Khám Phá Mô Hình Bãi Giữ Xe Thông Minh Tại HCMUTE

Tài liệu nghiên cứu Hcmute điều khiển mô hình bãi giữ xe thông minh, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về .

• Tác giả: Nguyễn Minh Nhật
• Người hướng dẫn: Ths. Nguyễn Trần Minh Nguyệt
• Trường học: Trường Đại Học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh
• Chuyên ngành: Công Nghệ Kỹ Thuật Điều Khiển Và Tự Động Hóa
• Đề tài: Điều Khiển Mô Hình Bãi Giữ Xe Thông Minh
• Loại tài liệu: luận văn
• Năm xuất bản: 2021
• Địa điểm: Thành Phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CƠ SỞ LÝ THUYẾT
• 1.1. Tổng quát xử lý ảnh
• 1.2. Không gian màu
• 1.3. Cân bằng biểu đồ
• 1.4. Phép phân ngưỡng
• 1.5. Lọc mịn ảnh
• 1.6. Phép cắt biên
• 1.7. Phép nối đường bao
• 1.8. Nhận diện biển số
• 1.8.1. Phát hiện biển số
• 1.8.2. Phát hiện biển số sử dụng các thuật toán xử lý ảnh
• 1.8.3. Phát hiện biển số sử dụng mạng thần kinh YOLO
• 1.9. Trích xuất ký tự
• 1.10. Nhận diện ký tự
• 1.11. Nhận diện khuôn mặt
• 1.11.1. Định nghĩa Haar Cascade
• 1.11.2. Lựa chọn đặc trưng Haar
• 1.11.3. Tạo ảnh tích hợp
• 1.11.4. Bộ phân loại AdaBoost
• 1.11.5. Phân loại Cascade
• 1.12. Kết cấu bãi giữ xe
• 1.12.1. Giới thiệu chung
• 1.12.2. Sơ lược về công nghệ RFID
• 1.12.3. Các thành phần của hệ thống RFID
• 1.12.4. Hoạt động của hệ thống RFID
• 1.12.5. Nguyên lý hoạt động
• 1.12.6. Các dải tần số trong RFID
• 1.12.7. Ứng dụng công nghệ RFID ở Việt Nam và thế giới
• 1.12.8. Công nghệ BARCODE và RFID
• 1.12.9. Module RFID RC522
• 1.12.10. Sơ lược các giao thức truyền dữ liệu của RFID
• 1.12.11. Hoạt động của Module
• 1.12.12. Vùng dữ liệu
• 2. CHƯƠNG 2: PHẦN CỨNG
• 2.1. Thanh ghi dịch 74HC595
• 2.2. Thanh ghi dịch MBI5026
• 2.3. Cảm biến siêu âm HC-SR04
• 2.4. MODULE RFID MFRC522
• 2.4.1. Thông số chính
• 2.4.2. Module RFID và Arduino
• 3. CHƯƠNG 3: KẾT QUẢ NGHIÊN CỨU, ÁP DỤNG THỰC TIỄN VÀ NHỮNG ĐIỀU CẦN LƯU Ý
• 3.1. Phần nhận diện biển số
• 3.1.1. Giai đoạn 1: Phân tách biển số
• 3.1.2. Giai đoạn 2: Trích xuất ký tự
• 3.1.3. Giai đoạn 3: Nhận diện ký tự
• 3.2. Nhận diện khuôn mặt
• 3.3. Khởi tạo dữ liệu học có giám sát
• 3.4. Tiến hành chạy thử
• 3.5. Kết quả và đánh giá
• KẾT LUẬN VÀ PHƯƠNG HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO
• MINH CHỨNG SẢN PHẨM ĐỀ TÀI: BÀI BÁO KHOA HỌC

Tóm tắt

I. Mô Hình Bãi Giữ Xe Thông Minh Tổng Quan

Đề tài Điều khiển Mô hình Bãi Giữ Xe Thông minh tại HCMUTE tập trung vào việc thiết kế và triển khai một hệ thống bãi giữ xe tự động, nhằm tối ưu hóa quản lý, tăng hiệu quả và giảm thiểu nhân công. Mô hình bãi giữ xe thông minh này ứng dụng các công nghệ hiện đại như nhận diện biển số, nhận diện khuôn mặt, và hệ thống RFID để quản lý việc ra vào của phương tiện. Mục tiêu chính là tạo ra một giải pháp giải pháp bãi giữ xe thông minh hiệu quả, nhanh chóng và an toàn. Đề tài đánh giá cao sự kết hợp giữa các thuật toán xử lý ảnh truyền thống và các mô hình mạng thần kinh như YOLO để đạt được độ chính xác cao trong nhận diện biển số. Việc sử dụng thẻ từ và hệ thống RFID góp phần đảm bảo an ninh và quản lý thông tin người dùng hiệu quả. Quản lý bãi giữ xe thông minh HCMUTE được đề cập như một ví dụ ứng dụng thực tiễn của mô hình này.

