Xây Dựng Ứng Dụng Dự Đoán Biển Số Xe Bằng Thuật Toán Nhận Dạng Đối Tượng

Luận văn thạc sĩ CNTT: Xây dựng ứng dụng dự đoán biển số xe thông minh bằng thuật toán nhận dạng đối tượng. Giải pháp hiệu quả cho giao thông đô thị.

• Tác giả: Nguyễn Tường Duy
• Người hướng dẫn: TS. Nguyễn Tấn Cầm
• Trường học: Đại học Quốc gia TP HCM Trường Đại học Công nghệ Thông tin
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Xây dựng ứng dụng dự đoán biển số xe bằng thuật toán nhận dạng đối tượng
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: TONG QUAN VE DE TÀI
• 1.1. GIỚI THIỆU ĐỀ TÀI
• 1.1.1. Giới thiệu đề tài
• 1.1.2. Mục tiêu nghiên cứu
• 1.1.3. Đối tượng và phạm vi nghiên cứu
• 1.2. TÔNG QUAN TINH HÌNH NGHIÊN CỨU
• 1.2.1. Giới thiệu chung
• 1.2.2. Tình hình nghiên cứu các công trình — dự án trong nước
• 1.2.3. Tình hình nghiên cứu các công trình - dự án nước ngoài
• 1.2.4. Những tồn tại cần giải quyết
• 2. CHƯƠNG 2: KIÊN THỨC NỀN TẢNG
• 2.1. Tổng quan về trí tuệ nhân tạo và máy học
• 2.2. Một số thuật toán máy học phổ biến
• 3. CHƯƠNG 3: THU THẬP VÀ XÂY DỰNG BỘ DỮ LIỆU
• 3.1. Bộ dữ liệu thu thập sử dụng cho máy học
• 3.1.1. Nguồn cung cấp dữ liệu
• 3.1.2. Mô tả bộ dữ liệu thu thập dùng cho máy học
• 3.2. Đánh giá và xây dựng bộ dữ liệu chuẩn
• 4. CHƯƠNG 4: PHƯƠNG PHÁP VÀ THỰC NGHIỆM CÁC THUẬT TOÁN MÁY HỌC DỰ ĐOÁN
• 4.1. Các chỉ số đánh giá thuật toán
• 4.2. Môi trường dùng cho huấn luyện máy học
• 4.3. Thực nghiệm và đánh giá
• 4.3.1. Thực nghiệm kiểm tra heatmap với thuật toán CNN
• 4.3.2. Tăng cường dữ liệu Data Augmentation
• 4.3.3. Gán nhãn dữ liệu - dùng Labeling tool
• 4.3.4. Huấn luyện bằng thuật toán You Only Look Once (YOLO)
• 4.3.5. Huấn luyện bằng thuật toán Single Shot Detector (SSD)
• 4.3.6. Tổng hợp kết quả
• 5. CHƯƠNG 5: TRIỂN KHAI ỨNG DỤNG DỰ ĐOÁN BIỂN SỐ XE BẰNG THUẬT TOÁN NHẬN DẠNG ĐỐI TƯỢNG
• 5.1. Mô hình ứng dụng dự đoán biển số xe
• 5.2. Giao diện ứng dụng dự đoán biển số xe
• 5.2.1. Màn hình chính
• 5.2.2. Trang thống kê
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Những thuận lợi và khó khăn
• 6.2. Kết quả đạt được
• 6.3. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Luận Văn Dự Đoán Biển Số Xe Bằng AI Giới Thiệu 55 Ký Tự

Luận văn thạc sĩ về ứng dụng dự đoán biển số xe bằng AI mở ra một hướng đi mới trong việc quản lý và giám sát giao thông. Việc quản lý phương tiện cơ giới thông qua nhận dạng biển số là phương pháp hiệu quả để xác định thông tin chi tiết về xe như loại phương tiện, màu sắc, năm sản xuất, nguồn gốc, hạn đăng kiểm và chủ sở hữu. Điều này đặc biệt quan trọng trong việc quản lý và thống kê phương tiện tại các khu vực như bãi đỗ xe, kho bãi, bến cảng và khu dân cư. Hiện nay, các phương pháp quản lý truyền thống còn nhiều hạn chế. Yêu cầu đặt ra là cần có một hệ thống quản lý phương tiện hiệu quả, chính xác, nhanh chóng, giảm thiểu sai sót và ít phụ thuộc vào các thiết bị chuyên dụng. Luận văn này tập trung vào nghiên cứu và phát triển ứng dụng dự đoán biển số xe bằng thuật toán nhận dạng đối tượng, áp dụng công nghệ học máy để quản lý phương tiện ra vào các khu vực như bãi giữ xe, khu dân cư, bến cảng.

1.1. Mục tiêu Nghiên Cứu Xây Dựng Hệ Thống Quản Lý Thông Minh

Mục tiêu chính của luận văn là xây dựng một hệ thống quản lý dữ liệu thông minh, có khả năng dự đoán biển số xe và xác định thông tin phương tiện một cách chính xác. Hệ thống này sẽ sử dụng camera giám sát hiện có, giảm sự phụ thuộc vào các thiết bị chuyên dụng như vòng từ cảm biến hoặc camera đọc biển số. Điều này giúp giảm chi phí đầu tư ban đầu và giảm thiểu thời gian bảo trì. Hệ thống hướng đến việc quản lý phương tiện một cách hiệu quả hơn thông qua camera giám sát đã được trang bị, không phụ thuộc vào các thiết bị chuyên dụng: vòng từ cảm biến, camera đọc biển số. Giúp giảm chi phí đầu tư và giảm thời gian bảo trì. Phạm vi nghiên cứu của luận văn: Phương tiện tham gia giao thông vào chợ đầu mối Thủ Đức có thông tin biển số bị che khuất và khảo sát trên 100 phương tiện vào chợ nhiều nhất.

