ĐẶT VẤN ĐỀ Theo khảo sát về số lƣợng và phƣơng tiện đi lại, Việt Nam nằm trong top sáu quốc gia có tỷ lệ sử dụng phƣơng tiện giao thông cá nhân cao nhất thế giới[1]. Số lƣợng phƣơng tiện cá nhân tăng cao dẫn đến nhiều vấn đề trong quản lý giao thông, đặc biệt là quản lý bãi đỗ xe. Mặc dù số lƣợng bãi đỗ xe ở Việt Nam rất lớn, hiệu quả hoạt động của chúng vẫn còn hạn chế, gây ùn tắc giao thông. Ngƣời dân phải xếp hàng dài để chờ đƣa xe vào bãi, đặc biệt trong các khung giờ cao điểm tại trƣờng học, siêu thị,.
Các bãi giữ xe truyền thống gặp nhiều bất cập nhƣ quản lý lƣợng xe di chuyển ra vào, cấp thẻ giữ xe, ghi biển số xe,. Điều này gây khó khăn trong việc quản lý khi lƣợng phƣơng tiện giao thông lớn, dẫn đến ùn tắc tại các điểm giữ xe. Với sự phát triển của khoa học công nghệ ngày nay, các công nghệ và kỹ thuật hiện đại đang giúp tối ƣu hóa việc quản lý bãi giữ xe. Trong đó, công nghệ RFID/NFC và nhận diện biển số xe đóng vai trò quan trọng.
Nhiều đề tài, nghiên cứu trong và ngoài nƣớc đã thực hiện liên quan đến hệ thống bãi giữ xe, công nghệ RFID và nhận diện biển số xe. Ví dụ, năm 2018, Vũ Tiến Trình và Lê Vũ Khanh thực hiện đề tài "Hệ thống bãi giữ xe ứng dụng công nghệ RFID" sử dụng công nghệ RFID trên nền tảng Arduino UNO để quản lý vào ra bãi giữ xe và kiểm tra số lƣợng chỗ trống hiển thị trên web[2]. Năm 2019, Nguyễn Đăng Việt và Trần Trí Đạt đã thực hiện đề tài "Thiết kế, thi công bãi giữ xe ứng dụng công nghệ RFID và xử lý ảnh", kết hợp công nghệ RFID và thuật toán xử lý ảnh để trích xuất hình ảnh[3]. Xây dựng hệ thống gửi xe tự động sử dụng thị giác máy tính của tác giả Phạm Văn Khoa, Trần Nhật Quang, Lê Nguyễn Gia Bảo, Nguyễn Quốc Ninh trên tạp chí khoa học và công nghệ - đại học Đà Nẵng[4].
Các đề tài, nghiên cứu trƣớc đây thƣờng sử dụng công nghệ RFID và các kỹ thuật nhận diện nhƣ OpenCV, Tesseract OCR. Tuy nhiên, để đạt hiệu quả cao, 1 chất lƣợng hình ảnh đầu vào cần tốt và độ chính xác vẫn chƣa cao. Tính thẩm mỹ và khả năng thƣơng mại hóa của các hệ thống này cũng chƣa đƣợc chú trọng. Từ những khảo sát ban đầu, cùng với những kiến thức và hƣớng dẫn từ giảng viên, nhóm sinh viên quyết định lựa chọn đề tài "Thiết kế hệ thống bãi đỗ xe thông minh".
Đề tài này nhằm khắc phục những thiếu sót và hạn chế của các hệ thống trƣớc đó và nâng cao tính thực tế cũng nhƣ khả năng thƣơng mại hóa.2 MỤC TIÊU ĐỀ TÀI Nghiên cứu hệ thống nhận diện bằng sóng vô tuyến (RFID/NFC) và thuật toán YOLO để nhận dạng biển số một cách tự động Xây dựng Broker MQTT: Tìm hiểu và triển khai Broker MQTT để quản lý việc truyền thông dữ liệu giữa các thiết bị trong hệ thống. Nghiên cứu AWS EC2 và phát triển Broker MQTT cùng với MongoDB trên AWS EC2 để quản lý việc truyền thông dữ liệu giữa các thiết bị trong hệ thống. Xây dựng Web Application quản lý dữ liệu: Triển khai website để quản lý dữ liệu của hệ thống cho phép thêm, xóa biển số xe, số tiền trong mỗi tài khoản,. Thiết kế ứng dụng di động cho phép ngƣời dùng đăng nhập, nạp tiền, gia hạn đăng kí, đăng kí biển mới… Phân tích, đánh giá các phƣơng pháp công nghệ đƣợc thực hiện có trong quản lý bãi đỗ xe thông minh.
