Phát triển hệ thống thu phí thông minh sử dụng phương pháp học sâu với mạng neural tích chập

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH ∞0∞ LÊ NGUYỄN HỒ HẢI NGÂN PHÁT TRIỂN HỆ THỐNG THU PHÍ THƠNG MINH SỬ DỤNG PHƯƠNG PHÁP HỌC SÂU VỚI MẠNG NEURAL TÍCH CHẬP LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH TP HỒ CHÍ MINH, NĂM 2022 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH ∞0∞ LÊ NGUYỄN HỒ HẢI NGÂN PHÁT TRIỂN HỆ THỐNG THU PHÍ THÔNG MINH SỬ DỤNG PHƯƠNG PHÁP HỌC SÂU VỚI MẠNG NEURAL TÍCH CHẬP Chun ngành: Khoa học máy tính Mã số chuyên ngành: 48 01 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Giảng viên hướng dẫn: TS GVCC LÊ XUÂN TRƯỜNG TP HỒ CHÍ MINH, NĂM 2022 TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH KHOA ĐÀO TẠO SAU ĐẠI HỌC CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc GIẤY XÁC NHẬN Tôi tên là: Lê Nguyễn Hồ Hải Ngân Ngày sinh: 19/12/1985 Nơi sinh: Long An Chuyên ngành: Khoa học máy tính Mã học viên: 1884801010006 Tơi đồng ý cung cấp tồn văn thơng tin luận văn tốt nghiệp hợp lệ quyền cho Thư viện trường đại học Mở Thành phố Hồ Chí Minh Thư viện trường đại học Mở Thành phố Hồ Chí Minh kết nối tồn văn thơng tin luận văn tốt nghiệp vào hệ thống thông tin khoa học Sở Khoa học Cơng nghệ Thành phố Hồ Chí Minh Ký tên Lê Nguyễn Hồ Hải Ngân i LỜI CAM ĐOAN Tôi cam đoan luận văn “Phát triển hệ thống thu phí thơng minh sử dụng phương pháp học sâu với mạng neural tích chập” nghiên cứu tơi Ngoại trừ tài liệu tham khảo trích dẫn luận văn này, tơi cam đoan toàn phần hay phần nhỏ luận văn chưa công bố sử dụng để nhận cấp nơi khác Không có sản phẩm/nghiên cứu người khác sử dụng luận văn mà khơng trích dẫn theo quy định Luận văn chưa nộp để nhận cấp trường đại học sở đào tạo khác Thành phố Hồ Chí Minh, năm 2022 Lê Nguyễn Hồ Hải Ngân ii LỜI CẢM ƠN Đầu tiên, em xin cảm ơn Ban Giám Hiệu trường Đại Học Mở Thành Phố Hồ Chí Minh tạo mơi trường học tập tốt thuận lợi cho học viên lớp cao học Trường Cảm ơn quý Thầy Cô tận tâm dạy hướng dẫn tất học viên nói chung thân em nói riêng Em vinh dự học tập kiến thức kinh nghiệm quý báu quý Thầy PGS TS Trần Vĩnh Phước, PGS TS Đỗ Phúc, TS Nguyễn Tiến Đạt, TS Trương Hồng Vinh, PGS TS Vũ Tình … nhiều Thầy Cô khác Đặc biệt, em xin chân thành cảm ơn Thầy, TS GVCC Lê Xuân Trường trực tiếp giảng dạy hướng dẫn em suốt trình thực luận văn Một lần nữa, em xin cảm ơn quý Thầy Cô - người anh hùng vẻ vang Bác Hồ nói: “Người thầy giáo tốt, người thầy giáo xứng đáng người thầy vẻ vang nhất, dù tên tuổi không đăng báo, không thưởng huân chương Song người thầy giáo tốt người anh hùng vô danh Đây điều vẻ vang, khơng có thầy giáo dạy dỗ cho em nhân dân mà xây dựng Chủ nghĩa Xã hội Vì nghề thầy giáo quan trọng, vẻ vang.” Học viên Lê Nguyễn Hồ Hải Ngân iii TÓM TẮT Trong năm gần đây, ngành công nghệ thông tin có bước tiến vượt bậc, đặc biệt lĩnh vực trí tuệ nhân tạo Các nghiên cứu trí tuệ nhân tạo ứng dụng rộng rãi nhiều lĩnh vực, có giao thơng thơng minh Ở Việt Nam, năm 2017, Thủ tướng Chính phủ ban hành định số 07/2017/QĐ-TTg việc thu giá dịch vụ sử dụng đường theo hình thức điện tử tự động khơng dừng Bên cạnh đó, TP Hồ Chí Minh thu phí tơ vào trung tâm giai đoạn 2021-2025, với dự kiến 34 trạm thu phí tạo thành vành đai khép kín khu vực trung