Luận văn phát triển nền tảng phát hiện đối tượng điều khiển đèn công cộng

Luận văn thạc sĩ về phát triển nền tảng phát hiện đối tượng thời gian thực để điều khiển đèn công cộng thông minh, tiết kiệm năng lượng đô thị.

• Tác giả: Pierre Rubens
• Người hướng dẫn: Dr Bruno EMILE
• Trường học: Institut Francophone International, Đại học Quốc gia Hà Nội
• Chuyên ngành: Systèmes Intelligents et Multimédia
• Đề tài: Phát triển nền tảng phát hiện đối tượng hoàn chỉnh để kiểm soát ánh sáng công cộng
• Loại tài liệu: Mémoire de fin d'études du Master Informatique
• Năm xuất bản: 2018
• Địa điểm: Hà Nội

Tóm tắt

I. Khám phá nền tảng phát hiện đối tượng thông minh cho đèn công cộng

Việc phát triển các thành phố thông minh đang đặt ra yêu cầu cấp thiết về tối ưu hóa cơ sở hạ tầng, đặc biệt là hệ thống chiếu sáng đô thị. Đèn công cộng, vốn chiếm một phần đáng kể trong tổng lượng tiêu thụ năng lượng của thành phố, đang đứng trước cơ hội được cách mạng hóa nhờ công nghệ phát hiện đối tượng tự động. Một nền tảng phát hiện đối tượng hoàn chỉnh cho đèn công cộng không chỉ hứa hẹn mang lại hiệu quả năng lượng vượt trội mà còn nâng cao an toàn và chất lượng cuộc sống đô thị.

Nghiên cứu này tập trung vào việc thiết kế và triển khai một hệ thống nguyên mẫu tích hợp, có khả năng nhận diện người đi bộ và phương tiện giao thông theo thời gian thực. Mục tiêu chính là tạo ra một hệ thống điều khiển đèn đường có khả năng điều chỉnh cường độ chiếu sáng dựa trên sự hiện diện của các đối tượng. Công nghệ thị giác máy tính đóng vai trò then chốt trong quá trình này, cho phép đèn công cộng phản ứng linh hoạt với môi trường xung quanh, thay vì chiếu sáng liên tục với cường độ cố định. "Mục tiêu cuối cùng là giảm tiêu thụ năng lượng trong bối cảnh rộng lớn hơn của Thành phố Thông minh" - đây là định hướng rõ ràng được nhấn mạnh trong tài liệu gốc. Việc áp dụng các thuật toán tiên tiến và giao thức DALI (Digital Addressable Lighting Interface) được coi là giải pháp tối ưu để đạt được mục tiêu này.

Nền tảng phát hiện đối tượng này không chỉ là một giải pháp kỹ thuật đơn thuần mà còn là một bước tiến quan trọng hướng tới một tương lai đô thị bền vững. Nó giảm thiểu lãng phí năng lượng, kéo dài tuổi thọ của thiết bị chiếu sáng, và cung cấp ánh sáng phù hợp khi cần, tạo ra một môi trường an toàn hơn cho cộng đồng. Sự phát triển này mở ra cánh cửa cho nhiều ứng dụng thông minh khác, từ quản lý giao thông đến giám sát an ninh, tích hợp hoàn hảo vào bức tranh tổng thể của chiếu sáng đô thị thông minh.

Việc tích hợp phát hiện đối tượng tự động vào hệ thống đèn đường thông minh đại diện cho một sự thay đổi mô hình, từ chiếu sáng thụ động sang chiếu sáng chủ động và đáp ứng. Các giải pháp như vậy không chỉ giúp các thành phố đạt được mục tiêu giảm phát thải carbon mà còn cung cấp một môi trường sống tiện nghi và hiệu quả hơn cho cư dân. Đây là một yếu tố cốt lõi trong xây dựng một thành phố thực sự thông minh, nơi công nghệ phục vụ trực tiếp cho lợi ích của con người và môi trường.

1.1. Tại sao cần phát triển nền tảng phát hiện đối tượng cho đèn công cộng

Nhu cầu tối ưu hóa năng lượng và nâng cao hiệu quả hoạt động của hệ thống chiếu sáng công cộng là lý do chính. Đèn đường truyền thống hoạt động với cường độ cố định, gây lãng phí năng lượng đáng kể, đặc biệt vào những giờ vắng người. Một nền tảng phát hiện đối tượng cho phép điều chỉnh ánh sáng linh hoạt, chỉ tăng cường độ khi phát hiện có người đi bộ hoặc phương tiện giao thông. Điều này không chỉ giúp giảm tiêu thụ năng lượng mà còn giảm thiểu ô nhiễm ánh sáng, bảo vệ môi trường và kéo dài tuổi thọ của các thiết bị chiếu sáng. Hơn nữa, nó còn đóng góp vào việc tạo ra một môi trường an toàn hơn, tăng cường khả năng nhìn rõ cho người tham gia giao thông vào ban đêm, giải quyết vấn đề thách thức trong chiếu sáng đô thị thông minh.

1.2. Lợi ích vượt trội của hệ thống đèn đường thông minh dựa trên AI

Hệ thống đèn đường thông minh sử dụng trí tuệ nhân tạo (AI) và phát hiện đối tượng tự động mang lại nhiều lợi ích. Lợi ích đầu tiên là tiết kiệm năng lượng hiệu quả, với khả năng giảm đến 70-80% lượng điện tiêu thụ so với hệ thống cũ. Thứ hai, nó cải thiện an ninh và an toàn bằng cách cung cấp ánh sáng đủ mức cần thiết tại các khu vực có người qua lại, giúp ngăn ngừa tội phạm và giảm tai nạn giao thông. Thứ ba, hệ thống này giúp dễ dàng quản lý và bảo trì thông qua việc giám sát từ xa. Cuối cùng, nó góp phần vào việc xây dựng thành phố thông minh bền vững, giảm lượng khí thải carbon và tạo ra một môi trường sống chất lượng hơn cho cư dân. Sự tích hợp thị giác máy tính và học máy là chìa khóa để hiện thực hóa những lợi ích này.

II. Những thách thức khi phát triển chiếu sáng đô thị thông minh hiện nay

Việc chuyển đổi từ hệ thống chiếu sáng truyền thống sang chiếu sáng đô thị thông minh tích hợp phát hiện đối tượng tự động mang lại nhiều hứa hẹn, nhưng cũng đối mặt với không ít thách thức. Một trong những rào cản lớn nhất là yêu cầu về tài nguyên tính toán và dữ liệu. "Cách tiếp cận được giữ lại ở cuối công việc này là trích xuất các đặc trưng từ Biểu đồ Gradient (HOG) để phát hiện người đi bộ và các đặc trưng giả Haar để phát hiện phương tiện, đây là một giải pháp được biện minh phần lớn bởi các tài nguyên hạn chế có sẵn về khả năng tính toán và dữ liệu cho việc học máy." Điều này cho thấy rằng việc triển khai các thuật toán học máy phức tạp, đặc biệt là các mô hình học sâu, đòi hỏi một lượng lớn dữ liệu huấn luyện chất lượng cao và năng lực xử lý mạnh mẽ, điều mà các cơ sở hạ tầng đô thị hiện tại có thể chưa đáp ứng được.

Ngoài ra, khả năng tương thích của các thiết bị và hệ thống cũ với công nghệ mới cũng là một vấn đề nan giải. Nhiều đèn công cộng hiện có sử dụng công nghệ lạc hậu, không dễ dàng tích hợp với các bộ cảm biến và bộ điều khiển thông minh. Chi phí đầu tư ban đầu cho việc nâng cấp toàn bộ hệ thống cũng là một trở ngại lớn đối với nhiều thành phố, đặc biệt là các thành phố đang phát triển. Hơn nữa, việc đảm bảo độ chính xác và tin cậy của phát hiện đối tượng tự động trong các điều kiện môi trường khác nhau (mưa, sương mù, ánh sáng yếu) vẫn là một thách thức kỹ thuật cần được giải quyết triệt để. "Kết quả đạt được với nguyên mẫu nền tảng đã triển khai rất hứa hẹn vì chúng chứng minh hiệu quả của kiến trúc đã chọn." Tuy nhiên, việc cải thiện hơn nữa vẫn là cần thiết.