Đánh giá hiệu suất và tính khả thi của hệ thống qua các thử nghiệm thực tế và phản hồi từ ngƣời dùng.3 GIỚI HẠN ĐỀ TÀI Hạn chế về bảo mật: Việc áp dụng công nghệ liên quan đến dịch vụ đám mây, các cơ sở dữ liệu và thẻ RFID/NFC sẽ có nguy cơ bị xâm nhập từ các tác nhân bên ngoài gây ảnh hƣởng xấu đến hệ thống Hạn chế về chi phí: Các yếu tố nhƣ ngân sách, thời gian và nhân lực có thể là các hạn chế đối với việc triển khai và thử nghiệm hệ thống bãi đỗ xe thông minh. 2 Sự phụ thuộc vào internet: Hệ thống bãi đỗ xe thông minh yêu cầu internet để hoạt động, vì vậy nếu mất kết nối hệ thống có thể sẽ gặp sự cố. Khả năng lỗi hệ thống: Hệ thống bãi đỗ xe thông minh có thể gặp lỗi do vấn đề kỹ thuật hoặc phần mềm. Sự phụ thuộc và điều kiện tự nhiên: Việc hình ảnh thiếu ánh sáng, bị mờ, bị hƣ hỏng cũng làm ảnh hƣởng tới việc nhận diện biển số của hệ thống.
Phụ thuộc vào hành vi ngƣời dùng: Hệ thống có thể gặp trễ khi ngƣời dùng cố tình đi ngay sau xe phía trƣớc, khiến hệ thống không thể đóng cửa kịp thời khi xe phía trƣớc đã đi qua.4 PHƢƠNG PHÁP NGHIÊN CỨU Trong suốt quá trình làm đồ án tốt nghiệp, nhóm đã sử dụng các công nghệ và phƣơng pháp sau: - Nghiên cứu, tìm hiểu các hệ thống nhận diện biển số - Tìm hiểu các mô hình AI nhận diện biển số, các chuẩn truyền thông giao tiếp thông qua internet. - Thiết kế hệ thống nhận diện biển số - Thiết kế, xây dựng máy chủ cho hệ thống - Phân tích hiệu năng đánh giá hệ thống 1.5 ĐỐI TƢỢNG VÀ PHẠM VI NGHIÊN CỨU Đối tƣợng mà nghiên cứu tập trung vào là các công nghệ và phƣơng pháp đã đƣợc phát triển và áp dụng trong lĩnh vực quản lý bãi đỗ xe thông minh. Ví dụ bao gồm: - Các mô hình đƣợc sử dụng để nhận dạng và phân loại đối tƣợng nhƣ YOLO. - Các công nghệ truyền thông và giao tiếp nhƣ RFID/NFC và MQTT.
- Các giải thuật và phƣơng pháp tiếp cận trong xử lý hình ảnh và dữ liệu phức tạp. Phạm vi nghiên cứu bao gồm việc áp dụng các mô hình và công nghệ đã có sẵn vào bài toán quản lý bãi đỗ xe thông minh. Nhóm sinh viên sẽ nghiên cứu và 3 phát triển các giải pháp dựa trên các mô hình đã đƣợc công bố và các công nghệ truyền thông hiện đại nhằm tạo ra một hệ thống tự động hoàn chỉnh, có khả năng quản lý thông tin về các phƣơng tiện một cách hiệu quả và với ít sự can thiệp của con ngƣời.6 BỐ CỤC QUYỂN BÁO CÁO Nội dung chính đƣợc trình bày với 5 chƣơng: - Chƣơng 1 GIỚI THIỆU: Đặt vấn đề về đề tài, mục tiêu nghiên cứu, giới hạn đề tài, phƣơng pháp nghiên cứu, đối tƣợng và phạm vi nghiên cứu. - Chƣơng 2 GIỚI THIỆU THUẬT TOÁN NHẬN DIỆN ĐỐI TƢỢNG VÀ KIẾN TRÚC YOLO: Trong chƣơng này sẽ khám phá lý thuyết và cách hoạt động của thuật toán nhận diện đối tƣợng, cùng với việc giới thiệu chi tiết về kiến trúc YOLO.
