Xây dựng hệ thống nhận diện và quản lý biển số xe tại nhà xe Trường Đại học Kinh tế - Đại học Huế

Khóa luận nhận diện và quản lý biển số xe tại nhà xe Trường Đại học Kinh tế - Đại học Huế

• Tác giả: Nguyễn Kim Tiến
• Người hướng dẫn: TS. Hoàng Hữu Trung
• Trường học: Trường Đại học Kinh tế - Đại học Huế
• Chuyên ngành: Hệ thống thông tin quản lý
• Đề tài: Xây dựng hệ thống nhận diện và quản lý biển số xe tại nhà xe Trường Đại học Kinh tế - Đại học Huế
• Loại tài liệu: Khóa luận cuối khóa
• Năm xuất bản: 2025
• Địa điểm: Huế

Tóm tắt

I. Tổng quan nhận diện và quản lý biển số xe Đại học Kinh tế Huế

Quản lý phương tiện tại các trường đại học đóng vai trò quan trọng trong việc giữ gìn trật tự khuôn viên. Trường Đại học Kinh tế - Đại học Huế có số lượng sinh viên, giảng viên và khách ra vào mỗi ngày rất lớn. Mô hình kiểm soát thủ công truyền thống bằng vé giấy bộc lộ nhiều điểm nghẽn nghiêm trọng. Tình trạng ùn tắc giao thông cục bộ thường xuyên diễn ra vào giờ cao điểm đầu buổi học. Nhân viên bảo vệ phải ghi chép thông tin biển số xe bằng tay, gây tốn thời gian và dễ nhầm lẫn. Việc ứng dụng công nghệ nhận diện biển số tự động là hướng đi cấp thiết nhằm hiện đại hóa cơ sở vật chất. Trí tuệ nhân tạo và học sâu mang lại độ chính xác cao trong bài toán xử lý ảnh số. Hệ thống thông minh tự động phát hiện vị trí biển số trên khung hình camera thời gian thực. Sau đó, thuật toán nhận dạng ký tự chuyển đổi hình ảnh quang học thành dữ liệu số có cấu trúc. Cơ sở dữ liệu lưu trữ lịch sử ra vào đồng bộ phục vụ công tác tra cứu tức thì. Mô hình này giúp nâng cao ý thức chấp hành nội quy và xây dựng môi trường học đường an toàn, thông minh.

1.1. Khái niệm về hệ thống nhận diện biển số xe tự động

Hệ thống nhận diện biển số xe tự động là công nghệ thị giác máy tính tiên tiến. Mô hình này sử dụng camera chuyên dụng để chụp ảnh phương tiện giao thông. Thuật toán máy tính sẽ phân tích khung hình để xác định chính xác vùng biển số. Tiếp theo, hệ thống tách riêng từng ký tự chữ số và nhận dạng quang học. Kết quả chuỗi ký tự được đối chiếu trực tiếp với cơ sở dữ liệu đăng ký ban đầu. Quá trình xử lý diễn ra chỉ trong vài phần trăm giây. Độ trễ thấp giúp phương tiện di chuyển qua cổng kiểm soát thông suốt. Thiết bị hoạt động ổn định trong nhiều điều kiện ánh sáng khác nhau mà không cần can thiệp thủ công.

1.2. Mục tiêu chuyển đổi số bãi giữ xe trường đại học

Chuyển đổi số công tác kiểm soát bãi xe hướng tới xây dựng đại học thông minh. Mục tiêu đầu tiên là giảm thiểu thời gian chờ đợi của cán bộ và sinh viên. Tốc độ kiểm tra nhanh giúp loại bỏ tình trạng ùn tắc giao thông giờ cao điểm. Mục tiêu thứ hai là nâng cao tính minh bạch và an toàn tài sản. Mọi lượt xe ra vào đều được số hóa, lưu trữ ảnh chụp và thời gian chính xác. Nhân sự an ninh dễ dàng truy vết các sự cố mất cắp hoặc tranh chấp phương tiện. Đồng thời, giải pháp số giúp ban quản trị theo dõi mật độ gửi xe theo thời gian thực. Nhà trường có thể tối ưu hóa mặt bằng và nâng cấp chất lượng dịch vụ quản lý bãi đỗ.

II. Thực trạng quản lý biển số xe tại Trường Đại học Kinh tế Huế

Khuôn viên Trường Đại học Kinh tế - Đại học Huế tiếp nhận hàng ngàn lượt phương tiện mỗi ngày. Hệ thống kiểm soát hiện tại phụ thuộc chủ yếu vào thẻ nhựa hoặc phiếu ghi giấy. Quy trình thủ công này tạo ra áp lực nặng nề cho lực lượng bảo vệ. Vào giờ tan học, dòng người xếp hàng kéo dài gây ùn ứ trước cổng trường. Thẻ giữ xe truyền thống dễ xảy ra nguy cơ làm rơi, rách hoặc bị làm giả. Kẻ gian có thể lợi dụng sơ hở để hoán đổi thẻ và chiếm đoạt tài sản giá trị. Việc đối chiếu thủ công giữa vé số và biển số thực tế tốn nhiều công sức nhưng vẫn xảy ra sai sót. Ngoài ra, ban quản lý gặp khó khăn khi thống kê số lượng phương tiện lưu trú qua đêm. Dữ liệu ghi chép rời rạc trên sổ sách không thể đồng bộ hóa để báo cáo kịp thời. Môi trường nhiệt độ cao, mưa gió thất thường tại Huế cũng ảnh hưởng đến độ bền của thẻ vật lý. Những hạn chế này đòi hỏi một giải pháp công nghệ nhận diện biển số tự động và hiện đại.

2.1. Rủi ro từ phương pháp kiểm soát bãi đỗ truyền thống

Quy trình vận hành bãi xe bằng vé thủ công tiềm ẩn nhiều rủi ro an ninh. Nhân viên trực chốt không thể ghi nhớ tất cả khuôn mặt chủ phương tiện. Thao tác đối chiếu biển số bằng mắt thường rất dễ bỏ lọt sai phạm khi mệt mỏi. Người lạ có thể nhặt được vé rơi và tự ý dắt xe ra khỏi trường. Thẻ giấy thấm nước mưa nhanh chóng bị mờ mực, rách nát và mất giá trị xác thực. Thẻ nhựa từ cũng có thể bị gãy hỏng sau thời gian dài sử dụng liên tục. Chi phí in ấn lại vé xe mới phát sinh đều đặn mỗi học kỳ. Tình trạng gian lận vé gây thất thoát nguồn thu và làm giảm uy tín nhà trường.

