Đồ án hệ thống phát hiện ổ gà và gán nhãn địa lý bằng YOLOv8n trên Jetson Orin tại HCMUTE

Nghiên cứu hệ thống phát hiện ổ gà và gán nhãn địa lý sử dụng mô hình YOLOv8n tối ưu TensorRT triển khai trên nền tảng nhúng NVIDIA Jetson Orin Nano.

• Tác giả: Phạm Trần Minh
• Người hướng dẫn: TS. Phạm Văn Khoa
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ kỹ thuật máy tính
• Đề tài: Pothole Detection and Geo-Tagging System Using YOLOv8n on NVIDIA Jetson Orin
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2026
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan hệ thống phát hiện ổ gà YOLOv8n trên Jetson Orin

Đề tài nghiên cứu tại Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (HCMUTE) phát triển giải pháp giám sát đường bộ tự động. Hệ thống kết hợp thuật toán YOLOv8n và phần cứng NVIDIA Jetson Orin Nano. Mục tiêu chính là nhận diện ổ gà từ hình ảnh camera hành trình. Thiết bị thu thập thông tin tọa độ địa lý đồng thời với quá trình xử lý hình ảnh. Dữ liệu hư hại mặt đường được lưu trữ phục vụ bảo trì giao thông. Mô hình YOLOv8n sở hữu kiến trúc gọn nhẹ. Cấu trúc mạng giảm bớt số lượng tham số nhưng vẫn duy trì độ chính xác cao. Nền tảng Jetson Orin cung cấp năng lực tính toán AI mạnh mẽ tại biên. Hệ thống vận hành độc lập, không phụ thuộc vào kết nối mạng liên tục. Dữ liệu video từ dashcam truyền trực tiếp vào bo mạch xử lý. Quá trình suy luận diễn ra gần thời gian thực với tốc độ ổn định. Giải pháp này mở ra hướng tiếp cận mới cho quản lý hạ tầng giao thông thông minh. Cơ quan chức năng có thể nắm bắt hiện trạng đường bộ nhanh chóng. Chi phí vận hành thấp hơn phương pháp kiểm tra thủ công truyền thống. Độ an toàn của người tham gia giao thông được nâng cao rõ rệt.

1.1. Nhu cầu ứng dụng Edge AI trong khảo sát đường bộ

Khảo sát mặt đường truyền thống đòi hỏi nhiều nhân lực và thời gian. Nhân viên tuần tra thường ghi nhận hư hại bằng mắt thường. Phương pháp thủ công tiềm ẩn rủi ro tai nạn giao thông cao. Công nghệ Edge AI mang lại khả năng xử lý hình ảnh tại chỗ mà không cần truyền tải video lên máy chủ đám mây. Cách tiếp cận này tiết kiệm băng thông viễn thông. Thiết bị nhúng lắp đặt gọn gàng trên phương tiện tuần tra hoặc xe dịch vụ. Quá trình phát hiện ổ gà diễn ra liên tục trên từng cung đường di chuyển. Thông tin mặt đường được số hóa nhanh chóng và chính xác. Nhu cầu hiện đại hóa hạ tầng giao thông đô thị thúc đẩy sự phát triển của hệ thống này.

1.2. Vai trò của phần cứng NVIDIA Jetson Orin Nano

Bo mạch NVIDIA Jetson Orin Nano đóng vai trò trung tâm tính toán trong toàn bộ kiến trúc. Thiết bị sở hữu kiến trúc GPU Ampere hiện đại cùng các nhân Tensor chuyên dụng. Hiệu năng tính toán AI đạt mức 40 TOPS ở phiên bản cấu hình cao nhất. Mức tiêu thụ điện năng chỉ dao động từ 7 đến 15 watt. Đặc điểm này đặc biệt phù hợp khi gắn trực tiếp trên ô tô hoặc xe máy. Bo mạch duy trì nhiệt độ ổn định dưới 60 độ C khi vận hành tải nặng kéo dài. Khả năng hỗ trợ thư viện TensorRT giúp tăng tốc độ suy luận mô hình thị giác máy tính. Đây là nền tảng phần cứng lý tưởng cho các bài toán xử lý video thời gian thực ngoài thực địa.

