Giới thiệu dự án

Sự gia tăng nhanh chóng của phương tiện giao thông cá nhân tại các đô thị lớn đang đặt ra thách thức nghiêm trọng cho hạ tầng giao thông tĩnh. Theo thống kê giao thông, Việt Nam nằm trong top 6 quốc gia có tỷ lệ sử dụng phương tiện giao thông cá nhân cao nhất thế giới. Tình trạng này kéo theo áp lực quá tải tại các bãi giữ xe ở trường học, bệnh viện, trung tâm thương mại và tòa nhà văn phòng, đặc biệt trong các khung giờ cao điểm.

+-----------------------------------------------------------------------------------+
|                           MÔ HÌNH HỆ THỐNG BÃI ĐỖ XE THÔNG MINH                   |
+-----------------------------------------------------------------------------------+
|  [Khối Điều Khiển Edge]   ---> (MQTT / Dual-Band WiFi 2.4/5GHz) --->  [AWS EC2]   |
|   - STM32F103C8T6                                                    - Mosquitto  |
|   - Module PN532 (NFC/RFID)                                          - MongoDB    |
|   - RTL8720DN BW16                                                   - Node.js API|
|                                                                             |     |
|  [Khối Xử Lý Thị Giác]   <--- (HTTP REST / MQTT Pub-Sub) <------------------+     |
|   - Camera IP HD                                                            |     |
|   - YOLOv5 2-Stage OCR                                               [Front-end]  |
|   - Python Tkinter GUI                                                - Web Admin |
|                                                                       - Mobile App|
+-----------------------------------------------------------------------------------+

Vấn đề thực tiễn và điểm nghẽn (Pain Points)

Các bãi đỗ xe truyền thống hiện nay bộc lộ nhiều hạn chế cố hữu:

  • Ùn tắc kéo dài: Thao tác ghi vé giấy hoặc quẹt thẻ từ thủ công mất trung bình từ 12 đến 20 giây cho mỗi lượt phương tiện.
  • Rủi ro an ninh cao: Vé giấy dễ rách nát, thẻ từ dễ bị làm giả hoặc tráo đổi biển số xe mà nhân viên bảo vệ không thể kiểm soát tuyệt đối bằng mắt thường.
  • Thiếu khả năng giám sát tập trung: Ban quản lý không nắm bắt được số lượng chỗ trống theo thời gian thực, thất thoát doanh thu và khó khăn trong truy xuất lịch sử xe ra vào.

Mục tiêu đề tài

  1. Thiết kế và chế tạo phần cứng điều khiển nhúng tại trạm (Edge Controller) tích hợp đầu đọc RFID/NFC tần số 13.56 MHz và bộ truyền thông không dây băng tần kép.
  2. Xây dựng mô hình học sâu 2 giai đoạn dựa trên kiến trúc YOLOv5 để tự động định vị khung biển số và nhận diện ký tự quang học (OCR) đạt độ chính xác cao theo thời gian thực.
  3. Triển khai hạ tầng máy chủ đám mây AWS EC2 vận hành MQTT Broker, cơ sở dữ liệu MongoDB và hệ thống RESTful API phục vụ đồng bộ dữ liệu đa nền tảng.
  4. Phát triển ứng dụng Web Dashboard cho ban quản trị và Mobile Application đa tiện ích cho người gửi xe (nạp tiền, kiểm tra lịch sử, tìm bãi đỗ gần nhất).
  5. Tối ưu hóa toàn diện quy trình kiểm soát, rút ngắn thời gian xử lý ra/vào dưới 4 giây/lượt xe.

Phương pháp tiếp cận và cơ sở lựa chọn

Giải pháp kết hợp cơ chế xác thực kép: Thẻ định danh vô tuyến RFID/NFC kết hợp Nhận diện biển số xe qua Camera AI. Phương pháp này đảm bảo tính toàn vẹn: nếu mã thẻ trùng khớp nhưng biển số nhận dạng sai lệch so với lúc vào, rào chắn (barrier) sẽ không mở và kích hoạt cảnh báo an ninh.

