Ứng dụng deep learning vào việc hỗ trợ phân luồng và giám sát giao thông

TĨM TẮT Thực trạng giao thơng ở Việt Nam ln tồn nhiều vấn đề như: loại phương rất đa dạng, số lượng phương tiện giao thông đường rất nhiều, ý thức tham gia giao thông kém, quản lý giao thông lỏng lẻo Nhưng Việt Nam lại nước có tốc độ phát triển kinh tế nhanh khu vực châu Á, dẫn đến số lượng phương tiện giao thông tập trung thành phố lớn ngày tăng Những vấn đề dẫn đến tình trạng ùn tắc nghiêm trọng Việt Nam cũng nước phát triển thế giới Sau trình tìm hiểu, với 600 camera giám sát lắp đặt hầu hết tuyến đường thành phố Hồ Chí Minh số lượng camera sẽ còn tăng tương lai Chính vì vậy chúng tơi chọn nghiên cứu đề tài: “Ứng dụng Deep Learning hỗ trợ phân luồng giám sát giao thông” để xử lý nguồn dữ liệu sau thu từ camera phương pháp hiệu có tính khả thi giúp quản lý giám sát tình trạng giao thông tốt Trong nghiên cứu này, chúng đề xuất phương pháp nhận dạng theo dõi phương tiện để giải quyết vấn đề Quá trình thực bao gồm hai bước chính: nhận dạng theo dõi phương tiện giao thông Bước đầu phương tiện giao thông nhận dạng phân loại thành dạng (xe máy, xe ô tô, xe bus, xe khách, xe tải) thuật toán YOLOv3 Sau đó bước theo dõi trình di chuyển phương tiện Deep Sort Cuối cùng tất dữ liệu phương tiện gửi đến phần phân tích ước lượng phương tiện giao thông việc đếm phân loại phương tiện theo hướng di chuyển Tất trình điều chạy thời gian thực với mạch nhúng Jetson Nano Tḥt tốn hoạt động ởn định, mạnh mẽ với độ chính xác trình nhận dạng lên đến 90% Trong tương lai, chúng mong muốn có thể tiếp tục nghiên cứu, cải tiến phát triển đề tài qua việc phát triển những ứng dụng liên kết với Server từ đó giúp việc giám sát tình trạng giao thông theo thời gian thực quan nhà nước thực dễ dàng hơn, đồng thời người dân người tham gia giao thông có thể sử dụng ứng dụng để trực tiếp giám sát chủ động đưa những quyết định phù hợp cho lộ trình chính mình viii ABSTRACT The reality of transportation in Vietnam has comprised existential issues such as variety type of vehicle with large amount on the road, people’s traffic consciousness is poor, loose of traffic management But Vietnam is a country with rapid economic development in Asia, leading to an increasing number of transportation in big cities These problems lead to serious congestion in Vietnam as well as in developing countries around the world After the research process, with more than 600 trafic cameras have been installed on most streets of Ho Chi Minh City and the number of cameras will increase in the near future Therefore, we choose to study the project: "Application of Deep Learning to support traffic monitoring and distribution" to process the data which is collected from cameras This is an effective and feasible method to improve and manage transportation in Vietnam In this project, detecting and tracking method is proposed to solve this problem The process consists of two main steps: detecting and tracking vehicles Initially, vehicles were identified and classified into different types (motorcycle, car, bus, coach, truck) by the YOLOv3 algorithm