II. Phân tích thách thức phát hiện ổ gà giao thông bằng Edge AI

Đường bộ Việt Nam sở hữu đặc điểm giao thông phức tạp và thời tiết khắc nghiệt. Ổ gà xuất hiện đa dạng về kích thước, độ sâu và hình dạng góc cạnh. Nắng gắt tạo ra bóng râm tương phản mạnh trên mặt nhựa đường. Trời mưa khiến ổ gà ngập nước và phản chiếu ánh sáng môi trường. Những yếu tố quang học này gây nhiễu nghiêm trọng cho thuật toán thị giác máy tính. Mô hình nhận diện dễ nhầm lẫn vết nứt nhỏ hoặc bóng cây với ổ gà thực tế. Bên cạnh đó, việc triển khai suy luận trên thiết bị biên gặp rào cản phần cứng. Jetson Orin Nano có nguồn tài nguyên bộ nhớ và công suất điện hạn chế. Mô hình học sâu cồng kềnh thường gây hiện tượng quá nhiệt hoặc sụt giảm tốc độ khung hình. Thiết bị có thể bị nghẽn cổ chai khi xử lý đồng thời luồng video độ phân giải cao. Ngoài ra, việc đồng bộ vị trí địa lý với khung hình phát hiện đòi hỏi sự chính xác cao. Độ trễ GPS và sai số định vị gây khó khăn cho việc đánh dấu tọa độ thực tế của hư hại.

2.1. Biến thiên môi trường và tính đa dạng của hư hại mặt đường

Mặt đường thực tế luôn biến đổi liên tục dưới tác động của thời tiết và tải trọng xe. Ổ gà xuất hiện với mép vỡ không đồng đều và màu sắc tương đồng với mặt nhựa xung quanh. Bùn đất hoặc nước đọng làm thay đổi đặc trưng thị giác của vùng hư hại. Góc quay của camera hành trình rung lắc mạnh khi phương tiện di chuyển qua đoạn đường xấu. Tốc độ xe chạy cao gây nhòe mờ chuyển động trong các khung hình liên tiếp. Cường độ ánh sáng thay đổi đột ngột giữa trời nắng gắt và khu vực có bóng râm lớn. Toàn bộ các hiện tượng này đòi hỏi bộ dữ liệu huấn luyện phải đủ phong phú để mô hình đạt khả năng khái quát hóa cao.

2.2. Giới hạn tài nguyên phần cứng và bài toán đồng bộ dữ liệu

Thiết bị tính toán nhúng hoạt động trong môi trường nhiệt độ cao trên xe cơ giới. Dung lượng bộ nhớ chia sẻ giữa CPU và GPU của Jetson Orin Nano cần được tối ưu chặt chẽ. Việc xử lý luồng video song song với thuật toán thị giác dễ gây quá tải hệ thống. Nếu nhiệt độ SoC vượt ngưỡng 60 độ C, thiết bị sẽ tự động giảm xung nhịp để bảo vệ phần cứng. Tình trạng này dẫn tới hiện tượng giật khung hình và bỏ sót vật thể trên đường. Thêm vào đó, việc trích xuất tọa độ GPS từ khung hình dashcam hoặc tín hiệu vệ tinh có thể xuất hiện độ trễ. Sự sai lệch thời gian khiến tọa độ gán cho ổ gà không phản ánh chính xác vị trí thực tế trên bản đồ số.

