Luận văn phát triển hệ thống UAV giám sát, phát hiện cháy rừng bằng AI tại Trường ĐH SPKT TP.HCM

Nghiên cứu phát triển hệ thống UAV giám sát và phát hiện cháy rừng ứng dụng trí tuệ nhân tạo YOLOv11 tại Trường Đại học Sư phạm Kỹ thuật TP.HCM.

• Tác giả: Lê Hoàng Khang
• Người hướng dẫn: TS. Dương Minh Thiện
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Kỹ thuật điều khiển và tự động hóa
• Đề tài: Phát triển hệ thống máy bay không người lái giám sát và phát hiện cháy rừng bằng công nghệ AI
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2026
• Địa điểm: Thành phố Hồ Chí Minh

Tóm tắt

I. Tổng quan hệ thống UAV giám sát cháy rừng AI tại ĐH SPKT TP

Đề tài phát triển hệ thống UAV giám sát và phát hiện cháy rừng bằng AI là công trình nghiên cứu tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh. Nghiên cứu do sinh viên ngành Kỹ thuật Điều khiển và Tự động hóa thực hiện dưới sự hướng dẫn của Tiến sĩ Dương Minh Thiện. Dự án kết hợp công nghệ điều khiển bay hiện đại với các thuật toán xử lý ảnh thông minh. Mục tiêu chính là xây dựng phương tiện bay bốn cánh có khả năng bay ổn định trên nhiều dạng địa hình rừng phức tạp. Thiết bị mang theo cụm cảm biến quang học thu thập luồng dữ liệu hình ảnh độ nét cao. Dữ liệu này được xử lý trực tiếp để phát hiện dấu hiệu bất thường. Cấu trúc máy bay đáp ứng tiêu chuẩn bền bỉ và trọng lượng nhẹ. Hệ thống điều khiển tích hợp cho phép lập lộ trình tuần tra tự động linh hoạt. Nhờ đó, công tác quản lý tài nguyên rừng được số hóa toàn diện. Thiết bị giúp giảm thiểu phụ thuộc vào sức người trong điều kiện khắc nghiệt. Dự án khẳng định năng lực ứng dụng kỹ thuật cao của sinh viên Việt Nam trong việc giải quyết các thách thức bảo vệ môi trường tự nhiên.

1.1. Bối cảnh nghiên cứu thiết bị bay không người lái tại trường

Nghiên cứu về thiết bị bay không người lái tại ĐH SPKT TP.HCM khởi nguồn từ nhu cầu thực tiễn. Rừng Việt Nam thường xuyên đối mặt với nguy cơ cháy lớn vào mùa khô. Các cánh rừng có diện tích rộng lớn và địa hình đồi núi dốc đứng. Lực lượng kiểm lâm gặp nhiều rủi ro khi tiếp cận hiện trường. Nhà trường đã định hướng sinh viên ngành Tự động hóa nghiên cứu thiết bị bay quadcopter. Đề tài tập trung ứng dụng tiến bộ khoa học vào công tác bảo vệ rừng. Sinh viên Lê Hoàng Khang và Nguyễn Việt Khuê đã xây dựng mô hình thử nghiệm hoàn chỉnh. Công trình kế thừa kiến thức cơ điện tử và hệ thống điều khiển tự động được đào tạo chuyên sâu.

1.2. Mục tiêu tích hợp trí tuệ nhân tạo vào thiết bị bay quadcopter

Mục tiêu cốt lõi của đề tài là tích hợp trí tuệ nhân tạo trực tiếp lên thiết bị bay. Việc phát hiện đám cháy từ xa đòi hỏi độ chính xác cao để tránh báo động giả. Thuật toán thị giác máy tính nhận nhiệm vụ phân tích hình ảnh từ camera gắn trên gimbal. Mô hình AI học sâu nhận diện các dải khói mỏng và đốm lửa bùng phát ngay từ giai đoạn ban đầu. Hệ thống đồng thời truyền phát hình ảnh kèm tọa độ vị trí về máy tính mặt đất. Toàn bộ chu trình từ thu nhận hình ảnh đến cảnh báo diễn ra trong vài giây. Thiết kế này giúp tối ưu hóa thời gian phản ứng cho các đội cứu hộ cứu nạn.

II. Khó khăn giám sát cháy rừng và lý do ĐH SPKT TP

Giám sát cháy rừng truyền thống phụ thuộc chủ yếu vào chòi quan sát và tuần tra đi bộ. Phương pháp này bộc lộ nhiều điểm yếu nghiêm trọng trong thực tế. Tầm nhìn từ chòi canh bị giới hạn bởi sương mù và địa hình che khuất. Việc di chuyển bằng đường bộ qua rừng rậm mất nhiều thời gian và công sức. Khi lực lượng kiểm lâm phát hiện được cột khói thì đám cháy thường đã lan rộng. Vệ tinh viễn thám có chu kỳ quét dài và độ trễ nhận ảnh cao. Hình ảnh vệ tinh cũng dễ bị che phủ bởi tầng mây dày đặc. Do đó, trường ĐH SPKT TP.HCM thúc đẩy giải pháp sử dụng UAV gắn cảm biến thông minh. Thiết bị bay có thể cất cánh nhanh chóng từ các bãi đất trống hẹp. Máy bay tiếp cận khu vực nghi vấn ở độ cao thấp để kiểm tra chi tiết. Góc nhìn từ trên cao mang lại dữ liệu toàn cảnh về hướng gió và tốc độ lan của lửa. Công nghệ này khắc phục triệt để các rào cản địa lý và đảm bảo an toàn tuyệt đối cho người tuần tra.

