Giới thiệu dự án

Sự gia tăng nhanh chóng của mật độ phương tiện cá nhân tại các đô thị lớn đang đặt áp lực nặng nề lên hạ tầng giao thông tĩnh. Theo các báo cáo quy hoạch đô thị, người điều khiển phương tiện tại các trung tâm thương mại và tòa nhà văn phòng tiêu tốn trung bình từ 10 đến 20 phút chỉ để tìm kiếm một vị trí đỗ xe khả dụng, gây ra tình trạng ùn tắc cục bộ và lãng phí nhiên liệu. Đồ án tốt nghiệp ngành Công nghệ Kỹ thuật Điện tử - Truyền thông (Khoa Đào tạo Chất lượng cao, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh) với đề tài "Thiết kế mô hình hệ thống hướng dẫn tài xế trong bãi xe thông minh" được thực hiện nhằm cung cấp giải pháp thị giác máy tính toàn diện, giải quyết triệt để bài toán định tuyến và giám sát bãi đỗ xe tự động.

                  +-----------------------------------+
                  |         Webcam Thu Nhập           |
                  |     (Logitech HD C270 720p)       |
                  +-----------------+-----------------+
                                    | Video Stream (Frames)
                                    v
+-----------------------------------+-----------------------------------+
|               Khối Xử Lý Trung Tâm (Central Processing Unit)          |
|  +---------------------------+     +-------------------------------+  |
|  |  Tệp Cấu Hình YAML        |     |  Tiền Xử Lý Ảnh (OpenCV)      |  |
|  |  - Tọa độ Bounding Box    | --> |  - Trích xuất 15 ROI slot     |  |
|  |  - Phân chia hàng 1, 2, 3 |     |  - Resize chuẩn đầu vào       |  |
|  +---------------------------+     +---------------+---------------+  |
|                                                    |                  |
|                                                    v                  |
|                                    +---------------+---------------+  |
|                                    |  Mô hình ResNet-50 (Keras)    |  |
|                                    |  - Phân loại: Trống / Có xe   |  |
|                                    |  - Hàm kích hoạt: ReLU        |  |
|                                    +---------------+---------------+  |
|                                                    |                  |
|                                                    v                  |
|                                    +---------------+---------------+  |
|                                    |  Thuật Toán Định Tuyến        |  |
|                                    |  - Thống kê slot trống / hàng |  |
|                                    |  - Tìm vị trí gần luồng chính |  |
|                                    +-------------------------------+  |
+-----------------------------------+-----------------------------------+
                                    | Render Overlay & UI
                                    v
                  +-----------------------------------+
                  |        Khối Hiển Thị Thông Tin    |
                  |  - Xanh: Trống | Đỏ: Đã chiếm     |
                  |  - Bảng chỉ dẫn vị trí tối ưu     |
                  +-----------------------------------+

Vấn đề thực tiễn và mục tiêu nghiên cứu

Các hệ thống bãi đỗ xe truyền thống hiện nay phần lớn phụ thuộc vào cảm biến siêu âm lắp đặt tại từng vị trí hoặc sự điều phối thủ công của nhân viên bảo vệ. Mô hình này bộc lộ nhiều nhược điểm nghiêm trọng: chi phí đi dây và lắp đặt phần cứng tốn kém, độ bền thiết bị giảm nhanh trong môi trường hầm xe có độ ẩm cao, thiếu khả năng trực quan hóa tổng thể.

Đề tài đặt ra các mục tiêu kỹ thuật cụ thể:

  1. Nghiên cứu và ứng dụng kiến trúc mạng nơ-ron tích chập sâu (Convolutional Neural Networks - CNN), đặc biệt là mô hình ResNet-50 để nhận dạng trạng thái vị trí đỗ xe với độ chính xác cao.
  2. Xây dựng giải pháp bản đồ hóa không gian bãi đỗ bằng tệp cấu hình YAML, cho phép hiệu chỉnh tọa độ linh hoạt theo từng layout bãi đỗ mà không cần cấu hình lại phần cứng.
  3. Thiết kế giải thuật phân tích luồng di chuyển, tự động tính toán và điều hướng tài xế tới vị trí đỗ xe còn trống gần tuyến giao thông chính nhất (main artery lane).
  4. Hiện thực hóa mô hình thực nghiệm quy mô 15 vị trí đỗ xe chia thành 3 hàng, thu thập tín hiệu từ camera với góc quan sát tối ưu và hiển thị thông tin thời gian thực lên giao diện điều hành.