III. Giải pháp tối ưu YOLOv8n và định vị GPS trên Jetson Orin Nano

Giải pháp đề xuất xây dựng quy trình hai giai đoạn gồm huấn luyện mô hình và suy luận tại biên. Giai đoạn đầu thực hiện thu thập và gán nhãn tập dữ liệu thực tế tại Việt Nam. Kỹ thuật chuyển giao tri thức (Transfer Learning) được áp dụng trên mạng YOLOv8n để tăng cường độ chính xác nhận diện. Mô hình sau khi huấn luyện được chuyển đổi sang định dạng trung gian ONNX. Công cụ TensorRT tối ưu hóa đồ thị tính toán và lượng tử hóa sang độ chính xác bán chính xác FP16. Bước xử lý này tận dụng tối đa năng lực phần cứng của nhân Tensor trên chip Orin Nano. Giai đoạn suy luận triển khai trực tiếp trên thiết bị gắn trên phương tiện di chuyển. Hệ thống tiếp nhận luồng video và áp dụng cơ chế đồng bộ hóa GPS kết hợp kỹ thuật OCR. Tọa độ địa lý hiển thị trên khung hình camera được trích xuất tự động qua từng giây. Thuật toán YOLOv8n dự đoán hộp bao quanh vật thể cùng điểm tin cậy tương ứng. Mỗi ổ gà phát hiện được liên kết ngay lập tức với tọa độ vĩ độ và kinh độ cụ thể. Dữ liệu đầu ra được số hóa thành các điểm địa lý chuẩn hóa để hiển thị trực tiếp lên bản đồ số.

3.1. Huấn luyện mô hình YOLOv8n và lượng tử hóa TensorRT FP16

Quá trình huấn luyện sử dụng tập dữ liệu giao thông thực nghiệm với nhãn ổ gà chi tiết. Mạng YOLOv8n cập nhật trọng số thông qua thuật toán lan truyền ngược và giải thuật tối ưu hóa giảm độ dốc. Hàm mất mát phân loại kết hợp cùng hàm mất mát định vị hộp bao giúp tinh chỉnh mô hình chuẩn xác. Sau khi hoàn thành huấn luyện, mô hình được chuyển đổi thành tệp ONNX tiêu chuẩn. Công cụ NVIDIA TensorRT tiến hành phân tích và hợp nhất các lớp mạng nơ-ron. Cơ chế lượng tử hóa FP16 giảm dung lượng mô hình đáng kể mà không làm suy giảm độ chính xác nhận dạng. Quá trình suy luận đạt tốc độ khung hình cao, giải phóng bộ nhớ và duy trì nhiệt độ bo mạch an toàn.

3.2. Cơ chế trích xuất tọa độ OCR và định vị địa lý hư hại

Hệ thống tích hợp thuật toán nhận dạng ký tự quang học (OCR) để đọc thông tin tọa độ in trên luồng hình ảnh dashcam. Cơ chế này hoạt động độc lập hoặc bổ trợ cho cảm biến định vị GPS gắn ngoài. Khi hộp bao phát hiện ổ gà xuất hiện với độ tin cậy vượt ngưỡng quy định, hệ thống tự động chụp tọa độ tương ứng. Dữ liệu kinh độ và vĩ độ được gắn thẻ địa lý (geo-tagging) trực tiếp vào bản ghi sự kiện. Tệp dữ liệu đầu ra chứa thời gian phát hiện, điểm tin cậy và tọa độ bản đồ. Cấu trúc dữ liệu chuẩn hóa cho phép dễ dàng chuyển đổi thành định dạng GeoJSON hoặc shapefile. Nhờ đó, thông tin có thể đồng bộ tức thì lên hệ thống thông tin địa lý (GIS).

IV. Kết luận ứng dụng phát hiện ổ gà của nhóm nghiên cứu HCMUTE

Đồ án tốt nghiệp của sinh viên Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh mang giá trị ứng dụng cao. Công trình giải quyết thành công bài toán phát hiện ổ gà tự động trên nền tảng nhúng NVIDIA Jetson Orin Nano. Hệ thống đạt sự cân bằng tối ưu giữa độ chính xác nhận diện, tốc độ khung hình và mức tiêu thụ điện năng. Nhiệt độ thiết bị luôn duy trì ổn định dưới 60 độ C suốt thời gian dài thử nghiệm. Tỷ lệ phát hiện chính xác cao giúp giảm thiểu tối đa hiện tượng cảnh báo sai. Sản phẩm mở ra giải pháp số hóa hạ tầng đường bộ hiệu quả cho các cơ quan quản lý đô thị. Việc tích hợp tọa độ địa lý giúp đơn vị bảo trì nhanh chóng xác định vị trí hư hỏng cần khắc phục. Mô hình triển khai thực tế có thể mở rộng trên các đội xe buýt công cộng, xe thu gom rác hoặc xe tuần tra giao thông. Bản đồ số được cập nhật liên tục góp phần đảm bảo an toàn giao thông và giảm thiểu chi phí sửa chữa cầu đường. Đây là minh chứng rõ nét cho tiềm năng của trí tuệ nhân tạo biên trong xây dựng đô thị thông minh.

