Đồ án xây dựng hệ thống giữ xe thông minh dùng Jetson Xavier tại ĐH Bách Khoa TP.HCM

Hệ thống đỗ xe thông minh sử dụng Jetson Xavier với công nghệ AI, nhận diện biển số tự động, tối ưu quản lý bãi đỗ xe hiệu quả và tiết kiệm chi phí.

• Tác giả: Tran Vinh Tien
• Người hướng dẫn: Assoc. Pham Quoc Cuong
• Trường học: Ho Chi Minh City University of Technology, Vietnam National University Ho Chi Minh City
• Chuyên ngành: Computer Engineering
• Đề tài: A Jetson Xavier-based Smart Parking
• Loại tài liệu: Capstone project
• Năm xuất bản: 2023
• Địa điểm: Ho Chi Minh City

Tóm tắt

I. Tổng quan luận văn a jetson xavier based smart parking

Nghiên cứu tập trung vào việc xây dựng hệ thống đỗ xe thông minh dựa trên nền tảng phần cứng tiên tiến. Đề tài giải quyết nhu cầu tự động hóa trong quản lý đô thị hiện đại. Sự kết hợp giữa Internet of Things (IoT) và trí tuệ nhân tạo tạo ra giải pháp tối ưu. Hệ thống không chỉ dừng lại ở việc quan sát mà còn có khả năng phân tích dữ liệu tại biên. Việc sử dụng Edge Computing giúp giảm thiểu độ trễ và tiết kiệm băng thông truyền tải. Luận văn trình bày chi tiết từ khâu thiết kế kiến trúc đến triển khai thực tế. Các thuật toán Deep Learning được áp dụng để nhận diện phương tiện và biển số xe. Mục tiêu chính là tạo ra một môi trường đỗ xe thuận tiện, giảm thiểu sức lao động thủ công. Toàn bộ quy trình được vận hành tự động thông qua sự phối hợp giữa thiết bị đầu cuối và máy chủ đám mây. Đây là bước tiến quan trọng trong việc hiện thực hóa mô hình Smart City tại Việt Nam.

1.1. Vai trò của Edge Computing trong hệ thống đỗ xe

Edge Computing đóng vai trò xương sống trong việc xử lý dữ liệu tức thời. Thay vì gửi toàn bộ hình ảnh về máy chủ, thiết bị biên tự thực hiện tính toán. Điều này giúp hệ thống hoạt động ổn định ngay cả khi kết nối internet gặp sự cố. NVIDIA Jetson Xavier NX cung cấp hiệu năng mạnh mẽ để chạy các mô hình phức tạp. Khả năng xử lý tại chỗ giúp bảo mật thông tin hình ảnh tốt hơn. Tốc độ phản hồi của hệ thống được cải thiện đáng kể so với phương pháp truyền thống.

1.2. Ứng dụng Computer Vision nâng cao hiệu quả quản lý

Công nghệ Computer Vision cho phép hệ thống "nhìn" và hiểu trạng thái bãi xe. Các thuật toán Image Processing trích xuất thông tin từ camera để xác định vị trí trống. Hệ thống tự động nhận diện loại xe và thời điểm ra vào bãi. Việc áp dụng Neural Networks giúp tăng độ chính xác trong các điều kiện ánh sáng khác nhau. Đây là yếu tố then chốt để thay thế việc kiểm soát bằng con người. Giải pháp này giúp tối ưu hóa không gian đỗ xe và giảm thiểu sai sót trong quản lý.

II. Thách thức quản lý bãi xe trong kỷ nguyên Smart City

Sự bùng nổ dân số gây áp lực nặng nề lên hạ tầng giao thông đô thị. Việc tìm kiếm chỗ đỗ xe chiếm tới 30% nguyên nhân gây tắc nghẽn giao thông. Các bãi xe truyền thống thường đối mặt với tình trạng quá tải và quản lý lỏng lẻo. Người lái xe mất nhiều thời gian và nhiên liệu để tìm vị trí trống. Điều này gây ra lãng phí tài nguyên và gia tăng khí thải gây hiệu ứng nhà kính. Hệ thống quản lý cũ phụ thuộc quá nhiều vào thẻ từ và nhân viên bảo vệ. Các lỗi do con người dẫn đến thất thoát doanh thu và mất an ninh. Do đó, nhu cầu về một Parking Management System tự động là vô cùng cấp thiết. Luận văn phân tích sâu các rào cản về mặt công nghệ và chi phí triển khai. Giải pháp phải đảm bảo tính cân bằng giữa hiệu năng xử lý và khả năng mở rộng quy mô.

2.1. Vấn đề tắc nghẽn và lãng phí tài nguyên đô thị

Tình trạng xe chạy lòng vòng tìm chỗ đỗ gây lãng phí nhiên liệu nghiêm trọng. Theo các nghiên cứu, việc này đóng góp đáng kể vào ô nhiễm môi trường. Một hệ thống thông minh cần cung cấp thông tin thời gian thực cho người dùng. Việc thiếu dữ liệu chính xác khiến các bãi xe không khai thác hết công suất. Giải quyết vấn đề này là mục tiêu hàng đầu của các sáng kiến Smart City. Công nghệ cần can thiệp để điều phối luồng xe một cách khoa học và hiệu quả.

2.2. Hạn chế của công nghệ quản lý bãi xe truyền thống

Các hệ thống cũ thường sử dụng cảm biến vật lý tại từng vị trí đỗ. Chi phí lắp đặt và bảo trì các cảm biến này rất cao và phức tạp. Ngoài ra, chúng dễ bị hư hỏng bởi tác động môi trường hoặc va chạm vật lý. Việc phụ thuộc vào nhân sự trực tiếp gây tốn kém chi phí vận hành lâu dài. Hệ thống thẻ từ đơn thuần không thể cung cấp dữ liệu phân tích chuyên sâu. Do đó, việc chuyển dịch sang Embedded Systems kết hợp AI là xu hướng tất yếu.

III. Phương pháp xây dựng hệ thống với NVIDIA Jetson Xavier NX

Lựa chọn phần cứng là yếu tố quyết định đến thành công của dự án. NVIDIA Jetson Xavier NX được chọn nhờ sự cân bằng giữa kích thước và hiệu năng. Thiết bị sở hữu kiến trúc GPU mạnh mẽ với hàng trăm CUDA cores. Điều này cho phép thực hiện các phép toán song song cực nhanh cho AI. Hệ thống sử dụng mô hình YOLOv8 hoặc YOLOv5 để thực hiện Object Detection. Các mô hình này được huấn luyện trên bộ dữ liệu đa dạng để nhận diện xe ô tô. Quy trình triển khai bao gồm việc thu thập dữ liệu, dán nhãn và huấn luyện mô hình. Sau đó, mô hình được tối ưu hóa để chạy mượt mà trên thiết bị nhúng. Sự kết hợp giữa phần cứng chuyên dụng và phần mềm tối ưu tạo ra sức mạnh vượt trội. Hệ thống có khả năng xử lý nhiều luồng video cùng lúc với độ chính xác cao.