Kết quả kỳ vọng định lượng

  • Thời gian xử lý trung bình: $\le 3.8\text{ s/lượt xe}$.
  • Độ chính xác phát hiện khung biển số: $\text{mAP@50} \ge 99%$.
  • Độ chính xác nhận diện ký tự: $\text{mAP@50} \ge 98.4%$.
  • Tỷ lệ đọc thẻ NFC thành công trong khoảng cách 5–7 cm: $100%$.

Phạm vi và giới hạn

  • Áp dụng cho các loại biển số xe cơ giới (ô tô, xe máy) theo quy chuẩn định dạng biển số Việt Nam.
  • Giới hạn hệ thống phụ thuộc vào độ ổn định của đường truyền Internet đám mây; chất lượng nhận diện suy giảm nếu biển số bị che khuất vật lý trên 50% hoặc góc nghiêng camera vượt quá 45°.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí đánh giá Bãi xe vé giấy truyền thống Bãi xe thẻ từ + Tesseract OCR Hệ thống IoT + YOLOv5 (Đề tài)
Thời gian xử lý/xe 15 – 25 giây 6 – 10 giây 3.8 giây
Độ chính xác OCR Không có (Mắt thường) 70% – 82% (kém khi thiếu sáng) 98.4% (YOLOv5 đa tầng)
Giao thức truyền thông Không có Cáp Serial RS232/RS485 nội bộ MQTT qua Wi-Fi Dual-Band
Hạ tầng quản lý Sổ sách / File Excel cục bộ Máy chủ trạm đơn lẻ (On-premise) Cloud AWS EC2 + MongoDB
Tiện ích người dùng Không có Thẻ nhựa cứng cố định App Mobile (Nạp tiền, GPS bãi xe)

Phân loại yêu cầu theo mô hình MoSCoW

  • Must have: Đọc mã UID thẻ Mifare/NFC qua PN532; Nhận diện biển số qua YOLOv5; Điều khiển Servo barrier; Đồng bộ MQTT lên AWS EC2.
  • Should have: Web Dashboard quản lý lịch sử xe; Ứng dụng di động tra cứu số dư và nạp tiền; Cảnh báo còi/đèn LED trạng thái.
  • Could have: Tích hợp bản đồ Google Maps định tuyến vị trí bãi đỗ xe khả dụng lân cận.
  • Won't have: Cơ chế tự động xoay góc camera theo dõi 360 độ (dành cho các giai đoạn nâng cấp sau).

Thiết kế hệ thống

+----------------------------------------------------------------------------------+
|                           KIẾN TRÚC TỔNG THỂ HỆ THỐNG                             |
+----------------------------------------------------------------------------------+
|                                                                                  |
|  [THIẾT BỊ EDGE]               [MÁY TRẠM XỬ LÝ]             [AWS EC2 CLOUD]       |
|  +--------------------+        +---------------------+      +-----------------+  |
|  | - STM32F103C8T6    |  SPI   | - USB Camera HD     |      | - Mosquitto     |  |
|  | - PN532 NFC Module |<------>| - Python GUI Tkinter| REST |   MQTT Broker   |  |
|  | - RTL8720DN BW16   |  MQTT  | - YOLOv5 Inference  |----->| - MongoDB Cloud |  |
|  | - Servo Barrier    |<------>| - Logic Check API   |      | - Node.js Core  |  |
|  +--------------------+  WiFi  +---------------------+      +-----------------+  |
|                                                                     ^            |
|                                                                     | API        |
|                                    [GIAO DIỆN NGƯỜI DÙNG]           |            |
|                                    +-----------------------+        |            |
|                                    | - Web Admin Dashboard |<-------+            |
|                                    | - Mobile App (Flutter)|                     |
|                                    +-----------------------+                     |
+----------------------------------------------------------------------------------+

