Khóa Luận Tốt Nghiệp: Nhận Diện Biển Số Xe Với Deep Learning Sử Dụng Raspberry Pi

Khóa luận tốt nghiệp kỹ thuật máy tính nghiên cứu và xây dựng chương trình nhận diện biển số xe sử dụng deep learning và Raspberry Pi.

• Tác giả: Nguyễn Quốc Toàn
• Người hướng dẫn: ThS. Lê Hoài Nghĩa
• Trường học: Đại học Quốc gia TP. Hồ Chí Minh - Trường Đại học Công nghệ Thông tin
• Chuyên ngành: Kỹ thuật máy tính
• Đề tài: Nghiên cứu và xây dựng chương trình nhận diện biển số xe bằng Deep Learning trên Raspberry Pi
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: CÁC NGHIÊN CỨU LIÊN QUAN
• 1.1. Đề tài “Nghiên cứu thuật toán SSD vào nhận diện biển số xe”
• 1.2. Đề tài “Phát hiện và trích xuất thông tin biển số xe”
• 2. CHƯƠNG 2: HỆ THỐNG NHẬN DẠNG BIỂN SỐ XE
• 2.1. Khái niệm
• 2.2. Cách thức hoạt động của hệ thống nhận dạng biển số xe
• 2.3. Phân loại các ứng dụng nhận dạng biển số xe
• 2.4. Ứng dụng thực tiễn tại Việt Nam
• 2.5. Phương pháp nhận dạng biển số xe từ ảnh chụp của camera
• 2.6. Các mô hình nhận dạng biển số xe
• 2.6.1. Mạng Faster RCNN
• 3. CHƯƠNG 3: THIẾT KẾ VÀ LẬP TRÌNH HỆ THỐNG
• 3.1. Thiết kế hệ thống
• 3.2. Xác định vùng chứa biển số xe và tách biển số xe
• 3.3. Phân đoạn từng ký tự
• 3.4. Nhận diện ký tự
• 3.5. Cài đặt thư viện và môi trường
• 3.6. Chạy thực nghiệm hệ thống
• 3.6.1. Chạy thực nghiệm với các hình ảnh có sẵn
• 3.6.2. Chạy thực nghiệm với các hình ảnh trực tiếp từ camera Pi
• 3.7. Lưu trữ kết quả đã nhận diện
• 4. CHƯƠNG 4: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 4.1. Môi trường hệ thống sử dụng
• 4.2. Điểm hạn chế và hướng phát triển
• 4.2.1. Điểm hạn chế
• 4.2.2. Hướng phát triển
• DANH MỤC HÌNH
• DANH MỤC BẢNG
• DANH MỤC TỪ VIẾT TẮT
• TÓM TẮT KHÓA LUẬN

Tóm tắt

I. Giới thiệu và mục tiêu nghiên cứu

Nghiên cứu này tập trung vào việc xây dựng chương trình nhận diện biển số xe sử dụng Deep Learning trên nền tảng Raspberry Pi. Mục tiêu chính là phát triển một hệ thống nhúng có khả năng nhận diện biển số xe ô tô tại Việt Nam với độ chính xác cao. Hệ thống này hướng đến việc ứng dụng trong các lĩnh vực như quản lý giao thông, thu phí tự động và an ninh. Deep Learning được chọn làm phương pháp chính nhờ khả năng tự động hóa quá trình trích xuất đặc trưng và tăng hiệu quả nhận diện so với các phương pháp truyền thống.

1.1. Bối cảnh và động lực nghiên cứu

Với sự phát triển nhanh chóng của ngành giao thông, việc quản lý và giám sát phương tiện trở nên phức tạp. Hệ thống nhận diện biển số xe tự động là giải pháp hiệu quả để giải quyết các vấn đề này. Raspberry Pi được chọn làm nền tảng nhờ tính linh hoạt, chi phí thấp và khả năng xử lý các tác vụ Computer Vision cơ bản. Nghiên cứu này kết hợp Deep Learning và Raspberry Pi để tạo ra một hệ thống nhúng hiệu quả, phù hợp với điều kiện thực tế tại Việt Nam.

1.2. Mục tiêu cụ thể

Mục tiêu của nghiên cứu là xây dựng một mô hình nhận diện biển số xe với độ chính xác tối thiểu 90% đối với hình ảnh tĩnh và 85% đối với hình ảnh từ camera. Hệ thống cần hoạt động ổn định trên Raspberry Pi, đảm bảo tính ứng dụng thực tiễn trong các tình huống như quản lý bãi đỗ xe, thu phí tự động và giám sát giao thông.

II. Phương pháp và công nghệ sử dụng

Nghiên cứu sử dụng các phương pháp Deep Learning như Convolutional Neural Networks (CNN) và Faster RCNN để nhận diện biển số xe. CNN được áp dụng để trích xuất đặc trưng từ hình ảnh, trong khi Faster RCNN giúp cải thiện tốc độ và độ chính xác trong việc xác định vùng chứa biển số. Raspberry Pi được tích hợp với các thư viện như OpenCV và TensorFlow Lite để tối ưu hóa hiệu suất xử lý trên phần cứng nhúng.

2.1. Kiến trúc mạng Faster RCNN

Faster RCNN là một mạng cải tiến từ Fast RCNN, bao gồm ba phần chính: mạng trích xuất đặc trưng, Region Proposal Network (RPN) và lớp phân loại. RPN giúp đề xuất các vùng chứa đối tượng, giảm thiểu thời gian xử lý so với phương pháp tìm kiếm vét cạn. Kiến trúc này phù hợp với bài toán nhận diện biển số xe nhờ khả năng xử lý nhanh và độ chính xác cao.

2.2. Tích hợp trên Raspberry Pi

Raspberry Pi được sử dụng làm nền tảng phần cứng nhờ tính linh hoạt và chi phí thấp. Hệ thống được tích hợp với các thư viện OpenCV và TensorFlow Lite để tối ưu hóa hiệu suất xử lý. Quá trình huấn luyện mô hình được thực hiện trên máy tính có GPU, sau đó mô hình được chuyển đổi và triển khai trên Raspberry Pi để đảm bảo hiệu suất thời gian thực.

III. Kết quả và ứng dụng thực tiễn

Hệ thống đạt độ chính xác 90% đối với hình ảnh tĩnh và 85% đối với hình ảnh từ camera. Kết quả này cho thấy tiềm năng ứng dụng của hệ thống trong các tình huống thực tế như quản lý bãi đỗ xe, thu phí tự động và giám sát giao thông. Raspberry Pi đã chứng minh khả năng xử lý các tác vụ Computer Vision cơ bản một cách hiệu quả, mở ra hướng phát triển cho các hệ thống nhúng thông minh.

