Đồ án tốt nghiệp: Hỗ trợ phân luồng và giám sát giao thông bằng Deep Learning

Đồ án tốt nghiệp ứng dụng Deep Learning và YOLOv3 để nhận dạng, giám sát, phân luồng giao thông, giải quyết tình trạng ùn tắc tại Việt Nam.

• Tác giả: Nguyễn Hứa Gia Bảo
• Người hướng dẫn: TS. Bùi Hà Đức
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Cơ điện tử
• Đề tài: Ứng dụng Deep Learning vào việc hỗ trợ phân luồng và giám sát giao thông
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2020
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Giới thiệu về Deep Learning trong Giám sát Giao thông

Deep Learning là một công nghệ trí tuệ nhân tạo hiện đại đang được ứng dụng rộng rãi trong lĩnh vực giám sát giao thông. Tình trạng ùn tắc giao thông ở các thành phố lớn như Hồ Chí Minh ngày càng trở nên phức tạp do số lượng phương tiện giao thông tăng nhanh chóng. Với hơn 600 camera giám sát được lắp đặt trên các tuyến đường chính, việc xử lý dữ liệu video một cách thủ công trở nên bất khả thi. Ứng dụng Deep Learning giám sát mang lại giải pháp tự động, hiệu quả, giúp các cơ quan quản lý giao thông cải thiện hiệu suất làm việc. Công nghệ này không chỉ nhận dạng và theo dõi các loại phương tiện mà còn cung cấp dữ liệu thời gian thực để phân luồng giao thông một cách khoa học và hiệu quả.

1.1. Bối cảnh phát triển và nhu cầu giải pháp

Việt Nam là nước phát triển kinh tế nhanh chóng, dẫn đến sự gia tăng mạnh mẽ trong số lượng phương tiện giao thông. Tình trạng ùn tắc giao thông nghiêm trọng tại các thành phố lớn gây ra những hậu quả tiêu cực như lãng phí thời gian, chi phí nhiên liệu và ô nhiễm môi trường. Các phương pháp quản lý giao thông truyền thống đã không còn đáp ứng được nhu cầu hiện đại, do đó cần những giải pháp công nghệ cao hơn.

1.2. Vai trò của công nghệ Deep Learning

Deep Learning cung cấp khả năng xử lý và phân tích dữ liệu video một cách tự động và chính xác. Công nghệ này có thể nhận dạng, phân loại các loại phương tiện khác nhau như xe máy, ô tô, xe bus, xe tải với độ chính xác cao. Từ đó hỗ trợ phân luồng giao thông hiệu quả và giám sát thường xuyên, giúp các quyết định quản lý giao thông được đưa ra một cách khoa học dựa trên dữ liệu thực.

II. Các Thuật toán Chính trong Giám sát Giao thông

Để thực hiện giám sát giao thông hiệu quả, các nhà phát triển sử dụng nhiều thuật toán Deep Learning khác nhau. Hai thuật toán chính được áp dụng trong hệ thống phân luồng giao thông hiện đại là YOLOv3 dùng cho nhận dạng và Deep Sort dùng cho theo dõi. YOLOv3 (You Only Look Once version 3) là thuật toán phát hiện đối tượng theo thời gian thực với độ chính xác vượt trội, có thể nhận dạng được hơn 90% các phương tiện giao thông. Deep Sort kết hợp các tính năng thị giác máy tính với mạng nơ-ron sâu để theo dõi liên tục chuyển động của các phương tiện. Sự kết hợp hai thuật toán này tạo nên một hệ thống giám sát giao thông mạnh mẽ và ổn định.

2.1. Thuật toán YOLOv3 cho nhận dạng phương tiện

YOLOv3 là thuật toán phát hiện đối tượng hàng đầu, cho phép nhận dạng nhiều loại phương tiện cùng lúc trong một khung hình. Thuật toán này chia hình ảnh thành một lưới và dự đoán các hộp giới hạn cùng với độ tin cậy của mỗi đối tượng. Nhận dạng phương tiện bằng YOLOv3 đạt độ chính xác trên 90%, cho phép phân loại xe máy, ô tô, xe bus, xe khách và xe tải một cách chính xác trong điều kiện thời gian thực.

