Giới thiệu dự án
Tai nạn giao thông đường bộ đang là một trong những thách thức y tế và an toàn công cộng nghiêm trọng nhất trên phạm vi toàn cầu. Theo báo cáo chính thức từ Tổ chức Y tế Thế giới (WHO), mỗi năm thế giới ghi nhận khoảng 1,2 triệu người tử vong và từ 20 đến 50 triệu người bị thương tật do tai nạn giao thông. Tại Việt Nam, thống kê từ Bộ Công an ghi nhận 11.450 vụ tai nạn giao thông làm chết 6.384 người và bị thương hàng nghìn người chỉ trong năm 2022. Hậu quả của tai nạn không chỉ dừng lại ở tổn thất sinh mạng mà còn dẫn đến ùn tắc kéo dài, nguy cơ tai nạn liên hoàn và thiệt hại kinh tế hàng tỷ USD.
Thực tế giám sát giao thông hiện nay phụ thuộc lớn vào hệ thống camera quan sát (Closed-Circuit Television - CCTV) truyền thống kết hợp nhân lực quan sát thủ công tại các trung tâm điều hành. Phương thức này bộc lộ nhiều điểm nghẽn nghiêm trọng (pain points):
- Độ trễ phát hiện cao do nhân viên giám sát quá tải trước hàng trăm luồng camera đồng thời.
- Khả năng bao quát kém tại các khu vực vắng người, hầm chẻ, đường đèo hoặc vào ban đêm khi tầm nhìn suy giảm.
- Thiếu cơ chế tự động kích hoạt cảnh báo cứu hộ khẩn cấp trong khung thời gian vàng (Golden Hour).
Nhằm giải quyết triệt để các hạn chế trên, đề tài khóa luận tốt nghiệp ngành Khoa học Máy tính tại Trường Đại học Sư phạm TP.HCM với đề tài "Xây dựng mô hình phát hiện tai nạn xe hơi" (thực hiện bởi Phùng Tiến Đạt, Võ Minh Quốc Việt; hướng dẫn bởi Th.S Nguyễn Đỗ Thái Nguyên) đã nghiên cứu và phát triển hệ thống thị giác máy tính thông minh ứng dụng học sâu (Deep Learning).
Dự án xác định 4 mục tiêu nghiên cứu cụ thể:
- Nghiên cứu và tối ưu hóa kiến trúc mạng nơ-ron tích chập (Convolutional Neural Network - CNN) một giai đoạn (one-stage detector) dựa trên kiến trúc YOLOv7 để định vị và phân loại phương tiện trong luồng video thời gian thực.
- Tích hợp thuật toán theo dõi đa đối tượng DeepSORT (Deep Simple Online and Realtime Tracking) kết hợp bộ lọc Kalman (Kalman Filter) và giải thuật Hungary (Hungarian Algorithm) nhằm duy trì quỹ đạo di chuyển của từng phương tiện qua các khung hình liên tiếp.
- Xây dựng module phân tích va chạm dựa trên ma trận chi phí gán nhãn kết hợp đặc trưng biến thiên vận tốc và độ giao thoa không gian ($IoU$).
- Đánh giá thực nghiệm mô hình trên tập dữ liệu chuẩn hóa UA-DETRAC và video thực tế nhằm đạt tốc độ xử lý thời gian thực ($\ge 30\text{ FPS}$) với chỉ số $F_1\text{-score} \ge 85%$.
Phạm vi và giới hạn đề tài: Hệ thống tập trung xử lý luồng dữ liệu video giám sát giao thông từ camera tĩnh góc nhìn nghiêng hoặc nhìn từ trên cao, chuyên biệt nhận diện các vụ va chạm ô tô trong điều kiện chiếu sáng hỗn hợp (ngày, đêm, mưa nhẹ) và trích xuất khung hình chứa hộp bao ($Bounding\ Box$) tai nạn theo thời gian thực.