3.1. Đánh giá hiệu suất

Hệ thống được đánh giá dựa trên độ chính xác và thời gian xử lý. Kết quả cho thấy độ chính xác đạt 90% với hình ảnh tĩnh và 85% với hình ảnh từ camera. Thời gian xử lý trung bình là 1.5 giây mỗi ảnh, đáp ứng yêu cầu thời gian thực. Các yếu tố ảnh hưởng đến hiệu suất bao gồm chất lượng hình ảnh, điều kiện ánh sáng và góc chụp.

3.2. Ứng dụng thực tiễn

Hệ thống có thể được ứng dụng trong nhiều lĩnh vực như quản lý bãi đỗ xe, thu phí tự động và giám sát giao thông. Raspberry Pi giúp hệ thống trở nên linh hoạt và dễ triển khai, phù hợp với các yêu cầu thực tế tại Việt Nam. Nghiên cứu này mở ra hướng phát triển cho các hệ thống nhúng thông minh dựa trên Deep Learning.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự tăng trưởng kinh tế và quá trình đô thị hóa nhanh chóng kéo theo sự gia tăng vượt bậc về số lượng cũng như chủng loại phương tiện giao thông đường bộ. Mật độ phương tiện lưu thông ngày càng dày đặc gây áp lực lớn lên công tác quản lý, giám sát giao thông và điều hành bãi đỗ xe tại các đô thị. Nhận diện biển số xe tự động (Automatic Number Plate Recognition - ANPR) là bài toán then chốt trong lĩnh vực thị giác máy tính nhằm hỗ trợ kiểm soát lưu lượng, tự động hóa trạm thu phí, quản lý bãi đỗ xe thông minh và phục vụ công tác giám sát an ninh trật tự.

Mặc dù các hệ thống nhận diện quy mô lớn đã được triển khai trên thế giới, phần lớn các giải pháp này đòi hỏi hệ thống máy tính có cấu hình phần cứng mạnh, giá thành cao và khó triển khai linh hoạt ở môi trường di động. Việc nghiên cứu ứng dụng các mô hình học sâu (Deep Learning) trên các thiết bị máy tính nhúng nhỏ gọn, chi phí thấp như Raspberry Pi là hướng tiếp cận cần thiết nhưng gặp nhiều thách thức kỹ thuật:

• Năng lực tính toán và dung lượng bộ nhớ của phần cứng nhúng bị giới hạn.
• Điều kiện môi trường ngoại cảnh phức tạp (ánh sáng thay đổi, chói lóa, sương mù, mưa, hậu cảnh phức tạp làm nhiễu vùng biển số).
• Chất lượng thu nhận hình ảnh (độ mờ do chuyển động, góc chụp lệch, khoảng cách thay đổi).
• Sự thiếu hụt các tập dữ liệu biển số xe lớn được gán nhãn chuẩn xác theo đặc thù phương tiện tại Việt Nam.

Khóa luận tốt nghiệp ngành Kỹ thuật Máy tính của nhóm tác giả Nguyễn Quốc Toản và Nguyễn Quang Huy (Trường Đại học Công nghệ Thông tin – Đại học Quốc gia TP. Hồ Chí Minh, năm 2021) được thực hiện nhằm giải quyết bài toán trên.

Mục tiêu và nhiệm vụ nghiên cứu:

1. Nghiên cứu tổng quan về công nghệ nhận diện biển số xe và các kiến trúc học sâu phù hợp cho thị giác máy tính.
2. Xây dựng và hoàn thiện chương trình phần mềm ứng dụng học sâu để phát hiện, phân đoạn và nhận dạng ký tự biển số xe ô tô Việt Nam.
3. Triển khai và tối ưu hóa hệ thống trên nền tảng máy tính nhúng Raspberry Pi kết hợp Camera Pi.
4. Đạt chỉ tiêu thực nghiệm: Độ chính xác nhận diện biển số đạt tối thiểu 90% đối với tập dữ liệu hình ảnh tĩnh có sẵn và đạt tối thiểu 85% đối với hình ảnh chụp trực tiếp từ Camera Pi.

Đối tượng và phạm vi nghiên cứu:

• Đối tượng nghiên cứu: Biển số xe ô tô đang lưu hành tại Việt Nam theo các quy chuẩn hiện hành; các giải thuật xử lý ảnh số và mô hình mạng nơ-ron học sâu (CNN, MobileNet).
• Phạm vi không gian và kỹ thuật: Biển số xe xuất hiện trong ảnh theo phương ngang, không bị che khuất hoàn toàn, độ biến dạng và độ mờ ở mức thấp đến trung bình; camera thu nhận được đặt cố định hoặc di động với góc nghiêng không quá lớn; ảnh có thể bị ảnh hưởng bởi thời tiết nhưng mắt thường vẫn có thể phân biệt được ký tự.
• Giới hạn đề tài: Khóa luận chỉ tập trung vào biển số xe ô tô tại Việt Nam, không xử lý biển số xe máy hoặc biển số xe nước ngoài; kết quả đầu ra là tọa độ vùng biển số và chuỗi ký tự nhận diện dưới dạng văn bản (text).

---

Cơ sở lý thuyết và phương pháp

Khóa luận kết hợp giữa quy chuẩn nhận dạng thực tế, lý thuyết xử lý ảnh cổ điển và các kiến trúc học sâu tối ưu cho thiết bị biên.

Cơ sở pháp lý và quy chuẩn biển số xe

Khóa luận căn cứ vào quy định tại Thông tư 58/2020/TT-BCA của Bộ Công an về quy cách biển số xe ô tô tại Việt Nam:

• Chất liệu và đặc tính: Làm bằng kim loại, có màng phản quang, ký hiệu bảo mật công an hiệu dập chìm (biển đăng ký tạm thời in trên giấy).
• Kích thước: Xe ô tô được gắn 2 biển số ngắn (kích thước chiều cao 165 mm, chiều dài 330 mm) hoặc đổi sang 2 biển số dài (kích thước chiều cao 110 mm, chiều dài 520 mm), hoặc kết hợp 1 biển ngắn và 1 biển dài.
• Màu sắc và ký tự sê-ri:
  • Xe cá nhân, doanh nghiệp: Nền màu trắng, chữ và số màu đen, sử dụng một trong 20 chữ cái sê-ri: A, B, C, D, E, F, G, H, K, L, M, N, P, S, T, U, V, X, Y, Z.
  • Xe cơ quan Đảng, Văn phòng Chủ tịch nước, cơ quan nhà nước: Nền màu xanh, chữ và số màu trắng, sử dụng một trong 11 chữ cái sê-ri: A, B, C, D, E, F, G, H, K, L, M.
  • Xe kinh doanh vận tải: Nền màu vàng, chữ và số màu đen, sử dụng một trong 20 chữ cái sê-ri.
  • Xe khu kinh tế - thương mại đặc biệt: Nền màu vàng, chữ và số màu đỏ.

