(Đồ án hcmute) hệ thống nhận dạng và định vị hư hỏng mặt đường

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH ĐỒ ÁN TỐT NGHIỆP NGÀNH CNKT MÁY TÍNH HỆ THƠNG NHẬN DẠNG VÀ ĐỊNH VỊ HƯ HỎNG MẶT ĐƯỜNG GVHD: PGS TS PHAN VĂN CA SVTH: ĐỖ ĐÌNH NAM LÊ HỒI NAM S K L 009834 Tp Hồ Chí Minh, tháng 07 năm 2022 TRƯỜNGtĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỒ CHÍ MINH KHOA ĐÀO TẠO CHẤT LƯỢNG CAO - - ĐỒ ÁN TỐT NGHIỆP NGÀNH CÔNG NGHỆ KỸ THUẬT MÁY TÍNH HỆ THÔNG NHẬN DẠNG VÀ ĐỊNH VỊ HƯ HỎNG MẶT ĐƯỜNG SVTH: ĐỖ ĐÌNH NAM MSSV: 18119096 LÊ HOÀI NAM MSSV: 18119097 TP HỒ CHÍ MINH – 07/2022 TRƯỜNGtĐẠI HỌC SƯ PHẠM KỸ THUẬT TP HỜ CHÍ MINH KHOA ĐÀO TẠO CHẤT LƯỢNG CAO - - ĐỒ ÁN TỐT NGHIỆP NGÀNH CÔNG NGHỆ KỸ THUẬT MÁY TÍNH HỆ THÔNG NHẬN DẠNG VÀ ĐỊNH VỊ HƯ HỎNG MẶT ĐƯỜNG SVTH: ĐỖ ĐÌNH NAM MSSV: 18119096 LÊ HOÀI NAM MSSV: 18119097 GVHD: PGS TS PHAN VĂN CA TP HỒ CHÍ MINH – 07/2022 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc ** TP Hồ Chí Minh, ngày tháng năm 2022 NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP Họ tên sinh viên: Đỗ Đình Nam MSSV: 18119096 Lê Hoài Nam MSSV: 18119097 Ngành: Cơng nghệ kỹ thuật Máy tính Lớp: 18119CL0B Giảng viên hướng dẫn: PSG.TS Phan Văn Ca Ngày nhận đề tài: 17/03/2022 Ngày nộp đề tài:………… Tên đề tài: Hệ thống nhận diện và định vị hư hỏng mặt đường Các thông tin mạng tích chập, yolov5, mơ hình phát nhận diện vật thể Nghiên cứu hoạt động của mơ hình phát hiện, nhận diện và định vị các hư hỏng mặt đường sử dụng thuật toán YOLOv5 tảng phần cứng Raspberry Pi Mơ hình phát được các các vết hư hỏng mặt đường mặt đường và tiến hành gửi định vị và hình ảnh của các vết hư hỏng mặt đường lên hệ thống lưu trữ dữ liệu và tiến hành truy xuất và biểu thị giao diện app điện thoại đến người dùng Sản phẩm: Mơ hình chạy phần cứng Raspberry Pi và thiết bị di động TRƯỞNG NGÀNH GIẢNG VIÊN HƯỚNG DẪN CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc -** - TP Hồ Chí Minh, ngày tháng năm 2022 PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN Họ tên Sinh viên: Đỗ Đình Nam MSSV: 18119096 Lê Hoài Nam MSSV: 18119097 Ngành: Công nghệ kỹ thuật máy tính Tên đề tài: Hệ thớng nhận diện và định vị hư hỏng mặt đường Họ tên Giáo viên hướng dẫn: PSG.TS Phan Văn Ca NHẬN XÉT Về nội dung đề tài & khối lượng thực hiện: Ưu điểm: Khuyết điểm: Đề nghị cho bảo vệ hay không? Đánh giá loại: ……….……….……….……….……….……….……….… Điểm: ……… (Bằng chữ: ) GIẢNG VIÊN HƯỚNG DẪN CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc -** - TP Hồ Chí Minh, ngày tháng năm 2022 PHIẾU NHẬN XÉT CỦA GIÁO VIÊN PHẢN BIỆN Họ tên Sinh viên: Đỗ Đình Nam MSSV: 18119096 Lê Hoài Nam MSSV: 18119097 Ngành: Cơng nghệ kỹ thuật máy tính Tên đề tài: Hệ thống nhận diện và định vị hư hỏng mặt đường Họ tên Giáo viên hướng dẫn: PGS TS Phan Văn Ca NHẬN XÉT Về nội dung đề tài & khối lượng thực hiện: Ưu điểm: Khuyết điểm: 10 Đề nghị cho bảo vệ hay không? 