Tổng quan nghiên cứu

Trong bối cảnh phát triển mạnh mẽ của chuyển đổi số tại Việt Nam, việc ứng dụng công nghệ thông tin trong quản lý giao thông ngày càng trở nên cấp thiết. Tỉnh Tây Ninh, với lưu lượng phương tiện giao thông ngày càng tăng, đặc biệt trên các tuyến quốc lộ, đang đối mặt với nhiều thách thức trong việc giám sát và xử lý vi phạm giao thông, trong đó vi phạm di chuyển sai làn đường chiếm tỷ lệ cao và là nguyên nhân hàng đầu gây tai nạn. Theo ước tính, việc phát hiện và xử lý kịp thời các phương tiện di chuyển sai làn đường có thể giảm thiểu đáng kể nguy cơ tai nạn và thiệt hại về người và tài sản.

Mục tiêu nghiên cứu của luận văn là xây dựng hệ thống phân loại và phát hiện phương tiện tham gia giao thông di chuyển sai làn đường trên quốc lộ thuộc tỉnh Tây Ninh bằng camera kỹ thuật số, nhằm hỗ trợ cơ quan quản lý nhà nước trong việc giám sát giao thông hiệu quả, cảnh báo sớm và xử lý vi phạm kịp thời. Phạm vi nghiên cứu tập trung vào các tuyến quốc lộ tại tỉnh Tây Ninh, với dữ liệu thu thập từ hệ thống camera giám sát cố định tại các giao lộ trọng điểm trong điều kiện ánh sáng tốt và môi trường ổn định.

Hệ thống được kỳ vọng góp phần nâng cao nhận thức chấp hành luật giao thông của người dân, giảm thiểu tai nạn và ùn tắc giao thông, đồng thời tạo tiền đề cho các ứng dụng giao thông thông minh khác như đo tốc độ, nhận dạng biển số và phân tích lưu lượng giao thông.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình nghiên cứu trong lĩnh vực xử lý ảnh và thị giác máy tính, bao gồm:

  • Kỹ thuật xử lý ảnh số: Bao gồm các bước thu nhận, tiền xử lý, phân đoạn, biểu diễn và nhận dạng ảnh. Các khái niệm chính như điểm ảnh (pixel), độ phân giải ảnh, mức xám, phân ngưỡng ảnh (thresholding), phát hiện cạnh (Canny Edge Detection) và phát hiện đường thẳng (Hough Transform) được áp dụng để trích xuất làn đường và các đặc trưng hình ảnh.

  • Mô hình học sâu (Deep Learning) trong phát hiện và phân loại đối tượng: Các thuật toán như R-CNN, Fast R-CNN, Faster R-CNN, SSD (Single Shot Detector) và YOLO (You Only Look Once) được nghiên cứu và so sánh. Trong đó, YOLO được lựa chọn do cân bằng tốt giữa tốc độ xử lý và độ chính xác, phù hợp với yêu cầu xử lý thời gian thực của hệ thống.

  • Phương pháp phát hiện chuyển động và theo vết đối tượng: Sử dụng các kỹ thuật trừ nền nâng cao như mô hình Gaussian hỗn hợp (GMM) để phát hiện vùng ảnh nổi, kết hợp với các thuật toán theo vết như IoUTracker, SORT, DeepSORT và CenterTrack nhằm theo dõi chính xác các phương tiện trong video.

Các khái niệm chuyên ngành quan trọng bao gồm: phân ngưỡng thích nghi (adaptive thresholding), anchor box trong Faster R-CNN, bounding box, IoU (Intersection over Union), Kalman Filter trong dự đoán chuyển động, và các thuật toán trích xuất đặc trưng trực quan.

Phương pháp nghiên cứu

Nguồn dữ liệu chính được thu thập từ hệ thống camera kỹ thuật số giám sát giao thông cố định tại các giao lộ trên tuyến quốc lộ thuộc tỉnh Tây Ninh, với điều kiện ánh sáng và môi trường ổn định. Dữ liệu bao gồm video ghi lại các phương tiện tham gia giao thông, được xử lý để trích xuất làn đường và nhận dạng các loại phương tiện như ô tô con, ô tô khách, xe tải, container và xe máy.

Phương pháp phân tích bao gồm:

  • Tiền xử lý dữ liệu hình ảnh: lọc nhiễu, tăng cường độ tương phản, phân ngưỡng ảnh, phát hiện cạnh và đường thẳng để xác định làn đường.

  • Huấn luyện mô hình học sâu YOLO để phát hiện và phân loại phương tiện giao thông.

  • Áp dụng kỹ thuật trừ nền nâng cao (GMM) để phát hiện vùng ảnh nổi, kết hợp với thuật toán theo vết DeepSORT để theo dõi chuyển động của phương tiện.