Tổng quan các mô hình và phương pháp xử lý

• Phương pháp xử lý ảnh truyền thống:
  • Chuyển đổi Hough (Hough Transform): Dò tìm các đường thẳng gần song song dựa trên đặc trưng cạnh biên để xác định khung bao biển số.
  • Hình thái học (Morphological operations): Trích xuất vùng biển số dựa trên hình thái, màu sắc và độ tương phản.
  • Khớp mẫu (Template Matching): Trích xuất các cửa sổ ứng viên và đối sánh mẫu.
• Mô hình học máy và học sâu tham khảo:
  • Faster R-CNN: Mạng nơ-ron hai giai đoạn sử dụng mạng đề xuất vùng (Region Proposal Network - RPN) và lớp RoI Pooling, tối ưu hóa bằng hàm Cross Entropy.
  • YOLO (You Only Look Once): Mạng phát hiện đối tượng đơn giai đoạn chia lưới ảnh, sử dụng hàm mất mát sai số toàn phương trung bình (Mean Square Error - MSE), kỹ thuật Multi-scale training và gom cụm k-means để xác định kích thước khung chuẩn.
  • SVM (Support Vector Machine): Thuật toán học có giám sát tìm siêu phẳng (hyper-plane) tối ưu để phân lớp dữ liệu.
  • Mạng nơ-ron tích chập (Convolutional Neural Network - CNN): Sử dụng các trường tiếp nhận cục bộ (local receptive field), trọng số chia sẻ (shared weights) và các tầng pooling nhằm trích xuất đặc trưng từ mức độ thấp đến mức độ trừu tượng cao.

Mô hình / Kiến trúc	Đặc điểm tính toán	Dung lượng tham số	Độ phù hợp trên máy tính nhúng
VGG16 / VGG19	Tích chập 2D thông thường, khối lượng tính toán lớn	~138M parameters (528 MB - 549 MB)	Không phù hợp (chiếm dụng bộ nhớ và tính toán chậm)
Faster R-CNN	Mạng 2 giai đoạn (RPN + RoI Pooling), độ chính xác cao	Lớn, xử lý phức tạp	Kém linh hoạt trên thiết bị phần cứng hạn chế
YOLO	Mạng 1 giai đoạn, tốc độ xử lý thời gian thực tốt	Trung bình đến nhỏ (tùy phiên bản)	Yêu cầu GPU chuyên dụng để đạt tốc độ cao
MobileNet V1	Sử dụng Depthwise Separable Convolution	4.2M parameters (kích thước nhỏ gọn)	Rất phù hợp cho thiết bị nhúng và IoT

Nguyên lý kiến trúc MobileNet V1

Điểm mấu chốt giúp MobileNet V1 vận hành hiệu quả trên phần cứng giới hạn là kỹ thuật tích chập tách biệt chiều sâu (Depthwise Separable Convolution), bao gồm hai bước:

1. Tích chập chiều sâu (Depthwise Convolution): Chia khối tensor 3D đầu vào thành từng lát cắt theo chiều sâu, áp dụng bộ lọc $k \times k$ độc lập cho từng kênh riêng biệt, giảm số lượng phép tính từ $k \times k \times c$ xuống còn $k \times k$.
2. Tích chập điểm (Pointwise Convolution): Sử dụng các bộ lọc kích thước $1 \times 1 \times c$ để phối hợp thông tin giữa các kênh và thay đổi độ sâu đầu ra từ $c$ sang $c'$.

Tổng số tham số cần sử dụng giảm đi đáng kể so với tích chập thông thường ($c' \times k \times k \times c$), giúp mô hình đạt kích thước gọn nhẹ với 30 lớp chức năng mà vẫn duy trì độ chính xác cao.

---

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc module hóa, kết hợp giữa phần cứng nhúng và pipeline thuật toán xử lý ảnh, học sâu.

Cấu hình phần cứng

• Máy tính nhúng Raspberry Pi 3B+:
  • Vi xử lý: Broadcom BCM2837B0, Quad-core ARM Cortex-A53 (ARMv8) 64-bit SoC @ 1.4 GHz.
  • Bộ nhớ RAM: 1 GB LPDDR2 SDRAM.
  • Kết nối: Wi-Fi băng tần kép 2.4 GHz và 5 GHz IEEE 802.11 b/g/n/ac, Bluetooth 4.2, Gigabit Ethernet qua USB 2.0, 40-pin GPIO.
  • Giao tiếp hình ảnh: Cổng MIPI CSI Camera, cổng xuất HDMI, composite video.
  • Lưu trữ: Thẻ nhớ MicroSD; nguồn cấp 5V/2.5A DC qua cổng microUSB.
• Module Camera Pi V1:
  • Cảm biến: OmniVision OV5647, độ phân giải 5 Megapixels (kích thước ảnh tĩnh 2592 $\times$ 1944 pixels).
  • Góc nhìn (Angle of View): 62.2 độ (đường chéo).
  • Khả năng quay video: Hỗ trợ các chuẩn 1080p@30fps, 720p@60fps, VGA 640x480p@60fps.
  • Ống kính: Tiêu cự cố định (Fixed Focus), kết nối thông qua cáp ribbon cắm trực tiếp vào cổng CSI của Raspberry Pi.