1.1. Lý do Chọn Đề Tài và Tầm Quan Trọng

Sự phát triển nhanh chóng của công nghệ, đặc biệt là trí tuệ nhân tạo và học máy, tạo điều kiện cho việc ứng dụng các giải pháp thông minh vào nhiều lĩnh vực. Đề tài này xuất phát từ thực tế việc sử dụng nhiều nhân công trong quản lý bãi giữ xe truyền thống, gây lãng phí nguồn lực. Mô hình bãi giữ xe thông minh tại HCMUTE hướng đến giải quyết vấn đề này bằng cách tự động hóa các quy trình. Việc áp dụng công nghệ bãi giữ xe thông minh sẽ tăng hiệu quả quản lý, giảm chi phí nhân công, và nâng cao tính an ninh. Tầm quan trọng của đề tài nằm ở việc ứng dụng công nghệ thông minh để giải quyết vấn đề thực tiễn, đóng góp vào việc tối ưu hóa nguồn lực và nâng cao chất lượng dịch vụ. Số lượng phương tiện cá nhân gia tăng nhanh chóng tạo áp lực lên các bãi giữ xe, đòi hỏi một giải pháp quản lý bãi giữ xe hiệu quả hơn. Hệ thống bãi giữ xe thông minh được kỳ vọng sẽ giải quyết vấn đề này một cách hiệu quả, giảm ùn tắc và nâng cao trải nghiệm người dùng.

1.2. Mục tiêu Giới hạn và Phương pháp Nghiên Cứu

Mục tiêu chính của đề tài là thiết kế và thi công mô hình bãi giữ xe thông minh. Mô hình này cần đảm bảo tốc độ xử lý nhanh, độ chính xác cao, và tính tiện ích cho người dùng. Thiết kế bãi giữ xe thông minh bao gồm việc tích hợp các module nhận diện biển số, nhận diện khuôn mặt, và hệ thống RFID. Phần mềm quản lý bãi giữ xe thông minh là một phần quan trọng của hệ thống. Đề tài đặt ra một số giới hạn như quy mô bãi giữ xe (hai tầng, 32 chỗ), loại phương tiện (ô tô), và số lượng camera. Phương pháp nghiên cứu kết hợp giữa phân tích lý thuyết và thực nghiệm. Nhóm nghiên cứu áp dụng các thuật toán xử lý ảnh, mạng thần kinh YOLO, và thuật toán SVM cho việc nhận diện. Việc sử dụng thư viện OpenCV và ngôn ngữ lập trình Python hỗ trợ quá trình triển khai. Mô hình hóa 3D bằng Blender giúp trực quan hóa và tối ưu thiết kế.

II. Công Nghệ và Thuật Toán Áp Dụng

Đề tài ứng dụng nhiều công nghệ bãi giữ xe thông minh, bao gồm công nghệ RFID, xử lý ảnh, và trí tuệ nhân tạo. Hệ thống RFID được dùng để quản lý thẻ từ của người dùng. Xử lý ảnh được sử dụng để nhận diện biển số xe, bao gồm các bước như phân tách biển số, trích xuất ký tự, và nhận diện ký tự. Mạng thần kinh YOLO được áp dụng để tăng tốc độ và độ chính xác trong nhận diện biển số. Thuật toán SVM được sử dụng cho việc nhận diện khuôn mặt. Việc kết hợp các thuật toán này cho phép hệ thống hoạt động hiệu quả và chính xác. Cảm biến siêu âm có thể được sử dụng để phát hiện vị trí trống trong bãi xe. Phần mềm quản lý bãi giữ xe thông minh đóng vai trò trung tâm trong việc tích hợp và điều khiển các thành phần của hệ thống.

2.1. Nhận Diện Biển Số và Khuôn Mặt

Nhận diện biển số là một phần quan trọng của hệ thống. Đề tài so sánh hai phương pháp: sử dụng thuật toán xử lý ảnh truyền thống và mạng thần kinh YOLO. Phương pháp truyền thống bao gồm các bước xám hóa ảnh, lọc mịn ảnh, phân ngưỡng, cắt biên, và trích xuất ký tự. Mạng thần kinh YOLO mang lại tốc độ và độ chính xác cao hơn. Nhận diện khuôn mặt được thực hiện bằng thuật toán SVM, sử dụng dữ liệu học có giám sát. Việc lựa chọn thuật toán phù hợp phụ thuộc vào yêu cầu về tốc độ và độ chính xác của hệ thống. An ninh bãi giữ xe thông minh được cải thiện nhờ khả năng nhận diện biển số và khuôn mặt. Việc tích hợp hai phương pháp này giúp tăng độ tin cậy của hệ thống.

