn (big data) vào việc xây dựng các ứng dụng giao thông thông minh như theo dõi hành trình xe, xử lý vi phạm. Nghiên cứu này hướng đến việc sử dụng các phương pháp học sâu (deep learning) để tăng độ chính xác của việc nhận dạng biển số xe.

1.2. Phạm Vi Nghiên Cứu và Các Công Nghệ Liên Quan

Nghiên cứu này tập trung vào mô hình RetinaNet trong việc nhận dạng biển số xe và BigDL trong tác vụ huấn luyện mô hình. Tuy nhiên, do chưa được thử nghiệm thực tế nên hệ thống đang phát triển sử dụng video quay từ điện thoại thay vì lấy trực tiếp từ camera, và huấn luyện mô hình trên máy tính cá nhân thay vì từ các cụm máy tính như đã đề xuất. Nhiều nghiên cứu trên thế giới đã được thực hiện về chủ đề nhận diện biển số xe từ năm 2012. Các mô hình học sâu (deep learning) cho kết quả tốt hơn các mô hình máy học.

II. Thách Thức Vấn Đề Trong Nhận Diện Biển Số Xe Thực Tế

Các mô hình học sâu (deep learning) đang được sử dụng rộng rãi trong các ứng dụng trí tuệ nhân tạo (AI), mang lại kết quả tốt hơn so với các mô hình máy học truyền thống. Tuy nhiên, tại Việt Nam, việc áp dụng các mô hình học sâu (deep learning) trong việc nhận diện biển số xe vẫn còn hạn chế và thường sử dụng các kỹ thuật thị giác máy tính truyền thống. Sự phát triển của các công cụ xử lý dữ liệu lớn (big data) đã giúp tăng tốc quá trình xây dựng và phát triển ứng dụng trí tuệ nhân tạo (AI). Việc tận dụng các nguồn tài nguyên xử lý dữ liệu lớn (big data) sẽ giảm chi phí và thời gian phát triển ứng dụng.

2.1. Hạn Chế Của Các Nghiên Cứu Hiện Tại Tại Việt Nam

Phạm vi tìm hiểu cho thấy các nghiên cứu áp dụng các mô hình học sâu (deep learning) trong việc nhận diện biển số xe ở Việt Nam vẫn chưa nhiều và còn sử dụng các kỹ thuật thị giác máy tính truyền thống. Nhiều ứng dụng trong lĩnh vực thành phố thông minh đòi hỏi các phương pháp và công cụ xử lý dữ liệu lớn (big data), kết hợp với học sâu (deep learning) để đảm bảo hiệu quả và chính xác.

2.2. Tận Dụng Nguồn Lực Xử Lý Dữ Liệu Lớn Big Data

Trong bối cảnh dữ liệu và ứng dụng trí tuệ nhân tạo (AI) ngày càng tăng, việc tận dụng các nguồn tài nguyên xử lý dữ liệu lớn (big data) để phát triển ứng dụng trí tuệ nhân tạo (AI) sẽ làm giảm chi phí phát triển và nhanh chóng đưa ứng dụng vào sử dụng thực tiễn. Đề tài này tập trung vào việc tìm hiểu và đề xuất một phương pháp mới trong việc xây dựng ứng dụng nhận diện biển số xe sử dụng mô hình học sâu (deep learning) và công cụ xử lý dữ liệu lớn (big data) trong bối cảnh xây dựng thành phố thông minh.

III. Phương Pháp Nhận Diện Biển Số Xe RetinaNet BigDL

Đề tài này đề xuất sử dụng mạng RetinaNet, một mô hình học sâu (deep learning) dựa trên CNN (Convolutional Neural Network), kết hợp với thư viện BigDL để xây dựng hệ thống nhận diện biển số xe thời gian thực. RetinaNet giúp xử lý bài toán mất cân bằng giữa các lớp trong phát hiện đối tượng, tập trung vào những ví dụ khó trong quá trình huấn luyện và bỏ qua các ví dụ dễ. BigDL cho phép tận dụng các cụm máy tính như K8s, Hadoop, Spark, Yarn để giảm thời gian huấn luyện và dự đoán mô hình học sâu (deep learning).