Môi trường phần mềm và cài đặt

• Hệ điều hành: Raspberry Pi OS (Raspbian). Nhóm tác giả thực hiện gỡ bỏ các gói phần mềm mặc định không cần thiết (trình duyệt web, games, LibreOffice, Scratch) để giải phóng RAM và tối ưu hóa tài nguyên xử lý ngầm.
• Ngôn ngữ lập trình: Python 3.7.
• Các thư viện bổ trợ: TensorFlow, Scikit-learn (cùng các gói phụ thuộc SciPy, NumPy, Matplotlib, Pandas).
• Thư viện thị giác máy tính OpenCV v3: Nhóm tiến hành biên dịch (build) trực tiếp mã nguồn OpenCV trên Raspberry Pi (thời gian build từ 3 đến 4 tiếng) thay vì cài đặt gói dựng sẵn qua lệnh pip install, nhằm đảm bảo tính tương thích và độ ổn định cao nhất cho hệ thống nhúng.

Quy trình xử lý nhận dạng (Pipeline)

Quy trình nhận diện biển số xe được triển khai tuần tự qua 4 giai đoạn chính:

[Camera Pi / Ảnh đầu vào]
[Giai đoạn 1: Xác định và tách vùng biển số]
(Ảnh xám ➔ Phân ngưỡng nhị phân ➔ Dò tìm đường biên ➔ Lọc tỷ lệ hình chữ nhật ➔ Cắt và xoay ngang)
[Giai đoạn 2: Phân đoạn từng ký tự]
(Phân ngưỡng nhị phân vùng biển ➔ Tìm đường viền ký tự ➔ Đóng khung Bounding Box ➔ Tách ma trận ký tự)
[Giai đoạn 3: Nhận diện ký tự bằng CNN / MobileNet]
(Trích xuất đặc trưng ➔ Tầng Flatten ➔ Tầng Softmax phân loại ký tự)
[Giai đoạn 4: Xuất chuỗi văn bản & Lưu cơ sở dữ liệu]

1. Xác định và tách biển số xe ô tô (5 bước):
   • Bước 1: Chuyển đổi ảnh đầu vào sang ảnh mức xám (Grayscale), thực hiện nhị phân hóa để tìm kiếm các vùng màu trắng có diện tích phù hợp.
   • Bước 2: Dò tìm đường biên của các vùng trắng, loại bỏ các khung ảnh có mật độ pixel không phù hợp, chọn vùng có tỷ lệ kích thước tương ứng với biển số xe ô tô.
   • Bước 3: Cắt vùng ảnh ứng viên có tỷ lệ phù hợp, chuyển đổi sang ảnh xám và nhị phân hóa lần hai để tìm viền bao quanh.
   • Bước 4: Phân tích viền bao quanh bằng các khung hình chữ nhật và xác định khung có kích thước chuẩn.
   • Bước 5: Cắt chính xác vùng biển số được bao quanh và xoay về phương ngang.
2. Phân đoạn từng ký tự (3 giai đoạn):
   • Giai đoạn 1 (Phân ngưỡng): Nhị phân hóa ảnh biển số đã cắt để tách các điểm ảnh của ký tự khỏi nền biển số.
   • Giai đoạn 2 (Tìm vùng đối tượng): Dò tìm các đường viền bao quanh từng ký tự, sử dụng các hình chữ nhật (bounding boxes) bao quanh từng ký tự riêng biệt.
   • Giai đoạn 3 (Tách vùng ký tự): Cắt riêng từng ký tự dựa theo bounding box, chuyển thành các ma trận điểm ảnh chuẩn hóa để chuẩn bị đưa vào mô hình phân loại.
3. Nhận diện ký tự với MobileNet:
   • Các ma trận ký tự sau khi phân đoạn được đưa vào mô hình CNN xây dựng dựa trên kiến trúc MobileNet V1.
   • Mô hình sử dụng các bộ lọc tích chập tách biệt chiều sâu tăng dần để trích xuất đặc trưng, kết hợp tầng làm phẳng (Flatten) và hàm kích hoạt Softmax ở tầng cuối cùng để phân loại các chữ số (0–9) và chữ cái (A–Z).
4. Lưu trữ dữ liệu:
   • Chuỗi ký tự nhận diện hoàn chỉnh được ghép lại theo đúng thứ tự tọa độ và gửi về cơ sở dữ liệu trên server để phục vụ công tác tra cứu, quản lý.

---

Nội dung chính theo từng chương

Chương 1: Mở đầu và các nghiên cứu liên quan

Chương 1 trình bày bối cảnh gia tăng phương tiện giao thông, sự cần thiết của các hệ thống giám sát tự động và lý do lựa chọn nền tảng máy tính nhúng Raspberry Pi. Nhóm tác giả xác định mục tiêu xây dựng phần mềm nhận diện biển số xe ô tô Việt Nam và giới hạn phạm vi nghiên cứu (biển số đặt ngang, góc chụp không quá lệch, ảnh rõ ký tự).

Đồng thời, chương này tổng thuật hai công trình nghiên cứu liên quan tại Trường Đại học Công nghệ Thông tin:

1. Đề tài "Nghiên cứu thuật toán SSD vào nhận diện biển số xe" (GVHD: Phan Đình Duy; SV: Ngô Xuân Đức, Phạm Vũ Thiên Bảo): Ứng dụng thuật toán Single Shot MultiBox Detector (SSD) trên máy tính nhúng NVIDIA Jetson Nano (GPU Maxwell), sử dụng thư viện GluonCV, MXNet và CUDA10 trên hệ điều hành Ubuntu Mate; đạt độ chính xác khoảng 85% với thời gian thực thi trung bình 1.5 giây/ảnh.
2. Đề tài "Phát hiện và trích xuất thông tin biển số xe" (2018, GVHD: ThS. Trương Văn Cương; SV: Trần Thanh Tịnh, Nguyễn Phát Nhật Hào): Xây dựng mô hình xử lý thời gian thực trên máy tính cá nhân (cấu hình CPU Intel Core i7 thế hệ 7, RAM 16 GB, GPU NVIDIA GeForce GTX 1050 Ti 4 GB, xung nhịp 3.2 GHz); đạt độ chính xác phát hiện biển số tối thiểu 95% và độ chính xác trích xuất thông tin tối thiểu 85%.

Chương 2: Hệ thống nhận dạng biển số xe

Chương 2 tập trung trình bày cơ sở lý thuyết về hệ thống ANPR và phân loại ứng dụng thành 2 nhóm chính:

• Nhóm giới hạn vùng nhìn: Áp dụng tại trạm thu phí, bãi giữ xe, trạm gác cổng nơi phương tiện di chuyển chậm và góc chụp được cố định.
• Nhóm không giới hạn vùng nhìn: Áp dụng tại các nút giao thông phức tạp (ngã ba, ngã tư) để điều tiết giao thông và phát hiện vi phạm.

