Ứng dụng xử lý ảnh sử dụng phần mềm labview để cảnh báo va chạm sớm và ngủ gật trên xe

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN ỨNG DỤNG XỬ LÝ ẢNH SỬ DỤNG PHẦN MỀM LABVIEW ĐỂ CẢNH BÁO VA CHẠM SỚM VÀ NGỦ GẬT TRÊN XE S K C 0 9 MÃ SỐ: SV2020-06 S KC 0 Tp Hồ Chí Minh, tháng 10/2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN ỨNG DỤNG XỬ LÝ ẢNH SỬ DỤNG PHẦN MỀM LABVIEW ĐỂ CẢNH BÁO VA CHẠM SỚM VÀ NGỦ GẬT TRÊN XE SV2020-06 Chủ nhiệm đề tài: Nguyễn Trung Trực TP HỒ CHÍ MINH, ngày tháng 10 năm 2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN ỨNG DỤNG XỬ LÝ ẢNH SỬ DỤNG PHẦN MỀM LABVIEW ĐỂ CẢNH BÁO VA CHẠM SỚM VÀ NGỦ GẬT TRÊN XE SV2020-06 Thuộc nhóm ngành khoa học: Kỹ thuật – Ứng dụng SV thực hiện: Nguyễn Trung Trực Dân tộc: Kinh Lớp : 161451B Năm thứ: Ngành học: Công nghệ kỹ thuật ô tô Nam, Nữ: Nam Khoa : Cơ khí động lực Số năm đào tạo: Người hướng dẫn: Ths.Nguyễn Thành Tuyên TP HỒ CHÍ MINH, ngày tháng 10 năm 2020 LỜI CẢM ƠN Trong thời gian làm đề tài nghiên cứu, nhóm chúng em nhận nhiều giúp đỡ, đóng góp ý kiến bảo nhiệt tình thầy cơ, gia đình bạn bè Nhóm chúng em xin gửi lời cảm ơn chân thành đến Th.s Nguyễn Thành Tuyên, giảng viên Bộ môn Điện-Điện tử - trường ĐHSPKT TP.HCM người tận tình hướng dẫn, bảo em suốt trình thực đề tài nghiên cứu Đồng thời nhóm xin chân thành cảm ơn thầy cô giáo trường ĐHSPKT TP.HCM nói chung, thầy Bộ mơn Điện-Điện tử nói riêng dạy dỗ cho em kiến thức môn đại cương môn chuyên ngành, giúp em có sở lý thuyết vững vàng tạo điều kiện giúp đỡ em suốt trình học tập Cuối chúng em xin chân thành cảm ơn gia đình bạn bè, ln tạo điều kiện, quan tâm, giúp đỡ, động viên nhóm suốt q trình học tập, nghiên cứu hồn thành đề tài nghiên cứu Sinh Viên Thực Hiện i TÓM TẮT Đề tài: “Nghiên cứu ứng dụng xử lí ảnh phần mềm LabVIEW để cảnh báo ngủ gật va chạm sớm” nghiên cứu Trường Đại Học Sư Phạm Kỹ Thuật Tp HCM Thời gian thực từ 01/2020 đến 06/2020 nghiên cứu phát triển tảng ứng dụng vào thực tế Đề tài đề xuất nghiên cứu ứng dụng công nghệ xử lí ảnh phần mềm LabVIEW ngơn ngữ lập trình mở Python để ứng dụng vào thực tế xe tơ Nghiên cứu trình bày chương trình lập trình phát triển tảng ngơn ngữ lập trình mở Python, đồng thời kết hợp với phần mềm LabVIEW để tiến hành cảnh báo ngủ gật cho tài xế cảnh báo va chạm sớm để tránh trường hợp xảy cố đột xuất làm tài xế khơng có khả phán đốn xử lí kịp thời tình xảy Điểm đề tài q trình xử lí ảnh mang tính ổn định cao, dễ dàng xác định xác trạng tài xế lái xe khoảng cách tới vật cản Các thông tin sau xử lí, lập trình phần mềm LabVIEW tương tác với người dùng thông qua hệ thống cảnh báo cịi đèn thơng báo hiển thị hình LCD Kết quả, sau trình thực nghiệm chương trình hoạt động ổn định việc thực thi trình cảnh báo nhằm tạo điều kiện thuận lợi cho tài xế việc điều chỉnh trạng thái thân ô tô tham gia giao thơng có độ xác ngày nâng cao ii MỤC LỤC Chương 1: TỔNG QUAN 1.1 Tổng quan chung lĩnh vực nghiên cứu 1.2 Các đề tài nghiên cứu nước 1.2.1 Các đề tài nghiên cứu nước 1.2.2 Các nghiên cứu nước 1.2.2.1 Tại số nước 