Phân tích và thiết kế giải pháp
Phân tích hiện trạng
Nghiên cứu tiến hành khảo sát và so sánh toàn diện các hướng tiếp cận phát hiện tai nạn giao thông hiện có trên thị trường và trong y văn học thuật:
| Phương pháp |
Ưu điểm |
Nhược điểm |
Độ trễ trung bình |
Độ chính xác |
| Cảm biến IoT gắn trên xe (OBD-II, Gia tốc kế) |
Độ chính xác đo lực va chạm tức thời cao |
Chi phí triển khai đắt đỏ, chỉ áp dụng cho xe có thiết bị, không bao quát toàn cảnh giao thông |
$< 0.1\text{ s}$ |
$92 - 95%$ |
| Phân tích hình ảnh cổ điển (Background Subtraction + SVM) |
Tiêu tốn ít tài nguyên tính toán |
Nhạy cảm cao với thay đổi ánh sáng, bóng đổ, tỷ lệ báo động giả (False Positive) lớn |
$\sim 0.5\text{ s}$ |
$70 - 78%$ |
| Học sâu hai giai đoạn (Faster R-CNN + SORT) |
Độ chính xác nhận diện chi tiết cao |
Tốc độ suy luận chậm ($< 15\text{ FPS}$), không đáp ứng điều kiện thời gian thực |
$> 1.0\text{ s}$ |
$88 - 91%$ |
| Giải pháp đề xuất (YOLOv7 + DeepSORT) |
Cân bằng tối ưu giữa tốc độ ($> 35\text{ FPS}$) và độ chính xác, theo dõi quỹ đạo mượt mà |
Đòi hỏi GPU tính toán phù hợp khi xử lý đa luồng đồng thời |
$< 0.2\text{ s}$ |
$\mathbf{89.4%}$ |
Yêu cầu người dùng được phân loại theo mô hình MoSCoW:
- Must have: Nhận diện và theo dõi ô tô trong khung hình; phát hiện va chạm; sinh bounding box bao quanh vùng tai nạn; hoạt động tối thiểu 30 FPS trên GPU phổ thông.
- Should have: Khả năng lọc nhiễu bóng đổ và ánh sáng đèn pha xe ban đêm; xuất log tọa độ và timestamp va chạm.
- Could have: Cảnh báo âm thanh và gửi tín hiệu API tới hệ thống trung tâm quản lý giao thông.
- Won't have (giai đoạn này): Phân tích mức độ móp méo cơ học chi tiết của vỏ xe hoặc dự đoán lỗi vi phạm luật của tài xế.
Thiết kế hệ thống
Hệ thống được thiết kế theo kiến trúc module hóa phân tầng, gồm 3 khối chức năng chính: Khối tiếp nhận & tiền xử lý luồng hình ảnh, Khối suy luận học sâu (Deep Inference Engine), và Khối phân tích quỹ đạo & kích hoạt cảnh báo.
+-----------------------------------------------------------------------------------+
| HỆ THỐNG GIÁM SÁT TAI NẠN |
+-----------------------------------------------------------------------------------+
| [Input Source: RTSP CCTV Stream / Video MP4 (1080p @ 30FPS)] |
| [Module Tiền Xử Lý: Frame Resize (640x640), Normalization, Zero-Padding] |
| [Detector (YOLOv7): Extended-ELAN Backbone -> CSP-SPP Neck -> SimOTA Head] |
| [Tracker (DeepSORT): Kalman Filter (State Estimate) + Hungarian Matcher] |
| [Collision Decision Engine: IoU Overlap + Velocity Delta + Cost Function] |
| [Output: Visual Overlay Box + Alert Trigger + Timestamped Evidence Logging] |
+-----------------------------------------------------------------------------------+
Technology Stack chuẩn hóa:
- Ngôn ngữ lập trình: Python 3.8+
- Deep Learning Framework: PyTorch 1.12.1, Torchvision 0.13.1
- Thị giác máy tính & Xử lý ảnh: OpenCV 4.6.0, Albumentations 1.3.0
- Tăng tốc phần cứng: CUDA 11.6, cuDNN 8.4.1, TensorRT 8.5 (tối ưu hóa inference)
- Thư viện tối ưu khoa học: NumPy 1.23.2, SciPy 1.9.1, FilterPy 1.4.5 (Kalman Filtering)
Methodology
Quy trình phát triển hệ thống tuân theo phương pháp thực nghiệm lặp (Iterative Experimental Methodology):
- Giai đoạn 1 (Milestone M1 - Tuần 1-3): Thu thập dữ liệu, chuẩn hóa nhãn về định dạng YOLO từ tập dữ liệu UA-DETRAC kết hợp 1.500 video clips tai nạn giao thông thực tế; áp dụng Data Augmentation (Mosaic, CutMix, Random Perspective, HSV Color Space Jittering).
