Tổng quan nghiên cứu

Tình trạng ùn tắc giao thông tại các đô thị lớn như Hà Nội và TP. Hồ Chí Minh gây thiệt hại kinh tế lên đến hàng ngàn tỷ đồng mỗi năm. Trong bối cảnh đó, việc quản lý và kiểm soát lưu lượng phương tiện giao thông trở nên cấp thiết. Một trong những giải pháp hiệu quả là cấm một số loại phương tiện tại các nút giao thông trong khung giờ nhất định. Tuy nhiên, để thực hiện chính sách này, cần có hệ thống nhận biết chính xác các loại phương tiện lưu thông qua các nút giao thông.

Luận văn tập trung nghiên cứu ứng dụng công nghệ xử lý ảnh và học sâu (deep learning) trong việc nhận biết phương tiện giao thông, đặc biệt trong hệ thống IoT (Internet of Things) cho giao thông. Mục tiêu chính là phát triển mô hình nhận dạng phương tiện sử dụng mạng nơ-ron tích chập (CNN) kết hợp học chuyển giao (transfer learning) và triển khai mô hình trên thiết bị IoT như điện thoại thông minh bằng TensorFlow Lite. Phạm vi nghiên cứu tập trung vào 5 loại phương tiện phổ biến gồm xe tải, xe bán tải, xe ô tô, xe van và xe máy, với bộ dữ liệu khoảng 150 ảnh cho mỗi loại, thu thập từ nhiều nguồn khác nhau.

Nghiên cứu có ý nghĩa quan trọng trong việc hỗ trợ các cơ quan quản lý giao thông có thể xác định lưu lượng từng loại phương tiện một cách nhanh chóng, chính xác và hiệu quả, đồng thời giảm thiểu độ trễ và phụ thuộc vào kết nối mạng khi triển khai trên thiết bị di động. Kết quả nghiên cứu góp phần thúc đẩy ứng dụng trí tuệ nhân tạo trong quản lý giao thông thông minh, hướng tới giảm ùn tắc và nâng cao chất lượng dịch vụ giao thông đô thị.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai nền tảng lý thuyết chính: mạng nơ-ron tích chập (CNN) và học chuyển giao (transfer learning).

  • Mạng nơ-ron tích chập (CNN): Là mô hình học sâu chuyên biệt cho xử lý ảnh, CNN có khả năng tự động trích xuất đặc trưng từ hình ảnh thông qua các lớp tích chập, pooling và fully connected. CNN đã chứng minh hiệu quả vượt trội trong các bài toán nhận dạng hình ảnh với độ chính xác cao, thậm chí vượt qua con người trong nhiều trường hợp. Các kiến trúc CNN tiêu biểu được nghiên cứu bao gồm LeNet, AlexNet, ZFNet, VGGNet, GoogleNet và ResNet, mỗi kiến trúc có những cải tiến về độ sâu, kích thước kernel, và kỹ thuật regularization nhằm nâng cao hiệu suất và giảm thiểu overfitting.

  • Học chuyển giao (Transfer learning): Phương pháp này tận dụng các mô hình CNN đã được huấn luyện trên bộ dữ liệu lớn như ImageNet để rút ngắn thời gian và tài nguyên huấn luyện cho các bài toán mới với bộ dữ liệu nhỏ hơn. Có hai cách chính: sử dụng mô hình pre-trained như bộ trích xuất đặc trưng (feature extractor) hoặc tinh chỉnh lại một phần hoặc toàn bộ mô hình (fine-tuning). Học chuyển giao giúp cải thiện độ chính xác và giảm thiểu overfitting khi dữ liệu huấn luyện hạn chế.

Ngoài ra, luận văn còn ứng dụng công nghệ TensorFlow Lite để chuyển đổi và tối ưu mô hình CNN cho các thiết bị IoT, giúp giảm kích thước mô hình và độ trễ suy luận, đồng thời hỗ trợ đa nền tảng như Android, iOS và các thiết bị nhúng.