3.1. Ưu Điểm Của Mô Hình RetinaNet Trong ALPR ANPR

RetinaNet là mô hình dựa trên CNN (Convolutional Neural Network) sử dụng độ mất mát để xử lý bài toán mất cân bằng giữa các lớp trong phát hiện đối tượng. Mô hình này đạt được độ chính xác cao bằng cách tập trung vào những ví dụ khó trong quá trình huấn luyện và bỏ qua các ví dụ dễ. Các mô hình nhận diện biển số xe có thể khai thác sự tương quan cao giữa việc phát hiện và nhận dạng biển số xe.

3.2. Ứng Dụng Thư Viện BigDL Để Tăng Tốc Quá Trình

BigDL được phát triển bởi Intel với mục đích tận dụng các cụm máy tính như K8s, Hadoop, Spark, Yarn để làm giảm thời gian huấn luyện và dự đoán mô hình học sâu (deep learning). Ngoài ra, BigDL cũng có các công cụ hỗ trợ cho các ứng dụng về gợi ý/đề xuất và thời gian cũng như các giải pháp bảo mật dữ liệu. BigDL cũng tương thích với các framework phổ biến khác như: Tensorflow, Keras, PyTorch, OpenVINO.

3.3. Cách thức BigDL hoạt động

BigDL có nhiều thành phần, trong đó Orca giúp huấn luyện và dự đoán mô hình DL trên các cụm máy tính. Nano tối ưu hóa các chương trình sử dụng PyTorch hoặc Tensorflow trên Intel XPU. DLIib hỗ trợ viết các chương trình học sâu dưới dạng các chương trình Spark. Chronos hỗ trợ xây dựng ứng dụng liên quan tới phân tích về thời gian. Friesian hỗ trợ xây dựng hệ thống có tính năng gợi ý/đề xuất. PPML hỗ trợ bảo vệ quyền riêng tư bảo mật của dữ liệu.

IV. Xây Dựng Hệ Thống Nhận Diện Biển Số Xe Thời Gian Thực

Để xây dựng hệ thống nhận diện biển số xe thời gian thực, cần có các thành phần sau: camera để ghi lại hình ảnh giao thông, nơi lưu trữ dữ liệu biển số xe được nhận diện, ứng dụng cho người dùng và máy chủ trung gian để xử lý dữ liệu. Camera thu ảnh giao thông, sau đó hình ảnh được đưa qua mô hình nhận diện để nhận biết biển số xe. Kết quả sẽ được lưu trữ tại cơ sở dữ liệu biển số xe của hệ thống.

4.1. Thiết Kế Các Thành Phần Của Hệ Thống ALPR

Camera cần có khả năng thu ảnh chất lượng và tốc độ cao, cũng như có khả năng hoạt động tốt ở ngoài trời. Cơ sở dữ liệu cần có khả năng lưu trữ, xử lý dữ liệu lớn (big data) và mở rộng dung lượng dữ liệu. Máy tính cần có bộ xử lý đồ họa để thực hiện các tác vụ trí tuệ nhân tạo (AI). Đề tài đề xuất dùng camera Logitech C922, nơi lưu trữ dữ liệu bao gồm AWS S3 và DynamoDB, máy tính nhúng Jetson Nano, máy tính EC2 và mô hình nhận diện đối tượng RetinaNet để phát triển hệ thống nhận diện biển số xe.