11 Đánh giá loại: ……….……….……….……….……….……….……….… 12 Điểm: ……… (Bằng chữ: ) GIẢNG VIÊN PHẢN BIỆN ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA LỜI CẢM ƠN Trong suốt quá trình tìm hiểu và nghiên cứu đồ án tốt nghiệp, nhóm nghiên cứu đã được hỗ trợ rất nhiều giúp đỡ nhiệt tình, những ý kiến đóng góp và quan tâm hỗ trợ nhiệt tình từ phía giảng viên hướng dẫn, các anh chị đồng nghiệp Ngoài là ủng hộ và động viên từ phía bạn bè và gia đình đã giúp nhóm hoàn thành đề tài nghiên cứu cách trọn vẹn Nhóm nghiên cứu đề tài xin gửi lời cảm ơn sâu sắc đến giảng viên hướng dẫn PGS TS Phan Văn Ca, giảng viên Bộ môn Kỹ thuật Máy tính – Trường Đại học Sư phạm Kỹ thuật TP Hồ Chí Minh, người đã hỗ trợ nhóm việc đề xuất ý tưởng, nhiệt tình đóng góp những đanh giá và phê bình để nhóm nghiên cứu có hướng rõ ràng và tạo sản phẩm chỉnh chu Nhóm nghiên cứu đề tài cũng xin gửi lời cảm ơn đến các giảng viên Trường Đại học Sư phạm Kỹ thuật TP Hồ Chí Minh nói chung và các giảng viên Bộ môn Kỹ thuật Máy tính nói riêng, những người đã bỏ công sức và nhiệt huyết để truyền đạt vốn kiến thức đến cho sinh viên thông qua các môn học đại cương cũng các môn học chuyên ngành, từ đó nhóm nghiên cứu có đầy đủ sở lý thuyết vững chắc để hoàn thành đề tài này TP HỒ CHÍ MINH, NGÀY … THÁNG 07 NĂM 2022 NĂMtHỌC: 2021t–t2022 Trang vi ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA LỜI CAM ĐOAN Chúng xin cam đoan toàn nội dung được trình bày đồ án tốt nghiệp là chính nhóm chúng thực và nghiên cứu Chúng xin cam đoan nội dung được tham khảo đồ án tốt nghiệp được trích dẫn chính xác và đầy đủ theo quy định TP HỒ CHÍ MINH, NGÀY … THÁNG 07 NĂM 2022 Sinh viên thực hiện NĂMtHỌC: 2021t–t2022 Trang vii ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA TĨM TẮT Hiện nay, giao thơng vận tải được xem là huyết mạch của kinh tế quốc gia Trong đó, giao thông đường đóng vai trò thiết yếu quá trình phát triển kinh tế - xã hội Vì thế, đường nhựa là thứ thiếu, vì nó giúp người thuận tiện việc di chuyển đến nơi Tuy nhiên, tránh khỏi những tác động, ảnh hưởng từ các phương tiện, khiến đường nhựa xuất tình trạng hư hỏng, gây trở ngại việc di chuyển Hơn nữa, việc này gây nhiều vấn đề ùn tắc giao thông, chí có thể là nguyên nhân gây những tai nạn giao thông nghiêm trọng, cướp mạng sống của người [1] Vấn đề hư hỏng mặt đường là mối quan tâm lớn không chỉ của các quốc gia phát triển mà cịn là vấn đề trăn trở của các q́c gia đà phát triển, đó có nước Việt Nam chúng ta Đối với việc quản lý theo cách truyền thống của phận phụ trách quản lý giao thông vận tải nay, thì khó việc quản lý vấn đề hư hỏng mặt đường cách nhanh chóng, mặc dù đã nhận không ít phản ánh từ người dân lân cận Vì thế, việc phát triển hệ thống