tâm thành phố, số trục giao thông bên ngồi Tính cấp thiết sở để tác giả chọn đề tài “Phát triển hệ thống thu phí thơng minh sử dụng phương pháp học sâu với mạng neural tích chập” Hệ thống thu phí thông minh tác giả xây dựng với cụm chức cụm thu hình ảnh, cụm xử lý hình ảnh, cụm tính cước: - Cụm thu hình ảnh: gồm camera đặt cố định trạm kiểm sốt thu phí để thu tín hiệu hình ảnh Video thu truyền vào server để lưu trữ Server tiếp nhận video từ nhiều camera khác nhau, đóng vai trị lưu trữ video, đồng thời Streaming server, có khả cung cấp video theo thời gian thực camera thông qua giao thức RTSP - Cụm Xử lý hình ảnh: cấu thành mơ hình deep learning mơ hình Xử lý biển số mơ hình Xử lý ký tự: o Mơ hình Xử lý biển số: xây dựng dựa mơ hình YOLOv5 kết hợp DeepSORT để phát biển số xe theo vết biển số phát Khi nhận liệu video đầu vào, mơ hình Xử lý biển số thực việc phát biển số, theo vết tách biển số Kết đầu mơ hình Xử lý biển số ảnh biển số phương tiện o Mô hình Xử lý ký tự: giữ vai trị phát nhận diện ký tự biển số xe, xây dựng dựa mơ hình YOLOv5, huấn luyện theo iv phương pháp cải tiến giai đoạn tác giả đề xuất, giúp giảm 57.7% thời gian huấn luyện tăng độ xác 5.7% so với phương pháp huấn luyện thông thường - Cụm xử lý cước: xây dựng máy chủ quản lý hệ quản trị sở liệu MySQL với tham số lưu trữ sở liệu lộ trình, đơn giá cước, tài khoản toán , biến số kết đầu cụm Xử lý hình ảnh biển số xe, ngày, giờ, trạm ghi hình Kết thực nghiệm mơ hình có khả phát loại biển số với loại biển dài biển vuông, với màu sắc khác trắng, xanh, đỏ, vàng Kết thực nghiệm 23,662 hình ảnh tĩnh đạt độ xác 99.5%, thực nghiệm ảnh động với 56,460 khung hình đạt độ xác 98.5% Để giải toán nhận diện biển số, luận văn sử dụng phương pháp phân lớp để nhận diện ký tự, cải tiến phương pháp huấn luyện mơ hình xử lý ký tự cách huấn luyện hai giai đoạn, giúp tăng độ xác thêm 5.7%, đồng thời giảm 57.7% thời gian huấn luyện so với phương pháp thông thường, thực nghiệm với 57,042 ảnh tĩnh đạt độ xác đạt 99.0%, thực nghiệm ảnh động với 56,460 khung hình đạt độ xác 98.9% Đồng thời, luận văn xây dựng mơ hình xử lý thơng tin hồn chỉnh sử dụng ngơn ngữ lập trình Python, PHP, webserver Apache hệ quản trị sở liệu MySQL tạo khả tiếp nhận nhiều luồng liệu để xử lý thời gian ngắn, dễ vận hành, dễ mở rộng, dễ lưu trữ triển khai thực tế Bên cạnh đó, thời gian xử lý hệ thống đạt 0.2 giây, đủ đáp ứng xử lý thời gian thực Hướng phát triển luận văn tích hợp module Xử lý biển số Xử lý ký tự vào module để tăng tốc độ xử lý tổng hệ thống, đồng thời cải thiện thuật toán để giảm phát nhầm biển số, tăng độ xác phân lớp ký tự v ABSTRACT The information technology industry has made great strides in recent years, particularly in the field of artificial intelligence Artificial intelligence research is widely used in a variety of fields, including intelligent traffic In 2017, the Prime Minister of Vietnam issued Decision No 07/2017/QD-TTg on electronic toll collection Furthermore, Ho Chi Minh City will charge cars to enter the city between 2021 and 2025, with 34 toll stations expected to form a border to the city center and some major traffic axes outside The preceding urgency also motivates me to the topic "Development of an intelligent toll collection system using deep