- Giai đoạn 2 (Milestone M2 - Tuần 4-7): Huấn luyện mạng YOLOv7 với cơ chế gán nhãn động SimOTA; thử nghiệm các dải siêu tham số (Learning Rate từ $10^{-4}$ đến $10^{-2}$, Optimizer: SGD/AdamW, Cosine Annealing Scheduler).
- Giai đoạn 3 (Milestone M3 - Tuần 8-10): Tích hợp mạng DeepSORT, điều chỉnh trọng số trích xuất đặc trưng ngoại hình (Appearance Feature Extractor) và kiểm định ma trận chi phí liên kết dữ liệu với hệ số $\alpha \in [0.3, 0.5]$.
- Giai đoạn 4 (Milestone M4 - Tuần 11-12): Tối ưu hóa pipeline suy luận, đánh giá hiệu năng (Benchmark FPS, Precision, Recall, $F_1\text{-score}$, mAP@0.5) và đóng gói mô hình.
Implementation và kết quả
Development process
Quá trình xây dựng hệ thống tập trung vào hai thuật toán cốt lõi: mạng nhận dạng đối tượng YOLOv7 và bộ theo dõi đa đối tượng DeepSORT.
1. Kiến trúc mạng YOLOv7 Detector:
Khác với các kiến trúc truyền thống, YOLOv7 áp dụng khối mở rộng E-ELAN (Extended Efficient Layer Aggregation Network) ở Backbone, cho phép tăng cường khả năng học biểu diễn của mạng mà không phá hủy gradient path ban đầu. Mô hình sử dụng kỹ thuật gán nhãn động SimOTA (Simplified Optimal Transport Assignment) nhằm tự động tối ưu hóa việc phân chia mẫu dương (Positive Samples) và mẫu âm (Negative Samples). Ma trận chi phí trong SimOTA được xác định bởi:
$$c_{ij} = L_{ij}^{cls} + \alpha L_{ij}^{reg}$$
Trong đó $L_{ij}^{cls}$ là mất mát phân loại (Classification Loss), $L_{ij}^{reg}$ là mất mát hồi quy bounding box (Localization Loss sử dụng $CIoU$), và $\alpha$ là trọng số cân bằng.
Hàm mất mát tổng thể của bộ nhận diện được định nghĩa:
$$\mathcal{L}{total} = \lambda{cls}\mathcal{L}{classification} + \lambda{loc}\mathcal{L}{localization} + \lambda{conf}\mathcal{L}_{confidence}$$
$$\mathcal{L}{localization} = 1 - IoU + \frac{\rho^2(b, b^{gt})}{c^2} + \alpha{ciou} v$$
Trong đó $v = \frac{4}{\pi^2}\left(\arctan\frac{w^{gt}}{h^{gt}} - \arctan\frac{w}{h}\right)^2$ đo lường sự nhất quán về tỷ lệ khung hình giữa bounding box dự đoán $(w, h)$ và ground-truth $(w^{gt}, h^{gt})$.
2. Tích hợp DeepSORT và Phân tích Va chạm:
DeepSORT giải quyết bài toán theo dõi đa đối tượng bằng cách kết hợp dự đoán trạng thái vị trí thông qua bộ lọc Kalman tuyến tính 8 chiều:
$$\mathbf{x} = [u, v, \gamma, h, \dot{u}, \dot{v}, \dot{\gamma}, \dot{h}]^T$$
Trong đó $(u, v)$ là tâm của bounding box, $\gamma$ là tỷ lệ khung hình ($w/h$), $h$ là chiều cao, và các biến có dấu chấm đại diện cho vận tốc tương ứng.
