Tổng quan nghiên cứu

Đại dịch COVID-19 đã gây ra những tác động nghiêm trọng đến sức khỏe cộng đồng và nền kinh tế toàn cầu, trong đó Việt Nam cũng không ngoại lệ. Tính đến năm 2022, các biện pháp kiểm soát dịch bệnh như phong tỏa, giãn cách xã hội và kiểm soát phương tiện giao thông được triển khai rộng rãi nhằm hạn chế sự lây lan của virus SARS-CoV-2. Theo ước tính, việc kiểm soát phương tiện di chuyển giữa các địa phương đóng vai trò quan trọng trong công tác phòng chống dịch. Tuy nhiên, việc kiểm soát thủ công tại các cửa ngõ thành phố như Đà Nẵng đòi hỏi nguồn nhân lực lớn và khó khăn trong việc truy vết dữ liệu.

Trước thực trạng này, nghiên cứu tập trung vào việc ứng dụng công nghệ nhận dạng biển số xe ô tô nhằm tự động hóa quá trình giám sát và kiểm soát phương tiện, giảm tải nhân lực và nâng cao hiệu quả phòng chống dịch. Mục tiêu cụ thể của luận văn là xây dựng hệ thống nhận dạng biển số xe sử dụng thuật toán phát hiện biên và nhận dạng ký tự dựa trên thư viện OpenCV, kết hợp với mô hình mạng nơron tích chập (CNN) để nhận dạng chính xác các ký tự trên biển số. Phạm vi nghiên cứu tập trung tại thành phố Đà Nẵng trong giai đoạn dịch COVID-19 bùng phát mạnh từ năm 2020 đến 2022.

Ý nghĩa của nghiên cứu được thể hiện qua việc tăng cường khả năng giám sát, truy vết phương tiện di chuyển, hỗ trợ các cơ quan chức năng trong việc kiểm soát dịch bệnh hiệu quả hơn. Hệ thống dự kiến sẽ giúp nhận diện chính xác khoảng 90-95% biển số xe trong điều kiện hình ảnh rõ nét, góp phần giảm thiểu sai sót và tăng tốc độ xử lý thông tin tại các điểm kiểm soát.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính: kỹ thuật xử lý ảnh và mạng nơron nhân tạo, cụ thể là mạng nơron tích chập (CNN).

  1. Xử lý ảnh và phát hiện biên: Đây là bước tiền xử lý quan trọng nhằm tách vùng chứa biển số xe từ ảnh đầu vào. Phương pháp phát hiện biên sử dụng toán tử Sobel để xác định các cạnh dọc và ngang, kết hợp với biến đổi Hough để phát hiện các đoạn thẳng và xác định vùng chứa biển số dựa trên giao điểm của các đoạn thẳng này. Các kỹ thuật phân ngưỡng tự động giúp chuyển ảnh màu hoặc ảnh xám sang ảnh nhị phân, làm nổi bật vùng biển số.

  2. Mạng nơron tích chập (CNN): CNN được sử dụng để nhận dạng ký tự trên biển số xe. Mạng này có khả năng chiết xuất đặc trưng cục bộ thông qua các lớp tích chập, áp dụng hàm kích hoạt ReLU để loại bỏ giá trị âm, và sử dụng lớp pooling để giảm chiều dữ liệu, từ đó giảm độ phức tạp tính toán. Cuối cùng, lớp fully connected và hàm softmax giúp phân loại ký tự với độ chính xác cao. CNN có tính bất biến với các biến đổi như dịch chuyển, xoay và co giãn, phù hợp với bài toán nhận dạng ký tự trong điều kiện ảnh thực tế đa dạng.

Ba khái niệm chính được áp dụng trong nghiên cứu gồm: nhận dạng mẫu (pattern recognition), phát hiện biên (edge detection), và học có giám sát (supervised learning) trong mạng nơron.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm các hình ảnh biển số xe thu thập từ camera giám sát tại các điểm kiểm soát giao thông ở Đà Nẵng trong giai đoạn dịch COVID-19. Cỡ mẫu khoảng vài nghìn ảnh biển số với đa dạng điều kiện ánh sáng và tốc độ xe.

Phương pháp phân tích gồm:

  • Tiền xử lý ảnh: Chuyển ảnh sang ảnh xám, nhị phân hóa bằng phương pháp phân ngưỡng tự động, tách biên bằng toán tử Sobel.
  • Phát hiện vùng biển số: Áp dụng biến đổi Hough để phát hiện các đoạn thẳng dọc, ngang, xác định vùng chứa biển số dựa trên giao điểm các đoạn thẳng.
  • Tách ký tự: Sử dụng kỹ thuật contour để phân đoạn từng ký tự trên biển số.
  • Nhận dạng ký tự: Huấn luyện và đánh giá mô hình CNN trên tập dữ liệu ký tự đã tách, sử dụng học có giám sát với tập dữ liệu đã gán nhãn.
  • Xây dựng hệ thống website: Sử dụng framework Laravel để phát triển giao diện quản lý và xử lý dữ liệu biển số trực tuyến.