4.1. Hiệu năng vận hành và độ ổn định nhiệt độ trên thiết bị

Các kết quả thử nghiệm thực tế chứng minh tính ổn định vượt trội của hệ thống trên bo mạch nhúng. Mô hình YOLOv8n tối ưu qua TensorRT duy trì tốc độ suy luận mượt mà từ 30 đến 45 khung hình mỗi giây. Mức độ sử dụng bộ nhớ RAM và GPU duy trì ở ngưỡng an toàn trong suốt quá trình hoạt động. Nhiệt độ chip SoC luôn giữ ở mức dưới 60 độ C nhờ cơ chế tản nhiệt hiệu quả và thuật toán tối ưu. Thiết bị không xảy ra hiện tượng giảm xung do nhiệt hay đơ nghẽn phần mềm khi chạy thử nghiệm liên tục nhiều giờ ngoài trời. Sự ổn định này khẳng định tính khả thi cao khi ứng dụng thực tế trên các phương tiện di chuyển thường xuyên.

4.2. Khả năng tích hợp bản đồ số hóa phục vụ bảo trì giao thông

Dữ liệu vị trí ổ gà thu thập được cung cấp nguồn thông tin giá trị cho hệ thống bản đồ số giao thông đô thị. Cơ quan quản lý hạ tầng có thể trực tiếp quan sát mật độ hư hại trên từng tuyến đường theo thời gian thực. Các điểm cảnh báo nguy hiểm được phân cấp theo mức độ nghiêm trọng để lên kế hoạch sửa chữa kịp thời. Việc tự động hóa quy trình khảo sát giúp cắt giảm tối đa chi phí nhân công và phương tiện chuyên dụng. Bản đồ hư hại mặt đường còn hỗ trợ người tham gia giao thông lựa chọn lộ trình di chuyển an toàn hơn. Giải pháp của sinh viên HCMUTE tạo nền tảng vững chắc cho sự phát triển của hệ thống giao thông thông minh trong tương lai.

Trích đoạn nội dung tài liệu

HCMC UNIVERSITY OF TECHNOLOGY AND ENGINEERING FACULTY OF ADVANCED EDUCATION ---------- CAPSTONE PROJECT POTHOLE DETECTION AND GEO-TAGGING SYSTEM USING YOLOV8n ON NVIDIA JETSON ORIN PHẠM TRẦN MINH Student ID: 21119023 LÊ QUANG NHẬT NAM Student ID: 21145029 Major: COMPUTER ENGINEERING TECHNOLOGY Advisor: PHẠM VĂN KHOA, PhD. Ho Chi Minh City, January 2026 HO CHI MINH CITY – 07/2025 HCMC UNIVERSITY OF TECHNOLOGY AND ENGINEERING FACULTY OF ADVANCED EDUCATION ---------- GRADUATION THESIS POTHOLE DETECTION AND GEO-TAGGING SYSTEM USING YOLOV8n ON NVIDIA JETSON ORIN PHẠM TRẦN MINH Student ID: 21119023 LÊ QUANG NHẬT NAM Student ID: 21145029 Major: COMPUTER ENGINEERING TECHNOLOGY Advisor: PHẠM VĂN KHOA, PhD. Ho Chi Minh City, January 2026 APPENDIX 3: (Graduation Project Assignment) THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- Ho Chi Minh City, Jan 20, 2026 GRADUATION PROJECT ASSIGNMENT Student name: Phạm Trần Minh Student ID: 21119023 Student name: Lê Quang Nhật Nam Student ID: 21145029 Major: Computer Engineering Technology Class: 21119FIE Advisor: Phạm Văn Khoa, PhD. Phone number: 0918004457 Date of assignment: 9/9/2025 Date of submission: 20/1/2026 1.

