Tổng quan

Với tình trạng thường xuyên xảy ra các vụ tai nạn giao thông lớn nhỏ giữa các loại phương tiện với nhau do mật độ các phương tiện lưu thông cao và ý thức của người tham gia giao thông chấp hành chưa tốt, các hành vi vượt đèn đỏ, không đội mũ bảo hiểm,… đặc biệt và hay diễn ra tại các tuyến đường cao điểm luôn có xe máy và xe ô tô cỡ lớn hoạt động liên tục lân cận các trường đại học. Ví dụ như: “Đoạn đường dài khoảng 1km, từ ngã ba 621 (xa lộ Hà Nội) vào bến xe buýt Ðại học Quốc gia TP.HCM được xem là “điểm đen” về tai nạn giao thông.” “Trong năm qua tại Khu đô thị ĐH Quốc gia đã xảy ra 18 vụ tai nạn giao thông. Trong đó có 6 vụ liên quan đến xe buýt và có hai vụ gây chết hai người”

Khoá luận về đề tài “XÂY DỰNG HỆ THỐNG NHẬN DIỆN VI PHẠM VÀ ỨNG DỤNG TRA CỨU THÔNG TIN VI PHẠM GIAO THÔNG DỰA TRÊN CÁC LOẠI MÔ HÌNH MÁY HỌC” nhằm mục đích phát hiện hành vi vi phạm giao thông trong phạm vi nội đô đại học Quốc gia Hồ Chí Minh, cụ thể
là hành vi vượt đèn đỏ, bằng cách áp dụng các kỹ thuật Học sâu tiên tiến. Nghiên cứu này sử dụng dữ liệu giao thông kết hợp với các kỹ thuật tiền xử lý dữ liệu để làm sạch và chuẩn bị dữ liệu cho việc huấn luyện mô hình. Các mô hình máy học như Học sâu (Deep Learning), Mạng nơ-ron tích chập (Convolutional Neural Networks – CNN), và Máy học tăng cường (Reinforcement Learning) được áp dụng để phát hiện hành vi vi phạm giao thông. Kết quả cho thấy mô hình Học sâu cho kết quả tốt nhất trong việc phát hiện vi phạm vượt đèn đỏ với độ chính xác cao và khả năng xử lý dữ liệu hình ảnh hiệu quả.

Từ đó, khoá luận đề xuất triển khai hệ thống giám sát giao thông tự động sử dụng các mô hình máy học tại các giao lộ quan trọng và có tỷ lệ vi phạm cao, tích hợp các mô hình này vào hệ thống quản lý giao thông hiện có để cung cấp cảnh báo sớm về các hành vi vi phạm, đồng thời tăng cường công tác tuyên truyền và giáo dục về việc áp dụng công nghệ trong giám sát giao thông nhằm nâng cao ý thức chấp hành luật giao thông của người dân.

Việc áp dụng các mô hình máy học trong giám sát và quản lý giao thông mở ra những cơ hội mới trong việc phát hiện vi phạm, đặc biệt là hành vi vượt đèn đỏ. Các mô hình này không chỉ giúp tăng cường hiệu quả giám sát mà còn đóng vai trò quan trọng trong việc giảm thiểu tai nạn và đảm bảo an toàn giao thông. Sự phối hợp chặt chẽ giữa các cơ quan chức năng và việc áp dụng công nghệ tiên tiến sẽ góp phần tạo ra một môi trường giao thông an toàn và văn minh hơn.

Mục tiêu và phạm vi nghiên cứu

Mục đích chính của đề tài này là phát triển “XÂY DỰNG HỆ THỐNG NHẬN DIỆN VI PHẠM VÀ ỨNG DỤNG TRA CỨU THÔNG TIN VI PHẠM GIAO THÔNG DỰA TRÊN CÁC LOẠI MÔ HÌNH MÁY HỌC”, nhằm tự động hóa quá trình phạt nguội và giữ trật tự an toàn giao thông. Hệ thống sẽ sử dụng đa dạng các loại mô hình Deep Learning để xử lý dữ liệu được thu thập các camera giám sát, cho phép xử lý một cách tự động.

Phần offline:

• Xây dựng bộ dữ liệu: Thu thập, gán nhãn và tăng cường dữ liệu để tạo ra một bộ dữ liệu phong phú và đa dạng.
• Huấn luyện mô hình: Sử dụng bộ dữ liệu đã xây dựng để huấn luyện và đánh giá các mô hình SSD MobileNet v2, YOLOv5

Phần online: Đánh giá và cải tiến: Liên tục đánh giá hiệu suất của hệ thống trong môi trường thực tế và cải tiến để đảm bảo độ chính xác và hiệu quả.

Tổng quan mô hình

Nghiên cứu đề xuất một khung làm việc cho “Hệ thống nhận diện phương tiện vi phạm giao thông”, hệ thống thiết kế đảm bảo việc thu thập, xử lý, và phân tích dữ liệu diễn ra một cách hiệu quả và nhất quán.

Hệ thống gồm 3 phần chính:

• Traffic Light: Phần này tập trung vào việc xây dựng và phát triển bộ dữ liệu cũng như các mô hình học máy. Quy trình này bao gồm: Thu thập và gán nhãn dữ liệu, tăng cường dữ liệu, phát triển và huấn luyện mô hình InceptionV3 để nhận diện và phân loại đèn giao thông.
• License plate detection: Tập trung vào xây dựng và phát triển bộ dữ liệu cũng như các mô hình học máy. Quy trình này bao gồm: Thu thập và gán nhãn dữ liệu, tăng cường dữ liệu, phát triển và huấn luyện các mô hình như YOLO để nhận diện được vị trí biển số xe trong một khung hình.
• Optical Character Recognition: Phần này tập trung vào việc tiếp nhận kết quả của quá trình trước đó để nhận diện được ký tự và cho ra thông tin chính xác của biển số xe vi phạm.

Ngoài ra, “Hệ thống nhận diện phương tiện vi phạm giao thông” còn sử dụng thêm Hough Line Transform kết hợp cùng SSD MobileNetv2(cho nhiệm vụ nhận diện phương tiện giao thông đi vào vùng vi phạm) để phân tích hành vi của phương tiện tham gia giao thông đang theo dõi.

Tại phần này, nhóm sẽ thử nghiệm khả năng nhận diện và phân loại đèn giao thông theo 3 lớp (go, stop, warning) của mô hình nhận diện và phân loại đèn giao thông mà nhóm đã huấn luyện ở trên.

Kết luận

• Hệ thống nhận diện được đèn tín hiệu, khu vực vi phạm và biển số xe.
• Triển khai và chạy thử hệ thống trong khu vực Làng đại học, nhận diện thành công đèn tính hiệu và biển số xe vi phạm.
• Triển khai được ứng dụng cứu được phương tiện xe vi phạm dựa trên biển số xe vi phạm.
• Hệ thống chưa có khả năng nhận diện Realtime. Thời gian nhận diện video đưa vào khá lâu.
• Thời gian thử nghiệm hệ thống vào thực tế còn khá ngắn (30 phút), chưa đọc được thông tin biển số xe ra file txt
• Hệ thống không thể hoạt động liên tục theo thời gian. Giải pháp để cải thiện việc này là deploy mô hình lên cloud service EC2.