Danh mục công nghệ và phiên bản phần mềm

  • Vi điều khiển chính: STM32F103C8T6 (ARM Cortex-M3, 72MHz, 64KB Flash).
  • Module giao tiếp mạng: Realtek RTL8720DN BW16 (Hỗ trợ băng tần kép Wi-Fi 2.4GHz & 5GHz, Bluetooth 5.0).
  • Module RFID/NFC: NXP PN532 (Hỗ trợ chuẩn ISO/IEC 14443A/MIFARE, giao tiếp SPI/I2C).
  • Môi trường AI & Thị giác máy tính: Python 3.9, PyTorch 1.10.2, OpenCV 4.6.0, YOLOv5 framework.
  • Hạ tầng máy chủ: AWS EC2 t2.micro / t3.small, Ubuntu Server 22.04 LTS.
  • Cơ sở dữ liệu & Message Broker: MongoDB v6.0.4, Eclipse Mosquitto MQTT Broker v2.0.15.
  • Nền tảng giao diện: Python Tkinter (Booth Client), ReactJS / TailwindCSS (Web Admin), Flutter (Mobile App).

Thiết kế cơ sở dữ liệu (MongoDB Schema)

Hệ thống sử dụng cơ sở dữ liệu phi quan hệ MongoDB với các collection chính:

  • users: Lưu trữ thông tin tài khoản, số dư ví, thông tin xác thực (_id, username, password_hash, balance, phone, created_at).
  • cards: Quản lý định danh vô tuyến (card_uid, user_id, status, plate_registered).
  • parking_logs: Lưu vết giao dịch ra/vào (_id, card_uid, plate_number, image_in_url, image_out_url, time_in, time_out, fee, status).
{
  "_id": "66657a8f9c1b2c0012a4b891",
  "card_uid": "04A1B2C3D4E5F6",
  "plate_number": "59P1-12345",
  "time_in": "2024-06-09T08:15:30.000Z",
  "time_out": "2024-06-09T17:45:12.000Z",
  "fee": 5000,
  "status": "COMPLETED"
}

Thiết kế API Endpoints (RESTful)

  • POST /api/v1/parking/verify: Nhận diện thông tin từ máy trạm, đối soát card_uid và plate_number. Trả về cờ access_granted: true/false.
  • POST /api/v1/cards/register: Đăng ký gán thẻ NFC vào phương tiện người dùng.
  • GET /api/v1/parking/stats?range=daily: Thống kê lưu lượng phương tiện ra vào bãi phục vụ hiển thị Web Admin.
  • POST /api/v1/wallet/topup: Nạp tiền vào tài khoản người dùng từ ứng dụng di động.

Phương pháp nghiên cứu và quản lý dự án

Dự án được triển khai theo mô hình Agile/Scrum chia thành 6 sprint (thời lượng 2 tuần/sprint):

  • Sprint 1: Khảo sát, thiết kế sơ đồ nguyên lý phần cứng, phân tích tập lệnh AT command trên BW16.
  • Sprint 2: Thiết kế PCB 2 lớp trên Altium Designer, gia công hàn linh kiện và kiểm tra khối nguồn hạ áp TPS5430DDA.
  • Sprint 3: Thu thập, dán nhãn bộ dữ liệu biển số xe Việt Nam và huấn luyện mô hình YOLOv5 trên Google Colab Pro.
  • Sprint 4: Xây dựng máy chủ AWS EC2, cấu hình Mosquitto Broker và viết phần mềm Tkinter quản lý trạm.
  • Sprint 5: Phát triển Web Dashboard và ứng dụng Mobile; tích hợp liên lạc end-to-end.
  • Sprint 6: Thử nghiệm mô hình thực tế, kiểm thử tải, đo độ trễ và viết báo cáo khóa luận.

