Đồ án: Thiết kế mạch Start-Stop nhận diện đèn giao thông HCMUTE

Đồ án HCMUTE: Thiết kế mạch Start Stop thông minh dựa trên phát hiện lưu lượng giao thông. Tối ưu hóa hoạt động, tiết kiệm năng lượng hiệu quả.

• Tác giả: Le Chan Pham
• Người hướng dẫn: Assoc.Prof Do Van Dung
• Trường học: Ho Chi Minh City University of Technology and Education
• Chuyên ngành: Automotive Engineering
• Đề tài: Design Start Stop Circuit Through Traffic Detection
• Loại tài liệu: Graduation Project
• Năm xuất bản: 2022
• Địa điểm: Ho Chi Minh City

Mục lục chi tiết

• DISCLAIMER
• ACKNOWLEDGEMENT
• CONTENTS
• 1. CHƯƠNG 1: INTRODUCTION
• 1.1. Reason for choosing topic:
• 1.2. Scope of research:
• 1.3. Overview of traffic lights system:
• 1.4. Overview of Engine Start Stop system:
• 1.5. How does engine start stop system work?
• 1.6. What are the benefits of Stop-Start?
• 1.7. What are the downsides of Stop-Start?
• 1.8. Introduction to Deep Learning:
• 1.9. What is Deep Learning:
• 1.10. The difference between the Machine Learning and Deep Learning :
• 1.11. Some neural network in Deep Learning:
• 1.12. Overview of Convolutional Neural Network in image classification:
• 1.13. What is Convolutional Neural Network?
• 1.14. Convolutional Neural Network Architecture:
• 1.15. How to detect an object:
• 1.16. Introduction some object detection algorithm:
• 3. CHƯƠNG 3: YOLO ALGORITHM MODEL
• 3.1. What is YOLO?
• 3.2. YOLO algorithm model:
• 3.3. Prediction output in YOLO:
• 3.4. Multi-label image classification:
• 3.5. Non-maximum suppression (NMS):
• 3.6. Intersection Over Union (IOU):
• 3.7. YOLO network architecture:
• 3.8. Mean Average Precision (mAP):
• 4. CHƯƠNG 4: DESIGN IDEAL ENGINE START-STOP SYSTEM MODEL AND ALTERNATIVE ENGINE START-STOP SYSTEM MODEL
• 4.1. Design ideal engine start-stop system model:
• 4.2. Changes in the classic engine start-stop system model :
• 4.3. Components of the ideal engine start-stop system model:
• 4.4. Process of the ideal engine start-stop system model:
• 4.5. Alternative engine start-stop system model:
• 5. RESULT AND FUTURE DEVELOPMENT
• 5.1. Label image for training:
• 5.2. Training Yolo on Google Colab:
• 5.3. Operate Yolo on Windows:
• 5.4. Connect Arduino to Python:
• LIST OF FIGURES AND TABLES
• LIST OF ABBREVIATIONS
• ABSTRACT

Tóm tắt

I. Mạch Start Stop Nhận Diện Đèn Giao Thông Tổng Quan Dự Án

Dự án thiết kế mạch Start-Stop qua nhận diện đèn giao thông đánh dấu một bước tiến quan trọng trong việc nâng cao hiệu quả hệ thống Start-Stop truyền thống. Bối cảnh hiện tại cho thấy sự phát triển vượt bậc của trí tuệ nhân tạo (AI) và thị giác máy tính (Computer Vision) đang mở ra những khả năng ứng dụng rộng rãi trong ngành công nghiệp ô tô. Các nhà sản xuất ô tô đang đầu tư mạnh mẽ vào công nghệ thông tin để phát triển các hệ thống tự động, thông minh hơn. Nhờ nhận diện đối tượng, chúng ta có thể tạo ra nhiều hệ thống tự động khác nhau, hướng đến mục tiêu tối ưu hóa hiệu suất và an toàn. Dự án này tập trung vào việc cải thiện hiệu quả của hệ thống Start-Stop hiện có bằng cách tích hợp khả năng nhận diện đèn giao thông, tận dụng các thuật toán tiên tiến như YOLO. Nghiên cứu được thực hiện bởi sinh viên Lê Chân Phạm và Võ Huy Vũ, dưới sự hướng dẫn của PGS.TS Đỗ Văn Dũng tại trường Đại học Sư phạm Kỹ thuật TP.HCM, thể hiện cam kết ứng dụng công nghệ hiện đại vào thực tiễn. (Dẫn chứng: MINISTRY OF EDUCATION AND TRAINING HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION GRADUATION PROJECT AUTOMOTIVE ENGINEERING DESIGN START STOP CIRCUIT THROUGH TRAFFIC DETECTION). Mục tiêu chính là phát triển một hệ thống điều khiển Start-Stop thông minh hơn, giảm thiểu tiêu hao nhiên liệu và khí thải, đồng thời nâng cao trải nghiệm lái xe. Để đạt được điều này, dự án nghiên cứu sâu về các thuật toán nhận diện đối tượng, đặc biệt là YOLO, nguyên tắc hoạt động của hệ thống Start-Stop và mạch điện liên quan. Từ đó, xây dựng một mô hình nhận diện đèn giao thông dựa trên YoloV7 và sử dụng ngôn ngữ Python để triển khai.

1.1. Giới Thiệu Về Hệ Thống Start Stop Tiết Kiệm Nhiên Liệu

Hệ thống Start-Stop, còn được gọi là hệ thống dừng-khởi động động cơ, là một công nghệ tự động tắt và khởi động lại động cơ đốt trong để giảm thời gian động cơ chạy không tải, từ đó giảm tiêu thụ nhiên liệu và khí thải. Điều này đặc biệt hữu ích cho các phương tiện thường xuyên dừng đèn đỏ hoặc di chuyển chậm trong các khu vực có mật độ giao thông cao. Công nghệ Start-Stop ngày càng trở nên phổ biến do các quy định nghiêm ngặt hơn về tiết kiệm nhiên liệu và khí thải. Hệ thống này hoạt động bằng cách sử dụng một loạt các cảm biến để xác định khi xe đứng yên và các yếu tố khác về chế độ vận hành của xe. Nếu xe dừng ở đèn đỏ và hộp số ở vị trí trung tính, hệ thống Start-Stop sẽ tự động tắt động cơ. Khi người lái đạp chân ga hoặc nhả phanh (đối với xe số tự động), hệ thống sẽ khởi động lại động cơ một cách nhanh chóng và êm ái. Các thành phần chính của hệ thống Start-Stop bao gồm: cảm biến vị trí bàn đạp ga, cảm biến tốc độ, cảm biến vị trí bàn đạp phanh và ECU (bộ điều khiển động cơ). (Dẫn chứng: Overview of Engine Start Stop system). Hệ thống này được điều khiển bởi ECU thông qua một rơ-le chính. Các thông số được nhận và tính toán thông qua cảm biến. Khi động cơ khởi động lại, nó sẽ điều khiển các hệ thống điện hoạt động bình thường. Máy phát điện sẽ thực hiện quá trình sạc lại pin nếu điện áp pin thấp hơn mức quy định. Hệ thống Start-Stop mang lại nhiều lợi ích, bao gồm giảm tiêu thụ nhiên liệu từ 3-8% và giảm lượng khí thải CO2 tương ứng. Nó cũng giúp giảm ô nhiễm tiếng ồn trong khu vực đô thị.