4.2. Quy Trình Thu Thập Xử Lý Gán Nhãn Dữ Liệu

Các bước thực hiện và triển khai hệ thống bao gồm: Thu thập hình ảnh ô tô từ nhiều nguồn. Đánh giá và gán nhãn bộ dữ liệu thu thập được. Huấn luyện mô hình dựa trên RetinaNet và BigDL. Đánh giá và cải thiện kết quả mô hình trên phép đo mAP. Cài đặt chương trình thu nhận hình ảnh từ camera và nhận diện biển số xe trên máy tính nhúng Jetson Nano. Cài đặt cơ sở dữ liệu (CSDL) DynamoDB và S3. Xây dựng ứng dụng phía người dùng bằng React, Javascript. Xây dựng ứng dụng máy chủ bằng Python, Flask. Đánh giá và cải thiện độ chính xác và hiệu suất của hệ thống.

V. Đánh Giá Hiệu Quả Hệ Thống Nhận Diện Biển Số Xe ALPR

Đề tài đã đánh giá độ chính xác của mô hình phát hiện biển số xe dựa trên mAP với ngưỡng IoU = 0.75 cho kết quả đạt mAP = 0.94, chứng tỏ khả năng phát hiện chính xác biển số xe. Chương trình cũng được đánh giá trên một đoạn video độ phân giải 1080x1920 và cho thấy khả năng nhận diện chính xác 7/9 biển số dài và biển số vuông tương ứng với FPS trung bình đạt 1.

5.1. Kết Quả Đánh Giá Độ Chính Xác Và Tốc Độ

Kết quả đánh giá cho thấy mô hình RetinaNet đạt độ chính xác cao trong việc phát hiện biển số xe. Tốc độ xử lý còn hạn chế, với FPS trung bình là 1 trên video độ phân giải 1080x1920. Cần cải thiện tốc độ xử lý để hệ thống có thể hoạt động hiệu quả hơn trong thực tế.

5.2. So Sánh Với Các Nghiên Cứu Khác Về ALPR ANPR

So với các nghiên cứu khác về nhận diện biển số xe, đề tài này có ưu điểm là sử dụng mô hình học sâu (deep learning) RetinaNet kết hợp với thư viện BigDL để tận dụng khả năng xử lý dữ liệu lớn (big data). Tuy nhiên, cần có thêm nhiều nghiên cứu và thử nghiệm thực tế để so sánh hiệu quả một cách toàn diện.

VI. Kết Luận Hướng Phát Triển Của Hệ Thống Nhận Diện

Đề tài đã đề xuất được một hệ thống nhận diện biển số xe thời gian thực. Bên cạnh đó, đề tài đã đóng góp một bộ dữ liệu về biển số xe đã được gán nhãn mặc dù quá trình hiện thực và triển khai hệ thống gặp nhiều khó khăn. Cần cải thiện tốc độ nhận diện bằng cách nâng cấp cấu hình máy tính nhúng hoặc sử dụng mạng học sâu (deep learning) mới như Yolov8, SSD. Ngoài ra, có thể thêm các tính năng mới như phát hiện vượt đèn đỏ quy định để tăng tính ứng dụng.

6.1. Tóm Tắt Các Kết Quả Đạt Được Đóng Góp

Đề tài đã xây dựng được một hệ thống nhận diện biển số xe sử dụng RetinaNet và BigDL. Đã tạo ra một bộ dữ liệu biển số xe đã được gán nhãn. Đã đánh giá được độ chính xác và tốc độ của hệ thống.

6.2. Các Hướng Phát Triển Nghiên Cứu Trong Tương Lai

Nâng cấp cấu hình phần cứng để tăng tốc độ xử lý. Sử dụng các mô hình học sâu (deep learning) mới và hiệu quả hơn. Thêm các tính năng mới như phát hiện vi phạm giao thông. Nghiên cứu về bảo mật dữ liệu biển số xe. Tích hợp hệ thống với các ứng dụng giao thông thông minh khác.

Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của các thành phố thông minh trên thế giới, việc ứng dụng công nghệ nhận diện biển số xe ô tô theo thời gian thực trở thành một nhu cầu cấp thiết nhằm nâng cao hiệu quả quản lý giao thông. Theo ước tính, lượng dữ liệu hình ảnh giao thông tại các đô thị lớn như Thành phố Hồ Chí Minh ngày càng tăng nhanh, đòi hỏi các giải pháp xử lý dữ liệu lớn (Big Data) và trí tuệ nhân tạo (AI) để đáp ứng yêu cầu phân tích và nhận diện chính xác. Vấn đề nghiên cứu tập trung vào việc xây dựng một hệ thống nhận diện biển số xe ô tô theo thời gian thực, sử dụng mô hình học sâu RetinaNet kết hợp với công nghệ xử lý dữ liệu lớn BigDL, nhằm tối ưu hóa hiệu suất và độ chính xác trong môi trường thực tế.

Mục tiêu cụ thể của nghiên cứu bao gồm: (1) đề xuất hệ thống giao thông sử dụng công nghệ dữ liệu lớn để xác định biển số xe ô tô theo thời gian thực; (2) áp dụng các phương pháp học sâu để nâng cao độ chính xác nhận dạng biển số xe. Phạm vi nghiên cứu tập trung tại Thành phố Hồ Chí Minh, với dữ liệu thu thập từ các nguồn thực tế và mô phỏng, trong khoảng thời gian gần đây. Ý nghĩa nghiên cứu được thể hiện qua việc cung cấp một giải pháp công nghệ mới, có tính ứng dụng cao trong quản lý giao thông, góp phần xây dựng thành phố thông minh và giảm thiểu ùn tắc giao thông.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên hai lý thuyết và mô hình chính: (1) Mô hình học sâu RetinaNet, một mạng CNN một giai đoạn với khả năng xử lý bài toán mất cân bằng lớp thông qua hàm focal loss, giúp phát hiện các vật thể nhỏ như biển số xe với độ chính xác cao; (2) Công nghệ xử lý dữ liệu lớn BigDL, cho phép tận dụng các cụm máy tính phân tán như Hadoop, Spark để tăng tốc quá trình huấn luyện và triển khai mô hình AI.

Các khái niệm chuyên ngành quan trọng bao gồm:

• Focal Loss: hàm mất mát giúp tập trung vào các mẫu khó phân loại trong quá trình huấn luyện.
• Feature Pyramid Network (FPN): kiến trúc mạng giúp phát hiện đối tượng ở nhiều tỷ lệ khác nhau.
• Intersection over Union (IoU): chỉ số đo lường độ trùng lắp giữa dự đoán và thực tế trong phát hiện đối tượng.
• Mean Average Precision (mAP): chỉ số đánh giá tổng thể độ chính xác của mô hình nhận diện.
• Big Data và AI: công nghệ xử lý và phân tích dữ liệu lớn kết hợp trí tuệ nhân tạo để nâng cao hiệu quả ứng dụng.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ trang cho thuê xe trực tuyến và các nguồn cộng đồng, với tổng số 2365 ảnh ô tô, trong đó 1750 ảnh đã được gán nhãn chính xác vị trí biển số xe. Bộ dữ liệu được chia thành 70% dùng để huấn luyện, 20% để validation và 10% để kiểm tra. Phương pháp phân tích sử dụng mô hình RetinaNet được hiện thực lại trên nền tảng BigDL, huấn luyện trên máy tính cá nhân cấu hình cao và máy tính nhúng Jetson Nano để thực hiện nhận diện theo thời gian thực.

