000 00000nam#a2200000ui#4500
001 29942
008 280926s00vm|#################vie#d
082 ## $a000 $bTR-T
100 0# $aTrần, Thanh Tùng
245 ## $aNghiên cứu xây dựng mô hình phát hiện “ổ gà” trên bề mặt đường bộ sử dụng kiến trúc YOLOv12 Tích hợp cơ chế tự chú ý $b $cTrần Thanh Tùng; PGS.TS. Dương Thăng Long $h $n $p
260 ## $aH. $bTrường Đại học Mở Hà Nội $c2026
300 ## $a97 tr $b $cA4 $e
520 ## $aLuận văn nghiên cứu bài toán phát hiện hư hỏng mặt đường, tập trung vào nhận diện “ổ gà” bằng thị giác máy tính và các mô hình học sâu. Nghiên cứu xuất phát từ yêu cầu tự động hóa công tác giám sát hạ tầng giao thông, nhằm nâng cao khả năng phát hiện hư hỏng, hỗ trợ quản lý và bảo trì đường bộ hiệu quả. Luận văn trình bày cơ sở lý thuyết về học máy, học sâu, mạng nơ-ron tích chập (CNN), bài toán phát hiện đối tượng và cơ chế Attention trong thị giác máy tính. Đặc biệt, nghiên cứu khảo sát quá trình phát triển của kiến trúc YOLO từ YOLOv5 đến YOLOv12, phân tích khả năng ứng dụng YOLOv12 trong phát hiện ổ gà và xác định những hạn chế cần cải thiện. Trên cơ sở đó, luận văn đề xuất mô hình YOLOv12-SA-EVC bằng cách tích hợp SA Module (Self-Attention) vào cuối backbone và EVCBlock (Enhanced Visual Center Block) vào phần neck của YOLOv12. Sự kết hợp này nhằm tăng khả năng khai thác quan hệ không gian dài hạn và nâng cao khả năng biểu diễn đặc trưng hình ảnh của các vùng hư hỏng. Mô hình được huấn luyện và đánh giá trên bộ dữ liệu thử nghiệm sau quá trình tiền xử lý, chuẩn hóa và tăng cường tương phản bằng CLAHE. Hiệu quả được đánh giá thông qua Precision, Recall, F1-Score, mAP, IoU và FPS, đồng thời so sánh với các mô hình học sâu và các phiên bản YOLO khác. Kết quả thực nghiệm được phân tích nhằm đánh giá hiệu quả của mô hình đề xuất và khả năng ứng dụng trong giám sát giao thông thời gian thực.
653 ## $aXây dựng mô hình
653 ## $a“ổ gà”
653 ## $abề mặt đường bộ
653 ## $akiến trúc YOLOv12