Chương này phân tích sâu các phương pháp xử lý ảnh (chuyển đổi Hough, hình thái học, khớp mẫu) cùng các mô hình học máy (Faster R-CNN, YOLO, SVM, CNN). Điểm nhấn của chương là phần phân tích toán học về sự khác biệt giữa tích chập 2 chiều thông thường và tích chập tách biệt chiều sâu (Depthwise Separable Convolution) trong MobileNet V1, chứng minh khả năng tối ưu hóa tham số (4.2M tham số) để đáp ứng yêu cầu của các thiết bị phần cứng hạn chế tài nguyên. Chương cũng giới thiệu các công cụ phần mềm gồm TensorFlow, Scikit-learn và OpenCV.

Chương 3: Thiết kế và lập trình hệ thống

Chương 3 là trọng tâm kỹ thuật của khóa luận, mô tả chi tiết:

• Thông số phần cứng của bo mạch Raspberry Pi 3B+ và cảm biến Camera Pi V1.
• Quy chuẩn kích thước, màu sắc biển số xe ô tô theo Thông tư 58/2020/TT-BCA.
• Thuật toán định vị và tách khung biển số qua quy trình 5 bước lọc hình học và ngưỡng nhị phân.
• Kỹ thuật phân đoạn ký tự qua 3 giai đoạn để trích xuất các ma trận ký tự độc lập.
• Cấu trúc mạng nơ-ron MobileNet phục vụ nhận dạng ký tự.
• Quy trình chuẩn bị môi trường: Cài đặt Raspbian, gỡ bỏ ứng dụng thừa, build OpenCV v3 từ mã nguồn trong 3-4 tiếng.
• Thực nghiệm hệ thống: Tiến hành thử nghiệm trên tập dữ liệu 500 ảnh xe ô tô tải về từ website choxeotofun và kiểm thử trực tiếp bằng Camera Pi V1; ghi nhận và phân tích các trường hợp nhận diện thành công cũng như các ca lỗi nhận diện sai hoặc thiếu ký tự.

Chương 4: Kết luận và hướng phát triển

Chương 4 tổng kết các kết quả đạt được về mặt mô hình và chương trình thực thi trên Raspberry Pi. Nhóm tác giả thẳng thắn chỉ ra các điểm hạn chế về tốc độ xử lý do giới hạn phần cứng, sự nhầm lẫn giữa các ký tự có cấu trúc tương đồng và đề xuất các giải pháp nâng cấp tập dữ liệu cũng như kiến trúc mô hình trong tương lai.

---

Kết quả và đóng góp

Kết quả thực nghiệm

Hệ thống được kiểm thử độc lập trên hai tập dữ liệu nhằm đánh giá toàn diện khả năng hoạt động:

Tập dữ liệu thực nghiệm	Nguồn gốc và quy mô	Tỷ lệ chính xác ghi nhận	Ghi chú và nguyên nhân sai lệch
Ảnh tĩnh có sẵn	500 ảnh ô tô tải về từ trang web choxeotofun	> 90%	Ảnh chụp rõ nét, góc chụp chính diện hoặc nghiêng vừa phải
Ảnh chụp từ Camera Pi	Chụp thực tế từ module Camera Pi V1	~ 85%	Chất lượng ảnh bị ảnh hưởng bởi ánh sáng môi trường và rung lắc

Các lỗi sai điển hình được phát hiện trong quá trình thực nghiệm:

• Nhầm lẫn ký tự tương đồng: Hệ thống có hiện tượng nhận diện sai giữa chữ cái G và C, giữa chữ số 6 và 8 (hoặc nhầm chữ số 6 với chữ cái S).
• Bỏ sót ký tự: Khi ảnh chụp có độ nghiêng lớn hoặc ký tự bị mờ do ánh sáng phản xạ, một số ký tự ở rìa biển số không được tách biên chính xác dẫn đến việc nhận diện thiếu ký tự trong chuỗi kết quả.

Đóng góp của khóa luận

1. Giải pháp hệ thống chi phí thấp: Chứng minh tính khả thi của việc triển khai một hệ thống nhận diện biển số xe hoàn chỉnh trên máy tính nhúng giá rẻ Raspberry Pi 3B+ kết hợp Camera Pi V1 mà không bắt buộc phải sử dụng các máy trạm PC đắt tiền hay kit nhúng chuyên dụng có GPU rời.
2. Ứng dụng hiệu quả mô hình mạng nhẹ: Áp dụng thành công kiến trúc MobileNet V1 với kỹ thuật Depthwise Separable Convolution, giúp giải bài toán phân loại ký tự với lượng tham số nhỏ (4.2M) và thời gian tính toán phù hợp trên CPU ARM.
3. Hiện thực hóa quy chuẩn thực tế: Xây dựng quy trình xử lý ảnh bám sát quy chuẩn kích thước, tỷ lệ và màu sắc của biển số xe ô tô Việt Nam theo Thông tư 58/2020/TT-BCA.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế

• Giới hạn phần cứng: Bộ vi xử lý 1.4 GHz và bộ nhớ RAM 1 GB của Raspberry Pi 3B+ không có GPU tăng tốc chuyên dụng, khiến tốc độ xử lý chưa tối ưu cho các luồng video thời gian thực tốc độ cao.
• Quy mô tập dữ liệu huấn luyện: Lượng dữ liệu thực nghiệm còn khiêm tốn (500 ảnh tĩnh), chưa bao phủ toàn bộ các điều kiện thời tiết khắc nghiệt (mưa lớn, ban đêm hoàn toàn, sương mù dày) hoặc các góc chụp quá nghiêng.
• Độ nhạy của cảm biến camera: Cảm biến OV5647 tiêu cự cố định dễ bị giảm chất lượng ảnh khi đối tượng chuyển động nhanh hoặc điều kiện ánh sáng thay đổi đột ngột.
• Hiện tượng nhầm lẫn ký tự: Thuật toán phân loại vẫn còn nhầm lẫn giữa các ký tự có đường nét hình học gần giống nhau (G/C, 6/8/S).

Hướng nghiên cứu tiếp

• Mở rộng tập dữ liệu huấn luyện với số lượng lớn ảnh biển số xe ô tô được chụp trong nhiều điều kiện ánh sáng, góc độ và thời tiết đa dạng hơn.
• Cải tiến kiến trúc mạng học sâu để tăng cường khả năng trích xuất đặc trưng phân biệt đối với các cặp ký tự dễ nhầm lẫn.
• Nghiên cứu áp dụng các kỹ thuật nén mô hình hoặc chuyển dịch sang các dòng máy tính nhúng có bộ xử lý nơ-ron (NPU) chuyên dụng để nâng cao tốc độ xử lý thời gian thực trên luồng video.