1.2. Tổng Quan Về Nhận Diện Đèn Giao Thông Cơ Sở Thị Giác Máy Tính

Nhận diện đèn giao thông là một bài toán quan trọng trong lĩnh vực thị giác máy tính (Computer Vision), đặc biệt trong bối cảnh phát triển của xe tự hành và các hệ thống hỗ trợ lái xe tiên tiến (ADAS). Bài toán này đòi hỏi khả năng xác định chính xác trạng thái của đèn giao thông (đỏ, vàng, xanh) trong các điều kiện ánh sáng, thời tiết và góc nhìn khác nhau. Các thuật toán nhận diện đèn giao thông thường sử dụng các kỹ thuật xử lý ảnh, học sâu (Deep Learning) và mạng nơ-ron tích chập (Convolutional Neural Networks - CNN). Quá trình nhận diện thường bắt đầu bằng việc trích xuất các đặc trưng quan trọng từ hình ảnh, chẳng hạn như màu sắc, hình dạng và vị trí của các đèn. Sau đó, các đặc trưng này được sử dụng để huấn luyện một mô hình phân loại, có khả năng phân biệt giữa các trạng thái đèn khác nhau. Các mô hình học sâu như YOLO (You Only Look Once) đã chứng minh được hiệu quả vượt trội trong việc nhận diện đối tượng thời gian thực, bao gồm cả đèn giao thông. YOLO là một thuật toán nhận diện đối tượng mạnh mẽ, cho phép phát hiện các đối tượng trong hình ảnh một cách nhanh chóng và chính xác. Nó hoạt động bằng cách chia hình ảnh thành các ô lưới và dự đoán đồng thời các hộp giới hạn (bounding boxes) và xác suất phân loại cho mỗi ô. Nhờ kiến trúc đơn giản và hiệu quả, YOLO đã trở thành một lựa chọn phổ biến cho các ứng dụng nhận diện đối tượng trong thời gian thực. (Dẫn chứng: What is YOLO?)

II. Thách Thức Của Mạch Start Stop Tối Ưu Hiệu Quả Hoạt Động

Hệ thống Start-Stop truyền thống, mặc dù mang lại những lợi ích nhất định về tiết kiệm nhiên liệu và giảm khí thải, vẫn tồn tại một số hạn chế. Một trong những vấn đề chính là sự thiếu thông minh trong việc kích hoạt hệ thống. Thông thường, hệ thống chỉ dựa vào các thông số như thời gian phanh hoặc tốc độ xe để quyết định tắt/khởi động động cơ. Điều này có thể dẫn đến tình trạng hệ thống kích hoạt không cần thiết, chẳng hạn như khi xe dừng đèn đỏ trong thời gian ngắn (dưới 5 giây), khi đó năng lượng tiêu thụ để khởi động lại động cơ có thể lớn hơn năng lượng tiết kiệm được từ việc tắt máy. (Dẫn chứng: Reason for choosing topic). Hơn nữa, hệ thống Start-Stop truyền thống không xem xét đến tình trạng giao thông thực tế, chẳng hạn như tình trạng ùn tắc giao thông. Việc liên tục tắt/khởi động động cơ trong điều kiện ùn tắc có thể gây khó chịu cho người lái và ảnh hưởng đến độ bền của các bộ phận động cơ. Một vấn đề khác là sự phụ thuộc vào pin và hệ thống điện của xe. Hệ thống Start-Stop đòi hỏi pin có khả năng chịu tải cao và hệ thống điện ổn định để đảm bảo khởi động lại động cơ một cách nhanh chóng và tin cậy. Việc sử dụng pin không phù hợp hoặc hệ thống điện không ổn định có thể dẫn đến các vấn đề về khởi động xe hoặc làm giảm tuổi thọ của pin. Cuối cùng, một số người lái xe không thích cảm giác động cơ tự động tắt/khởi động, và có xu hướng tắt hệ thống Start-Stop hoàn toàn. Điều này làm giảm hiệu quả tiết kiệm nhiên liệu và giảm khí thải mà hệ thống có thể mang lại.

2.1. Hạn Chế Của Hệ Thống Start Stop Truyền Thống Khả Năng Tối Ưu

Hệ thống Start-Stop truyền thống gặp phải một số hạn chế đáng kể, ảnh hưởng đến hiệu quả hoạt động và trải nghiệm người dùng. Một trong những hạn chế lớn nhất là việc kích hoạt hệ thống dựa trên các điều kiện đơn giản như thời gian phanh hoặc tốc độ xe. Điều này dẫn đến việc hệ thống có thể tắt động cơ trong những tình huống không cần thiết, chẳng hạn như khi xe dừng đèn đỏ trong thời gian ngắn (dưới 5 giây). Trong những trường hợp này, năng lượng cần thiết để khởi động lại động cơ có thể lớn hơn lượng nhiên liệu tiết kiệm được từ việc tắt máy, gây ra sự lãng phí năng lượng và tăng lượng khí thải. Hơn nữa, hệ thống Start-Stop truyền thống thường không xem xét đến tình trạng giao thông thực tế. Trong các tình huống ùn tắc giao thông, xe có thể liên tục dừng và khởi động, gây khó chịu cho người lái và tăng tải cho các bộ phận của động cơ, như bộ khởi động và pin. Điều này có thể làm giảm tuổi thọ của các bộ phận này và tăng chi phí bảo trì. Ngoài ra, hệ thống Start-Stop truyền thống có thể không hoạt động hiệu quả trong các điều kiện thời tiết khắc nghiệt, chẳng hạn như nhiệt độ quá cao hoặc quá thấp. Trong những điều kiện này, hệ thống có thể tắt động cơ quá sớm hoặc không khởi động lại động cơ kịp thời, gây ảnh hưởng đến hiệu suất lái xe và an toàn.