  • Xác định vi phạm di chuyển sai làn đường dựa trên vị trí và quỹ đạo của phương tiện so với làn đường đã trích xuất.

Cỡ mẫu dữ liệu thử nghiệm gồm hàng nghìn khung hình video được gán nhãn thủ công, đảm bảo tính đại diện cho các loại phương tiện và tình huống giao thông thực tế tại Tây Ninh. Phương pháp chọn mẫu là ngẫu nhiên có kiểm soát nhằm bao phủ đa dạng các điều kiện giao thông. Quá trình nghiên cứu kéo dài trong khoảng 6 tháng, bao gồm thu thập dữ liệu, phát triển hệ thống, huấn luyện mô hình và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu quả trích xuất làn đường: Sử dụng kết hợp các kỹ thuật phân ngưỡng ảnh, Canny Edge Detection và Hough Transform, hệ thống đạt độ chính xác trích xuất làn đường trên 92% trong điều kiện ánh sáng tốt. Việc áp dụng thuật toán K-mean giúp loại bỏ các đường nhiễu, nâng cao độ tin cậy của kết quả.

  2. Độ chính xác phát hiện và phân loại phương tiện: Mô hình YOLO được huấn luyện trên dữ liệu Tây Ninh đạt độ chính xác trung bình (mAP) khoảng 88%, với tốc độ xử lý đạt 30 khung hình/giây, đáp ứng yêu cầu thời gian thực. So với SSD, YOLO cho kết quả chính xác hơn khoảng 5% và tốc độ nhanh hơn 20%.

  3. Khả năng theo vết và phát hiện vi phạm sai làn đường: Thuật toán DeepSORT kết hợp với mô hình trừ nền GMM giúp theo dõi chính xác các phương tiện với tỷ lệ theo vết thành công trên 85%. Hệ thống phát hiện phương tiện di chuyển sai làn đường với độ chính xác trên 80%, giảm thiểu sai sót do che khuất hoặc phương tiện di chuyển nhanh.

  4. Ứng dụng thực tế tại Tây Ninh: Hệ thống đã được thử nghiệm trên các đoạn quốc lộ trọng điểm, phát hiện thành công nhiều trường hợp vi phạm sai làn đường, hỗ trợ cơ quan quản lý giao thông trong việc cảnh báo và xử lý kịp thời.

Thảo luận kết quả

Nguyên nhân chính giúp hệ thống đạt hiệu quả cao là do sự kết hợp đồng bộ giữa kỹ thuật xử lý ảnh truyền thống và mô hình học sâu hiện đại, tận dụng ưu điểm của từng phương pháp. Việc sử dụng YOLO giúp cân bằng giữa tốc độ và độ chính xác, phù hợp với môi trường giao thông Việt Nam có mật độ phương tiện cao và đa dạng.

So với các nghiên cứu trong nước và quốc tế, kết quả của đề tài tương đương hoặc vượt trội trong việc áp dụng vào điều kiện thực tế tại Tây Ninh, đặc biệt là khả năng phát hiện vi phạm sai làn đường trong thời gian thực. Các biểu đồ so sánh độ chính xác giữa YOLO và SSD, cũng như tỷ lệ thành công của các thuật toán theo vết, minh họa rõ nét hiệu quả của hệ thống.

Hạn chế còn tồn tại là hệ thống chưa xử lý tốt trong điều kiện ánh sáng yếu hoặc thời tiết xấu, cũng như khi có nhiều phương tiện che khuất lẫn nhau. Đây là hướng phát triển tiếp theo nhằm nâng cao độ bền vững và khả năng ứng dụng rộng rãi hơn.

Đề xuất và khuyến nghị

  1. Triển khai mở rộng hệ thống giám sát thông minh: Cơ quan quản lý giao thông tỉnh Tây Ninh nên đầu tư mở rộng hệ thống camera kỹ thuật số tại các tuyến quốc lộ trọng điểm, tích hợp phần mềm phát hiện vi phạm sai làn đường để nâng cao hiệu quả giám sát. Thời gian thực hiện dự kiến trong 12 tháng.

  2. Nâng cấp và tối ưu thuật toán xử lý ảnh: Tiếp tục nghiên cứu và áp dụng các kỹ thuật học sâu mới, cải tiến mô hình YOLO và thuật toán theo vết để tăng độ chính xác trong điều kiện ánh sáng yếu và môi trường phức tạp. Chủ thể thực hiện là nhóm nghiên cứu và các đơn vị công nghệ trong vòng 6-9 tháng.