---

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo thiết thực cho:

• Sinh viên và kỹ sư ngành Kỹ thuật Máy tính, Công nghệ Thông tin, Hệ thống Nhúng và IoT: Cung cấp hướng dẫn chi tiết từ cấu hình phần cứng Raspberry Pi, tối ưu hóa hệ điều hành Raspbian đến quy trình biên dịch OpenCV trực tiếp từ mã nguồn.
• Người nghiên cứu các bài toán thị giác máy tính trên thiết bị biên (Edge AI): Cung cấp tài liệu tham khảo về việc áp dụng kiến trúc MobileNet V1 và phép tích chập tách biệt chiều sâu (Depthwise Separable Convolution) để giải bài toán phân loại với tài nguyên bộ nhớ hạn chế.
• Các nhà phát triển hệ thống giao thông thông minh: Cung cấp quy trình 5 bước tách biển số và 3 giai đoạn phân đoạn ký tự dựa trên các thông số hình học thực tế của biển số xe cơ giới tại Việt Nam.

---

Câu hỏi thường gặp

1. Khóa luận sử dụng các thiết bị phần cứng cụ thể nào và cấu hình chi tiết ra sao?
Khóa luận sử dụng máy tính nhúng Raspberry Pi 3B+ (vi xử lý Broadcom BCM2837B0 Quad-core ARM Cortex-A53 64-bit @ 1.4 GHz, RAM 1 GB LPDDR2) kết hợp với module cảm biến Camera Pi V1 (cảm biến OmniVision OV5647 5 MP, độ phân giải ảnh tĩnh 2592 $\times$ 1944 pixels, góc nhìn chéo 62.2 độ, ống kính tiêu cự cố định).

2. Quy trình tách biển số xe ô tô trong khóa luận được thực hiện qua những bước nào?
Quy trình tách biển số gồm 5 bước: (1) Chuyển ảnh xám, nhị phân hóa để tìm vùng trắng có diện tích phù hợp; (2) Dò tìm đường biên, loại bỏ các khung có mật độ pixel không phù hợp và chọn vùng có tỷ lệ chuẩn; (3) Cắt vùng ảnh có tỷ lệ phù hợp, chuyển xám và nhị phân để tìm viền bao quanh; (4) Phân tích viền bao quanh bằng các khung hình chữ nhật kích thước phù hợp; (5) Cắt vùng biển số hình chữ nhật và xoay về phương ngang.

3. Vì sao nhóm tác giả lại lựa chọn kiến trúc MobileNet V1 cho bài toán nhận diện ký tự?
Vì MobileNet V1 sử dụng kỹ thuật Depthwise Separable Convolution (kết hợp tích chập chiều sâu Depthwise và tích chập điểm Pointwise $1 \times 1$), giúp giảm đáng kể khối lượng tính toán và lượng tham số mô hình xuống còn khoảng 4.2M (chỉ bằng khoảng 1/35 so với VGG19), cho phép mô hình hoạt động mượt mà và chính xác trên phần cứng hạn chế tài nguyên như Raspberry Pi.

4. Độ chính xác thực nghiệm của hệ thống đạt được cụ thể là bao nhiêu?
Hệ thống đạt độ chính xác trên 90% khi thử nghiệm trên tập 500 ảnh tĩnh lưu trữ sẵn (tải từ website choxeotofun) và đạt độ chính xác khoảng 85% khi chạy thực nghiệm với hình ảnh thu nhận trực tiếp từ Camera Pi V1.

5. Khóa luận căn cứ vào văn bản pháp lý nào để xác định đặc trưng nhận dạng biển số xe ô tô tại Việt Nam?
Khóa luận căn cứ vào Thông tư số 58/2020/TT-BCA của Bộ Công an quy định về quy cách chất liệu kim loại phản quang, kích thước biển ngắn (165 $\times$ 330 mm), biển dài (110 $\times$ 520 mm) cũng như quy chuẩn màu sắc nền biển và sê-ri chữ cái cho từng nhóm đối tượng phương tiện.

---

Kết luận

Khóa luận tốt nghiệp của tác giả Nguyễn Quốc Toản và Nguyễn Quang Huy đã nghiên cứu và triển khai thành công chương trình nhận diện biển số xe ô tô Việt Nam dựa trên công nghệ học sâu sử dụng máy tính nhúng Raspberry Pi 3B+ và Camera Pi V1. Bằng việc kết hợp các giải thuật xử lý ảnh theo quy chuẩn Thông tư 58/2020/TT-BCA với mô hình mạng nhẹ MobileNet V1, hệ thống đạt độ chính xác trên 90% đối với ảnh tĩnh và khoảng 85% đối với ảnh chụp trực tiếp từ camera. Đây là tài liệu tham khảo kỹ thuật hữu ích cho việc phát triển các ứng dụng thị giác máy tính và trí tuệ nhân tạo nhúng trên các thiết bị biên có chi phí thấp.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUOC GIA TP. HO CHÍ MINH TRUONG DAI HỌC CÔNG NGHỆ THONG TIN KHOA KY THUAT MAY TINH NGUYEN QUOC TOAN NGUYEN QUANG HUY KHOA LUAN TOT NGHIEP NGHIEN CUU VA XAY DUNG CHUONG TRINH NHAN DIEN BIEN SO XE VOI DEEP LEARING SU DUNG RASPBERRY PI Research and develop a license plate identification program with deep learning using raspberry Pi KỸ SƯ NGANH KỸ THUAT MAY TÍNH TP. HÒ CHÍ MINH, 2021 ĐẠI HỌC QUOC GIA TP. HO CHÍ MINH TRUONG ĐẠI HỌC CÔNG NGHỆ THONG TIN KHOA KĨ THUẬT MÁY TÍNH NGUYÊN QUỐC TOẢN - 17521140 NGUYÊN QUANG HUY - 17520582 KHÓA LUẬN TÓT NGHIỆP NGHIÊN CUU VÀ XÂY DỰNG CHUONG TRÌNH NHAN DIỆN BIÊN SỐ XE VỚI DEEP LEARNING SỬ DỤNG RASPBERRY PI Research and developa license plate identification program with deep learning using raspberry Pi KY SU NGANH KY THUAT MAY TINH GIANG VIEN HUONG DAN THS.LE HOÀI NGHĨA TP.