Phạm vi và giới hạn hệ thống

  • Phạm vi áp dụng: Mô hình thử nghiệm dành cho các dòng xe ô tô từ 7 chỗ trở xuống với quy mô 15 vị trí đỗ tiêu chuẩn.
  • Giới hạn phần cứng: Camera giám sát được đặt cố định ở góc nghiêng quan sát tính toán ($\alpha \approx 22^\circ \le 50^\circ$) để giảm thiểu góc chết do che khuất (occlusion).
  • Điều kiện môi trường: Độ chính xác của thị giác máy tính phụ thuộc vào cường độ ánh sáng môi trường; hệ thống tích hợp giải pháp xử lý hỗ trợ nguồn sáng bổ sung khi hoạt động trong điều kiện thiếu sáng hoặc ban đêm.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Hệ thống cảm biến siêu âm đơn điểm Hệ thống cảm biến từ trường (Geomagnetic) Hệ thống PGI thị giác máy tính (Đề tài)
Chi phí triển khai Rất cao (Mỗi ô đỗ cần 1 cảm biến + 1 LED + đường dây riêng) Trung bình - Cao (Đòi hỏi khoan cắt bề mặt sàn để gắn cảm biến) Rất thấp (1 camera góc rộng có thể giám sát 15-50 vị trí đỗ)
Bảo trì & Vận hành Phức tạp, dễ hỏng hóc do va chạm cơ học Khó sửa chữa khi hết pin hoặc lỗi module ngầm Đơn giản, thiết bị camera đặt trên cao, quản lý tập trung
Độ tin cậy ngoài trời Kém (nhiễu bởi gió, bụi, nhiệt độ bề mặt) Bị ảnh hưởng bởi nhiễu điện từ xung quanh Cao, mô hình AI được huấn luyện trên tập dữ liệu đa thời tiết
Khả năng trực quan hóa Chỉ báo qua đèn LED tại chỗ, khó bao quát Gửi tín hiệu số về máy chủ, không có hình ảnh xác thực Cung cấp luồng video trực tiếp, hiển thị trực quan khung nhận diện

Dựa trên phương pháp phân tích yêu cầu MoSCoW:

  • Must have: Nhận dạng chính xác trạng thái trống/bị chiếm của từng ô đỗ; phân loại trạng thái bằng bounding box màu xanh lá (trống) và đỏ (đã có xe); thống kê tổng số chỗ trống theo từng hàng.
  • Should have: Gợi ý vị trí còn trống gần lối vào và tuyến lưu thông chính nhất; hỗ trợ định dạng YAML để tinh chỉnh tọa độ ô đỗ linh hoạt.
  • Could have: Tự động điều chỉnh độ tương phản ảnh khi ánh sáng môi trường thay đổi đột ngột; tích hợp nhận diện biển số xe (ALPR).
  • Won't have (trong giai đoạn 1): Tích hợp ứng dụng di động cho tài xế đặt chỗ trước từ xa.

Thiết kế hệ thống

Hệ thống được tổ chức thành 4 khối chức năng chính:

  • Khối thu nhận hình ảnh (Webcam Module): Sử dụng Webcam Logitech HD C270 (độ phân giải HD 720p 1280x720, tiêu cự 3.85mm, góc mở 60°). Thiết bị được lắp đặt tại độ cao $h = 600\text{ mm}$, khoảng cách quan sát ngang $d = 245\text{ mm}$, thiết lập góc nghiêng quang học: $$\alpha = \arctan\left(\frac{245}{600}\right) \approx 22.2^\circ$$
  • Khối xử lý trung tâm (Central Processing Unit): Laptop Dell G3 trang bị vi xử lý Intel Core i7-8750H (6 nhân 12 luồng, xung nhịp lên tới 4.1GHz), 8GB DDR4 RAM 2666MHz. Đảm nhiệm việc tiếp nhận luồng video qua giao tiếp USB 2.0, tiền xử lý khung hình và nạp dữ liệu vào mạng nơ-ron phân loại.
  • Khối lưu trữ và định cấu hình (Configuration & Data Layer): Tệp parking_slots.yml lưu trữ mảng ma trận tọa độ polygon 4 điểm đại diện cho các vùng quan tâm (Region of Interest - ROI) của 15 ô đỗ xe.
  • Khối hiển thị (Visualization Display Module): Giao diện đồ họa hiển thị trực tiếp video đã gán nhãn, tích hợp bảng điều khiển thể hiện số chỗ trống theo từng hàng và chỉ số vị trí tối ưu.
# parking_slots.yml - Cấu trúc lưu trữ tọa độ Region of Interest (ROI)
slots:
  - id: 1
    row: 1
    coordinates: [[50, 120], [110, 120], [105, 180], [45, 180]]
  - id: 2
    row: 1
    coordinates: [[115, 120], [175, 120], [170, 180], [110, 180]]
  - id: 15
    row: 3
    coordinates: [[380, 240], [440, 240], [435, 310], [375, 310]]

Phương pháp nghiên cứu và phát triển (Methodology)

Dự án áp dụng mô hình phát triển hệ thống tuần tự kết hợp lặp kiểm thử (Iterative Prototyping):

  1. Giai đoạn 1 (Tuần 1 - 3): Khảo sát thực tế các bãi đỗ xe tầng hầm, thu thập bộ dữ liệu hình ảnh chuẩn hóa và nghiên cứu cấu trúc mạng ResNet-50 kết hợp hàm kích hoạt ReLU ($f(x) = \max(0, x)$).
  2. Giai đoạn 2 (Tuần 4 - 7): Huấn luyện mô hình phân loại trên tập dữ liệu PKLot (12.417 ảnh bãi đỗ xe toàn cảnh, 695.899 mẫu phân đoạn ô đỗ từ UFPR và PUCPR).
  3. Giai đoạn 3 (Tuần 8 - 11): Xây dựng module trích xuất tọa độ bằng thư viện OpenCV và PyYAML; lập trình thuật toán gán nhãn và đếm slot theo hàng.
  4. Giai đoạn 4 (Tuần 12 - 14): Thi công mô hình cơ khí bãi đỗ 15 vị trí, tiến hành thử nghiệm hệ thống dưới 3 góc quan sát camera và các kịch bản chiếu sáng khác nhau để tối ưu hóa tỷ lệ phân lớp đúng.

Implementation và kết quả

Quy trình phát triển và thuật toán cốt lõi

Kiến trúc mạng ResNet-50 giải quyết triệt để hiện tượng tiêu biến đạo hàm (Vanishing Gradient) khi xếp chồng nhiều lớp nơ-ron sâu thông qua cơ chế kết nối tắt đồng nhất (Identity Shortcut Connection). Khối phần dư (Residual Block) tính toán hàm ánh xạ: $$H(x) = \mathcal{F}(x, {W_i}) + x$$ Trong đó $x$ là vector đầu vào của khối, $\mathcal{F}$ là hàm biến đổi phần dư cần học, và $H(x)$ là đầu ra sau khi qua hàm kích hoạt ReLU.

Quá trình tối ưu hóa trọng số mô hình sử dụng thuật toán Stochastic Gradient Descent (SGD) với cơ chế xáo trộn dữ liệu (shuffling) ngẫu nhiên sau mỗi epoch để tránh rơi vào cực tiểu cục bộ: $$\theta = \theta - \eta \nabla_\theta J(\theta; x_i; y_i)$$ Trong đó $\theta$ biểu diễn tập tham số ma trận trọng số, $\eta$ là tốc độ học (learning rate), và $J(\theta; x_i; y_i)$ là hàm mất mát tính trên cặp dữ liệu $(x_i, y_i)$.

import cv2
import yaml
import numpy as np
from tensorflow.keras.models import load_model