2.2. Yếu Tố An Toàn Giao Thông Đảm Bảo Hoạt Động Ổn Định

Yếu tố an toàn giao thông là một khía cạnh quan trọng cần được xem xét kỹ lưỡng khi thiết kế và triển khai hệ thống Start-Stop. Hệ thống cần đảm bảo rằng việc tắt/khởi động động cơ không gây ra bất kỳ rủi ro nào cho người lái, hành khách và những người tham gia giao thông khác. Một trong những mối quan tâm chính là khả năng khởi động lại động cơ nhanh chóng và tin cậy trong các tình huống khẩn cấp. Ví dụ, nếu xe đang dừng ở đèn đỏ và người lái cần nhanh chóng di chuyển để tránh một nguy cơ tiềm ẩn, hệ thống Start-Stop cần đảm bảo rằng động cơ được khởi động lại ngay lập tức. Để đáp ứng yêu cầu này, hệ thống cần sử dụng các cảm biến và thuật toán phức tạp để đánh giá tình huống giao thông và đưa ra quyết định tắt/khởi động động cơ một cách thông minh. Ngoài ra, hệ thống cần được thiết kế để hoạt động trơn tru và không gây ra bất kỳ sự gián đoạn nào cho người lái. Việc tắt/khởi động động cơ cần diễn ra một cách êm ái và không gây ra rung lắc hoặc tiếng ồn khó chịu. Hệ thống cũng cần đảm bảo rằng các hệ thống an toàn khác của xe, như hệ thống phanh và hệ thống lái, vẫn hoạt động bình thường trong quá trình Start-Stop.

III. Thiết Kế Mạch Start Stop Thông Minh Nhận Diện Tín Hiệu Đèn

Để giải quyết các hạn chế của hệ thống Start-Stop truyền thống, dự án này đề xuất một phương pháp tiếp cận mới, đó là tích hợp khả năng nhận diện đèn giao thông vào hệ thống. Bằng cách sử dụng một camera và các thuật toán xử lý ảnh (Image processing), hệ thống có thể xác định trạng thái của đèn giao thông (đỏ, vàng, xanh) và đưa ra quyết định tắt/khởi động động cơ một cách thông minh hơn. Cụ thể, hệ thống có thể được lập trình để chỉ tắt động cơ khi đèn giao thông màu đỏ và thời gian dừng dự kiến đủ dài để tiết kiệm nhiên liệu. Trong các tình huống khác, chẳng hạn như khi đèn giao thông màu vàng hoặc khi thời gian dừng dự kiến ngắn, hệ thống sẽ không tắt động cơ để đảm bảo khởi động lại nhanh chóng và tránh gây khó chịu cho người lái. Ngoài ra, hệ thống cũng có thể được tích hợp với các hệ thống khác của xe, chẳng hạn như hệ thống định vị và hệ thống thông tin giao thông, để có được thông tin toàn diện hơn về tình trạng giao thông và đưa ra quyết định Start-Stop tối ưu.

3.1. Sử Dụng YOLO Để Nhận Diện Đèn Giao Thông Thuật Toán Hiện Đại

Trong dự án này, thuật toán YOLO (You Only Look Once) được sử dụng để nhận diện đèn giao thông. YOLO là một thuật toán nhận diện đối tượng thời gian thực, nổi tiếng với tốc độ và độ chính xác cao. Thuật toán này hoạt động bằng cách chia hình ảnh thành các ô lưới và dự đoán đồng thời các hộp giới hạn (bounding boxes) và xác suất phân loại cho mỗi ô. Nhờ kiến trúc đơn giản và hiệu quả, YOLO có thể xử lý hình ảnh nhanh chóng và đưa ra kết quả nhận diện chính xác. Trong dự án này, mô hình YOLO được huấn luyện trên một tập dữ liệu lớn các hình ảnh đèn giao thông trong các điều kiện khác nhau (ánh sáng, thời tiết, góc nhìn). Sau khi huấn luyện, mô hình có khả năng nhận diện chính xác trạng thái của đèn giao thông (đỏ, vàng, xanh) trong thời gian thực. Mô hình YOLO được tích hợp vào hệ thống Start-Stop để cung cấp thông tin về trạng thái đèn giao thông. Thông tin này được sử dụng để đưa ra quyết định tắt/khởi động động cơ một cách thông minh. Hệ thống có thể được lập trình để chỉ tắt động cơ khi đèn giao thông màu đỏ và thời gian dừng dự kiến đủ dài để tiết kiệm nhiên liệu. Trong các tình huống khác, hệ thống sẽ không tắt động cơ để đảm bảo khởi động lại nhanh chóng và tránh gây khó chịu cho người lái.

3.2. Kết Hợp Cảm Biến Và Camera Tối Ưu Độ Chính Xác

Để tối ưu hóa độ chính xác của hệ thống nhận diện đèn giao thông, dự án đề xuất kết hợp dữ liệu từ camera với dữ liệu từ các cảm biến khác của xe. Ví dụ, hệ thống có thể sử dụng dữ liệu từ cảm biến tốc độ và cảm biến vị trí để xác định xem xe có đang dừng hoàn toàn hay không. Hệ thống cũng có thể sử dụng dữ liệu từ cảm biến ánh sáng để điều chỉnh độ nhạy của camera và đảm bảo rằng đèn giao thông được nhận diện chính xác trong các điều kiện ánh sáng khác nhau. Bằng cách kết hợp dữ liệu từ nhiều nguồn khác nhau, hệ thống có thể đưa ra quyết định Start-Stop chính xác và đáng tin cậy hơn. Ngoài ra, hệ thống cũng có thể được thiết kế để học hỏi từ kinh nghiệm và cải thiện độ chính xác theo thời gian. Ví dụ, hệ thống có thể lưu trữ dữ liệu về các tình huống Start-Stop trước đây và sử dụng dữ liệu này để điều chỉnh các tham số của thuật toán nhận diện và điều khiển. Quá trình học hỏi này có thể giúp hệ thống thích ứng với các điều kiện giao thông khác nhau và đưa ra quyết định Start-Stop tối ưu.

IV. Ứng Dụng Thực Tế Kết Quả Mạch Start Stop Nhận Diện Đèn

Dự án này tập trung vào việc phát triển một mô hình nhận diện đối tượng dựa trên YoloV7 và sử dụng ngôn ngữ Python để triển khai. Mục tiêu chính là thiết kế, tạo ra và mô phỏng cách hệ thống nhận diện đối tượng có thể kết nối và truyền tín hiệu đến ECU bằng cách điều khiển tín hiệu LED. Các kết quả thu được cho thấy tiềm năng to lớn của việc tích hợp khả năng nhận diện đèn giao thông vào hệ thống Start-Stop. Hệ thống có thể giảm thiểu tình trạng kích hoạt không cần thiết, nâng cao hiệu quả tiết kiệm nhiên liệu và giảm khí thải, đồng thời cải thiện trải nghiệm lái xe.