2.2. Hệ Thống RFID và Quản Lý Dữ Liệu

Hệ thống RFID đóng vai trò quan trọng trong việc quản lý thẻ từ của người dùng. Mỗi thẻ từ chứa thông tin mã hóa của người dùng. Khi người dùng muốn ra vào, thẻ từ được quẹt qua đầu đọc. Hệ thống sẽ đọc thông tin trên thẻ và so sánh với dữ liệu trong cơ sở dữ liệu. Phần mềm quản lý bãi giữ xe thông minh quản lý và lưu trữ dữ liệu về người dùng, phương tiện, và lịch sử giao dịch. Dữ liệu bãi giữ xe thông minh được bảo mật và được sử dụng để tạo báo cáo thống kê. Thanh toán bãi giữ xe thông minh có thể được tích hợp vào hệ thống. An toàn bãi giữ xe thông minh HCMUTE được đảm bảo bởi hệ thống quản lý dữ liệu an toàn và chính xác.

III. Kết Quả Ứng Dụng Thực Tiễn và Phát Triển

Đề tài đã thành công trong việc triển khai mô hình bãi giữ xe thông minh. Kết quả cho thấy hệ thống hoạt động hiệu quả với tốc độ xử lý nhanh và độ chính xác cao. Ứng dụng thực tiễn của mô hình này rất rộng rãi, từ các bãi giữ xe nhỏ đến các bãi giữ xe lớn. Tiết kiệm chi phí là một lợi ích đáng kể của hệ thống. Tăng hiệu quả quản lý và nâng cao an ninh là những điểm mạnh khác. Đề tài cũng đề xuất các hướng phát triển trong tương lai, chẳng hạn như tích hợp thêm tính năng giám sát camera, nhận diện xe máy, và mở rộng quy mô hệ thống. Nâng cấp bãi giữ xe HCMUTE bằng hệ thống này là một ví dụ cụ thể. Mô hình kinh doanh bãi giữ xe thông minh cũng có thể được phát triển dựa trên hệ thống này.

3.1. Đánh Giá Hiệu Quả và Ứng Dụng Thực Tiễn

Mô hình đã được thử nghiệm và cho thấy hiệu quả trong việc tự động hóa quy trình quản lý bãi giữ xe. Hệ thống hoạt động nhanh chóng và chính xác, giảm thiểu thời gian chờ đợi cho người dùng. Tối ưu hóa nguồn nhân lực là một lợi ích quan trọng. Mô hình có thể được áp dụng cho nhiều loại bãi giữ xe khác nhau, từ quy mô nhỏ đến lớn. Việc tích hợp với các hệ thống khác như hệ thống thanh toán điện tử cũng là khả thi. Phát triển bền vững của mô hình này phụ thuộc vào việc cập nhật công nghệ và bảo trì hệ thống. Chi phí triển khai cần được cân nhắc kỹ lưỡng. Lợi ích của bãi giữ xe thông minh là rõ ràng và đáng kể.

3.2. Hướng Phát Triển Tương Lai và Kết Luận

Đề tài mở ra nhiều hướng phát triển trong tương lai. Việc tích hợp thêm camera giám sát toàn diện trong bãi giữ xe sẽ nâng cao an ninh và quản lý. Nhận diện biển số xe máy có thể được thêm vào để mở rộng phạm vi ứng dụng. Mở rộng quy mô hệ thống để phục vụ số lượng lớn phương tiện cũng là một hướng phát triển quan trọng. Tích hợp với các ứng dụng di động sẽ mang lại tiện ích lớn cho người dùng. Việc nghiên cứu các thuật toán thông minh hơn sẽ nâng cao độ chính xác và hiệu quả của hệ thống. Kết luận, đề tài đã chứng minh được khả năng áp dụng của công nghệ thông minh trong quản lý bãi giữ xe. Đây là một bước tiến quan trọng trong việc hiện đại hóa các dịch vụ công cộng.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh phát triển nhanh chóng của công nghệ kỹ thuật, đặc biệt là lĩnh vực học máy và trí tuệ nhân tạo, việc ứng dụng các giải pháp tự động hóa trong quản lý bãi giữ xe trở nên cấp thiết. Tại Việt Nam, sự gia tăng nhanh chóng số lượng phương tiện cá nhân đã tạo áp lực lớn lên các bãi giữ xe, đặc biệt ở các khu vực trung tâm thành phố. Theo ước tính, việc quản lý thủ công bãi giữ xe không chỉ gây tốn kém nhân lực mà còn làm giảm hiệu quả vận hành, dẫn đến tình trạng ùn tắc và thất thoát tài sản. Đề tài "Điều Khiển Mô Hình Bãi Giữ Xe Thông Minh" được thực hiện nhằm thiết kế và thi công mô hình bãi giữ xe tự động với tổng thời gian xử lý dưới 5 giây cho mỗi lượt xe ra/vào, đảm bảo độ chính xác cao và tiện ích cho người sử dụng. Nghiên cứu tập trung vào bãi giữ xe ô tô với sức chứa 32 xe, được chia thành hai tầng, áp dụng các thuật toán nhận diện biển số xe, nhận diện khuôn mặt và mã hóa thông tin người dùng qua thẻ từ. Mô hình này không chỉ góp phần giảm thiểu nhân công mà còn nâng cao tính bảo mật và minh bạch trong quản lý bãi giữ xe. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc ứng dụng công nghệ thông tin và tự động hóa vào thực tiễn, đồng thời hỗ trợ đào tạo sinh viên ngành Công nghệ kỹ thuật điều khiển và tự động hóa thông qua việc kết hợp các thuật toán kinh điển và hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên các lý thuyết và mô hình sau:

