Giới thiệu dự án

Sự gia tăng nhanh chóng của các phương tiện giao thông cá nhân tại các đô thị lớn đang tạo ra áp lực khổng lồ lên hạ tầng giao thông tĩnh. Theo số liệu thống kê từ Hiệp hội các nhà sản xuất ô tô Việt Nam (VAMA), tổng lượng tiêu thụ ô tô trên thị trường Việt Nam đạt 150.481 chiếc chỉ trong nửa đầu năm 2021, tăng trưởng hơn 40% so với cùng kỳ năm trước. Sự mất cân đối nghiêm trọng giữa tốc độ gia tăng phương tiện và quỹ đất dành cho giao thông tĩnh (thường chỉ chiếm dưới 5-10% diện tích đất xây dựng đô thị) đã dẫn đến tình trạng dừng đỗ xe trái phép tràn lan, gây ùn tắc giao thông, cản trở lưu thông và tiềm ẩn nguy cơ tai nạn cao.

+-----------------------------------------------------------------------------------+
| THỰC TRẠNG QUẢN LÝ BÃI XE TRUYỀN THỐNG                                            |
|                                                                                   |
|  [Vé giấy / Ghi tay] ---> [Ùn tắc giờ cao điểm]  ---> [Rủi ro gian lận / Mất xe]  |
|                                                                                   |
| GIẢI PHÁP HỆ THỐNG BÃI ĐỖ XE THÔNG MINH (IOT + AI OCR)                            |
|                                                                                   |
|  [Thẻ RFID 13.56MHz] + [Camera ANPR] ---> [Xử lý nhận dạng] ---> [Cổng Barrier]  |
|  (Xác thực < 1 giây)   (Độ chính xác > 99%) (Khớp biển số & ID)   (Tự động mở/đóng)|
+-----------------------------------------------------------------------------------+

Bài toán thực tế và điểm nghẽn (Pain Points)

Các bãi đỗ xe truyền thống đang đối mặt với nhiều bất cập lớn:

  • Tắc nghẽn tại điểm kiểm soát: Quy trình ghi vé giấy thủ công tốn từ 15–30 giây cho mỗi lượt xe, dẫn đến ùn tắc nghiêm trọng tại cổng ra/vào vào các khung giờ cao điểm.
  • Nguy cơ mất an toàn và thất thoát: Vé giấy dễ rách nát, làm giả hoặc đánh tráo biển số, gây khó khăn cho việc đối soát dữ liệu và làm tăng nguy cơ mất trộm phương tiện.
  • Lãng phí chi phí vận hành: Đòi hỏi đội ngũ nhân sự trực chốt đông đảo nhưng hiệu quả kiểm soát không cao, thiếu tính minh bạch trong quản lý doanh thu.
  • Khó khăn trong định vị vị trí đỗ: Người lái xe mất trung bình 10–15 phút để tìm vị trí còn trống trong các tầng hầm diện tích lớn do thiếu hệ thống chỉ dẫn thời gian thực.

Mục tiêu của dự án

  1. Nghiên cứu và chế tạo hệ thống phần cứng điều khiển nhúng: Tích hợp vi điều khiển ATmega328P (Arduino Uno R3), module RFID RC522 tần số 13.56 MHz, cảm biến hồng ngoại thu phát (IR detector), động cơ Servo SG90 điều khiển barrie và màn hình hiển thị LCD 16x2 qua giao thức I2C.
  2. Xây dựng thuật toán xử lý ảnh và nhận dạng biển số xe (ANPR): Ứng dụng kỹ thuật tiền xử lý ảnh tích phân (Integral Image), nhị phân hóa ngưỡng động, phân đoạn ký tự và mạng nơ-ron truyền thẳng (Feedforward Neural Network) kết hợp thư viện Tesseract OCR để nhận diện chính xác biển số xe Việt Nam.
  3. Phát triển phần mềm quản lý trung tâm: Xây dựng giao diện đồ họa (GUI) quản trị, giao tiếp máy tính với mạch nhúng qua cổng nối tiếp (Serial/UART Baudrate 9600), giám sát đồng thời 2 luồng camera (vào/ra).
  4. Thiết kế hệ quản trị cơ sở dữ liệu quan hệ (RDBMS): Xây dựng hệ thống bảng dữ liệu trên MySQL Server 8.0 để quản lý thông tin vé ngày, vé tháng, dữ liệu cư dân và phân ca nhân sự chặt chẽ.