Timeline nghiên cứu kéo dài khoảng 12 tháng, bao gồm các giai đoạn thu thập dữ liệu, phát triển thuật toán, huấn luyện mô hình, xây dựng hệ thống và thử nghiệm thực tế.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác nhận dạng biển số xe: Mô hình thử nghiệm đạt độ chính xác nhận dạng khoảng 92% trên tập dữ liệu thử nghiệm. Trong đó, các biển số xe được chụp rõ nét và xe di chuyển với tốc độ vừa phải có tỷ lệ nhận dạng thành công lên đến 95%. Tuy nhiên, với các trường hợp xe chạy nhanh hoặc ảnh mờ, tỷ lệ nhận dạng giảm xuống còn khoảng 80%.

  2. Hiệu quả phát hiện vùng biển số: Thuật toán phát hiện biên kết hợp biến đổi Hough giúp xác định chính xác vùng biển số trong 98% trường hợp ảnh đầu vào. Việc sử dụng phân ngưỡng và lọc contour theo tỷ lệ kích thước giúp loại bỏ các vùng nhiễu không phải biển số.

  3. Tốc độ xử lý: Hệ thống xử lý ảnh và nhận dạng ký tự trên máy tính cá nhân có cấu hình trung bình cho thời gian xử lý trung bình khoảng 0.5 giây cho mỗi ảnh biển số, đáp ứng yêu cầu xử lý thời gian thực tại các điểm kiểm soát.

  4. Ứng dụng thực tế: Hệ thống website đồng bộ với cơ sở dữ liệu biển số xe giúp tự động kiểm tra và gửi thông báo đến cơ quan chức năng trong vòng vài giây sau khi nhận dạng, hỗ trợ hiệu quả công tác kiểm soát dịch.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình đạt độ chính xác cao là do việc kết hợp hiệu quả giữa kỹ thuật xử lý ảnh truyền thống (phát hiện biên, biến đổi Hough) và mạng nơron tích chập hiện đại trong nhận dạng ký tự. So với các nghiên cứu trước đây chỉ sử dụng phương pháp phát triển vùng hoặc nhận dạng ký tự đơn giản, mô hình này cải thiện đáng kể độ chính xác và khả năng xử lý trong điều kiện thực tế đa dạng.

Tuy nhiên, kết quả cũng cho thấy hạn chế khi ảnh đầu vào có chất lượng kém hoặc xe di chuyển nhanh, gây mờ ảnh, làm giảm hiệu quả nhận dạng. Điều này phù hợp với các báo cáo ngành về khó khăn trong nhận dạng biển số xe trong điều kiện ánh sáng yếu hoặc chuyển động nhanh.

Dữ liệu có thể được trình bày qua biểu đồ cột thể hiện tỷ lệ nhận dạng thành công theo từng nhóm điều kiện ảnh (ảnh rõ, ảnh mờ, xe nhanh), và bảng so sánh thời gian xử lý trung bình giữa các phương pháp.

Đề xuất và khuyến nghị

  1. Cải tiến thuật toán nhận dạng ký tự: Áp dụng các mô hình học sâu tiên tiến hơn như mạng nơron sâu (Deep CNN) hoặc kết hợp mạng hồi tiếp (RNN) để nâng cao độ chính xác nhận dạng trong điều kiện ảnh mờ hoặc chuyển động nhanh. Mục tiêu tăng tỷ lệ nhận dạng lên trên 95% trong vòng 12 tháng, do nhóm nghiên cứu thực hiện.

  2. Tăng cường chất lượng hình ảnh đầu vào: Lắp đặt camera có độ phân giải cao và hệ thống chiếu sáng phù hợp tại các điểm kiểm soát để đảm bảo ảnh thu được rõ nét, giảm thiểu ảnh hưởng của điều kiện môi trường. Thời gian thực hiện trong 6 tháng, phối hợp với cơ quan quản lý giao thông.

  3. Mở rộng phạm vi ứng dụng: Phát triển hệ thống nhận dạng biển số xe trên các tuyến đường cao tốc và khu vực có lưu lượng xe lớn, tích hợp với hệ thống quản lý giao thông thông minh. Mục tiêu triển khai thử nghiệm trong 18 tháng tới.