• Xử lý ảnh kỹ thuật số: Bao gồm các khái niệm về không gian màu (RGB, HSV), cân bằng biểu đồ, phân ngưỡng ảnh, lọc mịn ảnh, cắt biên và nối đường bao. Các kỹ thuật này giúp tiền xử lý ảnh để nhận diện chính xác biển số và khuôn mặt.
• Mạng thần kinh nhân tạo YOLO (You Only Look Once): Mô hình nhận diện vật thể theo thời gian thực với cấu trúc gồm 24 lớp chập và 2 lớp kết nối toàn phần, cho phép phát hiện nhanh và chính xác biển số xe trong ảnh.
• Thuật toán SVM (Support Vector Machine): Thuật toán phân loại kinh điển được sử dụng để nhận diện ký tự trên biển số xe, tạo siêu phẳng phân chia các lớp ký tự với độ chính xác cao.
• Thuật toán Haar Cascade và AdaBoost: Áp dụng trong nhận diện khuôn mặt, sử dụng các đặc trưng Haar để phát hiện vùng khuôn mặt và bộ phân loại AdaBoost để tăng cường độ chính xác qua nhiều tầng phân loại.
• Công nghệ RFID (Radio Frequency Identification): Sử dụng sóng vô tuyến để mã hóa và lưu trữ thông tin người dùng trên thẻ từ, hỗ trợ kiểm soát ra vào bãi giữ xe tự động.

Phương pháp nghiên cứu

Nghiên cứu được thực hiện theo phương pháp phân tích và tổng hợp lý thuyết, kết hợp thực nghiệm mô hình bãi giữ xe thông minh. Cụ thể:

• Nguồn dữ liệu: Thu thập dữ liệu ảnh biển số xe ô tô và khuôn mặt người dùng, cùng với dữ liệu thẻ từ RFID. Dữ liệu được xử lý và gán nhãn bằng phần mềm Labelimg để huấn luyện mô hình YOLO và SVM.
• Phương pháp chọn mẫu: Lựa chọn các ảnh biển số xe phổ biến tại Việt Nam với nền trắng và chữ đen, phù hợp với quy định Thông tư 58/2020/TT-BCA. Mẫu khuôn mặt được thu thập đa dạng để đảm bảo độ chính xác nhận diện.
• Phương pháp phân tích: Áp dụng các thuật toán xử lý ảnh trong thư viện OpenCV, lập trình bằng Python để xây dựng và huấn luyện mô hình nhận diện biển số và khuôn mặt. Mô hình RFID được tích hợp để mã hóa và lưu trữ thông tin người dùng.
• Timeline nghiên cứu: Quá trình nghiên cứu kéo dài trong năm học cuối của sinh viên, từ việc thu thập dữ liệu, phát triển thuật toán, xây dựng mô hình phần cứng, đến thử nghiệm và đánh giá kết quả.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả nhận diện biển số xe: Mô hình YOLO đạt độ chính xác nhận diện biển số xe ô tô trên 90% với thời gian xử lý trung bình dưới 3 giây cho mỗi ảnh. So với phương pháp xử lý ảnh truyền thống, YOLO cải thiện độ chính xác lên khoảng 25% và giảm thời gian xử lý gần 50%.

2. Nhận diện ký tự trên biển số: Thuật toán SVM cho kết quả nhận diện ký tự với độ chính xác khoảng 88%, đảm bảo dịch đúng trình tự các ký tự trên biển số. Tỷ lệ lỗi ký tự giảm 15% so với các phương pháp nhận diện ký tự đơn giản.

3. Nhận diện khuôn mặt: Thuật toán Haar Cascade kết hợp AdaBoost nhận diện khuôn mặt với độ chính xác trên 85% trong điều kiện ánh sáng đầy đủ, thời gian xử lý dưới 2 giây. Trong điều kiện thiếu sáng, độ chính xác giảm khoảng 10%, cho thấy cần cải thiện thêm về phần cứng camera.

4. Tích hợp công nghệ RFID: Hệ thống mã hóa và lưu trữ thông tin người dùng qua thẻ từ hoạt động ổn định, giúp giảm thiểu thất thoát và tăng tính bảo mật. Thời gian xác thực thẻ từ dưới 1 giây, góp phần duy trì tốc độ ra/vào xe nhanh chóng.