Phương pháp nghiên cứu

  • Nguồn dữ liệu: Bộ dữ liệu gồm khoảng 750 ảnh (150 ảnh cho mỗi loại phương tiện: xe tải, xe bán tải, xe ô tô, xe van, xe máy), thu thập từ nhiều nguồn như ảnh trên mạng và ảnh tự chụp. Dữ liệu được xử lý và tăng cường bằng các kỹ thuật biến đổi ngẫu nhiên như xoay, dịch chuyển, phóng to, lật ngang nhằm tăng tính đa dạng và tránh overfitting.

  • Phương pháp phân tích: Sử dụng thư viện Keras trên nền TensorFlow để huấn luyện các mô hình CNN với kỹ thuật học chuyển giao. Hai mô hình chính được lựa chọn để so sánh là MobileNetV2 và InceptionV3, dựa trên tiêu chí độ chính xác và kích thước mô hình phù hợp cho thiết bị IoT. Quá trình huấn luyện gồm hai giai đoạn: đóng băng các lớp convolution ban đầu và chỉ huấn luyện các lớp fully connected mới, sau đó mở khóa và tinh chỉnh toàn bộ mô hình.

  • Timeline nghiên cứu: Quá trình thu thập và xử lý dữ liệu diễn ra trong khoảng thời gian đầu năm 2020, tiếp theo là huấn luyện và đánh giá mô hình trong vòng vài tháng, cuối cùng là chuyển đổi mô hình sang định dạng TensorFlow Lite và phát triển ứng dụng nhận dạng trên điện thoại thông minh.

  • Đánh giá kết quả: Độ chính xác được đo trên tập kiểm tra chiếm 25% tổng dữ liệu, đồng thời so sánh kích thước file mô hình và thời gian suy luận trên thiết bị di động để lựa chọn mô hình tối ưu.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Độ chính xác mô hình: Mô hình InceptionV3 đạt độ chính xác khoảng 77,9% cho dự đoán một lớp và 93,7% cho dự đoán top-5, trong khi MobileNetV2 đạt 71,3% và 90,1% tương ứng. Điều này cho thấy InceptionV3 có hiệu suất nhận dạng cao hơn nhưng đi kèm kích thước mô hình lớn hơn (92MB so với 14MB của MobileNetV2).

  2. Kích thước và hiệu suất mô hình: MobileNetV2 có kích thước nhỏ hơn gấp khoảng 6,5 lần so với InceptionV3, phù hợp hơn với các thiết bị IoT có bộ nhớ hạn chế. Thời gian suy luận trên thiết bị di động với MobileNetV2 cũng nhanh hơn, giúp giảm độ trễ trong ứng dụng thực tế.

  3. Hiệu quả học chuyển giao: Việc áp dụng học chuyển giao giúp mô hình đạt được độ chính xác cao dù bộ dữ liệu huấn luyện chỉ khoảng 750 ảnh, thấp hơn nhiều so với yêu cầu truyền thống (khoảng 1000 ảnh). Kỹ thuật tăng cường dữ liệu (data augmentation) cũng góp phần quan trọng trong việc cải thiện độ chính xác và tránh overfitting.

  4. Ứng dụng trên thiết bị IoT: Mô hình được chuyển đổi sang định dạng TensorFlow Lite và nhúng vào ứng dụng điện thoại thông minh hoạt động hiệu quả, cho phép nhận dạng phương tiện trực tiếp trên thiết bị mà không cần kết nối Internet. Ứng dụng cung cấp ba kết quả dự đoán kèm theo tỷ lệ chính xác, giúp người dùng dễ dàng xác định loại phương tiện.

