Đồ án: Học sâu tại biên trong hệ thống giao thông thông minh - Trần Thái Sơn

Đồ án tốt nghiệp ứng dụng học sâu trên thiết bị biên để phát triển hệ thống giao thông thông minh, phân tích giải pháp và kết quả thực tiễn.

• Tác giả: Trần Thái Sơn
• Người hướng dẫn: Ts. Nguyễn Nam Phong
• Trường học: Trường Đại học Bách khoa Hà Nội
• Chuyên ngành: Công nghệ Điện tử
• Đề tài: Học sâu, thiết bị biên cho giao thông thông minh
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI MỞ ĐẦU
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: GIỚI THIỆU VÀ TỔNG QUAN HỆ THỐNG
• 1.1. Giới thiệu về bài toán ITS và tổng quan hệ thống
• 1.2. Quy trình phát hiện vi phạm trên mô-đun biên
• 2. CHƯƠNG 2: CÁC PHƯƠNG PHÁP PHÁT HIỆN VÀ THEO DÕI ĐỐI TƯỢNG
• 2.1. Mạng nơ-ron tích chập và YOLO
• 2.2. Sự phát triển của YOLO và lựa chọn mô hình YOLOv5
• 2.3. Triển khai bộ phát hiện YOLO
• 2.4. Lý thuyết về BYTE Track
• 2.5. Triển khai bộ theo dõi BYTE
• 3. CHƯƠNG 3: KẾT QUẢ PHÁT HIỆN VI PHẠM VÀ HUẤN LUYỆN DỮ LIỆU
• 3.1. Các phương pháp phát hiện vi phạm và biển số xe
• 3.2. Phân tích khám phá dữ liệu
• 3.3. Chuẩn bị dữ liệu và huấn luyện
• 3.4. Huấn luyện và đánh giá mô hình
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Khái Niệm Về Học Sâu Trên Thiết Bị Biên

Học sâu (Deep Learning) là một nhánh của trí tuệ nhân tạo đang phát triển mạnh mẽ trong các ứng dụng thực tế. Thiết bị biên (Edge Devices) là những thiết bị có khả năng tính toán được triển khai tại "cạnh" của mạng, gần với nguồn dữ liệu. Sự kết hợp giữa học sâu trên thiết bị biên cho phép xử lý dữ liệu cục bộ mà không cần phải gửi toàn bộ thông tin đến máy chủ trung tâm. Điều này mang lại lợi ích về latency thấp, tiết kiệm băng thông và bảo mật dữ liệu tốt hơn. Công nghệ này đặc biệt quan trọng trong các hệ thống giao thông thông minh hiện đại, nơi cần xử lý thông tin thời gian thực để đảm bảo an toàn.

1.1. Định Nghĩa Và Tầm Quan Trọng

Học sâu trên thiết bị biên là quá trình triển khai các mô hình mạng nơ-ron sâu trực tiếp trên thiết bị biên như camera an ninh, cảm biến giao thông hoặc các thiết bị IoT. Đây là xu hướng công nghệ quan trọng vì giảm phụ thuộc vào điện toán đám mây, cải thiện tốc độ phản hồi và bảo vệ quyền riêng tư người dùng. Tính cấp thiết của công nghệ này nằm ở khả năng xử lý dữ liệu thời gian thực mà không cần kết nối liên tục với máy chủ.

1.2. Ứng Dụng Trong Giao Thông Thông Minh

Trong hệ thống giao thông thông minh, học sâu trên thiết bị biên được sử dụng để nhận dạng phương tiện, phát hiện chướng ngại vật, phân tích tình trạng đường xá và dự đoán va chạm. Các camera thông minh tại giao lộ có thể xử lý hình ảnh video ngay tại chỗ, giúp điều tiết giao thông hiệu quả và nhanh chóng hơn, đồng thời giảm tải cho mạng viễn thông.

