Tối Ưu Hóa Nhận Diện Lưu Lượng Giao Thông Đô Thị Hỗn Hợp Bằng Kiến Trúc YOLOv12: Xử Lý Biển Số & Phân Loại Xe Trong Điều Kiện Mưa Đêm

Vào giữa tháng 10 năm 2026, các trung tâm điều hành giao thông thông minh tại các đô thị lớn ghi nhận bước tiến kỹ thuật mới khi mô hình thị giác YOLOv12 chính thức được thử nghiệm trên diện rộng. Nhờ cơ chế chú ý vùng không gian (Area Attention), hệ thống camera AI có thể nhận diện biển số và phân loại chính xác các luồng phương tiện hỗn hợp di chuyển ken đặc ngay trong điều kiện mưa giông và lóa đèn pha vào ban đêm.

1. Bối Cảnh Trước Khi Có Thay Đổi Này

Giao thông đô thị tại các thành phố lớn ở Việt Nam như Hà Nội và Thành phố Hồ Chí Minh mang tính đặc thù cao với mật độ xe máy chiếm hơn 80% lưu lượng di chuyển trên đường:

Tình Trạng Phương Tiện Ken Đặc Và Che Khuất Lẫn Nhau

• Trong các khung giờ cao điểm, hàng chục xe máy thường di chuyển đan xen sát cạnh các xe tải và xe buýt lớn, tạo ra hiện tượng che khuất một phần hoặc toàn bộ góc nhìn của camera giao thông.
• Các thuật toán thị giác dựa trên mạng tích chập truyền thống thường gặp khó khăn trong việc tách biệt ranh giới giữa các phương tiện đi sát nhau, dẫn đến hiện tượng gộp nhầm nhiều xe máy thành một đối tượng hoặc bỏ sót xe đi trong điểm mù.

Trở Ngại Khi Thời Tiết Mưa Lớn Và Lóa Đèn Ban Đêm

• Vào ban đêm hoặc khi trời mưa to, ánh đèn pha từ các dòng xe đi ngược chiều rọi trực tiếp vào ống kính camera, gây ra các vệt sáng chói lóa trên bề mặt cảm biến quang học.
• Mặt đường ẩm ướt tạo ra hiện tượng phản xạ gương của đèn xe và biển hiệu đô thị, làm cho các bộ nhận dạng ký tự quang học đọc sai lệch các chữ số trên biển kiểm soát phương tiện.
• Tỷ lệ nhận diện biển số của các camera AI thông thường thường sụt giảm từ 92% vào ban ngày xuống chỉ còn dưới 65% trong điều kiện thời tiết mưa đêm phức tạp.

Áp Lực Băng Thông Và Yêu Cầu Xử Lý Thời Gian Thực

• Để điều tiết đèn tín hiệu giao thông thích ứng, hệ thống bắt buộc phải phân tích liên tục luồng video với tốc độ tối thiểu 30 đến 60 khung hình mỗi giây ngay tại các tủ điều khiển ngoại vi.
• Các mô hình Transformer toàn cục trước đây tuy có độ chính xác cao nhưng lại đòi hỏi phần cứng máy chủ đắt tiền và mức tiêu thụ điện năng lớn, khó triển khai đại trà tại các cột đèn giao thông ngoài trời.

2. Chuyện Gì Vừa Thay Đổi

Theo Computer Vision Foundation (https://openaccess.thecvf.com), kiến trúc YOLOv12 đánh dấu bước chuyển đổi quan trọng từ mạng tích chập thuần túy sang cấu trúc tập trung vào cơ chế chú ý:

Cơ Chế Chú Ý Vùng Không Gian (Area Attention Module)

• Thay vì thực hiện tính toán ma trận tự chú ý trên toàn bộ bức ảnh vốn gây nghẽn bộ nhớ, YOLOv12 chia khung hình thành các phân vùng không gian có kích thước linh hoạt để tập trung tính toán sâu tại các khu vực tập trung đông phương tiện.
• Cơ chế này giúp mô hình nắm bắt sắc nét các đường viền hình học của xe máy và người điều khiển, bóc tách chính xác từng phương tiện riêng biệt ngay cả khi chúng di chuyển sát nhau trên cùng một làn đường.