4.1. Đánh Giá Hiệu Quả Mô Hình YOLO Độ Chính Xác Tốc Độ

Việc đánh giá hiệu quả của mô hình YOLO là một bước quan trọng để đảm bảo rằng hệ thống nhận diện đèn giao thông hoạt động chính xác và tin cậy. Các tiêu chí đánh giá chính bao gồm: Độ chính xác: Mô hình cần có khả năng nhận diện chính xác trạng thái của đèn giao thông (đỏ, vàng, xanh) trong các điều kiện khác nhau. Tốc độ: Mô hình cần có khả năng xử lý hình ảnh nhanh chóng để đảm bảo rằng hệ thống Start-Stop có thể phản ứng kịp thời với các thay đổi trong tình trạng giao thông. Độ ổn định: Mô hình cần có khả năng hoạt động ổn định trong thời gian dài và không bị ảnh hưởng bởi các yếu tố bên ngoài, chẳng hạn như ánh sáng, thời tiết và góc nhìn. Để đánh giá độ chính xác của mô hình, một tập dữ liệu kiểm tra lớn các hình ảnh đèn giao thông được sử dụng. Mô hình được cho phép nhận diện trạng thái của đèn giao thông trong mỗi hình ảnh, và kết quả được so sánh với nhãn thực tế để tính toán độ chính xác. Để đánh giá tốc độ của mô hình, thời gian cần thiết để xử lý mỗi hình ảnh được đo. Thời gian này cần đủ ngắn để đảm bảo rằng hệ thống Start-Stop có thể phản ứng kịp thời với các thay đổi trong tình trạng giao thông. Để đánh giá độ ổn định của mô hình, nó được thử nghiệm trong các điều kiện khác nhau, chẳng hạn như ánh sáng yếu, thời tiết xấu và góc nhìn khác nhau. Kết quả cho thấy rằng mô hình hoạt động ổn định và có thể nhận diện chính xác trạng thái của đèn giao thông trong các điều kiện khác nhau.

4.2. Mô Phỏng Mạch Điện Start Stop Kết Nối Với Hệ Thống ECU

Mô phỏng mạch điện Start-Stop là một bước quan trọng để kiểm tra và đánh giá hiệu quả của hệ thống trước khi triển khai thực tế. Mô phỏng cho phép các nhà thiết kế xác định các vấn đề tiềm ẩn và tối ưu hóa hiệu suất của hệ thống. Trong dự án này, mô phỏng mạch điện Start-Stop được thực hiện bằng cách sử dụng các phần mềm chuyên dụng. Mô phỏng bao gồm các thành phần chính của hệ thống, chẳng hạn như cảm biến, bộ điều khiển và động cơ. Mô phỏng cũng bao gồm các yếu tố bên ngoài, chẳng hạn như tình trạng giao thông và điều kiện thời tiết. Mục tiêu của mô phỏng là kiểm tra xem hệ thống Start-Stop có thể hoạt động chính xác và tin cậy trong các điều kiện khác nhau hay không. Mô phỏng cũng cho phép các nhà thiết kế đánh giá hiệu quả tiết kiệm nhiên liệu và giảm khí thải của hệ thống. Kết quả mô phỏng cho thấy rằng hệ thống Start-Stop có thể hoạt động chính xác và tin cậy trong các điều kiện khác nhau. Kết quả cũng cho thấy rằng hệ thống có thể tiết kiệm một lượng đáng kể nhiên liệu và giảm lượng khí thải. Các nhà thiết kế có thể sử dụng các kết quả mô phỏng để tối ưu hóa hiệu suất của hệ thống và đảm bảo rằng nó đáp ứng các yêu cầu về an toàn và hiệu quả.

V. Kết Luận Hướng Phát Triển Mạch Start Stop Tương Lai

Dự án thiết kế mạch Start-Stop qua nhận diện đèn giao thông đã chứng minh được tiềm năng to lớn của việc tích hợp công nghệ nhận diện đối tượng vào hệ thống Start-Stop. Các kết quả nghiên cứu cho thấy rằng hệ thống có thể giảm thiểu tình trạng kích hoạt không cần thiết, nâng cao hiệu quả tiết kiệm nhiên liệu và giảm khí thải, đồng thời cải thiện trải nghiệm lái xe.

5.1. Tích Hợp AI Vào Hệ Thống Lái Xe Tự Động Bước Tiến Mới

Hướng phát triển quan trọng nhất của dự án là tích hợp khả năng nhận diện đèn giao thông vào các hệ thống lái xe tự động (Autonomous vehicles). Trong tương lai, xe tự hành sẽ cần có khả năng nhận diện và phản ứng với các tín hiệu giao thông một cách chính xác và tin cậy. Hệ thống nhận diện đèn giao thông được phát triển trong dự án này có thể đóng vai trò quan trọng trong việc đảm bảo an toàn và hiệu quả của xe tự hành. Ngoài ra, hệ thống cũng có thể được tích hợp với các hệ thống khác của xe tự hành, chẳng hạn như hệ thống định vị và hệ thống thông tin giao thông, để có được thông tin toàn diện hơn về tình trạng giao thông và đưa ra quyết định lái xe tối ưu.

5.2. Phát Triển Thuật Toán Nhận Diện Tối Ưu Cho Giao Thông Việt Nam

Một hướng phát triển khác là tối ưu hóa thuật toán nhận diện để phù hợp với điều kiện giao thông đặc thù của Việt Nam. Ví dụ, hệ thống có thể được huấn luyện trên một tập dữ liệu lớn các hình ảnh đèn giao thông ở Việt Nam, để đảm bảo rằng nó có thể nhận diện chính xác các tín hiệu giao thông trong các điều kiện ánh sáng, thời tiết và góc nhìn khác nhau. Ngoài ra, hệ thống cũng có thể được thiết kế để xử lý các tình huống giao thông phức tạp, chẳng hạn như khi có nhiều xe cộ và người đi bộ xung quanh.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Hệ thống tự động tắt và tái khởi động động cơ (Engine Start-Stop - ESS) là công nghệ được áp dụng rộng rãi trên các dòng ô tô hiện đại nhằm giảm phát thải khí nhà kính và tiết kiệm nhiên liệu khi xe tạm dừng. Theo nguyên lý hoạt động truyền thống, hệ thống sẽ ngắt động cơ khi bàn đạp phanh được nhấn giữ trong khoảng 2 giây và tự động kích hoạt khởi động lại động cơ trong thời gian dưới 1 giây ngay khi người lái nhả phanh hoặc tác động vào chân ga/ly hợp. Mặc dù công nghệ này có thể giúp giảm 3 – 8% lượng nhiên liệu tiêu thụ cũng như phát thải $CO_2$, cơ chế kích hoạt (trigger) truyền thống bộc lộ hai nhược điểm cốt lõi:

1. Khi phương tiện dừng chờ đèn đỏ trong khoảng thời gian ngắn (dưới 5 giây), lượng nhiên liệu tiêu tốn cho việc kích hoạt máy khởi động để tái khởi động động cơ lớn hơn lượng nhiên liệu tiêu hao khi duy trì chế độ chạy không tải (idling).
2. Cơ chế điều khiển hiện nay chỉ thu nhận thông số trạng thái vận hành của bản thân xe (như vị trí bàn đạp phanh, vị trí bàn đạp ga, cảm biến tốc độ) mà hoàn toàn bỏ qua trạng thái thực tế của mạng lưới giao thông (tình trạng ùn tắc hoặc chu kỳ tín hiệu đèn). Điều này dẫn đến việc động cơ bật/tắt liên tục trong điều kiện kẹt xe, gây suy giảm độ êm dịu khi vận hành, ảnh hưởng đến độ bền chi tiết cơ khí và khiến nhiều người dùng có xu hướng tắt bỏ tính năng Start-Stop.