Project title: POTHOLE DETECTION AND GEO-TAGGING SYSTEM USING YOLOV8n ON NVIDIA JETSON ORIN 2. Initial materials provided by the advisor: Dashcam, Jetson Orin Nano board 3. Content of the project: The project focuses on designing and implementing an edge-based pothole detection and geo- tagging system. The work includes reviewing related studies on object detection and Edge AI, constructing and annotating a customized dataset reflecting Vietnamese road conditions, and fine- tuning the YOLOv8n model using transfer learning.

The trained model is optimized through ONNX conversion and TensorRT acceleration (FP16 quantization) for deployment on the NVIDIA Jetson Orin Nano platform. A GPS synchronization mechanism combined with OCR-based coordinate extraction is developed to enable geo-tagging of detected potholes. The complete system is integrated, deployed, and experimentally evaluated in terms of detection accuracy, inference speed, resource utilization, and operational stability. Final product: The final product is a fully functional edge-based pothole detection and geo-tagging system deployed on the NVIDIA Jetson Orin Nano, including an optimized YOLOv8n TensorRT inference engine, annotated visual outputs with embedded geographic coordinates, geo-referenced detection records for digital mapping, and a comprehensive thesis report documenting the system design, implementation, and performance evaluation.

CHAIR OF THE PROGRAM ADVISOR (Sign with full name) (Sign with full name) APPENDIX 4: (Advisor’s Evaluation sheet) THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- Ho Chi Minh City, Jan 20, 2026 ADVISOR’S EVALUATION SHEET Student name: Phạm Trần Minh Student ID: 21119023 Student name: Lê Quang Nhật Nam Student ID: 21145029 Major: Computer Engineering Technology Project title: POTHOLE DETECTION AND GEO-TAGGING SYSTEM USING YOLOV8n ON NVIDIA JETSON ORIN Advisor: Dr. Phạm Văn Khoa EVALUATION 1. Content of the project: This project develops a cost-effective edge-AI system for pothole detection and geo-tagging using YOLOv8n deployed on the NVIDIA Jetson Orin Nano. The system combines a customized dashcam-style dataset, YOLOv8n fine-tuning, TensorRT FP16 optimization, frame skipping, asynchronous processing, and EasyOCR-based GPS extraction from video overlays to generate pothole detections linked with geographic coordinates for mapping and maintenance analysis.

Strengths: A major strength of the project is its high practical relevance. The topic addresses a real transportation safety problem and proposes a low-cost solution that can support road inspection without requiring expensive specialized survey vehicles. The integration of visual detection with GPS-based evidence makes the system more useful for real-world maintenance planning. Weaknesses: The main weakness is that the current implementation is still primarily an offline prototype, not a fully integrated live in-vehicle system with dedicated camera and GPS modules.

As a result, the thesis demonstrates feasibility well, but the real-world deployment capability is not yet fully validated under continuous online operation. Approval for oral defense? (Approved or denied) Approved 5. Overall evaluation: (Excellent, Good, Fair, Poor) Excellent 6. Mark: 9 (in words: Nine) Ho Chi Minh City, Jan 20, 2026 ADVISOR (Sign with full name) APPENDIX 5: (Pre-Defense Evaluation sheet) THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- Ho Chi Minh City, Jan 28, 2026 PRE-DEFENSE EVALUATION SHEET Student name: Phạm Trần Minh Student ID: 21119023 Student name: Lê Quang Nhật Nam Student ID: 21145029 Major: Computer Engineering Technology Project title: POTHOLE DETECTION AND GEO-TAGGING SYSTEM USING YOLOV8n ON NVIDIA JETSON ORIN Name of Reviewer: Nguyen Ngo Lam EVALUATION 1.