1.2.2.2 Tại số hãng xe 1.3 Mục đích đề tài 1.4 Đối tượng phạm vi đề tài 1.4.1 Đối tượng 1.4.2 Phạm vi nghiên cứu 1.5 Phương pháp nghiên cứu 1.5.1 Nghiên cứu lý thuyết 1.5.2 Nghiên cứu thực nghiệm Chương 2: CƠ SỞ LÝ THUYẾT 2.1 Cơ sở lý thuyết xử lí ảnh xác định đối tượng theo phân loại tầng 2.2 Cơ sở lý thuyết thuật toán ước lượng khoảng cách từ hệ camera quan sát đến vật cản 2.2.1 Sơ đồ nguyên lý sử dụng để ước lượng khoảng cách từ hệ camera đến vật cản 2.2.2 Phương pháp hiệu chỉnh camera (Camera calibration) Chương 3: GIỚI THIỆU CHƯƠNG TRÌNH PHÁT HIỆN VÀ CẢNH BÁO NGỦ GẬT VỚI VA CHẠM SỚM Error! Bookmark not defined 3.1 Giới thiệu chương trình dùng để phát cảnh báo ngủ gật 11 3.2 Giới thiệu chương trình cảnh báo va chạm sớm xe ô tô 14 Chương 4: THỰC NGHIỆM, KẾT QUẢ NGHIÊN CỨU 22 4.1 Thực nghiệm hệ thống cảnh báo ngủ gật … … ….… ….….….….….… 22 4.1.1 Trường hợp nhận diện người lái xe xác định người lái xe không ngủ gật 4.1.2 Trường hợp nhận diện người lái xe xác định người lái xe ngủ gật.….……………………………………………………………………………… 23 4.2 Thực nghiệm hệ thống cảnh báo va chạm sớm.….….….….….….….….….….25 iii 4.3 Hệ thống cảnh báo va chạm lắp xe mơ hình mini 29 4.4 Kết thực nghiệm 31 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 32 TÀI LIỆU THAM KHẢO………………………………………………………… 38 PHỤ LỤC………………………………………………………………………… 40 iv DANH MỤC CÁC HÌNH Hình 2.1: Các kiểu phân tầng thường sử dụng Hình 2.2: Đặc tính khác vùng mắt phận khác mặt Hình 2.3: Sơ đồ nguyên lý sử dụng để ước lượng khoảng cách từ hệ camera đến vật cản Hình 3.1: Chương trình phát cảnh báo ngủ gật viết ngơn ngữ lập trình Python Hình 3.2: Giao diện Block Diagram phần mềm LabVIEW Hình 3.3: Giao diện Front Panel phần mềm LabVIEW Hình 3.4: Chương trình dùng để phát cảnh báo va chạm sớm Python Hình 3.5: Chương trình dùng để phát cảnh báo va chạm sớm Python Hình 3.6: Chương trình dùng để phát cảnh báo va chạm sớm Python Hình 3.7: Chương trình dùng để phát cảnh báo va chạm sớm Python Hình 3.8: Chương trình dùng để tính tiêu cự camer Hình 3.9: Chương trình dùng để tính tiêu cự camer Hình 3.10: Chương trình dùng để tính tiêu cự camer Hình 3.11: Giao diện Block Diagram phần mềm LabVIEW Hình 3.12: Giao diện Front Panel phần mềm LabVIEW Hình 4.1:Nhận diện mở mắt Python Hình 4.2:Xử ly thông tin người lái không ngủ gật Labview Hình 4.3:Nhận diện nhắm mắt Python Hình 4.4:Xử lý thông tin người lái ngủ gật Labview Hình 4.5: Xác định khoảng cách từ xe đến vật python Hình 4.6:Xác định khoảng cách từ người đến vật thực tế Hình 4.7:Xác định khoảng cách từ người đến vật thực tế Hình 4.8:Cảnh báo va chạm Labview Hình 4.9: Mơ hình xe khơng người lái Hình 4.10: Thuật toán điều khiển xe Labview Hình 5.1: Nguyên lí deeplearning Hình 5.2 : Thu thập hình ảnh mẫu v Hình 5.3: Xác định, dán nhãn đối tượng muốn nhận diện Hình 5.4 : Tiến hành đào tạo mơ hình Hình 5.5 : Sử dụng mơ hình đào tạo vi Chương 1: TỔNG QUAN 1.1 Tổng quan chung lĩnh vực nghiên cứu Ngày nay, công nghiệp ô tô phát triển mạnh mẽ dẫn theo hồn thiện phát triển hệ thống thơng minh phục vụ tốt cho yêu cầu người ô tô Đi đôi với phát triển không ngừng vấn đề thực trạng cần ý, vấn đề quan tâm an tồn người điều khiển phương tiện Những yêu cầu độ an tồn tơ ngày tăng, địi hỏi nhà sản xuất phải trọng đầu tư nghiên cứu nâng cấp đưa giải pháp đảm bảo tính an tồn phù hợp với u cầu người dùng Trong đó, Pre-Collision System (PCS) cơng nghệ cảnh báo can thiệp trước va chạm quan tâm Trước đây, chưa xuất Pre-Collision System việc đảm bảo an tồn người lái xe phụ thuộc phần lớn vào dây an tồn Nhưng thiết bị đảm bảo an toàn cách thụ động mức độ an tồn khơng q cao Bằng chứng nhiều vụ tai nạn chết người xảy người lái xe tuân thủ việc thắt dây an toàn lưu thông Điều cho thấy việc dùng sử dụng dây an toàn biện pháp giải “ngọn” mà chưa thể giải triệt để “gốc” việc xảy tai nạn Do đó, việc nghiên cứu cho đời Pre-Collision System giải pháp để giảm thiểu khả gây tai nạn người lái Pre-Collision System liên tục theo dõi trình điều khiển người lái điều kiện xung quanh xe chướng ngại vật, xe trước, xe đối diện,… để phát sớm nguy tai nạn vài giây trước va chạm, từ thực biện pháp cảnh báo, can thiệp nhằm ngăn chặn giảm thiểu thiệt hại xảy Cũng chất hồn tồn tự động hệ thống tính chất bất ngờ khó đốn hầu hết vụ tai nạn, cơng nghệ đứng sau q trình vận hành PCS có độ phức tạp cao cần phải tinh chỉnh, kiểm tra kỹ lưỡng trước trang bị ô tô Vậy nên trình điều chỉnh để đảm bảo hệ thống hoạt động xác, phản ứng kịp thời với tình không can thiệp nhầm quan trọng Hình 4.8:Cảnh báo va chạm labview Khi khoảng cách từ xe đến vật nhỏ khoảng cách cho phép đèn sáng cịi bật để cảnh báo cho tài xế biết có vật khoảng nguy hiểm.Trong trường giá trị từ python tính tốn 4.1m,sau labview lấy giá trị so sánh với giá trị an tồn 5m,vì giá trị nhận nhỏ giá trị an toàn nên hệ thống biết có vật cản khoảng nguy hiểm nên bật đèn để báo hiệu cho người lái 4.3 Hệ thống cảnh báo va chạm lắp xe mơ hình mini Để thực nghiệm cách cụ thể hệ thống cảnh báo va chạm sớm.Nhóm em xây dựng mơ hình xe mimi chạy bình ắc quy.Mơ hình điều khiển thuật tốn labview.Thơng qua mơ hình ta dễ dàng hiểu cách thức hoạt động hệ thống cảnh báo va chạm phát triển cho loại xe tô ngày nay.Về mạch điều khiển mô hình bao gồm: board Adruino UNO R3,module điều khiển động loại 12v-30A,động RS 550 12v-15000 vòng/phút.Đặc biệt máy chủ xử lý,vì lý kinh phí nên nhóm em xử lý laptop để làm máy chủ xử lý.Tín hiệu sau Labview xử lý máy tính truyền xuống adruino,chiều quay vận động động điều khiển arduino thông qua module điều khiển động 29 Hình 4.9:Mơ hình xe khơng người lái Hình 4.10: Thuật tốn điều khiển xe Labview Đối với xe mơ hình mini ta đưa cảnh báo đèn hay còi báo cịn can thiệp vào hệ thống để xe dừng lại có vật cản phía trước.Thuật tốn Labview cho phép ta làm điều đó.Khi chạy chương trình giá trị khoảng cách truyền 30 từ python sang labview để xử lý,giá trị đem so sánh với giá trị an toàn đề cập phần 4.2.Nếu giá trị lớn giá trị an tồn thuật tốn trả giá trị True,khi động cấp nguồn đến xe chạy,vận tốc xe điều khiển thông qua module điều khiển động cơ, Adruino thuật tốn hình 4.9.Ngược lại giá trị truyền từ python đến nhỏ giá trị an tồn thuật tốn trả giá trị False,khi xe ngừng lại cịi kêu 4.4 Kết thực nghiệm Đối với hai hệ thống cảnh báo ngủ gật hệ thống cảnh báo va chạm sớm số lần thực nghiệm cho hệ thống 100 lần.Trong 100 lần thực nghiệm xác suất độ xác hệ thống 60-65%.Qua kết đạt nhóm em rút nguyên nhân gây ảnh hưởng đến độ xác hoạt động hệ thống ánh sáng.