Thảo luận kết quả

Kết quả cho thấy sự cân bằng giữa độ chính xác và kích thước mô hình là yếu tố quyết định khi triển khai trên thiết bị IoT. Mặc dù InceptionV3 có độ chính xác cao hơn khoảng 6,6% so với MobileNetV2, nhưng kích thước lớn và thời gian suy luận lâu hơn khiến nó kém phù hợp cho các thiết bị có tài nguyên hạn chế. MobileNetV2 với kiến trúc nhẹ, tối ưu cho thiết bị di động, đáp ứng tốt yêu cầu về tốc độ và bộ nhớ, đồng thời vẫn giữ được độ chính xác chấp nhận được.

So sánh với các nghiên cứu trong ngành, việc sử dụng học chuyển giao trên bộ dữ liệu nhỏ và tăng cường dữ liệu là phương pháp phổ biến và hiệu quả để đạt được kết quả tốt. Việc nhúng mô hình vào thiết bị IoT bằng TensorFlow Lite giúp giảm độ trễ và tăng tính bảo mật do dữ liệu không phải truyền lên server, phù hợp với các ứng dụng giao thông thông minh cần phản hồi nhanh và bảo vệ quyền riêng tư.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác và kích thước mô hình giữa các kiến trúc CNN, cũng như biểu đồ thể hiện thời gian suy luận trên thiết bị di động. Bảng tổng hợp kết quả huấn luyện và đánh giá mô hình giúp minh họa rõ ràng ưu nhược điểm của từng mô hình.

Đề xuất và khuyến nghị

  1. Tối ưu hóa mô hình MobileNetV2: Tiếp tục nghiên cứu và áp dụng các kỹ thuật lượng tử hóa (quantization) và pruning để giảm kích thước mô hình và tăng tốc độ suy luận trên thiết bị IoT, hướng tới giảm thiểu tiêu thụ năng lượng và tăng tuổi thọ pin cho thiết bị di động. Thời gian thực hiện dự kiến 6-12 tháng, do nhóm phát triển phần mềm và nghiên cứu AI đảm nhiệm.

  2. Mở rộng bộ dữ liệu huấn luyện: Thu thập thêm ảnh phương tiện từ nhiều nguồn và góc độ khác nhau, tăng số lượng ảnh lên khoảng 1000 ảnh mỗi loại để nâng cao độ chính xác và khả năng tổng quát của mô hình. Việc này nên được thực hiện trong vòng 12 tháng với sự phối hợp của các cộng tác viên và cơ quan quản lý giao thông.

  3. Phát triển ứng dụng đa nền tảng: Mở rộng ứng dụng nhận dạng phương tiện sang các nền tảng khác như iOS và các thiết bị nhúng khác, đồng thời tích hợp thêm tính năng nhận dạng thời gian thực qua camera điện thoại. Thời gian phát triển dự kiến 6 tháng, do nhóm phát triển ứng dụng di động thực hiện.

  4. Triển khai thử nghiệm thực tế: Thực hiện các dự án thí điểm tại một số nút giao thông trọng điểm để đánh giá hiệu quả của hệ thống trong điều kiện thực tế, thu thập phản hồi và điều chỉnh mô hình phù hợp. Thời gian thử nghiệm khoảng 6 tháng, phối hợp với các cơ quan quản lý giao thông và đơn vị nghiên cứu.

Đối tượng nên tham khảo luận văn

  1. Các nhà nghiên cứu và sinh viên ngành Kỹ thuật Viễn thông, Trí tuệ nhân tạo và Thị giác máy tính: Luận văn cung cấp kiến thức chuyên sâu về mạng CNN, học chuyển giao và ứng dụng TensorFlow Lite trong xử lý ảnh và nhận dạng phương tiện, hỗ trợ phát triển các đề tài nghiên cứu liên quan.

  2. Các kỹ sư phát triển phần mềm IoT và ứng dụng di động: Nội dung luận văn giúp hiểu rõ quy trình huấn luyện mô hình học sâu, chuyển đổi sang định dạng TensorFlow Lite và tích hợp vào ứng dụng di động, từ đó tối ưu hóa hiệu suất và trải nghiệm người dùng.