2.2. Thuật toán Deep Sort cho theo dõi phương tiện

Deep Sort là thuật toán theo dõi đa đối tượng kết hợp khoảng cách Mahalanobis với deep feature. Thuật toán này duy trì danh sách các phương tiện và theo dõi chuyển động của chúng qua các khung hình liên tiếp. Theo dõi phương tiện bằng Deep Sort giúp hệ thống xác định được hướng di chuyển, tốc độ và quãng đường của mỗi phương tiện, từ đó hỗ trợ phân luồng giao thông chính xác.

III. Quy trình Xử lý và Phân luồng Giao thông

Quy trình giám sát giao thông bằng Deep Learning được thực hiện theo các bước tuần tự và logicque. Đầu tiên, dữ liệu video từ các camera giám sát được thu thập và cấp cho hệ thống xử lý. Bước thứ hai là nhận dạng phương tiện sử dụng YOLOv3, trong đó mỗi phương tiện được xác định và phân loại thành các loại khác nhau. Tiếp theo, theo dõi phương tiện được thực hiện bằng Deep Sort để duy trì danh tính của mỗi phương tiện qua các khung hình. Cuối cùng, các dữ liệu thu được được phân tích để đếm phương tiện, ước lượng lưu lượng giao thông theo hướng di chuyển, và cung cấp thông tin cho phân luồng giao thông tối ưu. Toàn bộ quá trình hoạt động trong thời gian thực trên nền tảng Jetson Nano.

3.1. Nhận dạng và phân loại phương tiện

Bước đầu tiên trong quy trình giám sát giao thông là nhận dạng phương tiện. Hình ảnh từ camera được đưa vào mô hình YOLOv3 đã được huấn luyện sẵn. Mô hình này sẽ xác định vị trí từng phương tiện và phân loại chúng thành các loại: xe máy, ô tô, xe bus, xe khách, xe tải. Kết quả của bước này là các hộp giới hạn (bounding box) chứa các phương tiện với nhãn loại và độ tin cậy.

3.2. Theo dõi và ước lượng luồng giao thông

Sau khi nhận dạng, theo dõi phương tiện bằng Deep Sort giúp liên kết các phương tiện giữa các khung hình. Hệ thống ghi nhận hướng di chuyển của mỗi phương tiện và đếm số lượng theo hướng. Phân luồng giao thông dựa trên dữ liệu này giúp quản lý có cái nhìn rõ ràng về tình trạng giao thông tại từng điểm, từ đó đưa ra quyết định điều tiết giao thông hiệu quả.

IV. Lợi ích và Triển khai Thực tiễn

Ứng dụng Deep Learning giám sát giao thông mang lại nhiều lợi ích thiết thực cho quản lý giao thông hiện đại. Thứ nhất, hệ thống hoạt động tự động 24/7 mà không cần sự can thiệp của con người, tiết kiệm chi phí nhân lực đáng kể. Thứ hai, độ chính xác cao (trên 90%) trong nhận dạng giúp dữ liệu phân lualexandre giao thông tin cậy và chính xác. Thứ ba, giám sát giao thông theo thời gian thực cho phép các cơ quan chức năng phản ứng nhanh chóng khi xảy ra tình huống bất thường. Thứ tư, dữ liệu thu thập hàng ngày cung cấp thông tin có giá trị cho việc lập kế hoạch cải thiện cơ sở hạ tầng giao thông. Tại Hồ Chí Minh, với hơn 600 camera giám sát đã được lắp đặt, triển khai hệ thống này có thể nâng cao đáng kể hiệu suất quản lý giao thông.

4.1. Những lợi ích chính của hệ thống giám sát

Giám sát giao thông bằng Deep Learning giúp giảm thiểu tình trạng ùn tắc thông qua việc phân luồng khoa học. Hệ thống cung cấp thông tin thời gian thực về lưu lượng giao thông, cho phép điều tiết tín hiệu đèn giao thông một cách tối ưu. Ngoài ra, phân luồng giao thông dựa trên dữ liệu giúp cơ quan quản lý có thể dự báo tình huống ùn tắc và đưa ra các biện pháp phòng chống trước.