3.1. Tận dụng sức mạnh xử lý từ kiến trúc CUDA cores

Kiến trúc CUDA cores cho phép tăng tốc các thuật toán học sâu một cách mạnh mẽ. Việc xử lý song song giúp giảm thời gian suy luận (inference time) của mô hình. Điều này cực kỳ quan trọng đối với các ứng dụng Real-time processing. Hệ thống có thể đạt tốc độ xử lý từ 17 đến 31 khung hình trên giây (FPS). Khả năng này đảm bảo không có phương tiện nào bị bỏ sót khi di chuyển qua camera. Đây là ưu thế tuyệt đối của dòng Jetson so với các vi điều khiển thông thường.

3.2. Quy trình huấn luyện mô hình Object Detection tối ưu

Việc sử dụng các phiên bản YOLOv8 hoặc YOLOv5 mang lại hiệu quả nhận diện vượt trội. Mô hình được huấn luyện để xác định vị trí xe và các ô đỗ trống. Quá trình này đòi hỏi bộ dữ liệu được chuẩn hóa và dán nhãn chính xác. Các kỹ thuật tăng cường dữ liệu được áp dụng để cải thiện độ bền vững của mô hình. Kết quả là một hệ thống có khả năng nhận diện chính xác ngay cả trong điều kiện thiếu sáng. Mô hình sau đó được chuyển đổi định dạng để sẵn sàng cho bước tối ưu hóa tiếp theo.

IV. Bí quyết tối ưu Object Detection bằng TensorRT và YOLO

Để đạt được tốc độ thực tế, việc tối ưu hóa mô hình là bắt buộc. TensorRT của NVIDIA là công cụ then chốt trong giai đoạn này. Nó giúp chuyển đổi các lớp của mạng nơ-ron thành các nhân xử lý tối ưu trên GPU. Quá trình này bao gồm việc cắt tỉa mạng và lượng tử hóa dữ liệu (FP16/INT8). Nhờ đó, mô hình chạy nhanh hơn gấp nhiều lần mà vẫn giữ được độ chính xác. Thư viện OpenCV được sử dụng để xử lý luồng video đầu vào và vẽ kết quả. Hệ thống thực hiện việc so khớp tọa độ xe với tọa độ các ô đỗ đã định nghĩa. Nếu diện tích chồng lấp vượt quá ngưỡng cho phép, ô đỗ được đánh dấu là có xe. Toàn bộ logic này được thực thi trực tiếp trên Embedded Systems. Giải pháp này loại bỏ sự phụ thuộc vào các máy chủ GPU đắt tiền ở trung tâm. Đây là cách tiếp cận thông minh và tiết kiệm chi phí cho các doanh nghiệp.

4.1. Tăng tốc suy luận với thư viện NVIDIA TensorRT

Sử dụng TensorRT giúp tối ưu hóa đồ thị tính toán của mạng nơ-ron. Công cụ này tự động lựa chọn các hạt nhân (kernels) tốt nhất cho kiến trúc phần cứng cụ thể. Việc chuyển đổi sang định dạng .trt giúp giảm dung lượng mô hình đáng kể. Tốc độ suy luận được cải thiện giúp hệ thống đáp ứng tốt các yêu cầu thời gian thực. Đây là bước không thể thiếu khi triển khai AI trên các thiết bị giới hạn tài nguyên. Sự ổn định của hệ thống được duy trì liên tục trong thời gian dài vận hành.

4.2. Nhận diện biển số tự động ALPR và ANPR chính xác

Hệ thống tích hợp tính năng License Plate Recognition (ALPR) để quản lý xe. Công nghệ Automatic Number Plate Recognition (ANPR) giúp tự động hóa khâu check-in và check-out. Hình ảnh biển số được cắt ra và xử lý qua các bộ lọc tiền xử lý. Sau đó, mạng nơ-ron chuyên biệt sẽ thực hiện nhận diện ký tự. Kết quả nhận diện được đối soát với cơ sở dữ liệu để xác nhận thông tin đặt chỗ. Điều này tạo ra một quy trình khép kín và bảo mật tuyệt đối cho bãi xe.

V. Kết quả thực nghiệm hệ thống Smart Parking tại HCMUT

Luận văn đã tiến hành thử nghiệm thực tế tại khuôn viên Đại học Bách Khoa TP.HCM. Kết quả cho thấy hệ thống hoạt động ổn định với độ chính xác nhận diện cao. Tốc độ xử lý đạt trung bình 31 FPS trong giai đoạn suy luận mô hình. Khi xử lý toàn bộ quy trình từ thu nhận đến cập nhật dữ liệu, tốc độ đạt 17-26 FPS. Ứng dụng di động viết bằng Flutter cho phép người dùng đặt chỗ và dẫn đường dễ dàng. Máy chủ Django đảm nhận việc quản lý cơ sở dữ liệu và kết nối API. Dữ liệu giữa thiết bị biên và máy chủ được trao đổi qua định dạng JSON bảo mật. Người quản lý có thể theo dõi trạng thái bãi xe thông qua giao diện web trực quan. Hệ thống đã chứng minh được tính khả thi khi áp dụng cho các bãi xe ô tô từ 4 đến 7 chỗ. Các lỗi nhận diện trong điều kiện góc quay nghiêng đã được phân tích và khắc phục. Đây là minh chứng cho sự thành công của việc ứng dụng Jetson Xavier AGX hoặc NX vào thực tế.

5.1. Đánh giá hiệu năng xử lý Real time processing

Hiệu năng Real-time processing là điểm sáng nhất của toàn bộ nghiên cứu. Hệ thống phản hồi gần như tức thì khi có xe ra vào vị trí đỗ. Việc tối ưu hóa phần cứng giúp thiết bị hoạt động mát và tiết kiệm điện năng. Tốc độ khung hình cao giúp tránh hiện tượng giật lag khi quan sát từ xa. Khả năng xử lý tại biên giúp giảm tải cho đường truyền mạng nội bộ. Đây là một chỉ số quan trọng để đánh giá chất lượng của một hệ thống AI nhúng.