1.2. Đối tượng và Phạm vi Chợ Đầu Mối Thủ Đức Ứng Dụng Thực Tế

Đối tượng nghiên cứu chính bao gồm bộ dữ liệu về thông tin xe cơ giới từ bộ giao thông vận tải, hình ảnh xe vào chợ từ năm 2017 đến 2019 được thu thập từ camera giám sát tại các làn soát vé, và mô hình dự đoán biển số phương tiện. Phạm vi nghiên cứu được giới hạn trong việc áp dụng ứng dụng vào Chợ Đầu Mối Thủ Đức. Dự án sử dụng bộ dữ liệu hình ảnh xe nhập chợ từ năm 2017 đến 2019 là hình ảnh được truyền về từ các camera giám sát đặt tại các làn soát vé. Dựa trên bộ dữ liệu thu thập, luận văn tiến hành chuẩn hoá dit liệu cho dữ liệu đầu vào và dữ liệu đầu ra cho mô hình dự đoán biển số các phương tiện. Mô hình dự đoán biển số phương tiện. Ứng dụng: dự đoán biên số và thông kê phương tiện tham gia vào Chợ đầu mối Thủ Đức. Phạm vi nghiên cứu của luận văn: Phương tiện tham gia giao thông vào chợ đầu mối Thủ Đức có thông tin biển số bị che khuất và khảo sát trên 100 phương tiện vào chợ nhiều nhất.

II. Thách Thức Quản Lý Giao Thông Giải Pháp Nhận Dạng AI 58 Ký Tự

Việc quản lý phương tiện giao thông hiệu quả là một bài toán khó, đặc biệt ở các thành phố lớn, khu công nghiệp, bến cảng và chợ đầu mối. Tình trạng ùn tắc, mất an ninh trật tự và tốn thời gian xử lý là những vấn đề thường gặp. Giải pháp quản lý phương tiện cần đáp ứng các tiêu chí: độ chính xác cao, thời gian xử lý nhanh, bảo trì dễ dàng và ít phụ thuộc vào thiết bị chuyên dụng. Tuy nhiên, những nghiên cứu có nội dung tương tự với luận văn này thường gặp các nhược điểm là Biển số phải đúng quy cách, khoảng cách, tốc độ di chuyển và điều kiện thời tiết thuận lợi, ánh sáng tốt. Hoặc phụ thuộc vào thiết bị, phần cứng - chi phí đầu tư cao.vn k GSP® - AV Consultant | Audio Visual & Video Conferencing

2.1. Hạn Chế Của Các Giải Pháp Hiện Tại Chi Phí và Độ Phức Tạp

Các công trình và dự án quản lý phương tiện giao thông hiện nay thường đòi hỏi chi phí đầu tư cao và công tác bảo trì phức tạp. Hiệu quả khai thác và sử dụng chưa đạt mức tối ưu. Các hệ thống thu phí đang vận hành tại các trạm thu phí và các dịch vụ lưu giữ kho bãi còn nhiều hạn chế. Công nghệ License Plate Recognition — LPR‘, phát triển bởi FPT Software hoạt động tốt với biển số Việt Nam và Nhật Ban, LPR dùng công nghệ Phân đoạn và chỉnh lưu nhận dạng ký tự quang học: chuyển đổi hình ảnh có nội dung văn bản thành định dạng văn bản mà máy tính có thé có thé đọc được, Recognizing License Plates in Real-Time [10].

2.2. Tồn Tại Cần Giải Quyết Phụ Thuộc Phần Cứng Thiếu Chuyên Biệt

Các giải pháp và dự án đã triển khai về nhận dạng biển số xe thường mang lại hiệu quả trong quản lý và thống kê. Tuy nhiên, vẫn còn nhiều giới hạn: phụ thuộc vào thiết bị phần cứng, chi phí triển khai dự án cao, khó khăn trong bảo trì, phụ thuộc vào qui cách biển số. Nhu cầu chuyên biệt hoá của doanh nghiệp chưa được quan tâm.

III. Phương Pháp Học Máy Cách Xây Dựng Ứng Dụng AI 56 Ký Tự

Luận văn sử dụng phương pháp học máy để xây dựng ứng dụng dự đoán biển số xe. Công nghệ này đang được tích hợp rộng rãi trong nhiều lĩnh vực khác nhau. Máy học cũng được áp dụng nhiều trong những ngành khoa học/công nghiệp sản xuất với nguồn dữ liệu lớn có sẵn, các ứng dụng điển hình dé giải quyết các bài toán thực tiễn như: e Xử lý ngôn ngữ tự nhiên (Natural Language Processing): xử lý văn bản, phát hiện ngôn từ đả kích, phát ngôn tiêu cực trên mang xã hội,. Việc ứng dụng máy học ngày càng phát triển đã mang đến nhiều đột phá lớn cho nhân loại.

