Thanh bên bài viết
Số lượt xem PDF: 0
XÂY DỰNG HỆ THỐNG NHẬN DIỆN BIỂN BÁO GIAO THÔNG HỖ TRỢ LÁI XE AN TOÀN
Nội dung chính của bài viết
Tóm tắt
Trong bối cảnh Việt Nam đang có tốc độ đô thị hóa và phát triển hạ tầng giao thông nhanh, lưu lượng phương tiện tham gia giao thông ngày càng gia tăng trên phạm vi cả nước. Điều này đặt ra nhiều thách thức với về an toàn giao thông, bao gồm nguy cơ tai nạn gia tăng, việc không nhận diện kịp thời hoặc bỏ sót biển báo, đặc biệt trong điều kiện thời tiết không thuận lợi. Nghiên cứu này nhằm xây dựng hệ thống nhận diện biển báo giao thông hỗ trợ lái xe an toàn dựa trên các phương pháp học sâu trong lĩnh vực Trí tuệ nhân tạo, Thị giác máy tính. Mô hình YOLO sử dụng để phát hiện, hỗ trợ nhận diện biển báo theo thời gian thực và đưa ra cảnh báo cho người lái. Tuy nhiên, hệ thống vẫn gặp nhiều thách thức do các yếu tố như ánh sáng yếu, thời tiết xấu hoặc biển báo bị che khuất, ảnh hưởng đến độ chính xác của hệ thống. Ngoài ra, yêu cầu xử lý theo thời gian thực và khả năng triển khai trên thiết bị phần cứng hạn chế cũng cần giải quyết. Kết quả nghiên cứu cho thấy mô hình có khả năng nhận diện biển báo giao thông với độ chính xác tốt và đáp ứng yêu cầu về thời gian thực. Hệ thống tích hợp với camera để đưa ra cảnh báo kịp thời cho người lái, góp phần nâng cao an toàn giao thông trong điều kiện thực tế.
Chi tiết bài viết
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Từ khóa
Nhận diện biển báo giao thông, Trí tuệ nhân tạo, Thị giác máy tính, YOLO, Học sâu
Tài liệu tham khảo
Bochkovskiy, A., Wang, C. Y., & Liao, H. Y. M. (2020). YOLOv4: Optimal speed and accuracy of object detection [Preprint]. arXiv. https://arxiv.org/abs/2004.10934
Bộ Công an. (2026). Tình hình tai nạn giao thông, cháy, nổ và xử lý hành chính về trật tự, an toàn giao thông năm 2025. Cổng Thông tin điện tử Bộ Công an. Retrieved xx xx, 2026, from https://bocongan.gov.vn/
Ghosh, S., & Lee, T. S. (2000). Intelligent transportation systems: New principles and architectures. CRC Press.
Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. https://www.deeplearningbook.org
Jocher, G., Chaurasia, A., & Qiu, J. (2023). Ultralytics YOLOv8 [Computer software]. GitHub. https://github.com/ultralytics/ultralytics
Kaggle. (n.d.). Kaggle. Retrieved April 19, 2026, from https://www.kaggle.com
Melo, J. P., et al. (2024). Traffic sign detection and recognition using YOLO object detection algorithm: A systematic review. Mathematics, 12(2), Article 297. https://doi.org/10.3390/math12020297
OpenCV. (n.d.). Getting started with videos. Retrieved April 19, 2026, from https://docs.opencv.org/4.x/dd/d43/tutorial_py_video_display.html
OpenCV. (n.d.). Image processing (imgproc module). Retrieved April 19, 2026, from https://docs.opencv.org/4.x/d7/dbd/group__imgproc.html
Redmon, J., Divvala, S., Girshick, R., & Farhadi, A. (2016). You only look once: Unified, real-time object detection. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (CVPR) (pp. 779-788).
Roboflow. (n.d.). Roboflow. Retrieved April 19, 2026, from https://roboflow.com
Stallkamp, J., Schlipsing, M., Salmen, J., & Igel, C. (2012). Man vs. computer: Benchmarking machine learning algorithms for traffic sign recognition. Neural Networks, 32, 323-332. https://doi.org/10.1016/j.neunet.2012.02.016
TFSVN. (n.d.). Tổng hợp đầy đủ các biển báo giao thông đường bộ từ 01/01/2025. https://tfsvn.com.vn/cac-bien-bao-giao-thong-duong-bo-tu-01-01-2025/
Ultralytics. (n.d.). YOLOv8 models. Retrieved April 19, 2026, from https://docs.ultralytics.com/vi/models/yolov8/