Nhằm giải quyết bất cập trên, đề tài "Thiết kế mạch Start-Stop qua nhận diện đèn giao thông" (Design Start Stop circuit through traffic detection / Design Start Stop circuit through object detection) được thực hiện bởi nhóm sinh viên Lê Chấn Phàm và Võ Huy Vũ, dưới sự hướng dẫn của PGS. TS. Đỗ Văn Dũng tại Khoa Đào tạo Chất lượng cao, Trường Đại học Sư phạm Kỹ thuật TP. Hồ Chí Minh (tháng 12/2022).

Mục tiêu và nhiệm vụ nghiên cứu của đồ án bao gồm:

1. Tìm hiểu tổng quan và nguyên lý hoạt động, sơ đồ mạch điện của hệ thống Start-Stop trên ô tô.
2. Nghiên cứu mạng nơ-ron tích chập (CNN) và mô hình thuật toán nhận diện vật thể YOLO (You Only Look Once).
3. Làm chủ quy trình gán nhãn, huấn luyện (train) và phát hiện (detect) mô hình YOLO trên các môi trường lập trình khác nhau.
4. Thử nghiệm nhận diện đèn giao thông trên hình ảnh và video thời gian thực bằng ngôn ngữ Python kết hợp thư viện OpenCV.
5. Đánh giá tiềm năng ứng dụng của việc tích hợp nhận diện vật thể vào hệ thống Start-Stop.
6. Thiết kế mô hình hệ thống Start-Stop lý tưởng và mô hình Start-Stop thay thế tích hợp thuật toán nhận diện đèn giao thông.
7. Mô phỏng hoạt động của hệ thống Start-Stop bằng cách xuất tín hiệu điều khiển kỹ thuật số sang vi điều khiển Arduino.

Đối tượng nghiên cứu là hệ thống mạch điều khiển Start-Stop và mô hình thị giác máy tính nhận diện trạng thái đèn giao thông (đỏ, vàng, xanh). Phạm vi thời gian thực hiện nghiên cứu của đồ án là 11 tuần (từ tháng 10/2022 đến tháng 12/2022).

---

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng dựa trên lý thuyết điều khiển ô tô, xử lý ảnh số và học sâu (Deep Learning).

Các công nghệ và mô hình lý thuyết được phân tích trong đồ án gồm:

• Hệ thống Start-Stop trên ô tô: Cơ chế ngắt hệ thống cung cấp nhiên liệu và hệ thống đánh lửa khi xe dừng; vai trò của ắc quy chuyên dụng (AGM), máy khởi động chịu tải cao và rơ-le điều khiển từ ECU.
• Học sâu và các cấu trúc mạng nơ-ron: Phân biệt Học máy (Machine Learning) và Học sâu (Deep Learning); cấu trúc mạng nơ-ron nhân tạo (ANN), mạng nơ-ron hồi quy (RNN) và mạng nơ-ron tích chập (CNN).
• Cấu trúc mạng CNN: Hoạt động của trường tiếp nhận cục bộ (Local Receptive Field), chia sẻ trọng số (Parameter Sharing), các tầng tích chập (Convolutional Layer), tầng gộp (Pooling Layer - Max Pooling, Average Pooling), tầng kết nối đầy đủ (Fully-Connected Layer), và các hàm kích hoạt như Sigmoid, ReLU, Leaky ReLU, PReLU.
• Mạng phần dư ResNet (Residual Network): Khái niệm Residual Block với liên kết tắt (skip connection / shortcut connection) nhằm giải quyết hiện tượng triệt tiêu đạo hàm (vanishing gradient) khi tăng chiều sâu mạng.
• Các thuật toán phát hiện vật thể (Object Detection): Mô hình hai giai đoạn (two-stage) gồm R-CNN (sử dụng Selective Search, AlexNet, SVM), Fast R-CNN, Faster R-CNN (sử dụng Region Proposal Network - RPN); mô hình một giai đoạn (one-stage) gồm SSD (Single Shot Multi-box Detector) và họ thuật toán YOLO (YOLOv3, YOLOv4, YOLOv7).

Tiêu chí	Machine Learning	Deep Learning
Sự can thiệp của con người	Cần can thiệp liên tục để tinh chỉnh trích xuất đặc trưng	Thiết lập ban đầu phức tạp hơn nhưng tự động trích xuất đặc trưng
Thời gian vận hành	Thiết lập và chạy nhanh, nhưng năng lực xử lý giới hạn	Thời gian huấn luyện lâu hơn, phản hồi kết quả tức thì
Dữ liệu đầu vào	Đòi hỏi dữ liệu có cấu trúc, thuật toán truyền thống	Xử lý lượng lớn dữ liệu phi cấu trúc (ảnh, video, văn bản)
Ứng dụng tiêu biểu	Lọc thư điện tử, nghiệp vụ ngân hàng	Xe tự hành, robot phẫu thuật, thị giác máy tính

Đặc tính	ANN (Artificial Neural Network)	RNN (Recurrent Neural Network)	CNN (Convolutional Neural Network)
Loại dữ liệu phù hợp	Dữ liệu bảng (Tabular data)	Dữ liệu chuỗi (Thời gian, văn bản, âm thanh)	Dữ liệu hình ảnh, video
Kết nối hồi quy	Không	Có	Không
Chia sẻ tham số	Không	Có	Có
Mối quan hệ không gian	Không	Không	Có
Hiện tượng biến mất/bùng nổ đạo hàm	Có	Có	Có

Phương pháp nghiên cứu thực nghiệm được tiến hành qua các bước:

1. Thu thập và tiền xử lý dữ liệu: Thu thập hình ảnh đèn tín hiệu giao thông, gán nhãn dữ liệu tạo tập bounding box.
2. Huấn luyện mô hình: Sử dụng môi trường điện toán đám mây Google Colab để huấn luyện mô hình YOLOv7.
3. Triển khai ứng dụng: Thực thi mô hình phát hiện trên hệ điều hành Windows sử dụng GPU máy tính cá nhân.
4. Ghép nối phần cứng: Sử dụng thư viện lập trình Python để truyền thông nối tiếp (Serial) dữ liệu phát hiện sang bo mạch Arduino UNO nhằm kích hoạt tín hiệu điều khiển.