  4. Tích hợp đa thư viện nhận dạng: Kết hợp thêm các thư viện nhận dạng ký tự khác ngoài OpenCV để tăng tính đa dạng và độ chính xác của hệ thống, đồng thời giảm thiểu sai sót. Thời gian nghiên cứu và thử nghiệm khoảng 9 tháng.

Đối tượng nên tham khảo luận văn

  1. Cơ quan quản lý giao thông và phòng chống dịch: Hệ thống giúp tự động hóa việc kiểm soát phương tiện, giảm tải nhân lực và nâng cao hiệu quả giám sát di chuyển trong các đợt dịch.

  2. Các nhà nghiên cứu và phát triển công nghệ thị giác máy tính: Cung cấp phương pháp kết hợp xử lý ảnh truyền thống và mạng nơron tích chập trong bài toán nhận dạng biển số xe, làm cơ sở cho các nghiên cứu tiếp theo.

  3. Doanh nghiệp phát triển phần mềm an ninh và giám sát: Tham khảo để xây dựng hoặc cải tiến các giải pháp nhận dạng biển số xe phục vụ quản lý bãi đỗ, trạm thu phí, hoặc kiểm soát giao thông.

  4. Sinh viên và học viên ngành công nghệ thông tin, hệ thống thông tin: Tài liệu tham khảo thực tiễn về ứng dụng công nghệ nhận dạng mẫu, xử lý ảnh và học máy trong bài toán thực tế.

Câu hỏi thường gặp

  1. Hệ thống nhận dạng biển số xe hoạt động chính xác trong điều kiện ánh sáng yếu không?
    Hệ thống sử dụng kỹ thuật xử lý ảnh và mạng nơron tích chập có thể nhận dạng tốt trong điều kiện ánh sáng trung bình đến tốt. Tuy nhiên, trong điều kiện ánh sáng yếu hoặc ngược sáng, độ chính xác giảm do ảnh mờ và nhiễu. Việc cải tiến camera và chiếu sáng là cần thiết để khắc phục.

  2. Tốc độ xử lý của hệ thống có đáp ứng được yêu cầu thời gian thực không?
    Thời gian xử lý trung bình khoảng 0.5 giây cho mỗi ảnh trên máy tính cấu hình trung bình, phù hợp với yêu cầu xử lý thời gian thực tại các điểm kiểm soát giao thông.

  3. Hệ thống có thể nhận dạng biển số xe khi xe di chuyển nhanh không?
    Kết quả thử nghiệm cho thấy khi xe di chuyển quá nhanh, ảnh thu được thường bị mờ, làm giảm độ chính xác nhận dạng xuống khoảng 80%. Đây là thách thức chung của các hệ thống nhận dạng biển số xe hiện nay.

  4. Phần mềm có thể tích hợp với hệ thống quản lý giấy đi đường hiện có không?
    Hệ thống được xây dựng đồng bộ với cơ sở dữ liệu và website quản lý giấy đi đường, có khả năng tự động đối chiếu biển số và gửi thông báo đến cơ quan chức năng, hỗ trợ kiểm soát hiệu quả.

  5. Có thể áp dụng hệ thống này cho các loại phương tiện khác ngoài ô tô không?
    Nghiên cứu tập trung vào biển số xe ô tô với kích thước và đặc điểm ký tự riêng biệt. Việc mở rộng sang xe máy hoặc các loại phương tiện khác cần điều chỉnh thuật toán và huấn luyện lại mô hình phù hợp.

Kết luận

  • Nghiên cứu đã xây dựng thành công hệ thống nhận dạng biển số xe ô tô sử dụng kỹ thuật phát hiện biên, biến đổi Hough và mạng nơron tích chập, đạt độ chính xác nhận dạng khoảng 92%.
  • Hệ thống giúp tự động hóa công tác kiểm soát phương tiện, giảm tải nhân lực và nâng cao hiệu quả phòng chống dịch COVID-19 tại thành phố Đà Nẵng.
  • Các hạn chế về nhận dạng trong điều kiện ảnh mờ và xe di chuyển nhanh được xác định, làm cơ sở cho các hướng cải tiến tiếp theo.
  • Đề xuất mở rộng ứng dụng trên các tuyến đường cao tốc và tích hợp đa thư viện nhận dạng nhằm nâng cao độ chính xác và phạm vi áp dụng.
  • Các bước tiếp theo bao gồm thử nghiệm mở rộng, cải tiến thuật toán và phối hợp với các cơ quan chức năng để triển khai thực tế.

Luận văn là tài liệu tham khảo quý giá cho các nhà nghiên cứu, cơ quan quản lý và doanh nghiệp phát triển công nghệ nhận dạng biển số xe, góp phần thúc đẩy ứng dụng công nghệ thông tin trong phòng chống dịch và quản lý giao thông thông minh.