5.2. Tích hợp hệ thống quản lý qua Mobile App và Server

Sự kết hợp giữa ứng dụng di động và máy chủ tạo nên hệ sinh thái hoàn chỉnh. Người dùng có thể tìm kiếm bãi xe trống và thực hiện đặt chỗ trước khi đến. Hệ thống tự động ghi nhận thời gian đỗ và tính toán chi phí minh bạch. Các thông báo được gửi về điện thoại giúp người dùng chủ động hơn. Phía quản lý có thể xuất báo cáo thống kê theo ngày, tháng một cách dễ dàng. Việc sử dụng các công nghệ hiện đại như Django và Flutter đảm bảo tính thẩm mỹ và dễ sử dụng.

VI. Tầm nhìn tương lai của Embedded Systems trong đô thị

Tiềm năng phát triển của hệ thống đỗ xe thông minh là rất lớn. Trong tương lai, hệ thống có thể tích hợp thêm các tính năng thanh toán tự động. Việc kết nối với mạng lưới giao thông thông minh toàn cầu sẽ giúp điều phối xe từ xa. Các dòng chip mới như Jetson Xavier AGX sẽ cho phép chạy các mô hình lớn hơn. Khả năng tự học từ dữ liệu thực tế giúp hệ thống ngày càng thông minh. Công nghệ Internet of Things (IoT) sẽ kết nối hàng ngàn bãi xe thành một mạng lưới duy nhất. Luận văn đã đặt nền móng vững chắc cho các nghiên cứu tiếp theo về đô thị thông minh. Việc giảm giá thành phần cứng sẽ giúp giải pháp này dễ dàng tiếp cận hơn với các doanh nghiệp. Việt Nam hoàn toàn có thể làm chủ công nghệ này để cải thiện chất lượng cuộc sống. Sự đóng góp của các hệ thống nhúng sẽ là chìa khóa cho cuộc cách mạng công nghiệp 4.0.

6.1. Khả năng mở rộng quy mô bãi xe trong Smart City

Hệ thống được thiết kế theo dạng mô-đun nên rất dễ dàng mở rộng quy mô. Nhiều thiết bị biên có thể kết nối về cùng một máy chủ trung tâm để quản lý. Việc bổ sung các tính năng mới như nhận diện khuôn mặt tài xế là hoàn toàn khả thi. Hệ thống có thể thích ứng với nhiều loại hình bãi xe từ trong nhà đến ngoài trời. Đây là giải pháp linh hoạt cho các khu đô thị có mật độ giao thông cao. Tương lai của quản lý đô thị nằm ở sự kết nối và tự động hóa toàn diện.

6.2. Xu hướng phát triển của AI và Deep Learning nhúng

Các thuật toán Deep Learning ngày càng trở nên nhẹ và hiệu quả hơn. Xu hướng AI tại biên (Edge AI) sẽ thay thế dần các giải pháp dựa hoàn toàn vào đám mây. Việc bảo mật dữ liệu và quyền riêng tư sẽ được ưu tiên hàng đầu. Các thế hệ phần cứng mới sẽ tích hợp nhiều nhân xử lý AI chuyên dụng hơn. Điều này mở ra cơ hội cho các ứng dụng phức tạp như xe tự hành trong bãi đỗ. Luận văn là bước đi đầu tiên đầy hứa hẹn trong hành trình chinh phục công nghệ này.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự gia tăng nhanh chóng của các phương tiện giao thông cá nhân, đặc biệt là ô tô 4 đến 7 chỗ tại các đô thị ở các quốc gia đang phát triển như Việt Nam, đã tạo ra áp lực lớn lên cơ sở hạ tầng giao thông và bãi đỗ xe. Theo số liệu khảo sát được nhóm tác giả trích dẫn từ tài liệu Intro Smart Parking (2021), quá trình người điều khiển phương tiện tìm kiếm vị trí đỗ xe là một trong những nguyên nhân hàng đầu gây ùn tắc giao thông đô thị, chiếm tới 30% tổng lượng tắc nghẽn. Tình trạng này không chỉ gây lãng phí thời gian, tiêu tốn nhiên liệu mà còn gia tăng lượng khí thải nhà kính ra môi trường.

Để giải quyết tình trạng trên, đồ án tốt nghiệp kỹ sư ngành Kỹ thuật Máy tính (Chương trình Chất lượng cao MT19CLC, Trường Đại học Bách Khoa – ĐHQG-HCM) của nhóm tác giả Trần Vĩnh Tiến và Nguyễn Thành Lộc đã đề xuất đề tài: "A Jetson Xavier-Based Smart Parking" (Xây dựng hệ thống quản lý giữ xe thông minh sử dụng Jetson Xavier). Đồ án được thực hiện dưới sự hướng dẫn của PGS. Phạm Quốc Cường và ThS. Băng Ngọc Bảo Tâm, cùng sự phản biện của PGS. Trần Ngọc Thịnh.

Nhiệm vụ nghiên cứu được giao chính thức bao gồm 4 nội dung cụ thể:

1. Thực hiện khảo sát toàn diện về chủ đề bãi đỗ xe thông minh ứng dụng các thiết bị tính toán biên (Edge devices).
2. Đề xuất kiến trúc hệ thống quản trị bãi đỗ xe thông minh dựa trên nền tảng phần cứng NVIDIA Jetson Xavier.
3. Hiện thực hóa (triển khai) kiến trúc đã đề xuất trên nền tảng phần cứng và phần mềm cụ thể.
4. Thực hiện các thử nghiệm thực tế và đánh giá hiệu năng của hệ thống với các bộ dữ liệu khác nhau.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng: Hệ thống quản lý đỗ xe ô tô tự động tích hợp xử lý thị giác máy tính tại biên (Edge AI) để nhận diện trạng thái chỗ trống và nhận diện biển số xe, kết hợp máy chủ quản lý trung tâm và ứng dụng di động cho người dùng.
• Phạm vi không gian: Triển khai thử nghiệm thực tế tại khu vực bãi đỗ xe ô tô khuôn viên Trường Đại học Bách Khoa – ĐHQG-HCM (HCMUT).
• Phạm vi phương tiện: Áp dụng cho các dòng ô tô con loại từ 4 đến 7 chỗ.
• Phạm vi thời gian: Nhiệm vụ được giao ngày 10/01/2023 và hoàn thành bảo vệ vào tháng 06/2023.