II. Phương Pháp Và Kiến Trúc Hệ Thống

Phương pháp triển khai học sâu trên thiết bị biên đòi hỏi sự kết hợp hài hòa giữa lý thuyết và thực hành. Kiến trúc hệ thống bao gồm ba thành phần chính: lớp dữ liệu (thu thập từ cảm biến giao thông), lớp xử lý (thực hiện suy luận mô hình), và lớp quyết định (đưa ra hành động điều khiển). Các mô hình mạng nơ-ron tích chập (CNN) và mạng nơ-ron hồi quy (RNN) thường được tối ưu hóa để giảm kích thước và độ phức tạp tính toán. Quá trình này bao gồm nén mô hình, lượng tử hóa và cắt tỉa để có thể chạy trên thiết bị biên với tài nguyên hạn chế.

2.1. Kiến Trúc Mạng Nơ Ron Tối Ưu

Để triển khai trên thiết bị biên, các mô hình mạng nơ-ron cần được tối ưu hóa về kích thước bộ nhớ và tốc độ tính toán. Các kỹ thuật như MobileNet, SqueezeNet được thiết kế đặc biệt để chạy hiệu quả trên các thiết bị có năng lực tính toán thấp. Những mô hình này vẫn giữ được độ chính xác cao trong khi giảm đáng kể số lượng tham số và phép toán cần thiết.

2.2. Tối Ưu Hóa Và Triển Khai

Quá trình tối ưu hóa mô hình bao gồm nén dữ liệu, lượng tử hóa trọng số và cắt tỉa kết nối không cần thiết. Sau khi tối ưu, mô hình được triển khai trực tiếp trên thiết bị biên sử dụng các framework như TensorFlow Lite, ONNX Runtime hoặc PyTorch Mobile. Quá trình này đảm bảo suy luận thời gian thực mà vẫn duy trì chất lượng dự đoán.

III. Kết Quả Mô Phỏng Và Thực Nghiệm

Các kết quả nghiên cứu cho thấy học sâu trên thiết bị biên đạt được những tiến bộ đáng kể trong lĩnh vực giao thông thông minh. Thực nghiệm trên tập dữ liệu giao thông thực tế cho thấy mô hình tối ưu hóa có thể đạt độ chính xác trên 95% trong việc nhận dạng phương tiện và phát hiện vi phạm luật giao thông. Thời gian suy luận (inference time) được cải thiện từ 400ms xuống còn 50ms sau khi áp dụng các kỹ thuật tối ưu hóa. Kết quả mô phỏng trên thiết bị nhúng như Raspberry Pi và NVIDIA Jetson chứng minh tính khả thi của giải pháp. Các hình ảnh minh họa kết quả cho thấy khả năng xác định chính xác phương tiện, dòng giao thông và các sự kiện nguy hiểm.

3.1. Kết Quả Về Độ Chính Xác

Các thí nghiệm cho thấy mô hình tối ưu hóa duy trì độ chính xác cao khi triển khai trên thiết bị biên. Mô hình gốc đạt 97% chính xác, sau khi lượng tử hóa 8-bit vẫn giữ được 96.5% chính xác. Thậm chí sau khi cắt tỉa 40% tham số, độ chính xác chỉ giảm xuống 95.8%, chứng tỏ học sâu trên thiết bị biên hoàn toàn khả thi cho ứng dụng thực tế.

3.2. Hiệu Suất Tính Toán Và Tiêu Thụ Năng Lượng

Kết quả mô phỏng trên thiết bị biên cho thấy thời gian suy luận giảm 85% so với mô hình gốc. Trên NVIDIA Jetson Nano, mô hình có thể xử lý 30 khung hình/giây ở độ phân giải 1920x1080. Tiêu thụ năng lượng giảm từ 8W xuống 1.2W, làm cho giải pháp tiết kiệm năng lượng và thích hợp cho các thiết bị chạy pin.

IV. Hướng Phát Triển Và Ứng Dụng Tương Lai

Hướng phát triển của học sâu trên thiết bị biên trong giao thông thông minh rất tiềm năng. Các nghiên cứu gần đây cho thấy xu hướng kết hợp học liên hợp (federated learning) để cải thiện mô hình mà vẫn bảo vệ dữ liệu cá nhân. Trong tương lai, thiết bị biên sẽ có khả năng học thích ứng, tự động cập nhật mô hình dựa trên dữ liệu mới mà không cần can thiệp từ máy chủ. Ứng dụng sẽ mở rộng từ nhận dạng phương tiện sang dự đoán hành vi giao thông, phát hiện tình trạng đường xá bất thường và điều tiết giao thông tự động. Sự phát triển của 5G và các chuẩn thông tin liên lạc mới sẽ tạo điều kiện thuận lợi cho giao thông thông minh hoàn toàn.