3.1. Tổng Quan Về Trí Tuệ Nhân Tạo Tiềm Năng Ứng Dụng Rộng Rãi

Trí tuệ nhân tạo đang được tích hợp vào nhiều thiết bị máy tính và điện tử. Nghiên cứu và tích hợp công nghệ, kỹ thuật máy học được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau. Việc này cũng được áp dụng nhiều trong những ngành khoa học/công nghiệp sản xuất với nguồn dữ liệu lớn có sẵn, các ứng dụng điển hình dé giải quyết các bài toán thực tiễn như: e Xử lý ngôn ngữ tự nhiên (Natural Language Processing): xử lý văn bản, phát hiện ngôn từ đả kích, phát ngôn tiêu cực trên mang xã hội,.

3.2. Các Thuật Toán Học Máy Phân Loại Hình Ảnh Nhận Dạng Đối Tượng

Luận văn nghiên cứu và sử dụng các thuật toán học máy phổ biến như phân loại hình ảnh (classification) trong thị giác máy tính. Classification trong Thị giác máy tính Phân loại “Image Classification with Classic and Deep Learning Techniques [4]”, “Developing an Image Classification Model Using CNN [5]” là một nh...

IV. Xây Dựng Bộ Dữ Liệu Chuẩn Bước Quan Trọng Dự Đoán AI 57 Ký Tự

Để huấn luyện mô hình AI hiệu quả, việc thu thập và xây dựng một bộ dữ liệu chuẩn là vô cùng quan trọng. Bộ dữ liệu này cần đảm bảo tính đầy đủ, chính xác và đại diện cho các tình huống thực tế. Trong luận văn này, dữ liệu được thu thập từ nhiều nguồn khác nhau, bao gồm hình ảnh phương tiện tại Chợ Đầu Mối Thủ Đức và thông tin đăng kiểm từ cục đăng kiểm. Quá trình thu thập, đánh giá và chuẩn hóa dữ liệu là một phần không thể thiếu để đảm bảo chất lượng và hiệu quả của mô hình dự đoán biển số xe.

4.1. Nguồn Cung Cấp Dữ Liệu Camera Giám Sát Cục Đăng Kiểm

Dữ liệu được thu thập từ hình ảnh phương tiện giao thông vào chợ đầu mối Thủ Đức, hình ảnh được lưu lại từ camera giám sát tại các quầy soát vé (Hệ thống thu phí bán tự động đang hoạt động). Đồng thời, luận văn còn thu thập thêm dữ liệu từ cục đăng kiểm làm nền tản xác định thông tin phương tiện.

4.2. Đánh Giá và Chuẩn Hóa Đảm Bảo Chất Lượng Dữ Liệu Huấn Luyện

Dữ liệu thu thập được, hệ thống sẽ lưu trữ, phân tích, áp dụng kỹ thuật máy học để xây dựng một mô hình với thuật toán có thông số phù hợp trên bộ dữ liệu huấn luyện để phát triên mô hình dự đoán.

V. Thực Nghiệm Thuật Toán Tối Ưu Mô Hình Nhận Dạng 52 Ký Tự

Luận văn thực hiện nhiều thí nghiệm khác nhau với các thuật toán học máy để tìm ra mô hình tối ưu cho bài toán nhận diện biển số xe. Các thí nghiệm bao gồm kiểm tra heatmap với thuật toán CNN, tăng cường dữ liệu Data Augmentation, gán nhãn dữ liệu bằng Labeling tool, huấn luyện bằng thuật toán YOLO và SSD. Mục tiêu là đánh giá hiệu năng của từng thuật toán và tìm ra sự kết hợp phù hợp nhất để đạt được độ chính xác cao nhất.

5.1. Môi Trường Huấn Luyện Thông Số Kỹ Thuật Cấu Hình Phần Cứng

Luận văn cần cung cấp thông tin chi tiết về môi trường huấn luyện, bao gồm cấu hình phần cứng (CPU, GPU, RAM) và phần mềm (hệ điều hành, thư viện, framework) được sử dụng. Thông tin này giúp người đọc hiểu rõ hơn về điều kiện thực nghiệm và có thể tái tạo lại kết quả.

5.2. Tăng Cường Dữ Liệu Nâng Cao Độ Ổn Định Giảm Overfitting

Kỹ thuật Data Augmentation được sử dụng để tăng cường số lượng và độ đa dạng của dữ liệu huấn luyện. Điều này giúp mô hình học được các đặc trưng quan trọng hơn và giảm thiểu tình trạng overfitting (học thuộc lòng dữ liệu huấn luyện).

5.3. YOLO và SSD So Sánh Đánh Giá Hiệu Năng Thực Tế

Hai thuật toán YOLO (You Only Look Once) và SSD (Single Shot Detector) được sử dụng để phát hiện và nhận diện biển số xe. Luận văn cần so sánh và đánh giá hiệu năng của hai thuật toán này dựa trên các chỉ số như độ chính xác, tốc độ xử lý và khả năng hoạt động trong các điều kiện khác nhau.

VI. Ứng Dụng Thực Tế Hệ Thống Quản Lý Phương Tiện Thông Minh 59 Ký Tự

Kết quả nghiên cứu được ứng dụng để xây dựng một hệ thống quản lý phương tiện thông minh, có khả năng dự đoán biển số xe và cung cấp thông tin chi tiết về phương tiện. Hệ thống này có thể được sử dụng trong nhiều lĩnh vực khác nhau, như quản lý bãi đỗ xe, giám sát giao thông, thu phí tự động và an ninh giao thông. Giao diện ứng dụng được thiết kế thân thiện, dễ sử dụng, giúp người dùng dễ dàng thao tác và truy xuất kết quả. Luận văn sẽ đưa ra một mô hình có thuật toán phụ hợp để ứng dụng tổng quát cho dự đoán biển số phương tiện. Kết quả dự đoán sẽ được trực quan hóa lên giao diện ứng dụng Windows Form Application (.Net Framework) và người sử dụng có thể thao tác dễ dàng và truy xuất kết quả nhanh chóng.