---

Thiết kế và triển khai hệ thống

Mô hình hệ thống Start-Stop lý tưởng

Trong cấu trúc lý tưởng được nhóm nghiên cứu đề xuất, hệ thống bao gồm:

• Khối thu nhận và xử lý hình ảnh: Camera độ phân giải cao kết hợp bộ máy tính nhúng NVIDIA Jetson Nano A02 chạy mô hình phát hiện đèn tín hiệu giao thông.
• Khối quản lý năng lượng: Nguồn ắc quy VARTA AGM LN6 605901053 12V 105Ah chuyên dụng cho xe Start-Stop.
• Khối điều khiển trung tâm (ECU Start-Stop): Nhận tín hiệu tích hợp từ các cảm biến truyền thống (tốc độ xe, vị trí chân phanh, vị trí chân ga, điện áp bình ắc quy) kết hợp với tín hiệu trạng thái đèn đỏ/xanh từ bộ xử lý AI.
• Quy trình kích hoạt lý tưởng: Khi xe dừng phanh, nếu hệ thống camera nhận diện đèn đỏ phía trước có thời gian chờ đủ dài, tín hiệu dừng động cơ mới được gửi đến ECU. Khi đèn chuyển sang trạng thái xanh, hệ thống gửi lệnh khởi động lại động cơ ngay trước khi tài xế nhả hoàn toàn chân phanh, giúp loại bỏ độ trễ khởi hành và tối ưu hóa mức tiêu hao nhiên liệu.

Mô hình hệ thống thực nghiệm thay thế

Do điều kiện giới hạn về thiết bị và kinh phí, nhóm tác giả xây dựng mô hình thực nghiệm thay thế để kiểm chứng tính khả thi của giải thuật:

• Thiết bị xử lý AI: Laptop Dell G3 Gaming trang bị GPU NVIDIA GeForce GTX 1050 Ti.
• Thiết bị thu hình: Camera HD / Webcam ghi nhận luồng hình ảnh giao thông.
• Khối vi điều khiển và mô phỏng chấp hành: Bo mạch Arduino UNO kết nối với máy tính qua cổng giao tiếp Serial (cáp USB). Đầu ra kỹ thuật số (Digital Output) của Arduino được kết nối với hệ thống đèn LED chỉ thị để mô phỏng tín hiệu điều khiển gửi tới relay/ECU thay vì can thiệp trực tiếp vào xe thật.
• Thuật toán nhận diện: Mô hình YOLOv7 được huấn luyện nhận diện các trạng thái đèn giao thông, áp dụng các kỹ thuật như Non-Maximum Suppression (NMS) và lọc theo ngưỡng Intersection Over Union (IoU).

---

Nội dung chính theo từng chương

Chương 1: Giới thiệu (Introduction)

Chương 1 trình bày lý do chọn đề tài xuất phát từ các hạn chế của hệ thống Start-Stop truyền thống và sự bùng nổ của thị giác máy tính trong giao thông thông minh. Tác giả tổng quan cấu trúc đề tài, các giới hạn nghiên cứu (thực hiện trong 11 tuần, sử dụng LED và Arduino mô phỏng thay vì đấu nối ECU thực tế do hạn chế chi phí). Chương này cũng phân tích tổng quan hệ thống đèn tín hiệu giao thông (lịch sử từ năm 1868 tại Quảng trường Parliament - London, cấu tạo cụm đèn 3 màu tiêu chuẩn) cùng các ưu - nhược điểm, tác động môi trường và kinh tế của công nghệ Start-Stop trên ô tô (dẫn chứng ước tính tiết kiệm 1,6 tỷ gallon nhiên liệu và giảm 8 tấn $CO_2$).

Chương 2: Cơ sở lý thuyết (Fundamentals)

Chương 2 tập trung trình bày toàn diện các khái niệm nền tảng về Deep Learning và xử lý ảnh số. Nội dung đi sâu phân tích:

• Cơ chế hoạt động của nơ-ron nhân tạo Perceptron và các hàm kích hoạt (Sigmoid, ReLU, Leaky ReLU).
• Chi tiết cấu tạo mạng CNN: nguyên lý trích xuất đặc trưng bằng Kernel/Filter, công thức toán học tính kích thước đầu ra tầng tích chập theo kích thước ảnh $(H \times W \times D)$, kích thước bộ lọc $(k \times k \times D)$, bước trượt $s$, số lượng bộ lọc $N$ và độ đệm zero-padding $p$:

$$\text{Kích thước đầu ra} = \left(\frac{H + 2p - k}{s} + 1\right) \times \left(\frac{W + 2p - k}{s} + 1\right) \times N$$

• Cấu trúc mạng AlexNet, VGG-16, ResNet và khối Residual Block.
• Các bước cơ bản trong xử lý ảnh kỹ thuật số: Thu nhận ảnh (Image acquisition), Tiền xử lý (Pre-processing), Nâng cao chất lượng ảnh (Enhancement), Phân đoạn ảnh (Segmentation), Trích xuất đặc trưng (Feature extraction), và Nhận dạng (Identification).
• So sánh các thuật toán phát hiện vật thể: R-CNN, Fast R-CNN, Faster R-CNN với cơ chế RPN, và SSD với kỹ thuật multi-box dựa trên mạng nền VGG-16.

Chương 3: Mô hình thuật toán YOLO (YOLO Algorithm Model)

Chương này đi sâu vào kiến trúc và giải thuật của họ mô hình YOLO:

• Cơ chế chia lưới ảnh ($S \times S$, ví dụ $7 \times 7$), dự đoán đồng thời bounding box, độ tin cậy (Confidence Score) và xác suất lớp đối tượng (Class Probability).
• Nguyên lý triệt tiêu phi cực đại (Non-maximum Suppression - NMS) và hệ số trùng lặp vùng (Intersection Over Union - IoU).
• Cấu trúc kiến trúc mạng: Khối trích xuất đặc trưng (Backbone), mạng cổ (Neck) với các module Spatial Pyramid Pooling (SPP), Path Aggregation Network (PAN), cơ chế chú ý không gian và kênh (Spatial Attention Module, Convolutional Block Attention Module).
• Các phương pháp tăng cường dữ liệu (Data Augmentation) hiện đại: CutMix, Mosaic, làm mịn nhãn lớp (Class Label Smoothing) và hàm kích hoạt Mish.
• Thước đo đánh giá độ chính xác trung bình mAP (Mean Average Precision), ma trận nhầm lẫn với các chỉ số TP (True Positive), FP (False Positive).

Chương 4: Thiết kế mô hình Start-Stop lý tưởng và mô hình Start-Stop thay thế (Design Ideal Engine Start-Stop System Model and Alternative Engine Start-Stop System Model)

Nội dung chương 4 làm rõ:

• Các điểm thay đổi so với mô hình Start-Stop cổ điển khi bổ sung đầu vào từ hệ thống nhận diện quang học.
• Sơ đồ khối và lưu đồ thuật toán hoạt động của mô hình Start-Stop lý tưởng tích hợp máy tính nhúng NVIDIA Jetson Nano A02 và ắc quy AGM VARTA LN6 12V 105Ah.
• Thiết kế mô hình thay thế sử dụng laptop gaming (GPU GTX 1050 Ti) giao tiếp qua cổng COM với Arduino UNO để điều khiển trạng thái bật/tắt của hệ thống mô phỏng.