Quá trình nghiên cứu được triển khai theo timeline gồm: thu thập và gán nhãn dữ liệu, xây dựng và huấn luyện mô hình, phát triển hệ thống nhận diện tích hợp camera và máy tính nhúng, xây dựng cơ sở dữ liệu lưu trữ trên AWS DynamoDB và S3, phát triển ứng dụng web quản lý giao thông, đánh giá và cải tiến hệ thống. Phương pháp đánh giá dựa trên các chỉ số mAP, FPS, độ chính xác nhận diện ký tự và biển số, cùng so sánh với các nghiên cứu trước đây.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác mô hình phát hiện biển số xe: Mô hình RetinaNet đạt mAP = 0.94 với ngưỡng IoU = 0.75 trên bộ dữ liệu kiểm tra gồm 175 ảnh, cho thấy khả năng phát hiện chính xác biển số xe trong điều kiện hình ảnh đa dạng.
2. Hiệu suất nhận diện trên thiết bị Jetson Nano: Khi chạy trên video độ phân giải 1080x1920, hệ thống nhận diện chính xác 7/9 biển số xe với FPS trung bình đạt 1, trong khi độ phân giải 720x1080 cho độ chính xác thấp hơn (3/5 biển số) nhưng FPS cao hơn (2 FPS).
3. Độ chính xác nhận diện ký tự: Độ chính xác nhận diện ký tự đạt khoảng 0.96 ở độ phân giải cao, tuy nhiên vẫn tồn tại nhầm lẫn giữa các ký tự tương tự như 9 và 8, 2 và 3.
4. Tốc độ xử lý và khả năng thực thi thời gian thực: Tốc độ xử lý hiện tại chưa đạt mức 30 FPS để xem là xử lý thời gian thực hoàn chỉnh, nhưng tốc độ trên 13 FPS được xem là gần đạt yêu cầu, cho thấy tiềm năng cải tiến trong tương lai.

Thảo luận kết quả

Nguyên nhân chính của độ chính xác cao là do mô hình RetinaNet được thiết kế đặc biệt để xử lý các vật thể nhỏ và mất cân bằng lớp, phù hợp với đặc điểm biển số xe. Việc sử dụng BigDL giúp tăng tốc quá trình huấn luyện và triển khai mô hình trên các cụm máy tính phân tán, giảm thời gian phát triển. So với các nghiên cứu trước đây tại Việt Nam chủ yếu sử dụng kỹ thuật máy học truyền thống, đề tài đã nâng cao đáng kể độ chính xác và hiệu suất.

Kết quả cho thấy việc tăng độ phân giải hình ảnh đầu vào giúp cải thiện độ chính xác nhận diện nhưng làm giảm tốc độ xử lý, đòi hỏi cân bằng giữa chất lượng và hiệu suất. Biểu đồ mAP theo từng epoch huấn luyện minh họa sự giảm dần của độ mất mát, chứng tỏ mô hình hội tụ tốt. Bảng so sánh độ chính xác và FPS giữa các độ phân giải cho thấy xu hướng rõ ràng về trade-off giữa tốc độ và độ chính xác.

Đề xuất và khuyến nghị

1. Nâng cấp phần cứng máy tính nhúng: Tăng cấu hình GPU và RAM trên Jetson Nano hoặc sử dụng các thiết bị nhúng cao cấp hơn để nâng cao tốc độ xử lý, hướng tới đạt mức 30 FPS trong vòng 12 tháng tới.
2. Áp dụng mô hình học sâu mới: Thử nghiệm các mô hình hiện đại như YOLOv8 hoặc SSD để cải thiện tốc độ và độ chính xác nhận diện biển số xe trong 6-9 tháng tiếp theo.
3. Mở rộng tính năng hệ thống: Phát triển thêm các chức năng như phát hiện vi phạm giao thông (vượt đèn đỏ, chạy quá tốc độ) để tăng tính ứng dụng trong quản lý giao thông, dự kiến hoàn thành trong 18 tháng.
4. Tối ưu hóa quy trình xử lý dữ liệu lớn: Tận dụng tối đa các công cụ BigDL và hạ tầng đám mây AWS để giảm chi phí vận hành và tăng khả năng mở rộng hệ thống, thực hiện liên tục trong quá trình vận hành.
5. Đào tạo và chuyển giao công nghệ: Tổ chức các khóa đào tạo cho cán bộ quản lý giao thông và kỹ thuật viên về vận hành hệ thống, dự kiến trong 6 tháng đầu sau khi triển khai.