6.1. Mô Hình Ứng Dụng Kiến Trúc Tổng Quan Quy Trình Hoạt Động

Luận văn cần mô tả chi tiết về kiến trúc tổng quan của hệ thống, bao gồm các thành phần chính (camera, máy chủ, cơ sở dữ liệu, giao diện người dùng) và quy trình hoạt động của hệ thống (thu thập hình ảnh, xử lý, dự đoán, hiển thị thông tin).

6.2. Giao Diện Ứng Dụng Thiết Kế Thân Thiện Dễ Sử Dụng

Giao diện ứng dụng được thiết kế thân thiện, dễ sử dụng, giúp người dùng dễ dàng thao tác và truy xuất kết quả. Màn hình chính cung cấp thông tin tổng quan về các phương tiện đã được nhận diện, trong khi trang thống kê cung cấp các báo cáo và biểu đồ trực quan.

6.3. Kết Quả Đạt Được Độ Chính Xác Tốc Độ Xử Lý Tính Ổn Định

Luận văn cần trình bày rõ ràng các kết quả đạt được, bao gồm độ chính xác của mô hình dự đoán, tốc độ xử lý và tính ổn định của hệ thống trong các điều kiện khác nhau. Cần đưa ra các số liệu cụ thể và so sánh với các phương pháp khác để đánh giá hiệu quả của hệ thống.

VII. Kết Luận và Hướng Phát Triển Tương Lai Công Nghệ AI 58 Ký Tự

Luận văn kết luận về những thành công và hạn chế của nghiên cứu, đồng thời đề xuất các hướng phát triển tiềm năng trong tương lai. Công nghệ dự đoán biển số xe bằng AI có tiềm năng to lớn trong việc cải thiện hiệu quả quản lý giao thông và nâng cao an ninh trật tự. Nghiên cứu này góp phần vào sự phát triển của hệ thống giao thông thông minh.

7.1. Thuận Lợi và Khó Khăn Kinh Nghiệm Nghiên Cứu Bài Học Rút Ra

Luận văn cần trình bày các thuận lợi và khó khăn trong quá trình nghiên cứu, từ đó rút ra những kinh nghiệm và bài học quý giá cho các nghiên cứu tiếp theo. Điều này giúp người đọc hiểu rõ hơn về những thách thức và cơ hội trong lĩnh vực này.

7.2. Hướng Phát Triển Tối Ưu Thuật Toán Mở Rộng Ứng Dụng

Luận văn cần đề xuất các hướng phát triển tiềm năng, như tối ưu hóa thuật toán để nâng cao độ chính xác và tốc độ xử lý, mở rộng ứng dụng sang các lĩnh vực khác (ví dụ: quản lý bãi đỗ xe thông minh, thu phí không dừng), và tích hợp với các hệ thống thông tin khác (ví dụ: hệ thống quản lý giao thông, hệ thống an ninh công cộng).

Nội dung chính

Tổng quan nghiên cứu

Quản lý phương tiện giao thông tại các khu vực có mật độ cao như chợ đầu mối, bến cảng, kho bãi luôn là thách thức lớn đối với các cơ quan quản lý. Theo ước tính, mỗi phiên làm việc 24 giờ tại chợ đầu mối Thủ Đức có khoảng 3.000 lượt phương tiện ra vào, trong đó phần lớn là xe tải và xe container chuyên dụng. Việc nhận dạng chính xác biển số xe đóng vai trò then chốt trong quản lý, giúp kiểm soát lưu lượng, đảm bảo an ninh trật tự và tối ưu hóa chi phí vận hành. Tuy nhiên, các hệ thống thu phí bán tự động hiện nay còn nhiều hạn chế như phụ thuộc thiết bị chuyên dụng, chi phí đầu tư cao, khó khăn trong bảo trì và tỷ lệ nhận dạng sai hoặc không nhận dạng được biển số do ảnh hưởng của điều kiện ánh sáng, biển số bị che khuất hoặc biến dạng.

Mục tiêu nghiên cứu là xây dựng ứng dụng dự đoán biển số xe bằng thuật toán nhận dạng đối tượng, áp dụng công nghệ máy học để nâng cao độ chính xác và giảm sự phụ thuộc vào thiết bị phần cứng chuyên dụng. Phạm vi nghiên cứu tập trung vào dữ liệu hình ảnh phương tiện tại chợ đầu mối Thủ Đức trong giai đoạn 2017-2019, với hơn 100 phương tiện được khảo sát kỹ lưỡng. Kết quả nghiên cứu không chỉ góp phần cải thiện hiệu quả quản lý phương tiện mà còn giảm thiểu chi phí vận hành và thời gian bảo trì hệ thống.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

• Trí tuệ nhân tạo và máy học (AI & Machine Learning): Nghiên cứu ứng dụng các thuật toán học sâu (deep learning) trong nhận dạng hình ảnh, đặc biệt là các mô hình mạng nơ-ron tích chập (CNN) để trích xuất đặc trưng và phân loại đối tượng.
• Thuật toán nhận dạng đối tượng (Object Detection): Sử dụng các mô hình tiên tiến như YOLO (You Only Look Once) và SSD (Single Shot Detector) để phát hiện và nhận dạng biển số xe trong ảnh.
• Tăng cường dữ liệu (Data Augmentation): Áp dụng các kỹ thuật như dịch chuyển, tăng giảm sáng, làm mờ, gây nhiễu để mở rộng bộ dữ liệu huấn luyện, giúp mô hình học được các biến thể thực tế của biển số xe.
• Đánh giá mô hình: Sử dụng các chỉ số như độ chính xác (accuracy), sai số bình phương trung bình (RMSE), và mean Average Precision (mAP) để đánh giá hiệu quả mô hình.