Thảo luận kết quả

Kết quả nghiên cứu cho thấy việc kết hợp các thuật toán xử lý ảnh hiện đại và công nghệ RFID có thể xây dựng hệ thống bãi giữ xe thông minh với hiệu suất cao. Mô hình YOLO vượt trội về tốc độ và độ chính xác so với các mô hình nhận diện vật thể truyền thống như SSD hay R-CNN, phù hợp với yêu cầu xử lý theo thời gian thực trong bãi giữ xe. Thuật toán SVM vẫn giữ vai trò quan trọng trong nhận diện ký tự nhờ khả năng phân loại chính xác trong không gian nhiều chiều. Việc áp dụng Haar Cascade và AdaBoost trong nhận diện khuôn mặt giúp hệ thống kiểm soát người ra vào hiệu quả, tuy nhiên cần cải thiện điều kiện ánh sáng để nâng cao độ chính xác. Công nghệ RFID được lựa chọn nhờ tính bảo mật cao và chi phí hợp lý, phù hợp với quy mô mô hình nghiên cứu. Các biểu đồ so sánh độ chính xác và thời gian xử lý giữa các thuật toán được trình bày rõ ràng trong báo cáo, minh họa sự ưu việt của giải pháp đề xuất. So với các nghiên cứu tương tự trong ngành, mô hình này có tính ứng dụng thực tiễn cao, đặc biệt trong các bãi giữ xe quy mô nhỏ và vừa tại Việt Nam.

Đề xuất và khuyến nghị

1. Triển khai hệ thống camera chất lượng cao: Nâng cấp camera có khả năng hoạt động tốt trong điều kiện thiếu sáng để cải thiện độ chính xác nhận diện khuôn mặt và biển số, nhằm duy trì hiệu suất trên 90%. Thời gian thực hiện: 6 tháng; Chủ thể: Ban quản lý bãi giữ xe và nhà cung cấp thiết bị.

2. Mở rộng quy mô bãi giữ xe thông minh: Áp dụng mô hình cho các bãi giữ xe có sức chứa lớn hơn 50 xe, đồng thời tích hợp thêm camera giám sát nội bộ để tăng cường an ninh. Thời gian thực hiện: 1 năm; Chủ thể: Các doanh nghiệp quản lý bãi giữ xe.

3. Phát triển phần mềm quản lý dữ liệu tập trung: Xây dựng hệ thống phần mềm trung gian để quản lý dữ liệu biển số, khuôn mặt và thẻ từ, hỗ trợ phân tích và báo cáo theo thời gian thực. Thời gian thực hiện: 9 tháng; Chủ thể: Đơn vị phát triển phần mềm và nhà quản lý bãi giữ xe.

4. Đào tạo nhân viên vận hành và bảo trì: Tổ chức các khóa đào tạo chuyên sâu về vận hành hệ thống tự động và bảo trì thiết bị nhằm đảm bảo hệ thống hoạt động ổn định lâu dài. Thời gian thực hiện: Liên tục; Chủ thể: Trường đại học và các đơn vị quản lý bãi giữ xe.

Đối tượng nên tham khảo luận văn

1. Sinh viên ngành Công nghệ kỹ thuật điều khiển và tự động hóa: Nghiên cứu giúp hiểu rõ về ứng dụng thực tế các thuật toán xử lý ảnh, mạng thần kinh và công nghệ RFID trong hệ thống tự động hóa.

2. Nhà quản lý bãi giữ xe và doanh nghiệp vận hành bãi xe: Tham khảo giải pháp nâng cao hiệu quả quản lý, giảm chi phí nhân công và tăng tính bảo mật trong vận hành bãi giữ xe.

3. Chuyên gia phát triển phần mềm và hệ thống tự động hóa: Áp dụng các thuật toán và mô hình nghiên cứu để phát triển các sản phẩm công nghệ mới trong lĩnh vực quản lý bãi giữ xe và an ninh.

4. Cơ quan quản lý giao thông và đô thị: Sử dụng kết quả nghiên cứu để xây dựng các chính sách và quy chuẩn kỹ thuật cho hệ thống bãi giữ xe thông minh, góp phần giảm ùn tắc giao thông và nâng cao chất lượng dịch vụ công cộng.

Câu hỏi thường gặp

1. Mô hình bãi giữ xe thông minh này có thể áp dụng cho xe máy không?
   Hiện tại, mô hình được thiết kế và huấn luyện chủ yếu cho biển số ô tô với tỷ lệ chiều dài-rộng đặc trưng. Việc áp dụng cho xe máy gặp khó khăn do kích thước và kiểu dáng biển số khác biệt, cần huấn luyện thêm dữ liệu chuyên biệt.

2. Thời gian xử lý trung bình cho một lượt xe ra/vào là bao lâu?
   Thời gian xử lý trung bình cho một lượt xe ra hoặc vào bãi giữ xe, bao gồm nhận diện biển số, khuôn mặt và xác thực thẻ từ, nằm trong khoảng dưới 5 giây, đáp ứng yêu cầu vận hành thực tế.

3. Hệ thống có đảm bảo an ninh và tránh thất thoát tài sản không?
   Việc tích hợp nhận diện khuôn mặt, biển số xe và mã hóa thông tin qua thẻ từ giúp tăng cường bảo mật, giảm thiểu thất thoát do sai sót hoặc gian lận của con người.