nhận diện và định vị hư hỏng mặt đường là điều cấp bách, nhằm hỗ trợ phận phụ trách quản lý giao thông đường bộ, theo dõi, phát kịp thời và xử lý các vết hư hỏng mặt đường cách nhanh chóng Để xây dựng và phát triển thành công đề tài “Hệ thống phát và định vị các vết hư hỏng mặt đường”, nhóm phải tìm hiểu các mô hình và thuật toán học sâu phát đới tượng cách chính xác Vì đối tượng cần phát là các vết hư hỏng mặt đường, nên kết thu được phải đáp ứng với yêu cầu độ chính xác Ngồi ra, nhóm nghiên cứu cần phải lựa chọn những phương pháp phù hợp để có thể kết nối Camera, mô-đun GPS vào phần cứng Raspberry Pi cũng tích hợp thuật toán phát đối tượng YOLOv5 vào hệ thống Ngoài ra, nhóm nghiên cứu đã phát triển ứng dụng tảng di động Ứng dụng này kết nối với hệ thống thông qua sở dữ liệu để hiển thị những vết hư hỏng mặt đường, giúp phận phụ trách quản lý giao thông kịp thời nhận biết và xử lý các vết hư hỏng của mặt đường Qua thời gian nghiên cứu và thực đề tài, hệ thống mà nhóm nghiên cứu đã hoàn thành và đáp ứng được những yêu cầu đề ban đầu Những chức của hệ thống là: nhận dạng chính xác các vết hư hỏng mặt đường, lấy được tọa độ và hình NĂMtHỌC: 2021t–t2022 Trang viii ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA ảnh của các vết hư hỏng Về phần ứng dụng, nó có thể hiển thị chính xác tọa độ và hình ảnh các vết hư hỏng từ sở dữ liệu Firebase Ngoài ra, có các chức khác theo dõi vị trí theo thời gian thực thông qua GPS của thiết bị di động, tính toán quãng đường của lộ trình di chuyển bất kỳ và chỉ đường từ vị trí bất kì đến các vết hư hỏng mặt đường cũng được hỗ trợ Hệ thống hoạt động ổn định với độ chính xác việc phát đối tượng cao, độ chính xác cao nhất rơi vào khoảng 90% Tuy nhiên, đánh đổi với độ chất lượng nhận diện việc nhận dạng đối tượng, hệ thớng cịn tờn vài hạn chế liên quan đến tốc độ xử lý Hạn chế này liên quan đến tài nguyên phần cứng xử lý của hệ thống Hướng phát triển tương lai là có thể thay thế tài nguyên phần cứng hệ thống chuyên biệt cho việc xử lý ảnh, nhờ đó tốc độ xử lý của hệ thống chắc chắn cải thiện lên rất nhiều lần NĂMtHỌC: 2021t–t2022 Trang ix ĐỒ ÁN TỚTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA Hình 4.10: Nút nhấn nhảy đến vị trí hiện tại - Tìm kiếm lộ trình bất kì: Một những chức là tìm kiếm đến lô trình bất kỳ những ứng dụng đồ khác, người dùng chỉ cần nhập vị trí bắt đầu, vị kết thúc và nhấn nút lộ trình để hiển thị lộ trình tùy chọn của người dùng Địa chỉ được nhập tìm kiếm được chuyển thành tọa độ và được hiển thị đồ thông qua các điểm được đánh dấu NĂMtHỌC: 2021t–t2022 Trang 55 ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA - Hiển thị vết hư hỏng mặt đường: chức này truy xuất đến sở dữ liệu Firebase để lấy vị trí cụ thể của chúng, sau đó hiển thị lên thiết bị di động các widget