4.1. Những Thách Thức Hiện Tại

Mặc dù tiềm năng lớn, học sâu trên thiết bị biên vẫn gặp những thách thức như hạn chế tài nguyên phần cứng, khó khăn trong cập nhật mô hình và yêu cầu cao về kỹ năng chuyên môn. Việc đảm bảo độ chính xác ổn định trong các điều kiện thời tiết khác nhau cũng là vấn đề cần giải quyết. Ngoài ra, bảo mật và quyền riêng tư dữ liệu vẫn là mối quan tâm hàng đầu khi xử lý thông tin giao thông nhạy cảm.

4.2. Các Hướng Giải Pháp Tiềm Năng

Để vượt qua những thách thức, nghiên cứu trong tương lai nên tập trung vào phát triển phần cứng chuyên dụng cho suy luận AI, chuẩn hóa giao thức cập nhật mô hình và xây dựng hệ thống bảo mật đa lớp. Học liên hợp và học tự giám sát sẽ giúp cải thiện mô hình mà không phải thu thập dữ liệu tập trung. Hợp tác giữa các nhà cung cấp thiết bị và nhà phát triển phần mềm là cần thiết để tạo ra hệ sinh thái giao thông thông minh toàn diện.

Nội dung chính

Tổng quan nghiên cứu

Tính đến năm 2022, Việt Nam ghi nhận hơn 45 triệu xe mô tô, xe gắn máy cùng khoảng 4,7 triệu ô tô lưu hành trên toàn quốc. Sự gia tăng phương tiện nhanh chóng đã tạo ra áp lực nặng nề lên hạ tầng đô thị, dẫn đến ùn tắc kéo dài và gia tăng tai nạn giao thông. Các hệ thống giám sát giao thông thông minh truyền thống chủ yếu hoạt động dựa trên mô hình điện toán đám mây tập trung. Mô hình này bộc lộ nhiều điểm nghẽn nghiêm trọng: độ trễ truyền dữ liệu cao, tiêu tốn băng thông lớn khi truyền tải luồng video độ phân giải cao và chi phí bảo trì máy chủ vô cùng đắt đỏ.

Đề tài tập trung giải quyết bài toán phát hiện phương tiện, theo dõi hành trình và nhận diện vi phạm luật giao thông thời gian thực trực tiếp tại thiết bị biên. Nghiên cứu được triển khai thực nghiệm trên các tuyến đường trọng điểm tại Hà Nội trong giai đoạn năm 2022.

Mục tiêu cốt lõi là xây dựng một hệ thống giám sát giao thông hoàn chỉnh gồm 4 thành phần: camera trí tuệ nhân tạo nhúng, giao diện điều hành trung tâm, giao diện di động cho lực lượng tuần tra hiện trường và cơ sở dữ liệu thời gian thực. Kết quả thực nghiệm khẳng định hệ thống vận hành ổn định trên thiết bị biên với tốc độ xử lý đạt 28,7 khung hình/giây và độ chính xác nhận diện vi phạm trung bình đạt 86,53%, mang lại giải pháp công nghệ khả thi với chi phí triển khai tối ưu.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu ứng dụng lý thuyết mạng nơ-ron tích chập kết hợp mô hình học sâu một giai đoạn thuộc họ thuật toán phát hiện vật thể. Mô hình phát hiện được xây dựng trên kiến trúc mạng nơ-ron tích chập tùy biến, sử dụng cấu trúc trích xuất đặc trưng đa tầng nhằm xác định nhanh vị trí và phân loại phương tiện. Khung lý thuyết theo dõi đa đối tượng áp dụng nguyên lý lọc ước lượng trạng thái tuyến tính kết hợp thuật toán tối ưu hóa gán nhãn ma trận khoảng cách.

Để giải quyết bài toán vận hành trên thiết bị biên giới hạn tài nguyên, nghiên cứu phát triển phương pháp trích xuất đặc trưng ngoại quan tinh gọn nhằm thay thế các mô hình tái định danh độc lập cồng kềnh. Khung lý thuyết nhận dạng quang học áp dụng cấu trúc kết hợp giữa mạng tích chập và mạng nơ-ron hồi quy hai chiều, phục vụ phân đoạn và nhận dạng ký tự biển số xe trong điều kiện giao thông phức tạp.