learning method with convolutional neural network." The intelligent toll collection system was designed with three main functional modules: Image Collection Module, Image Processing Module, and Costing Module i Image Collection Module: including cameras have installed in each tollgate control station to capture vehicle images The recorded video will be sent to the server for storage This server can receive video from various cameras, as well as serve as a video storage and streaming server, capable of providing real-time video from the cameras via the RTSP protocol ii Image Processing Module: is made up of two deep learning models, License Plate Processing Model and Character Processing Model: a License Plate Processing Model: Based on the YOLOv5 model and DeepSORT, this model detects license plates based on detected license plate tracks The License Plate Processing model detects, tracks, and crops license plates after receiving video input The License plate processing model produces an image of the vehicle's license plate b Character Processing Model: This model detects and recognizes license plate characters It was trained using 2-stage improvement method, which reduced vi training time by 57.7% and increased accuracy by 5.7% when compared to conventional training methods iii Costing Module: created by the MySQL DBMS server with parameters stored in the database such as route, unit price, payment account , and variable is the Image Processing System output such as license plate number, date, time, and station ID The system's experimental results show that it can detect number plates in both long and square formats, and in various colors such as white, blue, red, and yellow The accuracy of experimental results on 23,662 still images was 99.5%, and the accuracy of experimental results on moving images with 56,460 frames was 98.5% To solve the problem of character recognition, the thesis employs the classification method to recognize characters, improves the training method of the character processing model by training in two stages, thereby increasing accuracy by 5.7% and decreasing training time by 57.7% when compared to conventional methods, the experiment with 57,042 still images achieved 99.0% accuracy, and the experiment with 56,460 frames achieved 98.9% accuracy Simultaneously, the thesis has created a complete system using Python, PHP, Apache webserver, and MySQL database management system to enable future processing of multiple data streams short time, simple to operate, simple to expand, simple to store, and practically deployable Furthermore, the overall system processing time is less than 0.2 seconds, which is sufficient for real-time processing The thesis's next development path will combine the number plate processing and character processing modules into a single module to increase the overall processing speed of the system while also improving the algorithm to reduce incorrect number plate detection and increase character classification accuracy 50 Hình 4-18 Thông tin phương tiện cập nhật vào bảng theo dõi Khi hình ảnh xe ghi nhận trạm khác, thông tin biển số xe mã trạm gửi mơ hình Xử lý cước, hệ thống truy vấn phương tiện bắt đầu lộ trình trạm khác, nên ghi nhận kết thúc hành trình