Content and workload of the project This project research the feasibility of an online road inspection system capable of detecting potholes and locating moving vehicles in real time. Strengths: Students explore and research the theoretical foundations related to project, including deep learning-based object detection, YOLO architecture, and edge computing concepts, embedded AI platforms.The topic proposes a technological method to detect people who violate the regulations on smoking in public places. This project presents the design and implementation of an automated computer vision-based solution for pothole detection and geotagging, supporting road maintenance and traffic infrastructure management. The system processes image and video data collected from vehicle-mounted cameras under real- world traffic conditions and provides spatial reference information about road surface defects.

This project has potential for application. Weaknesses: The design options have not been presented for comparison. The mathematical equations are not numbered. Approval for oral defense? (Approved or denied) Approved students to defend their graduation project 5.Overall evaluation: Good,(Excellent, Good, Fair, Poor) 6.5 (in words: Eight point five ) Ho Chi Minh City, Jan 28, 2026 REVIEWER (Sign with full name) Nguyen Ngo Lam APPENDIX 6: (Evaluation sheet of Defense Committee Member) THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- EVALUATION SHEET OF DEFENSE COMMITTEE MEMBER Student name:.

Name of Defense Committee Member: EVALUATION 1. Content and workload of the project .) Ho Chi Minh City, Jan …, 2026 COMMITTEE MEMBER (Sign with full name DISCLAIMER We hereby declare that this thesis is the result of our own independent study, research, and intellectual effort. All stages of the work—including data collection and preprocessing, model design and training, performance evaluation, and system deployment—were conducted systematically and in accordance with established scientific research principles. We affirm that no part of this thesis has been copied from any external source without proper citation.

All references have been fully and appropriately acknowledged in compliance with academic standards. We take full responsibility for the accuracy, integrity, and reliability of the content, results, and conclusions presented herein. This study reflects a serious and responsible research effort, applying sound methodology and innovative thinking in the field of road surface damage detection, with particular emphasis on pothole recognition. We believe that the outcomes of this thesis provide practical value and contribute meaningfully to future research and real-world applications in computer vision and pattern recognition.

Students Pham Tran Minh Le Quang Nhat Nam i ACKNOWLEDGEMENT We would like to convey our profound gratitude to Ph. Phạm Văn Khoa, our committed supervisor, for his insightful mentorship and persistent support throughout the duration of this thesis. His deep understanding of Computer Vision and Embedded Artificial Intelligence provided the strong foundation we needed to successfully navigate the project's technical challenges. This research focuses on developing an automated road inspection system capable of detecting road surface defects—specifically potholes and cracks—and logging their geospatial coordinates using the YOLOv8n algorithm.

Khoa’s supervision, we were able to effectively leverage the Kaggle computing platform, utilizing Tesla T4 GPUs to train and fine-tune our models. This enabled us to conduct a comparative analysis of detection performance across different defect types. Furthermore, his guidance was crucial in the deployment phase, empowering us to successfully implement and optimize the synchronization of visual data and GPS logs on the NVIDIA Jetson Orin edge device. Khoa’s advice on system integration and performance evaluation helped us bridge the gap between theoretical models and practical application.

His constructive feedback on analyzing the detection results and optimizing the inference speed significantly elevated the quality of our work. We are deeply thankful for his encouragement and technical direction, which were instrumental in the successful completion of this system. Thank you, Ph. Phạm Văn Khoa, for your trust in our capabilities and for guiding us through this journey of technological exploration.

Sincerely, Students Pham Tran Minh Le Quang Nhat Nam ii ABSTRACT Automated road inspection is a critical component of intelligent transportation systems, yet traditional methods rely heavily on manual labor or expensive specialized vehicles. This work presents a comprehensive design and deployment of a real-time Pothole Detection System on the edge, specifically optimized for the NVIDIA Jetson Orin Nano Developer Kit. Our methodology introduces a novel "Zero-Latency Geotagging" approach, utilizing smartphone-based data acquisition to embed high-precision GPS telemetry directly into the video stream, thereby eliminating synchronization drift. To achieve real-time performance on resource-constrained hardware, we employ a multi-stage optimization pipeline.