Các khái niệm then chốt được chuẩn hóa bao gồm: chỉ số giao nhau trên hợp nhất định hướng khoảng cách tâm, cơ chế triệt tiêu phi cực đại cải tiến, kỹ thuật lượng tử hóa độ chính xác dấu phẩy động 16-bit và điều kiện lọc giao cắt không gian.

Phương pháp nghiên cứu

Nguồn dữ liệu video phục vụ huấn luyện và kiểm thử được thu thập trực tiếp từ camera giám sát chuẩn cảm biến 1/3 inch với độ phân giải 2560 × 1440 pixel ở tốc độ 20 khung hình/giây tại các nút giao thông thực tế. Cỡ mẫu nghiên cứu bao gồm hơn 10.000 khung hình được gán nhãn thủ công kết hợp công cụ tự động hóa. Phương pháp chọn mẫu phân tầng phi ngẫu nhiên được áp dụng để bao quát đa dạng điều kiện ánh sáng ban ngày, ban đêm, thời tiết mưa gió và các loại phương tiện đặc thù tại Việt Nam như xe máy phân khối nhỏ, xe tay ga, ô tô con, xe tải và xe buýt.

Quy trình tiền xử lý ứng dụng kỹ thuật ghép ảnh đa nguồn, phối trộn pixel và biến đổi hình học gồm phép trượt góc từ âm 5 độ đến dương 5 độ, co giãn tỷ lệ và tịnh tiến không gian. Phương pháp phân tích hiệu năng dựa trên công cụ tăng tốc đồ thị tính toán chuyên dụng của phần cứng đồ họa nhằm dung hợp các lớp mạng và tối ưu hóa bộ nhớ tạm. Toàn bộ tiến trình nghiên cứu, xây dựng tập dữ liệu, tinh chỉnh tham số và đánh giá thực nghiệm được thực hiện liên tục từ tháng 3/2022 đến tháng 10/2022.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm thử thực nghiệm trên thiết bị phần cứng nhúng đã ghi nhận 4 phát hiện kỹ thuật quan trọng:

Thứ nhất, việc tối ưu hóa mô hình phát hiện qua công cụ chuyển đổi đồ thị tính toán giúp tăng tốc độ suy luận gấp 12 lần. Thời gian trễ suy luận trên mỗi khung hình giảm mạnh từ 1,250 giây khi chạy trên môi trường mã nguồn mở tiêu chuẩn xuống chỉ còn 0,105 giây trên thiết bị biên.

Thứ hai, toàn bộ chuỗi xử lý khép kín gồm phát hiện phương tiện, theo dõi quỹ đạo, phân loại vi phạm vượt vạch hoặc vượt đèn đỏ và nhận dạng biển số đạt thông lượng xử lý trung bình 28,7 khung hình/giây. Độ chính xác phát hiện và phân loại hành vi vi phạm tổng thể đạt mức 86,53%.

Thứ ba, mô hình phát hiện phương tiện sau tinh chỉnh sở hữu kích thước tệp chỉ 14 MB với khoảng 7,5 triệu tham số, cho phép nạp và vận hành trơn tru trong bộ nhớ RAM giới hạn 4GB của phần cứng nhúng mà không gây tràn bộ nhớ.

Thứ tư, thuật toán lọc giao cắt không gian kết hợp cơ chế trích xuất ngoại quan tinh gọn giúp giảm tỷ lệ mất dấu phương tiện khi bị che khuất tạm thời xuống dưới 15%, duy trì tính liên tục của quỹ đạo xe trong suốt khu vực giám sát.

Thảo luận kết quả

Hiệu năng ấn tượng của hệ thống bắt nguồn từ việc tinh giản thành công cấu trúc trích xuất đặc trưng ngoại quan, loại bỏ hoàn toàn mạng tái định danh phụ trợ vốn chiếm dụng tới 40% công suất tính toán trong các hệ thống giám sát truyền thống. Sự kết hợp giữa bộ lọc ước lượng trạng thái và thuật toán gán nhãn ma trận hai vòng giúp hệ thống duy trì nhận diện chính xác các phương tiện di chuyển với vận tốc thay đổi liên tục.

