Giới thiệu tới các bạn: Luận Án – Ứng Dụng Thị Giác Máy Tính Vào Hệ Thống Giao Thông Thông Minh
TRANG THÔNG TIN VỀ LUẬN ÁN
- – Tên luận án: Ứng dụng thị giác máy tính vào hệ thống giao thông thông minh
- – Ngành: Hệ thống thông tin Mã số: 62 48 01 04
- – Họ tên nghiên cứu sinh: Vũ Lê Quỳnh Phương Khóa: 2017, đợt 1
- – Người hướng dẫn khoa học: PGS.TS. Phạm Nguyên Khang
- – Người đồng hướng dẫn: TS. Trần Nguyễn Minh Thư
- – Cơ sở đào tạo: Trường Đại học Cần Thơ
1. Tóm tắt nội dung luận án
Hệ thống giao thông thông minh góp phần tự động hóa quản lý giao thông thông qua ba giai đoạn: thu thập, xử lý dữ liệu và cung cấp thông tin cho người tham gia và nhà quản lý. Luận án sử dụng dữ liệu từ camera giám sát để giải quyết hai bài toán chính: ước lượng mật độ và lưu lượng giao thông – hai chỉ số then chốt trong tối ưu hóa điều tiết giao thông. Để tiếp cận vấn đề một cách hiệu quả, luận án được chia thành ba bài toán thành phần: (1) phân loại tình trạng giao thông, nhằm nhận biết các khu vực tắc nghẽn và làm cơ sở cải thiện độ chính xác của bài toán ước lượng mật độ; (2) ước lượng mật độ giao thông thông qua phát hiện và đếm phương tiện tại một khu vực trong thời gian thực, hỗ trợ cảnh báo sớm và quyết định điều hành; và (3) ước lượng lưu lượng giao thông bằng cách theo dõi, đếm phương tiện di chuyển qua một điểm trong khoảng thời gian nhất định, đồng thời tính toán tốc độ lưu thông.
2. Những kết quả mới của luận án
Tập dữ liệu: Trong lĩnh vực giao thông thông minh, các tập dữ liệu sẵn có chưa phản ánh đặc thù giao thông tại Việt Nam: đường hẹp, nhiều xe thô sơ…. Do đó, luận án đã thu thập dữ liệu từ camera giám sát tại Kiên Giang và Đà Nẵng, với nhiều vị trí, thời điểm và điều kiện thời tiết khác nhau. Hai loại tập dữ liệu được sử dụng: (1) tập dữ liệu phân lớp tình trạng giao thông gồm ba lớp: “kẹt xe”, “đường đông”, “đường thông thoáng”; (2) tập dữ liệu phát hiện đối tượng gồm ba nhãn: “0” (xe ưu tiên), “1” (xe hai bánh), “2” (xe bốn bánh).
Phân loại tình trạng giao thông: Để hỗ trợ cho bài toán ước lượng mật độ giao thông, luận án đề xuất hướng tiếp cận phân loại tình trạng giao thông dựa trên kỹ thuật học sâu với việc tinh chỉnh mạng RepVGG. Kết quả thực nghiệm trên dữ liệu thực tế cho thấy mô hình đạt độ đo trung bình điều hòa 94,5% với tốc độ xử lý 94,25 FPS. Ngoài ra, mô hình được so sánh với các kỹ thuật học máy khác và chứng minh tính khả thi trên cùng tập dữ liệu.
Ước lượng mật độ giao thông: Luận án đề xuất hai hướng tiếp cận chính trong bài toán ước lượng mật độ giao thông, gồm: tiếp cận trực tiếp và tiếp cận kết hợp.
Ở hướng tiếp cận trực tiếp, mật độ giao thông được ước lượng thông qua việc phát hiện và đếm số lượng phương tiện trong ảnh giao thông, sử dụng các mô hình học sâu một giai đoạn (YOLO) và hai giai đoạn (Faster R-CNN). Số lượng phương tiện đếm được là cơ sở để xác định mật độ giao thông tại thời điểm quan sát.
Tuy nhiên, trong các tình huống giao thông đông đúc, hiện tượng chồng lấp phương tiện làm giảm độ chính xác của các mô hình phát hiện. Do đó, hướng tiếp cận kết hợp được đề xuất nhằm khắc phục hạn chế này. Phương pháp kết hợp sử dụng mô hình phân loại ảnh để xác định tình trạng giao thông, sau đó ước lượng mật độ dựa trên kết quả phân loại. Cách tiếp cận này giúp tăng cường khả năng xử lý trong thời gian thực và cải thiện hiệu quả hệ thống trong điều kiện phương tiện chồng lấp, điển hình như trong tình huống ùn tắc. Kết quả thực nghiệm cho thấy tốc độ xử lý được nâng cao từ 0,67 FPS lên 11,64 FPS.
Ước lượng lưu lượng giao thông: Để ước lượng lưu lượng giao thông, luận án đề xuất các mô hình theo dõi đối tượng chuyển động dựa trên những cách tiếp cận khác nhau của kỹ thuật học sâu. Mô hình đề xuất có khả năng ước lượng lưu lượng giao thông chính xác và theo thời gian thực. Kết quả thực nghiệm cho thấy mô hình đạt sự cân bằng giữa độ chính xác và tốc độ xử lý, với tốc độ thực thi 2,98 FPS và sai số trung bình 2,18%.
3. Các ứng dụng/khả năng ứng dụng trong thực tiễn, các vấn đề cần tiếp tục nghiên cứu
Các mô hình có thể triển khai tại trung tâm điều hành để theo dõi tình trạng giao thông thời gian thực, hỗ trợ cơ quan chức năng đưa ra quyết định điều tiết như phân luồng, chuyển hướng hoặc cảnh báo kịp thời nhằm giảm ùn tắc. Đồng thời, hệ thống có thể cung cấp thống kê mật độ xe, phục vụ phân tích xu hướng và dự báo giao thông, cũng như hỗ trợ nhận dạng phương tiện, đặc biệt là xe ưu tiên, trong các ứng dụng như ưu tiên giao lộ tự động và xử lý vi phạm.
Dữ liệu hiện tại chưa bao quát thời gian ban đêm và còn hạn chế về phương tiện ưu tiên, cần được mở rộng nhằm nâng cao chất lượng của mô hình.