4.2. Khả năng triển khai trên Jetson Nano

Jetson Nano là nền tảng phần cứng lý tưởng cho triển khai hệ thống giám sát giao thông do tính năng xử lý GPU mạnh mẽ và tiêu thụ điện năng thấp. Toàn bộ quy trình từ nhận dạng phương tiện đến phân luồng giao thông có thể chạy trơn tru trên thiết bị này. Chi phí triển khai thấp, dễ lắp đặt và bảo trì làm cho Jetson Nano trở thành lựa chọn tối ưu cho các thành phố muốn nâng cấp hệ thống giám sát giao thông.

Trích đoạn nội dung tài liệu

chương 1 sẽ trình bày những vấn đề hiện hữu của tình hình giao thông dẫn nhập lý do chọn đề tài, những mục tiêu đề ra cùng với những nhiệm vụ cần phải giải quyết, giới hạn và bố cục đề tài. Chương 2: Cơ sở lý thuyết Chương này trình bày về các cơ sở lý thuyết của các giải pháp được áp dụng vào trong đề tài như là phương pháp thu thập dữ liệu giám sát từ xa, xử lý dữ liệu được thu thập về, nhận dạng và theo dõi phương tiện bằng nhiều cách thức và cuối cùng là phân tích kết quả đạt được sau quá trình trên. Chương 3: Hệ thống thu thập dữ liệu Chi tiết quá trình để có được những nguồn data cần thiết và xử lý data để có thể đưa vào sử dụng cho việc huấn luyện thuật toán sẽ được đề cập trong chương 3 Chương 4: Nhận dạng và theo dõi phương tiện Đây là chương sẽ giải thích lý do chọn phương pháp nhận dạng và theo dõi và đánh giá kết quả sau khi đã áp dụng thuật toán để giải quyết các vấn đề trên. Chương 5: Đánh giá kết quả Việc đánh giá tất cả những gì đã đạt được cũng như chưa đạt được cùng với lý do vì sao chưa làm được đi kèm những biểu đồ minh họa cùng với số liệu về quá trình thực hiện trong suốt thời gian thực hiện đề tài sẽ được nêu rõ trong chương 5.

Chương 6: Kết luận và hướng phát triển Từ kết quả đã đạt được bên trên, chương này sẽ kết luận những gì đã và chưa đạt được, từ đó sẽ đưa ra hướng phát triển về sau cho đề tài. 5 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Ùn tắc giao thông và phương pháp xử lý 2.1 Thực trạng Tình trạng ùn tắc giao thông đang diễn ra một cách ngày càng tồi tệ hơn với nhiều nước trên thế giới, trong đó có thể kể đến một số ví dụ điển hình của vấn nạn này như là thành phố Bangkok tại Thái Lan - một thành phố Đông Nam Á đang có tốc độ phát triển rất nhanh chóng nhưng cũng đang đứng đầu trong danh sách của nạn ùn tắc giao thông như là một hệ lụy của sự phát triển kinh tế và sự bùng nổ về dân số, theo sau đó có thể kể đến thành phố Moscow tại Nga với vụ ùn tắc kinh hoàng kéo dài 200km và kéo dài đến ba ngày [4], Mỹ - quốc gia có hệ thống giao thông và cơ sở hạ tầng hiện đại bậc nhất thế giới cũng là nạn nhân của tình trạng ùn tắc giao thông, nạn ùn tắc đã gây thiệt hại ước tính đến 124 tỉ USD chỉ tính riêng năm 2013 và con số này được dự tính sẽ tăng lên đến 186 tỉ USD trong năm 2030 gây thiệt hại đáng kể đến nền kinh tế Mỹ [5]. Nước ta cũng không phải trường hợp ngoại lệ mặc dù đang trên đà phát triển về mặt nền kinh tế và đời sống xã hội, tuy nhiên lĩnh vực giao thông đã không đáp ứng kịp yêu cầu cho sự phát triển của xã hội mong muốn. Ùn tắc giao thông vẫn luôn là một gánh nặng dẫn đến sự kéo lùi trì trệ về rất nhiều mặt.