HO CHÍ MINH, 2021 THONG TIN HỘI DONG CHAM KHÓA LUẬN TOT NGHIỆP Hội đồng châm khóa luận tốt nghiệp, thành lập theo Quyết định số 466/QD- ĐHCNTT ngày 23 tháng 07 năm 2021 của Hiệu trưởng Trường Đại học Công nghệ Thông tin. Vũ Đức Lung — Chủ tịch. Trần Quang Nguyên - Thư ký. Phan Đình Duy — Ủy viên.

LỜI CẢM ƠN Dé hoàn thành được khóa luận tốt nghiệp này, ngoài sự nỗ lực học hỏi và vận dụng kiến thức của nhóm, còn có sự giúp đỡ hết sức to lớn đến từ các thầy cô, bạn bè và nhà trường trong suốt quá trình nhóm thực hiện. Nhóm xin gửi lời cảm ơn chân thành đến các thầy cô, anh chị, bạn bè thuộc trường Đại học Công Nghệ Thông Tin và khoa Kỹ Thuật Máy Tính đã tạo điều kiện và giúp đỡ chúng em hoàn thành khóa luận tốt nghiệp của mình. Đặc biệt em xin cảm ơn thầy Ths. Lê Hoài Nghĩa đã luôn hỗ trợ và hướng dẫn chúng em trong suốt thời gian làm khóa luận vừa qua.

Em cũng xin cảm ơn quý thầy cô trong khoa Kỹ Thuật Máy Tính đã tận tình giảng dạy và trang bị cho chúng em những kiến thức cần thiết và bồ ích, là nền tảng vững chắc hỗ trợ chúng em rất nhiều trong việc hoàn thành khóa luận tốt nghiệp này. Mặc dù chúng em đã cố gắng hét khả năng của mình dé hoàn thiện dé tài cũng như bài báo cáo khóa luận tốt nghiệp một cách tốt nhất. Tuy nhiên sẽ không tránh được những thiếu sót. Vì vậy, nhóm rất mong nhận được sự thông cảm cũng như những chia sẻ và góp ý quý báu của quý thầy cô đề giúp chúng em có thê hoàn thiện tốt hơn nữa.

Chúng em xin chân thành cảm ơn! MỤC LỤC Churong 88019)/6/9)0. Các nghiên cứu liên quan:. Để tài “ Nghiên cứu thuật toán SSD vào nhận diện biển số xe”. Đề tài “phát hiện và trích xuất thông tin biển số xe”.

Giới thiệu để tài:. Mục tiêu nghiên CỨU.-- - ¿5+ St SE TH T001. Giới hạn đề tài.ccsc tri 6 Chương 2. Hệ thống nhận dạng biển SỐ xe.----22cv2cc+22EcvEveeritrtrrrrrrrrrrrrre 7 2.

_ Cách thức hoạt động của hệ thông nhận dạng biên sô xe. Phân loại các ứng dụng nhận dạng biển số xe. Ứng dụng thực tiễn tại Việt Nam. Phương pháp nhận dang biển số xe từ ảnh chụp của camera.

Các mô hình nhận dạng biên số Xe. Mạng Faster RCNN 2. Công nghệ xử lý anh. -- 6 tt TT HH HH gi 2 2.

Thuật toán CNN (Convolutional Neural NetworK). Nhu cau về lightweight model. Các dạng tích chập. Tích chập 2 chiều thông thường.

Tích chập tách biệt chiều sâu. ceceeeesesseseseseeseerssessessersseersasenseesaesncarsnceeeavencaeeasaeaeaneeeeneees 27 Chương 3. tt Tnhh HH HH HH HH tư. Thiết kế và lập trình hệ thống.

_ Thiết kế hệ thống. Xác định vùng chứa bién số xe và tách biến số xe 6 tô. Phân đoạn từng ki tự. Nhận diện kí tự.

Cài đặt thư viện và môi trường. Chạy thực nghiệm hệ thống —. Chạy thực nghiệp với các hình ảnh có sẵn. Chạy thực nghiệm với cá hình ảnh trực tiếp từ camera pi.

Lưu trữ kết quả đã nhận diện .-- -- + 55+ Server 47 Chương 4. KET LUẬN VÀ HƯỚNG PHAT TRIÉN. Môi trường hệ thống sử dụng. Điểm hạn chế và hướng phát triển.

Điểm hạn chế. Hướng phat trién .,ÔỎ 50 DANH MỤC HÌNH Hình 2.1 Thiết kế hệ thống nhận diện biển số của dé tài(1) .---- + 25 s2 s+s+cs+sz+z 3 Hình 2.2: Sơ đồ luồng xử lý của mô hình.--- 2-2 s¿++£++£+E++EE+EE£+E++EE+EErEzEerrxerxeee 4 Hình 2.3: Mô hình kiến trúc mạng Faster RCNN( nguồn paperswithcode.4: Kiến trúc của YOLO (nguồn AICUTIOUS.5: Cấu trúc SVM o. Mối quan hệ giữa AI, ML, DL (nguồn codelearn.7: Mô phỏng mô hình tích chập 2 chiều thông thường.8: Mô phỏng mô hình tích chập chiều sâu.9: Mô phỏng mô hình tích chập điểm .----- ¿- ¿2 +52 £+EE+E£2E££E+£E££Eerxzrszrs 22 Hình 2.10: Cấu trúc của một Depthwise Separable Convolution.11: Mô hình kiến trúc mạng mobileÌNet.ck ng TH HH HH HH ệt 29 Hình 3.- -- - s11 1930 1 910 HT HT nh re 30 Hình 3.3: Bộ dữ liệu được sử dụng.-- -- c1 1112111 111 119 11H 1n HH ket 31 Hình 3.4: Mô hình hệ th6ng.5: Sơ đồ khối tổng quát xác định vi trí của biển số xe.6: Sơ đồ khối tách biỂn sỐ.7: Các giai đoạn trong việc phân đoạn từng ký tự.- -ccc«csecseeseresree 35 Hình 3.8: Hệ thống nhận diện biển số xe dùng Raspberry Pi.9: Tập dữ liệu dé chạy thực nghiém.10 Nhận diện với hình ảnh chính diện(Ï) .11: Nhận diện với hình ảnh chính diện(2). 5 + St £svsessseeseeek 39 Hình 3.12: Nhận diện với các hình ảnh có độ nghiêng vừa phải (1).13: Nhận diện với các hình ảnh có độ nghiêng vừa phải (2).14: Nhằm lẫn giữa kí tự tương đồng “G” và “*C””.----+cs+cckcrkerxerserssree 42 Hình 3.15: Nhằm lẫn giữa kí tự tương đồng “6” và “*§”.16: Kết quả thực nghiệp khi chạy với camera Pi (1) .17: Kết quả thực nghiệp khi chạy với camera Pi (2) .18: Kết quả thực nghiệp khi chạy với camera Pi (3) .---:---¿-s¿©++csz+cse2 45 Hình 3.19: Nhận diện sai ký tự tương đồng “*G” và “*C””.--:-cs+ccr2kcckerkerkerxerkrree 46 Hình 3.20: Nhận diện thiếu ký tự trong biỀn.---¿- ¿5c ESE+EE+EE£EE2EE2E£EeEEerEerkerkrree 46 Hình 3.21: Luu trit két 0 Na.