Phương pháp tiếp cận và kết quả kỳ vọng

Hệ thống kết hợp mô hình xác thực kép (Dual Authentication): Mã định danh duy nhất (UID) của thẻ RFID Mifare 13.56 MHz và chuỗi ký tự biển số trích xuất từ camera quang học. Tốc độ nhận diện kỳ vọng dưới 1.5 giây/lượt, độ chính xác nhận dạng ký tự đạt trên 98% trong điều kiện tiêu chuẩn, giảm 70% chi phí nhân sự vận hành bãi đỗ.

Phạm vi và giới hạn

  • Phạm vi: Áp dụng cho các bãi đỗ xe ngầm của tòa nhà chung cư, trung tâm thương mại với quy mô vừa và lớn.
  • Giới hạn: Tập trung vào nhận dạng biển số xe ô tô và xe máy theo chuẩn quy chuẩn Việt Nam; hệ thống thử nghiệm yêu cầu khoảng cách góc nghiêng camera không quá 30 độ và điều kiện ánh sáng ổn định.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí Bãi xe truyền thống (Vé giấy) Bãi xe thẻ từ cơ bản Hệ thống cơ khí tự động (Tháp xe/Xếp hình) Giải pháp Đồ án đề xuất (RFID + AI OCR)
Thời gian xử lý 15 - 30 giây/xe 3 - 5 giây/xe 60 - 120 giây/xe 1.0 - 1.5 giây/xe
Mức độ an toàn Thấp (Dễ tráo vé) Trung bình (Dễ mượn thẻ) Rất cao Rất cao (Xác thực chéo Thẻ + Biển số)
Chi phí đầu tư Rất thấp Thấp - Trung bình Rất cao (Hàng tỷ đồng) Tối ưu (Chi phí phần cứng linh hoạt)
Tự động hóa Thủ công 100% Bán tự động Tự động hóa cơ khí Tự động hóa hoàn toàn luồng dữ liệu
Khả năng mở rộng Kém Trung bình Khó nâng cấp Cao (Module hóa phần cứng & DB)

Ưu tiên yêu cầu theo mô hình MoSCoW

  • Must have: Quẹt thẻ RFID đọc mã UID; Chụp ảnh biển số xe tự động; Nhận diện ký tự biển số bằng OCR; Kiểm tra trùng khớp dữ liệu vào/ra; Tự động đóng/mở thanh chắn barrier khi dữ liệu hợp lệ.
  • Should have: Hiển thị thông báo hướng dẫn và số chỗ trống trên màn hình LCD; Báo động còi chip khi thẻ hoặc biển số không khớp; Quản lý phân quyền nhân viên và vé tháng/ngày trong cơ sở dữ liệu.
  • Could have: Tích hợp cảm biến siêu âm phát hiện chỗ trống từng vị trí (PGS); Đèn LED chỉ thị xanh/đỏ tại từng khoang đỗ.
  • Won't have (trong phạm vi đề tài): Hệ thống robot gắp xe tự động hoàn toàn; Tích hợp camera nhận diện khuôn mặt tài xế.

Thiết kế hệ thống

graph TD
    subgraph Hardware_Layer [Khối Xử Lý Phần Cứng]
        A1[Thẻ RFID 13.56MHz] -->|Quẹt thẻ| A2[Đầu đọc RC522]
        A2 -->|SPI| A3[Arduino Uno R3 ATmega328P]
        A4[Cảm biến hồng ngoại IR] -->|Digital Pin 2/3| A3
        A3 -->|PWM Pin 4/5| A5[Động cơ Servo SG90 Barrie]
        A3 -->|I2C SDA/SCL| A6[Màn hình LCD 16x2]
        A3 -->|Digital Pin 7| A7[Còi chip báo động]
    end

    subgraph Communication_Layer [Giao Tiếp Hệ Thống]
        A3 <-->|UART / USB Serial 9600 bps| B1[Phần Mềm Quản Trị Trung Tâm GUI]
        C1[Camera Giám Sát USB] -->|Video Stream/Capture| B1
    end

