CHƯƠNG 1: MỞ DAU 1.1 MỤC TIÊU TONG QUA 1. MỤC TIÊU NGHIÊN CỨU CỤ THE 13. ĐÓI TƯỢNG VÀ PHAM VI NGHIÊN CUU. CHƯƠNG 2: TONG QUAN.1 TINH HÌNH NGHIÊN CỨU CUA CÁC TÁC GIẢ TRONG NƯỚC.
TINH HÌNH NGHIÊN CỨU CUA CÁC TAC GIA NƯỚC NGOÀI 2. MỘT SÓ VAN ĐÈ CON TON TẠI. CHƯƠNG 3: CƠ SỞ LÝ THUYẾT. MÔ HÌNH KIÊN TRÚC HỆ THONG GIAO TIẾP LED-CAMERA (CLC) 3.
LÝ THUYET VE XỬ LÝ HÌNH ANH MÀ 3. Tổng quan về ảnh kỹ thuật số.22 Các phương pháp xử lý ảnh kỹ thuột 3.3 KHÁI NIỆM VE TRÍ TUỆ NHÂN TẠO (AD, MACHINE LEARN (ML), DEEP LEARNING (DL).4 LÝ THUYET VE MAY HỌC (MACHINE LEAR 3. Mạng nơ-ron (neuron) trong khói niệm sinh hoc. Mạng nơ-ron nhân tạo (Artificial Neural Networks).5 LÝ THUYẾT VE MẠNG NƠRON TÍCH CHAI 3.
Khái niệm mạng nơron tích chập (Convolutional Neural Network) và cơ chế tích chập trên ảnh kỹ thuật s¿ " 3.2 Các mô hình mạng noron tích chập (Convolutional Neural Networks) sử dung rong bài toán nhận dạng ảnh.6 MẠNG NORON TÍCH CHAP PYTORCH YOLO sU DỤNG TRO! PHAM VI LUẬN VĂN 3. Tổng quan mạng PyTorch YOLOVS. Mô hình YOLOv5 có thể được tóm tắt như sau (Jocher, 2020) 3. Khung bao quanh đối tượng cần nhận diện boundary box 3.
Hàm đánh gid xác suất dự đoán (Loss function):.4 Khả năng dự đoán boundary box:.7 MẠNG CNN BASED BIT CALASSIFICATION SỬ DỤNG TRO! PHAM VI LUẬN VĂN CHƯƠNG 4: MÔ HÌNH ĐÈ XUẤT 4. QUI TRINH THỰC NGHIỆM 3 42 BỘ DU LIE 4. Chuẩn bị thu thập dữ liệt 54 4.2 Gán nhãn dữ liệ 59 4. Tập dữ liệu train 61 43 TRAINNING.1 Mô hình train.2 Kết quả train.4 DETECT VỚI MÔ HÌNH ĐÃ ĐƯỢC TRAIN 4.
Mô hình detect.2 Kết quả detect CHƯƠNG 5: KET LUẬN VA HƯỚNG PHÁT TRIEN 5.2 HUONG PHÁT TRIE DANH MỤC HÌNH ẢNH Hình 1: Mô hình kiến trúc logic hệ thống ITS (nguôn TCVN xxxx:2016). wl Hình 2: TNGT trên thành phố trong năm 2021 do nguyên nhân “Không chú ý quan sát” và “Không giữ khoảng cách” (nguôn: trung tâm ITS) .12 Hình 3: detecct vùng biên Ro.19 Hình 4: nghiên cứu thực nghiệm của Hãng Volkswagen .20 Hình 5: mô hình kiến trúc hệ thông giao tiếp LED-CAMERA (CLC) .22 Hình 6: Biéu diễn ma trận của một ảnh số (Nguôn tham khảo: http://blog. a5 we 23 Hình 7: Minh hoa anh mức xám, các giá tri mức xám tương ứng với các picel. (Nguồn tham khảo: https://seis.
24 Hình 8:Minh hoa một ảnh mau RGB được tạo ra từ sự kết hợp của 3 kênh R, G B (Nguôn: http:/vww. " 24 Hình 9: Minh họa thao tác convolution cho một điểm ảnh của ma trận I và ketnel K. Giá tri output là kết quả của phép nhân các điểm ảnh của ma trận input Iva kernel K, rồi tính tổng (Theo [43]) .25 Hình 10: Minh họa các kết qua tương ứng với các kernel khác nhau (Nguồn htips:/en.org/wiki/Kernel(image_processing)). 26 Hình 11: Averaging kernel matrix 3 x 3 (Nguôn: http://www.gov/books/NBK546156/figure/ch3.fig8a) 27 Hình 12: Gaussian kernel matrix (Nguén: https://computergraphics.com/questions/39/how-is-gaussian- blur-implemented).