của công cụ Flutter - Hiển thị hình ảnh của vết hư hỏng mặt đường: chức thú vị giúp những người phụ trách việc sửa chữa xác định được tọa độ của vết hư hỏng mặt đường Chức này sử dụng kho hình ảnh được lưu trữ Firebase Storage nhờ khối xử lý đẩy lên và được truy xuất bởi ứng dụng, màn hình hiển thị hình ảnh của các vết hư hỏng mặt đường Hình 4.11: Hình ảnh vết hư hỏng thể hiện hình NĂMtHỌC: 2021t–t2022 Trang 56 ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA - Chỉ đường đến vết hư hỏng mặt đường: chức này sử dụng tọa độ được lưu trữ firebase và dùng hàm vẽ Polyline để dẫn đường đến các vết hư hỏng đó Người sử dụng chỉ cần nhấn vào biểu tượng vết hư hỏng đồ, tọa độ được lưu trữ firebase được chương trình lấy và chuyển sang dạng địa chỉ chữ Lúc này, người dùng chỉ cần nhấn nút lộ trình, đồ những chỉ dẫn đến vết hư hỏng đó Hình 4.12: Dẫn đường đến vết hư hỏng mặt đườNg NĂMtHỌC: 2021t–t2022 Trang 57 ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA 4.2.5 Đánh giá hệ thống 4.2.5.1 Các thông số sau huấn luyện Mô hình nhận diện vật các vết hư hỏng mặt đường được đào tạo tảng GoogleColab và được kiểm thử hai tảng hệ điều hành là Windows với laptop và Raspbian với phần cứng Raspberry Pi Trong hệ thống lần này nhóm đánh giá mô hình của hệ thống hai gian đoạn là kết thúc việc huấn luyện mô hình nhận diện và mô hình được áp dụng vào hệ thống để đánh giá độ chính xác của của mô hình Đối với hô hình diện diện vật thể, cần quan tâm đến các thông số sau: box_loss, obj_loss, mAP, FPS… Nếu các dữ liệu đầu vào phục vụ cho việc huấn luyện mô hình có loss cao, có nghĩa mô hình hoạt động không tốt và cần huấn luyện thêm Nếu loss của mô hình thấp nhiên mAP dữ liệu thử nghiệm không cao thì chúng ta gặp vấn đề overfit và cần thêm dữ liệu đầu vào phục vụ cho quá trình huấn luyện mô hình Hình 4.13: Biểu đồ chỉ số sau huấn luyện mô hình Google Colab Có thể thấy hình thể các thông số box_loss, obj_loss, precition và recall có xu hướng thay đổi theo hình parabol nhóm thực việc huấn luyện áp dụng phương pháp Transfer Learning, riêng thông số cls_loss toàn dữ liệu dùng cho việc huấn luyện chỉ bao gồm lớp nhất là “Pothole” nên thông số cls_loss được bảo toàn, quan sát với tập dữ liệu thử nghiệm (val) ta thấy các NĂMtHỌC: 2021t–t2022 Trang 58 ĐỜ ÁN TỚTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA thơng sớ box_loss và obj_loss giảm và thông số mAP tăng lên đến 80% chứng tỏ độ chính xác của mô hình rất tốt Hình 4.14: Các thông sớ mơ hình nhận diện sau hồn thành h́n lụn 4.2.5.2 Thơng số tốc độ khung hình Qua việc chạy thử thực tế mô hình thời gian thực và qua video, nhóm có những đánh giá mô hình của nhóm đã áp dụng thuật toán YOLOv5 Mô hình nhận diện tốt những vết hư hỏng mặt đường với độ chính xác ổn định Tuy nhiên, kèm với ưu điểm tốc độ chính