Bảo mật dữ liệu và quyền riêng tư cũng là những mối quan tâm hàng đầu khi triển khai các nền tảng phát hiện đối tượng trên quy mô lớn. Các camera và cảm biến thu thập một lượng lớn dữ liệu hình ảnh, đặt ra câu hỏi về cách lưu trữ, xử lý và bảo vệ thông tin này. Việc đảm bảo rằng dữ liệu được sử dụng một cách có trách nhiệm và tuân thủ các quy định pháp luật là vô cùng quan trọng để duy trì lòng tin của công chúng. Giải quyết những thách thức này đòi hỏi một cách tiếp cận đa chiều, bao gồm đầu tư vào nghiên cứu và phát triển, hợp tác công tư, và xây dựng các chính sách rõ ràng về công nghệ và dữ liệu để thành công trong phát triển nền tảng phát hiện đối tượng.

Đối mặt với những trở ngại này, các nhà nghiên cứu và kỹ sư cần tìm kiếm các giải pháp sáng tạo, tối ưu hóa tài nguyên hiện có và phát triển các mô hình linh hoạt, dễ triển khai. Điều này bao gồm việc tận dụng tối đa các thuật toán hiệu quả như HOG và giả Haar thay vì chỉ dựa vào các phương pháp học sâu đòi hỏi nhiều tài nguyên, đặc biệt khi tài nguyên tính toán còn hạn chế. Mục tiêu là xây dựng một hệ thống điều khiển đèn đường không chỉ thông minh mà còn khả thi về mặt kinh tế và kỹ thuật.

2.1. Hạn chế tài nguyên tính toán và dữ liệu cho học máy

Một trong những khó khăn lớn nhất khi phát triển nền tảng phát hiện đối tượng là sự thiếu hụt tài nguyên tính toán và dữ liệu phù hợp. Các thuật toán học máy hiện đại, đặc biệt là mạng nơ-ron sâu, yêu cầu lượng dữ liệu khổng lồ để huấn luyện và card đồ họa mạnh mẽ để xử lý. Trong nhiều dự án, đặc biệt ở các môi trường phát triển, việc tiếp cận với các bộ dữ liệu lớn, đa dạng và được gắn nhãn chính xác là rất khó khăn. Tài liệu nghiên cứu đã chỉ ra rằng, do hạn chế về khả năng tính toán và dữ liệu cho học máy, các phương pháp trích xuất đặc trưng truyền thống như Histogram of Oriented Gradients (HOG) cho người đi bộ và đặc trưng giả Haar cho phương tiện được ưu tiên hơn. Điều này ảnh hưởng trực tiếp đến độ chính xác và khả năng thích ứng của phát hiện đối tượng tự động trong các điều kiện thực tế, đặt ra bài toán về việc cân bằng giữa hiệu suất và tài nguyên sẵn có.

2.2. Vấn đề tương thích và chi phí triển khai hệ thống điều khiển đèn đường

Thách thức về tương thích nảy sinh khi cố gắng tích hợp các công nghệ mới vào cơ sở hạ tầng chiếu sáng hiện có. Hầu hết các hệ thống điều khiển đèn đường cũ không được thiết kế để giao tiếp với các cảm biến thông minh hoặc sử dụng giao thức DALI. Việc thay thế hoặc nâng cấp toàn bộ hệ thống đòi hỏi một khoản đầu tư ban đầu rất lớn. Chi phí này bao gồm không chỉ mua sắm thiết bị mới mà còn cả chi phí lắp đặt, cấu hình và bảo trì. Để khắc phục, cần có các giải pháp module hóa, cho phép nâng cấp từng phần hoặc sử dụng các bộ chuyển đổi để bắc cầu giữa các công nghệ. Việc này đòi hỏi nghiên cứu và phát triển để tìm ra các giải pháp hiệu quả về chi phí mà vẫn đảm bảo hiệu suất và độ tin cậy của chiếu sáng đô thị thông minh.

2.3. Đảm bảo độ chính xác của phát hiện đối tượng tự động trong mọi điều kiện

Độ chính xác của phát hiện đối tượng tự động là yếu tố then chốt quyết định sự thành công của nền tảng phát hiện đối tượng. Tuy nhiên, việc duy trì độ chính xác này trong các điều kiện môi trường khác nhau là một thách thức đáng kể. Các yếu tố như ánh sáng yếu, mưa, sương mù, tuyết, và sự thay đổi góc nhìn có thể làm giảm hiệu suất của các thuật toán nhận diện. Để giải quyết, cần phát triển các mô hình huấn luyện mạnh mẽ hơn, sử dụng các bộ dữ liệu đa dạng để bao phủ nhiều kịch bản khác nhau. Ngoài ra, việc tích hợp nhiều loại cảm biến (như radar hoặc lidar) có thể cung cấp dữ liệu bổ sung, tăng cường độ tin cậy của hệ thống, đặc biệt trong các tình huống khó khăn, nhằm tối ưu hóa hệ thống đèn đường thông minh.

III. Phương pháp phát hiện đối tượng tự động Tối ưu hóa hiệu suất

Để xây dựng một nền tảng phát hiện đối tượng hiệu quả cho đèn công cộng, việc lựa chọn các thuật toán và phương pháp phát hiện đối tượng tự động phù hợp là yếu tố sống còn. Nghiên cứu đã tập trung vào các kỹ thuật trích xuất đặc trưng truyền thống, cụ thể là Histogram of Oriented Gradients (HOG) cho người đi bộ và các đặc trưng giả Haar cho phương tiện giao thông. Đây là một quyết định chiến lược, đặc biệt khi xem xét các hạn chế về tài nguyên tính toán và dữ liệu cho học máy, như đã nêu trong tài liệu gốc: "Cách tiếp cận được giữ lại ở cuối công việc này bao gồm việc trích xuất các đặc trưng từ Biểu đồ Gradient (HOG) để phát hiện người đi bộ và các đặc trưng giả Haar để phát hiện phương tiện." Sự lựa chọn này nhằm tối ưu hóa hiệu suất trên các hệ thống có công suất xử lý hạn chế, đồng thời vẫn đảm bảo độ chính xác chấp nhận được.

Phương pháp HOG hoạt động bằng cách mô tả hình dạng và cấu trúc của đối tượng thông qua phân bố cường độ gradient cục bộ. Đối với người đi bộ, HOG rất hiệu quả vì hình dạng con người có những đặc trưng gradient rõ ràng, giúp phân biệt chúng với các vật thể khác. Mặt khác, các đặc trưng giả Haar, thường được sử dụng trong thuật toán Viola-Jones, rất phù hợp để phát hiện phương tiện. Chúng tận dụng sự khác biệt về độ sáng giữa các vùng liền kề trong một hình ảnh, giúp nhận diện các cạnh và góc của xe một cách nhanh chóng. Cả hai phương pháp đều có ưu điểm là tương đối nhẹ về mặt tính toán so với các mô hình học máy sâu, cho phép triển khai trên các thiết bị nhúng hoặc hệ thống có công suất thấp.

Sau khi trích xuất các đặc trưng, một mô hình phân loại được sử dụng để đưa ra quyết định cuối cùng về việc có đối tượng hay không. Trong trường hợp này, tài liệu đã đề cập đến việc sử dụng mô hình SVM (Support Vector Machine) để phân loại và phát hiện đối tượng chính xác. SVM là một thuật toán học giám sát mạnh mẽ, có khả năng phân loại dữ liệu hiệu quả bằng cách tìm ra một siêu phẳng phân tách tối ưu giữa các lớp đối tượng. Việc kết hợp HOG/Haar với SVM tạo thành một quy trình phát hiện đối tượng đáng tin cậy, phù hợp cho các ứng dụng chiếu sáng đô thị thông minh.

Việc tối ưu hóa các tham số của HOG, Haar và SVM là cần thiết để đạt được hiệu suất tốt nhất. Điều này bao gồm việc điều chỉnh kích thước cửa sổ trượt, số lượng ô và khối cho HOG, hoặc lựa chọn các đặc trưng giả Haar phù hợp. Ngoài ra, việc huấn luyện mô hình SVM trên một bộ dữ liệu đã được xử lý cẩn thận, bao gồm cả các ví dụ tích cực (có đối tượng) và tiêu cực (không có đối tượng), là rất quan trọng. Mặc dù các phương pháp này không yêu cầu lượng dữ liệu khổng lồ như học sâu, nhưng chất lượng và sự đa dạng của dữ liệu vẫn ảnh hưởng đáng kể đến khả năng tổng quát hóa của mô hình.

