Hệ thống phát hiện hình vẽ bậy bằng computer vision và AI trong các thành phố thông minh

Graffiti, bao gồm các dòng chữ, hình vẽ hoặc biểu tượng, có thể kể rất nhiều câu chuyện. Nó tạo thêm màu sắc và cá tính cho các bức tường đô thị và được sử dụng để bày tỏ quan điểm. Mặc dù đôi khi graffiti được coi là nghệ thuật, nhưng thường thì nó được thực hiện mà không có sự cho phép. Thực tế, graffiti thường xuất hiện chỉ sau một đêm trên các tòa nhà, cây cầu và tàu hỏa, và việc làm sạch chúng đòi hỏi thời gian, tài nguyên và công sức.

Các thành phố trên toàn thế giới chi hàng triệu đô la để giữ gìn không gian công cộng sạch sẽ. Chỉ riêng tại Hoa Kỳ, chi phí dọn dẹp graffiti lên tới hơn 12 tỷ USD mỗi năm. Ngoài ra, ở nhiều thành phố, việc đi trước các vết graffiti là một thử thách đáng kể. Số lượng đội ngũ dọn dẹp có hạn và họ không thể có mặt ở khắp mọi nơi cùng lúc.

Đó là lý do tại sao các nhà quy hoạch đô thị giờ đây đang chuyển sang computer vision, một nhánh của trí tuệ nhân tạo cho phép máy móc phân tích và diễn giải hình ảnh. Sử dụng các model computer vision như Ultralytics YOLO11, các camera tích hợp AI có thể được dùng để quét nhanh các bức tường thành phố, phát hiện graffiti theo thời gian thực và xác định chính xác vị trí để các đội ngũ phản ứng.

Trong bài viết này, chúng ta sẽ xem xét kỹ hơn cách computer vision đang được sử dụng để nhận diện graffiti tự động trong các thành phố thông minh. Hãy cùng bắt đầu!

Vai trò của computer vision trong các thành phố thông minh#

Smart cities đang ứng dụng công nghệ tiên tiến để giải quyết các thách thức hàng ngày một cách hiệu quả hơn. Cụ thể, các thành phố này đang tận dụng các model computer vision như Ultralytics YOLO11 để phân tích dữ liệu trực quan, giám sát không gian công cộng và hỗ trợ quá trình ra quyết định dựa trên dữ liệu nhanh hơn trên nhiều hệ thống đô thị khác nhau.

Dưới đây là một số cách phổ biến mà vision AI đang được sử dụng trong các thành phố thông minh:

• Quản lý giao thông: vision AI có thể phân tích các nguồn cấp dữ liệu video trực tiếp để giám sát lưu lượng giao thông, phát hiện ùn tắc và điều chỉnh tín hiệu giao thông theo thời gian thực nhằm cải thiện di chuyển và giảm thiểu tình trạng chậm trễ.
• Recycling automation: Computer vision có thể giúp nhận diện và phân loại vật liệu tái chế từ dòng chất thải tại các thùng rác công cộng hoặc trung tâm tái chế, cải thiện độ chính xác khi phân loại và giảm thiểu ô nhiễm.
• Giám sát giao thông công cộng: Các hệ thống giao thông công cộng có thể sử dụng computer vision để theo dõi số lượng hành khách, giám sát hành vi trên tàu/xe và phát hiện các vấn đề an toàn, từ đó cải thiện cả hiệu quả lẫn độ an toàn.
• Ứng phó thảm họa: Computer vision có thể xác định các dấu hiệu hình ảnh của hỏa hoạn, lũ lụt hoặc hư hại cấu trúc sau thảm họa, cho phép phản ứng khẩn cấp nhanh hơn và hiệu quả hơn.

Fig 1. Giám sát giao thông bằng YOLO11 trong smart cities.

Tổng quan về giám sát graffiti đô thị bằng AI#

Bây giờ chúng ta đã khám phá cách computer vision giúp làm cho các thành phố thông minh hơn, hãy cùng xem xét kỹ hơn lý do tại sao nó đặc biệt cần thiết cho việc nhận diện graffiti tự động.

Theo truyền thống, các thành phố đã sử dụng nhiều phương pháp để quản lý graffiti. Một số dựa vào báo cáo từ công chúng, trong khi những nơi khác cử các đội đi kiểm tra các điểm nóng được biết đến. Trong một số trường hợp, ứng dụng di động cho phép cư dân gửi khiếu nại hoặc tải lên hình ảnh. Mặc dù các phương pháp này có thể hữu ích, nhưng chúng rất tốn thời gian, phụ thuộc nhiều vào yếu tố con người và thường không thể bao phủ toàn bộ thành phố.

Computer vision mang lại cho các thành phố một cách quản lý graffiti nhanh hơn và đáng tin cậy hơn. Các hệ thống nhận diện graffiti tự động thường dựa vào hai computer vision tasks chính: phân loại hình ảnh (image classification) và phát hiện đối tượng (object detection).