xác, mô hình gặp số mặt hạn chế đó lớn nhất là tốc độ quá trình xử lý Nhóm đã sử dụng mô hình yolov5s, là những mơ hình có sớ lớp ít nhất của phiên YOLOv5 với 224 lớp Tuy là mô hình có số lớp ít nhất YOLOv5 so với các phiên trước của YOLOv4, số lượng lớp của yolov5s có số lượng gấp lần YOLOv4 Vì thế, hạn chế mặt tốc độ xử lý là điều khó tránh khỏi Tốc độ xử lý mỗi khung hình của hệ thống chạy thuật toán YOLOv5 phần cứng Raspberry Pi là 0,6 khung hình giây, nghĩa là thông số FPS rơi vào mức 1,7 Tuy có vài hạn chế mặt tốc độ xử lý, mô hình có ưu điểm bật là dự đoán chính xác các vết hư hỏng mặt đường với độ chính xác cao nhất rơi vào khoảng 90% NĂMtHỌC: 2021t–t2022 Trang 59 ĐỜ ÁN TỚTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA Hình 4.15: Tớc độ khung hình dự đốn chạy thuật tốn Raspberry Pi Tài nguyên phần cứng là vấn đề gây hạn chế mặt tốc độ xử lý Bảng so sánh thông số tốc độ khung hình thử nghiệm triển khai hệ thống các tảng phần cứng khác được nhóm trình bày bảng 4.1 Nhóm nghiên cứu đã thử nghiệm triển khai hệ thống ba tảng lần lượt là Raspberry Pi 4, laptop HP 15s du1039TX và máy ảo của Colaboratory Bảng 4.1: Thông số FPS sử dụng tài nguyên phần cứng khác Thông số Raspberry Pi ARM Cortex-A72 CPU lõi tứ 64-bit 1.5GHz RAM 8GB NĂMtHỌC: 2021t–t2022 HP 15s du1039TX Colaboratory VM 10th Generation Intel® Core™ i7-10510U Processor (1.80 2-core Xeon GHz, 8M Cache, up to 4.80 2.2GHz GHz) 16GB 13GB Trang 60 ĐỒ ÁN TỐTtNGHIỆP GPU None FPS 1.7 NĂMtHỌC: 2021t–t2022 GVHD: PGS.TS PHAN VĂN CA NVIDIA® GeForce® MX130 NVIDIA Tesla with 2GB GDDR5 T4 16GB 142 Trang 61 ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 KẾT LUẬN Hệ thống hoạt động khá tốt với điều kiện thuận lợi hình ảnh và thời tiết Sau hoàn thành đã thu các kết tính cực quá trình nhận diện các vết hư hỏng của mặt đường nhiên song song với việc đó tránh khỏi các hạn chế cho hệ thống, từ những điểm nhóm rút được những điểm mạnh và song song với đó là những điểm yếu của hệ thông sau: Ưu điểm Nhược điểm - Hệ thống nhận diện ổn định các vết - Giao diện đơn giản cần thêm hư hỏng nhiều chức khác để hỗ trợ người - Hỗ trợ được cho công tác định vị và dùng như: cảnh báo, báo lỗi,… sửa chữa đường - Hệ thống hoạt động Raspberry Pi - Phân tích chọn lọc được mức độ hư nên hạn chế chất lượng hình ảnh hỏng của mặt dường từ những góc nhìn và việc di chuyển của người điều khiển phương tiện từ đó đưa kết chính xác cho mô hình - Thân thiện với người dung, giao diện đơn giản, dễ dùng, dễ hiểu, phù hợp với lứa tuổi và đối tượng 5.2 HƯỚNG PHÁT TRIỂN - Nghiên cứu cải thiện model để nâng cao độ chính xác của mô hình việc nhận diện các vết hư hỏng mặt đường - Cải thiện thêm các thông tin các vết hư hỏng cũng các chức cho hệ thống như: Xác định độ nguy hiểm của hư hỏng, độ sâu độ rộng của các