# 1. Nạp mô hình ResNet-50 đã được fine-tune và tệp cấu hình tọa độ YAML
model = load_model("resnet50_parking_classifier.h5")
with open("parking_slots.yml", "r") as file:
    config = yaml.safe_load(file)
slots = config["slots"]

def preprocess_roi(roi_frame):
    """Tiền xử lý vùng ảnh ô đỗ trước khi nạp vào mạng ResNet-50"""
    resized = cv2.resize(roi_frame, (224, 224))
    normalized = resized.astype("float32") / 255.0
    return np.expand_dims(normalized, axis=0)

def process_parking_stream(video_capture):
    while True:
        ret, frame = video_capture.read()
        if not ret:
            break

        row_status = {1: [], 2: [], 3: []}
        free_slots_by_row = {1: 0, 2: 0, 3: 0}

        for slot in slots:
            slot_id = slot["id"]
            row_id = slot["row"]
            pts = np.array(slot["coordinates"], np.int32)
            
            # Trích xuất ma trận bounding box chữ nhật bao quanh ô đỗ
            x, y, w, h = cv2.boundingRect(pts)
            roi = frame[y:y+h, x:x+w]
            
            if roi.size == 0:
                continue
                
            input_tensor = preprocess_roi(roi)
            prediction = model.predict(input_tensor, verbose=0)[0][0]
            
            # Phân loại trạng thái: 0 là Trống (Vacant), 1 là Đã chiếm (Occupied)
            is_occupied = prediction > 0.5
            color = (0, 0, 255) if is_occupied else (0, 255, 0)
            
            if not is_occupied:
                free_slots_by_row[row_id] += 1
                row_status[row_id].append(slot_id)

            # Vẽ khung nhận diện và hiển thị mã định danh ô đỗ
            cv2.polylines(frame, [pts], isClosed=True, color=color, thickness=2)
            cv2.putText(frame, f"ID:{slot_id}", (x, y - 5), 
                        cv2.FONT_HERSHEY_SIMPLEX, 0.4, color, 1)

        # Xác định vị trí trống ưu tiên gần tuyến lưu thông chính nhất (Hàng 1 -> Hàng 2 -> Hàng 3)
        recommended_slot = None
        for r in [1, 2, 3]:
            if row_status[r]:
                recommended_slot = row_status[r][0]
                break

        # Render thông tin quản trị lên khung hình hiển thị
        cv2.putText(frame, f"Empty Row 1: {free_slots_by_row[1]} | Row 2: {free_slots_by_row[2]} | Row 3: {free_slots_by_row[3]}", 
                    (10, 25), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (255, 255, 0), 2)
        if recommended_slot:
            cv2.putText(frame, f"Recommended Nearest Slot: ID {recommended_slot}", 
                        (10, 55), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 255), 2)

        cv2.imshow("PGI System Monitor", frame)
        if cv2.waitKey(1) & 0xFF == ord('q'):
            break

    video_capture.release()
    cv2.destroyAllWindows()

Thử nghiệm và đánh giá độ chính xác

Hệ thống được thử nghiệm qua 3 góc quan sát quang học để đánh giá tỷ lệ phát hiện chính xác trên toàn bộ 15 ô đỗ xe (mỗi hàng 5 vị trí):

Góc thử nghiệm Vị trí đặt camera Tỷ lệ nhận dạng đúng Hàng 1 Tỷ lệ nhận dạng đúng Hàng 2 Tỷ lệ nhận dạng đúng Hàng 3 Độ chính xác trung bình toàn bãi
Góc quan sát 1 Đặt lệch góc thấp, cạnh hông bãi xe 100% (5/5) 60% (3/5) 40% (2/5) 66.7% (Bị che khuất điểm ảnh)
Góc quan sát 2 Đặt chính diện trên cao ($\alpha = 22^\circ$) 100% (5/5) 100% (5/5) 100% (5/5) 100% (Góc nhìn tối ưu, không vật cản)
Góc quan sát 3 Đặt trên cao đối diện lối ra 100% (5/5) 100% (5/5) 80% (4/5) 93.3% (Nhiễu bóng râm viền ô đỗ) 
                       BẢNG ĐÁNH GIÁ ĐỘ CHÍNH XÁC THEO GÓC NHÌN
  100% +-------------------------------------------------------+
       |                                      [Góc 2: 100%]    |
   90% |                                      [Góc 3: 93.3%]   |
   80% |                                                       |
   70% |                     [Góc 1: 66.7%]                    |
   60% |                                                       |
       +-------------------------------------------------------+
            Hàng 1 (Gần)           Hàng 2 (Giữa)          Hàng 3 (Xa)