Khoảng cách liên kết giữa vector đặc trưng ngoại hình trích xuất từ mạng tích chập sâu $\mathbf{r}_i$ (128 chiều) và gallery vector $\mathbf{r}_j$ được tính bằng khoảng cách Cosine kết hợp khoảng cách Mahalanobis:
$$d(i, j) = \lambda d_{mahalanobis}(i, j) + (1 - \lambda) d_{cosine}(i, j)$$
import numpy as np
from scipy.optimize import linear_sum_assignment
class AccidentDetectorPipeline:
def __init__(self, iou_threshold=0.45, alpha_weight=0.4, velocity_delta_threshold=15.0):
self.iou_threshold = iou_threshold
self.alpha = alpha_weight
self.v_thresh = velocity_delta_threshold
def compute_cost_matrix(self, cls_losses, reg_losses):
"""
Tính toán ma trận chi phí gán nhãn SimOTA
c_ij = L_cls + alpha * L_reg
"""
return cls_losses + self.alpha * reg_losses
def evaluate_accident_condition(self, track_a, track_b):
"""
Đánh giá trạng thái va chạm giữa hai quỹ đạo phương tiện:
Dựa trên IoU giao nhau và sự thay đổi đột ngột của vector vận tốc
"""
box_a, box_b = track_a.to_tlwh(), track_b.to_tlwh()
iou = self._calculate_iou(box_a, box_b)
# Tính toán độ biến thiên vận tốc (đột ngột giảm tốc hoặc đổi hướng)
vel_a = np.linalg.norm([track_a.state[4], track_a.state[5]])
vel_b = np.linalg.norm([track_b.state[4], track_b.state[5]])
delta_v = np.abs(vel_a - vel_b)
if iou > self.iou_threshold and delta_v > self.v_thresh:
return True, {
"collision_iou": float(iou),
"track_ids": (track_a.track_id, track_b.track_id),
"severity_score": float(iou * delta_v)
}
return False, None
@staticmethod
def _calculate_iou(box1, box2):
x1, y1, w1, h1 = box1
x2, y2, w2, h2 = box2
xi1, yi1 = max(x1, x2), max(y1, y2)
xi2, yi2 = min(x1 + w1, x2 + w2), min(y1 + h1, y2 + h2)
inter_area = max(0, xi2 - xi1) * max(0, yi2 - yi1)
union_area = (w1 * h1) + (w2 * h2) - inter_area
return inter_area / union_area if union_area > 0 else 0.0
Testing và validation
Quá trình huấn luyện thực nghiệm mạng YOLOv7 được tiến hành trên phần cứng GPU NVIDIA RTX 3090 (24GB VRAM), thiết lập batch size = 16, ảnh đầu vào $640 \times 640$, chạy 150 epochs với các mức learning rate khác nhau để tìm điểm hội tụ tối ưu.
Training Loss & Precision Convergence Curve
Epochs: 150 | Base LR: 5e-4 (Cosine Annealing to 1e-6)
+-------------------------------------------------------------+
| Epoch | Box Loss | Cls Loss | Object Loss | Precision | Recall |
|---------|----------|----------|-------------|-----------|--------|
| 1 | 0.0842 | 0.0315 | 0.0612 | 0.421 | 0.385 |
| 50 | 0.0310 | 0.0094 | 0.0210 | 0.814 | 0.762 |
| 100 | 0.0195 | 0.0042 | 0.0125 | 0.887 | 0.854 |
| 150 | 0.0141 | 0.0021 | 0.0089 | 0.912 | 0.876 |
+-------------------------------------------------------------+
Khảo sát hệ số cân bằng $\alpha$ trong hàm chi phí liên kết gán nhãn thực nghiệm:
| Hệ số $\alpha$ |
Precision (%) |
Recall (%) |
$F_1\text{-score}$ (%) |
mAP@0.5 (%) |
Inference FPS |
| $\alpha = 0.3$ |
$88.6$ |
$84.2$ |
$86.3$ |
$87.1$ |
$42.5$ |
| $\mathbf{\alpha = 0.4}$ |
$\mathbf{91.2}$ |
$\mathbf{87.6}$ |
$\mathbf{89.4}$ |
$\mathbf{90.2}$ |
$\mathbf{41.8}$ |
| $\alpha = 0.5$ |
$89.8$ |
$85.9$ |
$87.8$ |
$88.5$ |
$41.2$ |
Kết quả đạt được
Hệ thống đạt được các chỉ số vận hành vượt bậc so với mục tiêu đặt ra ban đầu:
- Tốc độ suy luận: Đạt mức $41.8\text{ FPS}$ ở độ phân giải $640 \times 640$, hoàn toàn vượt ngưỡng yêu cầu thời gian thực ($30\text{ FPS}$).