các vết hư hỏng mặt đường đưa đến cho người dùng, hệ thống cảnh báo cho phương tiện di chuyển các tuyến đường đã được áp dụng mô hình, xây dụng hệ thớng NĂMtHỌC: 2021t–t2022 Trang 62 ĐỜ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA giao diện dành riêng cho các đơn vị bảo dưỡng sửa chữa đường để sau đã khắc phục được hư hỏng có thể cập nhập trạng thái khá cho vết hư hỏng đó,… - Nghiên cứu thêm module GPS để nâng cao độ chính xác vị trí cho của các hư hỏng NĂMtHỌC: 2021t–t2022 Trang 63 ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA TÀI LIỆU THAM KHẢO [1] T P V CHUNG, "LAO ĐỘNG," Tai nạn đường hư hỏng, trách nhiệm thuộc đơn vị quản lý, 23 11 2021 [Online] Available: https://laodong.vn/ban-doc/tai-nan-do-duong-hu-hong-trach-nhiem-chinhthuoc-ve-don-vi-quan-ly-976597.ldo [2] M Christoph, "CONTINUOUS ROAD DAMAGE DETECTION USING REGULAR SERVICE VEHICLES," Carnegie Mellon University, 2016 [3] J E a partner, "The Pothole Patrol: Using a Mobile Sensor Network for Road Surface Monitoring," Computer Science and Artificial Intelligence Laborator, 2008 [4] H.-W W a partner, "A Real-Time Pothole Detection Approach for Intelligent Transportation System," Mathematical Problems in Engineering, 2014 [5] J Solawetz, "roboflow," What are Anchor Boxes in Object Detection?, 13 Jul 2020 [Online] Available: https://blog.roboflow.com/what-is-an-anchor-box/ [6] Z L a partner, "A Two-Stage Industrial Defect Detection Framework Based on Improved-YOLOv5 and Optimized-Inception-ResnetV2 Models," applied sciences, Jan14 2022 [7] H Z A PARTNER, "Target Detection of Forward-Looking Sonar Image Based on Improved YOLOv5," PLA Strategic Support Force Information Engineering University, Zhengzhou 450001, China, 2022 [8] C H M & S KeyouGuo, "A pavement distresses identifcation method optimized forYOLOv5s," Scientifc Reports, Beijing Technology and Business University, Beijing 100037, China, 2022 NĂMtHỌC: 2021t–t2022 Trang 64 ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA [9] CHANMI OH, , L MINH DANG, , DONGIL HAN AND HYEONJOON MOON, "Robust Sewer Crack Detection with Text Analysis based on Deep Learning," Department of Computer Science and Engineering, Sejong University, Seoul 05006, South Korea, 2016 [10] G Jocher, "Github," YOLOv5 in PyTorch > ONNX > CoreML > TFLite, 10 2020 [Online] Available: https://github.com/ultralytics/yolov5 [11] G Jocher, "Ultralytics," Tips for Best Training Results, 18 May 2020 [Online] Available: https://docs.ultralytics.com/tutorials/training-tips-best-results/ [12] P Baheti, "V7," A Newbie-Friendly Guide to Transfer Learning, 19 2022 [Online] Available: https://www.v7labs.com/blog/transfer-learning-guide [13] M E Ali, "Global Positioning System (GPS): Definition, Principles,Errors, Applications & DGPS," Department of