ĐỀ CƯƠNG CHI TIẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC

Tên đề tài: Ứng dụng Trí tuệ nhân tạo (AI) và Xử lý ảnh trong thiết kế hệ thống điều khiển đèn giao thông thông minh.

CHƯƠNG 1: MỞ ĐẦU

1.1. Lý do chọn đề tài

• Thực trạng ùn tắc giao thông tại các đô thị lớn (Hà Nội, TP.HCM).

• Sự hạn chế của hệ thống đèn giao thông truyền thống (chu kỳ cố định, gây lãng phí thời gian khi đường vắng hoặc ùn ứ khi đường đông).

• Tiềm năng của AI và Computer Vision trong việc tối ưu hóa hạ tầng giao thông.

1.2. Mục tiêu nghiên cứu

• Xây dựng thuật toán nhận diện và phân loại phương tiện giao thông (xe máy, ô tô, xe tải...) từ Camera.

• Thiết kế thuật toán ước tính mật độ giao thông theo thời gian thực.

• Đề xuất mô hình điều khiển đèn tín hiệu thích nghi (Adaptive Traffic Control).

1.3. Đối tượng và phạm vi nghiên cứu

• Đối tượng: Các mô hình Deep Learning (YOLO, SSD...), kỹ thuật xử lý ảnh và bo mạch điều khiển (Raspberry Pi, Jetson Nano...).

• Phạm vi: Thử nghiệm trên mô hình mô phỏng hoặc tại một nút giao thông cụ thể qua video quay sẵn.

1.4. Phương pháp nghiên cứu

• Phương pháp thu thập và gắn nhãn dữ liệu (Data Labeling).

• Phương pháp thực nghiệm (Training model và đánh giá độ chính xác).

CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VÀ CÔNG NGHỆ LIÊN QUAN

2.1. Tổng quan về xử lý ảnh và Computer Vision

• Các khái niệm cơ bản: Tiền xử lý ảnh, trích xuất đặc trưng.

• Thư viện hỗ trợ: OpenCV.

2.2. Trí tuệ nhân tạo và Deep Learning

• Giới thiệu về mạng nơ-ron tích chập (CNN).

• Tìm hiểu thuật toán Object Detection (Ưu tiên chọn YOLOv8 hoặc YOLOv10 vì tốc độ xử lý nhanh phù hợp thời gian thực).

2.3. Hệ thống điều khiển đèn giao thông

• Nguyên lý hoạt động của các bộ điều khiển đèn giao thông hiện nay.

• Các giải pháp giao thông thông minh trên thế giới.

CHƯƠNG 3: THIẾT KẾ VÀ XÂY DỰNG HỆ THỐNG

3.1. Sơ đồ khối hệ thống

• Khối thu thập dữ liệu (Camera).

• Khối xử lý trung tâm (AI Module).

• Khối điều khiển và hiển thị (Microcontroller & Traffic Lights).

3.2. Xây dựng tập dữ liệu (Dataset)

• Thu thập hình ảnh giao thông tại Việt Nam (đặc thù nhiều xe máy).

• Gán nhãn dữ liệu (Bounding box).

3.3. Thuật toán xử lý và điều khiển

• Bước 1: Nhận diện phương tiện.

• Bước 2: Đếm số lượng và phân loại phương tiện trên từng làn đường.

• Bước 3: Tính toán trọng số mật độ giao thông.

• Bước 4: Thuật toán ra quyết định (Ví dụ: Nếu làn A đông gấp 2 lần làn B, tăng thời gian đèn xanh cho làn A thêm $t$ giây).

3.4. Thiết kế phần cứng mô hình (nếu có)

• Lựa chọn linh kiện: Camera, Raspberry Pi/Jetson Nano, đèn LED, màn hình LCD hiển thị thời gian.

CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ

4.1. Kết quả huấn luyện mô hình AI

• Đánh giá qua các chỉ số: Độ chính xác (Accuracy), mAP (mean Average Precision), Tốc độ xử lý (FPS).

4.2. Thử nghiệm hệ thống trong các kịch bản

• Kịch bản 1: Đường thông thoáng (Đèn chuyển nhanh để tránh lãng phí).

• Kịch bản 2: Giờ cao điểm (Ưu tiên làn đông phương tiện).

• Kịch bản 3: Xuất hiện xe ưu tiên (Cứu thương, cứu hỏa - nếu có mở rộng).

4.3. Đánh giá hiệu quả

• So sánh thời gian chờ trung bình giữa hệ thống thông minh và hệ thống cố định.

CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

5.1. Kết luận

• Những kết quả đạt được (độ chính xác, tính khả thi).

• Những hạn chế (ảnh hưởng của thời tiết, ánh sáng ban đêm).

5.2. Hướng phát triển

• Kết nối Internet of Things (IoT) để quản lý tập trung từ trung tâm điều hành.

• Tích hợp nhận diện biển số xe vi phạm.