MỞ ĐẦU 1. Lý do chọn đề tài Hiện nay, tình hình tắc nghẽn giao thông trong những giờ cao điểm ngày càng trở nên thường xuyên hơn. Việc tắc nghẽn giao thông dẫn đến các vấn đề khác như: tốn nhiều thời gian di chuyển của người tham gia giao thông; dễ xảy ra va chạm trong giao thông… Một trong những nguyên nhân dẫn đến tình trạng trên là có những thời điểm nhiều phương tiện cùng tham gia giao thông. Đặc biệt, đối với học sinh các trường thường ra về cùng một thời điểm nên làm cho việc tắc nghẽn giao thông thêm trầm trọng, tiềm ẩn nhiều nguy cơ xảy ra tai nạn.
Do đó việc xây dựng một ứng dụng nhằm phát hiện, đếm phương tiện tham gia giao thông là rất cần thiết. Từ kết quả của việc đếm phương tiện giao thông ta sẽ có được thông tin về các thời điểm thường xảy ra tắc nghẽn giao thông và đưa ra các đề xuất hợp lí về thời gian ra về của học sinh. Hiện nay có nhiều cách tiếp cận để giải quyết vấn đề này: Xử lý ảnh, phát hiện chuyển động, thuật toán trừ nền,…đã giải quyết được. Trong đề án này bài toán được giải quyết theo một cách tiếp cận khác đó là bằng học sâu.
Cụ thể là đề án sẽ sử dụng thuật toán Yolo và xây dựng mô hình phát hiện đối tượng, nghiên cứu bổ sung cách đếm đối tượng để đạt được mục tiêu. Xuất phát từ nhu cầu trên tôi chọn đề tài nghiên cứu “Xây dựng ứng dụng đếm phƣơng tiện giao thông bằng cách tiếp cận Deep learning”. Tổng quan tình hình nghiên cứu đề tài 2.1 Tình hình nghiên cứu trong nước - Bài báo “Nghiên cứu thuật toán phân loại phương tiện giao thông dựa trên thị giác máy tính” của TS. Nguyễn Mạnh Cường , ThS.
Vũ Văn Rực- Trường Đại học Hàng Hải Việt Nam, Tạp chí Khoa học công nghệ, tháng 7/2021 [1]. Trong bài báo này các tác giả nghiên cứu phát triển thuật toán mới cho phép nhận diện và phân loại phương tiện trong luồng video trực tiếp, thuật toán được đề xuất sử dụng mạng 2 nơron triển khai trên thuật toán Yolo và ứng dụng thuật toán Sort trong theo dõi và phát hiện đối tượng. - Bài báo “Ứng dụng học máy trong dự đoán lưu lượng giao thông” của Giang Thị Thu Huyền và Lê Quý Tài, Học viện Ngân hàng, Tạp chí Khoa học công nghệ Việt Nam, tháng 5 năm 2022 [2]. Bài báo này trình bày khái quát về dự đoán lưu lượng giao thông và những kỹ thuật học máy nhằm dự đoán lưu lượng giao thông đang được sử dụng.
- Bài báo “Xử lí vi phạm vượt đèn đỏ và dừng đỗ sai dựa trên học sâu” của các tác giả Huỳnh Hữu Hưng, Nguyễn Văn Phú, Nguyễn Tường, Trường Đại học Bách Khoa- Đại học Đà Nẵng [3], Tạp chí Khoa hcọ và công nghệ, ISSN 1859-1531, VOL. Bài báo đề xuất sử dụng mạng tích chập YOLOv3 để trích xuất hình ảnh các đối tượng, sau đó thông tin về vị trí của phương tiện được xác định qua thuật toán theo dõi sẽ được dùng để phân loại vi phạm.2 Tình hình nghiên cứu ngoài nước - Phát hiện đối tượng theo thời gian thực bằng cách sử dụng học sâu: Phương pháp tiếp cận dựa trên webcam (Real Time Object Detection using Deep Learning: A Webcam Based Approach), Sandipan Chowdhury, Government College of Engineering and Ceramic Technology, Prabuddha Sinha, Indian Institute of Technology Ropar, tháng 01 năm 2019 [4]. Bài báo đề xuất một phương pháp phát hiện đối tượng thông qua webcam. Phương pháp được sử dụng là sự kết hợp giữa mạng đề xuất khu vực (RPN) và Fast R-CNN, trong đó các đề xuất khu vực chất lượng cao được tạo bằng cách đào tạo RPN từ đầu đến cuối, đến lượt nó được Fast R-CNN sử dụng để phát hiện.