    subgraph Software_AI_Layer [Khối Xử Lý Ảnh & OCR]
        B1 --> D1[Tiền xử lý ảnh tích phân Integral Image]
        D1 --> D2[Nhị phân hóa ngưỡng động Dynamic Thresholding]
        D2 --> D3[Phân đoạn ký tự 8 hướng & Contour]
        D3 --> D4[36 Mạng Nơ-ron truyền thẳng / Tesseract OCR]
        D4 -->|Chuỗi ký tự biển số| B1
    end

    subgraph Database_Layer [Hệ Quản Trị CSDL MySQL]
        B1 <-->|SQL Queries TCP/IP| E1[(MySQL Server 8.0)]
        E1 --- E2[day_ticket]
        E1 --- E3[month_ticket]
        E1 --- E4[human_month_ticket]
        E1 --- E5[worker & shift tables]
    end

Technology Stack và phiên bản chi tiết

  • Phần cứng điều khiển: Arduino Uno R3 (Vi điều khiển ATmega328P 8-bit, 16 MHz, 32KB Flash, 2KB SRAM); Module RFID RC522 (Tần số 13.56 MHz, giao tiếp SPI); Động cơ Servo SG90 (Điện áp 5V, góc quay 0–180 độ); Cảm biến khoảng cách hồng ngoại V1 (Active Low/High); Màn hình LCD 1602 tích hợp module chuyển đổi I2C PCF8574.
  • Môi trường phần mềm & Framework: Ngôn ngữ lập trình C/C++ (Arduino IDE v1.8.19) cho firmware nhúng; Python 3.9 / C# .NET WinForms cho giao diện quản trị trung tâm; Thư viện xử lý ảnh OpenCV 4.5.x; Công cụ OCR Tesseract kết hợp mô hình Multi-layer Perceptron (MLP).
  • Hệ cơ sở dữ liệu: MySQL Server Community Edition v8.0, chuẩn kết nối giao thức TCP/IP cổng 3306.

Thiết kế cơ sở dữ liệu (Database Schema)

Hệ thống sử dụng cơ sở dữ liệu quan hệ gồm 7 bảng chuẩn hóa:

  1. worker (maCN [PK, nvarchar], soCMT, tenCN, diachi, ngaysinh, ngayvaolam, ngaythoilam, tinhtrang, username, password, SDT).
  2. worker_shift (maCT [PK, int], maCN [FK], soca [FK]).
  3. worker_division (soca [PK, nvarchar], mucluong, batdau, ketthuc).
  4. ticket_type (loaive [PK, nvarchar], loaixe, giave).
  5. day_ticket (mathetu [PK, nvarchar], loaive [FK], bienso, ngayvao, ngayra).
  6. month_ticket (bienso [PK, nvarchar], noptien, loaive [FK]).
  7. human_month_ticket (soCMT [PK, int], tenNguoiDung, phong, ngaysinh, noptien, SDT, bienso [FK], loaive [FK]).

Implementation và kết quả

Development Process & Thuật toán then chốt

1. Thuật toán định vị biển số và Nhị phân hóa ngưỡng động

Để xử lý hình ảnh biển số chụp từ camera quang học trong điều kiện ánh sáng không đồng đều, hệ thống áp dụng kỹ thuật tính toán ma trận ảnh tích phân (Integral Image) kết hợp ngưỡng động:

$$I(x, y) = i(x, y) + I(x-1, y) + I(x, y-1) - I(x-1, y-1)$$

Trong đó $i(x, y)$ là giá trị độ xám của điểm ảnh gốc, $I(x, y)$ là giá trị tích phân tương ứng. Tổng mức xám $Sum$ trên cửa sổ hình chữ nhật $D$ có tọa độ đỉnh $(x_1, y_1)$ và $(x_2, y_2)$ được tính tức thời với độ phức tạp $O(1)$:

$$Sum = I(x_2, y_2) - I(x_1-1, y_2) - I(x_2, y_1-1) + I(x_1-1, y_1-1)$$

Ngưỡng động cục bộ $T_{dyn}$ được xác định:

$$T_{dyn} = \frac{Sum}{count} \times \left(1 - \frac{T}{100}\right)$$

import cv2
import numpy as np

def extract_plate_candidate(image_path):
    # Bước 1: Đọc ảnh và chuyển đổi sang mức xám
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    
    # Bước 2: Nhị phân hóa cục bộ bằng ngưỡng động dựa trên kích thước cửa sổ
    binary = cv2.adaptiveThreshold(
        gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
        cv2.THRESH_BINARY_INV, 19, 9
    )
    