Chương 5: Vận hành, kết quả và định hướng phát triển (Operation, Results and Future Development)

Chương 5 mô tả chi tiết các bước triển khai thực nghiệm:

• Quy trình gán nhãn tập dữ liệu hình ảnh và tổ chức thư mục huấn luyện.
• Quá trình huấn luyện mạng YOLOv7 trên Google Colab và tải trọng số (weights) về máy trạm cục bộ.
• Thiết lập môi trường vận hành trên Windows bằng Python và OpenCV.
• Lập trình thuật toán điều khiển và giao thức kết nối truyền nhận dữ liệu giữa Python và vi điều khiển Arduino.
• Kết quả nhận diện trong các điều kiện môi trường thực tế và đánh giá hiệu năng hệ thống.

---

Kết quả và đóng góp

Kết quả thực nghiệm

Đồ án đã triển khai thành công hệ thống nhận diện và điều khiển mô phỏng với các kết quả cụ thể:

• Huấn luyện thành công mô hình phát hiện trạng thái đèn tín hiệu giao thông dựa trên kiến trúc YOLOv7.
• Hệ thống thực thi nhận diện theo thời gian thực (real-time) qua webcam và xử lý mượt mà trên các tập dữ liệu video/hình ảnh thử nghiệm.
• Kiểm thử thành công khả năng phát hiện vật thể trong nhiều điều kiện môi trường phức tạp:
  • Nhận diện đối tượng đèn giao thông kích thước nhỏ và ở khoảng cách xa.
  • Nhận diện trong điều kiện ánh sáng yếu / ban đêm (low bright condition).
  • Nhận diện trong điều kiện bị lóa sáng / chói sáng (flared condition).
  • Nhận diện trên luồng video có chướng ngại vật che khuất một phần.
• Thiết lập thành công chu trình giao tiếp dữ liệu logic từ phần mềm Python sang phần cứng Arduino UNO để điều khiển tín hiệu đèn LED chỉ thị trạng thái Start-Stop tương ứng với tín hiệu đèn giao thông.

Đóng góp của đề tài

• Đề xuất giải pháp khắc phục nhược điểm cố hữu của cơ chế kích hoạt Start-Stop truyền thống bằng cách kết hợp thông tin môi trường giao thông bên ngoài thông qua thị giác máy tính.
• Xây dựng tài liệu tổng quan chi tiết, có hệ thống về quá trình phát triển của các mạng nơ-ron trong thị giác máy tính từ ANN, RNN, CNN (AlexNet, ResNet) đến các thuật toán Object Detection hiện đại (Faster R-CNN, SSD, YOLOv7).
• Chứng minh tính khả thi của việc tích hợp giải thuật AI xử lý ảnh thời gian thực với vi điều khiển nhúng giá thành thấp để mô phỏng điều khiển hệ thống điện - điện tử trên ô tô.

---

Hạn chế và hướng nghiên cứu tiếp

Hạn chế của đồ án

• Thời gian thực hiện: Đồ án bị giới hạn trong khung thời gian 11 tuần nghiên cứu và chế tạo.
• Rào cản thiết bị: Do chi phí trang bị hộp điều khiển ECU Engine Start-Stop chuyên dụng trên ô tô quá cao và vượt quá nguồn lực phòng thí nghiệm sẵn có, nhóm nghiên cứu chưa thể đấu nối trực tiếp mạch điều khiển lên phương tiện thực tế mà phải sử dụng đèn LED kết nối qua Arduino UNO để mô phỏng tín hiệu điều khiển.
• Phần cứng triển khai: Mô hình thay thế vẫn phụ thuộc vào máy tính xách tay cá nhân (GPU GTX 1050 Ti), chưa đóng gói hoàn chỉnh lên máy tính nhúng chuyên dụng trên xe.

Hướng nghiên cứu tiếp

• Tích hợp toàn bộ thuật toán lên phần cứng máy tính nhúng nhỏ gọn chuyên dụng cho ô tô như NVIDIA Jetson Nano A02.
• Kết nối mạch điều khiển thực tế vào mạng giao tiếp CAN-Bus và hộp ECU Start-Stop trên xe ô tô thương mại.
• Bổ sung bộ ắc quy chuyên dụng AGM (như dòng VARTA AGM LN6 12V 105Ah) và hoàn thiện mạch công suất điều khiển máy khởi động thực tế.
• Mở rộng thuật toán nhận diện thêm các đối tượng giao thông khác như biển báo, dòng phương tiện phía trước để ước lượng chính xác hơn mật độ ùn tắc giao thông.

---

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho:

• Sinh viên ngành Công nghệ Kỹ thuật Ô tô: Tham khảo cấu trúc hoạt động của hệ thống Start-Stop, giải pháp cải tiến hệ thống điện - điện tử trên ô tô hiện đại theo hướng thông minh hóa (ADAS/tự hành).
• Sinh viên ngành Kỹ thuật Điều khiển, Cơ điện tử và Công nghệ Thông tin: Tham khảo tài liệu tổng hợp lý thuyết sâu về CNN, ResNet, các thuật toán nhận diện vật thể (Faster R-CNN, SSD, YOLO), quy trình huấn luyện YOLOv7 trên Google Colab và cách thức kết nối điều khiển ngoại vi qua cổng Serial giữa Python và Arduino.

---

Câu hỏi thường gặp

1. Nhược điểm chính của hệ thống Start-Stop truyền thống được đề cập trong đồ án là gì?
Hệ thống truyền thống tắt máy sau khi giữ phanh 2 giây mà không xét đến tình trạng đường sá. Khi dừng đèn đỏ dưới 5 giây, lượng nhiên liệu dùng để khởi động lại máy tốn hơn việc chạy không tải; đồng thời trong điều kiện tắc đường, việc tắt/mở máy liên tục gây giảm độ êm dịu và giảm tuổi thọ hệ thống khởi động.

2. Tại sao nhóm nghiên cứu lại lựa chọn mô hình YOLO thay vì Faster R-CNN hay SSD?
Faster R-CNN là mô hình hai giai đoạn (two-stage) có độ chính xác cao nhưng tốc độ tính toán chậm, không đảm bảo xử lý thời gian thực. SSD tuy xử lý nhanh nhưng độ chính xác chưa tối ưu. YOLO là mô hình một giai đoạn (one-stage) dung hòa được cả độ chính xác cao lẫn tốc độ suy luận nhanh theo thời gian thực (real-time).