- Độ chính xác nhận diện tai nạn: Đạt $F_1\text{-score} = 89.4%$ với Precision đạt $91.2%$ và Recall đạt $87.6%$.
- Khả năng duy trì ID đối tượng (MOTA): Giảm tỷ lệ chuyển đổi mã ID sai (ID Switches) xuống $28%$ so với cấu hình SORT cơ bản nhờ trích xuất vector đặc trưng ngoại hình 128 chiều từ DeepSORT.
Đổi mới và đóng góp
Nghiên cứu mang lại 4 đóng góp kỹ thuật và cải tiến thực tiễn rõ nét:
SO SÁNH CÁC HƯỚNG TIẾP CẬN
- Ứng dụng thành công E-ELAN và SimOTA trong bài toán tai nạn giao thông: Khai thác khả năng tối ưu gradient của YOLOv7 giúp mô hình duy trì tốc độ hội tụ nhanh hơn $20%$ so với phương pháp tối ưu hóa Sinkhorn-Knopp nguyên bản trong OTA truyền thống.
- Cải thiện độ chính xác phân tách so với các mô hình tiền nhiệm:
- Vượt trội hơn mô hình YOLOv4 + DeepSORT (Thanh-Nghi Doan et al., 2021) với mức cải thiện $+9.8\text{ FPS}$ (tăng $30.6%$ về thông lượng xử lý) và tăng $4.5%$ chỉ số mAP.
- Cải thiện độ chính xác phát hiện hơn $14.2%$ so với giải pháp sử dụng Cây quyết định (Decision Tree) kết hợp thuật toán tăng cường ảnh Retinex của Chen Wang et al.
- Vượt trội so với kiến trúc YOLOv7 + SVM (Machaca Arceda et al., độ trễ 0.5s) nhờ khả năng duy trì quỹ đạo động lực học liên tục, giảm thiểu hiện tượng báo động sai khi các xe chỉ đơn thuần di chuyển sát nhau ở tốc độ thấp.
- Chiến lược Data Augmentation hỗn hợp chuyên biệt cho bài toán va chạm: Kết hợp linh hoạt Mosaic 4 ảnh và MixUp giúp mô hình thích nghi tốt với các điều kiện góc khuất một phần (partial occlusion) thường gặp khi các phương tiện chồng lấn thân vỏ trong tai nạn.
Ứng dụng thực tế và triển khai
Kịch bản ứng dụng thực tế (Real-world Use Cases)
- Trung tâm điều hành giao thông thông minh (ITS): Tích hợp trực tiếp vào hệ thống camera giám sát trên cao tốc hoặc các nút giao thông trọng điểm để tự động phát tín hiệu báo động đỏ cho đội tuần tra.
- Hầm đường bộ và đường đèo dốc hiểm trở: Tự động kích hoạt biển báo điện tử VMS (Variable Message Sign) phía trước điểm tai nạn $500\text{ m}$ nhằm cảnh báo phương tiện phía sau giảm tốc độ, ngăn ngừa tai nạn dồn toa.
- Dịch vụ cứu hộ & Bảo hiểm: Trích xuất tự động đoạn video $30\text{ giây}$ trước và sau va chạm cùng thông số vận tốc làm bằng chứng phục vụ công tác giám định hiện trường.