Phương pháp nghiên cứu

• Nguồn dữ liệu: Bộ dữ liệu hình ảnh phương tiện thu thập từ camera giám sát tại các quầy soát vé chợ đầu mối Thủ Đức, kết hợp với dữ liệu đăng kiểm từ Cục Đăng Kiểm Việt Nam. Dữ liệu bao gồm hình ảnh và thông tin chi tiết về loại phương tiện, biển số, hạn đăng kiểm, tải trọng.
• Cỡ mẫu: Lựa chọn 100 phương tiện có lượt vào chợ nhiều nhất trong giai đoạn 2017-2019, trong đó 20 phương tiện được nhận dạng chính xác và 80 phương tiện có nhận dạng sai hoặc không nhận dạng được.
• Phương pháp phân tích: Tiền xử lý dữ liệu, gán nhãn bằng công cụ LabelImg, tăng cường dữ liệu, huấn luyện mô hình YOLO và SSD trên môi trường Colaboratory với GPU NVIDIA, sử dụng thư viện TensorFlow và Keras.
• Timeline nghiên cứu: Thu thập và chuẩn hóa dữ liệu trong 6 tháng đầu, huấn luyện và đánh giá mô hình trong 4 tháng tiếp theo, triển khai ứng dụng và thử nghiệm thực tế trong 2 tháng cuối.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

• Mô hình YOLO đạt độ chính xác nhận dạng (accuracy) lên đến 98% trên bộ dữ liệu kiểm thử, với thời gian huấn luyện khoảng 45 giờ 35 phút.
• Mô hình SSD đạt mAP khoảng 77,93% sau 55 giờ 5 phút huấn luyện, thấp hơn so với YOLO nhưng có ưu điểm về tốc độ xử lý.
• Hệ thống thu phí bán tự động hiện tại có hiệu suất hoạt động từ 68% đến 72%, thấp hơn nhiều so với mô hình máy học đề xuất.
• Tăng cường dữ liệu giúp cải thiện đáng kể độ chính xác nhận dạng trong các điều kiện ánh sáng và thời tiết khác nhau, giảm tỷ lệ nhận dạng sai do biển số bị che khuất hoặc biến dạng.

Thảo luận kết quả

Nguyên nhân chính dẫn đến sự khác biệt về hiệu quả giữa các mô hình là khả năng xử lý thời gian thực và trích xuất đặc trưng của từng thuật toán. YOLO với kiến trúc mạng Darknet cho phép nhận dạng nhanh và chính xác hơn, phù hợp với môi trường có lưu lượng xe lớn như chợ đầu mối. SSD tuy có độ chính xác thấp hơn nhưng vẫn đáp ứng được yêu cầu xử lý nhanh, có thể được sử dụng trong các ứng dụng cần tốc độ cao hơn.

So sánh với các nghiên cứu trong nước và quốc tế, kết quả của luận văn cho thấy sự cải tiến rõ rệt về độ chính xác và tính ổn định trong nhận dạng biển số xe, đặc biệt trong các trường hợp biển số bị che khuất hoặc ảnh hưởng bởi điều kiện môi trường. Dữ liệu được trình bày qua các biểu đồ mAP, accuracy và loss function minh họa rõ sự tiến bộ của mô hình qua các epoch huấn luyện.

Đề xuất và khuyến nghị

• Triển khai rộng rãi mô hình YOLO trong hệ thống quản lý phương tiện tại các chợ đầu mối và bến cảng nhằm nâng cao độ chính xác nhận dạng biển số, giảm thiểu sai sót trong quản lý.
• Tăng cường đào tạo và cập nhật dữ liệu định kỳ để mô hình thích nghi với các biến đổi về biển số và điều kiện môi trường, đảm bảo độ chính xác trên 95% trong vòng 12 tháng.
• Phát triển ứng dụng trên nền tảng di động và thiết bị nhúng như PDA để mở rộng phạm vi kiểm soát, tăng cường khả năng giám sát tại các điểm kiểm soát phụ trợ.
• Giảm sự phụ thuộc vào thiết bị phần cứng chuyên dụng bằng cách sử dụng các camera phổ biến và thuật toán nhận dạng đối tượng, giúp tiết kiệm chi phí đầu tư và bảo trì trong vòng 6-12 tháng.
• Xây dựng hệ thống báo cáo và thống kê tự động hỗ trợ quản lý theo ca làm việc, giúp nâng cao hiệu quả quản lý và giảm chi phí vận hành.