2.2. Vấn đề quá tải lưu lượng xe giờ cao điểm tại trường

Lượng xe tập trung đông đúc vào các khung giờ chuyển tiết học tạo áp lực cực lớn. Cổng vào nhà xe chỉ có bề rộng giới hạn cho hai luồng di chuyển. Khi nhân viên dừng từng xe để phát vé, dòng xe phía sau lập tức bị dồn ứ. Sinh viên vội vàng vào lớp thường nôn nóng bấm còi và chen lấn lộn xộn. Tiếng ồn và khói thải làm suy giảm chất lượng không khí trong khuôn viên học tập. Tình trạng tắc nghẽn kéo dài lan ra trục đường chính bên ngoài trường học, gây cản trở giao thông đô thị. Công tác kiểm soát thủ công không đủ năng lực xử lý lưu lượng lớn trong khoảng thời gian ngắn. Tự động hóa là lời giải cần thiết cho bài toán này.

III. Giải pháp ứng dụng YOLO trong nhận diện và quản lý biển số xe

Giải pháp xây dựng hệ thống quản lý biển số xe thông minh sử dụng thuật toán YOLO kết hợp công nghệ OCR. Mạng nơ-ron tích chập sâu YOLO nổi bật nhờ khả năng phát hiện vật thể theo thời gian thực với tốc độ vượt trội. Camera tại cổng vào và cổng ra ghi nhận luồng video liên tục từ các phương tiện. Mô hình YOLO quét qua khung hình để khoanh vùng vị trí biển số xe máy và ô tô. Sau khi cắt vùng ảnh chứa biển số, thuật toán tiền xử lý hình ảnh tăng cường độ tương phản. Bước tiếp theo sử dụng công cụ OCR chuyên dụng nhằm nhận dạng từng ký tự chữ cái và con số. Dữ liệu văn bản được trích xuất chuyển về máy chủ quản lý trung tâm. Phần mềm kết hợp giao diện web trực quan viết bằng HTML, CSS và JavaScript để nhân viên theo dõi. Hệ quản trị cơ sở dữ liệu lưu lại ảnh chụp phương tiện, thời gian chính xác và mã số sinh viên. Khi xe rời bãi, hệ thống tự động đối chiếu thông tin biển số vào và ra. Quá trình xác thực hoàn tất trong chớp mắt mà không làm gián đoạn lưu thông.

3.1. Ứng dụng mô hình học sâu YOLO phát hiện biển số

Thuật toán YOLO tái định nghĩa bài toán phát hiện vật thể thành bài toán hồi quy đơn giản. Mạng chỉ cần nhìn ảnh một lần để dự đoán đồng thời vị trí và nhãn đối tượng. Thuật toán này phân chia hình ảnh đầu vào thành các ô lưới đồng nhất. Mỗi ô lưới chịu trách nhiệm dự đoán các hộp bao quanh vùng biển số. Ưu điểm nổi trội của YOLO là tốc độ xử lý khung hình cực nhanh trên máy tính thông thường. Khả năng phát hiện biển số đạt độ tin cậy cao ngay cả khi góc chụp bị nghiêng hoặc thiếu sáng. Mô hình học sâu thích ứng tốt với biển số bám bụi bẩn hoặc bị che khuất một phần. Nhờ đó, hệ thống duy trì hiệu suất vận hành ổn định trong môi trường thực tế.

3.2. Tích hợp OCR và cơ sở dữ liệu quản trị tập trung

Công nghệ OCR đóng vai trò quyết định trong giai đoạn số hóa ký tự biển số. Vùng biển số sau khi trích xuất sẽ được phân đoạn thành các ký tự độc lập. Thuật toán nhận dạng ký tự quang học chuyển đổi điểm ảnh thành văn bản mã hóa Unicode. Sau đó, dữ liệu văn bản được truyền về máy chủ để xử lý thông tin. Cơ sở dữ liệu quan hệ lưu trữ hồ sơ xe, biển số, hình ảnh đối chiếu và mốc thời gian. Giao diện trang web quản trị xây dựng bằng HTML và CSS hỗ trợ nhân viên tra cứu nhanh chóng. Khi xảy ra chênh lệch biển số giữa chiều vào và ra, phần mềm lập tức phát tín hiệu cảnh báo.

IV. Hiệu quả ứng dụng nhận diện và quản lý biển số xe trong thực tế

Ứng dụng nhận diện và quản lý biển số xe mang lại nhiều chuyển biến tích cực cho Đại học Kinh tế Huế. Hệ thống rút ngắn đáng kể thời gian phương tiện lưu thông qua cổng nhà trường. Mỗi lượt xe ra vào chỉ mất từ một đến hai giây để hoàn tất kiểm tra. Dòng xe lưu thông thông suốt, giải tỏa áp lực ùn ứ vào các khung giờ bắt đầu ca học. Lực lượng bảo vệ giảm thiểu thao tác thủ công nặng nhọc và tập trung quan sát an ninh tổng thể. Tỷ lệ mất mát tài sản hay tranh chấp phương tiện được loại trừ triệt để nhờ dữ liệu đối chiếu chính xác. Dữ liệu số hóa cung cấp thông tin thống kê hữu ích cho công tác quy hoạch mặt bằng khuôn viên. Nhà trường dễ dàng nắm bắt số lượng xe lưu bãi để phân luồng hợp lý. Giải pháp này tiết kiệm chi phí in ấn thẻ giấy và vật tư văn phòng qua từng năm học. Không gian giảng đường trở nên văn minh, an toàn và hiện đại hơn. Đây là bước đi vững chắc trong tiến trình hiện đại hóa cơ sở vật chất đại học số.

4.1. Lợi ích an ninh và tối ưu nguồn lực nhà trường

Hệ thống mới nâng cao mức độ an toàn tài sản cho toàn thể sinh viên và cán bộ trường. Mỗi phương tiện qua cổng đều có hồ sơ điện tử lưu vết đầy đủ. Camera độ phân giải cao ghi lại rõ ràng gương mặt người điều khiển và biển số xe. Khi phát hiện sự không trùng khớp, hệ thống ngăn chặn phương tiện rời khỏi khuôn viên. Nhân viên an ninh có căn cứ xác thực để giải quyết các trường hợp nghi vấn. Đồng thời, nhà trường giảm bớt nhân lực kiểm soát cổng thủ công tại các điểm gác. Nguồn nhân lực này có thể phân bổ sang tuần tra, giám sát trật tự chung. Mô hình vận hành tự động giúp tiết kiệm chi phí dài hạn cho đơn vị.