3. Cấu hình phần cứng và công cụ phần mềm chính được sử dụng để thực nghiệm là gì?
Về phần cứng: Laptop Dell G3 Gaming (GPU NVIDIA GeForce GTX 1050 Ti), HD Camera/Webcam và mạch vi điều khiển Arduino UNO. Về phần mềm: Ngôn ngữ Python, thư viện OpenCV, mô hình YOLOv7 và nền tảng huấn luyện Google Colab.

4. Vì sao nhóm tác giả dùng Arduino và đèn LED thay vì kết nối trực tiếp vào ECU ô tô?
Do thời gian thực hiện ngắn (11 tuần) và chi phí hộp ECU Start-Stop thực tế trên ô tô rất cao, không có sẵn trong nguồn lực phòng thí nghiệm của trường, nên nhóm tác giả xuất tín hiệu kỹ thuật số (Digital signal) qua Arduino UNO để điều khiển đèn LED nhằm mô phỏng tín hiệu kích hoạt gửi tới ECU.

5. Mô hình nhận diện đèn giao thông đã được thử nghiệm trong những điều kiện thực tế nào?
Hệ thống đã được kiểm thử nhận diện trong điều kiện bình thường, đối tượng nhỏ ở khoảng cách xa, điều kiện thiếu sáng/ban đêm (low bright), điều kiện lóa sáng (flared), và video có vật cản che khuất một phần.

---

Kết luận

Đồ án "Thiết kế mạch Start-Stop qua nhận diện đèn giao thông" của nhóm sinh viên Trường Đại học Sư phạm Kỹ thuật TP.HCM đã giải quyết bài toán tối ưu hóa hệ thống Start-Stop truyền thống trên ô tô bằng cách tích hợp công nghệ thị giác máy tính. Bằng việc áp dụng mô hình học sâu YOLOv7 trên nền tảng Python kết hợp vi điều khiển Arduino UNO, nghiên cứu đã xây dựng thành công mô hình mô phỏng nhận diện đèn tín hiệu thời gian thực trong nhiều điều kiện ánh sáng và chướng ngại vật phức tạp. Kết quả của đề tài tạo tiền đề kỹ thuật rõ ràng cho việc phát triển các hệ thống điều khiển động cơ thông minh, hướng tới mục tiêu tiết kiệm năng lượng và giảm phát thải trong ngành kỹ thuật ô tô hiện đại.

Trích đoạn nội dung tài liệu

MINISTRY OF EDUCATION AND TRAINING HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION GRADUATION PROJECT AUTOMOTIVE ENGINEERING DESIGN START STOP CIRCUIT THROUGH TRAFFIC DETECTION LECTURER: Assoc.Prof DO VAN DUNG STUDENT: LE CHAN PHAM VO HUY VU SKL 010586 Ho Chi Minh City, December 2022 HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY FOR HIGH QUALITY TRAINING GRADUATION PROJECT DESIGN START STOP CIRCUIT THROUGH TRAFFIC DETECTION Students: Le Chan Pham ID: 18145045 Vo Huy Vu ID: 18145080 Major: AUTOMOTIVE ENGINEERING Advisor: Assoc.Prof Do Van Dung Ho Chi Minh City, 24 December 2022 HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND EDUCATION FACULTY FOR HIGH QUALITY TRAINING GRADUATION PROJECT DESIGN START STOP CIRCUIT THROUGH TRAFFIC DETECTION Students: Le Chan Pham ID: 18145045 Vo Huy Vu ID: 18145080 Major: AUTOMOTIVE ENGINEERING Advisor: Assoc.Prof Do Van Dung Ho Chi Minh City, 24 December 2022 THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- Ho Chi Minh City, December, 2022 GRADUATION PROJECT ASSIGNMENT Student name: LE CHAN PHAM Student ID: 18145018 Student name: VO HUY VU Student ID: 18145030 Major: Automotive engineering technology Advisor: Assoc.Prof DO VAN DUNG Phone number: 0966879932 Date of assignment: Octorber 2022 Date of submission: December 2022 1. Project title: Design Start Stop circuit through object detection 2. Equipment: Laptop with GPU, HD Camera, Arduino UNO 3. Content of the project: Research convolutional neural networks, YOLO algorithm model, train YOLO model, evaluate the results and use output to control Arduino.

Final product: Traffic light detection system through webcam, videos and images CHAIR OF THE PROGRAM ADVISOR Sign with full name Sign with full name THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- Ho Chi Minh City, December, 2022 ADVISOR’S EVALUATION SHEET Student name: LE CHAN PHAM Student ID: 18145045 Student name: VO HUY VU Student ID: 18145080 Major: Automotive engineering technology Project title: Design Start Stop circuit through object detection EVALUATION 1. Content of the project:. Approval for oral defense? (Approved or denied) .) Ho Chi Minh City, …. day, … year ADVISOR (Sign with full name) 2 THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- Ho Chi Minh City, December, 2022 PRE-DEFENSE EVALUATION SHEET Student name: LE CHAN PHAM Student ID: 18145045 Student name: VO HUY VU Student ID: 18145080 Major: Automotive engineering technology Project title: Design Start Stop circuit through object detection Name of Reviewer: …………………………………………………………………… EVALUATION 1.

Content of the project:. Approval for oral defense? (Approved or denied) .) Ho Chi Minh City, …. day, … year REVIEWER (Sign with full name) 3 THE SOCIALIST REPUBLIC OF VIETNAM Independence – Freedom– Happiness -------- Ho Chi Minh City, December, 2022 EVALUATION SHEET OF DEFENSE COMMITTEE MEMBER Student name: LE CHAN PHAM Student ID: 18145045 Student name: VO HUY VU Student ID: 18145080 Major: Automotive engineering technology Project title: Design Start Stop circuit through object detection Name of Defense Committee Member: ………………………………………………… EVALUATION 1. Content of the project:.

Approval for oral defense? (Approved or denied) .) Ho Chi Minh City, …. day, … year COMMITTEE MEMBER (Sign with full name) DISCLAIMER The authors, Le Chan Pham and Vo Huy Vu confirm that the work presented in this thesis is ours. All the data and statistics in the thesis are reliable and are not published in any previous studies or research. Where information has been derived from other sources, we confirm that this has been indicated in the thesis.

i ACKNOWLEDGE Throughout our studies and graduation process, my team was always cared for, guided, and assisted by teachers from the Faculty of High Quality Training, as well as the support and assistance from friends and colleagues. First and foremost, we want to thanks The Board of Directors of Ho Chi Minh City University of Technology and Education for creating all conditions in terms of facilities along with modern equipment and library system with a variety of documents, which is convenient for students in order to research information. We would like to express our gratitude to the instructor Assoc.Prof Do Van Dung for assisting and leading us in complete this project. Because of the team’s limited experience, this study will have errors when practicing and finishing the graduation thesis.