Đối với việc xử lý ảnh ánh sáng đóng vai trị vơ quan trọng,nó định đến độ ổn định hệ thống khả xử lý.Ta hiểu đơn giản thiếu ánh sáng hay lượng ánh sáng nhiều làm cho hình ảnh bắt từ camera khơng tốt,và hình ảnh thu nhận khơng tốt dẫn đến việc nhận dạng bị sai lệch.Chính dẫn đến việc hệ thống đưa xử lý không 31 Chương 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận Sau tiến hành thực nghiệm, cho thấy mơ hình hoạt động ổn định với độ xác nhận diện từ 60-65% Tuy nhiên, q trình xử lí xảy vài tình ổn định độ phân giải camera mơ hình cịn chưa tối ưu Ngồi ra, mơ hình ổn định khoảng cách xác định nằm khoảng từ 5080 cm ( camera lắp đặt để nhận diện khuôn mặt tài xế) 18-20 m (đối với camera dùng để xác định khoảng cách đến vật cản (xe tơ) phía trước Trong khoảng nói trên, độ xác mơ hình tốt hoạt động ổn định cho kết mang tính xác cao 5.2 Hướng phát triển Theo kết ta thu từ thực nghiệm, độ ổn định mơ hình bị ảnh hưởng nhiều mơi trường Nên việc tối ưu hóa để tăng ổn định ta có hai phương pháp chủ yếu Đầu tiên, ta tối ưu hóa phần cứng hệ thống camera thấu kính giúp tăng ổn định ánh sáng thu được, đồng thời tối ưu hóa chương trình xử lí ảnh Ưu điểm phương pháp xây dựng ta có, chi phí cao cần nhiều thời gian kiến thức xử lí ảnh để tối ưu hóa giải màu mà xử lí Hoặc ta có phương pháp tối ưu nhằm mục đích khắc phục điểm yếu xử lí ảnh mà ta sử dụng Phương pháp gọi deep learning Deep learning lĩnh vực machine learning liên quan đến thuật toán lấy cảm hứng từ cấu trúc chức não gọi mạng lưới thần kinh nhân tạo Cách hoạt động phương pháp sử dụng deep learning sau[9] : - Cung cấp liệu vật thể mà ta muốn xác định Cụ thể liệu mà ta đề cập đến nhiều ảnh mẫu, chứa vật thể mà ta hướng đến - Mỗi ảnh giải mã chi tiết nhiều cấp độ Ví dụ ảnh đầu vào có kích thước 50x50 chia nhỏ thành ảnh nhỏ có kích thước 7x7,5x5, - Thuật toán kiểm tra xem đặc điểm, chi tiết chung ảnh Nếu hình dạng đường lặp lại nhiều lần, thuật toán gắn nhãn đặc tính quan trọng 32 - Sau phân tích đủ hình ảnh cần thiết, ta thu thuật toán mà chứa đầy đủ đặc trưng vật thể mà ta muốn xác định Giờ ta việc cung cấp ảnh thơ thơng thường, để máy tính xác định vật thể Hình 5.1: Ngun lí deeplearning Ví dụ chương trình xác định khuôn mặt, deep learning hoạt động sau: - Từ hình ảnh mẫu mà cung cấp Máy tính chuyển đổi ảnh mẫu thành mẫu tương phản cục - Lớp ( hidden layer 1) sử dụng mẫu tương phản để xác định đặc trưng mắt, mũi miệng - Lớp thứ hai ( hidden layer 2) áp dụng đặc điểm khn mặt để đưa mẫu khn mặt - Cuối hình thành mạng lưới thần kinh có khả kết hợp nơron thần kinh ( thuật toán thể đặc trưng riêng lẻ) thành mạng lưới