---

Cơ sở lý thuyết và phương pháp

Khung lý thuyết và công nghệ nền tảng

Nghiên cứu kết hợp nhiều lĩnh vực công nghệ thuộc mạng lưới vạn vật kết nối (IoT), tính toán biên (Edge Computing) và trí tuệ nhân tạo (AI):

• Tính toán biên và Edge AI: Sử dụng bo mạch nhúng NVIDIA Jetson Xavier NX Developer Kit nhằm thực hiện toàn bộ tác vụ tiền xử lý, suy luận mạng nơ-ron (DNN/CNN) trực tiếp tại hiện trường. Điều này giảm thiểu việc truyền tải toàn bộ luồng video độ phân giải cao lên máy chủ trung tâm, tiết kiệm băng thông mạng và giảm độ trễ xử lý.
• Các mô hình thị giác máy tính:
  • Mô hình phát hiện đối tượng: YOLOv4 (huấn luyện trên tập dữ liệu chuẩn COCO với 80 lớp đối tượng) dùng cho bài toán phát hiện vị trí ô tô trong bãi.
  • Mô hình nhận diện biển số: YOLOv4-tiny tùy biến (custom) để định vị khung biển số xe và mạng tích chập (CNN) cơ bản để phân loại ký tự (gồm 31 ký tự chữ/số và 1 lớp Background cho dữ liệu rác phân đoạn).
• Nền tảng tăng tốc phần cứng: Sử dụng OpenCV biên dịch với hỗ trợ CUDA, cuDNN và thư viện tối ưu hóa NVIDIA TensorRT để chuyển đổi các mô hình từ Darknet/ONNX sang định dạng engine chạy ở độ chính xác dấu chấm động 16-bit (FP16).
• Ngăn xếp phần mềm quản lý và ứng dụng:
  • Back-end / Database Server: Xây dựng bằng ngôn ngữ Python với Django Web Framework, cơ sở dữ liệu SQLite3, giao tiếp thông qua REST API / HTTP CRUD và tài liệu hóa qua Swagger UI tại endpoint /swagger.
  • Ứng dụng di động: Xây dựng trên nền tảng Flutter (Android), tích hợp các dịch vụ bên thứ ba: OpenRouteService (lấy dữ liệu định tuyến định dạng GeoJSON), Google Maps API (hiển thị bản đồ) và Google Places API (tìm kiếm địa điểm).

Phương pháp nghiên cứu thực tế

Nhóm tác giả đã sử dụng phối hợp các phương pháp kỹ thuật:

• Phương pháp khảo sát, phân tích tổng hợp: Nghiên cứu phân loại các hướng tiếp cận bãi đỗ xe thông minh trên thế giới (quản lý tại cổng - Gate Management, quản lý đơn bãi - Mono-parking, quản lý đa bãi - Multi-parking, sử dụng mạng cảm biến không dây WSN, mạng VANET hoặc xử lý ảnh).
• Phương pháp thiết kế và tích hợp hệ thống: Phân chia hệ thống thành 3 khối độc lập (Edge Computing Hardware, Central API/Database Server, Mobile Application) giao tiếp đồng bộ qua định dạng JSON.
• Phương pháp thực nghiệm kiểm thử: Đánh giá tốc độ khung hình (FPS) trước và sau khi tối ưu hóa bằng TensorRT, đo đạc thời gian đáp ứng API, kiểm tra độ tin cậy của việc kết nối thiết bị biên và kiểm thử các kịch bản người dùng thực tế.

---

Thiết kế và triển khai hệ thống

Hệ thống được tổ chức thành một chu trình khép kín gồm 3 thành phần chính:

Thành phần	Công nghệ / Nền tảng	Chức năng kỹ thuật chính
Edge Device (Khối xử lý biên)	NVIDIA Jetson Xavier NX, USB Camera, TensorRT, CUDA, OpenCV	Thu nhận video thời gian thực; nhận diện biển số xe (Check-in/Check-out); phát hiện ô tô và xác định trạng thái chiếm chỗ bãi đỗ.
Server & Database (Khối máy chủ)	Python Django Framework, SQLite3, REST API	Tiếp nhận và xử lý dữ liệu từ thiết bị biên; lưu trữ dữ liệu người dùng, lượt đặt chỗ (Bookings), thông tin bãi; đồng bộ dữ liệu tới ứng dụng.
Mobile Client (Khối người dùng)	Flutter (Android), OpenRouteService, Google Maps/Places API	Đăng ký/đăng nhập, tìm kiếm vị trí bãi đỗ gần nhất, đặt chỗ (Booking), nhận điều hướng đường đi qua GPS và thanh toán.

1. Phân hệ nhận diện biển số xe (License Plate Recognition - LPR)

• Tiền xử lý: Khung hình xe từ USB camera được chuyển đổi sang ảnh mức xám (Grayscale) để loại bỏ sự phụ thuộc vào màu sắc biển số (trắng, xanh, vàng tại Việt Nam) trong khi vẫn giữ nguyên đặc trưng hình học và kích thước.
• Phát hiện biển số: Mô hình YOLOv4-tiny tùy biến suy luận vị trí biển số, sau đó tiến hành cắt (crop) vùng ảnh chứa biển số.
• Phân đoạn và nhận dạng ký tự: Vùng biển số được chuyển sang không gian màu HSV, nhị phân hóa để phân tách từng ký tự. Các ký tự này được đưa vào mạng CNN để phân loại nhận diện.
• Hậu xử lý: Tự động định dạng biển số theo cấu trúc 1 dòng hoặc 2 dòng dựa trên tọa độ bounding box của các ký tự phân đoạn trước khi gửi kết quả về máy chủ.

2. Phân hệ phát hiện trạng thái ô đỗ (Parking Lot Occupancy Detection)

• Thiết lập ban đầu: Ảnh toàn cảnh bãi đỗ được chụp và vẽ thủ công các khung hình chữ nhật tương ứng từng vị trí đỗ. Tọa độ 4 đỉnh của từng ô đỗ được lưu vào tệp cấu hình .yml.
• Phát hiện thời gian thực: Luồng video từ USB camera được chuẩn hóa về kích thước $416 \times 416 \times 3$ làm đầu vào cho mô hình YOLOv4 đã tối ưu hóa TensorRT FP16.
• Thuật toán xác định chiếm chỗ: Tính toán tỷ lệ diện tích giao nhau (overlap) giữa bounding box của phương tiện được phát hiện và bounding box của ô đỗ. Nếu diện tích chồng lấn vượt quá 80%, ô đỗ đó được xác định là có xe (Occupied), ngược lại là trống (Free).
• Cơ chế tối ưu hóa tài nguyên: Hệ thống lưu trữ số lượng phương tiện phát hiện được trong khung hình hiện tại. Nếu ở khung hình tiếp theo số lượng xe không thay đổi, hệ thống sẽ bỏ qua bước tính toán lại diện tích chồng lấn, giúp tiết kiệm bộ nhớ và chu kỳ tính toán của thiết bị biên.

3. Quy trình tương tác 6 bước của người dùng

1. Bước 1: Khách hàng mở ứng dụng di động để tìm kiếm và đặt trước chỗ đỗ xe dựa trên các gợi ý tối ưu.
2. Bước 2: Ứng dụng điều hướng khách hàng từ vị trí hiện tại đến bãi đỗ xe thông qua bản đồ và API OpenRouteService.
3. Bước 3: Khách hàng đến cổng bãi, thiết bị biên nhận diện biển số xe và tự động thực hiện thủ tục Check-in trên máy chủ.
4. Bước 4: Phương tiện vào vị trí đỗ, thiết bị biên giám sát trạng thái ô đỗ và hệ thống tính toán thời gian đỗ thực tế.
5. Bước 5: Khách hàng tiến hành thanh toán phí gửi xe dựa trên tổng thời gian sử dụng.
6. Bước 6: Khách hàng di chuyển ra cổng, thiết bị biên nhận diện biển số xe một lần nữa để xác nhận Check-out hoàn tất phiên gửi xe.

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu (Introduction)

Chương 1 phân tích tính cấp thiết của việc áp dụng tự động hóa và công nghệ thông minh trong quản lý đô thị. Tác giả chỉ ra các hệ lụy của việc thiếu quy hoạch bãi đỗ xe, đặt ra bài toán nghiên cứu kèm theo các ràng buộc kỹ thuật: phục vụ ô tô 4–7 chỗ tại bãi đỗ Trường Đại học Bách Khoa TP.HCM, yêu cầu người dùng đăng ký tài khoản qua di động và đặt mục tiêu phần cứng Jetson Xavier NX phải hoạt động ổn định với tốc độ xử lý đạt tối thiểu từ 17 đến 24 FPS.

Chương 2: Cơ sở kiến thức và các công trình liên quan (Background and Related work)

Chương này tổng hợp các giải pháp đỗ xe thông minh hiện nay, phân loại theo hai nhóm chính: quản lý theo cổng (Gate Management) và quản lý theo vị trí đỗ (Parking Space Management - gồm đơn bãi Mono-parking và đa bãi Multi-parking). Tác giả so sánh các công nghệ cảm biến không dây (WSN dùng giao thức Zigbee, TinyOS), công nghệ GPS và thị giác máy tính (CV/IM).

Đồng thời, chương giới thiệu chi tiết về nền tảng phần cứng NVIDIA Jetson, vai trò của thư viện OpenCV hỗ trợ CUDA/cuDNN và quy trình hai giai đoạn (Building phase và Running phase) của công cụ tối ưu hóa NVIDIA TensorRT để chuyển đổi các mô hình sang định dạng engine thực thi trên GPU nhúng.

Chương 3: Phương pháp luận (Methodology)

Trình bày chi tiết kiến trúc tổng thể của hệ thống gồm 3 phân hệ: Phần cứng biên (Hardware/Edge device), Máy chủ trung tâm (Cloud-based Server) và Ứng dụng di động (Mobile Application). Chương này mô tả cấu trúc luồng dữ liệu, quy trình tương tác 6 bước của khách hàng, hoạt động lấy tọa độ ô đỗ lưu dưới dạng .yml, cũng như kiến trúc module nhận diện biển số xe LPR và module phát hiện ô đỗ trống.

Chương 4: Hiện thực hóa hệ thống (Implementation)

Mô tả chi tiết các bước cài đặt phần cứng và phát triển phần mềm:

• Cấu hình môi trường phần cứng với NVIDIA Jetpack, cài đặt OpenCV 4.0 kích hoạt CUDA.
• Quy trình huấn luyện mô hình YOLOv4 trên tập dữ liệu COCO và mô hình YOLOv4-tiny cho biển số xe Việt Nam; xử lý ảnh mức xám nhằm hạn chế ảnh hưởng của màu sắc biển số; huấn luyện mô hình CNN phân loại 31 ký tự và 1 lớp Background.
• Thiết kế cơ sở dữ liệu trên Django gồm các bảng chính: Users (người dùng và quản trị viên), Parking lots (thông tin bãi đỗ, vị trí, biểu phí) và Bookings (thông tin phiên đặt chỗ, thời gian, trạng thái).
• Xây dựng hệ thống API CRUD, tích hợp Swagger UI và phát triển ứng dụng di động bằng Flutter với 4 use case cốt lõi: Đăng nhập (Login), Đăng ký (Sign Up), Đặt chỗ (Booking) và Định tuyến đường đi (Routing qua OpenRouteService dưới định dạng GeoJSON).

Chương 5: Kết quả và đánh giá (Result and Evaluation)

Chương 5 cung cấp các kết quả thực nghiệm hệ thống:

• Kiểm thử hiệu năng mạng nơ-ron: Tốc độ suy luận (inference speed) của mô hình sau khi tối ưu bằng TensorRT đạt mức 31 FPS, tốc độ xử lý toàn bộ pipeline khung hình đạt từ 17 đến 26 FPS.
• Kiểm thử các ca sử dụng hệ thống (Testcases 1 đến 7): Nhận diện ô đỗ trống, nhận diện ô đỗ có xe chiếm chỗ, kiểm tra Check-in biển số, kiểm tra Check-out biển số, tạo phiên đặt chỗ, hoàn tất đặt chỗ và kiểm tra độ ổn định kết nối của thiết bị biên.
• Phân tích một số trường hợp nhận diện sai đối với biển số màu xanh hoặc góc chụp nghiêng.

---

Kết quả và đóng góp

Kết quả kỹ thuật đạt được

• Hiệu năng xử lý AI tại biên: Triển khai thành công các mô hình YOLOv4 và YOLOv4-tiny trên kit nhúng NVIDIA Jetson Xavier NX. Tốc độ suy luận thuần đạt 31 FPS và tốc độ xử lý toàn trình (end-to-end frame processing) duy trì ổn định trong khoảng 17 đến 26 FPS (phù hợp với nhận xét của cán bộ phản biện ghi nhận mức 21 đến 30 FPS).
• Hoàn thiện hệ thống đa nền tảng:
  • Xây dựng hoàn chỉnh máy chủ backend bằng Django tích hợp đầy đủ hệ thống API CRUD phục vụ đồng bộ dữ liệu giữa thiết bị biên và ứng dụng di động.
  • Hoàn thiện ứng dụng di động Flutter hỗ trợ người dùng tìm kiếm, đặt chỗ trước và nhận chỉ dẫn đường đi chính xác tới vị trí bãi đỗ.
• Thuật toán tối ưu hóa: Triển khai thành công cơ chế phát hiện trạng thái ô đỗ dựa trên ngưỡng chồng lấn diện tích 80% kết hợp bộ đệm kiểm tra biến động số lượng xe để giảm tải chu kỳ tính toán cho phần cứng biên.