Trong bước đầu tiên, phân loại hình ảnh sẽ phân tích một bức ảnh để xác định xem đó là graffiti, nghệ thuật đường phố hay một bề mặt sạch. Nếu phát hiện thấy graffiti, object detection sẽ xác định chính xác vị trí của nó trong hình ảnh. Điều này giúp các đội ngũ thành phố phản ứng nhanh chóng và chính xác. Theo thời gian, dữ liệu giúp xác định xu hướng để các thành phố có thể nhắm mục tiêu vào các điểm nóng thường xuyên và cải thiện các nỗ lực phòng ngừa.

Fig 2. Một ví dụ về cách hoạt động của các hệ thống nhận diện graffiti tự động.

Khám phá các hệ thống phát hiện graffiti bằng AI tại nhiều thành phố khác nhau#

Nhiều thành phố đang thử nghiệm các cách mới để xử lý graffiti. Thay vì chỉ phụ thuộc vào tuần tra hoặc báo cáo từ công chúng, họ bắt đầu sử dụng các computer vision models có thể phát hiện, nhận diện và thậm chí hỗ trợ dọn dẹp graffiti. Hãy cùng xem cách một số thành phố đưa các công cụ mới này vào ứng dụng.

Hệ thống phát hiện graffiti bằng AI tích hợp với camera trên phương tiện#

Các phương tiện dịch vụ công cộng hiện đang được sử dụng ở nhiều thành phố để hỗ trợ phát hiện graffiti trong các tuyến tuần tra thường xuyên của họ. Bằng cách trang bị cho các phương tiện này các computer vision solutions, các thành phố có thể quét đường phố theo thời gian thực mà không cần thêm các đội tuần tra bổ sung. Điều này giúp việc phát hiện sớm graffiti trở nên dễ dàng hơn và gửi cảnh báo đến các đội ngũ dọn dẹp trước khi vấn đề lan rộng.

Tempe, Arizona, là một ví dụ điển hình về một thành phố sử dụng công nghệ này. Thành phố đã hợp tác với các tổ chức địa phương để phát triển một hệ thống sử dụng camera gắn trên phương tiện dịch vụ công. Khi các phương tiện này di chuyển qua các khu dân cư, chúng ghi lại hình ảnh các bức tường và không gian công cộng.

Một model vision AI đã phân tích các hình ảnh và flagged any graffiti mà nó phát hiện được. Kết quả được gửi đến một bảng điều khiển trực tiếp để ban quản lý có thể kiểm tra các cập nhật trên điện thoại của họ và phản hồi nhanh chóng. Điều này đã giúp Tempe hành động nhanh hơn và giảm bớt các khiếu nại từ công chúng.

Tương tự, tại Lisbon, thủ đô của Bồ Đào Nha, một hệ thống thử nghiệm khái niệm (proof-of-concept) đã được phát triển bằng cách sử dụng các camera gắn trên phương tiện của thành phố để tự động detect graffiti.

Fig 3. Phát hiện graffiti bằng AI tại Lisbon, Bồ Đào Nha.

Phát hiện và loại bỏ graffiti bằng drone#

Graffiti có thể xuất hiện ở những nơi khó tiếp cận hoặc không an toàn, như cầu vượt, đường hầm và các cấu trúc trên cao. Việc dọn dẹp ở những khu vực này thường đòi hỏi thêm thiết bị, chi phí và nhiều thời gian hơn. Để cải thiện độ an toàn và tốc độ, một số thành phố đang bắt đầu sử dụng drones có khả năng vừa phát hiện vừa xóa bỏ graffiti mà không cần đội ngũ thủ công tại hiện trường.

Ví dụ, Seattle, một thành phố lớn ở Tiểu bang Washington, gần đây đã triển khai drone-based solution để giám sát các khu vực khó tiếp cận. Các drone này được trang bị camera và công cụ phun sơn. Chúng có thể quét các bề mặt công cộng để tìm các dấu vết, và khi phát hiện graffiti, chúng sử dụng bình xịt tích hợp để sơn đè lên và che phủ nó.

Fig 4. Một drone trang bị AI đang dọn dẹp graffiti tại Seattle, Washington.

Các nỗ lực phát hiện graffiti của Seattle cũng bao gồm các camera chạy bằng năng lượng mặt trời được lắp đặt tại các điểm nóng graffiti. Các camera này giám sát hoạt động và gửi cảnh báo khi có người tiếp cận địa điểm đã được đánh dấu. Bằng cách kết hợp drone với các điểm giám sát cố định, Seattle có thể phản ứng nhanh hơn với graffiti và giảm thiểu rủi ro vật lý cho các đội ngũ bảo trì.