  3. Cơ quan quản lý giao thông và các đơn vị vận hành hệ thống giao thông thông minh: Thông tin về công nghệ nhận dạng phương tiện giúp xây dựng các giải pháp giám sát, phân tích lưu lượng giao thông chính xác, hỗ trợ ra quyết định quản lý hiệu quả.

  4. Các doanh nghiệp công nghệ và startup trong lĩnh vực AI và giao thông: Luận văn cung cấp cơ sở để phát triển các sản phẩm, dịch vụ ứng dụng trí tuệ nhân tạo trong giao thông, từ đó nâng cao giá trị cạnh tranh và mở rộng thị trường.

Câu hỏi thường gặp

  1. Tại sao chọn mạng CNN cho bài toán nhận dạng phương tiện?
    CNN có khả năng tự động trích xuất đặc trưng từ ảnh, xử lý hiệu quả các dữ liệu hình ảnh phức tạp và đạt độ chính xác cao trong nhận dạng hình ảnh, phù hợp với bài toán phân loại phương tiện đa dạng.

  2. Học chuyển giao giúp gì trong việc huấn luyện mô hình?
    Học chuyển giao tận dụng mô hình đã được huấn luyện trên bộ dữ liệu lớn, giúp giảm thời gian và tài nguyên huấn luyện, đồng thời cải thiện độ chính xác khi dữ liệu huấn luyện mới hạn chế.

  3. Tại sao sử dụng TensorFlow Lite cho thiết bị IoT?
    TensorFlow Lite tối ưu mô hình cho thiết bị có tài nguyên hạn chế, giảm kích thước file và độ trễ suy luận, cho phép chạy mô hình trực tiếp trên thiết bị mà không cần kết nối Internet, tăng tính bảo mật và hiệu quả.

  4. Bộ dữ liệu huấn luyện có ảnh hưởng thế nào đến kết quả?
    Bộ dữ liệu đa dạng và đủ lớn giúp mô hình học được nhiều đặc trưng hơn, tránh overfitting và nâng cao độ chính xác. Trong nghiên cứu này, kỹ thuật tăng cường dữ liệu được áp dụng để bù đắp hạn chế về số lượng ảnh.

  5. Ứng dụng nhận dạng phương tiện có thể mở rộng ra sao?
    Ứng dụng có thể mở rộng nhận dạng thêm nhiều loại phương tiện, tích hợp nhận dạng thời gian thực qua camera, và triển khai trên nhiều nền tảng thiết bị khác nhau để phục vụ đa dạng nhu cầu quản lý giao thông.

Kết luận

  • Luận văn đã phát triển thành công mô hình nhận dạng 5 loại phương tiện giao thông sử dụng mạng CNN kết hợp học chuyển giao trên bộ dữ liệu khoảng 750 ảnh.
  • Mô hình MobileNetV2 được lựa chọn nhờ cân bằng tốt giữa độ chính xác (71,3%) và kích thước nhỏ (14MB), phù hợp cho thiết bị IoT.
  • Việc chuyển đổi mô hình sang TensorFlow Lite giúp ứng dụng nhận dạng hoạt động hiệu quả trên điện thoại thông minh mà không cần kết nối Internet.
  • Kết quả nghiên cứu góp phần nâng cao khả năng quản lý lưu lượng giao thông thông minh, giảm thiểu ùn tắc và thiệt hại kinh tế.
  • Hướng phát triển tiếp theo bao gồm tối ưu mô hình, mở rộng bộ dữ liệu, phát triển ứng dụng đa nền tảng và triển khai thử nghiệm thực tế.

Để tiếp tục phát triển và ứng dụng rộng rãi, các nhà nghiên cứu và doanh nghiệp được khuyến khích áp dụng các giải pháp đề xuất, đồng thời phối hợp với các cơ quan quản lý giao thông nhằm nâng cao hiệu quả quản lý và vận hành hệ thống giao thông thông minh.