Geography, Ananda Chandra College, Jalpaiguri-735101, India, 2020 [14] G Thomas, "freeCodeCamp," What is Flutter and Why You Should Learn it in 2020, 12 december 2019 [Online] Available: https://www.freecodecamp.org/news/what-is-flutter-and-why-you-shouldlearn-it-in-2020/ [15] J Solawetz, "Towards Data Science," How to Train A Custom Object Detection Model with YOLO v5, 16 Jun 2020 [Online] Available: https://towardsdatascience.com/how-to-train-a-custom-object-detectionmodel-with-yolo-v5-917e9ce13208 [16] D A Rosebrock, Deep Learning for Computer Vision with Python, September 2017 NĂMtHỌC: 2021t–t2022 Trang 65 ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA [17] M ELGENDY, Deep Learning for Vision Systems, the United States of America [18] "Pytorch," PYTORCH DOCUMENTATION, [Online] Available: https://pytorch.org/docs/stable/index.html#pytorch-documentation [19] Renjie Xu , Haifeng Lin, Kangjie Lu, Lin Cao and Yunfei Liu, "A Forest Fire Detection System Based on Ensemble Learning," Forests, pp 4-5, 2021 [20] Wang, K.; Liew, J.H.; Zou, Y.; Zhou, D.; Feng, J, "Panet: Few-shot image semantic segmentation with prototype alignment," In Proceedings of the IEEE International Conference on Computer Vision (ICCV 2019), Seoul, Korea, pp 9197-9206, 20–26 October 2019 [21] C.-Y W a partner, "CSPNet: A New Backbone that can Enhance Learning Capability of CNN," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR 2020), Washington, DC, USA, pp 390-391, 14–19 June 2020 NĂMtHỌC: 2021t–t2022 Trang 66 ĐỒ ÁN TỐTtNGHIỆP NĂMtHỌC: 2021t–t2022 GVHD: PGS.TS PHAN VĂN CA Trang 67 ĐỒ ÁN TỐTtNGHIỆP GVHD: PGS.TS PHAN VĂN CA ĐẠI HỌC SƯ PHẠM KỸ THUẬT CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM THÀNH PHỚ HỜ CHÍ MINH Độc lập – Tự Do – Hạnh phúc KHOA ĐÀO TẠO CHẤT LƯỢNG CAO Tp HCM, ngày 14 tháng năm 2022 BẢN GIẢI TRÌNH CHỈNH SỬA ĐỜ ÁN TỚT NGHIỆP NGÀNH: CNKT MÁY TÍNH Tên đề tài: Hệ thớng nhận dạng định vị hư hỏng mặt đường Tên sinh viên: Đỡ Đình Nam MSSV: 18119096 Tên sinh viên: Lê Hoài Nam MSSV: 18119097 GVHD: PGS TS Phan Văn Ca Hội đờng bảo vệ HĐ1, phịng A2-401, ngày 06 tháng 08 năm 2022 Giải trình chỉnh sửa báo cáo đồ án tốt nghiệp: TT Nội dung góp ý của Hội đồng Kết quả chỉnh sửa, bổ sung Ghi Chỉnh sửa lỗi chỉnh tả và lưu đồ Đã chỉnh sửa lỗi chỉnh tả và lưu đờ giải thuật ở hình 3.2, 3.3 3.4 Chỉnh sửa phần 3.3.5 cho trùng Đã gộp phần “3.3.5.2 Phân chia dữ khớp với mô tả giữa hình liệu” vào phần “3.3.5.1 Chuẩn bị dữ ĐATN liệu” Giải thích kết hình ảnh ở Đã chỉnh sửa lại câu văn giải chương rõ ràng thích kết dễ hiểu Đánh giá độ chỉnh xác, tin cậy Đã thêm phần đánh giá kết hệ của hệ thống Xác nhận của trưởng ngành thống ở phần 3.3.5.3 Xác nhận của GVHD (Ký họ tên) Nhóm thực hiện báo cáo (Ký họ tên) (Ký họ tên) NĂMtHỌC: 2021t–t2022 Trang 68 S K L 0