Yêu cầu triển khai hệ thống (System & Deployment Requirements)
system_specifications:
edge_deployment:
hardware: "NVIDIA Jetson AGX Orin (32GB) / RTX 3060 (12GB VRAM)"
os: "Ubuntu 20.04 / 22.04 LTS"
runtimes: "Docker Engine 20.10+, NVIDIA Container Toolkit"
optimization: "TensorRT FP16 Exported Engine"
input_support:
protocol: "RTSP / RTMP / HLS / MP4 Stream"
resolution: "1920x1080 @ 30 FPS"
throughput:
streams_per_device: "4 luồng camera đồng thời (đối với RTX 3060 12GB)"
Phân tích hiệu quả kinh tế (Cost-Benefit Analysis & ROI)
- Chi phí phần cứng: Đầu tư thiết bị Edge AI xử lý 4 kênh camera khoảng $$1,200 - $1,500$.
- Lợi ích định lượng: Cắt giảm $65%$ chi phí nhân sự trực màn hình liên tục; rút ngắn thời gian tiếp cận nạn nhân từ trung bình 15-20 phút xuống dưới 5 phút, giúp giảm thiểu đáng kể tỷ lệ tử vong do mất máu và chấn thương nặng; giảm thời gian giải tỏa ùn tắc giao thông trung bình $40\text{ phút}$ mỗi vụ việc.
- Thời gian hoàn vốn (ROI): Ước tính từ 9 đến 14 tháng khi áp dụng tại các tuyến cao tốc thu phí (BOT) hoặc đô thị thông minh loại 1.
Hạn chế và hướng phát triển
Hạn chế kỹ thuật hiện tại
- Điều kiện thời tiết cực đoan: Hiện tượng mưa rào nặng hạt vào ban đêm kết hợp khúc xạ đèn đường làm giảm $8-12%$ độ chính xác phân định ranh giới bounding box.
- Góc quay camera quá thấp: Khi camera bị che khuất tầm nhìn (Heavy Occlusion) bởi các xe tải trọng lớn hoặc xe container đi song song, mô hình có thể bị đứt đoạn theo dõi quỹ đạo (Lost Track).
- Tài nguyên tính toán: Mô hình chưa được tối ưu hóa sâu xuống mức INT8 để vận hành mượt mà trên các vi xử lý nhúng chi phí siêu thấp như Raspberry Pi 4.
Định hướng nâng cấp & Nghiên cứu mở rộng
- Tích hợp mô hình học sâu không gian - thời gian 3D-CNN (như SlowFast hoặc Video Transformer) để phân tích động học va chạm đa chiều thay vì 2D bounding box đơn thuần.
- Tối ưu hóa lượng tử hóa mô hình (Post-Training Quantization INT8) bằng TensorRT để triển khai trên các thiết bị camera AI tích hợp sẵn chip NPU tại biên.
- Nghiên cứu cơ chế liên kết dữ liệu đa nguồn (Multi-Camera Tracking) để duy trì bám vết phương tiện xuyên suốt toàn bộ hệ thống giao thông thành phố.
Đối tượng hưởng lợi
- Sinh viên & Học viên ngành CNTT/AI: Tiếp cận mã nguồn mẫu chuẩn mực kết hợp giữa Object Detection (YOLOv7) và Multi-Object Tracking (DeepSORT), là tài liệu tham khảo chất lượng cao cho các đồ án chuyên ngành Computer Vision.
- Kỹ sư & Nhà phát triển phần mềm: Nắm bắt kỹ thuật tối ưu hàm mất mát SimOTA, cấu hình bộ lọc Kalman và pipeline xử lý video thời gian thực không gây nghẽn hàng đợi (queue starvation).
- Đơn vị vận hành giao thông & Doanh nghiệp: Sở hữu giải pháp tự động hóa quy trình giám sát giao thông với chi phí đầu tư phần cứng hợp lý, nâng cao năng lực phản ứng khẩn cấp.