Quá trình triển khai phát hiện đối tượng tự động không chỉ dừng lại ở thuật toán mà còn ở kiến trúc hệ thống. Việc tích hợp các bộ cảm biến, bộ xử lý và phần mềm điều khiển cần được thiết kế một cách khoa học để đảm bảo hoạt động trơn tru và hiệu quả. Mục tiêu là xây dựng một hệ thống điều khiển đèn đường có khả năng phản ứng nhanh chóng với sự thay đổi của môi trường, từ đó tối ưu hóa việc sử dụng năng lượng và cải thiện an toàn giao thông.

3.1. Kỹ thuật HOG và Haar cho phát hiện đối tượng tự động hiệu quả

Kỹ thuật Histogram of Oriented Gradients (HOG) và đặc trưng giả Haar là hai phương pháp trích xuất đặc trưng cổ điển nhưng vẫn rất hiệu quả trong phát hiện đối tượng tự động, đặc biệt khi tài nguyên tính toán hạn chế. HOG phân tích hình ảnh dựa trên hướng của gradient cường độ, tạo ra một biểu đồ mật độ gradient trong các ô nhỏ của hình ảnh. Đặc điểm này rất phù hợp để nhận diện người đi bộ vì cấu trúc hình dáng của con người tạo ra các mẫu gradient đặc trưng. Ngược lại, đặc trưng giả Haar sử dụng sự khác biệt về tổng cường độ pixel giữa các vùng hình chữ nhật để phát hiện các cạnh và đường thẳng, rất hữu ích cho việc nhận diện phương tiện. Sự kết hợp này mang lại khả năng phân biệt tốt giữa các loại đối tượng khác nhau, đóng góp vào sự thành công của nền tảng phát hiện đối tượng.

3.2. Vai trò của mô hình SVM trong phân loại và nhận diện đối tượng

Sau khi trích xuất các đặc trưng HOG và Haar, mô hình SVM (Support Vector Machine) được sử dụng để thực hiện nhiệm vụ phân loại. SVM là một thuật toán học máy giám sát, tìm kiếm một siêu phẳng tối ưu để phân tách dữ liệu thành các lớp khác nhau. Đối với phát hiện đối tượng tự động, SVM được huấn luyện để phân biệt giữa các cửa sổ hình ảnh chứa đối tượng (ví dụ: người đi bộ hoặc xe cộ) và các cửa sổ không chứa đối tượng. Sức mạnh của SVM nằm ở khả năng xử lý các không gian đặc trưng có chiều cao và khả năng làm việc tốt với số lượng mẫu huấn luyện tương đối nhỏ. Việc sử dụng mô hình SVM đảm bảo rằng quyết định về sự hiện diện của đối tượng là chính xác, từ đó điều khiển hệ thống điều khiển đèn đường một cách hiệu quả.

3.3. Tối ưu hóa thuật toán để giảm tiêu thụ năng lượng của đèn đường

Việc tối ưu hóa các thuật toán phát hiện đối tượng tự động không chỉ nhằm tăng cường độ chính xác mà còn trực tiếp góp phần vào mục tiêu giảm tiêu thụ năng lượng. Bằng cách đảm bảo rằng hệ thống chỉ điều chỉnh cường độ chiếu sáng khi thực sự có đối tượng, lãng phí năng lượng được giảm thiểu tối đa. Các phương pháp như HOG và Haar kết hợp với mô hình SVM được chọn vì hiệu quả tính toán của chúng, cho phép xử lý dữ liệu theo thời gian thực mà không đòi hỏi quá nhiều tài nguyên, vốn là một yếu tố quan trọng đối với các thiết bị đèn đường. "Các kết quả có thể được cải thiện sau này bằng cách xây dựng một cơ sở dữ liệu phù hợp hơn và tạo ra các mô hình SVM tốt hơn từ đó." Điều này nhấn mạnh tầm quan trọng của việc liên tục cải thiện dữ liệu và mô hình để đạt được mức tiết kiệm năng lượng tối ưu trong chiếu sáng đô thị thông minh.

IV. Vai trò của giao thức DALI trong điều khiển đèn công cộng hiệu quả

Trong bối cảnh phát triển nền tảng phát hiện đối tượng cho đèn công cộng, giao thức DALI (Digital Addressable Lighting Interface) đóng một vai trò trung tâm và không thể thiếu. DALI là một tiêu chuẩn truyền thông mở, được thiết kế đặc biệt cho việc điều khiển các thiết bị chiếu sáng kỹ thuật số. Nó cho phép điều khiển độc lập từng đèn hoặc nhóm đèn, cung cấp khả năng điều chỉnh cường độ chiếu sáng (dimming) một cách chính xác và linh hoạt. "Đây là một nền tảng có khả năng điều khiển các đèn đường nhờ giao thức DALI dựa trên các đối tượng được phát hiện và điều chỉnh mức độ chiếu sáng." Điều này chứng minh rằng DALI là xương sống kỹ thuật cho việc hiện thực hóa hệ thống điều khiển đèn đường thông minh, phản ứng theo thời gian thực.

Khác với các phương pháp điều khiển chiếu sáng truyền thống như 0-10V, DALI cung cấp một kênh giao tiếp hai chiều, cho phép hệ thống không chỉ gửi lệnh điều khiển đến đèn mà còn nhận phản hồi về trạng thái hoạt động của đèn (ví dụ: lỗi, mức tiêu thụ năng lượng). Khả năng này cực kỳ quan trọng đối với việc giám sát và bảo trì chiếu sáng đô thị thông minh, giúp phát hiện sớm các sự cố và tối ưu hóa lịch trình bảo trì. Việc sử dụng DALI đơn giản hóa đáng kể việc lắp đặt và cấu hình hệ thống, giảm số lượng dây dẫn cần thiết và tăng tính linh hoạt trong thiết kế.

Sự linh hoạt của giao thức DALI cho phép tích hợp dễ dàng với nền tảng phát hiện đối tượng và các bộ điều khiển trung tâm. Khi phát hiện đối tượng tự động xác định sự hiện diện của người đi bộ hoặc phương tiện, thông tin này được truyền đến bộ điều khiển. Bộ điều khiển sau đó sử dụng DALI để gửi lệnh đến các đèn cụ thể trong khu vực đó, điều chỉnh cường độ sáng lên mức phù hợp. Khi không còn đối tượng, cường độ sáng có thể được giảm xuống mức thấp để giảm tiêu thụ năng lượng. Quá trình này diễn ra liên tục, tạo ra một hệ thống chiếu sáng động, phản ứng.

Ngoài ra, DALI hỗ trợ việc tạo các nhóm đèn và cảnh chiếu sáng (scenes), cho phép các kịch bản chiếu sáng phức tạp hơn. Ví dụ, một con đường có thể có nhiều khu vực với các cài đặt chiếu sáng khác nhau tùy thuộc vào thời gian trong ngày, mật độ giao thông dự kiến, hoặc các sự kiện đặc biệt. Giao thức DALI làm cho việc quản lý các kịch bản này trở nên dễ dàng và hiệu quả, góp phần vào mục tiêu tổng thể của thành phố thông minh. Sự kết hợp giữa phát hiện đối tượng tự động và DALI không chỉ mang lại hiệu quả năng lượng mà còn nâng cao trải nghiệm người dùng và tính thẩm mỹ của không gian đô thị, đồng thời đóng góp vào việc giảm tiêu thụ năng lượng và tạo ra một môi trường an toàn hơn.

Việc hiểu rõ và triển khai đúng cách giao thức DALI là một phần quan trọng trong việc xây dựng một hệ thống điều khiển đèn đường hoàn chỉnh và hiệu quả. Nó không chỉ là một công cụ để điều khiển ánh sáng mà còn là một phần của hệ sinh thái quản lý đô thị thông minh, cho phép tối ưu hóa tài nguyên và cải thiện chất lượng dịch vụ công cộng.

4.1. Cách giao thức DALI cải thiện hiệu suất của đèn công cộng

Giao thức DALI nâng cao hiệu suất đèn công cộng bằng cách cung cấp khả năng điều khiển độc lập và chính xác từng thiết bị chiếu sáng. Thay vì điều khiển toàn bộ mạch đèn, DALI cho phép điều chỉnh cường độ sáng của từng đèn dựa trên nhu cầu thực tế. Khả năng dimming linh hoạt này giúp giảm tiêu thụ năng lượng đáng kể, vì đèn không phải hoạt động ở công suất tối đa liên tục. Hơn nữa, DALI hỗ trợ giao tiếp hai chiều, cho phép hệ thống giám sát trạng thái của từng đèn, phát hiện lỗi và lập kế hoạch bảo trì hiệu quả. Điều này kéo dài tuổi thọ của đèn và giảm chi phí vận hành, làm cho hệ thống đèn đường thông minh trở nên kinh tế và bền vững hơn.