Hình 13: Minh hoa Sobel kernel được áp dụng li trên anh dé phát hiện cạnh (Theo [43]) .28 Hinh 14: Minh hoa Laplacian kernel du › áp dụng liên tiếp trê n ảnh đê phát hiện canh (Theo [43]) .29 Hình 15: Minh họa két quả của Canny Edge or (Theo [43]) 29 Hình 16: Trí tuệ nhân tao (Al), Máy hoc (Machine learning) và Hoc sâu (Deep learning) (Nguôn tham khảo: Nvidia). 31 Hình 17: Mô hình mạng no-ron của não người (Nguôn tham khảo: Y văn) .31 Hình 18: Mô hình mạng noron tổng quát (Theo http://www.vn/Pages/Khoa-hoc-dau-khi/Su-dung-mang- Neural-nhan-tao-de-du-doan-he-so-Z-cho-khi-hydrocarbon-thien- nhien/04675615-8977-4501-9710-92b36b0ƒ9265). -:-- Hình 19: Cấu trúc một mạng Nơ-ron nhân tạo (https://www.com/p/1750/mang-no-ron-nhan-tao-neural- networks-trong-may-hoc-la-gi/) Hình 20: Kiến trúc 1 bức ảnh kỹ thuật số tiêu chuân RGB (Nguồn tham khảo.fr/~lelarge/dldiy/slides/lecture_6/index. Hình 21: Cách hoạt động của cơ chế tích chập trên ảnh 5 Hình 22: Các lớp trong mộ hình mang noron tích chập (CNMS).
Hình 23: Minh họa lóp tích chập (bộ lọc Convnet Filter) trên ma trận diém ảnh.37 Hình 24: Minh họa trường hop thém/ không thêm viền trắng vào ảnh khi tích chập. Hình 25: Minh họa pooling layer theo 2 phương thức max pooling và average pooling. Hình 26: Minh họa Fully connected layer. Hình 27: Minh hoa mô hình mang CNNs LeNet-5 của tác giả Yann Lecun.
Hình 28: Hình minh họa mô hình mang CNN AlexNet Hình 29: Minh họa mô hình mạng VGG16 Hình 30: Minh họa mô hình mạng GoogleNet. Hình 31: Bounding box đối tượng. Hình 32: Minh họa thuật toán non-max suppression trong YOLO. Từ 3 boundary box ban đầu cùng bao quanh chiếc xe đã giảm xuống còn 1.
-43 Hình 33: Các phiên ban YOLO.44 Hình 34: Bảng so sánh hiệu suất.45 Hình 35: mô hình kiến trúc yolov5 (nguồn: The network architecture of YolovŠ. It consists of three parts: (1) Backbone-CSPDarknet_figl_349299852). 47 Hình 36: mô tả mô hình (nguôn: Introduction to YOLOv5 Object detection with Tutorial-MLK- Machine Learning Knowledge) 48 Hinh 37: Co 4 phién ban khac nhau: YOLOv5s, YOLOv5m, YOLOvSI, YOLOvSx có độ chính xác tăng dan và tốc độ giảm dan theo thứ tự.49 Hình 38: Minh họa anchor box và bounding box so vớ ¡ truth bounding box khi nhận diện đối tượng trong ảnh với YOL .49 Hình 39: Minh họa hộp chứa đối tượng boundary box trong YOLO.32 Hình 40: mô hình thực nghiệm 54 Hình 41: bố trí thiết bị thu thập dữ liệu. 56 Hình 42: Hình ảnh quá trình test LED panel .36 Hình 43: Các thông số cấu hình.57 Hình 44: Boundary box tĩnh được tạo w kích Thước 640x640 cm, độ dày 5cm.
57 Hình 45: Giả lập các kịch bản. 58 Hinh 46: Kich ban cho hién thi LED 59 Hình 47: Toa độ khung bao theo định dạng cua YOLO (nguon: Ultralytics) 59 Hình 48: sử dụng công cu DarkLabel thực hiện gan nhãn video .60 Hình 49: bit 1 Hình 50: bứ 0). 61 Hình 51: tọa độ các Bit được gan nhãn.6Ï Hình 52: Thư mục dataset\image chứa anh và nhãn cho việ luyện mô hình LED panel.62 Hình 53: File hình của tập dữ liệu data.62 Hình 54: Train batch0 .63 Hình 55: Val_batch0.63 Hình 56: File dataset 3x3 của Bit. 64 Hình 57: File Bit ON gom các anh có LED tại phan tử [2,2] của ma trận 3x3 sáng 65 Hình 58: File Bit OFF gồm các ảnh có LED tai phần tử [2,2] của ma trận 3x3 tối .67 Hình 61: File cấu hình của mô hình yolov5s.yaml chứa thông tin cấu trúc mang 67 Hình 62: ma trận luận lý.
68 Hình 63: File weight gom best pt va last pt.70 Hình 64: Kết quả train.70 Hình 65: Két quả train. _ 71 Hình 66: Sau khi train, cho ra bit_model.h5 dé sử dụng cho detect.2 Hình 68: detect ma trận 3x3.3 Hình 69: detect ma trận 2x2.3 Hình 70: kết quả LE D panel và Bit với ma trận 3x. 74 Hình 71: kết qua LED panel và Bit với ma trận 2x2 (có lỗi nhận dạng Bit) .76 Hình 72: view-predict Bit, speed 2.2ms pre-process, 46. 78 Hình 73: khi tắt predict, speed 0.7ms pre-process, 15.2 ms inference, nhanh gấpD3 78 DANH MỤC BANG Bang 1: thông số thực nghiệm LED panel Bang 2: tập dữ liệu LED panel Bang 3: tập dữ liệu bit 3x3.
DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIET TAT Cụm từ/ Ký hiệu Mô tả AI Artificial Intelligent (trí tuệ nhân tao) CNNs Convolutional Neural Networks (mang no ron tich chập) DNN Deep learning Neural Network (mạng no ron học sâu) YOLO “You Only Look Once” occ (Optical Camera Communication) giao tiép may anh VOCC (Vehicular Optical Camera Communication) giao tiép camera quang học xe cộ AGR tỷ lệ thang độ xám trung bình GRI Gradient hướng tâm NGR Tỉ lệ độ xám lân cận FLDA phân tích phân biệt Fisher ITS (Intelligent transport system) hệ thông giao thông thông minh CLC Communication in LED — Camera (giao tiếp LED- Camera) CHUONG 1: MỞ DAU Trong thời gian gần đây, khái niệm Giao thông thông minh (ITS — intelligent transport system) ở Việt Nam ngày càng được quan tâm nhiều, ứng dụng nhiều nhằm mục tiêu tăng cường hiệu quả khai thác của kết cấu hạ tầng giao thông đường bộ, cân bằng hiệu suất sử dụng của hạ tầng giao thông đạt được kỳ vọng mong muốn. Việc ngày càng có nl nghiên cứu các thành phần của hệ thống ITS và đưa vào ứng dụng là một xu thế tất yếu trong giao thông đô thị hiện nay, mục tiêu đảm bảo tính phân phối tài nguyên kết cấu giao thông đáp ứng kỳ vọng phân bồ đều, đáp ứng nhu cầu ngày càng tăng và rất đa dạng của giao thông đô thị. Kiến trúc hệ thống giao thông thông minh ITS được triển khai tại Việt Nam bao gồm 07 nhóm dich vụ người dùng (dy thảo Tiêu chuẩn Quốc gia TCVN XXXX:2016): Quản lý và điều hành giao thông; Thông tin giao thông; Hỗ trợ hoạt động xe cứu hộ; Hỗ trợ vận tải công cộng; Thanh toán điện tử; Nâng cao hiệu quả hoạt động xe thương mại và Hỗ trợ lái xe an toàn. Hình 1: Mô hình kiến trúc logic hệ thống ITS (nguôn TCVN xxxx:2016) 10 Với tình hình giao thông hiện nay, cả nước nói chung và Thành phó Hồ Chí Minh nói riêng, giao thông ngày càng phức tạp, mật độ ngày càng đông, ha tang giao thông không đáp ứng kịp nhu cầu phát triển, nhu cầu vận tải.
Việc vận hành phương tiện giao thông được an toàn, hiệu quả trong đô thị, nhất là đô thị lớn như Thành phố Hồ Chí Minh đòi hỏi rất nhiều sức lực và tập trung cao độ của người lái xe. Theo dữ liệu phân tích về tình hình tai nạn giao thông thành phố Hồ chí Minh chỉ tính riêng trong năm 2021 (là một năm bị hạn chế giao thông rất nhiều do dịch bệnh), thì đã có hơn 38 vụ TNGT6 tô chi do các nguyên nhân “Không chú ý quan sát” và “Không giữ khoảng cách”. Các TNGT do nguyên nhân như trên hoàn toàn có khả năng được loại trừ khi trên xe có hỗ trợ hệ thống giao tiếp thông minh giữa các xe dé cảnh báo và đề xuất các xử ly kip thời. 11 PHÂN BÓ TAI NẠN GIAO THÔNG THÀNH PHÓ HÒ CHÍ MINH © > Ơ (ảkamgiobongghongoivvbglee + *.1@ Tam đường, ho ir nệm thoảng 4 2A4 i, đường Đoàn Nguyen n xì Hưng Long.
Chành Bìnhện huy Ly Tân VânGiu hướng từ Lá TP cach đường Kenn, ‘0m &@ S9 lộ Nguyên TH Tp - Ngoyện Vân nh, Phường Tan Phú, QuậnT fg Tước góc cay s t016.Võ ‘an GH\ Phường S-Quận. Vô Van 07nTt @ TPV6ê gtPhuong 1 Quận 5 ) 1910-V8 Vân KitPhung Ban dang nom 40 trong $01 kế cả, WP rypenere to search FE 0 em ã 37 [nguvin 189/28 Thới Tem Thôn 6x. Thd2/22/2020 50000 thốt sanh quận gb vip [3/27/2021 500.00 Paguytn Oanh [M526 vex Tam Thông [M58 vo xe coma 2 + ° ° |thông chú y quan sát | hông git khoảng cách, 3| al 38 Cầu Xăng 05 văn Dây, x Tân Hid 2/17/2020 50000 HDS văn Dây I 2 vr ae + © [khônggi khoäng cách 3 33 318 cách Mang Thang 8 Phườn{/21/3053 5.