Tổng quan nghiên cứu

Giao thông vận tải đóng vai trò thiết yếu trong phát triển kinh tế và xã hội, với hệ thống đường bộ là hạ tầng quan trọng giúp kết nối hàng hóa và con người. Tại Việt Nam, mạng lưới đường bộ hiện có hơn 17.000 km, với nhu cầu duy tu bảo dưỡng ngày càng tăng do sự gia tăng phương tiện cơ giới và tác động của thời gian, thời tiết. Theo báo cáo của ngành, chi phí duy tu bảo dưỡng chiếm tỷ trọng lớn trong ngân sách vận hành hạ tầng giao thông, trong khi phương pháp kiểm tra hư hỏng mặt đường hiện nay chủ yếu dựa vào quan sát thủ công, gây ra nhiều hạn chế về hiệu quả và độ chính xác.

Mục tiêu nghiên cứu là ứng dụng thuật toán YOLOv5, một mô hình deep learning tiên tiến, để tự động nhận diện các hư hỏng mặt đường thông qua hình ảnh thu thập từ camera hành trình gắn trên phương tiện giao thông. Nghiên cứu tập trung xây dựng mô hình nhận diện hư hỏng mặt đường trong thời gian thực, nhằm giảm thiểu chi phí duy tu bảo dưỡng, tăng hiệu quả quản lý và đảm bảo an toàn giao thông. Phạm vi nghiên cứu bao gồm dữ liệu hình ảnh thu thập tại các tuyến đường bộ Việt Nam trong giai đoạn 2023-2024.

Việc ứng dụng công nghệ AI trong quản lý hạ tầng giao thông không chỉ giúp tiết kiệm khoảng 20% chi phí duy tu bảo dưỡng so với phương pháp truyền thống mà còn nâng cao khả năng phát hiện sớm các hư hỏng nhỏ, từ đó giảm thiểu rủi ro tai nạn và kéo dài tuổi thọ công trình. Nghiên cứu góp phần thúc đẩy chuyển đổi số trong lĩnh vực quản lý xây dựng, đồng thời mở ra hướng đi mới cho việc ứng dụng trí tuệ nhân tạo trong bảo trì hạ tầng giao thông đường bộ.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên nền tảng lý thuyết của Deep Learning, đặc biệt là mạng neural nhân tạo (Artificial Neural Network - ANN) và mạng neural tích chập (Convolutional Neural Network - CNN). ANN mô phỏng hệ thống thần kinh con người với các nơ-ron nhân tạo được tổ chức thành các tầng đầu vào, tầng ẩn và tầng đầu ra, sử dụng thuật toán lan truyền ngược (backpropagation) để học từ dữ liệu. CNN là mô hình chuyên biệt cho xử lý dữ liệu hình ảnh, sử dụng các lớp tích chập để trích xuất đặc trưng cục bộ, kết hợp với các lớp pooling để giảm kích thước dữ liệu và tăng khả năng tổng quát hóa.

Thuật toán YOLOv5 (You Only Look Once version 5) được lựa chọn làm mô hình nhận diện đối tượng do khả năng suy luận nhanh, độ chính xác cao và hiệu quả trong việc phát hiện các đối tượng nhỏ và ở khoảng cách xa. YOLOv5 sử dụng kiến trúc mạng CSPDarknet53 cải tiến, kết hợp các kỹ thuật như Mosaic augmentation, Bag of Freebies và Non-Max Suppression để tối ưu hóa hiệu suất nhận diện. Các khái niệm chính bao gồm bounding box, anchor box, hàm mất mát (loss function), và chỉ số Intersection over Union (IoU) để đánh giá độ chính xác của mô hình.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là các clip video được ghi lại từ camera hành trình gắn trên các phương tiện giao thông di chuyển trên các tuyến đường bộ tại Việt Nam. Dữ liệu hình ảnh được thu thập trong khoảng thời gian từ đầu năm 2023 đến cuối năm 2023, với cỡ mẫu khoảng vài nghìn hình ảnh có chứa các dạng hư hỏng mặt đường như vết nứt, ổ gà, lún sụt.

Phương pháp phân tích bao gồm các bước: chuẩn bị và tiền xử lý dữ liệu (chỉnh sửa kích thước, gán nhãn bounding box cho các hư hỏng), huấn luyện mô hình YOLOv5 trên nền tảng Google Colab sử dụng GPU để tăng tốc quá trình, đánh giá hiệu suất mô hình qua các chỉ số mAP (mean Average Precision), Precision và Recall. Phương pháp chọn mẫu là chọn ngẫu nhiên các đoạn video đại diện cho nhiều loại hư hỏng và điều kiện ánh sáng khác nhau nhằm đảm bảo tính đa dạng và đại diện cho thực tế.

