Tổng quan đồ án
Một xu hướng tất yếu trong những năm gần đây là thay đổi từ phương tiện giao thông thông thường sang các loại phương tiện thân thiện với môi trường, đặc biệt là xe máy điện. Với sự phát triển nhanh chóng của công nghệ, nhu cầu về các trạm sạc xe máy điện ngày càng tăng. Để đáp ứng nhu cầu này, một hệ thống quản lý thông minh và hiệu quả là cần thiết. Nhu cầu cấp thiết đó đã dẫn đến việc tạo ra đề tài “Ứng dụng thị giác máy tính trong quản lý trạm sạc xe máy điện”. Mục tiêu của nó là hỗ trợ quá trình vận hành và nâng cao chất lượng dịch vụ mà các trạm sạc cung cấp.
Lý do chọn đề tài này xuất phát từ thực tế là các trạm sạc xe máy điện hiện đang gặp phải nhiều vấn đề và hạn chế, đặc biệt là quản lý người dùng và giám sát tình trạng sạc. Một giải pháp công nghệ hiện đại và hiệu quả là thị giác máy tính, có khả năng nhận diện và phân tích hình ảnh. Mục tiêu của nghiên cứu này là ứng dụng công nghệ thị giác máy tính để tự động hóa việc giám sát và quản lý các trạm sạc xe máy điện. Điều này sẽ giúp các trạm sạc tăng hiệu suất và giảm chi phí vận hành.
Mục tiêu chính của luận án là phát triển một hệ thống quản lý trạm sạc xe máy điện. Hệ thống này sẽ hoàn thành nhiều nhiệm vụ chính, chẳng hạn như hiển thị nhiệt độ và độ ẩm tại trạm, truyền hình camera trực tiếp, đếm số xe trong bãi và gửi cảnh báo qua Telegram khi phát hiện Các chức năng này không chỉ giám sát an ninh và môi trường của trạm sạc mà còn bảo vệ người dùng và thiết bị
Đồ án này tập trung vào việc phát triển hệ thống giám sát thông minh cho trạm sạc xe máy điện, sử dụng Raspberry Pi 5 kết hợp với Pi Camera và cảm biến DHT22. Hệ thống có khả năng phát hiện cháy bằng mô hình học máy và gửi cảnh báo qua Telegram, đồng thời giám sát số xe đang sạc và cung cấp thông tin nhiệt độ, độ ẩm lên ứng dụng web. Điều này giúp người dùng theo dõi và đảm bảo an toàn trạm sạc một cách hiệu quả.
Đối tượng nghiên cứu
● Máy tính nhúng: Raspberry Pi 5
● Nền tảng xử lý dữ liệu và huấn luyện mô hình: Google Colab
● Cấu trúc mô hình học sâu: YOLOv8
● Thiết bị thu thập hình ảnh: Pi Camera
Phạm vi nghiên cứu
Nhằm tạo điều kiện thuận lợi cho quá trình nghiên cứu và bố trí thiết bị, phạm vi nghiên cứu của đồ án tập trung vào:
● Thu thập dữ liệu tại các trạm sạc xe máy điện.
● Triển khai và đánh giá hệ thống dựa trên các dữ liệu hình ảnh thu được.
Cơ sở lý thuyết
Thị giác máy tính
Thị giác máy tính (Computer Vision) là một lĩnh vực liên ngành nghiên cứu cách máy tính có thể hiểu và trích xuất thông tin có ý nghĩa từ hình ảnh hoặc video kỹ thuật số. Nó liên quan đến việc phát triển các thuật toán và mô hình tính toán để máy tính có thể thực hiện các tác vụ như con người làm, chẳng hạn như nhận dạng đối tượng, phân đoạn hình ảnh, theo dõi đối tượng và phong cảnh.
Thị giác máy tính có thể giúp chúng ta hiểu thế giới xung quanh tốt hơn và tạo ra các ứng dụng mới và sáng tạo.
● Nhận dạng khuôn mặt: Computer vision được sử dụng để nhận dạng khuôn mặt của con người, chẳng hạn như trong các ứng dụng bảo mật và nhận dạng khách hàng.
● Nhận dạng đối tượng: Computer vision được sử dụng để xác định các đối tượng trong hình ảnh, chẳng hạn như trong các ứng dụng phân loại sản phẩm và tự lái xe.
● Theo dõi chuyển động: Computer vision được sử dụng để theo dõi chuyển động của các đối tượng trong video, chẳng hạn như trong các ứng dụng theo dõi hành động và theo dõi đối tượng.
● Tự lái xe: Thị giác máy tính là một thành phần quan trọng của công nghệ tự lái xe. Thị giác máy tính được sử dụng để giúp xe nhận biết các đối tượng trong môi trường xung quanh, chẳng hạn như xe khác, người đi bộ và vật thể trên đường.
● Hệ thống giám sát: Thị giác máy tính được sử dụng trong các hệ thống giám sát để phát hiện các hoạt động bất thường.
Các thiết bị nhúng
Raspberry Pi 5
● Hiệu năng mạnh mẽ: Raspberry Pi 5 được trang bị bộ vi xử lý nhanh hơn, cung cấp khả năng xử lý mạnh mẽ cho các ứng dụng đòi hỏi hiệu năng cao như trí tuệ nhân tạo (AI), học máy (machine learning), và các tác vụ đa phương tiện.
● Dung lượng RAM lớn: Với nhiều tùy chọn dung lượng RAM (từ 2GB, 4GB, đến 8GB), Raspberry Pi 5 có khả năng đáp ứng nhu cầu xử lý và lưu trữ của nhiều loại ứng dụng, từ các dự án đơn giản đến các ứng dụng phức tạp.