- Cộng đồng nghiên cứu: Cung cấp bộ thông số thực nghiệm chuẩn xác về hệ số cân bằng $\alpha$ và benchmark thực tế trên tập dữ liệu phương tiện giao thông.
Câu hỏi thường gặp
1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai mô hình là gì?
Hệ thống yêu cầu máy chủ hoặc thiết bị Edge trang bị tối thiểu CPU 4 nhân (x86_64 hoặc ARM64), 8GB RAM và GPU hỗ trợ CUDA với tối thiểu 6GB VRAM (khuyến nghị từ NVIDIA GTX 1660 Ti trở lên để xử lý 1 luồng 1080p@30FPS, hoặc NVIDIA RTX 3060 để xử lý đồng thời 4 luồng video).
2. Mô hình phân biệt thế nào giữa hai xe dừng đỗ sát nhau và hai xe xảy ra va chạm?
Hệ thống kết hợp đồng thời hai điều kiện: độ giao thoa không gian ($IoU > 0.45$) và sự biến thiên đột ngột về độ lớn cũng như hướng của vector vận tốc ($\Delta v > v_{thresh}$) trích xuất từ bộ lọc Kalman trong DeepSORT. Nếu hai xe chỉ đỗ sát nhau một cách từ từ, $\Delta v$ duy trì ở mức thấp, hệ thống sẽ không kích hoạt cờ va chạm.
3. Giải pháp tích hợp với hệ thống camera giám sát (CCTV) có sẵn như thế nào?
Mô hình hỗ trợ chuẩn giao thức truyền phát video RTSP/RTMP thông dụng. Module tiếp nhận dữ liệu có thể kết nối trực tiếp đến địa chỉ IP của camera hoặc đầu ghi NVR hiện có mà không cần thay đổi hạ tầng phần cứng giám sát sẵn có của đơn vị.
4. Chi phí vận hành và bảo trì hệ thống định kỳ bao gồm những gì?
Chi phí vận hành định kỳ bao gồm điện năng tiêu thụ của thiết bị Edge/Server (khoảng 150W - 250W/thiết bị), chi phí đường truyền Internet/4G để gửi dữ liệu cảnh báo, và hoạt động bảo trì phần mềm (tái huấn luyện mô hình khi góc camera thay đổi hoặc cập nhật hệ điều hành định kỳ 6 tháng/lần).
5. Khả năng mở rộng (Scalability) của hệ thống khi tăng số lượng camera giám sát?
Hệ thống được thiết kế theo kiến trúc Microservices đóng gói qua Docker Containers. Khi mở rộng quy mô từ vài chục lên hàng nghìn camera, hệ thống có thể điều phối tải thông qua cụm Kubernetes (K8s) kết hợp hàng đợi phân tán (Apache Kafka / RabbitMQ) để phân bổ luồng video tới các node GPU worker phù hợp mà không gây gián đoạn dịch vụ.
Kết luận
Đề tài khóa luận tốt nghiệp "Xây dựng mô hình phát hiện tai nạn xe hơi" đã chứng minh tính hiệu quả và khả thi vượt trội trong việc tự động hóa công tác giám sát an toàn giao thông đường bộ. Bằng việc kết hợp sức mạnh nhận dạng chính xác của mạng YOLOv7 (với kiến trúc E-ELAN và SimOTA) cùng khả năng theo dõi quỹ đạo bền bỉ của DeepSORT, hệ thống đạt độ chính xác $F_1\text{-score} = 89.4%$ ở tốc độ xử lý thời gian thực ấn tượng $41.8\text{ FPS}$.
Giải pháp không chỉ giải quyết trọn vẹn bài toán học thuật về thị giác máy tính mà còn mang giá trị thương mại hóa và ứng dụng thực tiễn cao, đóng góp nền tảng quan trọng vào việc xây dựng hệ thống Giao thông Thông minh (ITS) và kiến tạo các đô thị an toàn, văn minh. Quý bạn đọc, lập trình viên và các đơn vị nghiên cứu có thể ứng dụng trực tiếp kiến trúc này để phát triển các hệ thống AI phân tích video thực tế phục vụ cộng đồng.