Next, vehicles are tracked by Deep Sort Finally vehicles data will be analysised and estimated by counting and classifying vehicles according to the direction of movement The algorithm which is run in real time with the Jetson Nano board, is very stable, powerful and have the recognition accuracy over 90% In the future, we’re look forward to continuing to research, improve, and develop this project by developing applications that are linked to the Server so that we can monitor traffic conditions in real-time It is easier for government agencies to make it, and citizens can use this application to directly monitor and proactively make appropriate decisions for their own roadmap themself ix MỤC LỤC Nhiệm vụ đồ án tốt nghiệp i Trang nhận xét giáo viên hướng dẫn ii Trang nhận xét giáo viên phản biện iv Lời cảm ơn vi Tóm tắt viii Abstract ix Mục lục x Danh sách từ viết tắt thuật ngữ sử dụng xii Danh sách bảng biểu xiii Danh sách hình ảnh biểu đồ xiv CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI ỨNG DỤNG DEEP-LEARNING TRONG VIỆC HỖ TRỢ PHÂN LUỒNG VÀ GIÁM SÁT TÌNH TRẠNG GIAO THÔNG 1.1 Lý chọn đề tài 1.2 Mục tiêu nhiệm vụ nghiên cứu 1.3 Phạm vi đề tài 1.4 Bố cục luận văn CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Ùn tắc giao thông phương pháp xử lý 2.1.1 Thực trạng 2.1.2 Các giải pháp 2.1.2.1 Giải pháp giám sát tình trạng giao thông truyền thống 2.1.2.2 Giải pháp giám sát tình trạng giao thông áp dụng công nghệ cao 2.2 Nhận dạng đối tượng với Deep Learning 15 2.2.1 Convolutional Neural Network (CNN) 15 2.2.1.1 Các khái niệm 15 2.2.1.2 Các thành phần mạng CNN 17 2.2.2 R-CNN, Fast R-CNN Faster R-CNN 23 2.2.3 SSD (Single Shot Detector) 24 x 2.2.4 YOLO (YOU ONLY LOOK ONCE) 24 2.2.5 Intersection over Union (IoU) 30 2.3 Theo dõi đối tượng 31 2.3.1 Kalman Filter 31 2.3.2 Deep Sort 32 2.4 Kết luận tổng quan 33 CHƯƠNG 3: HỆ THỐNG THU THẬP DỮ LIỆU 34 3.1 Xây dựng Dataset 34 3.2 Phần cứng đề xuất 36 CHƯƠNG 4: NHẬN DẠNG VÀ THEO DÕI ĐỐI TƯỢNG 39 4.1 Nhận dạng đối tượng 39 4.2 Huấn luyện thuật toán 42 4.3 Kiểm tra tập liệu test đánh giá trình training 43 4.4 Theo dõi phương tiện 49 CHƯƠNG 5: KẾT QUẢ VÀ NHẬN XÉT 51 5.1 Kết nhận xét thuật toán 51 5.1.1 Kết nhận xét khả nhận dạn phương tiện 51 5.1.2 Kết nhận xét khả theo dõi phương tiện 54 5.2 Kết đạt chưa đạt sau trình thực đề tài 55 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 57 6.1 Kết luận 57 6.2 Hướng phát triển 57 TÀI LIỆU THAM KHẢO 59 xi DANH SÁCH CÁC TỪ VIẾT TẮT VÀ THUẬT NGỮ ĐƯỢC SỬ DỤNG Tên Định nghĩa Region Proposal Vùng đề xuất, những vùng mà có khả chứa đối tượng hoặc hình ảnh ở bên nó Bounding box Là hình chữ nhật vẽ bao quanh đối tượng nhằm xác định đối tượng Offsets Là tham số giúp xác định bounding box bao gồm tâm bounding box (x, y) chiều dài, chiều rộng (w, h) Anchor box Là bounding box sở để xác định bounding box bao quanh vật thể dựa phép dịch tâm scale kích thước chiều dài, rộng Feature Các đặc trưng tạo từ mạng deep CNN chẳng hạn Alexnet hoặc VGG16 giúp nhận diện nhãn hình ảnh Pipeline Là tập hợp bước xử lý liên tiếp nhận đầu vào dữ liệu (ảnh, âm thanh, trường dữ liệu) trả kết