- Chƣơng 3 THIẾT KẾ HỆ THỐNG BÃI ĐỖ XE THÔNG MINH: Đƣa ra mô hình chung của toàn hệ thống, các khối của hệ thống, thiết kế từng khối và các thành phần đƣợc sử dụng trong mỗi khối. - Chƣơng 4 KẾT QUẢ: Trình bày kết quả thi công, thử nghiệm và đánh giá mô hình hệ thống. - Chƣơng 5 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN: Rút ra các kết luận, điểm mạnh điểm yếu và hƣớng phát triển của mô hình. 4 CHƢƠNG 2 GIỚI THIỆU THUẬT TOÁN NHẬN DIỆN ĐỐI TƢỢNG VÀ KIẾN TRÖC YOLO 2.1 GIỚI THIỆU TỔNG QUAN VỀ YOLO Yolo (You only look once) là một mô hình mạng CNN cho việc phát hiện, nhận dạng, phân loại đối tƣợng theo thời gian thực.
YOLO đƣợc đề xuất bởi Joseph Redmond và cộng sự trong năm 2015. Nó đã đƣợc đề xuất để giải quyết các bất cập mà các mô hình nhận dạng đối tƣợng phải đối mặt tại thời điểm đó.1 Hệ thống thời gian thực trên PASCAL VOC 2007. So sánh hiệu suất và tốc độ của các mô hình nhận diện[5]. Real-Time Detectors Train mAP FPS 100Hz DPM 2007 16.4 45 Less Than Real-Time Faster DPM 2007 30.5 Faster R-CNN VGG-16 2007+2012 73.2 7 Faster R-CNN ZF 2007+2012 62.4 21 Từ bảng dữ liệu trên ta có thể thấy trong các mô hình có thể nhận diện theo thời gian thực từ tốc độ của chúng thì Yolo dƣờng nhƣ có hiệu suất tốt nhất mặc dù độ chính xác có thể thấp hơn khi so sánh với một vài mô hình khác.
Lý do 5 Yolo có thể đạt đƣợc điều này bởi vì nó sử dụng kiến trúc học sâu vô cùng mạnh mẽ đồng thời sử dụng hình ảnh đầu vào theo một cách hiệu quả cao Kiến trúc mạng Yolo: Hình 2.1 Kiến trúc mạng Yolo[6] Kiến trúc này nhận một hình ảnh làm đầu vào và thay đổi kích thƣớc của nó thành bằng cách giữ nguyên tỉ lệ khung hình và thực hiện thêm phần đệm. Hình ảnh này sau đó đƣợc truyền vào mạng CNN. Mô hình này có 24 lớp tích chập, 4 lớp tối đa hóa theo sau bởi 2 lớp kết nối đầy đủ. Để giảm số lƣợng lớp (kênh), chúng sử dụng tích chập sau đó là tích chập.
Từ lớp kết nối đầy đủ cuối cùng và sau đó thay đổi hình dạng của nó thành kích thƣớc (7, 7, 30). Kiến trúc này sử dụng hàm kích hoạt Leaky ReLU trong toàn bộ kiến trúc trừ lớp cuối cùng, ở đó nó sử dụng hàm kích hoạt tuyến tính. Batch normalization cũng giúp điều chỉnh mô hình. Kỹ thuật Dropout cũng đƣợc sử dụng để ngăn chặn việc quá mức hóa.2 CÁCH HOẠT ĐỘNG CỦA YOLO Hình 2.2 Cách hoạt động của mô hình Yolo[7] Với đầu vào là một ảnh, bƣớc đầu tiên của quá trình YOLO là phủ một lƣới các ô có kích thƣớc lên hình ảnh ban đầu.
Sau đó, mỗi ô trong lƣới tạo ra hai thông tin chính: - Tạo ra một tập hợp các hộp giới hạn (bounding boxes) có điểm tin cậy, cho biết rằng một đối tƣợng tồn tại bên trong mỗi hộp giới hạn. - Tạo ra một bản đồ xác suất lớp (class probabilities) cho mỗi ô trong lƣới, cho biết lớp đối tƣợng nào có khả năng cao nhất tồn tại trong ô đó trong thực tế, với giả định rằng đối tƣợng hoàn toàn nằm trong ô. Cuối cùng, thông tin này đƣợc kết hợp để tạo ra khả năng nhận diện đối tƣợng trong hình ảnh cuối cùng.3 Phân tích mỗi ô lƣới trong ảnh Đối với mỗi ô lƣới chúng ta có thể tính toán một tập hợp các vector đầu ra.Vector đầu tiên là một vector xác suất của lớp. Vector thứ hai là một tập hợp các hộp giới hạn với các tham số √ √.
Trong đó với là tâm của hộp giới hạn w, h lần lƣợt là chiều rộng và chiều cao của hộp. C là điểm tin cậy biểu thị điểm tin cậy của mô hình rằng là đối tƣợng trên thực tế hiện tồn tại trong hộp.