Đánh giá ảnh hưởng của điều kiện chiếu sáng

  • Điều kiện ánh sáng ban ngày chuẩn: Độ chính xác đạt 100% tại Góc quan sát 2; thời gian đáp ứng trung bình đạt 32ms/frame, đảm bảo hiển thị mượt mà theo thời gian thực (30 FPS).
  • Điều kiện ban đêm (thiếu sáng, <10 lux): Mạng ResNet-50 gặp sai số phân loại tại các ô đỗ phía xa do suy giảm độ tương phản cạnh biên.
  • Điều kiện ban đêm có đèn LED trợ sáng: Sau khi bổ sung nguồn sáng tán xạ trên cao, tỷ lệ nhận dạng chính xác phục hồi về mức 97.8%, loại bỏ hoàn toàn hiện tượng bóng xe đổ đè lên ô đỗ lân cận gây cảnh báo giả.

Đổi mới và đóng góp

  1. Kiến trúc PGI phần cứng tinh gọn: Thay thế toàn bộ mạng lưới cảm biến siêu âm cồng kềnh bằng 1 camera duy nhất, giảm hơn 80% chi phí thiết bị và dây dẫn tín hiệu cho hệ thống quản lý bãi đỗ.
  2. Cơ chế hiệu chỉnh động qua YAML: Giải pháp trích xuất tọa độ thông qua tệp YAML cho phép nhân viên vận hành tái cấu trúc sơ đồ bãi đỗ trong vài phút bằng thao tác click chuột trực quan, không yêu cầu tái huấn luyện mô hình học sâu.
  3. Thuật toán điều hướng theo luồng giao thông chính: Khác với các hệ thống chỉ đếm tổng số lượng ô trống chung chung, giải thuật trong đề tài trực tiếp xác định ô đỗ khả dụng có khoảng cách tiếp cận ngắn nhất tới luồng di chuyển chính, giúp giảm thiểu thời gian di chuyển của tài xế trong hầm.
  4. Ứng dụng Transfer Learning hiệu quả: Mô hình khai thác năng lực trích xuất đặc trưng đa tầng của mạng ResNet-50, giữ độ nhạy cao với các đặc trưng hình thái phương tiện ngay cả khi góc chụp bị biến dạng phối cảnh nhẹ.

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

Hệ thống được thiết kế chuyên biệt cho các khu vực đỗ xe hiện đại:

  • Tầng hầm trung tâm thương mại và tòa nhà văn phòng: Lắp đặt camera tại các nút giao trần hầm; bảng LED điện tử đặt ngay tại cổng kiểm soát hiển thị sơ đồ phân luồng theo hàng.
  • Bãi đỗ xe thông minh ngoài trời: Tích hợp camera IP chuẩn kháng nước IP67 kết hợp đèn pha hồng ngoại ban đêm để quản lý các bãi đỗ xe bến cảng, sân bay.
[Camera Giám Sát Trần Hầm] ---> [Server Cục Bộ Xử Lý ResNet-50]
                                             |
                   +-------------------------+-------------------------+
                   |                                                   |
                   v                                                   v
   [Màn Hình LED Lối Vào Hầm]                             [Dashboard Trực Ban Vận Hành]
   "Hàng 1: 3 Chỗ Trống"                                 "Cảnh Báo Vị Trí Chiếm Dụng Trái Phép"
   "Vị Trí Gần Nhất: Ô Số 02"                            "Giám Sát Lưu Lượng Thời Gian Thực"