2.1. Hạn chế của các phương pháp tuần tra và cảnh báo truyền thống

Các giải pháp phòng chống cháy rừng cổ điển đối mặt với nhiều rào cản vận hành. Các tháp canh tĩnh chỉ quan sát được bán kính hữu hạn xung quanh vị trí cố định. Những thung lũng sâu hoặc sườn núi khuất gió hoàn toàn nằm ngoài tầm mắt. Đi tuần thủ công đòi hỏi nhân lực dồi dào nhưng tốc độ ứng cứu lại rất chậm. Đội kiểm lâm thường kiệt sức khi phải mang vác trang bị nặng qua dốc đứng. Ngoài ra, việc dùng máy bay trực thăng có người lái tốn kém chi phí nhiên liệu khổng lồ. Rủi ro tai nạn cho phi công khi bay sát vùng khói độc là rất lớn. Những hạn chế này thúc đẩy nhu cầu tìm kiếm giải pháp bay tự hành chi phí thấp.

2.2. Bài toán khí động học và cân bằng bay của quadcopter

Thiết kế quadcopter đòi hỏi phải giải quyết các bài toán động lực học khắt khe. Máy bay bốn cánh chịu ảnh hưởng mạnh của gió xoáy tại vùng rừng núi. Đề tài xây dựng các phương trình cân bằng lực nâng Fz cùng mô-men quay Mx, My, Mz. Bốn động cơ tạo ra lực đẩy độc lập để thay đổi các góc nghiêng roll, pitch và yaw. Trục động cơ phải cân đối chính xác với trọng tâm của khung máy bay. Sự dao động góc bay sẽ làm rung lắc camera và giảm chất lượng khung hình. Nhóm tác giả phải lập trình bộ điều khiển bù sai số liên tục. Khả năng ổn định vị trí là tiền đề để thuật toán trí tuệ nhân tạo hoạt động tin cậy.

III. Phương pháp thiết kế UAV giám sát cháy rừng AI của ĐH SPKT TP

Phương pháp thiết kế hệ thống bao gồm hai trục chính là phần cứng điều khiển và phần mềm nhận dạng AI. Khung thân quadcopter sử dụng sợi carbon nhằm giảm tối đa khối lượng và tăng sức chịu tải. Khối xử lý trung tâm kết nối trực tiếp với cảm biến đo lường quán tính IMU và hệ thống định vị vệ tinh GPS. Cụm IMU gồm gia tốc kế, con quay hồi chuyển và từ kế giúp giữ thăng bằng chuẩn xác theo thời gian thực. Camera góc rộng truyền tín hiệu video về máy tính nhúng trên thiết bị bay. Mạng nơ-ron tích chập được tối ưu hóa để trích xuất đặc trưng hình thái học của ngọn lửa và vệt khói. Thuật toán phân biệt rõ khói cháy rừng với sương mù buổi sáng nhờ phân tích mật độ màu sắc và chuyển động tản nhiệt. Hệ thống telemetry gửi dữ liệu trạng thái chuyến bay về trạm mặt đất liên tục qua sóng vô tuyến tầm xa. Khi phát hiện đám cháy, hệ thống tự động khóa mục tiêu và tính toán tọa độ địa lý chính xác. Toàn bộ quy trình diễn ra hoàn toàn khép kín.

3.1. Cấu trúc phần cứng và cụm cảm biến đo lường quán tính IMU

Phần cứng của thiết bị bay được tích hợp chặt chẽ để đảm bảo độ tin cậy vận hành. Cảm biến đo lường quán tính IMU là thành phần trọng yếu trong mạch điều khiển. Gia tốc kế đo lường sự thay đổi vận tốc tuyến tính trên ba trục không gian. Con quay hồi chuyển tính toán góc quay tức thời của thân máy bay. Từ kế hỗ trợ định hướng phương vị dựa vào từ trường trái đất. Bộ lọc Kalman hợp nhất dữ liệu cảm biến để triệt tiêu nhiễu rung từ cánh quạt. Bộ nguồn pin lithium-polymer cung cấp năng lượng ổn định cho các động cơ không chổi than. Khối phân phối điện năng bảo vệ an toàn cho máy tính nhúng AI trong suốt chuyến bay.

3.2. Thuật toán trí tuệ nhân tạo phát hiện khói và lửa thời gian thực

Mô hình học sâu đóng vai trò hạt nhân trong việc nhận dạng nguy cơ hỏa hoạn. Thuật toán được huấn luyện trên tập dữ liệu hàng nghìn bức ảnh về khói và lửa rừng. Mạng nơ-ron trích xuất các dấu hiệu đặc thù như độ chớp sáng của ngọn lửa và cấu trúc bốc lên của khói. Kỹ thuật nén mô hình cho phép thuật toán chạy mượt mà trên phần cứng nhúng biên. Tốc độ xử lý đạt trên ba mươi khung hình mỗi giây đảm bảo không bỏ sót chuyển động. Khi phát hiện đám cháy, phần mềm tự động vẽ khung bao quanh mục tiêu và gán nhãn độ tin cậy. Thông tin cảnh báo kèm hình ảnh bằng chứng được gửi ngay lập tức về máy chủ chỉ huy.

IV. Đánh giá ứng dụng UAV giám sát cháy rừng AI từ ĐH SPKT TP

Kết quả thử nghiệm thực tế chứng minh tiềm năng to lớn của hệ thống UAV phát hiện cháy rừng. Khả năng ổn định chuyến bay và định vị mục tiêu đạt độ chính xác cao trong nhiều điều kiện thời tiết. Mô hình trí tuệ nhân tạo nhận diện thành công các đám cháy nhỏ ngay khi vừa khởi phát. Tỷ lệ phát hiện đúng đạt trên chín mươi phần trăm với thời gian phản hồi dưới hai giây. Đề tài của ĐH SPKT TP.HCM mở ra hướng đi thiết thực cho bài toán kiểm soát hỏa hoạn tại Việt Nam. Thiết bị bay có thể hoạt động độc lập hoặc phối hợp theo đội hình tuần tra tự động. Chi phí chế tạo và vận hành thấp hơn đáng kể so với việc thuê máy bay chuyên dụng hay duy trì trạm quan sát cố định. Trong tương lai, hệ thống có thể nâng cấp thêm camera nhiệt hồng ngoại để hoạt động hiệu quả vào ban đêm. Dự án đóng góp một giải pháp công nghệ toàn diện cho các ban quản lý rừng phòng hộ và vườn quốc gia.

4.1. Hiệu quả thử nghiệm thực địa và độ chính xác của mô hình

Các đợt thử nghiệm bay thực địa đã khẳng định tính ổn định của thiết kế phần cứng lẫn phần mềm. Quadcopter giữ vững độ cao và hướng bay bất chấp gió núi đổi chiều liên tục. Cụm cảm biến IMU phối hợp GPS duy trì sai số vị trí dưới mức cho phép. Mô hình thị giác máy tính phát hiện nguồn lửa với độ trễ xử lý cực thấp. Hệ thống phân biệt chính xác đốm lửa với ánh sáng mặt trời phản chiếu trên tán cây. Tín hiệu cảnh báo và video trực tiếp truyền về trạm mặt đất rõ nét, không bị gián đoạn. Đây là cơ sở kỹ thuật vững chắc để hoàn thiện hệ thống thương mại hóa.

4.2. Tiềm năng triển khai thực tế cho công tác kiểm lâm Việt Nam

Hệ thống mang lại giá trị ứng dụng cao cho ngành lâm nghiệp Việt Nam. Các đơn vị kiểm lâm có thể thiết lập lộ trình bay tự động để tuần tra định kỳ các khu bảo tồn thiên nhiên. UAV giúp lực lượng chức năng tiếp cận các điểm nóng cháy rừng mà không nguy hiểm đến tính mạng. Việc phát hiện sớm đám cháy từ giai đoạn tàn lửa giúp khoanh vùng và dập tắt kịp thời. Giải pháp này tiết kiệm ngân sách đáng kể so với các phương tiện trinh sát truyền thống. Đề tài mở ra triển vọng nội địa hóa thiết bị công nghệ cao phục vụ công tác bảo vệ sinh thái và phòng chống thiên tai.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Cháy rừng là một trong những thảm họa thiên nhiên gây thiệt hại nghiêm trọng về tài nguyên sinh thái, kinh tế và đời sống xã hội trên phạm vi toàn cầu. Trong bối cảnh biến đổi khí hậu diễn biến phức tạp, tần suất và quy mô của các đợt cháy rừng ngày càng gia tăng, điển hình như các vụ cháy diện rộng tại Canada và Hoa Kỳ. Tại Việt Nam, với độ che phủ rừng chiếm khoảng 42% tổng diện tích tự nhiên, nguy cơ cháy rừng luôn ở mức cao, đặc biệt tập trung tại khu vực Tây Nguyên và các tỉnh miền Trung như Nghệ An, Hà Tĩnh trong mùa khô (kéo dài từ tháng 1 đến tháng 5). Theo số liệu từ Tổng cục Thống kê Việt Nam, các vụ cháy rừng gây thiệt hại trung bình khoảng 1.000 hecta rừng mỗi năm trong suốt thập kỷ qua, dẫn đến tổn thất kinh tế ước tính hàng trăm tỷ đồng cùng các hệ lụy môi trường lâu dài.

Phương thức giám sát rừng truyền thống tại Việt Nam hiện chủ yếu dựa vào tuần tra mặt đất của kiểm lâm và quan sát từ các chòi canh cố định. Các giải pháp này bộc lộ nhiều hạn chế về tầm nhìn, tốc độ phản ứng chậm, gặp khó khăn do địa hình đồi núi hiểm trở và thường chỉ phát hiện khi ngọn lửa đã lan rộng trên diện tích lớn. Trong khi đó, việc ứng dụng ảnh vệ tinh lại gặp trở ngại bởi chu kỳ cập nhật định kỳ chậm trễ và độ phân giải không gian không đủ cao để nhận diện sớm khói hoặc ngọn lửa nhỏ ở giai đoạn khởi phát. Mặc dù Chiến lược quốc gia về phòng cháy chữa cháy rừng giai đoạn 2021–2030 đã được ban hành, mức độ tích hợp công nghệ cao vào thực tiễn vẫn còn hạn chế; một số thử nghiệm thiết bị bay không người lái (UAV) tại Yên Bái, Lâm Đồng mới chỉ dừng lại ở quy mô nhỏ bằng flycam thương mại, thiếu sự đồng bộ của mô hình trí tuệ nhân tạo (AI) xử lý tại biên và hệ sinh thái cảnh báo tự động.

Trước thực trạng đó, đề tài "Nghiên cứu và phát triển hệ thống máy bay không người lái giám sát và phát hiện cháy rừng sử dụng công nghệ trí tuệ nhân tạo" (Development of an unmanned aerial vehicle system for forest fire monitoring and detection using AI technology) được thực hiện bởi nhóm tác giả Lê Hoàng Khang và Nguyễn Việt Khuê, thuộc ngành Kỹ thuật Điều khiển và Tự động hóa, Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh, dưới sự hướng dẫn của TS. Dương Minh Thiện (hoàn thành vào tháng 1 năm 2026). Mục tiêu tổng quát của đồ án là nghiên cứu, thiết kế và chế tạo một mô hình quadcopter tự hành tích hợp thị giác máy tính AI để giám sát, phát hiện khói, lửa rừng theo thời gian thực, đồng thời xây dựng giao diện trạm điều khiển mặt đất (GCS) qua web và hệ thống cảnh báo từ xa qua giao thức IoT.

Nhiệm vụ và mục tiêu nghiên cứu cụ thể được xác định như sau:

1. Tính toán hệ phương trình động lực học mô tả chuyển động của thiết bị bay không người lái, từ đó thiết kế mô hình bay đạt độ cân bằng và ổn định.
2. Xây dựng chương trình điều hướng theo các tọa độ điểm mốc GPS (GPS waypoints) trong quá trình bay.
3. Ứng dụng thuật toán điều khiển vị trí nhằm duy trì tọa độ không gian và bám quỹ đạo bay dựa trên tín hiệu định vị GPS.
4. Triển khai mô hình xử lý ảnh để nhận dạng vùng có khói và ngọn lửa, truyền dữ liệu giám sát về trạm điều khiển mặt đất.
5. Thiết lập cơ chế điều khiển vòng kín tự động chuyển đổi chế độ bay của UAV từ tự động hành trình ('Auto/Guided') sang chế độ lượn tiêu điểm cố định ('Loiter') ngay khi phát hiện đám cháy để giám sát tập trung.
6. Tích hợp hệ thống cảnh báo từ xa nền tảng IoT thông qua Telegram Bot API để tự động gửi thông tin siêu dữ liệu (tọa độ GPS, thời gian, độ tin cậy) kèm hình ảnh bằng chứng đến thiết bị di động của lực lượng chức năng.

Phạm vi và giới hạn hoạt động của hệ thống kỹ thuật:

• Điều kiện vận hành: Bay thử nghiệm và vận hành vào ban ngày, tầm nhìn rõ ràng, tốc độ gió dưới 10 m/s, không có mưa lớn.
• Mô hình nhận diện AI được huấn luyện trên tập dữ liệu hình ảnh giới hạn; độ chính xác có thể suy giảm trong các điều kiện môi trường bất lợi như sương mù dày, bụi mịn hoặc khói từ các nguồn phi hỏa hoạn.
• Thời gian bay duy trì: Khoảng 20–25 phút cho một chu kỳ sạc pin, giới hạn diện tích giám sát liên tục trong mỗi nhiệm vụ.
• Trần bay pháp lý: Vận hành dưới độ cao tối đa 120 mét so với mặt đất (AGL) nhằm tuân thủ quy định hàng không hiện hành tại Việt Nam.
• Hạ tầng truyền thông: Yêu cầu băng thông mạng tối thiểu 5 Mbps để đảm bảo truyền luồng video thời gian thực và xử lý ảnh mượt mà; cự ly liên lạc truyền dữ liệu nội bộ trực tiếp với trạm mặt đất thử nghiệm trong phạm vi 10–20 mét.
• Đối tượng phát hiện: Tập trung vào khói và ngọn lửa nhìn thấy được; không phát hiện các đám cháy âm ỉ dưới lòng đất hoặc tàn tích cháy không tạo tín hiệu hình ảnh quang học.
• Quỹ đạo bay: Thực hiện theo các tọa độ định sẵn không có vật cản trên đường bay.

Cơ sở lý thuyết và phương pháp

Cơ sở lý thuyết chuyên ngành

Đồ án xây dựng mô hình toán học cho thiết bị bay 4 cánh quạt (quadcopter) với 6 bậc tự do (6-DOF) và 12 biến trạng thái dựa trên các định luật chuyển động Newton-Euler. Hai hệ quy chiếu chính được thiết lập:

• Hệ quy chiếu gắn liền thân (Body frame ${B} = (O_B, X_B, Y_B, Z_B)$): Có gốc đặt tại trọng tâm thiết bị, xác định vector vận tốc dài $\mu = [u, v, w]^T$ và vector vận tốc góc $\omega = [p, q, r]^T$.
• Hệ quy chiếu quán tính mặt đất (Earth frame ${E} = (O_E, X_E, Y_E, Z_E)$): Theo chuẩn NED (North-East-Down), xác định vector vị trí tuyến tính $\xi = [x, y, z]^T$ và vector góc Euler $\eta = [\phi, \theta, \psi]^T$ tương ứng với ba góc quay: góc nghiêng ngang (Roll $\phi$ quanh trục $X_E$), góc nghiêng dọc (Pitch $\theta$ quanh trục $Y_E$), và góc quay hướng (Yaw $\psi$ quanh trục $Z_E$).

Mối quan hệ biến đổi tọa độ giữa hệ quy chiếu thân và hệ quy chiếu mặt đất được biểu diễn qua ma trận xoay $R_0 = (R_T)^{-1}$: $$R_0 = \begin{bmatrix} C_\psi C_\theta & C_\psi S_\theta S_\phi - S_\psi C_\phi & C_\psi S_\theta C_\phi + S_\psi S_\phi \ S_\psi C_\theta & S_\psi S_\theta S_\phi + C_\psi C_\phi & S_\psi S_\theta C_\phi - C_\psi S_\phi \ -S_\theta & C_\theta S_\phi & C_\theta C_\phi \end{bmatrix}$$ Trong đó $C_x = \cos(x)$ và $S_x = \sin(x)$.

Nguyên lý động học lực đẩy và mô-men quay: Mô hình sử dụng cấu hình 4 động cơ không chổi than với hai cánh quay thuận chiều kim đồng hồ (CW: động cơ 3 và 4) và hai cánh quay ngược chiều kim đồng hồ (CCW: động cơ 1 và 2) để triệt tiêu mô-men xoắn phản lực. Tổng lực nâng $F_z$ và các mô-men $M_x, M_y, M_z$ được tính toán qua công thức:

• Tổng lực nâng: $-F_z = \sum_{i=1}^4 F_i = C_t \sum_{i=1}^4 \Omega_i^2$
• Mô-men Roll: $M_x = d \cdot C_t [(\Omega_2^2 + \Omega_3^2) - (\Omega_1^2 + \Omega_4^2)]$
• Mô-men Pitch: $M_y = d \cdot C_t [(\Omega_1^2 + \Omega_2^2) - (\Omega_3^2 + \Omega_4^2)]$
• Mô-men Yaw: $M_z = C_d [-\Omega_1^2 + \Omega_2^2 - \Omega_3^2 + \Omega_4^2]$ Trong đó $C_t$ là hệ số lực đẩy, $C_d$ là hệ số cản khí động, $d$ là khoảng cách từ trục động cơ đến trọng tâm, và $\Omega_i$ là vận tốc góc của động cơ thứ $i$.

Hệ thống dẫn đường và đo lường quán tính: Đồ án nghiên cứu cấu trúc cảm biến quán tính (IMU) gồm gia tốc kế, con quay hồi chuyển và từ kế, kết hợp hệ thống định vị vệ tinh GPS. Thuật toán Bộ lọc Kalman mở rộng (Extended Kalman Filter - EKF) được tích hợp trong bộ điều khiển bay để ước lượng chính xác trạng thái vị trí, vận tốc và góc nghiêng của phương tiện trong không gian 3 chiều.

Mô hình học sâu nhận diện đối tượng: Đồ án ứng dụng kiến trúc mạng nơ-ron tích chập YOLOv11 (You Only Look Once phiên bản 11) cho tác vụ phát hiện đối tượng thời gian thực. Để tối ưu hóa việc thực thi mô hình trên máy tính nhúng, quy trình bao gồm việc xuất mô hình sang định dạng trung gian ONNX (Open Neural Network Exchange), sau đó biên dịch và tối ưu hóa lượng tử hóa với NVIDIA TensorRT.

Phương pháp nghiên cứu

Đồ án kết hợp đồng thời phương pháp nghiên cứu lý thuyết và thực nghiệm:

• Phương pháp lý thuyết: Nghiên cứu tổng quan tài liệu khoa học về công nghệ UAV giám sát cháy rừng, các cấu hình khí động học (cánh bằng, trực thăng đơn, multirotor, hybrid VTOL); mô hình hóa hệ thống động lực học 6 bậc tự do; thiết kế bộ điều khiển PID góc nghiêng và vị trí trên môi trường mô phỏng MATLAB/Simulink.
• Phương pháp thực nghiệm: Thiết kế kết cấu phần cứng trên máy tính và gia công lắp ráp thực tế; tiến hành các chuyến bay kiểm tra chế độ cân bằng, bay định tuyến tự động bằng phần mềm trạm mặt đất Mission Planner; hiệu chỉnh tham số điều khiển PID thực tế; thu thập dữ liệu huấn luyện mô hình YOLOv11 cho khói và lửa; thử nghiệm tính năng nhận diện, khả năng can thiệp tự động chuyển chế độ bay 'Loiter', và gửi thông báo cảnh báo qua mạng viễn thông.

Thiết kế và triển khai

Hệ thống được thiết kế theo cấu trúc module phân tầng, kết hợp chặt chẽ giữa phần cứng cơ khí - điện tử trên máy bay và hệ thống phần mềm điều khiển đa nền tảng.

Hạng mục thiết bị	Thành phần lựa chọn	Thông số kỹ thuật chính	Vai trò chức năng
Khung máy bay (Frame)	Quadcopter cấu hình chữ X	Khung sợi carbon/nhựa composite	Chịu lực, giá đỡ động cơ và mạch điện tử
Động cơ (Motors)	SunnySky 2216-1100KV	Động cơ không chổi than (BLDC)	Tạo lực nâng và mô-men quay điều hướng
Bộ điều tốc (ESC)	Hobbywing SkyWalker 40A	Dòng liên tục 40A	Điều khiển tốc độ các động cơ BLDC
Bộ điều khiển bay (FC)	Pixhawk 6C Kit	Tích hợp IMU, Barometer, chạy ArduPilot	Chạy thuật toán EKF, điều khiển bay và giữ thăng bằng
Máy tính nhúng (Companion)	NVIDIA Jetson Nano	Kiến trúc GPU Maxwell 128 nhân, ARM A57	Xử lý suy luận AI, quản lý luồng dữ liệu truyền thông
Camera cảm biến	Raspberry Pi Camera Module V2	Cảm biến Sony IMX219 8MP	Thu nhận luồng hình ảnh giám sát mặt đất
Nguồn cấp điện	GNB LiPo 4S (14.8V)	Dung lượng 5500mAh	Cung cấp năng lượng cho toàn bộ hệ thống
Truyền thông ngoại vi	Wi-Fi / 4G Cellular Module	Giao thức TCP/IP, MAVLink	Truyền video, lệnh điều khiển và dữ liệu telemetey

Kiến trúc phần mềm trên máy tính nhúng NVIDIA Jetson Nano được thiết kế theo mô hình đa luồng (multi-threaded architecture) nhằm đảm bảo hiệu năng xử lý song song:

1. Luồng thu nhận hình ảnh và suy luận AI: Nhận tín hiệu video từ Raspberry Pi Camera Module V2, đưa qua mô hình YOLOv11 đã được tối ưu hóa bằng TensorRT engine để trích xuất bounding box và độ tin cậy phát hiện khói, lửa.
2. Luồng giao tiếp bay (MAVLink Bridge): Sử dụng thư viện DroneKit-Python giao tiếp với Pixhawk 6C qua cổng UART theo giao thức MAVLink để đọc dữ liệu đo xa (tọa độ GPS, cao độ, trạng thái bay) và gửi lệnh chuyển chế độ bay.
3. Luồng dịch vụ mạng và truyền phát: Cung cấp API dạng HTTP/REST, đẩy luồng hình ảnh MJPEG video streaming qua mạng không dây, và duy trì kết nối SocketIO với trạm mặt đất.

Trạm điều khiển mặt đất (Web-based GCS) được xây dựng với kiến trúc Client-Server:

• Giao diện người dùng (Frontend): Tích hợp bản đồ trực quan theo dõi vị trí thực tế của drone theo tín hiệu GPS, bảng thiết lập nhiệm vụ bay (mission settings), bảng điều khiển trạng thái (dashboard hiển thị pin, vận tốc, độ cao) và khung phát video trực tiếp hiển thị bounding box nhận diện khói/lửa.
• Hệ thống can thiệp tự động (Autonomous intervention logic): Khi thuật toán AI xác định có cháy với độ tin cậy vượt ngưỡng quy định, hệ thống kích hoạt logic cảnh báo thông minh, lập tức phát lệnh qua DroneKit chuyển chế độ bay của Pixhawk từ 'Auto' sang 'Loiter' để máy bay dừng hành trình di chuyển và bay lượn vòng tròn/đứng yên tại chỗ quanh tọa độ đám cháy.
• Hệ thống thông báo IoT từ xa: Tích hợp Telegram Bot API chạy ngầm; khi phát hiện mục tiêu cháy, bot sẽ tự động chụp khung hình bằng chứng và trích xuất siêu dữ liệu (kinh độ, vĩ độ, thời gian phát hiện, điểm tin cậy) gửi trực tiếp về nhóm chat di động của lực lượng quản lý rừng.

Nội dung chính theo từng chương

Chương 1: Overview

Chương 1 thiết lập nền tảng tổng quan cho đồ án nghiên cứu. Tác giả phân tích tính cấp thiết của vấn đề phòng cháy chữa cháy rừng tại Việt Nam và trên thế giới dưới tác động của biến đổi khí hậu. Nội dung phân tích tình hình nghiên cứu quốc tế qua các dự án tiêu biểu như FireWatch (Hoa Kỳ - sử dụng máy học phân biệt khói với mây mù, đạt độ chính xác trên 90%), ARBOSENS (Tây Ban Nha - đàn drone tự hành), và Sentinel (CSIRO Australia - sử dụng YOLO nhận diện khói dưới 10 phút). Đánh giá nghiên cứu trong nước chỉ ra rằng các đề tài học thuật tại Việt Nam từ năm 2018 đến 2024 phần lớn chỉ tập trung vào mô hình hóa bay lý thuyết, bộ điều khiển PID hoặc giao hàng cơ bản, thiếu các nghiên cứu tích hợp xử lý AI tại biên phục vụ cứu hỏa rừng. Từ đó, chương xác định mục tiêu thiết kế hệ thống quadcopter tự hành phát hiện cháy rừng, nêu rõ phạm vi, giới hạn kỹ thuật và bố cục gồm 6 chương của báo cáo.

Chương 2: Theoretical Foundation

Chương 2 trình bày toàn bộ cơ sở lý thuyết chuyên sâu phục vụ thiết kế hệ thống. Tác giả tổng hợp lịch sử phát triển của UAV trinh sát từ các dòng máy bay như Ryan Firebee, IAI Scout, RQ-1 Predator đến các nền tảng dân sự hiện đại. Nội dung đi sâu phân tích ưu và nhược điểm của 4 cấu hình khí động học: Fixed-Wing (cánh bằng), Single-Rotor (trực thăng), Multirotor (nhiều cánh quạt), và Hybrid VTOL, từ đó chứng minh cấu hình quadcopter là giải pháp cân bằng tối ưu về khả năng cất hạ cánh thẳng đứng, giữ vị trí cố định để xử lý ảnh, cấu trúc cơ khí đơn giản và chi phí khả thi cho quản lý rừng. Chương này chi tiết hóa toán học động lực học 6-DOF, các phép biến đổi góc Euler, ma trận quay từ hệ quy chiếu quán tính NED sang hệ quy chiếu thân, các phương trình vi phân mô tả lực đẩy, lực cản và các mô-men $M_x, M_y, M_z$. Đồng thời, chương hệ thống hóa nguyên lý hoạt động của khối IMU, hệ thống định vị quán tính (INS) trên Pixhawk, bộ lọc EKF, cấu trúc gói tin giao thức MAVLink, thư viện DroneKit, và nguyên lý thuật toán phát hiện đối tượng YOLOv11.

Chương 3: Hardware Design and Implementation

Chương 3 tập trung vào quá trình thiết kế kỹ thuật và chế tạo phần cứng thực tế của quadcopter. Tác giả tính toán cân bằng khối lượng và công suất nâng, lựa chọn động cơ không chổi than SunnySky 2216-1100KV kết hợp cùng bộ điều tốc Hobbywing SkyWalker 40A ESC và cánh quạt phù hợp để đảm bảo tỷ lệ lực đẩy trên trọng lượng (Thrust-to-Weight ratio) đáp ứng yêu cầu bay ổn định. Pin GNB dung lượng 5500mAh 4S LiPo được tính toán để đáp ứng thời gian bay khoảng 20–25 phút khi mang tải. Mạch điều khiển bay Pixhawk 6C Kit được tích hợp làm trung tâm điều hướng và giữ thăng bằng, trong khi máy tính nhúng NVIDIA Jetson Nano đảm nhận vai trò Companion Computer xử lý tác vụ thông minh. Cảm biến hình ảnh Raspberry Pi Camera Module V2 được lắp ráp trên khung máy bay phục vụ thu thập dữ liệu quang học. Chương này cung cấp các bảng tổng hợp khối lượng phần cứng, ước tính công suất động cơ và thông số kỹ thuật chi tiết của toàn bộ linh kiện cấu thành.