trạm tại, thực tính cước Hình 4-19 Thơng tin tính cước phương tiện kết thúc hành trình Kết thực nghiệm: Mơ hình truy vấn 100% phương tiện dựa ký tự biển số, tính 100% lộ trình giá cước Thời gian xử lý giao dịch mơ hình Xử lý cước đạt từ 0.003 giây đến 0.01 giây - Tổng thời gian xử lý hệ thống: Tổng thời gian xử lý hệ thống (tốc độ phát biển số + tốc độ truy vết + tốc độ phát ký tự + tốc độ phân lớp ký tự + tốc độ tính cước) = (0.08 + 0.02 + 0.041 + 0.01) = 0.151 giây, đáp ứng yêu cầu xử lý thời gian thực 51 KẾT LUẬN Với phát triển mạnh mẽ trí tuệ nhân tạo, đặc biệt lĩnh vực thị giác máy tính nhiều ứng dụng hữu ích cho sống, luận văn “Phát triển hệ thống thu phí thơng minh sử dụng phương pháp học sâu với mạng neural tích chập” giới thiệu thêm phương pháp để xây dựng phát triển hệ thống thu phí phương tiện giao thơng phương pháp học sâu Tuy số hạn chế bước đầu đạt số thành công định ứng dụng giao thức RTSP để dễ dàng mở rộng hệ thống quan sát tương thích với hầu hết loại camera thông dụng Luận văn sử dụng phương pháp học sâu để phát biển số nhận diện ký tự Mơ hình có khả phát loại biển số với loại biển dài biển vuông, với màu sắc khác trắng, xanh, đỏ, vàng Kết thực nghiệm 23,662 hình ảnh tĩnh đạt độ xác 99.5%, thực nghiệm ảnh động với 56,460 khung hình đạt độ xác 98.5% Để giải toán nhận diện biển số, luận văn sử dụng phương pháp phân lớp để nhận diện ký tự, cải tiến phương pháp huấn luyện mô hình xử lý ký tự cách huấn luyện hai giai đoạn, giúp tăng độ xác thêm 5.7%, đồng thời giảm 57.7% thời gian huấn luyện so với phương pháp thông thường, thực nghiệm với 57,042 ảnh tĩnh đạt độ xác đạt 99.0%, thực nghiệm ảnh động với 56,460 khung hình đạt độ xác 98.9% Đồng thời, luận văn xây dựng mơ hình xử lý thơng tin hồn chỉnh sử dụng ngơn ngữ lập trình Python, PHP, webserver Apache hệ quản trị sở liệu MySQL tạo khả tiếp nhận nhiều luồng liệu để xử lý thời gian ngắn, dễ vận hành, dễ mở rộng, dễ lưu trữ triển khai thực tế Bên cạnh đó, thời gian xử lý hệ thống đạt 0.2 giây, đủ đáp ứng xử lý thời gian thực Ngồi ra, mơ hình cịn tích hợp vào hệ thống camera giao thông camera an ninh, cung cấp khả khả ghi nhận biển số phương tiện giao thông, truy vết đối tượng, dễ dàng truy vấn lộ trình phương tiện lưu trữ sở liệu, góp phần phục vụ cơng tác bảo vệ an ninh trật tự xã hội 52 Hướng phát triển luận văn tích hợp module Xử lý biển số Xử lý ký tự vào module để tăng tốc độ xử lý tổng hệ thống, đồng thời cải thiện thuật toán để giảm phát nhầm biển số, tăng độ xác phân lớp ký tự 53 DANH MỤC TÀI LIỆU THAM KHẢO [1] [2] [3] [4] [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] Hendry and R.-C Chen, “Automatic License Plate Recognition via slidingwindow darknet-YOLO deep learning,” Image and Vision Computing, vol 87, pp 47–56, Jul 2019, doi: 10.1016/j.imavis.2019.04.007 S M Silva and C R Jung, “Real-time license plate detection and recognition using deep convolutional neural networks,” Journal of Visual Communication and Image Representation, vol 71, p 102773, Aug 2020, doi: 10.1016/j.jvcir.2020.102773 Lê Hữu Tài (2018), “Hệ thống quản lý tải trọng phương tiện vào cảng biển dựa kỹ thuật nhận dạng biển số xe động” Luận văn thạc sĩ Khoa học máy tính trường Đại học Cơng nghệ thơng tin (Đại học Quốc gia TP Hồ Chí Minh) Nguyễn