Implementation và kết quả

Quy trình phát triển phần cứng và nhúng

Mạch điều khiển trung tâm được thiết kế trên bo mạch 2 lớp tối ưu hóa chống nhiễu:

  • Khối nguồn tiếp nhận 24VDC từ Adapter, đi qua diode bảo vệ chống ngược cực, hạ áp xuống 5VDC qua IC nguồn chuyển mạch xung TPS5430DDA (hiệu suất 90%, dòng tải tối đa 3A) để nuôi IC MAX485, sau đó tiếp tục hạ áp xuống 3.3VDC qua LM1117IMP-3.3V nuôi vi điều khiển STM32F103C8T6, mô-đun RTL8720DN BW16 và mô-đun PN532.
  • STM32F103C8T6 giao tiếp với đầu đọc PN532 qua chuẩn SPI tốc độ cao, điều khiển góc quay Servo SG90 thông qua kênh băm xung PWM (PB9) với chu kỳ 20ms (độ rộng xung 1ms cho góc $0^\circ$ và 2ms cho góc $90^\circ$).
/* Đoạn mã cấu hình điều khiển Barrier và còi báo trên STM32F103C8T6 (HAL Library) */
#include "main.h"
#include "pn532_stm32.h"

void Open_Barrier(void) {
    // Đặt độ rộng xung PWM tại PB9 tương ứng góc 90 độ
    __HAL_TIM_SET_COMPARE(&htim4, TIM_CHANNEL_4, 200); 
    HAL_GPIO_WritePin(GPIOB, GPIO_PIN_10, GPIO_PIN_SET);   // Bật LED Xanh
    HAL_GPIO_WritePin(GPIOB, GPIO_PIN_11, GPIO_PIN_RESET); // Tắt LED Đỏ
    HAL_GPIO_WritePin(GPIOB, GPIO_PIN_2, GPIO_PIN_SET);    // Kích còi Buzzer ngắn
    HAL_Delay(100);
    HAL_GPIO_WritePin(GPIOB, GPIO_PIN_2, GPIO_PIN_RESET);
}

void Close_Barrier(void) {
    // Đặt độ rộng xung PWM tại PB9 tương ứng góc 0 độ
    __HAL_TIM_SET_COMPARE(&htim4, TIM_CHANNEL_4, 100); 
    HAL_GPIO_WritePin(GPIOB, GPIO_PIN_10, GPIO_PIN_RESET); // Tắt LED Xanh
    HAL_GPIO_WritePin(GPIOB, GPIO_PIN_11, GPIO_PIN_SET);   // Bật LED Đỏ
}

Mô-đun Wi-Fi RTL8720DN BW16 được cấu hình thông qua cổng UART2 bằng tập lệnh AT để duy trì kết nối bền vững tới AWS MQTT Broker:

# Thiết lập kết nối Wi-Fi và MQTT Broker trên BW16 qua tập lệnh AT Commands
AT+PNM=1                      # Kích hoạt chế độ Station
AT+PNJ="SmartParking_5G","P@ssw0rd2024" # Kết nối mạng Wi-Fi 5GHz
AT+MQTTCFG="3.1.204.112",1883,"STM32_Gate_Client",60 # Cấu hình MQTT Broker IP
AT+MQTTCONN=1                 # Bắt đầu kết nối MQTT Broker
AT+MQTTSUB="parking/barrier/control",0 # Đăng ký nhận lệnh đóng mở cửa

Xây dựng mô hình AI nhận diện biển số (YOLOv5)

Hệ thống xử lý thị giác máy tính triển khai cấu trúc 2-Stage Detection Pipeline:

  1. Stage 1 (Plate Localization): Phát hiện và cắt (crop) vùng bounding box chứa khung biển số từ ảnh gốc kích thước $320 \times 320$.
  2. Stage 2 (Character Recognition): Nhận diện 30 classes ký tự (chữ cái A-Z và chữ số 0-9) trên khung biển số đã cắt với kích thước đầu vào $640 \times 640$.