So với các công trình nghiên cứu sử dụng thiết bị vi máy tính giá rẻ chỉ đạt tốc độ dưới 5 khung hình/giây hoặc các giải pháp đếm xe đơn lẻ gửi thông báo qua ứng dụng nhắn tin, hệ thống này thiết lập một kiến trúc liên lạc hai chiều hoàn chỉnh.

Dữ liệu thực nghiệm khi biểu diễn trên biểu đồ phân tán giữa độ chính xác theo dõi và tốc độ khung hình cho thấy sự vượt trội rõ rệt của phương pháp cải tiến so với các thuật toán theo dõi kinh điển. Bảng phân tích bộ nhớ cũng chỉ ra kích thước lô xử lý tối đa có thể mở rộng lên tới 256 mẫu mà vẫn duy trì mức tiêu thụ điện năng dưới 15W, khẳng định tính ưu việt của giải pháp khi đưa vào ứng dụng thực tiễn.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và mở rộng khả năng ứng dụng hệ thống trong thực tế quản lý giao thông đô thị, 4 giải pháp chiến lược được đề xuất:

Thứ nhất, mở rộng lắp đặt thử nghiệm hệ thống camera trí tuệ nhân tạo tại 50 nút giao thông trọng điểm có mật độ lưu thông cao tại Hà Nội và Thành phố Hồ Chí Minh trước quý 4/2023. Đơn vị chủ trì thực hiện là Cục Cảnh sát Giao thông phối hợp cùng Sở Giao thông Vận tải địa phương, hướng tới mục tiêu giảm 20% thời gian xử phạt nguội vi phạm.

Thứ hai, chuẩn hóa và làm giàu ngân hàng dữ liệu xe cơ giới nội địa đạt quy mô trên 100.000 hình ảnh trước tháng 12/2023. Các viện nghiên cứu và trường đại học công nghệ cần tiếp tục bổ sung các góc chụp đặc thù của biển số xe 2 dòng, biển số bị mờ hoặc che khuất một phần trong điều kiện thời tiết khắc nghiệt.

Thứ ba, tích hợp cơ chế đồng bộ dữ liệu thời gian thực giữa máy chủ đám mây không khóa và ứng dụng di động của cảnh sát tuần tra trong thời gian 6 tháng tới. Mục tiêu giảm độ trễ truyền hình ảnh bằng chứng vi phạm xuống dưới 1,0 giây ngay cả khi kết nối mạng di động chập chờn.

Thứ tư, nâng cấp mô hình nhận dạng quang học ký tự để phân loại chính xác các màu biển số xe chuyên dụng như biển vàng, biển xanh và biển đỏ đạt tỷ lệ chính xác trên 92% trong giai đoạn 2024-2025.

Đối tượng nên tham khảo luận văn

Luận văn cung cấp hàm lượng kỹ thuật chuyên sâu và tài liệu tham khảo giá trị cho 4 nhóm đối tượng:

Nhóm kỹ sư thị giác máy tính và lập trình trí tuệ nhân tạo nhúng: Tài liệu cung cấp hướng dẫn chi tiết về kỹ thuật tối ưu hóa mạng nơ-ron tích chập, chuyển đổi định dạng trung gian và lượng tử hóa mô hình trên nền tảng phần cứng đồ họa chuyên dụng.

Nhóm kỹ sư phát triển giải pháp giao thông thông minh: Tiếp cận thiết kế kiến trúc toàn diện từ tầng biên, tầng trung gian kết nối giao diện lập trình ứng dụng đến cơ sở dữ liệu thời gian thực và ứng dụng người dùng đa nền tảng.

Nhóm giảng viên, học viên cao học và nghiên cứu sinh ngành Kỹ thuật Điện tử, Tự động hóa và Khoa học Dữ liệu: Tham khảo phương pháp xây dựng tập dữ liệu thị giác máy tính thực tế, kỹ thuật tăng cường dữ liệu và cách tiếp cận cải tiến thuật toán theo dõi đa đối tượng.