Bản đồ hóa các điểm nóng graffiti nhờ vision AI#

Trong một số trường hợp, việc phát hiện graffiti không chỉ là dọn dẹp - mà còn là hiểu các mô hình hoạt động đó trên toàn thành phố. Với sự trợ giúp của AI, các thành phố hiện có thể chuyển đổi hình ảnh cấp đường phố thành các bản đồ trực quan cho thấy nơi graffiti xảy ra thường xuyên nhất. Những bản đồ này tiết lộ các xu hướng có thể không rõ ràng thông qua các báo cáo công khai và giúp các nhà quy hoạch đô thị tập trung nỗ lực của họ vào những nơi cần thiết nhất.

Ví dụ, São Paulo, một thành phố ở Brazil, đã khám phá phương pháp này thông qua một nghiên cứu tình huống dựa trên thực tế. Một nhóm đã sử dụng computer vision để phân tích hơn 275.000 hình ảnh cấp đường phố từ khắp thành phố, được thu thập bằng Google Street View. Graffiti được xác định trong các hình ảnh này đã được lập bản đồ trên 96 quận, tiết lộ nơi graffiti tập trung nhiều nhất.

Thay vì phụ thuộc vào các báo cáo rời rạc hoặc các đợt kiểm tra ngắt quãng, phương pháp này mang lại cái nhìn quy mô lớn, dựa trên dữ liệu về tình trạng graffiti trên toàn thành phố. Bản đồ kết quả đã cung cấp cho São Paulo một nguồn tài nguyên quý giá để theo dõi các thay đổi theo thời gian và hỗ trợ các nỗ lực dọn dẹp, phòng ngừa và urban planning có mục tiêu hơn.

Fig 5. Phát hiện graffiti tại São Paulo, Brazil.

Ưu và nhược điểm của các hệ thống phát hiện graffiti bằng vision AI#

Dưới đây là một số lợi ích chính của việc sử dụng computer vision để quản lý graffiti:

• Giảm nỗ lực thủ công: Giám sát tự động giúp giảm nhu cầu nhân viên phải trực tiếp đi kiểm tra đường phố, giải phóng tài nguyên cho các nhiệm vụ khác.
• Hỗ trợ các nỗ lực phòng ngừa: Bằng cách xác định các điểm nóng graffiti, các hệ thống computer vision cho phép các thành phố tập trung vào các biện pháp ngăn chặn như tăng cường ánh sáng hoặc giám sát tại các khu vực đó.
• Tích hợp với các hệ thống khác: Các công cụ computer vision có thể được kết nối với các bảng điều khiển thành phố hoặc ứng dụng bảo trì để có quy trình công việc hợp lý hơn.
• Cho phép báo cáo tự động: Các hệ thống vision AI có thể giúp tạo ra các báo cáo định kỳ, giảm bớt gánh nặng hành chính cho nhân viên thành phố.

Mặc dù các hệ thống computer vision rất hữu ích cho việc phát hiện graffiti, chúng cũng có một vài hạn chế. Dưới đây là một số điều cần lưu ý khi triển khai các hệ thống như vậy:

• Đòi hỏi bảo trì liên tục: Camera, model và phần mềm phải được cập nhật và bảo trì thường xuyên để đảm bảo độ chính xác và chức năng.
• Legal and regulatory barriers: Ở một số thành phố, việc lắp đặt hệ thống giám sát trong không gian công cộng có thể yêu cầu sự chấp thuận, giấy phép hoặc tuân thủ các luật bảo vệ dữ liệu.
• Nhầm lẫn về ngôn ngữ hoặc biểu tượng: Graffiti sử dụng ngôn ngữ nước ngoài, biểu tượng hoặc tiếng lóng có thể không được nhận diện chính xác nếu thiếu dữ liệu huấn luyện phù hợp.
• Misidentification risks: Nếu hệ thống không được huấn luyện trên một dataset toàn diện và đa dạng, nó có thể nhầm lẫn các bức bích họa, nghệ thuật đường phố hoặc tranh vẽ tường hợp pháp thành graffiti.

Các điểm chính cần lưu ý#

Phát hiện graffiti chỉ là một ví dụ về cách computer vision đang thay đổi cách các thành phố quản lý không gian công cộng. Các hệ thống này ngày càng được tích hợp với các công cụ bảo trì, báo cáo và quy hoạch thành phố.

Trọng tâm đang chuyển từ các phản ứng nhanh sang nhận thức chủ động. Với dữ liệu tốt hơn và các công cụ thông minh hơn, các thành phố đang hướng tới việc ngăn chặn vấn đề trước khi chúng bắt đầu và đưa ra các quyết định sáng suốt hơn trong mọi bước thực hiện.

Hãy tham gia community đang phát triển của chúng tôi! Khám phá GitHub repository của chúng tôi để tìm hiểu về AI, và xem qua các licensing options của chúng tôi để bắt đầu các dự án vision AI của bạn. Quan tâm đến các đổi mới như AI in healthcare và computer vision in agriculture? Hãy truy cập các trang giải pháp của chúng tôi để khám phá thêm!