4.2. Hướng mở rộng giải pháp trong khuôn viên đại học thông minh

Hệ thống nhận diện biển số xe là nền tảng ban đầu để phát triển hạ tầng số trường học. Trong tương lai, mô hình có thể tích hợp liền mạch với ứng dụng di động của sinh viên. Người học dễ dàng kiểm tra số lượng chỗ đậu xe còn trống trước khi đến trường. Cơ sở dữ liệu xe có thể liên kết trực tiếp với cổng thông tin đào tạo và thẻ sinh viên điện tử. Nhà trường cũng có thể áp dụng thêm tính năng thanh toán phí giữ xe không tiền mặt thông qua mã QR tiện lợi. Mở rộng công nghệ thị giác máy tính sang quản lý cổng ra vào ký túc xá và khu vực thư viện. Những cải tiến này sẽ tạo dựng khuôn viên đại học văn minh, an toàn và thông minh toàn diện.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Khóa luận tốt nghiệp "Xây dựng Hệ thống Nhận diện và Quản lý Biển số Xe tại Nhà Xe Trường Đại học Kinh tế - Đại học Huế" do sinh viên Nguyễn Kim Tiến (ngành Hệ thống thông tin quản lý, khóa 2021–2025, mã sinh viên 21K4080052) thực hiện dưới sự hướng dẫn của TS. Hoàng Hữu Trung. Công trình được triển khai trong khuôn khổ hợp tác học tập và thực tập nghề nghiệp tại Công ty Deha Việt Nam.

Lý do chọn đề tài xuất phát từ yêu cầu tự động hóa và tối ưu quy trình kiểm soát phương tiện tại các khu vực công cộng trong bối cảnh chuyển đổi số. Tại Trường Đại học Kinh tế - Đại học Huế, mật độ phương tiện ra vào nhà xe sinh viên rất lớn, đặc biệt tập trung vào các khung giờ cao điểm. Thực trạng công tác quản trị tại nhà xe trước khi nghiên cứu phụ thuộc chủ yếu vào camera ghi hình thụ động hoặc ghi chép thủ công. Phương thức này bộc lộ nhiều hạn chế: không thống kê được lưu lượng phương tiện theo thời gian thực, khó kiểm soát phương tiện tồn đọng qua đêm, phát sinh nguy cơ thất thoát tài sản và tạo áp lực vận hành lên đội ngũ giám sát. Trước bối cảnh các công nghệ thị giác máy tính mã nguồn mở như mô hình học sâu YOLOv11, công cụ nhận diện ký tự quang học PaddleOCR và framework web Laravel đã phát triển ổn định, việc tích hợp các công nghệ này để số hóa toàn diện quy trình kiểm soát là yêu cầu thực tiễn cần thiết.

Nhiệm vụ nghiên cứu được phân định thành mục tiêu tổng quát và các mục tiêu cụ thể:

1. Mục tiêu tổng quát: Ứng dụng công nghệ YOLOv11, PaddleOCR và Laravel Framework nhằm xây dựng thành công hệ thống nhận diện và quản lý biển số xe tại nhà xe Trường Đại học Kinh tế - Đại học Huế.
2. Mục tiêu cụ thể:
   • Nghiên cứu cơ sở lý thuyết về phát hiện đối tượng với mô hình học sâu YOLOv11, công cụ trích xuất ký tự quang học PaddleOCR, thư viện xử lý ảnh OpenCV và ngôn ngữ Python.
   • Thu thập, gán nhãn và tiền xử lý bộ dữ liệu ảnh biển số xe máy trong các điều kiện môi trường thực tế (ánh sáng thay đổi, góc quay khác nhau).
   • Huấn luyện mô hình YOLOv11 nhằm khoanh vùng chính xác vị trí biển số xe và kết nối với PaddleOCR để chuyển đổi hình ảnh biển số thành dữ liệu chuỗi ký tự.
   • Xây dựng phần mềm quản lý trên nền tảng Laravel Framework, kết nối cơ sở dữ liệu quan hệ MySQL để quản lý lưu vết xe ra vào, đối soát hình ảnh bằng chứng, thanh toán tiền gửi xe, thống kê doanh thu và báo cáo lưu lượng.
   • Thử nghiệm và đánh giá hệ thống trong điều kiện vận hành tại nhà xe trường học.

Đối tượng nghiên cứu của đề tài là hệ thống tự động nhận diện biển số xe máy (từ khâu thu nhận tín hiệu thị giác, xử lý ảnh, huấn luyện học sâu đến xuất dữ liệu văn bản) kết hợp hệ thống phần mềm quản lý dữ liệu. Phạm vi nghiên cứu về không gian được giới hạn tại khuôn viên khu vực nhà xe Trường Đại học Kinh tế - Đại học Huế. Phạm vi thời gian nghiên cứu và thực nghiệm được tiến hành từ ngày 18/11/2024 đến ngày 09/03/2025.

Quá trình nghiên cứu đặt ra các giả định và điều kiện biên: thiết bị ghi hình đầu vào sử dụng webcam hoặc camera giám sát đặt tại cổng kiểm soát; thiết bị xử lý trung tâm là máy tính cá nhân cấu hình phù hợp để chạy mô hình AI và máy chủ cục bộ; biển số xe không bị che lấp cơ học; phương tiện di chuyển qua trạm với tốc độ vừa phải và khu vực nhận diện có độ rọi ánh sáng đạt mức tối thiểu.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng trên nền tảng lý thuyết học sâu (Deep Learning) và kỹ thuật phát triển hệ thống thông tin quản lý:

• Mạng nơ-ron tích chập (Convolutional Neural Network - CNN): Tác giả hệ thống hóa kiến trúc mạng tích chập gồm các lớp tích chập (Convolutional Layer) thực hiện phép nhân chập giữa ma trận ảnh và bộ lọc (kernel) nhằm trích xuất đặc trưng không gian qua các tham số bước nhảy (stride) và đệm (padding); lớp kích hoạt phi tuyến tính ReLU nhằm loại bỏ giá trị âm và giảm thiểu triệt tiêu đạo hàm (vanishing gradient), cùng các biến thể như Leaky ReLU, PReLU, ELU; lớp tổng hợp (Pooling Layer như Max Pooling, Average Pooling) nhằm giảm chiều không gian và giảm tải tham số; lớp kết nối đầy đủ (Fully Connected Layer) kết hợp hàm kích hoạt Softmax/Sigmoid để dự đoán đầu ra.
• Mô hình phát hiện đối tượng YOLOv11: Nghiên cứu phân tích kiến trúc mạng 1-stage của Ultralytics. YOLOv11 loại bỏ cơ chế Anchor Boxes truyền thống để chuyển sang dự đoán trực tiếp tọa độ khung bao, sử dụng kỹ thuật tăng cường dữ liệu nâng cao Mosaic Augmentation, tích hợp khối tích chập C3 và hỗ trợ kích thước ảnh đầu vào lên tới 1024x1024 pixel. Hàm mất mát tổng thể (Total Loss) là tổng của ba thành phần: độ lỗi phân loại (Classification Loss), độ lỗi định vị vị trí hộp (Localization Loss) và độ lỗi tin cậy (Confidence Loss). Các chỉ số đánh giá gồm Intersection over Union (IoU), Precision, Recall, F1-score, mAP50 và mAP50-95.
• Nhận diện ký tự quang học PaddleOCR: Sử dụng mô hình OCR để tách và nhận dạng chuỗi số và chữ cái từ ảnh crop biển số xe đã được YOLOv11 định vị.
• Công nghệ phát triển phần mềm: Laravel Framework phiên bản dựa trên ngôn ngữ PHP, tổ chức theo kiến trúc Model-View-Controller (MVC), tích hợp Blade Template, trình ánh xạ đối tượng quan hệ Eloquent ORM, công cụ dòng lệnh Artisan CLI; hệ quản trị cơ sở dữ liệu MySQL; nền tảng máy chủ phát triển cục bộ XAMPP (Apache, MySQL/MariaDB, PHP); ngôn ngữ định dạng HTML và CSS.

Hệ thống phương pháp nghiên cứu thực nghiệm được tác giả áp dụng gồm:

• Phương pháp thu thập và gán nhãn dữ liệu: Ghi hình video thực tế tại bãi xe, trích xuất khung hình và sử dụng nền tảng Roboflow để gán nhãn thủ công nhãn "license plate", sau đó phân chia ngẫu nhiên thành các tập huấn luyện (training), xác thực (validation) và kiểm thử (testing).
• Phương pháp huấn luyện mô hình: Cài đặt mã nguồn trên môi trường Google Colab tận dụng phần cứng GPU/TPU và máy tính cục bộ thông qua IDE PyCharm, sử dụng thư viện Ultralytics, OpenCV, NumPy, Pandas, TensorFlow và Keras.
• Phương pháp tích hợp và thiết kế hệ thống: Sử dụng framework Flask (Python) để cấu hình API xử lý và phát luồng video nhận diện trực tiếp, sau đó liên kết truyền nhận dữ liệu với ứng dụng web quản lý Laravel.
• Phương pháp đo lường và đánh giá: Đánh giá độ chính xác qua ma trận nhầm lẫn (confusion matrix), đường cong biến thiên hàm tổn thất (loss curves) và thực nghiệm kiểm tra hệ thống trong hai nhóm điều kiện: môi trường thuận lợi (ảnh rõ nét, đủ sáng) và môi trường bất lợi (ảnh mờ, góc chụp nghiêng, thiếu sáng).

Thiết kế và triển khai

Hệ thống được thiết kế theo mô hình phân tách chức năng rõ ràng giữa module xử lý trí tuệ nhân tạo và module ứng dụng quản trị web:

Phân hệ / Module	Thành phần công nghệ	Vai trò và chức năng chính
Module Thị giác máy tính (AI Engine)	Python, OpenCV, YOLOv11 (Ultralytics), PaddleOCR	Đọc luồng video/ảnh từ camera, khoanh vùng biển số xe máy, trích xuất text ký tự biển số và đóng gói kết quả.
Module Dịch vụ truyền luồng (Streaming API)	Python, Flask Framework	Tạo endpoint API phát luồng video thời gian thực kèm bounding box và dữ liệu nhận diện sang hệ thống web.
Module Quản trị & Giao diện (Web Portal)	PHP, Laravel Framework (Kiến trúc MVC, Blade Template)	Hiển thị giao diện điều khiển, tiếp nhận dữ liệu xe ra vào, quản lý lịch sử, gói dịch vụ gửi xe và tài khoản.
Module Cơ sở dữ liệu	MySQL Server (Quản lý qua phpMyAdmin / Eloquent ORM)	Lưu trữ có cấu trúc các thông tin xe, lịch sử ra vào, đường dẫn ảnh bằng chứng, dữ liệu người dùng và phân quyền.
Môi trường vận hành	XAMPP, Google Colab, PyCharm	Hỗ trợ huấn luyện mô hình, chạy máy chủ web Apache, máy chủ MySQL cục bộ và thực thi mã nguồn.

Quy trình hoạt động tổng thể của hệ thống: Khi xe máy di chuyển vào vị trí kiểm soát, camera ghi hình truyền khung hình về module xử lý Python. OpenCV chuyển đổi định dạng và đưa dữ liệu vào mô hình YOLOv11. Mô hình dự đoán tọa độ khung bao của biển số xe máy. Vùng ảnh chứa biển số được cắt (crop) và chuyển tiếp tới PaddleOCR để trích xuất ký tự chữ và số. Thông tin biển số kèm thời gian và hình ảnh bằng chứng được gửi tới cơ sở dữ liệu MySQL và hiển thị đồng bộ lên giao diện web Laravel của nhân viên quản lý thông qua API do Flask cung cấp.

Cơ sở dữ liệu của hệ thống được xây dựng trên mô hình quan hệ chặt chẽ nhằm đáp ứng các yêu cầu nghiệp vụ quản lý bãi đỗ xe thông minh. Cấu trúc bảng dữ liệu gồm:

• Bảng người dùng (users): lưu trữ thông tin định danh, tài khoản quản trị và nhân viên.
• Bảng vai trò và quyền hạn (roles, permissions cùng các bảng liên kết model_has_roles, model_has_permissions, role_has_permissions): phân cấp quyền quản trị viên (Admin) và người dùng/nhân viên kiểm soát.
• Bảng phương tiện (license_plates): lưu trữ định danh biển số xe, thông tin loại phương tiện.
• Bảng lịch sử ra vào (vehicle_in_outs): ghi nhận mốc thời gian xe vào, mốc thời gian xe ra, trạng thái phương tiện.
• Bảng hình ảnh bằng chứng (proof_images): lưu trữ đường dẫn ảnh chụp phương tiện tại thời điểm vào và ra nhằm đối soát khi có sự cố.
• Bảng đăng ký phương tiện (vehicle_registrations): quản lý hồ sơ đăng ký gửi xe của sinh viên và cán bộ giảng viên.
• Bảng gói dịch vụ và thanh toán (packages, payments): quản lý biểu phí gửi xe theo lượt hoặc theo tháng, ghi nhận lịch sử giao dịch và doanh thu bãi đỗ.