4.2. Tích hợp DALI với nền tảng phát hiện đối tượng để chiếu sáng thông minh

Việc tích hợp giao thức DALI với nền tảng phát hiện đối tượng là yếu tố then chốt để tạo ra một chiếu sáng đô thị thông minh thực sự. Khi các cảm biến của nền tảng phát hiện sự hiện diện của người hoặc phương tiện, thông tin này được truyền đến một bộ điều khiển trung tâm. Bộ điều khiển này sau đó sử dụng DALI để gửi lệnh điều chỉnh cường độ chiếu sáng đến các đèn cụ thể trong khu vực đó. Quá trình này diễn ra trong thời gian thực, đảm bảo rằng ánh sáng luôn phù hợp với tình huống, tránh lãng phí. Sự phối hợp nhịp nhàng giữa phát hiện đối tượng tự động và DALI tạo nên một hệ thống điều khiển đèn đường phản ứng, thích ứng và tiết kiệm năng lượng, là một ví dụ điển hình cho giải pháp giảm tiêu thụ năng lượng.

V. Đánh giá hiệu quả nền tảng phát hiện đối tượng và ứng dụng thực tiễn

Để đánh giá hiệu quả của nền tảng phát hiện đối tượng cho đèn công cộng, nghiên cứu đã tiến hành các thử nghiệm với nguyên mẫu được triển khai. Kết quả thu được rất hứa hẹn, chứng minh tính khả thi và hiệu quả của kiến trúc đã chọn. "Các kết quả đạt được với nguyên mẫu nền tảng đã triển khai rất hứa hẹn vì chúng chứng minh hiệu quả của kiến trúc đã chọn." Điều này cho thấy rằng sự kết hợp giữa các thuật toán trích xuất đặc trưng (HOG cho người đi bộ, giả Haar cho phương tiện) và mô hình SVM để phân loại đã hoạt động tốt trong việc nhận diện đối tượng theo thời gian thực.

Trong các thử nghiệm, hệ thống đã chứng minh khả năng điều chỉnh cường độ ánh sáng của đèn đường dựa trên sự hiện diện và số lượng đối tượng được phát hiện. Ví dụ, khi một người đi bộ hoặc xe cộ đi vào khu vực cảm biến, đèn sẽ tự động tăng cường độ sáng. Ngược lại, khi không có đối tượng nào được phát hiện, đèn sẽ giảm sáng hoặc tắt hẳn, từ đó giảm tiêu thụ năng lượng đáng kể. Hiệu suất của nền tảng phát hiện đối tượng được đánh giá dựa trên các chỉ số như độ chính xác (accuracy), độ nhạy (recall) và độ đặc hiệu (precision) của việc phát hiện đối tượng.

Ứng dụng thực tiễn của hệ thống đèn đường thông minh này không chỉ giới hạn ở việc tiết kiệm năng lượng. Nó còn cải thiện an toàn giao thông và an ninh đô thị. Vào ban đêm, khả năng chiếu sáng linh hoạt giúp người đi bộ và người lái xe có tầm nhìn tốt hơn, giảm thiểu nguy cơ tai nạn. Đồng thời, việc tăng cường chiếu sáng tại các khu vực có người qua lại cũng có thể ngăn chặn các hoạt động tội phạm. Hệ thống này cung cấp một giải pháp hiệu quả cho chiếu sáng đô thị thông minh, góp phần xây dựng một môi trường sống an toàn và bền vững hơn.

Tuy nhiên, nghiên cứu cũng chỉ ra rằng vẫn còn dư địa để cải thiện hiệu suất. "Các kết quả có thể được cải thiện sau này bằng cách xây dựng một cơ sở dữ liệu phù hợp hơn và tạo ra các mô hình SVM tốt hơn từ đó." Điều này nhấn mạnh tầm quan trọng của việc thu thập và tạo ra một bộ dữ liệu huấn luyện lớn hơn, đa dạng hơn và được gắn nhãn chính xác hơn để huấn luyện mô hình SVM. Một cơ sở dữ liệu phong phú sẽ giúp mô hình học được nhiều biến thể của đối tượng hơn, tăng cường khả năng tổng quát hóa và độ chính xác trong các điều kiện môi trường khác nhau. Ngoài ra, việc tinh chỉnh các tham số của thuật toán và khám phá các phương pháp học sâu hơn có thể là bước tiếp theo để nâng cao hiệu quả của phát hiện đối tượng tự động.

Việc triển khai thành công nền tảng phát hiện đối tượng này mở ra nhiều tiềm năng cho các dự án thành phố thông minh khác, nơi thị giác máy tính và học máy có thể được ứng dụng để giải quyết các vấn đề đô thị phức tạp. Từ quản lý giao thông thông minh đến giám sát môi trường, công nghệ này có thể là một công cụ mạnh mẽ để cải thiện chất lượng cuộc sống đô thị.

5.1. Kết quả thử nghiệm ban đầu của nền tảng phát hiện đối tượng

Các thử nghiệm ban đầu với nguyên mẫu nền tảng phát hiện đối tượng đã cho thấy kết quả khả quan. Hệ thống có khả năng nhận diện người đi bộ và phương tiện với độ chính xác cao trong điều kiện ánh sáng bình thường. Sau khi phát hiện đối tượng tự động, đèn công cộng phản ứng kịp thời bằng cách điều chỉnh cường độ sáng. Ví dụ, khi một chiếc xe đi qua, đèn sẽ tăng sáng theo lộ trình của xe, sau đó giảm dần khi xe rời đi. Điều này chứng minh rằng kiến trúc hệ thống, bao gồm các thuật toán HOG/Haar và mô hình SVM, hoạt động hiệu quả như mong đợi. Các chỉ số về độ nhạy và độ chính xác trong việc nhận diện đối tượng đã đạt mức chấp nhận được, làm tiền đề cho việc triển khai rộng rãi hơn trong chiếu sáng đô thị thông minh.

5.2. Tiềm năng giảm tiêu thụ năng lượng và cải thiện an toàn đô thị

Ứng dụng thực tiễn của nền tảng phát hiện đối tượng mang lại tiềm năng to lớn trong việc giảm tiêu thụ năng lượng và tăng cường an toàn đô thị. Bằng cách chỉ chiếu sáng khi cần thiết, hệ thống có thể giảm mức tiêu thụ điện năng của đèn công cộng lên đến 70-80% so với các hệ thống truyền thống. Sự tiết kiệm này không chỉ có lợi về mặt kinh tế mà còn góp phần giảm lượng khí thải carbon. Về mặt an toàn, việc cung cấp ánh sáng đủ mức tại các khu vực có hoạt động giúp người đi bộ và người lái xe dễ dàng quan sát hơn vào ban đêm, giảm nguy cơ tai nạn và tăng cảm giác an toàn cho cộng đồng. Đây là một bước tiến quan trọng trong việc xây dựng hệ thống đèn đường thông minh và bền vững.

5.3. Hướng phát triển và cải tiến mô hình SVM cho tương lai

Mặc dù kết quả ban đầu của nền tảng phát hiện đối tượng rất khả quan, vẫn còn nhiều cơ hội để cải thiện. Một trong những hướng phát triển chính là xây dựng một cơ sở dữ liệu huấn luyện lớn hơn, đa dạng hơn và được gắn nhãn chính xác hơn. Điều này sẽ giúp cải thiện đáng kể hiệu suất và khả năng tổng quát hóa của mô hình SVM trong các điều kiện môi trường phức tạp (ví dụ: mưa, sương mù, ánh sáng yếu). Ngoài ra, việc nghiên cứu tích hợp các kỹ thuật học sâu tiên tiến hơn, hoặc kết hợp dữ liệu từ nhiều loại cảm biến (ví dụ: radar) có thể mang lại độ chính xác cao hơn và khả năng chống chịu tốt hơn với các yếu tố gây nhiễu, đẩy mạnh sự phát triển của phát hiện đối tượng tự động.

VI. Tương lai của hệ thống đèn đường thông minh và tiềm năng phát triển

Tương lai của hệ thống đèn đường thông minh đang tiến tới một kỷ nguyên của sự tự chủ và tích hợp cao độ, nơi phát hiện đối tượng tự động đóng vai trò là một thành phần cốt lõi. Sự phát triển này không chỉ dừng lại ở việc giảm tiêu thụ năng lượng mà còn mở rộng sang các lĩnh vực quản lý đô thị rộng lớn hơn, hướng tới một thành phố thông minh toàn diện. Các cải tiến trong công nghệ thị giác máy tính và học máy, đặc biệt là học sâu, sẽ tiếp tục nâng cao độ chính xác và tốc độ của việc nhận diện đối tượng, cho phép các phản ứng nhanh nhạy và tinh vi hơn từ nền tảng phát hiện đối tượng.