Mô hình học sâu tối ưu hóa hàm mất mát tổng hợp bao gồm ba thành phần:

$$\mathcal{L}{total} = \lambda{box} \mathcal{L}{box} + \lambda{cls} \mathcal{L}{cls} + \lambda{obj} \mathcal{L}_{obj}$$

Trong đó:

  • $\mathcal{L}_{box}$ (Complete IoU Loss): Đo lường sai lệch tọa độ, kích thước và tỷ lệ khung hình của Bounding Box.
  • $\mathcal{L}_{cls}$ (BCE Loss): Đo lường độ mất mát phân loại ký tự (Classification Loss).
  • $\mathcal{L}_{obj}$ (Objectness Loss): Đo lường độ tin cậy chứa đối tượng trong từng ô lưới (Confidence Loss).
# Pipeline nhận diện biển số xe và đối soát qua MQTT trên Client Booth
import cv2
import torch
import paho.mqtt.client as mqtt
import requests

# Load 2 models YOLOv5 đã train
plate_model = torch.hub.load('ultralytics/yolov5', 'custom', path='weights/plate_detect.pt')
char_model = torch.hub.load('ultralytics/yolov5', 'custom', path='weights/char_detect.pt')

def process_license_plate(frame, card_uid):
    # Bước 1: Phát hiện vị trí biển số
    results_plate = plate_model(frame, size=320)
    boxes = results_plate.xyxy[0].cpu().numpy()
    
    if len(boxes) == 0:
        return None
    
    # Cắt vùng ảnh biển số
    x1, y1, x2, y2, conf, cls = boxes[0]
    cropped_plate = frame[int(y1):int(y2), int(x1):int(x2)]
    
    # Bước 2: Nhận diện từng ký tự
    results_chars = char_model(cropped_plate, size=640)
    chars_det = results_chars.pandas().xyxy[0].sort_values('xmin') # Sắp xếp thứ tự ký tự
    plate_text = "".join(chars_det['name'].tolist())
    
    # Bước 3: Xác thực với API Server
    payload = {"card_uid": card_uid, "plate_number": plate_text}
    res = requests.post("http://3.1.204.112:5000/api/v1/parking/verify", json=payload)
    
    if res.json().get("access_granted"):
        mqtt_client.publish("parking/barrier/control", "OPEN")
    else:
        mqtt_client.publish("parking/barrier/control", "CLOSE")
        
    return plate_text

Thử nghiệm và đánh giá kết quả thực nghiệm

1. Đánh giá huấn luyện mô hình YOLOv5

Mô hình kiểm thử Kích thước ảnh Số lượng ảnh Layers Parameters GFLOPs Recall Precision mAP@50 mAP@50-95
Nhận diện khung biển $320 \times 320$ 1652 ảnh 212 20,852,934 47.9 0.991 0.995 0.994 0.812
Nhận diện ký tự (30 class) $640 \times 640$ 767 ảnh 212 20,970,123 48.2 0.970 0.972 0.984 0.763

2. Độ chính xác nhận diện theo khoảng cách và góc chụp thực tế

Khoảng cách (m) Góc nghiêng $0^\circ$ (Chuẩn) Góc nghiêng $15^\circ$ Góc nghiêng $30^\circ$ Góc nghiêng $45^\circ$
1.0 m 100% 99.2% 97.5% 91.0%
1.5 m (Lý tưởng) 100% 100% 98.8% 93.4%
2.0 m 99.0% 98.1% 96.0% 88.5%
3.0 m 94.5% 92.0% 86.4% 75.0%

3. Kiểm thử hiệu năng truyền thông và thời gian đáp ứng hệ thống

  • Thời gian đọc thẻ RFID/NFC (PN532) và xuất mã UID: $45\text{ ms}$.
  • Độ trễ Publish/Subscribe tin nhắn qua AWS MQTT Broker: $68\text{ ms}$ (sử dụng mạng Wi-Fi 5GHz băng thông ổn định).
  • Thời gian trích xuất frame và suy luận AI (Inference Time): $180\text{ ms}$ (trên GPU GTX 1650).
  • Thời gian phản hồi RESTful API MongoDB: $72\text{ ms}$.
  • Thời gian nâng/hạ Servo Barrier $90^\circ$: $800\text{ ms}$.
  • Tổng thời gian trung bình cho 1 chu trình xe ra/vào hoàn chỉnh: $3.8\text{ giây}$.