Nội dung chính theo từng chương

Chương I: Cơ sở lý thuyết

Chương I tập trung trình bày tổng quan lý thuyết liên quan đến thị giác máy tính và công nghệ phát triển web. Tác giả đi sâu vào cơ chế hoạt động của mạng CNN, nguyên lý lan truyền ngược và các thuật toán tối ưu hóa tham số trong học sâu như SGD, Adagrad, RMSProp và Adam. Nội dung chương phân tích chi tiết lịch sử phát triển của dòng mô hình YOLO, kiến trúc mạng YOLOv11 loại bỏ Anchor Boxes, cách tính chỉ số IoU và cơ cấu hàm mất mát đa thành phần. Về phần nhận diện văn bản, chương giới thiệu nguyên lý của PaddleOCR. Về phần quản lý, chương giới thiệu kiến trúc MVC trong Laravel, cơ chế phân tách tầng giao diện (Blade) và truy xuất dữ liệu (Eloquent ORM), cách thức tổ chức hệ quản trị cơ sở dữ liệu MySQL cùng môi trường phát triển tích hợp XAMPP. Cuối chương, tác giả khảo cứu sơ lược các công trình nghiên cứu nhận diện biển số xe trong và ngoài nước để làm rõ tính kế thừa của đề tài.

Chương II: Xây dựng module nhận diện biển số xe

Chương II mô tả quy trình hiện thực hóa module nhận diện phương tiện. Bước chuẩn bị dữ liệu bắt đầu bằng việc thu thập hình ảnh và video từ camera giám sát thực tế tại nhà xe Trường Đại học Kinh tế. Dữ liệu được đưa lên nền tảng Roboflow để thực hiện gán nhãn hộp giới hạn "license plate", chuẩn hóa kích thước và tăng cường dữ liệu trước khi xuất định dạng phù hợp cho YOLO. Tác giả tiến hành thiết lập môi trường huấn luyện với Ultralytics trên nền tảng Google Colab để tối ưu tài nguyên GPU. Sau khi mô hình YOLOv11 phát hiện được vùng biển số, thuật toán cắt vùng ảnh và chuyển sang thư viện PaddleOCR để nhận diện chuỗi ký tự. Cuối cùng, tác giả thiết lập script Flask tạo luồng video phát trực tiếp kết hợp cơ chế ghi dữ liệu nhận diện vào cơ sở dữ liệu MySQL.

Chương III: Xây dựng module quản lý biển số xe

Chương III trình bày bài toán phân tích yêu cầu nghiệp vụ và thiết kế phần mềm quản lý nhà xe. Tác giả khảo sát thực trạng bãi xe trường học, xác định các yêu cầu chức năng (quản lý xe ra vào tự động, tra cứu lịch sử, quản lý người dùng, đăng ký vé tháng, thanh toán tiền gửi, thống kê lưu lượng và báo cáo doanh thu) và yêu cầu phi chức năng (tính sẵn sàng, thời gian phản hồi nhanh, giao diện thân thiện, bảo mật chống tấn công XSS/CSRF). Tác giả tiến hành thiết kế lược đồ cơ sở dữ liệu quan hệ, xây dựng các bảng dữ liệu nghiệp vụ và thiết lập mối quan hệ khóa ngoại giữa bảng thông tin xe, bảng lượt ra vào, bảng chứng từ hình ảnh và bảng thanh toán. Toàn bộ kiến trúc logic được hiện thực hóa qua các Controller, Model và Route trong framework Laravel.

Chương IV: Kết quả và thảo luận

Chương IV công bố các kết quả thực nghiệm đạt được từ quá trình huấn luyện và triển khai hệ thống:

• Đánh giá mô hình học sâu: Trình bày đồ thị biến thiên hàm mất mát (loss function) qua các chu kỳ (epochs), cho thấy hàm mất mát định vị và phân loại hội tụ đều đặn. Ma trận nhầm lẫn (confusion matrix) và đường cong Precision-Recall phản ánh mô hình đạt độ nhạy và độ chính xác cân bằng, chỉ số F1-score xấp xỉ 1.0 ở dải ngưỡng tin cậy tối ưu.
• Hiệu năng nhận diện: Mô hình nhận diện kết hợp giữa YOLOv11 và PaddleOCR đạt tỷ lệ chính xác tổng thể 99.5%, tốc độ suy luận trung bình đạt xấp xỉ 4ms cho một ảnh.
• Thử nghiệm theo điều kiện môi trường: Tác giả xây dựng bảng so sánh kết quả nhận diện trong hai điều kiện:
  • Trong điều kiện thuận lợi (xe dừng đúng vạch, ánh sáng ban ngày rõ nét, góc chụp trực diện): hệ thống phát hiện biển số và nhận diện ký tự chính xác tuyệt đối.
  • Trong điều kiện bất lợi (ánh sáng yếu vào ban đêm, biển số bị bám bẩn hoặc mờ số, góc quan sát camera bị lệch nghiêng): tỷ lệ lỗi nhận diện ký tự tăng lên do ảnh đầu vào bị mất chi tiết hoặc nhiễu sáng.
• Triển khai phần mềm quản lý: Trình bày chi tiết hệ thống giao diện trực quan của các trang chức năng dành cho Quản trị viên (bảng điều khiển dashboard, theo dõi camera trực tiếp, quản lý bảng giá vé, xem báo cáo doanh thu, quản lý danh sách tài khoản và phân quyền) và giao diện dành cho Người dùng/Sinh viên (tra cứu lịch sử gửi xe cá nhân, gửi yêu cầu đăng ký vé xe định kỳ).