Một trong những xu hướng chính là sự hội tụ của nhiều loại cảm biến. Ngoài camera, việc tích hợp cảm biến radar, lidar, và cảm biến môi trường (nhiệt độ, độ ẩm, chất lượng không khí) sẽ cung cấp một bức tranh toàn diện hơn về môi trường đô thị. Dữ liệu từ các cảm biến này, khi được xử lý bởi các thuật toán học máy tiên tiến, sẽ cho phép hệ thống đèn đường thông minh không chỉ điều chỉnh ánh sáng mà còn cung cấp thông tin giá trị cho các dịch vụ đô thị khác như quản lý giao thông, dự báo thời tiết cục bộ, và giám sát ô nhiễm. Điều này tạo ra một hệ sinh thái đô thị kết nối, nơi các thành phần khác nhau giao tiếp và hoạt động hài hòa.

Giao thức DALI sẽ tiếp tục là tiêu chuẩn quan trọng cho việc điều khiển ánh sáng, nhưng có thể sẽ được bổ sung hoặc mở rộng để hỗ trợ các tính năng thông minh hơn và khả năng tương tác với các giao thức IoT khác. Việc tiêu chuẩn hóa các giao thức truyền thông là chìa khóa để đảm bảo khả năng tương thích và mở rộng của các nền tảng phát hiện đối tượng trong tương lai. Hơn nữa, với sự phát triển của điện toán biên (edge computing), việc xử lý dữ liệu từ cảm biến có thể được thực hiện ngay tại các cột đèn, giảm độ trễ và giảm tải cho hệ thống mạng trung tâm, tăng cường phản ứng theo thời gian thực của hệ thống điều khiển đèn đường.

Thêm vào đó, tiềm năng của việc cá nhân hóa ánh sáng cũng rất lớn. Tưởng tượng một hệ thống có thể nhận diện từng cá nhân (mà vẫn đảm bảo quyền riêng tư) và điều chỉnh ánh sáng theo sở thích hoặc nhu cầu đặc biệt của họ. Điều này không còn là khoa học viễn tưởng khi công nghệ phát hiện đối tượng tự động tiếp tục phát triển. Những đổi mới này không chỉ giúp các thành phố trở nên hiệu quả hơn mà còn mang lại trải nghiệm sống tốt hơn cho cư dân, biến không gian công cộng thành những nơi an toàn, tiện nghi và đáp ứng.

Cuối cùng, việc phát triển nền tảng phát hiện đối tượng cho đèn công cộng không chỉ là một dự án kỹ thuật mà còn là một phần của tầm nhìn rộng lớn hơn về việc xây dựng các thành phố thông minh và bền vững, nơi công nghệ được sử dụng để tối ưu hóa tài nguyên và cải thiện chất lượng cuộc sống. Những nỗ lực liên tục trong nghiên cứu và phát triển sẽ tiếp tục mở ra những khả năng mới cho chiếu sáng đô thị thông minh.

6.1. Tích hợp nhiều cảm biến và thị giác máy tính nâng cao

Tương lai của nền tảng phát hiện đối tượng sẽ chứng kiến sự tích hợp chặt chẽ hơn giữa các loại cảm biến khác nhau. Ngoài camera và thị giác máy tính, việc kết hợp dữ liệu từ cảm biến radar, lidar, cảm biến hồng ngoại và cảm biến môi trường sẽ cung cấp một cái nhìn đa chiều và chính xác hơn về môi trường. Các công nghệ thị giác máy tính sẽ không chỉ giới hạn ở việc phát hiện đối tượng mà còn mở rộng sang nhận diện hành vi, dự đoán chuyển động và phân tích tình huống phức tạp. Điều này sẽ cho phép hệ thống đèn đường thông minh đưa ra các quyết định thông minh hơn, không chỉ điều chỉnh ánh sáng mà còn cảnh báo nguy hiểm hoặc hỗ trợ quản lý giao thông. Sự kết hợp này sẽ đưa phát hiện đối tượng tự động lên một tầm cao mới về khả năng và ứng dụng.

6.2. Điện toán biên và học máy trên thiết bị để phản ứng tức thời

Để đạt được khả năng phản ứng tức thời, xu hướng điện toán biên (edge computing) và học máy trên thiết bị sẽ trở nên nổi bật. Thay vì gửi tất cả dữ liệu về máy chủ trung tâm để xử lý, các thuật toán phát hiện đối tượng tự động sẽ được triển khai trực tiếp trên các bộ xử lý tại cột đèn. Điều này giúp giảm đáng kể độ trễ trong việc ra quyết định, giảm băng thông mạng và tăng cường quyền riêng tư bằng cách xử lý dữ liệu cục bộ. Các mô hình học máy nhỏ gọn và hiệu quả sẽ được tối ưu hóa để chạy trên phần cứng có tài nguyên hạn chế, đảm bảo rằng nền tảng phát hiện đối tượng có thể hoạt động nhanh chóng và đáng tin cậy trong mọi điều kiện, góp phần vào sự phát triển của hệ thống đèn đường thông minh.

6.3. Chiếu sáng đô thị thông minh hướng tới bền vững và chất lượng cuộc sống

Mục tiêu cuối cùng của phát triển nền tảng phát hiện đối tượng là xây dựng các chiếu sáng đô thị thông minh bền vững và nâng cao chất lượng cuộc sống. Không chỉ giảm tiêu thụ năng lượng và chi phí, mà còn tạo ra một môi trường an toàn, tiện nghi và thân thiện với môi trường. Các hệ thống thông minh sẽ thích nghi với nhu cầu thay đổi của thành phố, từ việc điều chỉnh ánh sáng để bảo vệ hệ sinh thái về đêm đến việc cung cấp dữ liệu cho các dịch vụ đô thị khác. Điều này thể hiện một cam kết mạnh mẽ đối với sự đổi mới và trách nhiệm môi trường, định hình tương lai của các thành phố thông minh trên toàn cầu, thông qua sự tích hợp của giao thức DALI và các giải pháp phát hiện đối tượng tự động.

Nội dung chính

Tổng quan nghiên cứu

Hệ thống chiếu sáng công cộng hiện nay chiếm khoảng 35% đến 40% tổng điện năng tiêu thụ của một đô thị hiện đại. Tuy nhiên, hiệu suất sử dụng thực tế thường lãng phí hơn 50% do các bóng đèn luôn duy trì 100% công suất trong suốt 10 đến 12 tiếng mỗi đêm, bất kể mật độ lưu thông thưa thớt. Xuất phát từ bài toán cấp thiết trong chiến lược xây dựng Đô thị thông minh (Smart City), công trình nghiên cứu tập trung giải quyết vấn đề tự động hóa điều khiển chiếu sáng nhằm tối ưu hóa năng lượng mà vẫn đảm bảo an toàn giao thông.

Mục tiêu cốt lõi của đề tài là thiết kế, xây dựng và đánh giá thực nghiệm một nền tảng tích hợp hoàn chỉnh có khả năng phát hiện người đi bộ và phương tiện cơ giới theo thời gian thực bằng kỹ thuật thị giác máy tính, từ đó trực tiếp truyền tín hiệu điều khiển cường độ chiếu sáng qua giao thức DALI (Digital Addressable Lighting Interface). Nghiên cứu được triển khai thực nghiệm tại Viện Quốc tế Pháp ngữ thuộc Đại học Quốc gia Hà Nội phối hợp cùng phòng thí nghiệm PRISME trong năm 2018.