Mạng Tổng Hợp Đặc Trưng Dư Hiệu Quả (R-ELAN Architecture)

• Kiến trúc R-ELAN được cải tiến giúp ổn định quá trình lan truyền tín hiệu đặc trưng qua các tầng mạng nơ-ron sâu, ngăn ngừa hiện tượng mất mát thông tin chi tiết của các vật thể nhỏ như đèn hậu hay biển số xe máy.
• Kết hợp với kỹ thuật tối ưu hóa bộ nhớ FlashAttention, tốc độ suy luận của phiên bản YOLOv12-Small đạt tới 60 khung hình mỗi giây trên vi xử lý đồ họa biên, duy trì độ trễ trích xuất dưới 15 mili-giây.

Khả Năng Kháng Nhiễu Quang Học Và Chống Lóa Đèn

• Thuật toán tự động cân bằng các dải tần nhạy cảm với ánh sáng chói, trích xuất đặc trưng phản xạ kim loại để phục hồi đường nét ký tự trên biển số xe bị đèn pha rọi trực tiếp.
• Thử nghiệm thực địa tại các nút giao thông cho thấy tỷ lệ đọc đúng biển số và phân loại xe trong điều kiện mưa đêm tăng từ 65% lên hơn 91%, đáp ứng tiêu chuẩn xử phạt vi phạm và điều phối giao thông thông minh.

3. Tác Động Và Rào Cản Thực Tế

Ứng dụng kiến trúc thị giác máy tính thế hệ mới mang lại sự chuyển biến tích cực cho công tác quản lý đô thị:

Nâng Cao Năng Lực Điều Phối Giao Thông Đô Thị Tự Động

• Các trung tâm điều hành có thể đếm chính xác lưu lượng xe theo từng hướng rẽ theo thời gian thực, tự động điều chỉnh chu kỳ đèn xanh đèn đỏ để giải tỏa nhanh các nút thắt ùn tắc.
• Dữ liệu nhận diện chính xác hỗ trợ đắc lực cho lực lượng cảnh sát giao thông trong việc phát hiện các hành vi vi phạm như đi sai làn, vượt đèn đỏ hay lấn vạch phân cách.

Tối Ưu Hóa Chi Phí Đầu Tư Thiết Bị Ngoại Vi

• Các đô thị có thể tận dụng lại hệ thống camera giám sát IP hiện hữu và chỉ cần gắn thêm thiết bị máy tính nhúng nhỏ gọn bên trong tủ điện điều khiển ngoài đường.
• Thiết bị vận hành ổn định trong dải nhiệt độ rộng, không cần hệ thống điều hòa làm mát chuyên dụng, giúp tiết kiệm chi phí bảo trì dài hạn.

Yêu Cầu Về Chuẩn Hóa Góc Nghiêng Và Vệ Sinh Ống Kính

• Để thuật toán phát huy hiệu quả tối đa, camera cần được lắp đặt ở độ cao tối thiểu 5 mét với góc nghiêng chúc xuống mặt đường từ 25 đến 35 độ nhằm tránh tình trạng các xe tải che khuất toàn bộ làn xe máy.
• Bụi bẩn và giọt nước mưa bám lâu ngày trên kính bảo vệ có thể làm mờ hình ảnh, đòi hỏi kế hoạch bảo dưỡng định kỳ và sử dụng kính phủ nano trượt nước chuyên dụng.

4. Góc Nhìn Từ NLTECH

Bài toán giao thông hỗn hợp tại Việt Nam là một trong những thử thách phức tạp nhất đối với công nghệ thị giác máy tính, đòi hỏi thuật toán phải được tôi luyện qua dữ liệu thực tế tại địa phương.

Tại NLTECH, trong quá trình phát triển các giải pháp Camera AI giám sát giao thông và an ninh đô thị, chúng tôi luôn tối ưu hóa các mô hình nhận diện để thích ứng hiệu quả với điều kiện thời tiết nhiệt đới gió mùa. Sự kết hợp giữa kiến trúc chú ý vùng không gian và phần cứng biên bền bỉ giúp các giải pháp của NLTECH vận hành chính xác 24/7, đồng hành cùng các cơ quan quản lý đô thị xây dựng mạng lưới giao thông thông minh, an toàn và thông suốt.