Hệ lụy của ùn tắc giao thông gây có thể nói rằng ảnh hưởng không nhỏ và có phần tiêu cực tới nhiều mặt của đời sống xã hội chẳng hạn như làm tăng thời gian đi lại, tăng chi phí đi lại, tăng lượng khí thải và tiếng ồn, giảm chất lượng môi trường sống đô thị, kìm hãm sự phát triển của khu vực,… Theo các số liệu thống kê từ Bộ Giao thông Vận tải, thiệt hại của nạn ùn tắc giao thông gây ra cho hai thành phố lớn nhất của nước ta là thành phố Hồ Chí Minh và Hà Nội là 1,3 tỉ USD/năm và 1,2 tỉ USD/năm.1 Giải pháp giám sát tình trạng giao thông truyền thống [6] Để giải quyết tình trạng ùn tắc giao thông như hiện nay cần phải có một hệ thống giám sát tình trạng giao thông trên từng con đường với độ chính xác cao. Việc này đòi hỏi một lượng lớn thông tin giao thông thực tế với chất lượng cao trong thời gian thực. Với một nhu cầu về lượng dữ liệu đồ sộ cùng độ chính xác cao như vậy chúng ta cần có một hoặc nhiều phương pháp thu thập dữ liệu giao thông sao cho thích hợp đồng thời phải đáp ứng và đảm bảo được quá trị thu thập dữ liệu phải đạt 6 hiệu suất rất cao. Ở một số nước, họ đã phát triển và áp dụng một số phương pháp cụ thể để lấy được được một lượng lớn dữ liệu đáng kể từ đó khiến việc truy cập thông tin giao thông thời gian thực trở nên dễ dàng hơn.

Có thể kể đến một số phương pháp đã được các nước khác dùng để giám sát lưu lượng phương tiện giao thông như + Sử dụng ống nén khí: các ống này được đặt dọc lề đường để phát hiện sự thay đổi áp suất bên trong ống mỗi khi phương tiện đi qua, sự thay đổi áp suất này được ghi lại và xử lý bởi một bộ đếm nằm ở bên đường. Hạn chế chính của công nghệ này là hiệu quả của nó phụ thuộc vào điều kiện thời tiết, nhiệt độ và cơ sở hạ tầng giao thông. + Cảm biến điện áp: các cảm biến được đặt trong một rãnh dọc theo bề mặt đường của làn đường được giám sát. Hệ thống này hoạt động dựa trên nguyên tắc làm chuyển đổi năng lượng cơ học thành năng lượng điện.

Khi phương tiện lưu thông trên mặt đường, bánh xe cũng như mặt đường sẽ chịu lực và bị biến dạng một phần rất nhỏ, biến dạng cơ học của vật liệu làm thay đổi mật độ điện tích bề mặt của vật liệu. Và dòng điện này cũng sẽ được ghi lại và xử lý. + Vòng từ: các vòng từ hình vuông được đặt dưới các con đường tạo ra từ trường và từ trường này sẽ thay đổi khi có phương tiện đi qua. Thông tin về các phương tiện lưu thông được truyền đến một thiết bị đếm được đặt ở bên đường.

Tuy không bị ảnh hưởng bời thời tiết nhưng hạn chế của phương pháp này lại là tuổi thọ ngắn vì dễ hỏng hóc bởi các phương tiện có trọng lượng lớn đi ngang dễ gây tăng chi phí bảo trì và sửa chửa sau một thời gian sử dụng. + Cảm biến hồng ngoại: cảm biến này phát hiện được sự hiện diện của phương tiện giao thông, tốc độ thông qua năng lượng hồng ngoại phát ra từ bộ phát hồng ngoại của cảm biến. Hạn chế của phương án này là hiệu suất kém trong thời tiết xấu và phạm vi hoạt động trên làn đường còn khá hạn chế. + Sóng siêu âm: các thiết bị này phát hiện các phương tiện lưu thông bằng cách phát ra sóng âm thanh rồi đo thời gian để tín hiệu quay trở lại thiết bị.