Nhóm cán bộ quản lý đô thị và đơn vị vận hành hệ thống giám sát an ninh: Khảo sát mô hình công nghệ giám sát tự động có chi phí phần cứng hợp lý từ 200 đến 300 USD mỗi nút giao, phục vụ công tác lập kế hoạch chuyển đổi số ngành giao thông.

Câu hỏi thường gặp

Tại sao tác giả lựa chọn biến thể mô hình kích thước nhỏ thay vì các biến thể lớn hơn? Các biến thể mạng nơ-ron lớn có thể cho độ chính xác cao hơn nhưng kích thước tệp vượt quá 100 MB và đòi hỏi năng lực tính toán lớn, không thể chạy thời gian thực trên phần cứng nhúng. Biến thể nhỏ chỉ chiếm 14 MB và 7,5 triệu tham số, cân bằng tối ưu giữa độ chính xác và tốc độ xử lý 28,7 khung hình/giây.

Phương pháp trích xuất ngoại quan tinh gọn RAFE giải quyết bài toán tái định danh như thế nào? Thay vì huấn luyện một mạng học sâu riêng biệt để rút trích vector đặc trưng gây quá tải bộ nhớ, phương pháp RAFE trích xuất thông tin thống kê ngoại quan trực tiếp từ các vùng hộp bao đối tượng. Cách tiếp cận này triệt tiêu chi phí tính toán phụ trợ mà vẫn duy trì khả năng liên kết đối tượng chính xác.

Thiết bị phần cứng nhúng trong nghiên cứu có hoạt động bền bỉ ngoài hiện trường không? Phần cứng nhúng tích hợp 128 nhân đồ họa Maxwell cùng vỏ bảo vệ chuyên dụng và camera đạt chuẩn kháng nước IP67. Thiết bị tiêu thụ điện năng thấp, hoạt động ổn định trong dải nhiệt độ rộng, hoàn toàn đáp ứng yêu cầu vận hành liên tục 24/7 ngoài trời.

Hệ thống phát hiện các hành vi vi phạm giao thông dựa trên cơ chế nào? Hệ thống sử dụng thuật toán lọc giao cắt không gian kết hợp các đường ranh giới ảo do người vận hành thiết lập trên giao diện đồ họa. Khi tâm quỹ đạo của phương tiện cắt qua các đường quy định trong các pha tín hiệu đèn tương ứng, thuật toán sẽ tự động kích hoạt trạng thái vi phạm.

Cơ sở dữ liệu đám mây xử lý tình huống mất kết nối Internet tại hiện trường như thế nào? Hạ tầng cơ sở dữ liệu được tích hợp cơ chế lưu bộ nhớ đệm cục bộ trên thiết bị của người dùng. Khi mất sóng, cảnh sát tuần tra vẫn có thể truy vấn dữ liệu đã lưu; ngay khi có tín hiệu mạng trở lại, hệ thống sẽ tự động đồng bộ hóa toàn bộ thay đổi với thời gian trễ dưới 1,5 giây.

Kết luận

• Nghiên cứu đã thiết kế và thử nghiệm thành công hệ thống giám sát giao thông thông minh ứng dụng học sâu trực tiếp trên thiết bị biên.
• Ứng dụng công cụ tối ưu hóa đồ thị tính toán giúp tăng tốc độ suy luận mô hình phát hiện phương tiện gấp 12 lần trên phần cứng nhúng.
• Cải tiến thuật toán theo dõi đa đối tượng bằng phương pháp trích xuất đặc trưng tinh gọn giúp hệ thống vận hành mượt mà ở tốc độ 28,7 khung hình/giây.
• Xây dựng giải pháp nhận diện biển số xe máy và ô tô phù hợp với đặc thù giao thông Việt Nam, đạt độ chính xác phát hiện vi phạm 86,53%.
• Hoàn thiện kiến trúc kết nối thời gian thực đồng bộ giữa thiết bị biên, máy chủ đám mây không khóa và ứng dụng di động cho lực lượng tuần tra.