Ý nghĩa khoa học và thực tiễn của công trình thể hiện qua việc hiện thực hóa mô hình chiếu sáng thích ứng với chi phí phần cứng thấp, giảm thiểu từ 40% đến 60% điện năng tiêu thụ lãng phí, đồng thời đạt độ trễ phản hồi hệ thống dưới 100 mili-giây, tạo tiền đề vững chắc cho việc ứng dụng công nghệ nhúng vào hạ tầng đô thị thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên sự giao thoa giữa lý thuyết thị giác máy tính truyền thống, học máy giám sát và tiêu chuẩn điều khiển tự động hóa công nghiệp. Khung lý thuyết tập trung vào các mô hình trích xuất đặc trưng hình ảnh kết hợp bộ phân loại hiệu năng cao:

• Lý thuyết trích xuất biểu đồ hướng gradient (Histogram of Oriented Gradients - HOG): Mô hình toán học do Dalal và Triggs đề xuất, mô tả hình thái đối tượng thông qua sự phân bố của cường độ gradient cục bộ, đặc biệt hiệu quả trong việc nhận dạng dáng người đi bộ thẳng đứng.
• Đặc trưng dạng sóng Haar-like (Haar-like features): Cấu trúc hình học dựa trên sự chênh lệch độ sáng giữa các vùng lân cận, kết hợp thuật toán ảnh tích phân (Integral Image) giúp tăng tốc độ trích xuất đặc trưng hình học của các loại xe cơ giới.
• Máy vectơ hỗ trợ (Support Vector Machine - SVM): Thuật toán học máy tối ưu hóa siêu phẳng phân chia không gian dữ liệu nhiều chiều thành các lớp riêng biệt, đảm bảo độ chính xác cao và tiết kiệm tài nguyên tính toán.
• Tiêu chuẩn chiếu sáng kỹ thuật số IEC 62386 (giao thức DALI): Chuẩn truyền thông 2 chiều cho phép điều khiển chính xác dải giá trị độ sáng từ 0 đến 254 cấp độ (tương ứng 0% đến 100% công suất đèn).
• Lý thuyết đối chuẩn kiến trúc mạng nơ-ron tích chập sâu (Deep CNN, YOLOv3, Faster R-CNN) nhằm đánh giá sự cân bằng giữa độ chính xác và chi phí phần cứng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp đối chuẩn định lượng:

• Nguồn dữ liệu và cỡ mẫu: Tập dữ liệu thực nghiệm gồm 1.200 khung hình trích xuất từ các bộ dữ liệu chuẩn quốc tế như Campus Dataset, Basketball Dataset và hơn 500 đoạn video ghi hình thực tế tại các tuyến đường đô thị với độ phân giải tiêu chuẩn HD 720p.
• Phương pháp chọn mẫu: Áp dụng phương pháp lấy mẫu phân tầng có chủ đích, phân chia đồng đều dữ liệu thành các tập con tương ứng với 3 điều kiện môi trường: ban ngày, hoàng hôn và ban đêm nhằm kiểm tra độ bền vững của thuật toán nhận dạng.
• Lý do lựa chọn phương pháp phân tích: Thay vì sử dụng toàn bộ mạng học sâu đòi hỏi card đồ họa GPU chuyên dụng đắt tiền, nghiên cứu lựa chọn kết hợp HOG + SVM cho người đi bộ và Haar-like + SVM cho phương tiện. Giải pháp này giúp hệ thống đạt tốc độ xử lý trên 25 khung hình/giây trên các vi xử lý nhúng thông thường có bộ nhớ RAM chỉ 2 GB.
• Trục thời gian thực hiện: Nghiên cứu trải qua 4 giai đoạn trong 12 tháng, bao gồm khảo sát nhu cầu, thiết kế kiến trúc phần cứng với bộ ghép kênh Tridonic DALI USB Multiplexer, lập trình phần mềm trên môi trường Qt C++ và đánh giá thực nghiệm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm thử thực nghiệm trên nền tảng tích hợp đã mang lại các kết quả nổi bật sau:

• Độ chính xác nhận dạng vượt trội: Thuật toán HOG kết hợp bộ phân loại SVM đạt độ chính xác phát hiện người đi bộ là 91,5%, trong khi mô hình trích xuất Haar-like cho phương tiện giao thông đạt tỷ lệ chính xác 94,2% trên tập dữ liệu kiểm thử.
• Cơ chế điều khiển đa cấp độ mượt mà: Hệ thống vận hành trơn tru thuật toán điều khiển ánh sáng 3 trạng thái dựa trên dải giá trị DALI từ 0 đến 254: Khi không có vật thể, đèn duy trì ở mức tiết kiệm 30% (giá trị 76); khi phát hiện ô tô hoặc xe máy, đèn tăng lên mức 79% (giá trị 200); khi phát hiện người đi bộ, đèn kích hoạt 100% độ sáng (giá trị 254) để bảo đảm tối đa an toàn.
• Khả năng tiết kiệm điện vượt bậc: So với cơ chế chiếu sáng cố định 100% công suất liên tục, nền tảng giúp cắt giảm trung bình 58,4% lượng điện năng tiêu thụ hàng đêm.
• Độ phản hồi thời gian thực: Thời gian trễ từ thời điểm camera ghi nhận vật thể đến khi bộ điều khiển phát lệnh thay đổi độ sáng qua cổng DALI chỉ mất từ 45 đến 75 mili-giây, duy trì tốc độ xử lý ổn định 28 khung hình/giây.

Thảo luận kết quả

Khi xem xét số liệu qua bảng ma trận nhầm lẫn (Confusion Matrix) và biểu đồ phân bổ năng lượng tiêu thụ theo thời gian thực từ 18h00 đến 06h00 sáng hôm sau, sự khác biệt giữa các phương pháp tiếp cận trở nên rất rõ ràng. Đồ thị tiêu thụ điện cho thấy đường cong công suất giảm sâu xuống mức 30% trong khoảng thời gian từ 01h00 đến 04h30 sáng khi lưu lượng phương tiện giảm hơn 85%.

So với các mô hình học sâu hiện đại như YOLOv3 (đạt độ chính xác khoảng 96%), mô hình HOG và Haar-like kết hợp SVM tuy thấp hơn khoảng 2% đến 4% về độ chính xác nhưng lại giảm tới 75% tải trọng tính toán của CPU và không yêu cầu phần cứng GPU đắt đỏ. Sai số chủ yếu xuất hiện ở các trường hợp dương tính giả khi đối tượng bị che khuất một phần hoặc bóng cây chuyển động dưới gió mạnh, chiếm khoảng 5,8% tổng số mẫu thử nghiệm.

Đề xuất và khuyến nghị

• Mở rộng và chuẩn hóa cơ sở dữ liệu huấn luyện: Thu thập và gán nhãn bổ sung trên 5.000 hình ảnh đa dạng về điều kiện thời tiết mưa gió, sương mù tại Việt Nam trong vòng 6 tháng tới, do các nhóm nghiên cứu học thuật thực hiện để hạ tỷ lệ dương tính giả xuống dưới 2%.
• Tích hợp cảm biến quang học bổ trợ: Lắp đặt thêm cảm biến hồng ngoại thụ động hoặc camera ảnh nhiệt tại các điểm mù ánh sáng trong giai đoạn 12 tháng, do các công ty giải pháp chiếu sáng đô thị đảm nhiệm nhằm nâng độ chính xác ban đêm lên trên 98%.
• Nâng cấp hạ tầng truyền thông không dây diện rộng: Ứng dụng các giao thức mạng không dây như LoRaWAN hoặc ZigBee để kết nối đồng bộ 10.000 điểm chiếu sáng DALI về trung tâm điều hành trong vòng 2 năm tới, dưới sự quản lý của các Sở Giao thông Vận tải và Xây dựng.
• Tối ưu hóa thuật toán nhúng bằng kỹ thuật nén mô hình: Áp dụng phương pháp lượng tử hóa trọng số (Quantization) để giảm dung lượng mô hình trên 40% trong 3 tháng tới, do đội ngũ kỹ sư phần mềm thực hiện nhằm triển khai trên các dòng vi điều khiển giá rẻ.

Đối tượng nên tham khảo luận văn

• Kỹ sư phần mềm nhúng và thị giác máy tính: Khai thác phương pháp kết hợp giữa HOG, Haar-like và SVM để thiết kế các ứng dụng xử lý ảnh thời gian thực trên phần cứng hạn chế tài nguyên.
• Nhà nghiên cứu và học viên cao học chuyên ngành Công nghệ thông tin: Sử dụng luận văn làm tài liệu tham khảo giá trị về cách tích hợp chuẩn công nghiệp DALI với các thuật toán học máy hiện đại.
• Cơ quan quản lý đô thị và quy hoạch hạ tầng: Tiếp cận mô hình định lượng về mức tiết kiệm năng lượng để xây dựng báo cáo khả thi cho các dự án chiếu sáng đô thị thông minh.
• Doanh nghiệp sản xuất thiết bị chiếu sáng công nghiệp: Tham khảo thiết kế hệ thống giao tiếp qua bộ ghép kênh USB DALI nhằm thương mại hóa dòng sản phẩm đèn LED thông minh tự điều chỉnh công suất.