dự báo ở output Ground Truth Label Đây nhãn gắn cho dữ liệu nhằm làm nổi bậc đặc điểm để hỗ trợ cho trình phân loại xii DANH SÁCH BẢNG BIỂU Bảng 3.1: Số lượng hình ảnh phương tiện lưu thông đường nhóm đã thu thập số lượng phương tiện đã nhận dạng 36 Bảng 3.2: Thông số kỹ thuật Jetson Nano 37 Bảng 3.3: Các phận Jetson Nano 38 Bảng 5.1: Hiệu suất hoạt động đưa kết thuật toán khác với phần cứng đã chọn lựa 55 xiii DANH SÁCH HÌNH ẢNH VÀ BIỂU ĐỒ Hình 1.1: Việt Nam nước có tỉ lệ xảy tai nạn giao thông cao theo số liệu thống kê từ Our World in Data Hình 2.1: Thiết bị giám sát hành trình Hình 2.2: Tình trạng giao thông xem Google Maps Hình 2.3: Giao diện trang chủ Cổng thông tin giao thông 10 Hình 2.4: Qui trình chung công đoạn xử lý ảnh 11 Hình 2.5: Lưu đồ phép tách 13 Hình 2.6: Hoạt động Neural Network 13 Hình 2.7: Cấu trúc hình ảnh không giam màu RGB 16 Hình 2.8: Mặt nạ Kernel ma trận lớn (hình ảnh) 17 Hình 2.9: Quá trình mặt nạ Kernel quét ảnh xám 19 Hình 2.10: Quá trình mặt nạ Kernel quét ảnh RGB 19 Hình 2.11: Kết qua lớp Pooling với ma trận đầu vào có kích thước (5x5) 21 Hình 2.12: Trái: Hai lớp mạng neural kết nới hồn tồn khơng có tượng bỏ học Phải: Hai lớp giống sau giảm 50% kết nối 22 Hình 2.13: Mơ tả tḥt tốn YOLO 24 Hình 2.14: Ví dụ Classification loss 26 Hình 2.15: So sánh YOLO v3-Tiny với thuật toán khác 28 Hình 2.16: Cấu trúc Darknet 29 Hình 2.17: Định nghĩa IoU 30 Hình 2.18: Cách tính IoU 30 Hình 2.19: Cách thức hoạt động Kalman Filter 32 Hình 3.1: Các camera giao thông khu vực TP.Hồ Chí Minh 34 Hình 3.2: Kết dán nhãn ảnh ban đêm 35 xiv Hình 3.3: Kết dán nhãn ảnh ban ngày 35 Hình 3.4: Kết dán nhãn video 35 Hình 3.5: Board Jetson Nano đặc điểm phần cứng 37 Hình 4.1: Cấu trúc YOLOv3 YOLOv3-Tiny 40 Hình 4.2 Kích thước dữ liệu sau qua mỗi lớp 42 Hình 4.3: Sự hình thành Google Colaboratory 44 Hình 4.4: Biểu đồ tỉ lệ phần trăm khả nhận diện YOLOv3 44 Hình 4.5: Biểu đồ so sánh khả nhận diện thuật toán áp dụng YOLOv3 so với Ground Truth 45 Hình 4.6: Biểu đồ so sánh khả nhận diện thuật toán áp dụng YOLOv3-Tiny so với Ground Truth 46 Hình 4.7: So sánh Ground Truth với kết nhận diện thuật toán YOLOv3-Tiny sau 61.000 steps 47 Hình 4.8: So sánh Ground Truth với kết nhận diện thuật toán YOLOv3-Tiny sau 90.000 steps 47 Hình 4.9: So sánh Ground Truth với kết nhận diện thuật toán YOLOv3-Tiny sau 157.000 steps 48 Hình 4.10: So sánh Ground Truth với kết nhận diện thuật toán YOLOv3-Tiny sau 202.000 steps 48 Hình 4.11: Biểu đồ so sánh độ trùng khớp giữa khả nhận diện thuật toán Ground Truth 48 Hình 4.12: Hình tracking bị sai video kiểm tra 49 Hình 5.1: Kết nhận dạng phương tiện ban ngày 52 Hình 5.2: Kết nhận dạng ban đêm 53 Hình 5.3: Tracking video 54 xv CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI ỨNG DỤNG DEEP LEARNING TRONG VIỆC HỖ TRỢ PHÂN LUỒNG VÀ GIÁM SÁT TÌNH TRẠNG GIAO THÔNG 1.1 Lý chọn đề tài Việt Nam nước có tốc độ phát triển kinh tế nhanh khu vực, nên số người dân tập trung tập trung thành phố lớn ngày nhiều Tuy nhiên sở hạ tầng lại không thể đáp ứng kịp nhu cầu phát triển dẫn đến nhiều vấn nạn giao thông thường xuyên xảy Chính vì vậy mà trạng