AQUANETCT: GIẢI PHÁP AI TẠO BẢN ĐỒ VÀ MẠNG LƯỚI THOÁT NƯỚC TẠI CẦN THƠ THÔNG QUA VIDEO

Abstract

Việc theo dõi và quan sát các đường ống thoát nước thường ngày đã trở nên phổ biến với tất cả người dân nói chung và các kỹ sư nói riêng. Để lên kế hoạch phát triển hoặc tu sửa lại các đường ống thoát nước khi cần thiết thì việc quan sát bằng mắt thường dường như bất khả thi, ở thời hiện đại hơn thì chúng ta có các bản đồ liên quan đến các trục ống thoát nước, nhưng như vậy là chưa đủ để có thể nắm bắt được hết các mạng lưới cấp thoát nước trong một con hẻm nhỏ hoặc xa hơn là một khu vực rộng lớn. Chính vì nhu cầu trên nên một hệ thống kiểm soát mạng lưới cấp thoát nước trực tuyến ‘AquaNetCT’ đã được ra đời. Với công nghệ được cải tiến bằng cách áp dụng trí tuệ nhân tạo (AI), giờ đây chỉ cần thông qua các video được ghi lại trên các nẻo đường có thể dễ dàng xác định được vị trí các nắp cống, bằng cách kết hợp việc sử dụng GPS video camera để ghi hình sau đó xuất ra các video có các thông tin được hiển thị trực tiếp, chọn lọc ra các tấm ảnh xuất hiện nắp cống, tiếp đến cần áp dụng phương pháp Optical Character Recognitio, viết tắt là OCR, mục đích lọc các văn bản trên tấm hình để lấy được Latitude (kinh độ) và Longitude (vĩ độ) cần thiết nhằm xác định địa chỉ bằng OpenCage, một website cung cấp key cho phép người dùng chuyển đổi tọa độ thành địa chỉ. Sử dụng Streamlit là lựa chọn hợp lý để mô phỏng lại một cách chính xác mạng lưới thoát nước ở Cần Thơ với khả năng hỗ trợ các bản đồ mạnh mẽ và cấu trúc đơn giản. Ở đây có ba loại bản đồ chính, bản đồ thật với các đường đi và địa điểm thể hiện rõ nét, bản đồ mô phỏng được vẽ dựa trên bản đồ thật và cuối cùng là bản đồ chỉ với các điểm và đường nối. Sau khi đã có được toàn bộ các điểm nằm trên bản đồ, bước tiếp theo là tận dụng NetworkX và Osmnx, các thư viện liên quan đến bản đồ trên Python, cùng với các phương pháp xây dựng cây như KDTree hay BallTree, để tính toán và tìm ra các con đường có các điểm nắp cống, ngoài ra cần nối các điểm gần nhau lại thành một mạng lưới hoàn chỉnh. Thời nay các loại nắp cống đã trở nên đa dạng nên cần đặt ra một bài toán phân lớp sử dụng mô hình InceptionV3, với tập dữ liệu gồm 2321 hình thu được từ quá trình nhận dạng vật thể trong các tấm hình chọn lọc từ video bằng Yolov10 đã được huấn luyện. Kết quả thu được với độ chính xác 90-92% trên tập kiểm thử. Ngoài ra hệ thống còn có chức năng tìm kiếm dựa trên yêu cầu khác nhau, bao gồm tìm kiếm theo nút, theo tên đường, bán kính hoặc tìm kiếm theo loại cống. Cuối cùng, Chatbot sử dụng Langchain để học các mẫu tài liệu từ pdf liên quan đến hệ thống thoát nước nhằm mục đích giúp người dùng có thể dễ dàng tra cứu trực tiếp trên hệ thống.