Đổi mới và đóng góp

Các cải tiến kỹ thuật đột phá

  1. Kiến trúc mạng không dây băng tần kép (Dual-band Wi-Fi 5GHz): Việc tích hợp mô-đun RTL8720DN BW16 thay cho các dòng chip ESP8266/ESP32 truyền thống giúp loại bỏ hoàn toàn hiện tượng nghẽn sóng và suy hao tín hiệu tại các khu vực tầng hầm giữ xe có mật độ thiết bị dày đặc.
  2. Pipeline thị giác máy tính 2 tầng chuyên biệt hóa: Thay vì sử dụng Tesseract OCR dễ nhầm lẫn giữa các ký tự có cấu trúc tương đồng (ví dụ: 8 và B, 0 và D), việc huấn luyện trực tiếp 30 lớp ký tự trên YOLOv5 giúp hệ thống đạt độ chính xác 98.4% ngay cả trong điều kiện biển số bị lóa sáng hoặc bám bụi nhẹ.
  3. Kiến trúc phân tán Micro-IoT: Tách biệt hoàn toàn khối điều khiển cơ điện tử (Edge Controller) và khối xử lý trí tuệ nhân tạo (Booth Vision Processing), giao tiếp qua Broker MQTT trung gian trên đám mây AWS. Điều này cho phép một máy chủ có thể quản lý đồng thời 4–8 làn xe mà không gây quá tải cục bộ.

Bảng so sánh với các giải pháp hiện hành

Chỉ số kỹ thuật Nghiên cứu Vũ Tiến Trình (2018) Nghiên cứu Phạm Văn Khoa (2020) Giải pháp Đồ án (2024)
Nền tảng vi điều khiển Arduino UNO (8-bit) Raspberry Pi 3 STM32F103C8T6 (32-bit ARM)
Phương thức OCR Không có (Chỉ đọc RFID) Tesseract OCR truyền thống YOLOv5 Custom 30 Classes
Giao thức mạng HTTP Polling chậm Web Server Local MQTT Cloud (Real-time Pub/Sub)
Tốc độ xử lý trung bình ~8.0 giây/xe ~6.5 giây/xe 3.8 giây/xe (Cải thiện 74.6%)
Độ chính xác biển số Không khả dụng 81.5% 98.4% (Tăng 16.9%)

Ứng dụng thực tế và triển khai

Kịch bản vận hành thực tế

  1. Quy trình xe vào (Check-in):
    • Người điều khiển dừng xe trước vạch quy định (khoảng cách 1.2m – 1.8m so với camera).
    • Đặt thẻ RFID/NFC lên hộp đọc thẻ. Module PN532 đọc UID, gửi tín hiệu Publish lên Topic parking/card/uid.
    • Khối xử lý chụp frame ảnh, chạy mô hình YOLOv5 trích xuất chuỗi ký tự biển số.
    • Gửi dữ liệu đối soát lên Server. Nếu hợp lệ, Barrier nâng góc $90^\circ$, LED chuyển xanh, còi bíp xác nhận. Toàn bộ ảnh chụp và thời gian vào được ghi nhận vào MongoDB.
  2. Quy trình xe ra (Check-out):
    • Quẹt lại thẻ tại trạm ra. Hệ thống tự động nhận diện lại biển số, tính toán thời gian gửi xe và đối chiếu với biển số lúc vào.
    • Nếu dữ liệu trùng khớp: Tự động trừ tiền trong ví điện tử của tài khoản hoặc hiển thị số tiền cần thanh toán, mở Barrier cho xe xuất bãi.
    • Nếu sai lệch biển số: Giữ Barrier đóng, kích hoạt LED đỏ và phát còi báo động liên tục cho bảo vệ can thiệp.
[Xe tới trạm] ---> [Quẹt thẻ RFID/NFC] ---> [Camera chụp ảnh]
                                                  |
                                                  v
[Mở Barrier] <--- [Khớp dữ liệu] <--- [YOLOv5 OCR + Đối soát API]
      |                                           |
      v                                           v
[Xe qua trạm]                             [Cảnh báo sai lệch]