Đối tượng nên tham khảo luận văn

• Các nhà quản lý giao thông và bến bãi: Nắm bắt công nghệ mới để nâng cao hiệu quả quản lý phương tiện, giảm ùn tắc và sai sót trong kiểm soát.
• Nhà phát triển phần mềm và kỹ sư AI: Tham khảo mô hình và phương pháp huấn luyện thuật toán nhận dạng đối tượng, áp dụng vào các bài toán tương tự trong lĩnh vực thị giác máy tính.
• Các tổ chức nghiên cứu và đào tạo: Sử dụng luận văn làm tài liệu tham khảo cho các khóa học về trí tuệ nhân tạo, học máy và ứng dụng trong giao thông.
• Doanh nghiệp cung cấp giải pháp công nghệ: Tìm hiểu về ứng dụng thực tế của AI trong quản lý phương tiện để phát triển sản phẩm phù hợp với thị trường Việt Nam.

Câu hỏi thường gặp

1. Mô hình YOLO và SSD khác nhau như thế nào trong nhận dạng biển số xe?
   YOLO ưu tiên tốc độ và độ chính xác cao, phù hợp với môi trường có lưu lượng xe lớn, trong khi SSD có tốc độ xử lý nhanh hơn nhưng độ chính xác thấp hơn, thích hợp cho các ứng dụng cần phản hồi nhanh.

2. Tại sao cần tăng cường dữ liệu trong huấn luyện mô hình?
   Tăng cường dữ liệu giúp mô hình học được các biến thể thực tế như ánh sáng thay đổi, biển số bị che khuất hoặc biến dạng, từ đó nâng cao độ chính xác và khả năng tổng quát hóa.

3. Phạm vi dữ liệu nghiên cứu bao gồm những gì?
   Dữ liệu gồm hình ảnh phương tiện từ camera giám sát và thông tin đăng kiểm từ Cục Đăng Kiểm Việt Nam, tập trung vào 100 phương tiện có lượt vào chợ nhiều nhất trong giai đoạn 2017-2019.

4. Làm thế nào để xử lý các trường hợp biển số bị che khuất hoặc biến dạng?
   Sử dụng mô hình nhận dạng đối tượng kết hợp với kỹ thuật tăng cường dữ liệu và huấn luyện lại mô hình định kỳ để cải thiện khả năng nhận dạng trong các trường hợp đặc biệt.

5. Ứng dụng của nghiên cứu này trong thực tế là gì?
   Giúp nâng cao hiệu quả quản lý phương tiện tại các chợ đầu mối, bến cảng, giảm chi phí vận hành, tăng độ chính xác nhận dạng và giảm sự phụ thuộc vào thiết bị phần cứng chuyên dụng.

Kết luận

• Đã xây dựng thành công mô hình dự đoán biển số xe sử dụng thuật toán nhận dạng đối tượng với độ chính xác lên đến 98% (YOLO).
• Mô hình SSD cũng được triển khai với mAP đạt gần 78%, cung cấp lựa chọn thay thế phù hợp với yêu cầu tốc độ.
• Ứng dụng thực tế tại chợ đầu mối Thủ Đức cho thấy khả năng giảm sai sót nhận dạng và cải thiện hiệu quả quản lý phương tiện.
• Giải pháp giảm sự phụ thuộc vào thiết bị chuyên dụng, tiết kiệm chi phí đầu tư và bảo trì.
• Đề xuất mở rộng triển khai, cập nhật dữ liệu định kỳ và phát triển ứng dụng trên thiết bị di động để nâng cao hiệu quả quản lý giao thông.

Hãy bắt đầu áp dụng công nghệ nhận dạng biển số xe bằng máy học để nâng cao hiệu quả quản lý phương tiện và tối ưu hóa chi phí vận hành ngay hôm nay!

Trích đoạn nội dung tài liệu

Chương I luận văn giới thiệu đề tài, mục tiêu và đối tượng nghiên cứu, giới thiệu các công nghệ về nhận dạng biển số tại việt nam và nước ngoài. Qua đó, liệt kê những tôn tại chưa được giải quyết và các mat hạn chế trên các hệ thống thu phi đang vận hành tại các trạm thu phí và các dịch vụ lưu giữ kho, bãi. GIỚI THIỆU ĐÈ TÀI 1. Giới thiệu đề tài Quản lý phương tiện giao thông là van đề được quan tâm tại các thành phố có mật độ dân cư và phương tiện giao thông nhiều.

Tại nhiều thành phó, các khu công nghiệp, bến cảng, kho bãi, các trung tâm thương mại, chợ đầu mối có mật độ phương tiện tham gia giao thông lớn, cần có giải pháp quản lý phương tiện dé tránh tình trang ùn tắc, gây mat an ninh trật tự, mắt nhiều thời gian xữ lý. Do đó, cần giải pháp quản lý hiệu quả có độ chính xác cao, thời gian xử lý nhanh, công tác bảo trì dé dàng, it phụ thuộc vào thiết bị chuyên dụng gây tốn kém. 'Hinh 1: Phương tiện xếp hàng vào chợ dau mối Thi Đức.vn/hang-ngan-xe-tai-ba-gac-do-ve-cho-dau-moi-thu-duc- truoc-gio-g- Mục tiêu nghiên cứu Luận văn hướng đến xây dựng một hệ thống quản lý đữ liệu, dự đoán biển số và xác định thông tin của phương tiện khi tham gia hoạt động giao thông tại các kho, bến thông qua hệ thông camera giám sát đã được trang ¡, không phụ thuộc vào các thiết bị chuyên dụng: vòng từ cảm biến, camera đọc biển số. Giúp giảm chỉ phí đầu tư và giảm thời gian bảo trì.