Thế Quyền (2020), "“Nghiên cứu mạng nơron tích chập ứng dụng cho toán nhận dạng biển số xe” Luận văn thạc sĩ Kỹ thuật Học viện Công Nghệ Bưu Chính Viễn Thơng H Schulzrinne, A Rao, R Lanphier, M Westerlund, and M Stiemerling, “Real-Time Streaming Protocol Version 2.0,” RFC Editor, RFC7826, Dec 2016 doi: 10.17487/RFC7826 Rafael Osso (1999) Handbook of Emerging Communications Technologies: The Next Decade CRC Press p 42 ISBN 978-1-42004962-6 Bishop, Christopher M (2006) Pattern Recognition and Machine Learning Springer ISBN 0-387-31073-8 Y LeCun et al., “Handwritten Digit Recognition with a Back-Propagation Network,” p 9, 1989 Y LeCun, L Bottou, Y Bengio, and P Ha, “Gradient-Based Learning Applied to Document Recognition,” p 46, 1998 R Girshick, J Donahue, T Darrell and J Malik, "Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation," 2014 IEEE Conference on Computer Vision and Pattern Recognition, 2014, pp 580-587, doi: 10.1109/CVPR.2014.81 J Redmon, S Divvala, R Girshick and A Farhadi, "You Only Look Once: Unified, Real-Time Object Detection," 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016, pp 779-788, doi: 10.1109/CVPR.2016.91 J Redmon and A Farhadi, "YOLO9000: Better, Faster, Stronger," 2017 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2017, pp 6517-6525, doi: 10.1109/CVPR.2017.690 J Redmon and A Farhadi, “YOLOv3: An Incremental Improvement.” arXiv, Apr 08, 2018 Available: http://arxiv.org/abs/1804.02767 A Bochkovskiy, C.-Y Wang, and H.-Y M Liao, “YOLOv4: Optimal Speed and Accuracy of Object Detection.” arXiv, Apr 22, 2020 Available: http://arxiv.org/abs/2004.10934 54 [15] [16] [17] [18] [19] Chien-Yao Wang, Hong-Yuan Mark Liao, Yueh-Hua Wu, Ping-Yang Chen, Jun-Wei Hsieh, and I-Hau Yeh CSPNet: A new backbone that can enhance learning capability of cnn Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshop (CVPR Workshop), 2020 Glenn Jocher, Alex Stoken, Jirka Borovec, NanoCode012, ChristopherSTAN, Liu Changyu, Laughing, tkianai, Adam Hogan, lorenzomammana, yxNONG, AlexWang1900, Laurentiu Diaconu, Marc, wanghaoyang0106, ml5ah, Doug, Francisco Ingham, Frederik, … Prashant Rai (2020) ultralytics/yolov5: v3.1 - Bug Fixes and Performance Improvements (v3.1) Zenodo https://doi.org/10.5281/zenodo.4154370 https://github.com/ultralytics/yolov5/issues N Wojke, A Bewley and D Paulus, "Simple online and realtime tracking with a deep association metric," 2017 IEEE International Conference on Image Processing (ICIP), 2017, pp 3645-3649, doi: 10.1109/ICIP.2017.8296962 G Cohen, S Afshar, J Tapson, and A van Schaik, “EMNIST: Extending MNIST to handwritten letters,” in 2017 International Joint Conference on Neural Networks (IJCNN), Anchorage, AK, USA, May 2017, pp 2921– 2926 doi: 10.1109/IJCNN.2017.7966217 Turnitin Originality Report Processed on: 26-Oct-2022 10:22 +07 ID: 1935596874 Word Count: 8953 Submitted: LV-2610 By Ngan Le Nguyen Ho Hai   Similarity by Source Similarity Index 19% Internet Sources: Publications: Student Papers: 3% match (Internet from 01-Dec-2020) https://www.ctu.edu.vn/images/upload/TT36/2020/Bieu_18_E.pdf 2% match (Internet from 15-Apr-2021) http://sputnikedu.com/mot-chut-lich-su-ve-mang-than-kinh-nhan-tao/ 1% match (Internet from 