phức tạp Có khả phân tích nhận diên khn mặt nhiều điều kiện khác Dựa theo nguyên tắc nhận diện deep learning dự vào đặc điểm cấu trúc thay đặc điểm màu phương pháp mà ta sử dụng Thì việc nhận diện khơng cịn 33 ảnh hưởng nhiều ánh sáng Nhờ khắc phục điểm yếu chương trình Cụ thể phương pháp sử dụng deep learning mà nhóm em nghiên cứu tensorflow object detection api Phương pháp sử dụng tensorflow/models[10] model zoo[11] để nhận diện vật thể Trong model zoo mơ hình nhận diện đào tạo sẵn dựa liệu bao gồm : COCO dataset, Kitti dataset, Open Images dataset, AVA v2.1 dataset, iNaturalist Species Detection Dataset , Snapshot Serengeti Dataset Những mơ hình có mơ hình nhận diện xây dựng sẵn, sử dụng mơ hình có sẵn cho mục đích khác có liên quan Chúng hữu ích cho việc xây dựng mơ hình chúng ta, muốn tạo liệu Cụ thể model đào tạo trước, cung cấp: Một mơ hình tương ứng với tệp cấu hình sử dụng để đào tạo mơ hình - thư mục samples/configs - Tệp tar.gz chứa mơ hình đào tạo trước - Tốc độ mơ hình Là thời gian đào tạo hình ảnh chuẩn 600x600 tính ms Tuy nhiên thời gian mang tính tương đối phụ thuộc vào cấu hình thiết bị sử dụng - Hiệu suất nhận diện model, tính mAP - Dữ liệu đầu ( boxes masks) Tensorflow/models chương trình phát triển để nhận diện vật thể dựa gói tensorflow Chương trình bao gồm thư mục nhằm mục đích đào tạo nhận diên vật thể Các bước để xây dựng mơ hình ngẫu nhiên bao gồm[12]: - Thu thập liệu ảnh ban đầu chứa vật thể mà bạn muốn nhận diện Các ảnh thu thập nên chụp nhiều điều kiện khác ( vị trí, độ sáng) ảnh khơng bị mờ, gãy Số lượng ảnh phụ thuộc vào độ phức tạp hình ảnh 34 Hình 5.2 : Thu thập hình ảnh mẫu - Từ hình ảnh thu thập Ta phân vùng vật thể nhận diện, đặt tên cho vật thể Hình 5.3: Xác định, dán nhãn đối tượng muốn nhận diện 35 - Sau ta thiết lập file pbtxt csv thay đổi cần thiết file generate_tfrecord.py file config phù hợp với thiết lập file pbtxt Khi thiết lập hồn chỉnh, ta tiến hành đào tạo mơ hình Thời gian đào tạo mơ hình phụ thuộc vào cấu hình máy tính đồng thời ta theo dõi để biết mơ hình đủ điều kiện dựa giá trị loss tùy thuộc vào model zoo mà sử dụng, giá trị loss khác Hình 5.4 : Tiến hành đào tạo mơ hình - Sau q trình đào tạo kết thúc, ta thu mơ hình Ta sử dụng mơ hình để tiến hành nhận diện hình ảnh khác Hình 5.5 : Sử dụng mơ hình đào tạo 36 Mặc dù trình đào tạo nhận diện bước thử nghiệm ban đầu kết cho tích cực Độ xác nhận dao động từ 90 - 95 % hai điều kiện sáng riêng biệt ( ánh sáng tự nhiên ánh sáng đèn) Từ kết ta có ưu, nhược điểm phương pháp deep learning so với xử lí ảnh phần tầng Ưu điểm: Độ xác cao, ảnh hưởng độ sáng Khơng cần nhiều kiến thức xử lí giải màu ( giải màu ảnh hưởng độ sáng ) Nhược điểm : Tốc độ xử lí ảnh chậm, nên kích cỡ ảnh xử lí nhỏ Thời gian đào tạo mơ hình lâu ( dao động từ đến 12 tiếng ) 37 TÀI LIỆU THAM KHẢO [1] Vũ Đức Thái, Nghiên cứu “Xây dựng hệ thống nhúng phát cảnh báo lái xe ngủ gật dựa kỹ thuật xử lý ảnh ”, Đại học Công nghệ thông tin Truyền thông TP Thái Nguyên [2] PGS Đỗ Văn Dũng, Nghiên cứu “ Ứng dụng sóng não