giao thông còn gây nên những vấn đề khiến xã hội phải tranh luận Không chỉ vì những thiệt hại mặt cải, vật chất mà nó gây ra, mà còn bởi vì những tổn hại vô cùng to lớn mặt thể chất cũng tinh thần đến người tham gia giao thông Những vấn nạn cướp sinh mạng rất nhiều người những lực lượng lao động quý giá, những nhà trí thức, những hiền tài những mầm non tương lai Hình 1.1: Việt Nam nước có tỉ lệ xảy tai nạn giao thông cao theo số liệu thống kê từ Our World in Data Theo thông tin thống kê từ Bộ Công an [1], tính từ đầu năm 2009 đến hết tháng 12 năm 2019, toàn đất nước đã xảy 320.000 vụ tai nạn giao thông đường bộ, làm chết 95.000 người làm bị thương gần 330.000 người Chỉ tính riêng năm 2019, địa bàn nước đã xảy 17.626 vụ tai nạn giao thông, cướp sinh mạng 7.624 người, làm 13.624 người bị thương Có thể kể đến những vụ tai nạn giao thông đặc biệt nghiêm trọng gây rúng động lòng người xót xa cho toàn xã hội vụ xe container tông hàng loạt xe máy dừng đèn đỏ Long An, hay vụ tai nạn thương tâm xe khách đâm vào đoàn người đưa đám ở Vĩnh Phúc khiến tang thương bao trùm tang thương khắp vùng quê Như vậy, 10 năm qua địa bàn nước bình quân mỗi năm có gần 10.000 người chết vì tai nạn giao thông, mỗi ngày xảy 50 vụ tai nạn làm tử vong bị thương rất nhiều người Trong đó đa số những vụ tai nạn thì người bị tai nạn độ tuổi lao động, chính nguồn lực không nhỏ để đất nước phát triển, điều tạo những hệ lụy không nhỏ cho xã hội Ngồi những vụ tai nạn giao thơng thì ùn tắc giao thông cũng vấn nạn cần phải giải quyết thật triệt để phương pháp thích hợp Theo số liệu thống kê từ Bộ Giao thông Vận tải [2], thiệt hại nạn ùn tắc giao thông gây cho hai thành phố lớn nhất nước ta thành phố Hồ Chí Minh Hà Nội 1,3 tỉ USD/năm 1,2 tỉ USD/năm [3] Thiệt hại kinh tế, sở vật chất không thể chối cãi không những thế mà nạn ùn tắc giao thông còn gây nên những hiểm họa khôn lường đến chính sức khỏe người tham gia giao thông họ phải chờ hàng phút, hàng giờ đường nắng oi bức tiếp xúc với khói bụi độc hại thải từ chính phương tiện mà họ sử dụng, đồng thời cũng chính những khí thải nguyên nhân trực tiếp gây nên tình trạng ô nhiểm không khí trầm trọng khiến cho hiệu ứng nhà kính ngày biến đổi khó lường trước Đứng trước thực trạng tình hình giao thơng khơng mấy tích cực đáng lo ngại nay, giảm thiểu số vụ tai nạn giao thông không chỉ còn mục tiêu mà đã trở thành những nhiệm vụ hàng đầu mà đất nước ta cần thực Tuy nhiên để thực hồn thành mục tiêu đã đề khơng chỉ còn dựa vào ý thức người tham gia giao thông mà còn cần phải có những luật khắt khe biện pháp cứng rắn Một vài nước phát triển đã bắt đầu sử dụng số biện pháp giám sát tình trạng giao thông dùng cảm biến áp suất để đo áp lực mà xe tác động lên mặt đường từ đó tính tốn sớ lượng xe di chủn mặt đường hoặc phương pháp khác chính sử dụng định vị GPS lắp đặt vào mỗi xe kết hợp với trạm thu phát sóng vô tuyến để xác định vị trí xe lưu thông từ đó có thể giám sát chính xác tình trạng giao thông thời điểm đó Tuy nhiên những Phần trăm 140 120 100 80 60 40 20 61000 steps Bus 87.5 XeKhach 15.38 XeMay 94.37 XeOto 66.77 XeTai 56.9 91000 steps 100 12.82 