PHÁT HIỆN VÀ NHẬN DẠNG BIỂN BÁO GIAO THÔNG BẰNG YOLOV8 VÀ CNN

Abstract

Trong thời đại hiện nay, việc phát hiện và phân loại biển báo giao thông đóng một vai trò quan trọng trong việc phát triển xe tự lái thông minh và hệ thống hỗ trợ lái xe tiên tiến để nâng cao sự an toàn và thoải mái cho người lái. Việc triển khai các thuật toán phát hiện này trên các máy tính nhúng trong các xe ô tô đặt ra nhiều thách thức, đặc biệt là khi đối mặt với sự phức tạp của môi trường giao thông đường bộ. Có hai nhiệm vụ chính mà một hệ thống phát hiện biển báo giao thông cần thực hiện, đó là phát hiện và phân loại biển báo. Thường thì cả hai nhiệm vụ này được thực hiện bằng một mô hình phát hiện/phân loại duy nhất, chẳng hạn như YOLO hoặc SSD, trong đó hình ảnh đầu vào được chú thích bằng các hộp giới hạn (bounding box) và các lớp tương ứng. Tuy nhiên, việc gán nhãn và đào tạo các bộ dữ liệu như vậy đòi hỏi nhiều thời gian và công sức đáng kể. Vì vậy, luận văn này đặt ra mục tiêu sử dụng tập dữ liệu Điểm chuẩn phát hiện biển báo giao thông Đức (GTSDB) để đào tạo mô hình YOLOv8 phát hiện các lớp chính (các biểu hiện của biển báo giao thông) và kết hợp chúng với mạng nơron tích chập CNN để phân loại các đối tượng được phát hiện. Điều này giúp giảm thời gian và công sức cần thiết cho việc gán nhãn và đào tạo dữ liệu. Kết quả thực nghiệm đã chứng minh rằng phương pháp được trình bày trong luận văn đạt được độ chính xác cao, lên đến 97%. Tóm lại, luận văn này tập trung vào việc cải thiện phát hiện và phân loại biển báo giao thông bằng cách sử dụng các tập dữ liệu chuẩn Đức và mạng CNN, mang lại kết quả ấn tượng cho việc phát triển xe tự lái và hệ thống hỗ trợ lái xe trong tương lai.