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin, Trí tuệ nhân tạo: Nghiên cứu sâu về ứng dụng học sâu và xử lý dữ liệu lớn trong nhận diện đối tượng, có thể áp dụng làm cơ sở cho các đề tài tiếp theo.
2. Cơ quan quản lý giao thông và đô thị thông minh: Áp dụng hệ thống để nâng cao hiệu quả giám sát và quản lý phương tiện giao thông, giảm thiểu ùn tắc và vi phạm.
3. Doanh nghiệp phát triển phần mềm và thiết bị giám sát giao thông: Tham khảo để phát triển sản phẩm tích hợp công nghệ AI và Big Data, nâng cao tính cạnh tranh trên thị trường.
4. Các nhà cung cấp dịch vụ đám mây và hạ tầng công nghệ: Hiểu rõ yêu cầu và giải pháp công nghệ để tối ưu hóa dịch vụ hỗ trợ các ứng dụng AI trong lĩnh vực giao thông.

Câu hỏi thường gặp

1. Hệ thống có thể áp dụng cho các loại biển số xe khác nhau không?
   Hệ thống được huấn luyện chủ yếu trên biển số xe ô tô phổ biến tại Việt Nam, tuy nhiên với việc mở rộng bộ dữ liệu và huấn luyện lại mô hình, có thể áp dụng cho các loại biển số khác nhau với độ chính xác cao.

2. Tốc độ xử lý hiện tại có đáp ứng yêu cầu thời gian thực không?
   Hiện tại tốc độ xử lý đạt khoảng 1-2 FPS trên thiết bị Jetson Nano, chưa đạt mức 30 FPS tiêu chuẩn cho thời gian thực, nhưng đã gần đạt mức chấp nhận được và có thể cải thiện bằng nâng cấp phần cứng hoặc mô hình.

3. Làm thế nào để đảm bảo dữ liệu hình ảnh được bảo mật?
   Hệ thống sử dụng dịch vụ AWS với các tính năng bảo mật dữ liệu tiên tiến như mã hóa, quản lý quyền truy cập và sao lưu định kỳ, đảm bảo an toàn thông tin.

4. Có thể mở rộng hệ thống cho nhiều camera cùng lúc không?
   Có thể, nhờ kiến trúc phân tán và sử dụng mô hình PUB/SUB trong truyền tin, hệ thống có khả năng mở rộng để xử lý dữ liệu từ nhiều camera đồng thời mà không gây quá tải máy chủ.

5. Hệ thống có thể tích hợp với các ứng dụng quản lý giao thông hiện có không?
   Hệ thống được thiết kế với giao diện API và ứng dụng web linh hoạt, dễ dàng tích hợp với các phần mềm quản lý giao thông hiện hành để nâng cao hiệu quả vận hành.

Kết luận

• Đã xây dựng thành công hệ thống nhận diện biển số xe ô tô theo thời gian thực sử dụng mô hình học sâu RetinaNet và công nghệ xử lý dữ liệu lớn BigDL.
• Mô hình đạt độ chính xác phát hiện biển số xe cao với mAP = 0.94 trên bộ dữ liệu kiểm tra, thể hiện hiệu quả vượt trội so với các phương pháp truyền thống.
• Hệ thống được triển khai trên máy tính nhúng Jetson Nano, cho phép nhận diện chính xác trong điều kiện thực tế với tốc độ xử lý gần đạt yêu cầu thời gian thực.
• Đề xuất các giải pháp nâng cấp phần cứng, áp dụng mô hình mới và mở rộng tính năng để hoàn thiện hệ thống trong tương lai gần.
• Khuyến khích các cơ quan quản lý, doanh nghiệp và nhà nghiên cứu tham khảo và ứng dụng để phát triển các giải pháp giao thông thông minh hiệu quả hơn.

Hành động tiếp theo là triển khai thử nghiệm thực tế tại các điểm giao thông trọng yếu của Thành phố Hồ Chí Minh, đồng thời tiếp tục thu thập dữ liệu để huấn luyện và cải tiến mô hình, hướng tới ứng dụng rộng rãi trong quản lý giao thông đô thị.