4. Chi phí đầu tư cho hệ thống này có cao không?
   Hệ thống sử dụng các thiết bị điện tử có giá trị kinh tế hợp lý, phù hợp với quy mô bãi giữ xe nhỏ và vừa. Chi phí có thể tăng nếu mở rộng quy mô hoặc nâng cấp phần cứng.

5. Có thể mở rộng mô hình cho các bãi giữ xe lớn hơn không?
   Có thể, tuy nhiên cần bổ sung thêm camera, cảm biến và nâng cấp phần mềm quản lý để đảm bảo hiệu suất và độ chính xác khi số lượng xe tăng lên.

Kết luận

• Đề tài đã thiết kế và xây dựng thành công mô hình bãi giữ xe thông minh với khả năng nhận diện biển số xe, khuôn mặt và mã hóa thông tin người dùng qua thẻ từ.
• Mô hình đạt độ chính xác nhận diện trên 85% và thời gian xử lý dưới 5 giây cho mỗi lượt xe ra/vào, phù hợp với yêu cầu vận hành thực tế.
• Kết quả nghiên cứu góp phần nâng cao hiệu quả quản lý bãi giữ xe, giảm thiểu nhân công và tăng tính bảo mật, đồng thời hỗ trợ đào tạo sinh viên ngành tự động hóa.
• Đề xuất mở rộng quy mô, nâng cấp phần cứng và phát triển phần mềm quản lý để ứng dụng rộng rãi hơn trong thực tế.
• Khuyến khích các đơn vị quản lý bãi giữ xe và nhà nghiên cứu tiếp tục phát triển, hoàn thiện hệ thống nhằm đáp ứng nhu cầu ngày càng tăng của xã hội.

Hãy bắt đầu áp dụng các giải pháp tự động hóa trong quản lý bãi giữ xe để nâng cao hiệu quả và trải nghiệm người dùng ngay hôm nay!

Trích đoạn nội dung tài liệu

Chương 1: Cơ sở lý thuyết 1. Tổng quát xử lý ảnh Trong lĩnh vực thị giác máy tính, nhóm kiến thức sau về cấu tạo ảnh cũng như tiền xử lý ảnh là vô cùng quan trọng để phát triển thuật toán. Trong đó, các phép toán được chia thành từng cấp độ, từ việc cơ bản như lọc nhiễu, làm sắc nét, cân bằng sáng cho đến việc phân đoạn ảnh giúp nắm bắt được cái bên ngoài, cái vỏ bọc của vật thể, và cuối cùng là nắm bắt được cái bên trong, phần nội dùng của vật thể. Hình 1: So sánh các mức của xử lý ảnh 1.

Không gian màu Đối với phương pháp xử lý ảnh, người lập trình cần có kiến thức về các thành phần cơ bản cấu thành điểm ảnh cũng như không gian màu – được hiểu như một cách số hóa màu sắc. Như ta đã biết, hình ảnh mà các thiết bị kỹ thuật số hiển thị cho chúng ta thấy được là do sự kết hợp giữa các kênh màu. Trong đó, chúng ta không thể không kể đến một hệ màu thông dụng là RGB (Red, Green, và Blue) với mỗi kênh màu có cường độ từ 0 bit đến 8 bit (giá trị từ 0 đến 255) tạo thành một ma trận 3 chiều. Hình 1 cho thấy một bức ảnh màu được cấu tạo từ 3 ma trận 5x5 tương ứng với màu đỏ, màu xanh lá, và màu xanh dương.

Sự kết hợp này tạo ra độ đa dạng cho màu sắc trong kỹ thuật số khi một điểm ảnh sẽ mang dải giá trị từ 0 đến 2563-1 ứng với 16.216 màu có thể hiển thị. Tuy nhiên, không phải lúc nào sự đa dạng cũng mang đến tính tiện lợi cho con người. Đối với các màn hình bị giới hạn về độ sâu của màu sắc, chúng chỉ có thể hiển thị 216 màu RGB tương ứng với 6 giá trị màu cho mỗi kênh theo hệ thập lục phân: #00, #33, #66, #99, 18 Luan van #CC, và #FF. Hình 2 bên dưới trình bày cách kết hợp màu sắc giữa kênh xanh dương với kênh đỏ (trục tung) và kênh xanh lá (trục hoành) theo mô hình Netscape Color Cube.

Hình 2: Minh họa hệ màu RGB Hình 3: Mô hình Netscape Color Cube hiển thị qua kênh xanh dương 19 Luan van Tuy nhiên, với sự phát triển vượt bậc về công nghệ hiển thị, giờ đây việc hiển thị đầy đủ giá trị màu của kênh RGB với 24 bit mỗi điểm ảnh (24bpp) không còn là vấn đề quá lớn. Thậm chí, các màn hình với công nghệ tiên tiến hiện nay có thể hiển thị với độ sâu lên đến 48bpp (16bit mỗi kênh), mang đến khả năng hiển thị hơn 68 tỷ màu. Thế nhưng, hệ màu RGB không đóng vai trò quá trọng tâm trong các bài toán về thị giác máy tính, ngay cả với các bài toán có liên quan đến việc nhận diện vật thể dựa trên màu sắc. Việc này đến từ tính phức tạp trong cách tính toán cũng như việc hệ RGB chú trọng việc diễn đạt màu sắc kỹ thuật số cho con người, điều này thiếu sự đồng nhất và bị ảnh hưởng bởi những thứ không thể điều khiển như cấu trúc vật thể hay ánh sáng.