Đóng góp thực tiễn của đề tài

• Đề xuất một mô hình kiến trúc đỗ xe thông minh hoàn chỉnh, kết hợp xử lý Edge AI tại chỗ thay vì đẩy toàn bộ dữ liệu video về máy chủ trung tâm, giúp tiết kiệm băng thông và tăng cường tính riêng tư, bảo mật.
• Kết hợp hoàn chỉnh giữa phần cứng nhúng, trí tuệ nhân tạo, backend dịch vụ web và ứng dụng di động phía người dùng trong một giải pháp đồng bộ.

---

Hạn chế và hướng nghiên cứu tiếp

Theo các đánh giá từ cán bộ hướng dẫn (PGS. Phạm Quốc Cường) và cán bộ phản biện (PGS. Trần Ngọc Thịnh), đồ án còn tồn tại một số hạn chế cần khắc phục:

• Tập dữ liệu biển số xe còn nhỏ: Dữ liệu huấn luyện cho biển số xe Việt Nam chưa đủ lớn và chưa bao quát hết các điều kiện thực tế (nhóm tác giả được khuyến nghị nên tham khảo thêm đề tài trước đó: "An edge ai hardware acceleration solution for smart parking").
• Lỗi nhận diện trong các trường hợp phức tạp: Hệ thống vẫn xuất hiện lỗi nhận diện khi biển số có nền màu xanh hoặc khi camera thu nhận hình ảnh ở các góc chụp quá nghiêng.
• Phạm vi thử nghiệm hẹp: Hệ thống mới chỉ được thiết kế và kiểm nghiệm thực tế cho khu vực bãi đỗ xe ô tô trong khuôn viên Trường Đại học Bách Khoa TP.HCM, chưa được mở rộng và tổng quát hóa cho các bãi đỗ xe công cộng quy mô lớn.
• Vấn đề tài liệu và phần mềm: Còn một số lỗi nhỏ về ngữ pháp và định dạng trong thuyết minh; bản phát hành Jetpack mới trên Jetson Xavier NX chưa hỗ trợ trực tiếp tensorflow-gpu cho mô hình phân loại ký tự CNN, dẫn đến việc phải điều chỉnh quy trình thực thi.

---

Giá trị tham khảo

Đồ án là tài liệu tham khảo có giá trị cao đối với:

• Sinh viên ngành Kỹ thuật Máy tính, Công nghệ Thông tin, Kỹ thuật Điện - Điện tử: Học tập phương pháp triển khai và tối ưu hóa các mô hình học sâu (Deep Learning) trên các thiết bị phần cứng nhúng của NVIDIA (Jetson Nano, Jetson Xavier NX) sử dụng CUDA, cuDNN và TensorRT.
• Kỹ sư phát triển hệ thống IoT và Edge AI: Tham khảo kiến trúc tích hợp hệ thống đa thành phần, từ khâu xử lý thị giác máy tính tại biên, xây dựng REST API trên Django cho đến phát triển giao diện người dùng bằng Flutter.
• Các nghiên cứu phát triển tiếp theo: Kế thừa giải pháp phân đoạn và nhận diện biển số xe 1 dòng / 2 dòng tại Việt Nam, cũng như thuật toán xác định ô đỗ dựa trên tính toán tỷ lệ diện tích chồng lấn bounding box.

---

Câu hỏi thường gặp

1. Hệ thống sử dụng mô hình học sâu nào cho các tác vụ thị giác máy tính và được tối ưu hóa ra sao?
Hệ thống sử dụng mô hình YOLOv4 (huấn luyện trên tập COCO với 80 lớp) để phát hiện vị trí ô tô trong bãi và mô hình YOLOv4-tiny tùy biến kết hợp mạng CNN đơn giản (31 ký tự chữ/số + 1 lớp Background) để nhận diện biển số xe. Cả hai mô hình đều được chuyển đổi sang định dạng ONNX và tối ưu hóa thành engine của NVIDIA TensorRT chạy ở độ chính xác FP16 trên bo mạch Jetson Xavier NX.

2. Ngưỡng nào được sử dụng để xác định một ô đỗ xe đang có xe đỗ hay còn trống?
Hệ thống tính toán tỷ lệ diện tích chồng lấn (overlap area) giữa bounding box của ô tô do YOLOv4 phát hiện và bounding box của ô đỗ đã được định nghĩa trước (lưu trong tệp .yml). Nếu tỷ lệ diện tích chồng lấn đạt từ 80% trở lên, ô đỗ được xác định là có xe chiếm chỗ (Occupied), ngược lại là ô trống (Free).

3. Tốc độ xử lý khung hình (FPS) thực tế của thiết bị biên đạt được là bao nhiêu?
Trong giai đoạn suy luận thuần (inference phase), hệ thống đạt tốc độ 31 FPS. Khi xử lý toàn bộ luồng công việc của một khung hình (end-to-end processing), tốc độ đạt trong khoảng từ 17 đến 26 FPS (theo đánh giá của cán bộ phản biện, hệ thống duy trì ở mức 21 đến 30 FPS), đáp ứng yêu cầu xử lý thời gian thực.

4. Khách hàng sử dụng dịch vụ định tuyến đường đi tới bãi đỗ thông qua công nghệ nào trên ứng dụng di động?
Ứng dụng di động (viết bằng Flutter) gửi yêu cầu và nhận dữ liệu điều hướng từ dịch vụ bên thứ ba là OpenRouteService API dưới định dạng GeoJSON. Ứng dụng sau đó chuyển đổi dữ liệu này thành các chỉ dẫn đồ họa và văn bản hiển thị trên nền Google Maps để hướng dẫn người dùng lái xe đến vị trí bãi đỗ.

5. Điểm hạn chế chính của hệ thống nhận diện biển số trong đồ án này là gì?
Hạn chế chính là tập dữ liệu biển số xe Việt Nam còn hạn chế, dẫn đến việc mô hình đôi khi nhận diện sai đối với các loại biển số xe có màu nền đặc biệt (như biển số màu xanh) hoặc khi hình ảnh thu nhận từ camera bị nghiêng góc lớn.