80.89 67.82 32.76 157000 steps 87.5 20.51 98.99 80.3 34.48 202000 steps 125 15.38 84.26 62.41 32.76 Loại phương tiện 61000 steps 91000 steps 157000 steps 202000 steps Biểu đồ tỉ lệ phần trăm khả nhận dạng yolov3-tiny Hình 4.6: Biểu đồ li lệ phần trăm khả nhận diện YOLOv3-tiny so với Ground Truth Qua biểu đồ lỉ tệ phần trăm khả nhận điện YOLOv3-Tiny so với Ground truth bước huấn luyện chúng ta thấy rằng: Khi trọng số huận luyện đến 202000 bước thì tỉ lệ phần trăm xe bus đã vượt 100% đã xảy việc nhận diện nhăm vài loại phương tiện khác thành xe bus Đến bước train thì trọng số đã không còn nhận diện tốt (overfitting) Xem qua bước huấn luyện còn lại thì bước 157000 tỉ lệ phần trăm khả nhận diện loại phương tiện đa số cao bước 61000 91000 Nên việc lựa chọn trọng số ở bước 157000 cho độ chính xác cao nhất Kết luận chung cho YOLOv3 YOLOv3-Tiny: Khi cấu trúc mạng yolov3 huấn luyện đến khoảng 5000 đến 6000 bước thì trọng số gần hội tụ cho khả nhận diện tốt nhất Còn đối với cấu trức mạng yolov3-tiny phải huấn luyện đến 150000 bước thì trọng số hoạt động tốt Nguyên dẫn đến khác biệt số lớp YOLOv3 nhiều gấp đôi YOLOv3-Tiny nên nỗi lần học thi mạng học nhiều đặc điểm Còn yolov3-tiny phải học nhiều lần để trọng số chính xác Nhưng xét thời gian huấn luyện gần tương đương 46 Độ chính xác cấu trúc mạng YOLOv3 YOLOv3-Tiny sau kiểm tra cùng tập dữ liệu thì gần tương đương Nhưng thời gian xử lý mỗi khung hình ở yolov3-tiny nhanh gấp khoảng lần so với yolov3 Qua thực nghiệm thì nhóm đã lựa chọn trọng số thuộc cấu trúc mạng yolov3-tiny có bước huận luyện 157000 bước Khả nhận điện loại phương tiện chênh khác lớn vì số lượng phương mỗi loại dùng huấn luyện không đồ nhất Sô lượng xe máy xe ô tô chí tỉ lệ cao Những hình ảnh thực nghiệm so sánh giữa ground truth với kết nhận dạng Hình 4.7: So sánh Ground Truth với kết nhận diện thuật toán YOLOv3Tiny sau 61.000 steps Hình 4.8: So sánh Ground Truth với kết nhận diện thuật toán YOLOv3Tiny sau 90.000 steps 47 Hình 4.9: So sánh Ground Truth với kết nhận diện thuật toán YOLOv3Tiny sau 157.000 steps Hình 4.10: So sánh Ground Truth với kết nhận diện thuật toán YOLOv3Tiny sau 202.000 steps Biểu đồ intersection over union (IoU) 23.8 23.4 Tỉ lệ % 19.1 13 9.3 7.1 3.1 0 0.1 0.1 0.6 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 0.3 IOU Hình 4.11: Biểu đồ so sánh độ trùng khớp khả nhận diện thuật toán Ground Truth 48 Sau loại bỏ step 202.000 thì chúng phải lựa chọn bước huấn luyện cho hiệu suất khả nhận biết thuật toán cao nhất Sau xem xét biểu đồ ta nhận thấy khả bám sát khoanh vùng phương tiện step 157.000 đạt số lượng phương tiện cao nhất độ chính xác 0.7 nằm mức chấp nhận 4.4 Theo dõi phương tiện Sau chúng chọn trọng số phù hợp cho trình nhận dạng Chúng tiến hành theo dõi đối tượng đã nhận dạng Như trình bày ở phần lý thút chúng tơi chọn tḥt tốn có tên gọi Deep Sort để thực trình theo dõi Trong thuật toán thực nhiệm vụ chính trích xuất đặc trưng đối tượng cần theo dõi Sau xác định đã xác địn.h phần đối tượng đó khung hình thì bước tiếp theo sẽ sử dụng lọc Kalman để xác định cách chính xác đâu đối tượng Để kiểm tra khả theo dõi thuật