越南南部公路管理機構正推動以人工智能自動識別、分類車輛並彙總車流數據，用於道路規劃、設計、養護和交通調度。南部公路技術與工藝中心主任裴越強（Bùi Viết Cường）介紹，這一方向有三重動因：南部國道和高速公路網絡快速擴張、車流量持續上升，規劃與養護決策需要準確而連續的數據；越南政治局的第57號決議將數據確定為新的生產資料；城市攝像頭、收費站監控和高速公路24小時閉路電視已形成較廣覆蓋，具備把現有圖像轉化為結構化數據的條件。
據裴越強介紹，現有流程分為五步：從既有攝像頭或流動勘察攝像頭獲取視頻，進行圖像預處理、視角校正並按車道和方向設置虛擬感應線，再用深度學習模型識別和分類車輛，隨後逐車追蹤、在車輛越過虛擬感應線時計數，最後彙總並生成實時流量圖表。系統使用從越南道路採集的數據進行監督學習訓練，分類標籤超過20萬個。過去一小時視頻約需三小時人工計數，現在可近乎同步處理，數據也從幾天一次的“切片”變為24小時連續記錄。
裴越強表示，人工計數在連續工作數小時後容易疲勞漏計，雨天或夜間觀察困難，不同人員的分類標準也不一致，且結果難以複核。AI則給畫面中每輛車分配唯一編號並跨幀追蹤，車輛被遮擋時仍可延續；每個編號只在正確方向越過虛擬感應線時記錄一次，以減少停車、慢行或變道造成的重複計數；每次計數都附帶時間和圖像，便於回溯比對。但他強調AI並非絕對準確，中心仍隨機抽取視頻片段人工複核，按車型和具體條件評估誤差，再補充訓練數據。
越南摩托車約佔車流組成的70%至80%，且常交錯行駛、不固定車道，這是系統面臨的主要挑戰，也是不能直接套用主要針對汽車按車道訓練的國外軟件的原因。系統在混合道路上按整個斷面的區域計數，而非嚴格沿車道計數。對養護工作重要的重型卡車，不同軸數和載重之間容易混淆，目前考慮結合傳感器、三維掃描攝像頭或車輛檢驗數據，但補充這些數據源的效果仍待評估。針對夜間、雨天、逆光和車燈眩光，模型已補充相應數據訓練；重點位置的方向是攝像頭與物理傳感器或激光雷達配合，由攝像頭識別車型、傳感器提供數量和速度，並在圖像質量差的時段自動標註警示。
在應用層面，連續12個月的計數可直接計算日均車流量，不必再用增長係數從幾天勘察數據外推；細分車型有助於更貼近實際地換算標準小客車單位，支持確定道路等級、車道數和擴建時機，也是路面結構設計的輸入。實時數據可在流量接近通行能力時及早發現擁堵跡象，用於更新電子顯示屏信息、建議替代路線、調整信號燈配時或在路口協調分流；節假日還可依據歷史數據預測流量峰值。車輛追蹤可生成出行路徑圖，識別急剎、突然變道等風險點，計數數據也可用於核對收費站或車輛檢驗數據。
裴越強說，目前交通數據分散在各項目勘察檔案、收費站和稱重站，格式與車型分類不一，難以疊加比較，因此需要按統一結構標準化，涵蓋時間、位置、方向、車道、車型、載重、數量和速度。該中心當前受命在國道系統建設自動車輛計數站；在高速公路試點是評估AI計數效果的一種方案，思路是利用現有智能交通系統以優化成本並便於數據比對。試點預計分三階段：按各位置條件安裝、設置虛擬感應線並補充訓練；將AI結果與智能交通系統軟件數據並行比對；按明確指標報告結果，並就推廣範圍和機制提出建議。
該中心還提出從“購買攝像頭”轉向“購買交通數據服務”。裴越強稱，中國、日本、美國、比利時等國已有類似做法，例如中國廣州、湖北的服務商通過物聯網從監控攝像頭、公共交通工具和私家車等多源採集數據，經AI清洗、標準化後實時提供給使用單位。他以越南實際情況說明，一些項目設備投資完成後運維經費跟不上，幾年後設備損壞或落後，數據隨之中斷；管理單位最終需要的是正確、完整而連續的數據，而非攝像頭本身。
越南中文社