● Kết nối và mở rộng: Raspberry Pi 5 có nhiều cổng kết nối và khả năng mở rộng, bao gồm USB 3.0, HDMI kép, Ethernet, và các giao diện GPIO. Điều này cho phép kết nối với nhiều thiết bị ngoại vi và cảm biến, phục vụ cho các dự án IoT, tự động hóa, và điều khiển.
● Đồ họa và đa phương tiện: Với bộ xử lý đồ họa cải tiến, Raspberry Pi 5 hỗ trợ độ phân giải 4K và các tác vụ đa phương tiện phức tạp, làm cho nó trở thành lựa chọn lý tưởng cho các ứng dụng phát triển media center và hiển thị.
Camera Raspberry Pi
Camera Module 65 Degree FoV Fixed Focus OV5647 5MP for Raspberry Pi sử dụng cảm biến OV5647 tương tự như Module Camera Raspberry Pi V1 với ống kính 65 độ tiêu cự cố định, camera có chất lượng hình ảnh tốt với độ phân giải 5MP thích hợp cho các ứng dụng xử lý ảnh, truyền hình ảnh trên Raspberry Pi hoặc các bo mạch tương thích khác như Jetson Nano,…
Sensor DHT22
Cảm biến độ ẩm, nhiệt độ DHT22 Temperature Humidity Sensor ra chân là phiên bản ra chuẩn chân cắm thông dụng 2.54mm hàn sẵn trên mặt in với trở kéo dễ dàng sử dụng, ứng dụng đo độ ẩm, nhiệt độ môi trường với độ chính xác cao, cảm biến có chất lượng tốt, độ bền và độ ổn định cao.
Kiến trúc hệ thống
Kiến trúc hệ thống được thiết kế nhằm tối ưu hóa việc giám sát, quản lý và phản ứng nhanh chóng đối với các sự cố có thể xảy ra tại trạm sạc. Hệ thống sử dụng Raspberry Pi 5 như một trung tâm điều khiển chính, kết nối với các thành phần khác để thu thập, xử lý và phân phối thông tin. Mô hình kiến trúc của dự án được thể hiện qua sơ đồ dưới đây:
Mô tả chi tiết hoạt động
(1) Thu thập và truyền dữ liệu: Raspberry Pi 5 thu thập dữ liệu từ cảm biến DHT22 và Pi Camera, sau đó gửi dữ liệu này đến Web Server.
(2) Xử lý và lưu trữ: Web Server nhận và xử lý dữ liệu, lưu trữ thông tin vào MongoDB. Các luồng video từ Pi Camera cũng được xử lý và phát trực tiếp qua hệ thống.
(3) Giám sát và cảnh báo: Hệ thống giám sát liên tục các dữ liệu nhận được. Khi phát hiện lửa, hệ thống sẽ gửi cảnh báo ngay lập tức đến Fire Alarm thông qua tin nhắn Telegram. Đồng thời, người quản lý có thể giám sát các thông số và trạng thái trạm sạc thông qua Web Monitor.
(4) Truy xuất dữ liệu: Các ứng dụng hoặc người dùng có thể truy xuất dữ liệu từ hệ thống thông qua các API REST do Web Server cung cấp.
Đánh Giá và Tinh Chỉnh
Sau khi hoàn thành quá trình huấn luyện, mô hình được đánh giá kỹ lưỡng trên tập dữ liệu kiểm tra. Chúng tôi sử dụng các chỉ số đánh giá như mAP (mean Average Precision) để đo lường độ chính xác của mô hình trong việc phát hiện lửa và đếm xe máy điện. Nếu cần thiết, mô hình sẽ được tinh chỉnh để đạt hiệu suất tốt nhất.
Triển Khai Mô Hình
Mô hình YOLOv8 đã được huấn luyện và tinh chỉnh sẽ được triển khai trên Raspberry Pi 5. Raspberry Pi sẽ sử dụng mô hình này để phát hiện lửa và đếm số lượng xe máy điện trong thời gian thực, kết hợp với camera Raspberry Pi để giám sát khu vực.
Thực nghiệm và kết quả
Kết luận
Trong quá trình nghiên cứu và phát triển, chúng tôi đã đạt được những kết quả quan trọng:
● Phát triển hệ thống hoàn chỉnh: Hệ thống giám sát sử dụng Raspberry Pi 5, Pi Camera, và cảm biến DHT22 đã hoạt động ổn định, đáp ứng tốt các yêu cầu đề ra.
● Ứng dụng thành công mô hình học sâu YOLOv8: Mô hình YOLOv8 được triển khai trên Raspberry Pi đã phát hiện đối tượng và sự cố cháy với độ chính xác cao.
● Tích hợp công nghệ web hiện đại: Việc sử dụng Java Spring Framework và ReactJS đã giúp xây dựng một ứng dụng web thân thiện, dễ sử dụng và có khả năng mở rộng.
Tuy nhiên, đồ án cũng gặp phải một số thách thức như hạn chế về tài nguyên phần cứng của Raspberry Pi, yêu cầu tối ưu hóa mô hình học máy để chạy hiệu quả trên thiết bị nhúng, và cần phải cải thiện thêm về mặt giao diện người dùng.
Trong tương lai, hệ thống có thể được phát triển thêm các tính năng như:
● Mở rộng khả năng giám sát: Tích hợp thêm các loại cảm biến và thiết bị giám sát khác để cung cấp thông tin chi tiết hơn về tình trạng của trạm sạc.
● Tối ưu hóa mô hình học máy: Nâng cao hiệu suất của mô hình học sâu để giảm thời gian xử lý và tăng độ chính xác.
● Phát triển ứng dụng di động: Xây dựng ứng dụng di động để người dùng có thể giám sát và quản lý trạm sạc từ xa một cách tiện lợi hơn.