Timeline nghiên cứu kéo dài từ tháng 2/2023 đến tháng 12/2023, bao gồm giai đoạn thu thập dữ liệu, huấn luyện mô hình, đánh giá và điều chỉnh mô hình, cuối cùng là tổng hợp kết quả và đề xuất giải pháp ứng dụng thực tiễn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

  1. Hiệu suất nhận diện hư hỏng mặt đường: Mô hình YOLOv5 đạt độ chính xác trung bình (mAP@0.5) khoảng 85%, với Precision đạt 88% và Recall đạt 82%. Tốc độ suy luận đạt khoảng 30 khung hình/giây, phù hợp cho ứng dụng thời gian thực trên các thiết bị có cấu hình vừa phải.

  2. Phân loại các loại hư hỏng: Mô hình có khả năng phân biệt chính xác các dạng hư hỏng phổ biến như vết nứt (crack), ổ gà (pothole), và lún sụt (depression) với tỷ lệ nhận diện trên 80% cho từng loại. So sánh với phương pháp thủ công, mô hình giảm thời gian kiểm tra xuống khoảng 60% và giảm sai số do chủ quan của người quan sát.

  3. Tiết kiệm chi phí duy tu bảo dưỡng: Ước tính cho thấy việc áp dụng mô hình nhận diện tự động giúp giảm chi phí duy tu bảo dưỡng khoảng 15-20% so với phương pháp truyền thống, nhờ phát hiện sớm và ưu tiên xử lý các hư hỏng nhỏ trước khi lan rộng.

  4. Khả năng ứng dụng thực tế: Mô hình đã được thử nghiệm trên các đoạn video thực tế tại một số tuyến đường ở TP. Hồ Chí Minh, cho kết quả nhận diện ổn định trong điều kiện ánh sáng và thời tiết đa dạng, chứng tỏ tính khả thi trong môi trường vận hành thực tế.

Thảo luận kết quả

Nguyên nhân chính giúp mô hình đạt hiệu suất cao là do kiến trúc mạng CSPDarknet53 của YOLOv5 được cải tiến nhằm tăng khả năng trích xuất đặc trưng và giảm thiểu mất mát thông tin. Việc sử dụng kỹ thuật Mosaic augmentation giúp mô hình học được các đặc điểm đa dạng của hư hỏng trong nhiều điều kiện khác nhau. So với các nghiên cứu trước đây sử dụng Faster R-CNN hay SSD, YOLOv5 cho tốc độ xử lý nhanh hơn đáng kể mà vẫn giữ được độ chính xác cao.

Kết quả này phù hợp với các nghiên cứu quốc tế về ứng dụng YOLOv5 trong nhận diện đối tượng phức tạp, đồng thời khắc phục được hạn chế của phương pháp thủ công như tính chủ quan và tốn kém nhân lực. Việc ứng dụng mô hình này không chỉ giúp tiết kiệm chi phí mà còn nâng cao an toàn giao thông bằng cách phát hiện kịp thời các hư hỏng tiềm ẩn nguy hiểm.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác và tốc độ suy luận của YOLOv5 với các mô hình khác, cũng như bảng thống kê chi phí duy tu bảo dưỡng trước và sau khi áp dụng mô hình. Điều này giúp minh họa rõ ràng hiệu quả và lợi ích của nghiên cứu.

Đề xuất và khuyến nghị

  1. Triển khai hệ thống nhận diện tự động: Khuyến nghị các cơ quan quản lý giao thông trang bị hệ thống camera hành trình và phần mềm ứng dụng YOLOv5 để giám sát hư hỏng mặt đường liên tục, nhằm phát hiện sớm và xử lý kịp thời. Mục tiêu giảm 15-20% chi phí duy tu trong vòng 1-2 năm.

  2. Đào tạo nhân lực vận hành: Tổ chức các khóa đào tạo cho cán bộ kỹ thuật về vận hành và bảo trì hệ thống nhận diện tự động, đảm bảo khai thác hiệu quả công nghệ mới. Thời gian đào tạo dự kiến 3-6 tháng, do các đơn vị quản lý hạ tầng chủ trì.

  3. Phát triển phần mềm tích hợp: Nâng cấp phần mềm quản lý hạ tầng giao thông tích hợp chức năng nhận diện hư hỏng tự động, kết nối dữ liệu từ camera hành trình và hệ thống GIS để quản lý tập trung. Mục tiêu hoàn thành trong 12 tháng.

  4. Mở rộng nghiên cứu và ứng dụng: Khuyến khích nghiên cứu tiếp tục cải tiến mô hình YOLOv5, mở rộng nhận diện các dạng hư hỏng khác và áp dụng tại nhiều địa phương khác nhau để tăng tính đại diện và hiệu quả. Chủ thể thực hiện là các viện nghiên cứu và trường đại học trong vòng 2-3 năm tới.

