TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH
KHOA ĐÀO TẠO CHẤT LƯỢNG CAO

ĐỒ ÁN TỐT NGHIỆP

NGHIÊN CỨU THIẾT KẾ VÀ CHẾ TẠO HỆ THỐNG
CẢNH BÁO VA CHẠM SỚM TRÊN XE

SVTH: NGUYỄN THANH NHÀN
MSSV: 18145191
SVTH: LƯƠNG THÀNH LONG
MSSV: 18145170
KHÓA: 2018
NGÀNH: CÔNG NGHỆ KỸ THUẬT Ô TÔ
GVHD: Th.S NGUYỄN THÀNH TUYÊN

Tp. Hồ Chí Minh, tháng 8 năm 2022

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH
KHOA ĐÀO TẠO CHẤT LƯỢNG CAO

ĐỒ ÁN TỐT NGHIỆP

NGHIÊN CỨU THIẾT KẾ VÀ CHẾ TẠO HỆ THỐNG
CẢNH BÁO VA CHẠM SỚM TRÊN XE

SVTH: NGUYỄN THANH NHÀN
MSSV: 18145191
SVTH: LƯƠNG THÀNH LONG
MSSV: 18145170
KHÓA: 2018
NGÀNH: CÔNG NGHỆ KỸ THUẬT Ô TÔ
GVHD: Th.S NGUYỄN THÀNH TUYÊN

Tp. Hồ Chí Minh, tháng 8 năm 2022

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
Tp. Hồ Chí Minh, ngày…tháng…năm 2022

NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
TÊN ĐỀ TÀI: NGHIÊN CỨU THIẾT KẾ VÀ CHẾ TẠO HỆ THỐNG
CẢNH BÁO VA CHẠM SỚM TRÊN XE.
Sinh viên thực hiện:
1. Họ và tên SV1: Nguyễn Thanh Nhàn

MSSV: 18145191

2. Họ và tên SV2: Lương Thành Long

MSSV: 18145170

I. NỘI DUNG:
 Khảo sát, phân tích các đề tài, các công trình nghiên cứu liên quan trong
và ngoài nước.
 Tìm hiểu và nghiên cứu thị giác máy tính và xử lí ảnh.
 Nghiên cứu hệ thống phát hiện và cảnh báo chướng ngại vật.
 Xây dựng thuật toán, hệ thống sau đó lắp đặt lên xe.
 Kết luận, đánh giá ưu khuyết điểm của hệ thống, đưa ý kiến cải thiện.
II. TRÌNH BÀY:
 1 quyển thuyết minh đồ án.
 Upload các ấn phẩm lên Google Drive (Hồ sơ NCKH, file word,
powerpoint ĐATN).
III. THỜI GIAN THỰC HIỆN:


Ngày bắt đầu: 21/02/2022



Ngày hoàn thành: 10/07/2022

Trưởng ngành

Tp.HCM, ngày…tháng…năm 2022
Giáo viên hướng dẫn

CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh phúc
Tp. Hồ Chí Minh, ngày…tháng…năm 2022

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
Họ và tên sinh viên: 1. Nguyễn Thanh Nhàn

MSSV: 18145191

2. Lương Thành Long

MSSV: 18145170

Ngành: Công nghệ kỹ thuật ô tô.
Tên đề tài: Nghiên cứu thiết kế và chế tạo hệ thống cảnh báo va chạm sớm trên xe.
Họ và tên Giáo viên hướng dẫn: Ths Nguyễn Thành Tuyên.
NHẬN XÉT
1. Về nội dung đề tài &amp khối lượng thực hiện:
………………………………………………………………………………………
2. Ưu điểm:
………………………………………………………………………………………
3. Khuyết điểm:
………………………………………………………………………………………
4. Đề nghị cho bảo vệ hay không?
………………………………………………………………………………………
5. Đánh giá loại
………………………………………………………………………………………
6. Điểm:……..(bằng chữ:……………………………..………………………)
Tp. Hồ Chí Minh, ngày…tháng…năm 2022
Giáo viên hư
...

...
liệu mà chưa nhìn thấy bao giờ.
Để thực hiện việc đó ta xây dựng hàm chia như sau:

Hình 7: Hàm chia và xáo trộn dữ liệu ngẫu nhiên
return về các giá trị là X_train, y_train, X_val, y_val và X_test, y_test theo tỉ lệ
60% – 20% – 20%.
94

Sau đó ta gọi hàm để chia các giá trị như sau:

Hình 8: Chia dữ liệu
2.2.2. Xây dựng model
Ta tiến hành viết hàm xây model với như sau:

Hình 9: Xây dựng hàm xây dựng model
Model có input_shape ảnh ở đây là 64 x 64, nghĩa là các ảnh đầu vào đề phảo
resize về 64 x 64. Và có output_size là 43 – là số class biển báo mà ta có.
filter_size = (3,3) : là kích cỡ của cửa sổ trượt trong Conv2D.
95

activation=’relu’ : là hàm khử tuyến tính và đưa các giá trị âm về thành 0.
padding = ‘same’ : để feature map khi output ra vẫn giữ nguyên là 64 x 64.
Sau khi dùng MaxPooling với size 2 x 2 thì sẽ giảm size ảnh đi một nửa là 32 x
32.
Ta sử dụng hàm out() để tránh overfit – điều gây sụt giảm accuracy
Sau đó ta dùng hàm summary() để tổng quan nhìn lại kiến trúc mạng trước khi
thực hiện xây dựng model:

Hình 10: Tổng quan kiến trúc mạng trước khi xây dựng model
Tổng tham số là 10,698,555.
2.2.3. Bắt đầu train model và kiểm tra

Hình 11: Train model
Ta train model với 10 epochs với batch_size là 16, rồi lưu lại thành 1 file để có
thể sử dụng lần sau mà không cần train lại.

96

Hình 12: Quá trình tạo model khá lâu do phải quét rất nhiều dữ liệu
Sau khi build xong model, ta load lại và kiểm tra model như sau:

Hình 13: Lệnh load model sau đó kiểm tra loss và accuracy
Ta được kết quả với Loss và accuracy như sau:

Hình 14: Kết quả với Loss và Accuracy
Ta nhận thấy rằng accuracy rất cao với chỉ số loss rất thấp. Từ đó cho thấy model
đã được xây dựng thành công.
Đưa một dữ liệu test ngẫu nhiên vào để kiểm tra:

97

Hình 15: Lệnh Test model trên tập Test
Biến at_predict (after predict) là sau khi dự đoán.
Gán vector numpy vào biến X_input.
Ta nhận được kết quả là:

Hình 16: Kết quả dự đoán lần 1
Ta thấy vị trí đúng và vị trí mà model dự đoán là vị trí thứ 10 (Cấm xe tải vượt).
Suy ra, model đã dự đoán đúng biển báo.
Để rõ ràng hơn, ta so sánh với địa chỉ đã tạo sẵn để in ra kết quả cụ thể:

Hình 17: Dự đoán hiển thị tên của vật thể
Với địa chỉ là:

98

Hình 18: Địa chỉ của ClassID và tên vật thể
Kết quả thu được là:

Hình 19: Kết quả cuối cùng
Biển giới hạn tốc độ 50km/h (biển thứ tự thứ 2 trong mảng).
Link code xây dựng model:
https://drive.google.com/file/d/1dsVO_PwKvcGXoENaqPccug9fM9gWd0Pz/view?usp
=sharing

99