Cùng một bức ảnh với hệ màu RGB, hình ảnh con người nhìn thấy đôi khi lại rất khác so với thứ mà các bộ vi xử lý có khả năng nhìn thấy và hiểu được. Thay vào đó, một số hệ màu khác có cấu tạo tách biệt phần ánh sáng và được định nghĩa gần gũi hơn với thường thức của con người sẽ được sử dụng, tiêu biểu là các hệ màu như LAB, HSV, YCbCr,. Lấy ví dụ, màu sắc trong hệ HSV có thể được nhận biết qua “hình 4”. Hình 4: Vùng màu trong hệ HSV Trục hoành tương ứng với giá trị H-Hue–Màu sắc.

Khi Hue tăng dần từ 0 đến 180, màu sắc hiển thị sẽ tương ứng với sự giảm dần của bước sóng từ màu đỏ cho đến màu tím. Vùng (1) trong “hình 4” (phía trên trục hoành) là khu vực mà giá trị S-Saturation - Bão hòa chưa đạt ngưỡng tối đa. Độ bão hòa đặc trưng cho độ đậm nhạt của màu sắc, S càng thấp sẽ cho ra màu sắc càng nhạt và ngược lại. Vùng (2) trong “hình 4” (phía dưới 20 Luan van trục hoành) là khu vực mà giá trị bão hòa đã đạt ngưỡng, màu sắc không thay đổi khi chúng ta tiếp tục tăng giá trị bão hòa.

Trong hình, con số V-Value–Giá trị (vì không được chuẩn hóa nên đôi khi còn được gọi là I-Intensity-Độ sâu, L-Lightness-Độ sáng hay B-Brightness-Độ chói tạo thành hệ màu HIS hay HSB với cùng ý nghĩa). Trong hình trên, giá trị luôn được đặt ở mức ngưỡng là 255 tại mọi điểm để mang lại cái nhìn chân thực nhất về màu sắc, nếu giá trị quá thấp, màu sắc sẽ hoàn toàn bị phủ đen. Một cách hiểu khác, giá trị là sự kết hợp giữa màu sắc với màu trắng, khi được thay đổi, giá trị càng thấp thì ảnh hiển thị ra càng tối. Ngoài tính dễ hiểu, việc tách biệt các giá trị về màu sắc, sắc độ cũng như cường độ sáng còn mang lại lợi ích trong các thuật toán tiền xử lý ảnh.

Lấy ví dụ, trong phép cân bằng biểu đồ, nếu không tách biệt màu sắc khỏi cường độ sáng, việc cân bằng sẽ mang lại kết quả rất khác so với mong đợi. Một ví dụ thực tế khác, trong việc nhận diện biển báo giao thông, điều kiện ánh sáng như chói sáng hoặc nhiễu đổ bóng dễ làm phần mềm không nhận diện được các biển báo do phần cạnh cần thiết để nhận diện bị chìm trong nhiễu. Như vậy, việc tách biệt bóng hay các phần ảnh bị chói sẽ gia tăng độ chính xác và tính hiệu quả của mô hình nhận diện liên quan đến màu sắc. Tạo ảnh xám Đây là một trong những phương pháp được sử dụng phổ biến trong quá trình tiền xử lý.

Tương tự với giá trị Brightness, Lightness, hay Value trong các hệ màu HSB, HSL, hay HSV, giá trị của hệ màu xám trình bày đặc điểm về cường độ sáng của điểm ảnh. Giá trị của các điểm ảnh trong hệ màu xám được xác định từ 0 (màu đen) đến 255 (màu trắng), từ 1 đến 254 là các sắc độ từ xám đậm đến xám nhạt. “Hình 5” minh họa quá trình chuyển đổi từ ảnh màu sang ảnh xám. Hình 5: Phép chuyển đổi ảnh xám 21 Luan van Như chúng ta thấy, phép chuyển đổi từ ảnh màu sang ảnh xám giữ nguyên tính chất ảnh về các cấu trúc, chiều sâu, và ánh sáng, trừ yếu tố màu sắc.