phát dấu hiệu buồn ngủ đưa tín hiệu cảnh báo đối người lái ”, ĐHSPKT TPHCM [3] Nguyễn Ngọc Đức, “ Học sinh sáng chế thiết bị chống ngủ gật cho tài xế ô tô ”, Thanh Hóa, 2015 [4] Lê Thế Hải, Lê Thanh Hịa, hướng dẫn PGS.TS Hồng Đình Chiến, Luận văn tốt nghiệp “ Nhận diện chớp mắt cảnh báo buồn ngủ lái xe Windows Android ” , Đại học Bách Khoa TPHCM, 2012 [5] Nguyễn Thế Đức, Hồ Văn Chương, giúp đỡ Ths Trần Lê Thăng Đồng, kỹ sư Tạ Quốc Việt, “ Hệ thống cảnh báo ngủ gật sử dụng GPGA ”, Đại học Duy Tân, Đà Nẵng [6] Trần Lê Anh Chương, Nguyễn Khắc Hiếu, Đề tài luận văn “ Nhận dạng trạng thái mắt ứng dụng Pandaboard ”, Đại học Bách Khoa TPHCM [7] Nguyễn Quang Trường, Hoàng Mạnh Cường, Vũ Mạnh Cường, Trần Anh Đức, “ Bị "đánh thức" tư chậm ”, Đại học Bách Khoa Hà Nội, 2013 [8] 15 CN TRUONG QUOC BAO 112 120-1 [9] Khái niệm deep learning, machine learning, artificial intelligence https://www.edureka.co/blog/what-is-deep-learning [10] tensorflow/models : https://github.com/tensorflow/models/tree/r1.13.0 [11] modelzoo: https://github.com/tensorflow/models/blob/master/research/object_detection/g3 doc/detection_model_zoo.md [12] Phương pháp đào tạo mơ hình nhận diện EdjeElectronic :https://github.com/EdjeElectronics/TensorFlow-Object-Detection-APITutorial-Train-Multiple-Objects-Windows-10 38 Lập trình Python : https://www.youtube.com/watch?v=NZj6LI5a9vc&list=PL33lvabfss1xczCv2BA0Sa NJHu_VXsFtg https://becominghuman.ai/face-detection-with-opencv-and-deep-learning-from-videopart-2-592e2dee648 https://www.youtube.com/watch?v=QV1a1G4lL3U&fbclid=IwAR0h02gbwGJtOATL mR3S8gUkcPdZnFLCbKZHcYWiiTgyKksQ7z9ZgQUMa5Y https://www.youtube.com/watch?v=1I4gHpctXbU&fbclid=IwAR22IWz2d3N3u0uRy2XtOPVd6osFyGrWOtFOd5wtQw3HJxl8cuSTvY3iRM 39 PHỤ LỤC Code chương trình điều khiển LabVIEW: - Chương trình nhận diện để phát cảnh báo ngủ gật: Trong đó, bao gồm chương trình có chức khác nhau: - Chương trình nhận diện xác định tài xế có khu vực nhận diện hay khơng 40 Có trường hợp xảy ra: tài xế khơng xuất khu vực hoạt động camera (không phát tài xế) tài xế xuất khu vực hoạt động camera (bình thường) - Chương trình tính tốn thời gian mở mắt -Chương trình tính tốn thời gian nhắm mắt - Chương trình cảnh báo va chạm sớm: 41 Trong chương trình này, ngồi việc có chương trình tính tốn khoảng cách từ hệ camera đến vật cản hình cịn sử dụng cơng cụ chức khác như:  Kết nối File liệu Python với chương trình LabVIEW  Tham chiếu liệu đưa từ LabVIEW sang Python  Khởi động chương trình Python  Xuất kết từ chương trình Python lên Lab VIEW 42 S K L 0 ... DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN ỨNG DỤNG XỬ LÝ ẢNH SỬ DỤNG PHẦN MỀM LABVIEW ĐỂ CẢNH BÁO VA CHẠM SỚM VÀ NGỦ GẬT TRÊN XE. .. DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN ỨNG DỤNG XỬ LÝ ẢNH SỬ DỤNG PHẦN MỀM LABVIEW ĐỂ CẢNH BÁO VA CHẠM SỚM VÀ NGỦ GẬT TRÊN XE. .. thống đèn báo để đưa cảnh báo cho người điều khiển 1.3 Mục đích đề tài - Mục đích đề tài “ Nghiên cứu xây dựng thuật toán cảnh báo va chạm sớm ngủ gật ứng dụng xử lý ảnh qua phần mềm LabVIEW ”