    # Bước 3: Đánh nhãn 8 hướng và loại bỏ nhiễu biên, vùng kích thước < 15 pixel
    num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(binary, connectivity=8)
    clean_mask = np.zeros_like(binary)
    
    for i in range(1, num_labels):
        area = stats[i, cv2.CC_STAT_AREA]
        width = stats[i, cv2.CC_STAT_WIDTH]
        height = stats[i, cv2.CC_STAT_HEIGHT]
        
        # Tiêu chuẩn lọc: Kích thước tối thiểu 15px, không chứa đường mảnh dài > 20px
        if area >= 15 and not (width == 1 and height > 20) and not (height == 1 and width > 20):
            clean_mask[labels == i] = 255
            
    return clean_mask

2. Kiến trúc mạng Nơ-ron nhận dạng ký tự

Hệ thống sử dụng 36 mạng nơ-ron truyền thẳng (Multi-layer Perceptron - MLP) riêng biệt tương ứng với 26 chữ cái (A-Z) và 10 chữ số (0-9):

  • Lớp đầu vào (Input Layer): 48 chiều (Vector đặc trưng được trích xuất từ ảnh ký tự kích thước chuẩn hóa $32 \times 24$, chia lưới thành các khối $4 \times 4$ và tính giá trị độ xám trung bình).
  • Lớp ẩn (Hidden Layer): 24 nơ-ron với hàm kích hoạt phi tuyến tính Sigmoid.
  • Lớp đầu ra (Output Layer): 1 nơ-ron đại diện cho xác suất của ký tự mục tiêu.
  • Thông số huấn luyện: Tốc độ học $\alpha = 0.1$, hệ số quán tính $\beta = 0.9$, số chu kỳ huấn luyện (epochs) từ 300 đến 1500 tùy ký tự, mục tiêu sai số huấn luyện hội tụ đạt 99.999%.
// Firmware Arduino Uno R3: Điều khiển giao tiếp Serial và ngoại vi
#include <SPI.h>
#include <MFRC522.h>
#include <Servo.h>
#include <Wire.h>
#include <LiquidCrystal_I2C.h>

#define SS_IN_PIN 10
#define RST_PIN 9
#define IR_IN_PIN 2
#define SERVO_IN_PIN 4
#define BUZZER_PIN 7

MFRC522 rfidIn(SS_IN_PIN, RST_PIN);
Servo barrierServo;
LiquidCrystal_I2C lcd(0x27, 16, 2);

void setup() {
  Serial.begin(9600);
  SPI.begin();
  rfidIn.PCD_Init();
  barrierServo.attach(SERVO_IN_PIN);
  barrierServo.write(0); // Đóng rào chắn ban đầu
  pinMode(IR_IN_PIN, INPUT);
  pinMode(BUZZER_PIN, OUTPUT);
  lcd.init();
  lcd.backlight();
  lcd.setCursor(0, 0);
  lcd.print("MOI QUET THE...");
}

void loop() {
  // Quét thẻ RFID luồng vào
  if (rfidIn.PICC_IsNewCardPresent() && rfidIn.PICC_ReadCardSerial()) {
    String cardUID = "";
    for (byte i = 0; i < rfidIn.uid.size; i++) {
      cardUID += String(rfidIn.uid.uidByte[i] < 0x10 ? "0" : "");
      cardUID += String(rfidIn.uid.uidByte[i], HEX);
    }
    cardUID.toUpperCase();
    Serial.println("IN_CARD:" + cardUID); // Truyền dữ liệu lên PC
    rfidIn.PICC_HaltA();
  }