Yêu cầu phần cứng triển khai công nghiệp

  • Camera Module: Camera IP độ phân giải tối thiểu Full HD (1920x1080), ống kính góc rộng 2.8mm - 4mm, hỗ trợ WDR (Wide Dynamic Range) để chống lóa đèn pha xe.
  • Bộ xử lý máy trạm (Edge Computing Unit): Khuyến nghị sử dụng NVIDIA Jetson Xavier NX hoặc PC công nghiệp trang bị GPU NVIDIA GTX 1650 4GB trở lên để xử lý song song 4 - 8 luồng camera cùng lúc.
  • Quy chuẩn lắp đặt hình học: Camera phải được treo tại độ cao tối thiểu $H \ge 3.5\text{ m}$ so với mặt sàn, góc chúi $\alpha$ nằm trong khoảng $20^\circ - 45^\circ$ để triệt tiêu hiện tượng che khuất giữa các xe gầm cao (SUV) và xe sedan.

Phân tích hiệu quả đầu tư (Cost-Benefit Analysis)

Xét bài toán cho bãi đỗ xe quy mô 100 vị trí:

  • Chi phí phương pháp cảm biến truyền thống: 100 cảm biến siêu âm + 100 bộ đèn báo + 10 bộ điều khiển khu vực + chi phí thi công đường dây $\approx$ 150.000.000 - 200.000.000 VNĐ.
  • Chi phí giải pháp thị giác máy tính: 4 Camera IP góc rộng + 1 Mini PC trang bị GPU + Switch mạng và phụ kiện $\approx$ 35.000.000 - 45.000.000 VNĐ.
  • Hiệu quả: Tiết kiệm hơn 70% chi phí đầu tư ban đầu (CAPEX) và giảm 50% chi phí bảo trì định kỳ (OPEX).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Hiện tượng che khuất tầm nhìn (Occlusion): Trong các bãi đỗ có diện tích quá dài, các xe thân cao (như SUV 7 chỗ, xe bán tải) đỗ ở hàng trước có thể che khuất một phần góc nhìn của camera đối với các dòng xe nhỏ (sedan, hatchback) ở hàng sau nếu góc đặt camera quá thấp ($\alpha < 20^\circ$).
  • Độ nhạy ánh sáng yếu: Trong điều kiện ánh sáng môi trường dưới 5 lux hoặc có bóng râm loang lổ do đèn chiếu cục bộ, tỷ lệ phân loại sai có thể tăng lên đến 6.7%.

Hướng phát triển trong tương lai

  1. Mở rộng mô hình đa camera (Multi-Camera Fusion): Tích hợp thuật toán ghép luồng video từ nhiều góc nhìn để xóa bỏ hoàn toàn điểm mù do xe lớn che khuất.
  2. Triển khai biên (Edge AI): Tối ưu hóa mô hình ResNet-50 bằng công nghệ lượng tử hóa TensorRT để chạy trực tiếp trên các module nhúng nhỏ gọn như Raspberry Pi 4 kết hợp Google Coral TPU hoặc NVIDIA Jetson Nano.
  3. Tích hợp Nhận diện Biển số xe tự động (ALPR): Kết hợp phân loại ô đỗ với thuật toán đọc biển số để cung cấp tính năng "Tìm vị trí xe của bạn" (Find My Car) qua ứng dụng di động cho khách hàng.

Đối tượng hưởng lợi

  • Sinh viên ngành Kỹ thuật Điện tử - Viễn thông, Tự động hóa và CNTT: Tài liệu tham khảo thực tế về cách kết hợp giữa xử lý ảnh truyền thống (OpenCV) và các mạng học sâu chuyên sâu (Keras/TensorFlow) trên mô hình vật lý.
  • Kỹ sư và Lập trình viên Computer Vision: Khung kiến trúc mẫu (Design Pattern) về việc sử dụng cấu hình YAML để quản lý các vùng ROI động mà không cần can thiệp mã nguồn.
  • Chủ đầu tư và Đơn vị quản lý tòa nhà: Giải pháp khả thi về mặt kinh tế để nâng cấp bãi đỗ xe thông thường thành bãi đỗ xe thông minh với chi phí thấp và thời gian hoàn vốn (ROI) dưới 6 tháng.
  • Cộng đồng nghiên cứu giao thông thông minh (ITS): Cung cấp các số liệu thực nghiệm định lượng về mối tương quan giữa góc đặt camera, tiêu cự và độ chính xác phân lớp trạng thái bãi đỗ.