The state-of-the-art YOLOv8n model is transformed into a hardware-accelerated TensorRT engine, utilizing FP16 precision quantization and Layer Fusion to exploit the specific capabilities of the Ampere GPU architecture. Furthermore, the inference workflow is orchestrated by a custom Asynchronous Multi- threading Architecture, which decouples heavy I/O tasks—such as video encoding and visualization—from the main processing loop. Experimental results demonstrate that the system achieves an inference throughput of 102.34 FPS, exceeding standard real-time requirements (30 FPS) while maintaining a balanced system load. The system successfully detected and localized multi-instance road defects with high confidence (>0.60) under dynamic conditions.

Finally, the study translates these visual detections into a Digital Geospatial Map, accurately plotting the coordinates of identified potholes to facilitate targeted maintenance operations. This solution offers a low-cost, high-efficiency alternative for automated road asset management. Keywords: Pothole Detection, YOLOv8n, NVIDIA Jetson Orin Nano, TensorRT, Edge AI, Intelligent Transportation Systems (ITS), Geospatial Mapping. iii TABLE OF CONTENTS DISCLAIMER .iii TABLE OF CONTENTS.

iv LIST OF FIGURES. vii LIST OF TABLES. x LIST OF ABBREVIATIONS. Related Work And Contributions .2 Contributions of the Thesis .5 System Scope and Limitation .1 Artificial Intelligence Overview.

Artificial Neural Networks .1 Artificial Neural Networks overview .2 Model Training Mechanisms .4 Learning Paradigms in Neural Network Training .3 Convolutional Neural Networks.1 Motivation for CNNs in Image Processing .2 Convolutional Layers and Feature Extraction .3 Core Layers in Convolutional Neural Networks .4 Role of CNNs in Object Detection.4 Object Detection Overview .1 Object Detection in Relation to Other Vision Tasks .2 Detection Pipelines: One-Stage and Two-Stage Methods .3 Bounding Box Prediction Strategies .4 Post-Processing and Detection Output .5 Visual Characteristics of Two Road Surface Defects .1 Visual Characteristics of Potholes .2 Crack Characteristics as a Comparative Reference .3 Implications for Detection Architecture Design .7 Edge Computing and NVIDIA Jetson Platform .1 Edge AI versus Cloud-Based Inference .2 NVIDIA Jetson Orin Nano Architecture Overview .3 Model Deployment and Inference Optimization on Edge Devices .8 Geospatial Synchronization Foundations .1 Fundamentals of GPS/GNSS Positioning .2 Video–GPS Temporal Synchronization Concepts .3 Role of Geospatial Synchronization in Road-Defect Mapping. DESIGN AND IMPLEMENTATION .2 Non-functional Requirements .1 Overall block diagram .2 Proposed system framework .1 Input Video Block .2 Customize Dataset Block .3 Model Training Block.4 Edge Deployment and On-device Inference on Jetson Orin Nano.1 Training Results and Convergence Analysis.1 Training and Validation Loss Curves .2 Performance Metrics over Epochs .2 Quantitative and Qualitative Evaluation on the Test Dataset .1 Overall Detection Performance .2 Qualitative Results and Visualization.3 Failure Cases and Error Analysis .4 Discussion on Pothole vs Crack Detection Tasks .3 On-Device Inference and Gps-Tagged Outputs on Jetson Orin Nano. Deployment Resource Evaluation. Operational Limit Analysis and Discussion.

Detection Opportunity Window Analysis. Operational Speed Analysis and Frame Density Optimization. System Strengths and Limitations. CONCLUSION AND FUTURE WORK .1 Advanced Model Optimization and Semantic Segmentation .2 Multi-Modal Sensor Fusion and Robustness .3 Cloud-Integration and Fleet Management (IoT) .4 Platform Expansion: From Ground to Aerial Surveillance.

77 vi LIST OF FIGURES Figure 2.1 : Conceptual hierarchy of AI, Machine Learning, Deep Learning, and Data Science .2: Structure of an artificial neuron and its computational components.4: Gradient Descent Scenarios .5 :Underfitting, Optimum, and Overfitting Scenarios .6: Illustration of local receptive fields in convolutional neural networks.7: Concept of weight sharing using convolutional filters applied across an image.