Đối tượng và phạm vi nghiên cứu Đối tượng nghiên cứu: Bộ dữ liệu về thông tin xe cơ giới của bộ giao thông vận tải nhằm hỗ trợ kiêm tra thông tin đăng kiểm, tải trọng, số ghế, " Bộ dữ liệu về hình ảnh xe nhập chợ từ năm 2017 đến 2019 là hình ảnh được truyền về từ các camera giám sát đặt tại các làn soát vé. Dựa trên bộ dữ liệu thu thập, luận văn tiến hành chuẩn hoá dit liệu cho dữ liệu đầu vào và dữ liệu đầu ra cho mô hình dự đoán biển số các phương tiện. Mô hình dự đoán biển số phương tiện. Ứng dụng: dự đoán biên số và thông kê phương tiện tham gia vào Chợ đầu mối Thủ Đức.

Phạm vi nghiên cứu của luận văn: Phương tiện tham gia giao thông vào chợ đầu mối Thủ Đức có thông tin biển số bị che khuất và khảo sát trên 100 phương tiện vào chợ nhiều nhất. TONG QUAN TINH HÌNH NGHIÊN CỨU 2. Giới thiệu chung Thực tế có nhiều công trình và dự án quản lý phương tiện giao thông từ camera giám sát đã được triển khai và đang hoạt động. Tuy nhiên, tính đặc trưng cho từng nhu cầu riêng biệt thì chưa được thực hiện, việc đầu tư hạ tầng chi phí cao, công tác bảo trì, bảo dưỡng mất nhiều thời gian nên nhu cầu khai thác và sử dụng từ các công trình, dự án thực tế chỉ đạt mức trung bình và còn nhiều mặt hạn chế.

Tình hình nghiên cứu các công trình — dự án trong nước. Một số công trình, dự án đã được triển khai và đang vận hành tại Việt Nam như: e Công ty TNHH Tin Học - Công Nghệ Hoang Vân? cung cấp “GIẢI PHÁP NHẬN DẠNG BIÊN SỐ XE TỰ ĐỘNG ANPR” (Thuật toán “Automatic Number Plate Recognition - ANPR*’, thường được chia thành bốn bước: (1) Chup ảnh phương tiện, (2) Phát hiện biển sé, (3) Phân đoạn ký tự và (4) Nhận dang ký tự, Automatic Number Plate Recognition (ANPR) [24]). © License Plate Recognition — LPR‘, phát triển bởi FPT Software hoạt động tốt với biển số Việt Nam và Nhật Ban, LPR dùng công nghệ Phân đoạn và chỉnh lưu nhận dạng ký tự quang học: chuyển đổi hình ảnh có nội dung văn bản thành định dạng văn bản mà máy tính có thé có thé đọc được, Recognizing License Plates in Real-Time [10]. ® Nhận dạng biển số xe tự động dùng công nghệ nhận dạng quang học được cơ quan chức năng dùng quan sát giao thông của công dân.

Được ứng dụng rộng rãi dé giám sát các bãi đỗ xe như bãi giữ xe trường học, siêu thị,. 'Website:https://hoangvanco.vn Tài liệu tham khảo [24] Website: https://www.com/innovation-hub/license-plate-recognition/ 14 e NHẬN DIỆN BIEN SO XE MO CONG THONG MINH Š dùng Camera AI View kết hợp thiết bị điện thông minh SH-C2Z và động cơ mở cửa cổng đề kiểm soát do “BKAV Smart HOME” phátt e_ CAMERA NHẬN DIỆN BIEN SO XE 5 qua thẻ từ RFID với tiếp xúc không chạm - Mỗi một phương tiện sẽ được cấp một thẻ RFID chứa các thông tin như họ tên chủ phương tiện, số CMT/CCCD người sở hữu, loại phương tiện, biển số phương tiện. Thông tin sẽ được lưu vào hệ thống thông qua phần mềm chuyên dụng. Những nghiên cứu có nội dung tương tự với luận văn này: Đề tài Ưu điểm Nhược điểm - Nhận dạng biển số - Nhận dạng ký tự trên phương tiện thông qua công _ | biển số và bỏ qua các nghệ nhận dạng ký tự yếu tô đặc trưng, dấu quang học - OCR, giải pháp _ | hiệu riêng.

được tích hợp vào phần GIẢI PHÁP b R - Biển số phải đúng quy. cứng(camera chuyên dụng. NHẬN DẠNG cách, khoảng cach, toc mm „ | đọc ký tự quang học). A ñ BIEN SỐ XE TỰ độ di chuyên và điêu ĐỘNG ANPR - Kết hợp với bộ cảm biến kiện thời tiết thuận lợi — từ, giải pháp hoàn chỉnh ánh sáng tốt.

phục vụ công việc quản lý. : - Phụ thuộc vào thiết bi, phương tiện. ` ` phân cứng - chi phí dau tư cao.vn k GSP® - AV Consultant | Audio Visual & Video Conferencing 15 - Nhận dạng biển số theo. - Nhận dạng ký tự trên thời gian thật, ảnh chuyền biển số và bỏ qua các động.

yếu tố đặc trưng, dấu License Plate hiệu riêng. Recognition - - Tích hợp máy học vào bài LPR, giải pháp do _ | toán nhận dạng ký tự. - Biển số phải đúng quy ô : cách, khoảng cách và công ty FPT - Tốc độ xử lý nhanh, ft pho |. as de 2 A A liêu kiện thời tiêt thuận software cung cap thuộc vào thiét bi chuyên Loe.