  // Nhận lệnh điều khiển mở barrier từ máy tính
  if (Serial.available() > 0) {
    char cmd = Serial.read();
    if (cmd == 'Y') {
      barrierServo.write(90); // Mở rào
      lcd.clear();
      lcd.print("XIN MOI VAO!");
      while(digitalRead(IR_IN_PIN) == HIGH); // Chờ xe đi qua cảm biến hồng ngoại
      delay(1000);
      barrierServo.write(0);  // Đóng rào
      lcd.clear();
      lcd.print("MOI QUET THE...");
    } else if (cmd == 'N') {
      digitalWrite(BUZZER_PIN, HIGH);
      delay(500);
      digitalWrite(BUZZER_PIN, LOW);
      lcd.clear();
      lcd.print("THE KHONG HOP LE");
    }
  }
}

Kiểm thử và Đánh giá thực nghiệm

1. Bộ dữ liệu huấn luyện và kiểm thử

Tập dữ liệu nhận dạng ký tự quang học được xây dựng với quy mô lớn nhằm tối ưu hóa trọng số cho 36 mạng nơ-ron:

  • Tập mẫu xây dựng từ font đa dạng: 375.342 ký tự (bao gồm biến thể Normal Arial, Bold Arial, Arial Black với các góc xoay, mức xám và nhiễu ngẫu nhiên).
  • Tập kiểm tra trong quá trình huấn luyện (Train-Validation): 142.856 ảnh.
  • Tập kiểm thử độc lập (Independent Test Set): 8.518 ảnh.

2. Kết quả kiểm thử hiệu năng

+-----------------------------------------------------------------------------------+
| KẾT QUẢ ĐÁNH GIÁ ĐỘ CHÍNH XÁC & THỜI GIAN ĐÁP ỨNG                                 |
|                                                                                   |
|  - Tốc độ đọc & truyền mã UID RFID RC522:              45 ms                      |
|  - Thời gian trích xuất & xử lý ảnh biển số:           620 ms                     |
|  - Thời gian nhận dạng 36 mạng Nơ-ron (OCR):           210 ms                     |
|  - Thời gian truy vấn dữ liệu MySQL Server:            35 ms                      |
|  - Tổng thời gian trễ toàn hệ thống (End-to-End):      ~ 910 ms (< 1.0 giây)      |
|  - Tỷ lệ nhận diện biển số chính xác ban ngày:        98.4%                      |
|  - Tỷ lệ nhận diện biển số điều kiện ánh sáng yếu:    94.1%                      |
|  - Tỷ lệ phát hiện lỗi tráo thẻ / sai biển số:        100%                       |
+-----------------------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Thuật toán liên kết vùng ứng viên cho biển số xe dạng vuông: Cải tiến giải thuật định vị truyền thống bằng cách kiểm tra phân bổ điểm đen theo trục ngang $HsumBlackPointGroup(m)$. Thuật toán cho phép tự động nối liền 2 dòng ký tự của biển vuông khi nhóm ở giữa bị ngắt quãng, loại bỏ tỷ lệ nhận diện lỗi đối với biển số kích thước vuông phổ biến tại Việt Nam.
  2. Cơ chế xác thực đối soát 2 lớp (Dual Verification Architecture): Kết hợp chặt chẽ giữa mã số thẻ vật lý RFID Mifare và ký tự nhận diện từ camera. Khi xe ra khỏi bãi, phần mềm tự động so sánh chuỗi ký tự OCR và ID thẻ trong cơ sở dữ liệu day_ticket. Nếu phát hiện sai khác (dù chỉ 1 ký tự), hệ thống tự động khóa cổng barrier, gửi cảnh báo âm thanh qua còi chip và hiển thị trạng thái Card Error trên màn hình quản trị.
  3. Tối ưu hóa tài nguyên tính toán: Thay vì sử dụng các mô hình học sâu (Deep Learning) nặng nề đòi hỏi phần cứng GPU đắt đỏ, đề tài thiết kế 36 mạng MLP phân mảnh gọn nhẹ (48 input - 24 hidden - 1 output), cho phép chạy mượt mà theo thời gian thực trên các máy tính cấu hình văn phòng phổ thông.
  4. Hiệu quả tiết kiệm chi phí và diện tích: Giảm tải từ 60% đến 80% chi phí nhân sự điều hành bãi giữ xe, đồng thời tăng lưu lượng thông hành qua cổng kiểm soát lên gấp 5 lần so với phương pháp thủ công.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế

Hệ thống được thiết kế tối ưu cho các trạm kiểm soát bãi đỗ xe ngầm tại:

  • Tòa nhà chung cư cao tầng: Quản lý đồng thời hai luồng dữ liệu xe cư dân (sử dụng vé tháng liên kết bảng human_month_ticket) và xe khách vãng lai (sử dụng vé ngày tại bảng day_ticket).
  • Trung tâm thương mại, Siêu thị: Tự động tính toán chi phí gửi xe dựa trên thời gian thực (ngayra - ngayvao) nhân với đơn giá quy định trong bảng ticket_type.