Hai mô-đun này kết hợp để tạo ra một hệ thống phát hiện đối tượng có tên Faster R-CNN. - Phát hiện đối tượng theo thời gian thực với YOLO (Real-Time Object Detection with Yolo), Geethapriya. Chokkalingam, Tạp chí Quốc tế về Kỹ thuật và công nghệ (IJEAT), ISSN: 2249 – 8958, Tập-8, Số phát hành- 3S, tháng 2 năm 2019. Bài báo giới thiệu phương pháp phát hiện đối tượng bằng Yolo [5] 3 - Phương pháp tiếp cận học sâu nâng cao để đếm nhiều đối tượng trong môi trường xe cộ đô thị (An Advanced Deep Learning Approach for Multi-Object Counting in Urban Vehicular Environments), Ahmed Mukhtar Dirir, Henry Ignatious, Hesham Elsayed, Manzoo Ahmed Khan, November 2021, Future Internet 13(12):306, DOI:10.3390/fi13120306, License CC BY 4.
Bài báo này đề xuất một cách tiếp cận hiệu quả sử dụng các khái niệm học sâu và các bộ lọc tương quan để đếm và theo dõi nhiều đối tượng. Mục tiêu nghiên cứu. - Nghiên cứu nhằm củng cố, nâng cao hiểu biết về học sâu - Nghiên cứu phương pháp đếm phương tiện giao thông bằng mô hình học sâu YOLO để nhận dạng và đếm phương tiện giao thông trên hình ảnh, video. - Ứng dụng kiến thức vào việc giải quyết các vấn đề thực tiễn 4.
Đối tƣợng và phạm vi nghiên cứu 4.1 Đối tượng nghiên cứu - Mạng Nơ-ron nhân tạo. - Mô hình học sâu dựa trên mạng CNN. - Mô hình YOLOv5 trong phát hiện, nhận dạng đối tượng. - Nhận dạng, đếm phương tiện giao thông trong video được quay từ camera.2 Phạm vi nghiên cứu Phạm vi nghiên cứu của đề tài liên quan đến phát hiện, nhận dạng đối tượng trong học sâu bằng mô hình YOLOv5 và ứng dụng để đếm phương tiện giao thông.
Nội dung nghiên cứu - Học máy và học sâu - Mô hình YOLOv5. - Phát hiện, nhận dạng và đếm đối tượng trong video. Phƣơng pháp luận và phƣơng pháp nghiên cứu - Phương pháp nghiên cứu lý thuyết + Tìm hiểu kiến thức cơ sở về học máy. 4 + Tìm hiểu mô hình học sâu dựa trên mạng CNN.
+ Tìm hiểu lý thuyết về mô hình YOLOv5 trong phát hiện, nhận dạng đối tượng. + Nghiên cứu kỹ thuật đếm đối tượng trong video. - Phương pháp nghiên cứu thực hành Vận dụng mô hình YOLOv5 để nhận dạng phương tiện giao thông thông qua video của camera. KIẾN THỨC CƠ SỞ VỀ HỌC MÁY VÀ HỌC SÂU Tóm tắt nội dung chương: Giới thiệu những kiến thức cơ sở v Học máy và Học sâu; Tìm hiểu v cấu trúc, cách hoạt động và ứng dụng của Mạng nơ-ron nhân tạo (ANN) và Mạng Nơ-ron tích chập (CNN).1 Học máy Học máy là một nhánh của trí tuệ nhân tạo cho phép máy học và phát triển mà không cần lập trình rõ ràng.