27-Aug-2022) https://devai.info/2021/02/24/series-yolo-4-tim-hieu-cau-truc-yolov1v2v3-va-v4-phan-2/ 1% match (Internet from 27-Aug-2022) https://devai.info/2021/01/21/series-yolo-4-tim-hieu-cau-truc-yolov1v2v3-va-v4/ 1% match (Internet from 08-Jul-2022) https://aithietke.com/tong-hop-kien-thuc-tu-yolov1-den-yolov5-phan-3/ 1% match (Internet from 03-Jan-2022) http://baodientu.chinhphu.vn/Thong-cao-bao-chi/Thong-tin-chi-dao-dieu-hanh-cua-Chinh-phu-Thu-tuong-Chinhphu/374565.vgp 1% match (Internet from 27-Jul-2022) https://luatvietnam.vn/giao-thong/cong-van-7928-vpcp-cn-2019-thu-phi-dien-tu-tu-dong-khong-dung-tai-duong-cao-toc176567-d6.html 1% match (student papers from 16-Sep-2020) Submitted to Vietnam Maritime University on 2020-09-16 1% match (Internet from 11-Sep-2022) https://viblo.asia/p/tong-hop-kien-thuc-tu-yolov1-den-yolov5-phan-2-V3m5WRDblO7 1% match (Internet from 08-Oct-2021) https://www.tailieudaihoc.com/3doc/2416118.html 1% match (Internet from 01-Nov-2021) https://24htech.vn/day-la-nhung-thu-ban-can-biet-ve-giao-thuc-rtsp-danh-cho-camera-an-ninh.html < 1% match (Internet from 09-Aug-2022) https://luatvietnam.vn/tai-chinh/chi-thi-06-ct-ttg-2018-day-nhanh-tien-do-thu-gia-dich-vu-su-dung-duong-bo-theo-hinh-thucdien-tu-tu-dong-khong-dung-159897-d1.html < 1% match (student papers from 10-Mar-2017) Submitted to Vietnam Maritime University on 2017-03-10 < 1% match (student papers from 06-Jun-2021) Submitted to Vietnam Maritime University on 2021-06-06 < 1% match (Internet from 31-Oct-2021) https://www.tailieudaihoc.com/3doc/3135737.html < 1% match (Internet from 25-Sep-2022) https://portal.ptit.edu.vn/wp-content/uploads/2022/06/Tong-hop-so-04.2021-v-Final.pdf < 1% match (Internet from 25-Sep-2022) https://portal.ptit.edu.vn/wp-content/uploads/2022/06/Tong-hop-so-01.2022-final.pdf < 1% match (Internet from 12-Oct-2022) https://cdn.duytan.edu.vn/upload/file/2.-BAI-2-(Tran-Thu-Hien)-art-44.pdf < 1% match (publications) Banking Academy < 1% match (Internet from 18-Oct-2021) https://www.hcmcpv.org.vn/tin-chuyen-de/nghi-quyet-54-2017-qh14-cua-quoc-hoi-ve-thi-diem-co-che-chinh-sach-dac-thuphat-trien-tphcm-1488538494 < 1% match (Đỗ Văn Tiến, Lâm Quang Vũ, Phan Lê Sang, Ngơ Đức Thành, Lê Đình Duy, Dương Anh Đức "SỬ DỤNG DEEP NEURAL NETWORKS BIỂU DIỄN CÁC THUỘC TÍNH CHO BÀI TOÁN PHÁT HIỆN CẢNH BẠO LỰC TRONG VIDEO", FAIR - NGHIÊN CỨU CƠ BẢN VÀ ỨNG DỤNG CÔNG NGHỆ THÔNG TIN - 2016, 2017) Đỗ Văn Tiến, Lâm Quang Vũ, Phan Lê Sang, Ngơ Đức Thành, Lê Đình Duy, Dương Anh Đức "SỬ DỤNG DEEP NEURAL NETWORKS BIỂU DIỄN CÁC THUỘC TÍNH CHO BÀI TỐN PHÁT HIỆN CẢNH BẠO LỰC TRONG VIDEO", FAIR - NGHIÊN CỨU CƠ BẢN VÀ ỨNG DỤNG CÔNG NGHỆ THÔNG TIN - 2016, 2017 19% 7% 6% ... TRƯỜNG ĐẠI HỌC MỞ THÀNH PHỐ HỒ CHÍ MINH ∞0∞ LÊ NGUYỄN HỒ HẢI NGÂN PHÁT TRIỂN HỆ THỐNG THU PHÍ THƠNG MINH SỬ DỤNG PHƯƠNG PHÁP HỌC SÂU VỚI MẠNG NEURAL TÍCH CHẬP Chuyên ngành: Khoa học máy... gian chi phí dán thẻ Tính cấp thiết sở để tác giả chọn đề tài ? ?Phát triển hệ thống thu phí thơng minh sử dụng phương pháp học sâu với mạng neural tích chập? ?? 1.2 Tình hình nghiên cứu khoa học nước... thơng minh sử dụng phương pháp học sâu với mạng neural tích chập? ?? Hệ thống thu phí thơng minh tác giả xây dựng với cụm chức cụm thu hình ảnh, cụm xử lý hình ảnh, cụm tính cước: - Cụm thu hình ảnh: