Nghiên cứu và xây dựng hệ thống giám sát tự động phát hiện khói lửa qua camera giám sát

Đồ án hệ thống giám sát tự động phát hiện khói lửa qua camera - Trường ĐH Bách khoa Đà Nẵng

• Tác giả: Nguyễn Kim Hoàng
• Người hướng dẫn: TS. Nguyễn Thị Kim Trúc
• Trường học: Trường Đại học Bách Khoa - Đại học Đà Nẵng
• Chuyên ngành: Kỹ thuật điều khiển và tự động hóa
• Đề tài: Nghiên cứu và xây dựng hệ thống giám sát tự động phát hiện khói lửa qua camera giám sát
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Đà Nẵng

Tóm tắt

I. Tổng quan hệ thống giám sát tự động phát hiện khói lửa qua camera

Hỏa hoạn gây ra nhiều thiệt hại nghiêm trọng về người và của. Các phương pháp phòng cháy truyền thống thường phát hiện sự cố khá chậm. Đề tài tốt nghiệp tại Trường Đại học Bách khoa – Đại học Đà Nẵng đã nghiên cứu giải pháp mới. Đó là hệ thống giám sát tự động phát hiện khói lửa qua camera giám sát. Nghiên cứu do sinh viên Nguyễn Kim Hoàng thực hiện dưới sự hướng dẫn của TS. Nguyễn Thị Kim Trúc và KS. Nguyễn Hoàng Anh Khoa. Đề tài tích hợp công nghệ thị giác máy tính và học sâu vào camera an ninh sẵn có. Thiết bị có khả năng nhận biết đám cháy ngay từ giai đoạn khởi phát. Dữ liệu hình ảnh được thu thập trực tiếp từ môi trường thực tế. Hệ thống phân tích luồng video liên tục và đưa ra phản hồi chính xác. Sự kết hợp giữa phần cứng nhúng và mô hình học máy tạo nên công cụ phòng cháy chữa cháy hiệu quả cao. Kết quả nghiên cứu khẳng định tiềm năng ứng dụng tự động hóa trong quản lý an toàn công trình hiện đại.

1.1. Bối cảnh nghiên cứu tại Đại học Bách khoa Đà Nẵng

Hỏa hoạn tại khu dân cư và nhà xưởng công nghiệp diễn biến phức tạp. Công tác phát hiện sự cố đòi hỏi giải pháp phản ứng tức thời. Tại Đại học Bách khoa – Đại học Đà Nẵng, đề tài tốt nghiệp kỹ sư ngành Điều khiển và Tự động hóa đã tập trung vào vấn đề này. Tác giả nghiên cứu cách ứng dụng trí tuệ nhân tạo để giải bài toán an toàn cháy nổ. Đề tài xây dựng một thiết bị giám sát thông minh có khả năng nhận dạng tự động. Thiết bị này thay thế cho việc quan sát thủ công qua màn hình trực ban. Phương pháp mới giúp phát hiện dấu vết khói lửa từ khoảng cách xa. Toàn bộ quy trình diễn ra nhanh chóng và chuẩn xác.

1.2. Mục tiêu và phạm vi xây dựng thiết bị giám sát

Mục tiêu chính là chế tạo một hệ thống nhận dạng khói lửa hoàn chỉnh. Hệ thống xử lý trực tiếp tín hiệu hình ảnh từ camera IP. Phạm vi áp dụng hướng đến các khu vực trong nhà như văn phòng, tòa nhà và phân xưởng. Thiết bị sử dụng thuật toán học sâu để phân loại và định vị nguồn cháy. Ngoài ra, giải pháp còn phát triển phần mềm giám sát trên máy tính và điện thoại. Dữ liệu video được truyền phát ổn định qua mạng internet. Khi xuất hiện khói hoặc lửa, hệ thống lập tức gửi cảnh báo kèm hình ảnh bằng chứng. Điều này giúp lực lượng cứu hỏa nắm bắt tình hình tức thì.

II. Khó khăn khi phát hiện khói lửa qua camera giám sát thông thường

Thiết bị báo cháy dạng cảm biến nhiệt và khói ion có nhiều nhược điểm cố hữu. Các cảm biến này chỉ phát tín hiệu khi khói chạm tới đầu dò. Ở không gian rộng lớn hoặc trần nhà cao, quá trình này mất nhiều thời gian. Đám cháy có thể đã bùng phát mạnh trước khi chuông báo kêu. Mặt khác, camera an ninh tiêu chuẩn chỉ ghi lại hình ảnh thụ động. Nhân viên bảo vệ không thể quan sát màn hình liên tục suốt ngày đêm. Sự mệt mỏi dẫn đến việc bỏ sót các điểm cháy nhỏ hoặc khói âm ỉ. Ngoài ra, điều kiện môi trường phức tạp dễ gây nhầm lẫn. Ánh sáng mặt trời phản chiếu, đèn pha xe hơi hoặc bóng đổ thường kích hoạt báo động sai. Báo động giả gây tốn kém nhân lực và tạo tâm lý chủ quan. Do đó, việc nâng cấp thị giác máy tính cho hệ thống giám sát tự động phát hiện khói lửa là yêu cầu cấp thiết. Công nghệ mới cần phân biệt chính xác khói lửa thật với các yếu tố gây nhiễu môi trường.

2.1. Độ trễ và hạn chế từ các cảm biến vật lý truyền thống

Cảm biến vật lý phụ thuộc vào mật độ hạt khói trong không khí. Luồng khí nóng phải đối lưu lên trần nhà để kích hoạt cảm biến. Quá trình di chuyển này tạo ra một khoảng trễ thời gian nguy hiểm. Tại kho bãi rộng lớn, trần nhà cao khiến khói bị loãng nhanh chóng. Đầu báo khói thông thường không thể nhận biết đám cháy kịp thời. Khi còi báo động vang lên, ngọn lửa đã lan rộng ra khắp phòng. Thiệt hại cơ sở vật chất tăng lên theo từng phút chậm trễ. Thêm vào đó, bụi bẩn công nghiệp thường xuyên làm bẩn cảm biến. Sự cố này gây hiện tượng báo động giả liên tục và làm giảm độ tin cậy của toàn bộ hệ thống phòng cháy.

2.2. Thách thức xử lý ảnh và tỷ lệ báo động giả môi trường

Khói và lửa không có hình dạng cố định trong không gian. Hình thái đám cháy biến đổi liên tục theo luồng gió và nguồn nhiệt. Màu sắc của khói cũng thay đổi từ trắng, xám đến đen tuyền. Đặc điểm này tạo ra thách thức rất lớn cho thuật toán nhận diện. Môi trường thực tế lại chứa nhiều vật thể gây nhiễu thị giác. Đèn chiếu sáng ban đêm, quần áo màu đỏ hoặc hơi nước nóng dễ đánh lừa camera. Nếu chỉ dựa vào thuật toán xử lý ảnh truyền thống, hệ thống rất dễ nhận định sai lệch. Tỷ lệ báo động giả cao khiến người vận hành mất tập trung. Do đó, bài toán đòi hỏi một mô hình học sâu có khả năng trích xuất đặc trưng sâu sắc.

III. Giải pháp hệ thống giám sát tự động phát hiện khói lửa qua camera

Để khắc phục các nhược điểm trên, tác giả áp dụng mô hình mạng nơ-ron tích chập ResNet50. Mô hình ResNet50 giải quyết triệt để vấn đề suy giảm đạo hàm khi mạng có chiều sâu lớn. Dữ liệu huấn luyện gồm hàng nghìn hình ảnh khói và lửa thực tế. Quá trình gán nhãn đối tượng được thực hiện tỉ mỉ qua công cụ Make Sense AI. Tác giả tiến hành huấn luyện mô hình học sâu trên nền tảng đám mây Google Colab với bộ xử lý đồ họa mạnh. Sau đó, thuật toán được kiểm tra kỹ lưỡng trên môi trường lập trình VS Code cùng thư viện OpenCV. Hệ thống hoàn chỉnh được nhúng trực tiếp vào bo mạch máy tính mini Raspberry Pi 5. Thiết bị kết nối liền mạch với camera IP qua giao thức mạng nội bộ. Khi camera ghi hình, Raspberry Pi 5 xử lý từng khung hình với tốc độ cao. Thuật toán phát hiện chính xác vị trí khói hoặc tia lửa vừa xuất hiện. Toàn bộ chu trình từ lúc nhận diện đến khi kích hoạt cảnh báo chỉ diễn ra trong vài giây.

3.1. Ứng dụng mô hình ResNet50 và thư viện OpenCV

Kiến trúc ResNet50 sở hữu các khối kết nối tắt residual block rất hiệu quả. Cấu trúc này giúp mạng trích xuất sâu các đặc trưng vi mô của khói và lửa. OpenCV đảm nhiệm vai trò đọc luồng video và tiền xử lý khung hình. Hình ảnh đầu vào được chuẩn hóa kích thước trước khi đưa vào mạng nơ-ron. Mô hình phân tích màu sắc, đường biên và độ biến thiên quang học của ngọn lửa. Tập dữ liệu huấn luyện đa dạng trong nhiều điều kiện ánh sáng khác nhau. Nhờ vậy, thuật toán duy trì độ chính xác cao trong môi trường tự nhiên. Sự kết hợp giữa ResNet50 và OpenCV tối ưu hóa đáng kể tốc độ xử lý khung hình.

3.2. Tích hợp phần cứng Raspberry Pi 5 và truyền thông cảnh báo

Bo mạch Raspberry Pi 5 đóng vai trò bộ xử lý trung tâm tại biên. Thiết bị tiếp nhận tín hiệu từ camera qua giao thức RTSP hoặc HTTP. Bộ vi xử lý mới mang lại hiệu năng tính toán vượt trội và tiêu thụ ít điện năng. Ứng dụng di động đồng bộ trực tiếp với hệ thống để truyền phát video trực tuyến. Người quản trị có thể theo dõi tình trạng hiện trường mọi lúc mọi nơi. Khi phát hiện đám cháy, hệ thống lập tức chụp ảnh snapshot lưu vào bộ nhớ. Đồng thời, thiết bị kích hoạt mô-đun cảnh báo khẩn cấp qua tin nhắn SMS và cuộc gọi thoại tự động. Giải pháp bảo đảm thông tin khẩn cấp luôn đến tay người có trách nhiệm.

IV. Ứng dụng thực tế của hệ thống giám sát tự động phát hiện khói lửa

Đồ án tốt nghiệp tại Đại học Bách khoa – Đại học Đà Nẵng đã chế tạo thành công thiết bị thực nghiệm hoàn chỉnh. Kết quả thử nghiệm chứng minh thiết bị hoạt động rất ổn định. Mô hình nhận diện chính xác các đốm lửa nhỏ và làn khói mờ trong môi trường ánh sáng tự nhiên. Hệ thống có tính thực tiễn rất cao trong công tác phòng cháy chữa cháy dân dụng lẫn công nghiệp. Các nhà xưởng sản xuất, kho bãi vật tư và tòa nhà cao tầng là nơi lý tưởng để triển khai thiết bị. Việc tận dụng camera IP sẵn có giúp tối ưu hóa chi phí đầu tư ban đầu cho doanh nghiệp. Bên cạnh đó, tính năng gửi tin nhắn và gọi điện thoại tự động giúp giảm thiểu rủi ro khi người quản lý vắng mặt. Nghiên cứu mở ra hướng đi bền vững cho các giải pháp giám sát an ninh thông minh. Đề tài đóng góp thiết thực vào xu hướng chuyển đổi số trong lĩnh vực an toàn lao động và bảo vệ tài sản công cộng.

4.1. Hiệu quả vận hành trong môi trường công nghiệp và dân dụng

Hệ thống thể hiện sự thích ứng tốt với điều kiện công nghiệp khắc nghiệt. Các nhà máy hóa chất và kho vải thường chứa nhiều nguyên liệu dễ bắt lửa. Thiết bị giám sát tự động hoạt động liên tục 24/7 mà không suy giảm năng suất. Mô hình ResNet50 loại bỏ các tín hiệu gây nhiễu từ ánh đèn công suất lớn. Khi phát hiện đám cháy từ xa, hệ thống lập tức thông báo tới phòng điều hành. Việc này giúp đội ứng phó tại chỗ tiếp cận đám cháy kịp thời. Nhờ vậy, nguy cơ cháy lan trên diện rộng bị dập tắt ngay từ đầu. Tính năng theo dõi trạng thái mạng giúp người quản trị luôn an tâm về độ sẵn sàng của hệ thống.

4.2. Hướng phát triển và mở rộng tính năng trong tương lai

Nghiên cứu mở ra nhiều triển vọng nâng cấp công nghệ trong tương lai. Nhóm phát triển có thể tích hợp thêm các kiến trúc mạng nơ-ron tiên tiến hơn. Việc bổ sung thuật toán theo dõi quỹ đạo chuyển động sẽ gia tăng độ nhạy đối với khói mờ. Ngoài ra, việc kết nối hệ thống với mạng lưới van phun nước tự động là bước đi cần thiết. Cơ chế này biến hệ thống từ thiết bị cảnh báo thành giải pháp chữa cháy chủ động. Thiết bị cũng có thể mở rộng khả năng quản lý đồng thời hàng chục camera phân tán. Dữ liệu cảnh báo sẽ được đồng bộ lên máy chủ đám mây để hỗ trợ phân tích nguyên nhân cháy nổ.

Trích đoạn nội dung tài liệu

CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI 1.1 Bối cảnh và nhu cầu thực tiễn Cháy nổ là một trong những mối đe dọa nghiêm trọng đối với nhà ở, văn phòng, khách sạn, nhà máy và đặc biệt là các khu công nghiệp – nơi tập trung nhiều thiết bị điện, hóa chất và vật liệu dễ cháy. Theo thống kê từ Cục Cảnh sát Phòng cháy, chữa cháy và cứu nạn, cứu hộ – Bộ Công an Việt Nam, mỗi năm xảy ra trung bình hơn 3.000 vụ cháy, gây thiệt hại lớn về người và tài sản. Trong số đó, phần lớn các đám cháy đều không được phát hiện kịp thời ở giai đoạn khởi phát, khi mới xuất hiện khói hoặc ngọn lửa nhỏ, dẫn đến những hậu quả nghiêm trọng [2]. Hiện nay, trong phần lớn các vụ cháy, nguyên nhân dẫn đến thiệt hại nghiêm trọng là do phát hiện muộn hoặc thiết bị cảnh báo không hoạt động đúng cách [2].

Hầu hết các hệ thống cảnh báo cháy sử dụng cảm biến khói, khí hoặc nhiệt. Tuy nhiên, các thiết bị này vẫn còn nhiều hạn chế như: - Dễ báo động giả trong môi trường nhiều bụi hoặc độ ẩm cao; - Khó phát hiện cháy khi đám cháy nằm ngoài phạm vi của cảm biến; - Việc triển khai mở rộng trong các khu vực rộng lớn gặp khó khăn nếu không có sẵn hệ thống dây dẫn tín hiệu. Trong khi đó, tại các tòa nhà và nhà xưởng hiện đại đã được trang bị hệ thống camera giám sát IP nhằm phục vụ an ninh. Nếu có thể khai thác dữ liệu hình ảnh từ các camera này để tự động phát hiện dấu hiệu khói hoặc lửa, chúng ta không chỉ tận dụng được hạ tầng có sẵn, tiết kiệm chi phí đầu tư, mà còn nâng cao hiệu quả trong việc phát hiện sớm và cảnh báo cháy nổ một cách thông minh, kịp thời và chính xác hơn.1 Vụ cháy chung cư mini ở Khương Hạ, Hà Hội 2023.

SVTH: Nguyễn Kim Hoàng GVHD: TS. Nguyễn Thị Kim Trúc 22 CBHD: Nguyễn Hoàng Anh Khoa Trong thập kỷ qua, nhiều nghiên cứu đã tập trung phát triển các hệ thống phát hiện cháy dựa trên hình ảnh với sự hỗ trợ của học máy. Các phương pháp truyền thống như xử lý ảnh dựa trên ngưỡng màu sắc (color thresholding), phân tích chuyển động hoặc phát hiện vùng sáng bất thường có độ chính xác thấp và dễ bị ảnh hưởng bởi ánh sáng môi trường [3]. Việc ứng dụng học sâu đã chứng minh được hiệu quả vượt trội nhờ khả năng tự học đặc trưng phức tạp từ ảnh đầu vào, giúp tăng độ chính xác và khả năng khái quát hóa trong các môi trường khác nhau.

Nhiều nghiên cứu gần đây đã đạt độ chính xác trên 90% khi sử dụng mạng nơ-ron tích chập (CNN) để phân loại hoặc phát hiện khói, lửa trên video thời gian thực [4][5].2 Mục tiêu cụ thể của đề tài Để đạt được mục đích trên, đề tài đặt ra các mục tiêu cụ thể như sau: - Nghiên cứu và lựa chọn mô hình học sâu phù hợp cho bài toán nhận dạng khói/lửa trên ảnh camera; - Huấn luyện mô hình ResNet50 với dữ liệu khói/lửa và triển khai mô hình trên thiết bị Raspberry Pi 5; - Thiết kế hệ thống xử lý tích hợp camera IP truyền luồng ảnh về thiết bị nhúng; - Xây dựng hệ thống cảnh báo đa kênh: gửi SMS, thực hiện cuộc gọi khẩn và hiển thị cảnh báo trên ứng dụng giám sát; - Thử nghiệm và đánh giá hiệu năng hệ thống về độ chính xác, tốc độ phản hồi, khả năng xử lý đồng thời nhiều camera; - Đề xuất hướng cải tiến để tối ưu mô hình, nâng cao khả năng nhận diện và tính mở rộng trong ứng dụng thực tế.3 Hình thành và lựa chọn giải pháp 1.