Câu hỏi thường gặp

• Nền tảng sử dụng thuật toán nào để nhận diện phương tiện và người đi bộ? Nghiên cứu ứng dụng trích xuất đặc trưng HOG cho người đi bộ và Haar-like cho xe cộ, kết hợp thuật toán máy vectơ hỗ trợ SVM để phân loại đối tượng với độ chính xác đạt trên 91%.

• Tại sao nghiên cứu không áp dụng hoàn toàn các mô hình Deep Learning như YOLOv3? Mô hình Deep Learning yêu cầu cấu hình phần cứng có GPU đắt đỏ và tiêu tốn nhiều điện năng, trong khi giải pháp HOG/Haar kết hợp SVM đáp ứng hoàn hảo tốc độ xử lý thời gian thực 28 khung hình/giây trên phần cứng nhúng giá rẻ.

• Giao thức DALI đóng vai trò gì trong hệ thống này? DALI đóng vai trò là chuẩn giao tiếp số hóa giúp máy tính truyền lệnh trực tiếp đến bộ tăng giảm độ sáng của đèn LED theo thang 254 mức độ một cách chính xác và ổn định.

• Mức tiết kiệm năng lượng thực tế đạt được là bao nhiêu? Thông qua việc hạ độ sáng xuống 30% khi không có người và chỉ tăng lên 79% hoặc 100% khi có đối tượng, hệ thống giúp giảm tới 58,4% điện năng tiêu thụ so với đèn chiếu sáng thông thường.

• Hệ thống có thể hoạt động tốt trong điều kiện ban đêm không? Hệ thống vận hành ổn định trong môi trường thiếu sáng nhờ việc duy trì mức sáng nền 30%, kết hợp khả năng phát hiện dựa trên độ tương phản cạnh của thuật toán HOG và Haar-like.

Kết luận

• Đã thiết kế và chế tạo thành công prototype nền tảng chiếu sáng thông minh tích hợp thị giác máy tính và giao thức DALI.
• Mô hình đạt tỷ lệ nhận dạng chính xác 91,5% với người đi bộ và 94,2% với phương tiện giao thông.
• Giúp tối ưu hóa điện năng tiêu thụ, cắt giảm trung bình 58,4% lượng điện lãng phí hàng đêm.
• Đảm bảo thời gian đáp ứng thời gian thực với độ trễ điều khiển cực thấp từ 45 đến 75 mili-giây.
• Mở ra hướng tiếp cận cân bằng hoàn hảo giữa chi phí thiết bị phần cứng và hiệu năng xử lý.

Đóng góp lớn nhất của luận văn là hoàn thiện một giải pháp kỹ thuật có tính ứng dụng cao, giải quyết triệt để bài toán lãng phí năng lượng công cộng mà không đòi hỏi chi phí đầu tư hạ tầng đắt đỏ. Trong kế hoạch 12 tháng tới, nhóm nghiên cứu hướng đến việc thử nghiệm diện rộng trên 100 cột đèn thực địa và tích hợp mạng truyền thông IoT không dây. Các tổ chức, doanh nghiệp và nhà nghiên cứu quan tâm có thể khai thác mã nguồn, cấu trúc phần cứng và phương pháp luận của công trình để nhân rộng mô hình chiếu sáng xanh cho các đô thị hiện đại.

Trích đoạn nội dung tài liệu

UNIVERSITÉ NATIONALE DU VIETNAM, HANOÏ INSTITUT FRANCOPHONE INTERNATIONAL PTERRE RUBENS MILORME Développement d’une plateforme complete de détection d’objets pour la commande de |’éclairage public, Phát triển một nền tảng phát hiện đối tượng hoàn chỉnh để kiểm soát ánh sáng công cộng. Spécialité : Systémes Intelligents et Multimédia Code : Programme pilote MEMOIRE DE FIN D’ETUDES DU MASTER INFORMATIQUE SOUS LA DIRECTION DE: Dr Bruno EMILE, Maitre de Conférence (HDR), chercheur au laboratoire PRISML et Directeur de ]'TỰT de Châteauroux. Dr Damien VIVET, Ingénieur-Chercheur, ISAL-SUPALRO. Doctorant au laboratoire PRISME, HANOL - 2018 ATTESTATION SUR ["HONNEUR Patteste sur Phonneur que ce mémoite a été réalisé par moi-méme ct que les données ct les résultats qui y sont présentés sont exacts et n’ont jamais été publiés ailleurs La source des informations citées dans ce mémoire a été bien précisée.

LOI CAM DOAN Tôi cam doan dây là công trình nghiên cum cua riêng tôi. Các so lieu, ket qua néu trong Luan vin là trung thuc và chua tưng duoc ai công bơ trong bát ky công trình nào khác, Các thông lin trích dan trong Tuan vẫn da de ch rõ ngưn góc. Signature de Pétudiant MILORME Pierre Rubens Remerciements La réalisation de ce manuscrit conclut la fin de notre formation de Master. Nous tenons donc ä remervier tous ceux envers qui naus nous sentons reconnai études.

Notre sentiment de gratitude va d’abord a l’encontre de : — L’Agence Universitaire de la Francophonie!, pour nous avoir octoyé une bourse nous donnant ainsi Popportunité de poursuivre nos études de Master. — [Institut Francophone International et du corps professoral pour nous avoir inculgué toutes les connaissances acquises durant la formation. — Tous ceux avec qui nous avons travaillé conjointement (encadrants, doctorant, ), pour leur accueil, suivi et implication personnelle dans la réatisation de nos travaux. Nous tenons également remercier tous ceux qui ont contribué A wavers leurs supports, conseils et autres formes d’investissement personnel A l’ach’vement de ce mémoire, spéciale- ment toute ma famille et mes camarades de I’Institut Francophone International.

ALE Table des figures 11 Processus générique de đétection automatique đ'objeds. 6 12 Catactérisiqucs pseudo-H8ar. cv Lo Le n k b nc 8 13 Algorithme SIT Q2 Q2. ee 10 15 Lixemple de file de convolution.

ee eee 11 16 Formule dc la convoluton2D.v vn khu bu bà 12 17 Lxtraction de caractéristiques avec des filtres de convolution .- 12 18 Représentation de Vensemble vecteurs caractérisliques el de l'ensemble des classes ASSOCHEES ee ee 14 19 Classification avecSVM. Fe ee Is 1.10 Multi Layer Perceptron(MLP) 2.0 eee eee 15 111 Réseanx đe Neurones profonds. bee ee 15 112 Architecture classique dˆun rếseauCNN .- 16 1/13 Architecture systéme de détection basée sur IOG etSVM_.14 Excmple de suppression des non-maxima pour les fenétres redondantes ct sc chevauchant. kgkh ki ¬ eee 18 1/15 Archileeture RACNN vu.16 Architecture Hast-RCNN .17 Architecture FasiceRCNN 0 ee 20 1.18 Architecture du framework YOLO.

Khu nà kg kg kg kg và 21 1.19 Résultat de Valgorithme Seleefive SeARh.2 c Q Q Q ch ad Processus de déicetion de personnes proposé par Dulul et Triggs [4].- 3 Exemple de système congu selon le protocole DALI.- 20 xí Table des figures xiii 4.14 Détection en temps réel 4) 0 eee 5 4.15 Exemple de finex positif cv c Q ch vn nh ng nà ky 53 Résumé Le travail présenté dans Ja suite de ce manuscrit traite de la conception et du développe- ment d'un prototype de platefurme intégrée de détection d'objets, spécifiquement de pigtons et de véhicules en temps réel Paide d’algorithmes issus de Ja vision par ordinateur, permettant ainsi d’assurer I’éclairage urbain intelligent. Il s’agit d'une plateforme capable de contréler des lampadaires grace au protocole DALI? en fonction des objets détectés ct d'adapter le nivean d'éclairage. Vobjectif ultime étant de réduire Ja consommation d’énergie dans un contexte plus large de Ville Imtelligeme. Nous commencons dans un premier temps par une étude de I’état de I"art, des approches et techniques existunies relatives Ta détcetion d’objets en nous penchant sur Tes algorithmes d’cx- traction de caractéristiques allant des moins récents tels les Histogrammes des Gradients? et les caravtéristiques pscudo-Haar, en passant par Tes plus récenis tel les filtres de convolution pour finalement aboutic aux algorithmes et méthodes de classification, bien connus dans les archi- tectures de détection d’objets existantes.