toán, chúng đã gắn nhãn (label) đoạn video dài 20s Trong video chúng đã đánh số thứ tự (ID, đánh từ đến 40) cho phương tiện lưu thông xuất video từ phương tiện đầu tiên cho đến phương tiện cuối cùng video Sau đó chúng thực kiểm tra kết nhận thấy số lượng phương tiện nhận diện lên đến số 44 Nguyên nhân dẫn đến sai lệch chính trình nhận dạng thuật toán nhận dạng đã đưa dự đốn cho đới tượng hai loại phương tiện khác Hình 4.12: Hình tracking bị sai video kiểm tra 49 Có thể lấy ví dụ khúng hình đầu tiên từ lúc xét xe tải nhận diện gắn nhãn đúng với thực tế khung hình tiếp theo lại nhận dạng xe ô tô trở lại xe tải Việc nhận dạng sai loại phương tiện cũng dẫn đến việc theo dõi phương tiện lưu thông bị sai lệch từ đó gây tương đánh sai số thứ tự Hoặc bị nhiễu số phương tiện mà mà phương tiện giao thông Để giải quyết vấn đề chúng tạo vùng màu xanh cần nhận diện đường video Khi đối tượng đã nhận diện mà nằm khu vực thì sẽ xem phương tiện giao thông từ đó tiến hành sẽ theo dõi chúng 50 CHƯƠNG 5: KẾT QUẢ VÀ NHẬN XÉT 5.1 Kết và nhận xét về thuật toán 5.1.1 Kết và nhận xét khả nhận dạn phương tiện Một số hình ảnh khả nhận dạng phương tiện lưu thơng tḥt tốn sau q trình huấn luyện 51 Hình 5.1: Kết nhận dạng phương tiện ban ngày 52 Hình 5.2: Kết nhận dạng ban đêm Sau chọn trọng số có độ chính xác cao Viêc thực nghiêm lại tập tập dữ liệu kiểm tra có kết sau: - Đạt được: Kết nhận dạng thuật toán YOLOv3 – Tiny huấn luyện gần 150000 bước, tập dữ liệu có khoảng 3700 ảnh, với số loại phương tiện loại Độ chính xác lên đến 90% đối với loại phương tiện mà số lượng dữ liệu huấn luyên nhiều thấp nhất có độ chính xác đạt 25 - 30% những phương tiện có tập dữ liệu ít Chỉ số đánh giá bounding box của thuật toán nhận dạng ground truth 0.7 Khả hoạt động thuật tốn chạy board mạch nhúng có tớc độ xử lý từ 10 đến 14 fps - Hạn chế: + Một sớ phương tiện tḥt tốn chưa nhận diện chính xác vì số lượng phương tiện huấn luyện ít so với phương tiện khác + Tại những góc ngã tư, phương tiện di chuyển theo chiều ngang so với camera thì thuật toán nhận diện sai hoặc không nhận diện phương tiện + Thuật toán nhận diện vị trí phương tiện giao thông đường, còn phân loai sai phương tiện 53 5.1.2 Kết và nhận xét khả theo dõi phương tiện Khi nhận dạng phân loại phương tiện giao thông việc theo dõi đối tượng nhận dạng với kết sau Hình 5.3: Tracking video - Đạt được: Thuật toán theo dõi phát tốt những phương tiện mặc dù khung hình tiếp theo tḥn tốn nhận dạng khơng phát Khi sử dụng thêm lọc Kalman thì việc theo dỗi những phương tiện trên đoạn đường thằng trở nên tốt hợn Trong video kiểm tra thuật toán theo dõi kết cho thấy ID đánh số đạt 93% độ chính xác Tốc độ xử lý theo dõi tren phương phương tiện thì giảm còn – fps - Chưa đạt được: + Khi có nhiều phương tiện xuất cùng khu vực nhận dạng thì tḥt tốn chưa hồn toàn đánh đúng ID phương tiện + Trong số trường hợp vài phương tiện chạy với tốc độ nhanh thuật toán chưa đưa dự đoán thật chính xác vị trí xuất tiếp theo phương tiện đó khung hình 54 + Khi xuất 10 phương tiện vùng cần theo dỗi thì tốc độ xử lý phần cứng bị giảm gấp đôi khoảng fps 5.2 Kết đạt và chưa