Kết quả và đóng góp

Khóa luận đã giải quyết trọn vẹn mục tiêu nghiên cứu với các kết quả cụ thể:

1. Huấn luyện thành công mô hình YOLOv11 phát hiện biển số xe máy kết hợp công cụ trích xuất ký tự PaddleOCR, đạt độ chính xác nhận diện 99.5% với tốc độ xử lý nhanh 4ms/ảnh.
2. Hoàn thiện hệ thống website quản lý bãi đỗ xe trên nền tảng Laravel Framework, cung cấp đầy đủ các phân hệ nghiệp vụ: tiếp nhận thông tin xe ra vào theo thời gian thực, lưu trữ hình ảnh chứng cứ, hỗ trợ thanh toán phí gửi xe, tìm kiếm lịch sử và thống kê lưu lượng xe trong bãi.
3. Đóng góp của đề tài thể hiện ở việc cập nhật và ứng dụng thành công phiên bản mô hình phát hiện đối tượng mới nhất (YOLOv11 với kiến trúc không dùng Anchor Boxes) vào bài toán quản lý nhà xe sinh viên, giải quyết bài toán đồng bộ dữ liệu thời gian thực giữa pipeline trí tuệ nhân tạo (Python/Flask) và cổng thông tin quản trị doanh nghiệp (PHP/Laravel).

Hạn chế và hướng nghiên cứu tiếp

Khóa luận chỉ ra một số điểm hạn chế kỹ thuật:

• Khả năng nhận diện của hệ thống bị suy giảm khi phương tiện di chuyển trong điều kiện bất lợi như ánh sáng yếu vào ban đêm, biển số bị mờ xước, dính bùn đất hoặc góc đặt camera bị lệch nghiêng quá mức.
• Hệ thống vận hành tốt nhất khi phương tiện dừng trong vùng kiểm soát với tốc độ quy định; chưa xử lý triệt để các trường hợp phương tiện di chuyển cắt ngang camera với tốc độ cao.

Hướng nghiên cứu và phát triển tiếp theo được tác giả xác định:

• Bổ sung các kỹ thuật tiền xử lý nâng cao chất lượng ảnh đầu vào (cân bằng sáng, lọc nhiễu, hiệu chỉnh góc nghiêng phối cảnh của biển số).
• Mở rộng tập dữ liệu huấn luyện cho YOLOv11 với nhiều trường hợp thời tiết phức tạp (mưa gió, chói sáng ban đêm).
• Hoàn thiện hệ thống phần cứng và quy trình để tiến tới triển khai ứng dụng diện rộng cho các bãi đỗ xe thông minh, trạm thu phí và trạm kiểm soát an ninh quy mô lớn.

Giá trị tham khảo

Báo cáo khóa luận có giá trị tham khảo chuyên môn đối với sinh viên các ngành Hệ thống thông tin quản lý, Công nghệ thông tin và Khoa học máy tính:

• Cung cấp tài liệu tham khảo chi tiết về quy trình thu thập dữ liệu, gán nhãn Roboflow và thiết lập huấn luyện mô hình YOLOv11 bằng thư viện Ultralytics.
• Cung cấp mô hình kiến trúc tích hợp giữa một backend xử lý học sâu thời gian thực (Python, OpenCV, PaddleOCR, Flask API) với một ứng dụng web quản lý dữ liệu hoàn chỉnh (Laravel, MySQL).
• Là tài liệu hữu ích cho việc xây dựng các đề tài đồ án về bãi đỗ xe thông minh, nhận dạng biển số xe tự động (ANPR) và số hóa quy trình quản lý giám sát.

Câu hỏi thường gặp

1. Tác giả sử dụng mô hình học sâu nào để phát hiện vùng biển số xe và phiên bản đó có đặc điểm gì nổi bật?
Tác giả sử dụng mô hình YOLOv11 do Ultralytics phát triển. Điểm nổi bật của phiên bản này so với các thế hệ trước là loại bỏ hoàn toàn cơ chế Anchor Boxes (chuyển sang dự đoán trực tiếp tọa độ khung bao), tích hợp lớp tích chập C3 nâng cao, tối ưu kỹ thuật Mosaic Augmentation và hỗ trợ xử lý độ phân giải hình ảnh lên tới 1024x1024 pixel.

2. Độ chính xác và thời gian xử lý của hệ thống nhận diện đạt được là bao nhiêu?
Theo kết quả công bố trong khóa luận, hệ thống nhận diện kết hợp giữa YOLOv11 và PaddleOCR đạt độ chính xác 99.5% và thời gian xử lý trung bình đạt 4ms trên mỗi hình ảnh.

3. Khóa luận sử dụng các công nghệ nào để xây dựng phần mềm quản lý nhà xe?
Phần mềm quản lý được phát triển bằng Laravel Framework (ngôn ngữ PHP) theo mô hình MVC, sử dụng Blade Template cho giao diện, Eloquent ORM để thao tác cơ sở dữ liệu quan hệ MySQL và chạy trên môi trường máy chủ cục bộ XAMPP.

4. Dữ liệu huấn luyện mô hình nhận diện được gán nhãn bằng công cụ nào và có những nhãn gì?
Dữ liệu hình ảnh được tác giả thu thập thực tế tại nhà xe Trường Đại học Kinh tế - Đại học Huế và đưa lên nền tảng trực tuyến Roboflow để gán nhãn thủ công các khung bao (bounding box) với nhãn "license plate" (biển số xe).

5. Trong các điều kiện nào thì hiệu quả nhận diện của hệ thống bị suy giảm?
Hệ thống gặp khó khăn và giảm độ chính xác trong các điều kiện môi trường bất lợi như: biển số xe bị mờ hoặc che khuất một phần, môi trường ánh sáng yếu vào ban đêm, hoặc góc ghi hình từ camera bị lệch nghiêng lớn so với mặt phẳng biển số.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Kim Tiến đã hoàn thành trọn vẹn mục tiêu tích hợp mô hình thị giác máy tính YOLOv11, công cụ nhận diện ký tự PaddleOCR và framework web Laravel nhằm xây dựng hệ thống nhận diện và quản lý biển số xe tại Trường Đại học Kinh tế - Đại học Huế. Với độ chính xác 99.5% và tốc độ xử lý 4ms/ảnh, giải pháp đã chứng minh tính hiệu quả kỹ thuật trong việc tự động hóa kiểm soát phương tiện ra vào. Mặc dù vẫn còn hạn chế trong điều kiện ánh sáng yếu hoặc góc chụp lệch, công trình là tài liệu thực nghiệm có giá trị ứng dụng thực tiễn cao cho việc hiện đại hóa công tác quản lý bãi đỗ xe thông minh.