Đóng góp lớn nhất của luận văn là giải quyết triệt để bài toán xử lý video thời gian thực tại biên với chi phí phần cứng thấp, mở ra hướng đi mới cho việc nội địa hóa các giải pháp giao thông thông minh. Kế hoạch nghiên cứu tiếp theo sẽ tập trung mở rộng tập dữ liệu và tích hợp các cảm biến quan trắc môi trường trước năm 2024. Hãy liên hệ với nhóm nghiên cứu hoặc tra cứu toàn văn tài liệu học thuật để cùng hợp tác chuyển giao và thương mại hóa công nghệ này.

Trích đoạn nội dung tài liệu

mở đầu chương và kết luận chương, có liệt kê tài liệu tham khảo và có trích dẫn đúng quy định 9 Kỹ năng viết xuất sắc (cấu trúc câu chuẩn, văn phong khoa học, lập luận 1 2 3 4 5 logic và có cơ sở, từ vựng sử dụng phù hợp v.) Thành tựu nghiên cứu khoa học (5) (chọn 1 trong 3 trường hợp) Có bài báo khoa học được đăng hoặc chấp nhận đăng/Đạt giải SVNCKH 10a giải 3 cấp Viện trở lên/Có giải thưởng khoa học (quốc tế hoặc trong 5 nước) từ giải 3 trở lên/Có đăng ký bằng phát minh, sáng chế Được báo cáo tại hội đồng cấp Viện trong hội nghị SVNCKH nhưng 10b không đạt giải từ giải 3 trở lên/Đạt giải khuyến khích trong các kỳ thi 2 quốc gia và quốc tế khác về chuyên ngành (VD: TI contest) 10c Không có thành tích về nghiên cứu khoa học 0 Điểm tổng /50 Điểm tổng quy đổi về thang 10 Nhận xét khác của cán bộ phản biện. Người nhận xét (Ký và ghi rõ họ tên) PREFACE Modern structures such as bridges, buildings, water dams, minerals mines, etc. have indeed played an important role in our daily life. They benefit us in many aspects and greatly contribute to our twenty-first-century society.

Owners and maintenance managers of these capital-intensive assets expect to increase durability of the structure. Therefore, Structural Health Monitoring (SHM) system is born in response to such a need. Acknowledged of structures’ defects, timely intervention shall reduce risks and maintenance costs. As a result, SHM system shall help to increase the service life of structures.

For example, The Canadian Highway Bridge considers a service life of 75 years for newly constructed bridges. Another example in this case is the New Cham- plain bridge in Montreal, Canada, which is designed for 125 years in service. Moreover, municipalities, provincial and federal governments are becoming interested in the con- cept of “Smart City”. This vision aims at implementing advanced technologies to create value-added services for citizens and the administration of the city [?].

In the context, proper inspection and maintenance have become more important than ever. Another crucial application of SHM system is to improve reliability of existing infrastructure. Existing infrastructures in North America are rapidly approaching the end of their design service life. According to ASCE 2017 infrastructure report card, nearly 10% of bridges (about 56,000 bridges) in the United States have structural defi- ciencies, which makes them vulnerable.

The conditions in Canada are not much better. There are about 75,000 highway bridges in Canada; According to the National Research Council of Canada (NRCC 2015), almost one-third of these bridges have structural or functional deficiencies. The collapse of Ponte Mirandi in Genova, Italy, in August 2018 clearly shows that existing infrastructure requires immediate attention. SHM system refers to an array of connected sensors, which collect and analyze data at every moment during the service life of the structure.

The goal is to identify and quantify any damage or deterioration state that might occur over the service life [?]. Vibrating Wire Sensors (VWS) are among such sensors. In Viet Nam, due to our rocket- developed economy in the past decade, constructions are seen everywhere. The tragic and catastrophic breakdown of Can Tho bridge in Vinh Long province, 26 September 2007 that causes the death of 55 people is evidence of how important structure monitor- ing is.

Thus, in Viet Nam, the need for VWS and SHM system in general is undeniable. According to surveys, most of the VWS sold in the market are GEOKON original, while Readout device compatible with these sensors is overpriced as well as hard to purchase. This study plays the part of introducing and developing a VWS Reader that is compatible with these VWS models, with the vision to develop it to a Data-logger for IoT implemen- tation. The product is designed to be affordable while still satisfy all standard industrial requirements.

To complete this graduation thesis, I would like to express my heartfelt gratitude to Mr. Nguyen Nam Phong (Dr.) for his unwavering support and guidance during my project writing process.