Phân tích hiệu quả kinh tế (ROI) và khả năng mở rộng

  • Chi phí sản xuất phần cứng: Mạch Edge Controller hoàn thiện (STM32 + PN532 + BW16 + Nguồn xung PCB) có giá thành dao động khoảng 1.200.000 – 1.500.000 VNĐ/bộ, thấp hơn 60% so với các đầu đọc thẻ công nghiệp nhập khẩu.
  • Thời gian hoàn vốn (ROI): Cắt giảm 50% chi phí nhân sự trực bốt vé thủ công tại các tòa nhà quy mô 500 xe. Thời gian thu hồi vốn đầu tư hệ thống ước tính trong vòng 6 đến 8 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Phụ thuộc kết nối Internet: Hệ thống dựa vào Cloud MQTT Broker trên AWS EC2, nếu xảy ra sự cố đứt cáp quang quốc tế hoặc mất mạng cục bộ, thời gian phản hồi API có thể bị chậm trễ.
  • Xử lý hiện tượng bám đuôi (Tailgating): Trường hợp xe phía sau cố tình chạy áp sát xe phía trước khi Barrier chưa kịp hạ, hệ thống chưa có cảm biến laser quang điện đa tầng để phân tách lượt xe riêng biệt.

Hướng nâng cấp mở rộng

  1. Triển khai kiến trúc Edge AI: Nhúng trực tiếp mô hình nén YOLOv5 (sử dụng TensorRT / OpenVINO) lên các kit nhúng chuyên dụng như NVIDIA Jetson Orin Nano hoặc Raspberry Pi 5 để xử lý offline khi mất kết nối Internet.
  2. Tích hợp Cổng thanh toán Quốc gia: Mở rộng ứng dụng di động kết nối trực tiếp với cổng thanh toán VNPAY, MoMo hoặc chuẩn VietQR tự động tạo mã QR động thanh toán tiền gửi xe theo từng giây.
  3. Nhận diện khuôn mặt chủ xe (Face Recognition): Bổ sung thêm một camera phụ hướng vào khuôn mặt người điều khiển để tăng cường xác thực 3 yếu tố: Thẻ NFC + Biển số xe + Khuôn mặt.

Đối tượng hưởng lợi

+-----------------------------------------------------------------------------------+
|                            ĐỐI TƯỢNG HƯỞNG LỢI HỆ THỐNG                           |
+-----------------------------------------------------------------------------------+
|  [Sinh Viên & Học Viên]       --> Tiếp cận Full-Stack IoT, Embedded C & Deep Learning |
|  [Kỹ Sư Lập Trình (Devs)]     --> Mã nguồn mẫu tích hợp MQTT Cloud, YOLOv5 Pipeline  |
|  [Chủ Đầu Tư / Doanh Nghiệp]  --> Tối ưu chi phí phần cứng, cắt giảm 50% nhân sự     |
|  [Nhà Nghiên Cứu Thị Giác]    --> Bộ dataset biển số thực tế chuẩn hóa Việt Nam       |
+-----------------------------------------------------------------------------------+
  • Sinh viên & Học viên chuyên ngành IoT/Hệ thống nhúng: Tài liệu tham khảo thực chiến toàn diện từ khâu thiết kế phần cứng Altium, lập trình vi điều khiển STM32, xử lý tập lệnh AT, đến triển khai hạ tầng Cloud Server AWS.
  • Kỹ sư phát triển phần mềm (Developers): Nắm vững quy trình đóng gói mô hình Deep Learning PyTorch kết hợp giao tiếp thời gian thực qua giao thức Pub/Sub MQTT và thiết kế REST API Node.js.
  • Doanh nghiệp & Đơn vị quản lý vận hành tòa nhà: Sở hữu giải pháp bãi đỗ xe thông minh chi phí thấp, tính tự động hóa cao, giải quyết triệt để vấn đề thất thoát doanh thu và ùn ứ giờ cao điểm.
  • Nhà nghiên cứu thị giác máy tính: Cung cấp bộ thông số chuẩn hóa và phương pháp luận đào tạo mô hình nhận dạng ký tự biển số xe trong điều kiện ánh sáng phức tạp tại Việt Nam.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai hệ thống là gì?