đạt và sau trình thực đề tài - Đạt được: Với thời gian nghiên cứu có hạn nhóm chúng đã cố gắng hết sức để hoàn thành phần lớn những mục tiêu nhiệm vụ mà nhóm đề như: + Cấu hình, cài đặt thiết lập thông số cho phần cứng + Thu thập tập dữ liêu từ camera giám sát giao thông đường ở thành phớ Hồ Chí Minh + Lựa chọn tḥt tốn phù hợp với khả nhận dạng nhiều phương tiện, đồng đồng thời cũng tương thích tận dụng hết khả phần cứng + Bằng thuật toán lựa chọn nhóm chúng đã nhận dạng theo dõi đại đa số phương tiện gắn nhãn tập dữ liệu thu thập với độ chính xác cao + Giám sát số lượng phương tiện lưu thông đường từ dữ liệu video thực tế với hiệu suất làm việc chấp nhận + Khả đáp hoạt động board nhúng chạy thuật toán Deep learning Bảng 5.1: Hiệu suất hoạt động đưa kết thuật toán khác với phần cứng mà nhóm đã chọn lựa Bảng thống kê khả đáp ứng phần cứng Thuật toán Size đầu vào Bath Yolov3 320x320 Yolov3 416x416 Yolov3-Tiny 320x320 Yolov3-Tiny 416x416 FPS 3~4 1~2 11~14 7~9 - Hãn chế: Mặt khác còn những mục tiêu ý tưởng mà nhóm chưa thể thức vì nhiều lý khác nhau: + Độ chính xác thuật toán nhận dạng YOLOv3-Tiny còn hạn chế 55 + Số lượng dữ liệu thu thập dán nhãn còn hạn chế ở số phương tiện giao thông Đồng thời tập dữ liệu chưa đa dạng + Chưa phân tích lỗi vi phạm người tham giao thông vượt đèn đỏ hay vượt tốc độ 56 CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 Kết luận Sau thời gian nghiên cứu, tranh luận, thử nghiệm thực đề tài, mỗi thành viên nhóm nói riêng cũng nhóm thực nói chung đã học rất nhiều những kinh nghiệm, học nhiều kiến thức bở ích tḥt tốn Deep Learning cũng cách thức hoạt động chúng Nhóm thực đã hồn thành sớ những mục tiêu đã đề ra: - Xử lí nguồn dữ liệu rộng rãi từ camera giao thông trải khắp tuyến đường thành phố - Xây dựng dataset, tiến hành phân tích, xử lý lựa chọn thuật toán phù hợp - Định vị phương tiện dựa hình ảnh, phân loại chúng cách nhận dạng theo dõi chính xác - Thực thi tḥt tốn mạch nhúng khơng đòi hỏi q lớn mặt kinh phí đảm bảo hiệu suất mong muốn 6.2 Hướng phát triển Như đã đề cập bên việc áp dụng cũng cải tiến phát triển mô hình giám sát giao thông thành phố lớn, cung đường thường xảy vấn nạn ùn tắc giao thông việc có thể cần triển khai đất nước chúng ta, Từ đó chúng đưa số những đề xuất để phát triển mô hình như: - Cải tiến phần cứng mạnh mẽ để phù hợp với yêu cầu thuật toán đại hơn, từ đó giúp gia tăng độ chính xác khả nhận diện theo dõi phương tiện lưu thông phố nói riêng hay đối tượng cần chú ý nói chung - Tạo mạng lưới camera rộng khắp nẻo đường kết hợp đồng thời với hệ thống máy chủ đủ mạnh để có thể lưu trữ tập dữ liệu đồ sộ đó - Kết sau nhận dạng, đánh giá xử lý thuật toán sẽ cập nhật nhanh chóng lên hệ thống qua đó sẽ đưa quyết định hỗ trợ giám sát giao thông 57 - Phát triển app điện thoại để người dân có thể quan sát tình trạng giao thông theo thời gian thực đường từ đó chủ động việc lựa chọn đường cho thân - Phát triển phần mềm giúp quan nhà nước dễ dàng việc quản lý, giám sát tình trạng giao thông cũng góp phần đưa nhiều phương án giải quyết vấn nạn ùn tắc giao thông 58 TÀI LIỆU THAM KHẢO [1] Ngọc Ẩn (2019) Gần 10.000 