Trích đoạn nội dung tài liệu

CHƯƠNG I: CƠ SỞ LÝ THUYẾT 1. Cơ sở Lý thuyết Nhận diện Đối tượng với Mô hình Yolo 1. Tổng quan về mạng Thần kinh Tích chập Mạng Thần kinh Tích chập - Convolutional Neural Network (CNN) là một mô hình học sâu (deep learning) được thiết kế đặc biệt để xử lý dữ liệu dưới dạng lưới, chẳng hạn như hình ảnh. CNN đã trở thành nền tảng cho nhiều ứng dụng trí tuệ nhân tạo, bao gồm nhận diện đối tượng, xử lý ngôn ngữ tự nhiên, và phân tích dữ liệu y tế.

CNN nổi bật với khả năng tự động trích xuất các đặc trưng từ dữ liệu mà không cần sự can thiệp thủ công của con người, giúp nó trở thành công cụ mạnh mẽ trong lĩnh vực trí tuệ nhân tạo. Kiến trúc mạng Thần kinh Tích chập Mạng thần kinh tích chập (CNN) là một mô hình học sâu được thiết kế đặc biệt để xử lý dữ liệu hình ảnh, dựa trên khả năng trích xuất đặc trưng tự động từ ảnh đầu vào. Kiến trúc của CNN thường bao gồm các lớp tích chập, lớp kích hoạt phi tuyến tính (ReLU), lớp tổng hợp (Pooling), và lớp kết nối đầy đủ (Fully Connected Layer). Đây là các lớp nền tảng giúp CNN học được các đặc trưng từ cơ bản đến phức tạp trong dữ liệu hình ảnh, từ đó hỗ trợ tốt các bài toán như nhận diện đối tượng, phân loại hình ảnh và xử lý ngôn ngữ tự nhiên [1], [2].

Các Thành Phần Chính trong Kiến trúc CNN: Lớp Tích chập (Convolutional Layer): Lớp tích chập là thành phần cốt lõi của CNN, được sử dụng để trích xuất các đặc trưng không gian từ dữ liệu đầu vào. Quá trình tích chập sử dụng các bộ lọc (filter) để thực hiện phép nhân chập (convolution operation) giữa ma trận ảnh và bộ lọc, tạo ra các đặc trưng (feature maps). Các lớp tích chập liên tiếp giúp CNN học được các đặc trưng từ cơ bản (cạnh, góc) đến phức tạp (hình dạng, đối tượng) [1], [3]. Lớp Kích hoạt Phi Tuyến tính (ReLU Layer): Sau khi tích chập, các giá trị đầu ra thường được đưa qua lớp ReLU để tăng tính phi tuyến, loại bỏ các giá trị âm và giúp mô hình học được các mối quan hệ phức tạp hơn.

Đây là một cải tiến quan trọng giúp CNN 7 Khóa luận cuối khóa GVHD: TS. Hoàng Hữu Trung trở thành một mô hình mạnh mẽ trong học sâu [4]. Lớp Tổng hợp (Pooling Layer): Lớp pooling giúp giảm kích thước của các đặc trưng không gian bằng cách lấy giá trị tối đa (Max Pooling) hoặc trung bình (Average Pooling) từ một vùng cụ thể. Điều này không chỉ giảm số lượng tham số cần học mà còn tăng tốc độ xử lý của mô hình [2].

Lớp Kết nối Đầy đủ (Fully Connected Layer): Ở cuối kiến trúc CNN, các lớp kết nối đầy đủ được sử dụng để đưa ra dự đoán. Toàn bộ các đặc trưng đã được trích xuất từ các lớp trước sẽ được sử dụng để thực hiện các tác vụ như phân loại hoặc hồi quy [1]. Kiến trúc của mạng thần kinh tích chập Nguồn: [2] + Ưu Điểm Của Kiến Trúc CNN CNN có nhiều ưu điểm vượt trội so với các mạng thần kinh truyền thống. Một trong số đó là khả năng tự động trích xuất đặc trưng từ dữ liệu mà không cần thiết kế thủ công.

Ngoài ra, cơ chế chia sẻ tham số trong các lớp tích chập giúp giảm đáng kể số lượng tham số cần học, từ đó cải thiện tốc độ huấn luyện và hiệu quả sử dụng tài nguyên [4]. Lớp Tích chập Lớp tích chập (Convolutional Layer) là thành phần quan trọng nhất trong mạng thần kinh tích chập (CNN), đóng vai trò cốt lõi trong việc trích xuất các đặc trưng không gian từ dữ liệu đầu vào, thường là hình ảnh hoặc dữ liệu hai chiều. Khác với các lớp trong 8 Khóa luận cuối khóa GVHD: TS. Hoàng Hữu Trung mạng thần kinh truyền thống, lớp tích chập không xử lý toàn bộ dữ liệu cùng một lúc mà thay vào đó, chia dữ liệu thành các vùng nhỏ và áp dụng các bộ lọc (filter hoặc kernel) để học các đặc trưng cụ thể như cạnh, góc, hoặc mẫu hình dạng phức tạp [5].

Lớp tích chập giúp CNN có khả năng tự động học đặc trưng mà không cần thiết kế thủ công, đây là một trong những lý do chính khiến CNN trở thành công cụ mạnh mẽ trong các bài toán thị giác máy tính. Lớp tích chập hoạt động dựa trên phép tích chập, là một phép toán toán học được thực hiện giữa một ma trận bộ lọc nhỏ và một phần của dữ liệu đầu vào [6]. Bộ lọc sẽ quét qua toàn bộ dữ liệu, thực hiện phép nhân từng phần tử giữa bộ lọc và dữ liệu tại vùng tương ứng, sau đó cộng dồn các giá trị này để tạo thành một giá trị duy nhất. Giá trị này sẽ được lưu trữ trong bản đồ đặc trưng (feature map).

Bộ lọc tiếp tục di chuyển đến các vị trí khác trên ảnh đầu vào để tính toán và lặp lại quy trình tương tự. Công thức toán học của phép tích chập được biểu diễn như sau: S(i, j) = ( + , + ). S(i,j) S(i, j) S(i,j) là giá trị tại vị trí (i,j) (i, j) (i,j) trên bản đồ đặc trưng đầu ra. I(i+m,j+n) I(i+m, j+n) I(i+m,j+n) là giá trị của pixel tại vị trí (i+m,j+n) (i+m, j+n) (i+m,j+n) trên ảnh đầu vào.