Trạm kiểm soát tại chỗ cần trang bị 01 PC/Laptop cấu hình tối thiểu Intel Core i5 thế hệ 8 (hoặc GPU rời NVIDIA GTX 1050 4GB trở lên để đạt tốc độ suy luận < 100ms), 01 Camera IP Full HD 1080p có hỗ trợ đèn hồng ngoại ban đêm, và 01 bộ mạch điều khiển trung tâm STM32F103C8T6 tích hợp module PN532 và BW16.

2. Hệ thống có khả năng mở rộng (Scalability) phục vụ cho bao nhiêu làn xe đồng thời?

Nhờ kiến trúc MQTT Broker phân tán triển khai trên AWS EC2, hệ thống có thể mở rộng xử lý đồng thời hơn 10,000 thiết bị Edge kết nối (tương đương hàng trăm bãi xe) mà không bị xung đột tài nguyên, nhờ cơ chế định tuyến tin nhắn thông qua các Topic phân cấp (parking/gate_01/..., parking/gate_02/...).

3. Hệ thống có thể tích hợp với các hệ thống ERP hoặc phần mềm quản lý tòa nhà có sẵn không?

Hoàn toàn khả thi. Toàn bộ dữ liệu giao dịch ra vào, số dư và trạng thái vị trí đỗ xe đều được cung cấp qua chuẩn giao tiếp RESTful API và Webhook, giúp dễ dàng đồng bộ với các phần mềm quản lý tòa nhà thông minh (BMS) hoặc hệ thống ERP nội bộ của doanh nghiệp.

4. Chi phí bảo trì, bảo dưỡng định kỳ hệ thống bao gồm những gì?

Chi phí vận hành định kỳ rất tiết kiệm, bao gồm: chi phí thuê máy chủ đám mây AWS EC2 (khoảng $5 – $15/tháng tùy lưu lượng), chi phí duy trì đường truyền Internet tại bãi đỗ, và bảo trì cơ học định kỳ cho thanh chắn Servo/Barrier 6 tháng/lần.

5. Nếu xảy ra hiện tượng mất mạng Internet đột ngột, bãi xe có thể tiếp tục vận hành không?

Trong phiên bản thử nghiệm hiện tại, hệ thống yêu cầu Internet để đồng bộ AWS. Tuy nhiên, phần mềm trạm (Booth Client) được tích hợp sẵn cơ chế Local Cache Caching: khi mất kết nối mạng, phần mềm tạm thời lưu log ra vào vào cơ sở dữ liệu cục bộ SQLite và tự động đồng bộ hóa lên MongoDB Server ngay khi kết nối Internet được khôi phục.

Kết luận

Đề tài "Thiết kế hệ thống bãi đỗ xe thông minh" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM đã giải quyết trọn vẹn bài toán tự động hóa kiểm soát giao thông tĩnh bằng cách kết hợp công nghệ định danh vô tuyến RFID/NFC và thị giác máy tính YOLOv5. Hệ thống đạt được các cột mốc kỹ thuật ấn tượng: tốc độ xử lý 3.8 giây/lượt xe, độ chính xác nhận diện biển số đạt 98.4%, và độ trễ truyền thông đám mây dưới 100ms.

Kết quả nghiên cứu không chỉ mang giá trị học thuật cao trong việc ứng dụng công nghệ IoT và AI vào giải quyết vấn đề giao thông đô thị mà còn mở ra tiềm năng thương mại hóa mạnh mẽ cho các tòa nhà thông minh, khu đô thị hiện đại.