Hạn chế của phương pháp này là các cảm biến siêu âm được đặt trên làn đường có thể bị ảnh hưởng bởi nhiệt độ hoặc thời tiết xấu.2 Giải pháp giám sát tình trạng giao thông áp dụng công nghệ cao Áp dụng GPS trên thế giới Tại Việt Nam, ngày 17/01/2020, Chính phủ ban hành Nghị định 10/2020/NĐ- CP quy định về kinh doanh và điều kiện kinh doanh vận tải bằng xe ô tô, có hiệu lực thi hành từ ngày 01 tháng 4 năm 2020 [7]. Việc sử dụng các thiết bị giám sát mang lại hiệu quả to lớn trong việc giám sát tình trạng giao thông. Ưu điểm lớn nhất của giải pháp này là tận dụng việc chia sẻ và khai thác dữ liệu GPS của thiết bị giám sát hành trình hiện có. Vốn dữ liệu GPS chủ yếu phục vụ quản lý và điều hành vận tải hành khách, nhưng nay được khai thác để dự báo tình trạng giao thông, phục vụ điều hành giao thông đô thị.

Giải pháp này còn ứng dụng các công nghệ tiên tiến khác để đưa ra các dự báo có tính chính xác cao, phù hợp với điều kiện giao thông thực tế [8].1: Thiết bị giám sát hành trình Tuy nhiên, việc áp dụng phương pháp này còn rất nhiều bất cập và hạn chế. Khi điều kiện kinh tế còn nghèo nàn, mức sống của người dân chưa đủ cao thì việc áp dụng thiết bị giám sát với một mức chi phí khá cao thì cũng là một vấn đề khó khăn đối với người dân. Hiện nay chúng ta chỉ mới áp dụng thiết bị giám sát cho các phương tiện có hành trình dài như xe khách, xe tải, xe bus,. Và xe máy là phương tiện lưu thông nhiều nhất tại Việt Nam thì chưa sử dụng nhiều đối với phương pháp này.

Bên cạnh đó, một số chủ xe, hợp tác xã của hãng xe vẫn còn chưa thật sự chú 8 trọng, vẫn luôn tìm những hành vi để qua mặt việc theo dõi và giám sát của các ban ngành. Với sự phát triển của nền khoa học và kỹ thuật như hiện nay, việc sở hữu và một tấm bản đồ thông minh là một nhu cầu cần thiết. Ứng dụng nổi bật nhất chính là Google Maps. Với sự hỗ trợ của GPS, Google Maps không chỉ có chức năng chỉ đường mà còn hiển thị mức độ kẹt xe tại con đường mà chúng ta muốn đến thông qua màu sắc mà chúng ta nhìn thấy.

Như trong hình bên dưới, chúng ta dễ dàng quan sát thấy màu xanh dương là tuyến đường có thể lưu thông bình thường, màu cam thể hiện lượng xe trung bình và cuối cùng là màu đỏ thể hiện đoạn đường đó đang lượng xe nhiều có thể bị kẹt xe.2: Tình trạng giao thông được xem trên Google Maps Thông qua Camera giám sát Hiện tại GPS không phải là giải pháp hợp lý để giám sát tình trạng giao thông vì trên thực tế, hệ thống này rất dễ bị qua mặt. Một người đàn ông tại Đức khi ông đã làm giả một vụ kẹt xe bằng cách kéo 99 chiếc smartphone được bật Google Maps trên một con đường và việc này dễ dàng đánh lừa hệ thống của Google khiến đoạn đường 9 này được thông báo là có tình trạng giao thông kém mặc dù trên thực tế không phải như vậy [9]. Trong những năm gần đây, cùng với sự phát triển của kỹ thuật xử lý ảnh và học sâu, việc quan sát từ xa sử dụng hình ảnh từ camera giao thông đã được chú trọng hơn. Phương pháp này rất hứa hẹn vì nó không chỉ có thể cung cấp dữ liệu ẩn danh về giao thông mà còn có thể ghi lại số xe, loại xe, tốc độ và vi phạm giao thông.

Năm 2017, có 500 triệu camera giám sát trên toàn thế giới, sản xuất hàng tỷ gigabyte dữ liệu hàng tuần và con số này tăng gấp đôi sau mỗi 2 năm.