  3. Đào tạo và nâng cao năng lực cán bộ giám sát: Tổ chức các khóa đào tạo chuyên sâu về vận hành hệ thống và phân tích dữ liệu cho cán bộ quản lý giao thông nhằm tận dụng tối đa hiệu quả của hệ thống. Thời gian đào tạo kéo dài 3-6 tháng.

  4. Phát triển hệ thống cảnh báo và xử lý vi phạm tự động: Kết nối hệ thống phát hiện với các cơ quan chức năng để tự động gửi cảnh báo vi phạm, hỗ trợ xử lý nhanh chóng, giảm thiểu tai nạn và ùn tắc. Thời gian triển khai dự kiến 12-18 tháng, phối hợp giữa các sở ban ngành.

Đối tượng nên tham khảo luận văn

  1. Cơ quan quản lý giao thông và an toàn đường bộ: Hệ thống giúp nâng cao hiệu quả giám sát, phát hiện vi phạm và xử lý kịp thời, giảm thiểu tai nạn giao thông.

  2. Các nhà nghiên cứu và phát triển công nghệ giao thông thông minh: Cung cấp cơ sở lý thuyết và thực nghiệm về ứng dụng xử lý ảnh và học sâu trong giám sát giao thông thực tế tại Việt Nam.

  3. Doanh nghiệp công nghệ và phát triển phần mềm: Tham khảo mô hình, thuật toán và quy trình phát triển hệ thống để ứng dụng hoặc phát triển các sản phẩm tương tự.

  4. Các trường đại học và học viện chuyên ngành công nghệ thông tin, kỹ thuật điện tử viễn thông: Là tài liệu tham khảo cho sinh viên và giảng viên trong nghiên cứu, giảng dạy về xử lý ảnh, thị giác máy tính và ứng dụng trong giao thông.

Câu hỏi thường gặp

  1. Hệ thống có thể áp dụng cho các tỉnh khác ngoài Tây Ninh không?
    Có thể áp dụng với điều chỉnh phù hợp về dữ liệu và môi trường giao thông địa phương. Ví dụ, cần thu thập dữ liệu mới để huấn luyện mô hình cho phù hợp với đặc điểm giao thông từng tỉnh.

  2. Hệ thống hoạt động hiệu quả trong điều kiện thời tiết xấu như mưa hay sương mù không?
    Hiện tại hệ thống hoạt động tốt trong điều kiện ánh sáng và thời tiết ổn định. Cần nghiên cứu thêm để cải thiện khả năng xử lý trong điều kiện thời tiết xấu.

  3. Tốc độ xử lý của hệ thống có đáp ứng được yêu cầu thời gian thực không?
    Mô hình YOLO đạt tốc độ xử lý khoảng 30 khung hình/giây, phù hợp với yêu cầu giám sát thời gian thực trên các tuyến quốc lộ.

  4. Hệ thống có thể phát hiện các loại phương tiện nào?
    Hệ thống nhận dạng và phân loại các loại phương tiện phổ biến như ô tô con, ô tô khách, xe tải, container và xe máy.

  5. Làm thế nào để hệ thống xác định phương tiện di chuyển sai làn đường?
    Dựa trên vị trí và quỹ đạo của phương tiện so với làn đường đã trích xuất từ hình ảnh, hệ thống so sánh và phát hiện các trường hợp phương tiện vượt hoặc đi vào làn đường không đúng quy định.

Kết luận

  • Đã xây dựng thành công hệ thống phân loại và phát hiện phương tiện di chuyển sai làn đường trên quốc lộ tỉnh Tây Ninh bằng camera kỹ thuật số, với độ chính xác phát hiện trên 80%.
  • Kết hợp hiệu quả các kỹ thuật xử lý ảnh truyền thống và mô hình học sâu YOLO, DeepSORT trong phát hiện và theo vết phương tiện.
  • Hệ thống hỗ trợ cơ quan quản lý giao thông trong giám sát, cảnh báo và xử lý vi phạm kịp thời, góp phần giảm thiểu tai nạn giao thông.
  • Hướng phát triển tiếp theo tập trung nâng cao khả năng hoạt động trong điều kiện môi trường phức tạp và mở rộng ứng dụng ra các khu vực khác.
  • Khuyến nghị triển khai mở rộng hệ thống, đào tạo cán bộ và phát triển các giải pháp cảnh báo tự động nhằm tối ưu hiệu quả quản lý giao thông.

Để tiếp tục phát triển và ứng dụng hệ thống, các cơ quan và doanh nghiệp liên quan nên phối hợp chặt chẽ trong việc thu thập dữ liệu, nâng cấp công nghệ và đào tạo nhân lực, góp phần xây dựng giao thông thông minh và an toàn hơn cho cộng đồng.