K(m,n)K(m, n)K(m,n) là giá trị tại vị trí (m,n)(m, n)(m,n) của bộ lọc. MMM và NNN lần lượt là chiều cao và chiều rộng của bộ lọc. Lớp tích chập cũng sử dụng các tham số như stride (bước nhảy) và padding (đệm) để kiểm soát cách bộ lọc di chuyển và cách dữ liệu đầu vào được xử lý. Stride là số pixel mà bộ lọc di chuyển qua mỗi lần, với giá trị stride lớn hơn giúp giảm kích thước đầu ra nhưng có thể làm mất thông tin.

Padding là kỹ thuật thêm các giá trị, thường là 0, xung quanh biên của dữ liệu đầu vào để duy trì kích thước đầu ra tương ứng với dữ liệu ban đầu. 9 Khóa luận cuối khóa GVHD: TS. Hoàng Hữu Trung Hình 0. Quá trình xử lý của lớp tích chập Nguồn: [4] Các tham số quan trọng trong Lớp Tích chập [7]: Bộ lọc (Filters): Bộ lọc là một ma trận nhỏ, chẳng hạn như 3x3 hoặc 5x5, đóng vai trò học các đặc trưng trong dữ liệu đầu vào.

Mỗi bộ lọc có một tập hợp các trọng số được cập nhật trong quá trình huấn luyện. Số lượng bộ lọc trong lớp tích chập ảnh hưởng trực tiếp đến số lượng bản đồ đặc trưng được tạo ra ở đầu ra. Bộ lọc khác nhau học các đặc trưng khác nhau, chẳng hạn như đường ngang, đường dọc, hoặc mẫu kết cấu. Stride (Bước nhảy): Stride là số pixel mà bộ lọc di chuyển qua mỗi lần.

Ví dụ, nếu stride là 1, bộ lọc di chuyển từng pixel một; nếu stride là 2, bộ lọc bỏ qua một pixel mỗi lần di chuyển. Stride lớn giúp giảm kích thước bản đồ đặc trưng nhưng có thể làm mất thông tin chi tiết. Padding (Đệm): Padding là kỹ thuật thêm các giá trị, thường là 0, xung quanh biên của ảnh đầu vào. Mục đích của padding là đảm bảo rằng kích thước của bản đồ đặc trưng không giảm quá nhiều sau mỗi lần tích chập.

Padding cũng giúp mạng học tốt hơn các đặc trưng nằm gần biên của ảnh. Kích thước bản đồ đặc trưng (Feature Map Size): Kích thước của bản đồ đặc trưng đầu ra phụ thuộc vào kích thước ảnh đầu vào, kích thước bộ lọc, stride, và padding. Công thức tính kích thước bản đồ đặc trưng là: Số lượng kênh (Channels): Đối với dữ liệu đầu vào có nhiều kênh, chẳng hạn như ảnh RGB (3 kênh), mỗi bộ lọc sẽ áp dụng trên từng kênh riêng biệt và kết quả được cộng lại để tạo ra bản đồ đặc trưng. Lớp tích chập là thành phần quan trọng giúp CNN tự động trích xuất các đặc trưng 10 Khóa luận cuối khóa GVHD: TS.

Hoàng Hữu Trung từ dữ liệu mà không cần sự can thiệp thủ công của con người. Nhờ khả năng xử lý dữ liệu thông minh, lớp tích chập giúp giảm thiểu tham số, tối ưu hóa quá trình tính toán và tạo ra các đặc trưng có giá trị để hỗ trợ các tác vụ học máy phức tạp [8]. Lớp Kích hoạt Phi Tuyến tính Lớp kích hoạt phi tuyến tính, trong đó Rectified Linear Unit (ReLU) là phổ biến nhất, đóng vai trò quan trọng trong việc gia tăng khả năng học phi tuyến của mạng thần kinh sâu. ReLU được sử dụng để giải quyết các bài toán thị giác máy tính nhờ vào tính đơn giản và hiệu quả.

Cụ thể, ReLU chỉ giữ lại các giá trị dương từ đầu vào, loại bỏ hoàn toàn giá trị âm bằng cách gán chúng bằng 0. Đặc điểm này giúp mạng thần kinh tập trung vào các đặc trưng quan trọng, giảm tác động của các giá trị âm không cần thiết [9]. Một trong những ưu điểm chính của ReLU là đơn giản trong tính toán. Khác với các hàm kích hoạt phức tạp như sigmoid hoặc tanh, ReLU chỉ yêu cầu các phép toán cơ bản, giúp tiết kiệm tài nguyên tính toán và phù hợp với các mạng thần kinh lớn.

Hơn nữa, ReLU giúp giảm thiểu vấn đề gradient biến mất, một vấn đề thường gặp ở các hàm sigmoid hoặc tanh khi các giá trị gradient trở nên rất nhỏ, dẫn đến mạng học chậm hoặc không thể học được. Với ReLU, gradient lớn hơn hoặc bằng 0 đối với tất cả các giá trị dương, giúp tốc độ hội tụ của mạng tăng lên đáng kể [10]. Tuy nhiên, ReLU cũng tồn tại những hạn chế, trong đó hiện tượng "dead neurons" là một vấn đề phổ biến. Khi đầu vào của một nơ-ron luôn âm, giá trị đầu ra của ReLU luôn bằng 0, làm cho nơ-ron không còn tham gia vào quá trình học.

Điều này làm giảm hiệu quả học của mạng và có thể làm mất thông tin quan trọng. Để khắc phục, một số biến thể của ReLU đã được phát triển, như Leaky ReLU, Parametric ReLU (PReLU), và Exponential Linear Unit (ELU). Leaky ReLU cho phép một phần giá trị âm được truyền qua bằng cách nhân chúng với một hệ số nhỏ, thường là 0. Trong khi đó, PReLU cho phép hệ số này được học trong quá trình huấn luyện, giúp mạng linh hoạt hơn.

ELU là một biến thể khác, sử dụng hàm số mềm để giữ lại các giá trị âm, từ đó giảm nguy cơ chết nơ-ron và tăng tốc độ hội tụ của mạng [11]. Trong mạng thần kinh tích chập (CNN), ReLU thường được đặt sau các lớp tích chập để tăng khả năng phi tuyến, hỗ trợ mạng học được các đặc trưng phức tạp hơn. 11 Khóa luận cuối khóa GVHD: TS.