Câu hỏi thường gặp

1. Hệ thống yêu cầu phần cứng tối thiểu như thế nào để vận hành thực tế?

Để giám sát quy mô từ 15 đến 30 ô đỗ xe với 1 camera Full HD, hệ thống yêu cầu một máy tính điều khiển trang bị tối thiểu CPU Intel Core i5 thế hệ 8 (hoặc AMD tương đương), 8GB RAM và khuyến nghị có card đồ họa rời NVIDIA GPU (từ GTX 1050 trở lên) hỗ trợ CUDA để duy trì tốc độ xử lý trên 30 FPS.

2. Làm thế nào khi bố cục bãi đỗ xe có sự thay đổi hoặc mở rộng thêm vị trí?

Người quản trị không cần huấn luyện lại mô hình AI. Chỉ cần mở công cụ hiệu chỉnh tọa độ bằng chuột (viết trên nền OpenCV), nhấn chọn 4 góc đỉnh của các ô đỗ mới; chương trình sẽ tự động tuần tự hóa và ghi đè tọa độ mới vào tệp parking_slots.yml.

3. Hệ thống xử lý thế nào trong tình huống mất tín hiệu camera?

Phần mềm tích hợp luồng bắt ngoại lệ (Exception Handling). Khi luồng video RTSP/USB bị ngắt quãng quá 3 giây, giao diện quản trị sẽ kích hoạt cờ cảnh báo mất kết nối và giữ nguyên trạng thái ghi nhận gần nhất, đồng thời gửi thông báo sự cố tới nhân viên kỹ thuật trực ban.

4. Chi phí bảo trì định kỳ của giải pháp này so với cảm biến ra sao?

Giải pháp thị giác máy tính giảm hơn 80% công tác bảo trì vật lý do camera được lắp đặt trên cao, không tiếp xúc trực tiếp với va đập cơ học từ phương tiện. Công tác bảo dưỡng định kỳ chủ yếu bao gồm vệ sinh ống kính camera 6 tháng/lần và cập nhật phần mềm quản trị.

5. Khả năng mở rộng cho bãi đỗ xe hàng nghìn vị trí được thực hiện như thế nào?

Hệ thống sử dụng kiến trúc phân tán microservices: mỗi máy tính biên (Edge Node) quản lý từ 4 đến 8 camera cục bộ, xử lý nhận dạng tại chỗ và chỉ truyền kết quả trạng thái (chuỗi JSON kích thước vài KB) về máy chủ trung tâm (Master Server) thông qua giao thức MQTT/HTTP, đảm bảo không gây tắc nghẽn băng thông mạng nội bộ.

Kết luận

Đồ án tốt nghiệp "Thiết kế mô hình hệ thống hướng dẫn tài xế trong bãi xe thông minh" đã chứng minh tính khả thi, độ tin cậy và hiệu quả kinh tế vượt trội của việc ứng dụng thị giác máy tính và học sâu vào hạ tầng giao thông tĩnh. Bằng việc làm chủ kiến trúc mạng ResNet-50, tối ưu hóa giải thuật phân loại trên tập dữ liệu PKLot và phát triển phương pháp cấu hình linh hoạt qua YAML, nhóm nghiên cứu đã xây dựng thành công một giải pháp hướng dẫn đỗ xe PGI toàn diện với độ chính xác đạt mức 100% trong điều kiện lắp đặt tối ưu ($\alpha \approx 22^\circ$).

Kết quả của đề tài không chỉ đóng góp một giải pháp kỹ thuật giải quyết vấn đề ùn tắc đô thị mà còn mở ra tiềm năng thương mại hóa mạnh mẽ trong xu hướng xây dựng các đô thị thông minh (Smart City) tại Việt Nam.