người chết vì tai nạn giao thông mỗi năm Việt Nam, Tuổi Trẻ, Thời sự, 08/10/2019 [2] Mai Hà (2019), Thiệt hại hàng tỉ USD 'nghẽn' giao thông, Thanh Niên, Tài chính - Kinh Doanh, 13/05/2019 [3] Ngân Tuyền (2018), Hà Nội thiệt hại 1,2 tỷ USD năm ùn tắc giao thông, An ninh Thủ Đô, 24/10/2018 [4] Hồng Anh (2019) Những vụ ùn tắc giao thơng “kinh hồng” nhất lịch sử thế giới, Báo điện tử Đài Tiếng nói Việt Nam VOV.vn, Thế giới, 19/04/2019 [5] Federico Guerrini (2014) Traffic Congestion Costs Americans $124 Billion A Year, Forbes, Thời sự, 14/10/2014 [6] Federico Guerrini (2014) Traffic Congestion Costs Americans $124 Billion A Year, Forbes, Thời sự, 14/10/2014 https://www.researchgate.net/publication/254424803_Road_Traffic_Data_Collectio n_Methods_and_Applications [7] Quy định thiết bị giám sát hành trình xe ô tô từ 01/04/2020 ( Cập nhật: 04/05/2020), Cổng thông tin điện tử cơng an thành phớ hải phịng, xem 25/7/2020 [8] Báo Khoa học Phát triển (2016), Cổng tông tin điện tử giao thông vận tải [9] Trọng Hưng (2010), Kéo lê 99 smartphone đường để giả kẹt xe đánh lừa Google Maps, Zing News [10] Nguyễn Tiến Mạnh (2010) Xử lý ảnh phương pháp phát độ dịch chuyển Đồ án tốt nghiệp ,Khoa CNTT-Trường ĐHDL Hải Phòng 59 [11] Rafael C Gonzalez& Richard E Woods (2008), Color Image Processing Trong Digital Image Processing Pearson Education, United States of America, pp 443-447 [12] Mr Deepjoy Das and Dr Sarat Saharia (4/2014) Implementation And Performance Evaluation Of Background Subtraction Algorithms [13] Trung Anh Dang (2019), Mạng thần kinh — Neural network gì? [14] Theo wikipedia, SVM, Deep Learning gì, tởng quan deep Learning(30/12/2019) [15] Deep Learning gì, tởng quan deep Learning(30/12/2019) [16] Dr Adrian Rosebrock (2017) Convolutional Neural Networks Trong Dr Adrian Rosebrock, Deep Learning for Computer Vision with Python Xuất PYIMAGESEARCH Trang 169-195 [17] Khanh's Blog (2019) Các thuật toán Object Detection [18] Tran Quang Trung (2019), Tìm hiểu SSD MultiBox Real-Time Object Detection, viewed 18/7/2020 [19] UNIDUC TÌM HIỂU VỀ THUẬT TỐN SSD - SINGLE SHOT DETECTOR TRONG OBJECT DETECTION [20] Việt Hồng(2019), Tìm hiểu YOLO toán real-time object detection, xem vào 18/7/2020 [21] Adrian Rosebrock (2020),YOLO and Tiny-YOLO object detection on the Raspberry Pi and Movidius NCS [22] Shishira R Maiya (2019) DeepSORT: Deep Learning to Track Custom Objects in a Video, xem vào 20/07/2020 [23] YOLO: Real-Time Object Detection, xem vào 11/8/2020 [24] Theo developer nvidia , Jetson Nano Developer Kit 60 ... video 54 xv CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI ỨNG DỤNG DEEP LEARNING TRONG VIỆC HỖ TRỢ PHÂN LUỒNG VÀ GIÁM SÁT TÌNH TRẠNG GIAO THÔNG 1.1 Lý chọn đề tài Việt Nam nước có tốc độ... [7] Việc sử dụng thiết bị giám sát mang lại hiệu to lớn việc giám sát tình trạng giao thông Ưu điểm lớn nhất giải pháp tận dụng việc chia sẻ khai thác dữ liệu GPS thiết bị giám sát. .. thống camera giám sát giao thông thành phố Hồ Chí Minh kết hợp với việc sử dụng những thuật toán Deep Learning Mục tiêu chính cần phải thực nhận diện phương tiện giao thông giám sát chúng