Chương 1: Tổng quan Chương 2: Cơ sở lý thuyết Chương 3: Thiết kế và xây dựng hệ thống Chương 4: Kết quả thực hiện Chương 5: Đánh giá hệ thống Chương 6: Kết luận và hướng phát triển 3 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 MỘT SỐ KỸ THUẬT PHÁT HIỆN LỬA HIỆN NAY 2.1 Machine Learning Machine Learning là một phương pháp xử lý dữ liệu và phân tích dữ liệu trong lĩnh vực trí tuệ nhân tạo (AI), cho phép máy tính học từ dữ liệu mà không cần lập trình cụ thể (B. Hình 2 – 1 Machine Learning thể hiện một mạng lưới phân tích dữ liệu phức tạp, mô phỏng quá trình học máy. Các thuật toán Machine Learning được phát triển để tìm ra mối quan hệ và mô hình từ dữ liệu và đưa ra dự đoán hoặc quyết định với độ chính xác cao hơn. Hình 2 - 1 Machine Learning (P.
Duc, 2017) Có 3 loại thuật toán Machine Learning chính: (I. Goodfellow và cộng sự, 2016) • Supervised Learning: Mô hình được huấn luyện với các cặp dữ liệu đầu vào và đầu ra tương ứng. Mô hình sau đó được sử dụng để dự đoán đầu ra cho các dữ liệu mới. • Unsupervised Learning: Mô hình được huấn luyện chỉ với dữ liệu đầu vào, không có đầu ra tương ứng.
Mô hình được sử đụng để gom nhóm dữ liệu hoặc tìm kiếm cấu trúc trong dữ liệu. 4 • Reinforcement Learning: Mô hình được huấn luyện thông qua việc thực hiện hành động nhận phần thưởng hoặc phạt. Mô hình được sử dụng để học cách tối ưu hóa hành động trong một môi trường. Một số công cụ và thư viện phổ biến để có thể xây dựng mô hình Machine Learning như: Python, TensorFlow, Keras, PyTorch, Scikit-learn,… Trong lĩnh vực giám sát cháy rừng, kỹ thuật Machine Learning có thể được sử dụng để phân tích và dự đoán các mẫu và xu hướng của cháy rừng dựa trên dữ liệu thu thập từ các camera giám sát, các cảm biến và hệ thống giám sát.
Một ví dụ cụ thể như hình 2 – 2 mô hình phân tích dữ liệu hình ảnh dựa vào hình ảnh vệ tinh liên quan đến cháy từng. Mô hình phân tích này có thể sử dụng hợp lý để phân loại các đám cháy rừng theo mức độ nguy hiểm và ước tính kích thước của chúng, dựa trên các đặc tính của hình ảnh chụp từ máy ảnh hoặc các dữ liệu khác từ cảm biến. Hình 2 - 2 Mô hình phân tích hình ảnh dựa vào hình ảnh vệ tinh (B. Tung, 2020) Các kỹ thuật Machine Learning có thể được áp dụng cho các bài toán phân loại dự báo, phân cụm, gom nhóm dữ liệu, và phân tích chuỗi thời gian trong lĩnh vực giám sát cháy rừng.
Các phương pháp phổ biến bao gồm học có giám sát (Supervised Learning) như Rando, Forest, Support Vector Machines (SVM), Neural Networks (NN), và học không giám sát (Unsupervised Learning) như k-Neabs Clustering và Principal Component Analysis(PCA). 5 Sử dụng Machine Learning có thể giúp tăng độ chính xác cao và độ nhạy của hệ thống giám sát cháy rừng, từ đó giúp cho việc phát hiện và xử lý kịp thời các đám cháy rừng .Tuy nhiên, việc áp dụng Machine Learning yêu cầu có kinh nghiệm về xử lý dữ liệu và lập trình Machine Learning.2 Công nghệ IoT Sensors Công nghệ IoT Sensor - xu hướng công nghệ trong những năm gần đây đang được quan tâm và phát triển, đặc biệt là trong các ứng dụng kiểm soát và giám sát. Các thiết bị IoT Sensor có thể đặt ở nhiều vị trí khác nhau để thu thập dữ liệu và truyền tải dữ liệu đó về cho hệ thống giám sát chính. Hình 2-3 ví dụ cho sự ứng dụng của các thiết bị IoT Sensor trong môi trường thực tế.
Hình 2 - 3 Công nghệ IoT Sensors (Renkeer_admin, 2021) Các ứng dụng công nghệ IoT Sensor có khả năng thu thập nhiều loại dữ liệu khác nhau như: nhiệt độ, độ ẩm, ánh sáng, độ rung, áp suất, độ ồn, hình ảnh, âm thanh,… Các thiết bị cảm biến này được kết nối với mạng và truyền tải dữ liệu về cho các nơi giám sát chính xử lý dữ liệu. Với sự phát triển của công nghệ IoTs hiện nay, các IoT Sensor trở nên ngày càng phổ biến và linh hoạt hơn. Các thiết bị này có thể được lập trình để thực hiện các chức năng khác nhau, bao gồm phát hiện cháy, phát hiện chuyển động, phát hiện bất thường và rất nhiều chức năng khác. Trong hệ thống giám sát cháy rừng, các IoT Sensor có thể được đặt ở nhiều vị trí khác nhau để thu thập dữ liệu về nhiệt độ, độ ẩm, độ cháy, khói,… Các dữ liệu này được gửi về máy chủ để phân tích và đưa ra các phương án kịp thời để ngăn chặn cháy rừng.
Hình 2 – 4 một hệ thống giám sát cháy rừng của một công ty tại Đức sử dụng cảm biến BME688. Hệ thống này áp dụng công nghệ IoT Sensor hiện nay trên thị trường. 6 Hình 2 - 4 Hệ thống giám sát cháy rừng của công ty Dryad (Đức) (BOSCH) 2.3 Kỹ thuật xử lý ảnh Kỹ thuật xử lý ảnh là lĩnh vực nghiên cứu và ứng dụng công nghệ để phân tích và trích xuất thông tin từ hình ảnh. Kỹ thuật xử lý ảnh cung cấp các phương pháp, công cụ và thuật toán để cải thiện chất lượng của hình ảnh, phân tích và trích xuất thông tin từ hình ảnh đó.
Một ví dụ cụ thể được thể hiện ở hình 2 – 5 phân tích và xử lý ảnh của mắt con người. Các kỹ thuật xử lý ảnh bao gồm các phương pháp biến đổi hình ảnh, lọc thông tin, phân đoạn hình ảnh, phát hiện vậy thể và nhận dạng đối tượng. Hình 2 - 5 Kỹ thuật xử lý ảnh Một số phương pháp xử lý ảnh phổ biến bao gồm xử lý và nâng cao chất lượng ảnh, phân đoạn ảnh, phát hiện cạnh, trích xuất đặc trưng, phát hiện vật thể, nhận dạng khuôn mặt và nhận dạng đối tượng. Các ứng dụng của kỹ thuật xử lý ảnh rất đa dạng 7 và phong phú, từ nhận dạng khuôn mặt, đọc mã vạch, kiểm tra chất lượng sản phẩm, điều khiển các hệ thống tự động, đến phát hiện và theo dõi các hiện tượng tự nhiên như cháy rừng.
Các công cụ phổ biến để xử lý ảnh bao gồm Matlab, Python và công cụ xử lý ảnh mã nguồn mở OpenCV. OpenCV là một thư viện mã nguồn mở hàng đầu được sử dụng để xử lý ảnh số. Thư viện này cung cấp các chức năng và công cụ để xử lý ảnh như tìm kiếm cạnh, phát hiện đối tượng, lọc ảnh, chuyển đổi màu sắc,… OpenCV hỗ trợ nhiều ngôn ngữ lập trình như C++, Python và Java. Đặc biệt có thể chạy trên nhiều nền tảng khác nhau bao gồm Windows, Linux, và MacOS.
OpenCV cũng cung cấp các API để tích hợp với các hệ thống và ứng dụng khác nhau, bao gồm các ứng dụng IoT và điện toán đám mây (A. Hình 2 – 6 là một ví dụ điển hình ứng dụng thư viện OpenCV để xác định khuôn mặt người. Hình 2 - 6 Thư viện OpenCV (A. Rosebrock, 2018) Các kỹ thuật xử lý ảnh bao gồm: tiền xử lý, lọc ảnh, biến đổi Fourier, phát hiện cạnh, phát hiện đường, phân đoạn hình ảnh, phân tích hình ảnh và nhận dạng vật thể.
Đối với các ứng dụng đặc biệt như phát hiện cháy rừng, các kỹ thuật như phát hiện màu sắc đặc trưng, phát hiện điểm sáng và phân đoạn hình ảnh có thể được sử dụng để phát hiện và theo dõi cháy rừng. Trong hệ thống giám sát cháy rừng sử dụng công nghệ LoRa, OpenCV có thể được sử dụng để xử lý dữ liệu hình ảnh được gửi từ các cảm biến và giúp phát hiện cháy rừng nhanh chóng và chính xác. Với tính năng phát hiện đối tượng của nó, OpenCV có thể phát hiện các vật thể đặc biệt trong hình ảnh, chẳng hạn như ngọn 8 lửa, và phát hiện sự thay đổi của chúng để xác định xem có cháy rừng hay không. Ngoài ra, OpenCV còn có thể phân tích màu sắc và hình dạng của vật thể để đưa ra kết luận về tình trạng của cháy rừng.
Hình 2 - 7 Các thành phần chính của hệ thống xử lý ảnh (T. Dũng, 2018) Các thành phần chính của hệ thống xử lý ảnh được mô tả ở hình 2 – 7 như sau: hình ảnh đầu vào được ghi lại từ camera hoặc các thiết bị ghi hình và chuyển sang tín hiệu ảnh rời rạc. Sau đó tiền xử lý hình ảnh để khử nhiễu và một số tính chất của ảnh được làm nổi bật giúp các bước xử lý ảnh sau được nâng cao chất lượng. Tiếp theo, trích chọn đặc trưng biến đổi dữ liệu hình ảnh thành tập các đặc trưng giúp nâng cao chất lượng mẫu so với xử lý thô trên giá trị điểm ảnh.
Sau khi đã trích xuất các đặc trưng, xử lý dữ liệu bằng các phương pháp, kỹ thuật để phân loại mẫu về các nhóm có tính chất chung. Các mẫu dữ liệu hình ảnh sau khi được phân loại và nhận dạng mẫu được biểu diễn dưới dạng tri thức giúp hệ thống hiểu biết về hình ảnh theo từng kiểu ứng dụng. Cuối cùng, các mẫu được biểu diễn dưới dạng tri thức được quyết định thực hiện một nhiệm vụ nào đó (T. Để có thể nhận dạng đám cháy bằng cách dựa vào hệ màu phù hợp và sử dụng các phương pháp để xử lý hình ảnh như: phân đoạn bằng ngưỡng, phương pháp trừ nền,… 9 2.2 TỔNG QUAN VỀ PHẦN CỨNG 2.1 Tổng quan về công nghệ LoRa 2.1 Giới thiệu về công nghệ LoRa LoRa là viết tắt của Long Range Radio, đã được Semtech mua lại vào năm 2012 sau khi Cycleo nghiên cứu và phát triển.
Hình 2 – 8 minh họa cho công nghệ LoRa. Công nghệ này cho phép truyền dữ liệu qua khoảng cách lớn mà không cần sử dụng mạch khuếch đại. Mục tiêu là giảm mức tiêu thụ năng lượng trong quá trình truyền và nhận dữ liệu. Điều này giúp LoRa trở thành một giải pháp phổ biến trong các ứng dụng thu thập dữ liệu như mạng cảm biến.
Với LoRa, các nút cảm biến có thể gửi các phép đo đến các trung tâm ở khoảng cách xa vài km mà không cần thay pin trong một thời gian dài. Một trong những ứng dụng phổ biến của LoRa là hệ thống báo động an ninh không dây. Hình 2 - 8 Công nghệ LoRa (T. Re) Sự phù hợp của LoRa đối với IoT vượt ra ngoài lợi thế chính của nó.
Đặc điểm đáng chú ý của LoRa là việc sử dụng các thuật toán tốc độ dữ liệu thích ứng, giúp giảm dung lượng mạng và tăng tuổi thọ các thiết bị kết nối.