Việc chuyển đổi hình ảnh thành hệ màu xám để sử dụng trong quá trình xử lý giúp giảm dùng lượng bộ nhớ và tăng tốc độ xử lý của hệ thống một cách đáng kể do ảnh xám chỉ yêu cầu 8 bits dữ liệu cho mỗi điểm ảnh thay vì ít nhất 24 bits như trong các hệ màu khác (lưu ý rằng với mỗi điểm ảnh RGB, hệ thống luôn cấp đủ 24 bits cho dù tất cả các giá trị của hệ màu là 0). Vì vậy, phần lớn các thuật toán xử lý ảnh đều yêu cầu ảnh đầu vào là một ảnh xám vì chúng giúp đơn giản hóa thuật toán cũng như giảm số lượng phép tính cần phải thực hiện, nhờ đó bộ nhớ máy tính có thể lưu trữ nhiều dữ liệu hơn, khả năng xử lý đa nhiệm cũng được cải thiện một cách đáng kể. Nói đến phép tính chuyển đổi ảnh màu thành ảnh xám, như được đề cập trong bài báo khoa học của Christopher Kanan và Garrison W. Cottrell trên tập san PLOS One, có ít nhất 13 cách chuyển đổi ảnh màu thành ảnh xám, lựa chọn dựa trên yêu cầu về việc loại bỏ nhiễu sáng.

Tuy nhiên, trong bài báo cáo này, nhóm chỉ sử dụng phép chuyển đổi Luminance. Đây là phép toán được sử dụng trong các mã nguồn xử lý ảnh phổ biến như OpenCV và MATLAB. Trong đó, giá trị xám của điểm ảnh khi chuyển đổi từ ảnh màu hệ RGB sang ảnh xám là: 𝐺𝐿𝑢𝑚𝑖𝑛𝑎𝑛𝑐𝑒 = 0.11𝐵 (1) Công thức (1) cũng chỉ ra khả năng nhận diện màu sắc về khía cạnh sinh lý của con người: nhạy cảm nhất với ánh sáng xanh lá, ít hơn là màu đỏ, và ít nhất là màu xanh dương. Cân bằng biểu đồ Bước cân bằng biểu đồ được ứng dụng để lọc bớt nhiễu sáng trong ảnh.

Trong phép cân bằng biểu đồ, những thông số sau cần được xác định cho việc tính toán: 𝑟𝑘 : mức xám của điểm ảnh. 𝑛𝑘 : số lần xuất hiện của điểm ảnh có giá trị 𝑟𝑘 trong ảnh. 𝑛𝑘 𝑝𝑟 = : tỉ lệ xuất hiện của điểm ảnh có giá trị 𝑟𝑘 trong ảnh, với MN là tích chiều 𝑀𝑁 dài và chiều rộng của ảnh. 22 Luan van 𝑠𝑘 : giá trị xác suất mật độ của từng cường độ sáng trong ảnh Giá trị 𝑠𝑘 được tính toán bằng công thức sau: 𝑠𝑘 = (𝐿 − 1) ∑𝑘𝑗=0 𝑝𝑟 (𝑟𝑗 ) (2) Với 𝐿 là giá trị cao nhất của mức xám trong ảnh (2𝑠ố 𝑏𝑖𝑡 ả𝑛ℎ − 1) và 𝑘 ∈ [0, 𝐿 − 1] Sau khi tính toán, giá trị 𝑠𝑘 được làm tròn để gán vào giá trị các điểm ảnh.

Hình 6 minh họa sự khác biệt về biểu đồ xám giữa hình được cân bằng biểu đồ và hình chưa qua xử lý. Hình 6: Kết quả phép cân bằng biểu đồ xám Với ảnh chưa được cân bằng biểu đồ xám, cường độ các điểm ảnh chỉ nằm ở một phía biểu đồ, hoặc nằm giữa biểu đồ. Sau bước cân bằng, cường độ các điểm ảnh được san bằng xuyên suốt biểu đồ, mang lại độ tương phản cao cho ảnh. Phép phân ngưỡng Phép phân ngưỡng được sử dụng để chuyển đổi ảnh đa cấp xám (mỗi điểm ảnh có giá trị cường độ xám từ 0 đến 255) thành ảnh nhị phân (mỗi điểm ảnh chỉ mang giá trị 0 hoặc 255).

Việc phân ngưỡng được ứng dụng nhiều trong các bài toán về phát hiện vật thể, phân lớp, và giúp tăng tốc các bài toán liên quan đến vùng ảnh. Đối với một ảnh xám, nếu độ đậm G của điểm ảnh lớn hơn giá trị ngưỡng đặt trước, điểm ảnh sẽ được gán một giá trị ở đầu ra của phép phân ngưỡng. Trường hợp độ đậm G của điểm ảnh nhỏ hơn hoặc bằng giá trị ngưỡng, điểm ảnh sẽ được gán một giá trị khác. Các giá trị 23 Luan van đầu ra được quyết định dựa trên sự lựa chọn về phương pháp phân ngưỡng.

Một số phương pháp phân ngưỡng cơ bản có thể được kể đến như: - Phân ngưỡng nhị phân: Nếu G lớn hơn ngưỡng, điểm ảnh được gán giá trị 255 (hoặc giá trị bất kỳ được đặt trước), ngược lại, điểm ảnh được gán giá trị là 0. - Phân ngưỡng nhị phân đảo: Nếu G lớn hơn ngưỡng, điểm ảnh được gán giá trị 0.