---

Kết luận

Đồ án tốt nghiệp "A Jetson Xavier-Based Smart Parking" của sinh viên Trần Vĩnh Tiến và Nguyễn Thành Lộc đã thiết kế và hiện thực hóa thành công một hệ thống quản lý bãi đỗ xe thông minh hoàn chỉnh dựa trên công nghệ tính toán biên Edge AI. Bằng việc kết hợp kit nhúng NVIDIA Jetson Xavier NX với công cụ tối ưu hóa TensorRT, máy chủ Django và ứng dụng di động Flutter, hệ thống đã giải quyết hiệu quả bài toán tự động nhận diện biển số xe và giám sát trạng thái ô đỗ theo thời gian thực với tốc độ xử lý đạt từ 17 đến 26 FPS. Mặc dù cần tiếp tục mở rộng quy mô tập dữ liệu biển số xe và nâng cao độ chính xác ở các góc chụp phức tạp, công trình đã hoàn thành xuất sắc các mục tiêu đề ra và được Hội đồng chấm đồ án đánh giá cao (đạt điểm 9,0 từ giảng viên hướng dẫn và điểm 8/10 từ phản biện).

Trích đoạn nội dung tài liệu

VIETNAM NATIONAL UNIVERISTY - HO CHI MINH CITY HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY (HCMUT) FACULTY OF COMPUTER SCIENCE & TECHNOLOGY CAPSTONE PROJECT A J ETSON X AVIER - BASED SMART PARKING M AJOR : COMPUTER ENGINEERING Council: COMPUTER ENGINEERING OISP 02 Superviosrs: Assoc. Pham Quoc Cuong - HCMUT Assoc. Bang Ngoc Bao Tam - HCMUT Reviewer: Assoc. Tran Ngoc Thinh - HCMUT Authors: Tran Vinh Tien - 1952493 Nguyen Thanh Loc - 1952330 HO CHI MINH CITY - June-2023 ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc KHOA:KH & KT Máy tính ___ NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP BỘ MÔN:KHMT ___________ Chú ý: Sinh viên phải dán tờ này vào trang nhất của bản thuyết trình HỌ VÀ TÊN: - Trần Vĩnh Tiến MSSV: 1952493 Computer Engineering - Nguyễn Thành Lộc MSSV: 1952330 Computer Engineering NGÀNH: Kỹ thuật Máy tính _______________________ LỚP: MT19CLC _____________ 1.

Đầu đề đồ án: A JETSON XAVIER-BASED SMART PARKING 2. Nhiệm vụ (yêu cầu về nội dung và số liệu ban đầu): - Conduct a thorough survey on the topic of smart parking with edge devices - Propose a Jetson Xavier-based system architecture - Implement the proposed architecture on the platform - Conduct tests and evaluate the system with different dataset 3. Ngày giao nhiệm vụ luận án: 10/01/2023 4. Ngày hoàn thành nhiệm vụ: 01/6/2023 5.

Họ tên giảng viên hướng dẫn: Phần hướng dẫn: 1) PGS. Phạm Quốc Cường________________________________________________ 2) ThS. Băng Ngọc Bảo Tâm___________________________________________________ 3) __________________________________________________________________________ Nội dung và yêu cầu LVTN đã được thông qua Bộ môn. Ngày 10 tháng 01 năm 2022 CHỦ NHIỆM BỘ MÔN GIẢNG VIÊN HƯỚNG DẪN CHÍNH (Ký và ghi rõ họ tên) (Ký và ghi rõ họ tên) Phạm Quốc Cường Phạm Quốc Cường PHẦN DÀNH CHO KHOA, BỘ MÔN: Người duyệt (chấm sơ bộ):________________________ Đơn vị: _______________________________________ Ngày bảo vệ:___________________________________ Điểm tổng kết: _________________________________ Nơi lưu trữ luận án: _____________________________ TRƯỜNG ĐẠI HỌC BÁCH KHOA CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM KHOA KH & KT MÁY TÍNH Độc lập – Tự do – Hạnh phúc ---------------------------- Ngày 05 tháng 06 năm 2023 PHIẾU ĐÁNH GIÁ LUẬN VĂN/ ĐỒ ÁN TỐT NGHIỆP (Dành cho người hướng dẫn) 1.

Họ và tên - Trần Vĩnh Tiến MSSV: 1952493 Computer Engineering - Nguyễn Thành Lộc MSSV: 1952330 Computer Engineering 2. Đề tài: A JETSON XAVIER-BASED SMART PARKING 3. Họ tên người hướng dẫn: PGS. Phạm Quốc Cường – ThS.

Băng Ngọc Bảo Tâm 4. Tổng quát về bản thuyết minh: Số trang: 69 Số chương: 6 Số bảng số liệu: Số hình vẽ: 48 Số tài liệu tham khảo: 26 Phần mềm tính toán: Hiện vật (sản phẩm) 5. Những ưu điểm chính của LV/ ĐATN: -The thesis is detailed and straightforward. Moreover, the authors completely finished all of the tasks in thesis.

- The authors have a deep understanding of optimizing AI models on edge devices. - The authors also designed and built an AI system to deploy their solution in reality. Những thiếu sót chính của LV/ĐATN: - There are some minor errors in grammar and format of the thesis. - The thesis also lacks information about how the authors proposed their solution.

Thus, it is difficult to understand the intuition behind their methodology. In addition, illustrations about the results is not briefly. Đề nghị: Được bảo vệ  Bổ sung thêm để bảo vệ  Không được bảo vệ  8. Các câu hỏi SV phải trả lời trước Hội đồng: - What is novelty (tính mới) in your research? 9.

Đánh giá chung (bằng chữ: Xuất sắc, Giỏi, Khá, TB): Điểm : 9. Họ và tên SV: Nguyễn Thành Lộc MSSV: 1952330 Ngành (chuyên ngành):Kỹ thuật Máy tính Trần Vĩnh Tiến MSSV: 1952493 Ngành (chuyên ngành):Kỹ thuật Máy tính 2. Đề tài: A Jetson Xavier-based smart parking (Xây dựng hệ thống quản lý giữ xe thông minh sử dụng Jetson Xavier) 3. Họ tên người hướng dẫn/phản biện: PGS.

Trần Ngọc Thịnh 4. Tổng quát về bản thuyết minh: Số trang: 67 Số chương: 6 Số bảng số liệu: 0 Số hình vẽ: 48 Số tài liệu tham khảo: 23 Phần mềm tính toán: Hiện vật (sản phẩm) 5. Những ưu điểm chính của LV/ ĐATN:  The students proposed solutions for Parking lot detection and License plate detection in smart parking system. They also built a customer’s mobile application for booking parking lots.