Phân tích chi phí và hiệu quả đầu tư (Cost-Benefit & ROI)

ƯỚC TÍNH BÀI TOÁN KINH TẾ CHO BÃI ĐỖ XE QUY MÔ 500 PHƯƠNG TIỆN:

1. Chi phí đầu tư ban đầu (CAPEX):
   - Thiết bị phần cứng (Arduino, RFID, Barrier, Cảm biến, LCD):  ~ 8.000.000 VNĐ / làn
   - Hệ thống 2 Camera độ phân giải cao & switch mạng:            ~ 6.000.000 VNĐ
   - Máy tính điều khiển và bản quyền phần mềm:                   ~ 12.000.000 VNĐ
   ---------------------------------------------------------------------------------
   TỔNG CHI PHÍ ĐẦU TƯ:                                           ~ 26.000.000 VNĐ / trạm 2 làn

2. Chi phí vận hành tiết giảm hàng tháng (OPEX Savings):
   - Cắt giảm 2 nhân sự trực chốt/ca (tiết kiệm ~ 16.000.000 VNĐ / tháng)
   - Loại bỏ chi phí in ấn vé giấy (~ 1.500.000 VNĐ / tháng)
   ---------------------------------------------------------------------------------
   TỔNG TIẾT KIỆM HÀNG THÁNG:                                     ~ 17.500.000 VNĐ / tháng

==> THỜI GIAN HOÀN VỐN ĐẦU TƯ (ROI):                            ~ 1.5 - 2 THÁNG

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ nhạy sáng của camera quang học: Trong môi trường thiếu sáng nghiêm trọng hoặc đèn pha xe ngược chiều rọi thẳng vào ống kính, độ tương phản của ảnh biển số bị suy giảm, ảnh hưởng đến độ chính xác của khâu phân đoạn ký tự.
  • Biển số bị biến dạng vật lý: Các biển số bị cong vênh, dính bùn đất hoặc bong tróc sơn nặng có thể gây phân đoạn sai ma trận ký tự.
  • Băng thông kết nối nối tiếp: Giao tiếp UART 9600 bps có thể tạo ra độ trễ nhỏ khi phải truyền tải chuỗi dữ liệu lớn liên tục.

Hướng nâng cấp mở rộng

  1. Nâng cấp mô hình thị giác máy tính: Tích hợp các kiến trúc mạng nơ-ron tích chập hiện đại như YOLOv8 / YOLOv9 Nano chuyên dụng cho tác vụ định vị biển số và nhận dạng ký tự đa góc nghiêng, hỗ trợ tốt trong mọi điều kiện thời tiết.
  2. Triển khai Edge AI & IoT Cloud: Chuyển đổi khối xử lý nhúng lên các bo mạch vi xử lý mạnh hơn như Raspberry Pi 4 hoặc NVIDIA Jetson Nano, đồng bộ cơ sở dữ liệu phân tán lên nền tảng Cloud (AWS/Google Cloud).
  3. Mở rộng cảm biến hướng dẫn đỗ xe (PGS): Tích hợp mạng cảm biến sóng siêu âm và đèn LED chỉ dẫn tại từng vị trí đỗ, dẫn đường cho tài xế thông qua ứng dụng di động.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Kỹ thuật Máy tính/Điện tử/CNTT: Cung cấp tài liệu tham khảo thực tiễn và mã nguồn mẫu hoàn chỉnh về việc tích hợp phần cứng vi điều khiển (Arduino/C++) với phần mềm xử lý ảnh và cơ sở dữ liệu quan hệ.
  • Kỹ sư & Lập trình viên hệ thống nhúng (Embedded Developers): Nắm vững kỹ thuật xử lý giao tiếp nối tiếp giữa máy tính và vi điều khiển, phương pháp tiền xử lý ảnh và triển khai mạng nơ-ron gọn nhẹ trên CPU.
  • Chủ đầu tư & Doanh nghiệp quản lý tòa nhà: Tiếp cận giải pháp công nghệ tự động hóa với chi phí đầu tư thấp, bảo mật cao, hoàn vốn nhanh và nâng cao chất lượng dịch vụ quản lý bãi đỗ.
  • Nhà nghiên cứu Giao thông thông minh (ITS): Cung cấp dữ liệu thực nghiệm về thuật toán định vị biển số dạng ngang/vuông và mô hình phân bổ luồng dữ liệu trạm thu phí không dừng trong đô thị.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai hệ thống là gì?