Học máy liên quan đến việc thiết kế các chương trình phần mềm có thể thu thập dữ liệu và tự học. Máy học phân tích dữ liệu, diễn giải dữ liệu, học hỏi từ dữ liệu trong một lĩnh vực cụ thể và đưa ra quyết định tốt nhất có thể dựa trên cơ sở học hỏi bằng cách sử dụng một bộ thuật toán học tập (thuật toán học tập có giám sát hoặc không giám sát). Các chuyên gia máy học sử dụng các kỹ thuật thống kê và khái niệm khoa học máy tính để cho phép máy học từ dữ liệu hiện tại và dần dần cải thiện mà không cần phải được đào tạo cụ thể. Các thuật toán SVM, K-mean phân cụm, Nave Bayes, hồi quy tuyến tính, hồi quy logistic, mạng thần kinh, phương pháp tập hợp và cây quyết định là những ví dụ về việc sử dụng rộng rãi các thuật toán học máy.1 Định nghĩa Một chương trình máy tính được gọi là học từ dữ liệu, kinh nghiệm E đối với lớp nhiệm vụ và độ đo mức thực hiện P nếu việc thực hiện các nhiệm vụ T của nó khi đo bằng P được cải tiến nhờ dữ liệu hoặc kinh nghiệm E [7].
rong đó: - T ( Task)- nhiệm vụ: Là nhiệm vụ mà chưng trình máy tính được thiết kế để thực hiện. - E (Experience)- Kinh nghiệm: Là dữ liệu hoặc thông tin mà máy sử dụng để học. - P (Performance Measure)- độ đo hiệu suất: đo lường độ chính xác của chương trình đối với một nhiệm vụ cụ thể.2 Phân loại học máy Chủ yếu có bốn loại học máy sau: Học có giám sát Để dự đoán các kịch bản trong tương lai, thuật toán học máy có giám sát áp dụng các kinh nghiệm dựa trên dữ liệu đã có cho dữ liệu mới bằng cách sử dụng các dữ liệu mẫu được gắn nhãn. Học có giám sát có các loại: + Regession: Hồi quy + Classification: Phân lớp Học không giám sát Học không giám sát đề cập đến một loại học máy trong đó máy học từ dữ liệu mà không cần sự trợ giúp của con người.
Các mô hình không được giám sát có thể được đào tạo với tập dữ liệu không được gắn nhãn, không được phân và thuật toán phải xử lý dữ liệu mà không cần giám sát. Học không giám sát có các loại: + Clustering: Phân cụm + Association: Kết hợp K-means Clustering, Apriori Algorithm, Eclat, v., là những ví dụ về thuật toán học tập không giám sát. Học bán giám sát Học bán giám sát tương tự như học có giám sát, ngoại trừ nó kết hợp cả dữ liệu được gắn nhãn và không được gắn nhãn. Dữ liệu được gắn nhãn là thông tin có các nhãn quan trọng để thuật toán có thể diễn giải nó, trong khi dữ liệu không được gắn nhãn không có các nhãn đó.
Các hệ thống máy học có thể học cách xác định dữ liệu chưa được gắn nhãn bằng sự kết hợp này. Học tăng cường Học tăng cường là một nhánh của học máy cho phép một hệ thống con, được gọi là tác nhân, hiểu bằng cách thử nghiệm trong không gian ảo, mô phỏng tương 7 tác, hỗ trợ kết quả bằng cơ chế phản hồi được tạo bằng cách sử dụng phản hồi từ các sự kiện và trải nghiệm của chính nó. Học tăng cường sử dụng thuật toán Q-Learning.3 Các bước giải quyết bài toán trong học máy Bước 1. Thu thập dữ liệu Bước đầu tiên là thu thập dữ liệu huấn luyện, là dữ liệu mà mô hình sẽ học từ đó.
Dữ liệu này có thể được thu thập từ nhiều nguồn bên ngoài hoặc được tạo ra bằng cách gắn nhãn cho các dữ liệu đã có. Tiền xử lí dữ liệu Dữ liệu thu thập được thường chưa được hoàn thiện và cần được xử lí trước khi sử dụng chúng để huấn luyện cho mô hình. Tiền xử lí có thể bao gồm các việc xử lí dữ liệu còn thiếu, loại bỏ nhiễu, chuẩn hóa dữ liệu và chuyển đổi dữ liệu văn bản hoặc hình ảnh thành định dạng phù hợp để đưa vào mô hình học máy. Chọn mô hình Chọn mô hình học máy phù hợp.