47 DANH MỤC BANG Bảng 2. Một số thông số của các mô hình khác nhau Bảng 3.1 : Độ chính xác khi sử dụng các hình ảnh được lưu trữ sẵn vào raspberry pi.2: Độ chính xác khi lay ảnh vào từ camera pi. DANH MỤC TỪ VIET TAT IOT: Interner of thing GPS: Global Positioning System CNN: Convolution Neural Networks RNN: Recurrent Neural Networks GPU: Graphics Processing Unit AI: Artifical Intelligence ML: Machine learning DL: Deep learning GPIO: General-purpose input/output TOM TAT KHÓA LUẬN Với những hình ảnh trích xuất từ camera, việc quan trọng nhất là xác định được biển số xe từ đó làm cơ sở dé giải quyết các vụ việc vi phạm giao thông, quan lý việc đăng ký và sử dụng phương tiện giao thông, hỗ trợ thu phí tự động cũng như ứng dụng vào các lĩnh vực an ninh khác. Do đó việc xây dựng một ứng dụng nhận diện bién số xe thông minh có ý nghĩa và tính thực tế cao.

Dưới góc độ khoa học, việc nghiên cứu các phương pháp nhận diện biển số xe mới góp phần đưa ra những cách giải quyết khác nhau cho bài toán này cũng như giải quyết những vấn đề mà các phương pháp trước chưa đạt được. Dựa trên các nghiên cứu về học sâu, đề tài đã ứng dụng và kết hợp các phương pháp này dé cho ra mô hình giúp đồng thời phát hiện và nhận dang biên số xe. Đây là hướng nghiên cứu khá mới hiện nay và có những thuận lợi, khó khăn riêng so với phương pháp truyền thống. Những thuận lợi có thé ké tới như việc rút trích đặc trưng không còn làm một cách thủ công mà đã tích hợp hoàn toàn với học máy giúp giảm di sự phức tạp và tăng độ hiệu quả.

Đặc biệt với các nghiên cứu gần đây, quá trình nhận dạng biển số xe đã loại bỏ hoàn toàn công đoạn phân đoạn kí tự giúp giảm thòi gian xử lý cũng như hạn chế bớt các sai sót. Hơn nữa các phương pháp học sâu phù hợp với các phần cứng tính toán song song như GPU giúp tăng tốc trong quá trình xử lý. Bên cạnh đó, vẫn tồn tại những khó khăn, thách thức và nồi bật nhất là van dé dir liệu. Các phương pháp học sâu đòi hỏi một lượng dữ liệu khá lớn đề có thể làm việc tốt.

Dù có những hạn chế về mặt dữ liệu, bước đầu đề tài đã cho kết quả tương đối khả quan. MO DAU Ngày nay trên thé giới bên cạnh việc tăng trưởng kinh tế là sự phát triển của các ngành khoa học kỹ thuật. Các ngành công nghiệp liên quan tới việc sản xuất phương tiện giao thông ngày càng có tốc độ phát triển cực nhanh. Sự phát triển này được phản ánh thông qua việc mật độ giao thông công cộng ngày càng tăng cao và rất đa dạng về phương tiện.

Điều này gây ảnh hưởng tới việc quản lý và giám sát lưu lượng phương tiện sẽ trở nên khó khăn. Các hệ thống liên quan tới phát hiện, trích xuất và quản lý phương tiện được phát triển mạnh mẽ sẽ giải quyết được phần nào những khó khăn đó. Lĩnh vực này được quan tâm rất lớn trong thời đại công nghiệp 4.0 như hiện nay. Các hệ thống quản lý lớn đã có trên thé giới.

Nhưng việc quản lý với việc sử dung các máy tính nhúng có cau hình vừa phải và gọn nhẹ dễ xây dựng được một hệ thống quản lý một cách di động. Do đó nhóm chúng em đã chọn đề tài “nghiên cứu và xây dựng chương trình nhận diện biển số xe với deep learning sử dung Raspberry Pi” với mục đích trợ giúp cho công tác giám sát hay xây dựng một hệ thống bãi đỗ xe thông minh có thê hoạt động một cách di động, gọn nhẹ. Các nghiên cứu liên quan: 1. Dé tài “ Nghiên cứu thuật toán SSD vào nhận diện bién số xe”.

Phan Đình Duy đã hướng dẫn nhóm sinh viên bao gồm Ngô Xuân Đức, Phạm Vũ Thiên Bảo bảo vệ thành công đề tài “Nghiên cứu thuật toán SSD vào nhận diện biến số xe”. Luận văn nhằm nghiên cứu ứng dụng thuật toán SSD dé có thé thiết kế model nhận diện biển số xe máy tại Việt Nam. Model gồm 2 chức năng chính là nhận diện khung biển số xe và xác định ký tự trong biển số. Model được vận hành trên môi trường máy tính nhúng.

Các công cụ được sử dụng trong đề tài: Máy tính nhúng NVIDIA Jetson Nano sử dụng Maxwell GPU. Bên cạnh đó thư viện GluonCV hỗ trợ rất tốt cho các GPU của hãng NVIDIA do đó việc sử dung GPU trên máy tính nhúng Jetson Nano dé thực hiện các mô hình của hệ thống rất đơn giản. Nhóm sử dụng hệ điều hành Ubuntu Mate cho máy tính nhúng Jetson Nano. Cài đặt các thư viện cần thiết Opencv, GluonCV và MXNet phiên ban hỗ trợ với CUDA10.