Máy tính trạm quản lý chỉ cần trang bị CPU Intel Core i3 thế hệ 6 trở lên (hoặc tương đương), RAM tối thiểu 4GB, có ít nhất 2 cổng USB để kết nối Camera và cáp Serial của Arduino Uno R3, hệ điều hành Windows 10/11 hoặc Linux (Ubuntu 20.04+).

2. Khi xảy ra sự cố mất điện hoặc ngắt kết nối máy tính, hệ thống xử lý như thế nào?

Arduino và động cơ servo được trang bị mạch cấp nguồn dự phòng (UPS/Ắc-quy mini 12V-5V). Khi mất kết nối phần mềm trung tâm, hệ thống chuyển sang chế độ dự phòng bằng tay (Manual Mode), cho phép bảo vệ dùng chìa khóa cơ mở chốt barrier để giải phóng xe.

3. Tốc độ nhận dạng của hệ thống có đáp ứng được lưu lượng xe giờ cao điểm không?

Với tổng thời gian xử lý toàn trình (End-to-End) đạt khoảng 0.91 giây/lượt xe, hệ thống đảm bảo thông hành từ 35–40 xe/phút trên mỗi làn, hoàn toàn đáp ứng tốt lưu lượng ra vào tại các khu chung cư và trung tâm thương mại trong giờ cao điểm.

4. Hệ thống có khả năng nhận dạng được cả biển số xe máy và xe ô tô không?

Có. Thuật toán phân đoạn ký tự của đồ án đã được tối ưu hóa với giải thuật kiểm tra nhóm điểm đen đa hướng, cho phép nhận diện chính xác cả biển số 1 dòng (dài) của xe ô tô và biển số 2 dòng (vuông) của xe máy và xe ô tô chuyên dụng.

5. Cơ sở dữ liệu MySQL có đảm bảo tính toàn vẹn dữ liệu khi hàng ngàn lượt xe ra vào mỗi ngày?

MySQL Server 8.0 sử dụng Transaction Engine InnoDB với cơ chế khóa hàng (Row-level Locking) và tuân thủ chặt chẽ tiêu chuẩn ACID (Atomicity, Consistency, Isolation, Durability), đảm bảo không xảy ra hiện tượng xung đột dữ liệu hay thất thoát lịch sử vé xe ngay cả khi tải cao.

Kết luận

Đồ án tốt nghiệp "Xây dựng ứng dụng quản lý hệ thống bãi gửi xe thông minh" của tác giả Nguyễn Duy Huân đã giải quyết trọn vẹn bài toán tự động hóa kiểm soát phương tiện giao thông tĩnh trong đô thị hiện đại. Bằng việc kết hợp hài hòa giữa hệ thống điều khiển nhúng vi điều khiển ATmega328P, công nghệ nhận dạng RFID 13.56 MHz, giải thuật xử lý ảnh tích phân với mạng nơ-ron nhận dạng ký tự quang học và hệ quản trị cơ sở dữ liệu quan hệ MySQL, hệ thống mang lại một giải pháp toàn diện, đạt độ chính xác cao (>98%), tốc độ phản hồi nhanh (<1 giây) với chi phí đầu tư tối ưu. Đây là tiền đề vững chắc để phát triển và tích hợp sâu rộng vào hạ tầng các tòa nhà thông minh (Smart Building) và kiến trúc thành phố thông minh (Smart City) trong tương lai.