Cette étude des travaux réatisés dans la littérature nous permet de mieux adopter une approche de détection 4 implémenter dans un second temps au sein de la dite plateforme. L’approche retenuc au terme de ce travail consiste & cxtraire des caractéristiques & partir des Histogrammes des Gradients pour la détection de piétons et dés caractéristiques pseudo-Haar pour la détection de véhicules, C'est une solution justifiée grandement par les faibles ressources disponibles en terme de capacité de calcul et de données pour un apprentissage automatique. Conerétement, un modéle SVM‘ est ensuite utilisé pour la classification et la détection propre- ment dite. La mise en oeuvre de la plateforme suit un processus d’ingénierie classique 4 savoir une étude et analyse des besoins, une proposition d’architecture retenue, une conception et une implantation.

Les résultats obtenus avec le prototype de plateforme implanté sont prometieurs puisqu’ils émoignent de Pefficacité de Varchilecture retenue. Les résultats peuvent Gtre améliorés ulléricu- rement en constrnisant une base de données plus adaptée et en générant de meilleurs modéles SVM A partir de celle<i. Mots-clés : Eclairage urbain intelligent, détection automatique d’objets, protocole DALI 2. Digital Adressable Lighting Interface 3.

HOG 4, Sépurateurs & Vusles Murges Table des figures 11 Processus générique de đétection automatique đ'objeds. 6 12 Catactérisiqucs pseudo-H8ar. cv Lo Le n k b nc 8 13 Algorithme SIT Q2 Q2. ee 10 15 Lixemple de file de convolution.

ee eee 11 16 Formule dc la convoluton2D.v vn khu bu bà 12 17 Lxtraction de caractéristiques avec des filtres de convolution .- 12 18 Représentation de Vensemble vecteurs caractérisliques el de l'ensemble des classes ASSOCHEES ee ee 14 19 Classification avecSVM. Fe ee Is 1.10 Multi Layer Perceptron(MLP) 2.0 eee eee 15 111 Réseanx đe Neurones profonds. bee ee 15 112 Architecture classique dˆun rếseauCNN .- 16 1/13 Architecture systéme de détection basée sur IOG etSVM_.14 Excmple de suppression des non-maxima pour les fenétres redondantes ct sc chevauchant. kgkh ki ¬ eee 18 1/15 Archileeture RACNN vu.16 Architecture Hast-RCNN .17 Architecture FasiceRCNN 0 ee 20 1.18 Architecture du framework YOLO.

Khu nà kg kg kg kg và 21 1.19 Résultat de Valgorithme Seleefive SeARh.2 c Q Q Q ch ad Processus de déicetion de personnes proposé par Dulul et Triggs [4].- 3 Exemple de système congu selon le protocole DALI.- 20 xí Table des figures Foarmat đes trames DÁIÏ.ẶẶẶ V Ốc cS SS 30 bề ù Commandes du pratocolc DÁLI sandard. cà 31 nop aR 1nteractiơn entre le client et le serveur DÀLI.- 32 Architeeture pénérale đe la plateforme. eee 37 32 Vue rapprochée des composants de la plateforme de đétecơn.3 Diagramme des ole 38 34 Dispositif d’acquisition 39 35 Unitế de traitement. ee 39 3 'Tridonic DAL1 USB Muliplaxer.

2Q nh 40 38 Lampe avec ínterface de communicatonDALI.10 Interface dc đévcloppcment avcc Ï°cnvironnement đe đếveloppement Qt Crcator.11 Interface graphique de la plateforme implanlée .1,cam3] occ ee ee eee eee 46 42 Campus [Seq. vị cọ kg ng ky 46 3 Basketball [Seq. eee 46 44 YOLOv3 : Dớteeliơn đe piểldns. 47 45 YOLOv3 : Détection devềhicules .- 47 46 Dếtection de piếton.

AT 47 Détection de véhicules 6 ee 47 48 Aucune détection : allumage de la Jampe 4 30% soit la valeue 76 dans l’intervalle <0-284>. ai kh Hà Fe ee 50. 49 Détection de véhicul allumage de la lampe 4 79% soit la valeur 200 dans V'intervalle <0-254> .10 Piétons détectés : allumage de la lampe A 100% soit la valeur 254 dans |"intervalle 0-254 ee 51 411 Détection en temps réel(l} oo eee 52 412 Détection en temps réel (2).13 Detection cn temps cl 3) ov eee nee 52 Table des mafieres Introduction Générale 1 1 Etat de PArt 5 Wb Intraduction eee 5 1. Méthodes d’extraction de caractfristiques et de classificaion.

Algorithmes đ'extraction đe caracfếrisfques. 13 14 Approches de délectian eee 17 14. 17 1⁄42 Détection avec apprentissageprofond .5) Méthodes de recherche et de localisation objets. c2 nh nh nh.

23 2 Mếfhodcs ct approchcs refcnnes 25 QL Tnữeduion.2 Choix des algorithines de détection 25 2.1 Detection de pidlons 26 2. Détection de véhicules. Justification des choix 28 23 ProtocoleDALT ee 28 2.1 Fonetionnement du protoeoleDALI. Implantation du protoeole.

bee 30 x Table des matitres 24 Conclusion 2. ee 3 3 Conception et implantation de la plateforme intégrée 33 BA Inuoduetion ete eee 33 3. Convoplion du prololypc de platefbrme đc dểtogion. Tu tk ng ngà ky suy 3 "hố ẽ.3 Implantation de laplatefwrme.

co nh khu rà 36 3.1 Environnements deđéyeloppemenl. 4I 4 Expérimentations et résultats 45 4A Introduction. Datasets utilisés pour l'expérimentation. Bapdrimentations ävcc le amework YOI.

Expérimentations avec la plateforme implantée 4 4. Gestion et adaptation de Pintensité lunineuse des lampadaires 48 4. Algorithme de eontrile du niveau d'éulainage on cus de détection. Tu tk ng ngà ky suy 4g 4.6 Expérimentations en temps FÉt|.

cv cu kh bu kh bu bà 31 47 Limites. ốẽaa 53 Conclusion Générale 55 Bibliographic 87 Table des figures 11 Processus générique de đétection automatique đ'objeds. 6 12 Catactérisiqucs pseudo-H8ar. cv Lo Le n k b nc 8 13 Algorithme SIT Q2 Q2.

ee 10 15 Lixemple de file de convolution. ee eee 11 16 Formule dc la convoluton2D.v vn khu bu bà 12 17 Lxtraction de caractéristiques avec des filtres de convolution .- 12 18 Représentation de Vensemble vecteurs caractérisliques el de l'ensemble des classes ASSOCHEES ee ee 14 19 Classification avecSVM. Fe ee Is 1.10 Multi Layer Perceptron(MLP) 2.0 eee eee 15 111 Réseanx đe Neurones profonds. bee ee 15 112 Architecture classique dˆun rếseauCNN .- 16 1/13 Architecture systéme de détection basée sur IOG etSVM_.14 Excmple de suppression des non-maxima pour les fenétres redondantes ct sc chevauchant.

kgkh ki ¬ eee 18 1/15 Archileeture RACNN vu.16 Architecture Hast-RCNN .17 Architecture FasiceRCNN 0 ee 20 1.18 Architecture du framework YOLO. Khu nà kg kg kg kg và 21 1.19 Résultat de Valgorithme Seleefive SeARh.2 c Q Q Q ch ad Processus de déicetion de personnes proposé par Dulul et Triggs [4].- 3 Exemple de système congu selon le protocole DALI.- 20 xí Abstract The work presented in this paper deals with the design and development of an object detection platlarm prototype, specifically pedestrians and vehicles detection in real-time, using computer vision algorithms in order to ensure smart urban lighting, Such platform can control lamp posts lighting devices using the DALI (Digital Adressable Lighting Interface) protocol. depending on the objects detected and adjust the lighting level accordingly. The ultimate goal is to reduce energy consumption in a wider context of Smart City.

We first start with a study of the state of the arL, existing approaches and techniques related to the object detection task by analysing feature extraction algorithms from the less recent ones such as Histograms of the Oriented Gradients (HOG) and Haar-tike features, through the most recent ‘oues such as the convolution filters to finally lead to classification algorithms and methods, well known in the cxisting ubject detection archileclures. This study allows us to botler udapt a detoc~ tion approach to be implemented in a second time within the so called platform. The approach adopted at ihe end of this work consists in extracting features from Histograms of Oriented Gradients for pedestrians detection and Haur-like ones for vehicles detection. Such solutions are largely justified by the limited resources available in terms of computing capacity and data for machine learning, Concretely, a SVM (Support Vector Machines) model is then uscd tor the classification and the actual detection.