Xác định mật độ phương tiện giao thông
Abstract
Traffic safety is an issue of particular concern to society, with an average of 30-35 fatalities daily, mainly on the roads. The main reason is the increasing number of vehicles, primarily personal vehicles. Research, survey, and statistically analyze the times and routes with high traffic, and propose warning tools to assist citizens, traffic police, and managers in reducing traffic congestion. Applying deep learning models to develop solutions and using Yolov8 for object detection. The dataset includes 1030 images divided into 2 folders: train (824 images) and test (206 images), which are images of various types of vehicles such as cars, motorcycles, trucks, buses, and bicycles. The experimental results show a recognition performance of 88.5%. This study proposes a vehicle detection and recognition model based on the yolov8 model, combined with statistical analysis of different types of vehicles. This is an accurate, easy, and cost-effective method for detecting vehicles.
Tóm tắt
An toàn giao thông là vấn đề được xã hội đặc biệt quan tâm, với trung bình 30-35 ca tử vong hàng ngày, chủ yếu trên đường bộ. Nguyên nhân chính là do số lượng phương tiện giao thông ngày càng tăng, chủ yếu là các phương tiện cá nhân. Nghiên cứu, khảo sát, thống kê các thời điểm, tuyến đường có phương tiện giao thông cao, đề xuất ra các công cụ cảnh báo hỗ trợ người dân, cảnh sát giao thông và nhà quản lý giảm thiểu ùn tắc giao thông. Ứng dụng mô hình học sâu (deep learning) để phát triển giải pháp và sử dụng Yolov8 nhận dạng đối tượng. Tập dữ liệu bao gồm 1030 ảnh chia lảm 2 thư mục: train (824 ảnh) và test (206 ảnh) là ảnh các loại xe ô tô, xe máy, xe tải, xe buýt, xe đạp. Kết quả thử nghiệm cho thấy hiệu suất nhận dạng là 88,5%. Nghiên cứu này đề xuất mô hình phát hiện và nhận dạng phương tiện dựa trên mô hình yolov8, kết hợp với phân tích thống kê các loại phương tiện giao thông. Đây là một phương pháp chính xác, dễ dàng và chi phí thấp để phát hiện các phương tiện giao thông.
Tài liệu tham khảo
[1] Phạm Thị Thanh Thủy, Tạp chí Khoa học Tài nguyên và Môi trường về Nghiên cứu và ứng dụng mô hình YOLOv8 trong phát hiện và thống kê số lượng vị trí còn trống trong bãi đỗ ô tô, DOI:https://doi.org/10.63064/khtnmt.2024.606.
[2] Vũ Lê Quỳnh Phương, Kỷ yếu hội thảo khoa học quốc gia 2019, CNTT và ứng dụng trong các lĩnh vực.
[3] Bùi Thanh Lâm, Nguyễn Đức Quang, Nguyễn Văn Trường, Phan Đình Hiếu, Vũ Tuấn Anh, Lưu Vũ Hải, Tạp chí Khoa học công nghệ về Nghiên cứu ứng dụng thuật toán học sâu kết hợp cảm biến Kinect trong phân loại vật thể, Tập 59 - Số 4 (8/2023) DOI: https://doi.org/10.57001/huih5804.2023.142
[4] https://www.elcom.com.vn/deep-learning-la-gi-ung-dung-cua-hoc-sau-trong-thuc-tien-1666582364
[5] G. Plastiras, C. Kyrkou, and T. Theocharides, “Efficient convnet-based object detection for unmanned aerial vehicles by selective tile processing,” ACM Int. Conf. Proceeding Ser., 2018, doi: 10.1145/3243394.3243692.
[6] J. Redmon, S. Divvala, R. Girshick, and A. Farhadi, “You only look once: Unified, real-time object detection,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-December, pp. 779–788, 2016, doi: 10.1109/CVPR.2016.91.
[7] V. H. Sơn, N. V. Hiến, and V. Q. Vịnh, “Tóm tắt:,” pp. 55–61, 2022.
[8] Đ. H. Quang, L. H. Minh, and T. D. Nguyên, “Nhận dạng khuôn mặt trong video bằng mạng nơ ron tích chập,” vol. 62, no. 1, pp. 8–12, 2020
[9] K. Simonyan and A. Zisserman, “Very deep convolutional networks for large-scale image recognition,” 3rd Int. Conf. Learn. Represent. ICLR 2015 - Conf. Track Proc., pp. 1–14, 2015.
[10] C. Szegedy, V. Vanhoucke, S. Ioffe, J. Shlens, and Z. Wojna, “Rethinking the Inception Architecture for Computer Vision,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-December, pp. 2818–2826, 2016, doi: 10.1109/CVPR.2016.308
[11] K. He, X. Zhang, S. Ren, and J. Sun, “Deep residual learning for image recognition,” Proc. IEEE Comput. Soc. Conf. Comput. Vis. Pattern Recognit., vol. 2016-December, pp. 770–778, 2016, doi: 10.1109/CVPR.2016.90.
[13] Đoàn Phước Miền, Tống Thị Kim Quy, Trần Thế Vũ, Huỳnh Hữu Hưng, Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XI về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 09-10/8/2018.
[14] Phan Anh Cang, Nguyễn Thị Mỹ Nga, Phan Thượng Cang, Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XI về Nghiên cứu cơ bản và ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 09-10/8/2018 DOI: 10.15625/vap.2018.00011
[15] D. A. Mulia, S. Safitri, and G. P. K. Negara, "YOLOv8 and Faster R-CNN Performance Evaluation with Super-resolution in License Plate Recognition," International Journal of Computing and Digital Systems, 2024, doi: 10.12785/ijcds/160129.
[16] Đặng Thị Dung, Hà Lê Ngọc Dung, Trương Lê Chương, Thái Chí Hào, Trần Văn Phúc, TNU Journal of Science and Technology về Nghiên cứu các phiên bản YOLOv8 và YOLO-NAS trong phát hiện biển số xe, DOI: https://doi.org/10.34238/tnu-jst.10336
[17] Trần Xuân Kiên, Đinh Xuân Trường, Phạm Tuấn Thành, Lê Minh Dương, Tạp chí Khoa học công nghệ về Ứng dụng theo dõi phương tiện, giám sát giao thông trong thời gian thực DOI: https://doi.org/10.57001/huih5804.2023.103