 The Yolov4 AI model is used for both Parking lot detection and License plate detection. It is trained and optimized by tensorRT engine of NVIDIA.  The experiments show that the proposed system can run on a Jetson Xavier board with 21-30 frames per second and the mobile application also works well. Những thiếu sót chính của LV/ĐATN:  The dataset for Vietnam License plate detection is small.

The author should refer the previous thesis “An edge ai hardware acceleration solution for smart parking”.  The system is only applied for car parking lots in HCMUT, not for general parking lots. Đề nghị: Được bảo vệ  Bổ sung thêm để bảo vệ  Không được bảo vệ  8. Các câu hỏi SV phải trả lời trước Hội đồng: a.

How can you improve the wrong license plate detection in some cases? b. Have you compared the proposed system with previous works? 9. Đánh giá chung (bằng chữ: Xuất sắc, Giỏi, Khá, TB): Khá (fair good) Điểm : 8/10 Ký tên (ghi rõ họ tên) Trần Ngọc Thịnh P ROTESTATION We hereby declare that except where specific reference is made to the work of others, the contents of this dissertation are original and have not been submit- ted in whole or in part for any other degree or qualification in any other uni- versity. This dissertation is our own work and contains nothing which is the outcome of work done in collaboration with others, except as specified in the text and Acknowledgements.

Tran Vinh Tien Nguyen Thanh Loc Ho Chi Minh City, June 2023 iii A CKNOWLEDGMENT As with any great endeavor, this thesis would not have been possible to com- plete without helpp and support of many others. First of all, we would like to send our greatest gratitude to Assoc. Pham Quoc Cuong and M. Bang Ngoc Bao Tam for having dedicated their time and effort to teach and guide us during whole time we were working on this thesis.

Also, we would like to thank all the teachers of Ho Chi Minh City University of Technology and Faculty of Computer Science and Engineering, whom have taught us many valuable and significant lessons, knowledge and experiences during our time studying in the university. Last but not least, we thank all of our beloved families and friends for always supporting us. v A BSTRACT Thanks to technological blessings and scientific advancement, many plans anf projects aiming at building and improving Smart Cities have been developing at a rapid rate. Along with this and the need to accelerate automation, mini- mize manual labor, wasted resource and time, Smart Parking has been a hotly researched and implemented subject.

As one of the newly emerging and dis- rupting technology, IoT (Internet of Things) is being utilized in many aspect of implementing a Smart Parking system. First of all, AI (Artificial Intelligence) can be applied to implement object detection for detecting vehicles and image classification for license plate recognition. Another point is, the rapid develop- ment of hardware technology, especially embedded computing hardware such as NVIDIA Jetson series, can reduce and possibly implement the real-time sys- tem with out performance not only on speed but also on accuracy. We will de- velop a mobile application for customer and a website for owners and admins for easily interact with out system.

The mobile application has been written on Flutter for booking and other features purpose and the Django Python frame- work will be used for website and server for management purpose. We collect real time data from hardware and update if any specific event has come and up- date to server. The specific event can be the real-time event in parking space or a trigger signal from higher abstract levels. Data flow between screen - screen and application - server has been transferred with JSON file type.

An API server will be used to handle the HTTP request and SQLlite3 will be applied as our database implementation. The server will be completely tested and deployed on a local machine. We leverage the use of edge computing and artificial intel- ligence (AI) to deploy a Deep Neural Network (DNN) algorithms for ojbect de- tection and Convolutional Neural Network (CNN) for image classification into NVIDIA Jetson Xavier NX Developer Kit for identifying parking occupancy and user’s license plates in real-time and updating the results to their server. Our work reach the FPS of 31 in the inference phase and around 17 to 26 FPS for fully handling a single frame.

vii C ONTENTS Protestation iii Acknowledgment v Abstract vii List of Figures xiii 1 Introduction 1 1.1 Edge computing development.3 API and database server development. 3 2 Background and Related work 5 2.1 Related Work In Smart Parking System Approaches .1 Parking space management .2 Technologies using in Our Smart Parking System .3 ml, dl and nn .5 Some solutions for reference .4 NVIDIA Jetson Xavier NX Developer Kit .1 What and why is NVIDIA Jetson Platform.2 NVIDIA Jetson Xavier NX Developer Kit. 14 ix x C ONTENTS 3 Methodology 17 3.1 Problem Statement Review .2 General flow of system .1 Customer’s mobile application Workflow .2 Edge device workflow .1 License plate recognition .2 Parking lot occupancy detection .3 Cloud-based Server for parking .2 Create parking spaces .1 License plate recognition .2 Parking lot occupancy detection .3 Check parking lot status .3 Database and end point server implementation .2 Back-end implementation. 35 5 Result and Evalation 41 5.2 Server implementation result and testing .1 APIs response time testing .2 APIs reliability testing .2 Sign up feature .4 Full system test and result .1 Testcase 1: Parking Space Detection of Empty Spaces .2 Testcase 2: Parking Space Detection of Occupied Spaces .3 Testcase 3: License Plate Recognization Check in .4 Testcase 4: License Plate Recognization Check out .5 Testcase 5: Creating Booking .6 Testcase 6: Completing Booking.7 Testcase : Edge device stability/connection consistency test .1 Edge AI detection .2 back-end server.

66 References 69 L IST OF F IGURES 2.1 Edge Computing Infrastructure.2 CUDA support FPS performance comparison.3 Optimized models and State of the art models accuracy compari- son.4 NVIDIA Jetson Xavier NX Developer Kit.1 Mobile application workflow illustration.2 Smart Parking System Architecture.3 License Plate Recognition Module Architecture.4 Parking Lot Occupancy Detection Module Architecture.5 Server Role in Smart Parking System Architecture.6 Android application general work flow .1 Setup configuration on Edge device .2 Creating bounding boxes of parking slots .3 Activity diagram of license plate recognition task.4 Gray scale image.5 Processed license plate image.8 API documentation schema .9 API documentation demo fetch parking lot by id .10 Software system architecture .11 General use case diagram for Spark smart parking system .12 General use case diagram for Spark smart parking system .13 General use case diagram for Spark smart parking system .14 General usecase diagram for Spark smart parking system .15 General use case diagram for Spark smart parking system .16 General use case diagram for Spark smart parking system .1 Configuration for training.2 Different architecture comparison result.3 Configuration for training.4 Accuracy performance before optimizing. 43 xiii xiv L IST OF F IGURES 5.5 Accuracy performance after optimizing.6 Speed performance before optimizing.7 Speed performance after optimizing.8 Accuracy performance after optimizing.9 Configuration power mode.10 Some results for LPR module.11 Error result in blue color license plate.13 Test result with slanted angle.12 Test result with straight angle.14 Create booking histogram .15 Update Booking status .16 Change booking status .