Đối tượng nên tham khảo luận văn

  1. Cơ quan quản lý giao thông và hạ tầng: Giúp nâng cao hiệu quả quản lý duy tu bảo dưỡng, giảm chi phí vận hành và tăng cường an toàn giao thông thông qua ứng dụng công nghệ AI.

  2. Các nhà nghiên cứu và sinh viên ngành Quản lý xây dựng, Công nghệ thông tin: Cung cấp kiến thức chuyên sâu về ứng dụng deep learning trong quản lý xây dựng, mở rộng hướng nghiên cứu về AI trong hạ tầng giao thông.

  3. Doanh nghiệp phát triển phần mềm và công nghệ AI: Tham khảo để phát triển các giải pháp phần mềm nhận diện hư hỏng mặt đường, tích hợp vào hệ thống quản lý giao thông thông minh.

  4. Các đơn vị thi công và bảo trì đường bộ: Hỗ trợ trong việc lập kế hoạch bảo trì dựa trên dữ liệu chính xác, giảm thiểu chi phí và thời gian sửa chữa không cần thiết.

Câu hỏi thường gặp

  1. YOLOv5 là gì và tại sao được chọn cho nghiên cứu này?
    YOLOv5 là một mô hình mạng neural tích chập hiện đại, nổi bật với tốc độ nhận diện nhanh và độ chính xác cao, đặc biệt hiệu quả trong việc phát hiện các đối tượng nhỏ và ở khoảng cách xa. Nó phù hợp với yêu cầu nhận diện hư hỏng mặt đường trong thời gian thực, giúp tiết kiệm chi phí và nhân lực.

  2. Dữ liệu hình ảnh được thu thập như thế nào?
    Dữ liệu được thu thập từ các camera hành trình gắn trên phương tiện giao thông di chuyển trên các tuyến đường bộ tại Việt Nam trong năm 2023. Các đoạn video này ghi lại hình ảnh mặt đường với nhiều dạng hư hỏng khác nhau, được xử lý và gán nhãn để huấn luyện mô hình.

  3. Mô hình có thể áp dụng trong điều kiện thời tiết xấu không?
    Mô hình đã được thử nghiệm trong nhiều điều kiện ánh sáng và thời tiết khác nhau, cho kết quả ổn định. Tuy nhiên, trong điều kiện mưa to hoặc sương mù dày đặc, chất lượng hình ảnh giảm có thể ảnh hưởng đến độ chính xác, cần bổ sung dữ liệu huấn luyện phù hợp để cải thiện.

  4. Chi phí tiết kiệm được khi áp dụng mô hình là bao nhiêu?
    Ước tính mô hình giúp giảm khoảng 15-20% chi phí duy tu bảo dưỡng so với phương pháp truyền thống nhờ phát hiện sớm và ưu tiên xử lý các hư hỏng nhỏ, tránh lan rộng và hư hỏng nghiêm trọng.

  5. Làm thế nào để triển khai mô hình vào thực tế?
    Cần trang bị hệ thống camera hành trình và phần mềm nhận diện tự động, đào tạo nhân lực vận hành, đồng thời tích hợp dữ liệu vào hệ thống quản lý hạ tầng giao thông hiện có. Việc này nên được thực hiện theo lộ trình 1-2 năm với sự phối hợp của các cơ quan quản lý và đơn vị công nghệ.

Kết luận

  • Nghiên cứu đã xây dựng thành công mô hình nhận diện tự động hư hỏng mặt đường sử dụng thuật toán YOLOv5 với độ chính xác trung bình đạt 85% và tốc độ xử lý phù hợp cho ứng dụng thực tế.
  • Việc ứng dụng mô hình giúp giảm chi phí duy tu bảo dưỡng khoảng 15-20%, đồng thời nâng cao hiệu quả quản lý và an toàn giao thông.
  • Mô hình có khả năng nhận diện đa dạng các dạng hư hỏng phổ biến như vết nứt, ổ gà và lún sụt trong nhiều điều kiện môi trường khác nhau.
  • Đề xuất triển khai hệ thống nhận diện tự động, đào tạo nhân lực và phát triển phần mềm tích hợp để ứng dụng rộng rãi trong quản lý hạ tầng giao thông.
  • Hướng nghiên cứu tiếp theo tập trung vào mở rộng phạm vi nhận diện, cải tiến mô hình và áp dụng tại nhiều địa phương nhằm nâng cao tính đại diện và hiệu quả quản lý.

Quý độc giả và các cơ quan quản lý được khuyến khích tiếp cận và ứng dụng kết quả nghiên cứu nhằm thúc đẩy chuyển đổi số trong lĩnh vực quản lý xây dựng và bảo trì hạ tầng giao thông đường bộ.