lợi, giúp nhận dang tot. - Dễ bảo tri, bảo dưỡng. Bảng 1: Bảng đánh giá so sánh những đề tài tương tự với luận văn. Tình hình nghiên cứu các công trình - dự án nước ngoài.

e Automatic license plate recognition (ALPR) được phát trién boi NVIDIA’. Dựa vào công nghệ ‘NVIDIA TAO TOOLKIT”, kết hợp giữa 2 mô hình License Plate Detection - LPD xác định khu vực, vùng có biển số và License Plate Recognition - LPR đọc thông tin biển số từ vùng xác định dựa vào công nghệ nhận dạng các ký tự quang học có tốc độ xữ lý nhanh, đáp ứng được nhu cầu nhận dang bién số theo thời gian thuc, phuong tién di chuyển, phù hợp ứp dụng vào quan lý phương tiện giao thông tại các Thanh Phó, Đô Thị, Bến Cảng. © Công Nghệ DTK LPR SDK phát triển bởi “DKTSoft” - Ung dụng nhận dang biển số phương tiện với nguồn dữ liệu là các video từ nhiều camera giám sát khác nhau, Công Nghệ DTK LPR SDK cung cấp giải pháp nhận dạng ký tự biển số của nhiều quốc gia khác nhau(Automatic Number Plate Recognition/License Plate Recognition [24]).com https://www. Những tồn tại cần giải quyết Những giải pháp và các dự án đã triển khai về nhận dạng bién số phương tiện hiện mang lại hiệu quả tốt trong công tác quản lý và thống kê.

Tuy nhiên, vẫn còn nhiều giới hạn như là: phụ thuộc vào thiết bị phần cứng, chỉ phí triển khai dự án cao, khó khăn trong công tác bảo trì - bảo dưỡng, phụ thuộc vào điều kiện, qui cách biển số nên nhu cầu đặc trưng riêng, sự chuyên biệt hoá của doanh nghiệp thật sự chưa được quan tâm. 17 CHƯƠNG 2: KIÊN THUC NEN TANG Chương 2 luận văn gồm những kiến thức cơ bản về máy học và những mô hình dự đoán. Qua đó kiến thức này dùng dé thực hiện đề tài xây dựng ứng dung dự đoán thông tin biển số phương tiện. Tổng quan về trí tuệ nhân tạo và máy học Ai cũng đều hy vọng trí tuệ nhân tao có.

thể được tích hợp trên thiết bị máy tính, thiết bị điện tử. Việc nghiên cứu và tích hợp công nghệ, kỹ thuật máy học được áp dụng rộng rãi trong nhiều lĩnh vực khác nhau. Máy học cũng được áp dụng nhiều trong những ngành khoa học/công nghiệp sản xuất với nguồn dữ liệu lớn có sẵn, các ứng dụng điển hình dé giải quyết các bài toán thực tiễn như: e Xử lý ngôn ngữ tự nhiên (Natural Language Processing): xử lý văn bản, phát hiện ngôn từ đả kích, phát ngôn tiêu cực trên mang xã hội,. e Pattern Recognition: nhận dạng khuôn mặt, nhận dang vân tay, giọng nói, văn bản trong hình ảnh,.

e Hệ thống tìm kiếm (Search Engine): tìm kiếm thông tin, tìm kiếm hình ảnh,. e Hệ khuyến nghị xử lý công việc như chan đoán sớm bệnh động mạch vành, dự đoán xu hướng của một mã chứng khoán. Qua đó, việc ứng dụng máy học ngày càng phát triển đã mang đến nhiều đột phá lớn cho nhân loại. Điền hình là sự bùng nổ của máy học đã mang lại nhiều thành tựu trong vai trò phát triển Rô bốt.

Ngày nay, Rô bốt còn được phát triển thêm về mặt cảm xúc, giọng nói tốt hơn - những thứ mà trước đây chúng ta thường thấy trên phim ảnh, khoa học viễn tưởng. Có thể nói việc áp dụng máy học đang là một bước tiến công nghệ để hỗ trợ chan đoán bệnh lý, dự báo nguồn cung của thị trường bán lẻ, tự động hóa sản xuất. 7 giúp tiết kiệm được thời gian và chi phí vận hành và công sức lao động. Tại Việt Nam, các chuyên đề ứng dụng AI nhằm hỗ trong các lĩnh vực nêu trên còn khá mới, nhưng đây là bước tiền mới thúc day phát triển xã hội hiện đại và cũng đang được cải thiện tốt hơn.

18 Các nhóm thuật toán dành cho học máy: Các loại máy học Học có giám sát Học không giám sát Học bán giám sát Hoc củng cố ZN Continuous | | Categorical | i : | ZN Categorical | | Target “Target “Target Target Variable not Categorical Target “Target Su Variable Variable available) Variable Variable | {not available’ Pot “NN Td Regression Pisssification Clustering | | Association Flassification, Clustering Csireion ‘Control Ũ + + + 1 + * + Dự báo Hìnhảnh | | Phânkhúc | [Market basket! | Phânloại | |Timđườngđi| | Téiwuhéa | | Xe không thời thiết y khoa khách hàng, analysis van ban trên DL GPS | | makerting người lái Hình 2: Sơ dé phân loại máy học.