Chương 4: Design of Control System (Web Control Interface and AI Detection Model)

Chương 4 mô tả chi tiết thiết kế hệ thống phần mềm điều khiển, giao diện giám sát và quy trình huấn luyện AI. Tác giả xây dựng pipeline huấn luyện mô hình YOLOv11 cho hai tác vụ độc lập: mô hình phát hiện khói (Smoke Detection) và mô hình phát hiện lửa (Fire Detection). Dữ liệu được thu thập, gán nhãn, huấn luyện với các siêu tham số xác định; quá trình hội tụ được đánh giá qua hàm mất mát (loss function), ma trận nhầm lẫn (confusion matrix) và chỉ số mAP@0.5. Để triển khai trên phần cứng giới hạn của Jetson Nano, mô hình được chuyển đổi sang ONNX và tối ưu hóa bằng TensorRT engine nhằm gia tăng tốc độ suy luận khung hình (FPS). Về phần điều khiển, chương trình bày kiến trúc backend/frontend của trạm Web GCS (bản đồ định vị, video streaming độ trễ thấp, bảng thiết lập nhiệm vụ bay), giải thuật can thiệp tự động chuyển chế độ bay sang 'Loiter' khi phát hiện cháy, và module cảnh báo tức thời qua Telegram Bot API.

Chương 5: Simulation – Deployment – Results

Chương 5 trình bày toàn bộ kết quả mô phỏng và thực nghiệm kiểm chứng hệ thống. Kết quả mô phỏng trên MATLAB/Simulink chứng minh sự hội tụ của bộ điều khiển PID đối với các sai số vị trí trục X, Y và góc nghiêng Roll/Pitch/Yaw, đảm bảo drone bám sát quỹ đạo định sẵn. Thực nghiệm bay thực tế chứng minh máy bay cất cánh, hạ cánh thăng bằng và bay tự hành theo các điểm mốc GPS ổn định. Thử nghiệm nhận diện AI ngoài trời được tiến hành trong các điều kiện kiểm soát an toàn nghiêm ngặt (sử dụng cát, gỗ, xăng, bật lửa để tạo khói và lửa thực nghiệm):

• Khói dày (thick smoke) được phát hiện chính xác ở khoảng cách lớn hơn 10 mét từ góc nhìn ngang.
• Khói mỏng (thin smoke) được phát hiện ở khoảng cách lớn hơn 10 mét (nhìn ngang) và 5 mét (nhìn từ trên cao xuống), ngay cả trong điều kiện phơi sáng quang học gay gắt.
• Ngọn lửa nhỏ (tiny flames) được nhận diện tin cậy ở độ cao trên 10 mét và trên 5 mét ngoài trời, bất kể điều kiện ánh sáng yếu hay phơi sáng mạnh. Thực nghiệm cũng ghi nhận hệ thống kích hoạt thành công chế độ bay 'Loiter' khi nhận diện đám cháy, đồng thời nhật ký cảnh báo (log alert) hiển thị tức thời trên dashboard GCS và tin nhắn cảnh báo chứa ảnh chụp cùng tọa độ GPS được gửi thành công đến điện thoại qua Telegram Bot.

Chương 6: Conclusion and Future Works

Chương 6 tổng kết toàn bộ kết quả đạt được của đồ án, khẳng định nhóm tác giả đã hoàn thành việc nghiên cứu, chế tạo và thử nghiệm thành công hệ thống quadcopter tự hành tích hợp AI phát hiện khói, lửa rừng. Chương cũng thẳng thắn chỉ ra các giới hạn về thời lượng pin, độ nhạy của mô hình quang học trước các nguồn nhiễu môi trường, và đề xuất các định hướng nghiên cứu tiếp theo nhằm nâng cấp hệ thống.

Kết quả và đóng góp

Đồ án đã chế tạo thành công một mô hình phần cứng máy bay quadcopter hoàn chỉnh, hoạt động đồng bộ với hệ thống máy tính nhúng và trạm điều khiển mặt đất. Các kết quả cụ thể đo đạc qua thực nghiệm được ghi nhận như sau:

Nội dung thực nghiệm	Điều kiện kiểm thử	Kết quả ghi nhận trong văn bản
Nhận diện khói dày	Góc nhìn ngang, khoảng cách > 10m	Phát hiện mục tiêu dễ dàng, độ tin cậy cao
Nhận diện khói mỏng	Góc nhìn ngang (> 10m) và nhìn trên cao (5m)	Nhận diện thành công trong cả điều kiện phơi sáng gay gắt
Nhận diện ngọn lửa nhỏ	Góc nhìn từ trên cao, độ cao > 5m và > 10m	Phát hiện chính xác ngọn lửa nhỏ ngoài trời
Điều khiển bay tự động	Bám điểm mốc GPS trên phần mềm	Cân bằng ổn định, chuyển mượt mà sang chế độ 'Loiter' khi có cháy
Thời gian bay thực tế	Khối lượng tải mang Jetson Nano, pin 4S 5500mAh	Đạt thời lượng duy trì từ 20 đến 25 phút
Hệ thống cảnh báo IoT	Kết nối mạng không dây qua Telegram Bot API	Truyền siêu dữ liệu và ảnh bằng chứng thời gian thực về di động

Đóng góp kỹ thuật và giải pháp do nhóm tác giả đề xuất:

• Giải pháp xử lý biên hoàn chỉnh (Edge Computing): Thay vì truyền toàn bộ video độ phân giải cao về trạm mặt đất gây nghẽn băng thông và phụ thuộc cự ly sóng, hệ thống tối ưu hóa mô hình YOLOv11 bằng TensorRT trực tiếp trên NVIDIA Jetson Nano, cho phép nhận dạng tức thời trên máy bay.
• Cơ chế điều khiển vòng kín thông minh (Closed-loop Intervention): Đề xuất thuật toán tự động can thiệp vào bộ điều khiển bay Pixhawk thông qua DroneKit, chuyển đổi trạng thái bay từ hành trình tự động ('Auto/Guided') sang chế độ bay lượn giữ vị trí ('Loiter') khi phát hiện tín hiệu cháy, giúp thiết bị duy trì giám sát liên tục điểm hỏa hoạn mà không cần sự can thiệp thủ công từ phi công.
• Tích hợp cảnh báo đa nền tảng: Kết hợp giám sát trực quan chuyên dụng trên Web GCS với hệ thống thông báo đẩy tự động qua Telegram Bot, đảm bảo thông tin cứu hỏa (tọa độ GPS, hình ảnh, thời gian) được gửi trực tiếp đến điện thoại cá nhân của lực lượng kiểm lâm phụ trách địa bàn.
• Đóng góp học thuật: Đồ án thu hẹp khoảng cách giữa nghiên cứu mô phỏng lý thuyết điều khiển bay và ứng dụng thực tiễn của công nghệ AI thị giác máy tính trong lĩnh vực lâm nghiệp tại Việt Nam, thiết lập tài liệu kỹ thuật hoàn chỉnh từ động lực học bay, lựa chọn phần cứng đến triển khai phần mềm tối ưu hóa nhúng.

Hạn chế và hướng nghiên cứu tiếp

Các hạn chế được tác giả chỉ ra trong tài liệu bao gồm:

• Điều kiện khí tượng và ánh sáng: Hệ thống chỉ vận hành an toàn trong điều kiện ban ngày, thời tiết khô ráo, gió không vượt quá 10 m/s và không có mưa; chưa thể vận hành giám sát ban đêm do chỉ sử dụng camera quang học dải sóng khả kiến (RGB).
• Tập dữ liệu huấn luyện: Mô hình AI được đào tạo trên tập dữ liệu giới hạn, độ chính xác có thể bị ảnh hưởng khi đối mặt với khói phi hỏa hoạn (khói đốt rác, bụi đất) hoặc sương mù dày đặc tại các vùng núi cao.
• Năng lượng và cự ly hoạt động: Dung lượng pin 5500mAh chỉ cho phép thời gian bay 20–25 phút, giới hạn đáng kể diện tích tuần tra trong mỗi lượt cất cánh; hệ thống chưa tích hợp cảm biến tránh vật cản tự động trên đường bay.
• Phạm vi phát hiện: Chỉ nhận diện được ngọn lửa và khói nhìn thấy bằng mắt thường, hoàn toàn không thể phát hiện các đám cháy âm ỉ dưới thảm thực vật dày hoặc dưới lòng đất khi chưa bốc khói lên cao.

Các hướng mở rộng và nghiên cứu tiếp theo được đề xuất:

• Tích hợp cảm biến đa phổ và nhiệt (Thermal/Multispectral Imaging): Bổ sung camera ảnh nhiệt để phát hiện các dị thường nhiệt độ (chênh lệch nhiệt độ nhỏ đến 0.1°C), cho phép giám sát xuyên khói, hoạt động hiệu quả vào ban đêm và phát hiện các điểm cháy âm ỉ.
• Phát triển hệ thống hợp nhất đa cảm biến (Multi-sensor Fusion): Kết hợp camera RGB, cảm biến nhiệt và các đầu đo khí (CO, CO₂) nhằm nâng cao độ tin cậy, giảm thiểu tối đa tình trạng báo động giả.
• Mở rộng tập dữ liệu chuyên biệt: Xây dựng bộ cơ sở dữ liệu ảnh khói, cháy rừng quy mô lớn đặc thù cho các kiểu rừng và thảm thực vật tại Việt Nam.
• Tối ưu hóa thời lượng bay và cơ chế tránh vật cản: Nghiên cứu cấu hình động cơ lai (Hybrid VTOL) hoặc nâng cấp dung lượng pin để kéo dài thời gian tuần tra; tích hợp cảm biến LiDAR/Sonar để phát hiện và tự động tránh chướng ngại vật trong địa hình đồi núi phức tạp.

Giá trị tham khảo

Báo cáo khóa luận là tài liệu tham khảo có giá trị kỹ thuật cao cho sinh viên, học viên cao học và các kỹ sư thuộc các chuyên ngành: Kỹ thuật Điều khiển và Tự động hóa, Cơ điện tử, Kỹ thuật Robot, Kỹ thuật Máy tính và Công nghệ Thông tin. Tài liệu đặc biệt hữu ích cho những người đang nghiên cứu các đề tài liên quan đến:

• Thiết kế, tính toán và chế tạo phần cứng máy bay không người lái nhiều cánh quạt (Multirotor UAV) theo chuẩn công nghiệp mở (Pixhawk, ArduPilot).
• Ứng dụng toán học giải tích vào xây dựng mô hình động lực học 6 bậc tự do và mô phỏng thuật toán điều khiển PID trên MATLAB/Simulink.
• Kỹ thuật tối ưu hóa và triển khai các mô hình học sâu (Deep Learning/YOLO) trên các nền tảng máy tính nhúng biên giới hạn tài nguyên như NVIDIA Jetson qua TensorRT và ONNX.
• Phương pháp lập trình nhúng điều khiển UAV qua thư viện DroneKit-Python và giao thức MAVLink để xây dựng các kịch bản bay tự hành khép kín.
• Thiết kế giao diện trạm điều khiển mặt đất trên nền tảng web (Web-based GCS) tích hợp bản đồ số và truyền nhận luồng video độ trễ thấp.

Đối với các cơ quan quản lý lâm nghiệp và phòng cháy chữa cháy, đồ án cung cấp một mô hình giải pháp công nghệ có chi phí hợp lý, chứng minh tính khả thi của việc ứng dụng thiết bị bay tự hành trong công tác tuần tra và phát hiện sớm hỏa hoạn tại các địa phương có địa hình hiểm trở.

Câu hỏi thường gặp

1. Hệ thống xử lý hình ảnh và chạy mô hình AI trực tiếp trên máy bay hay truyền về máy tính trạm mặt đất?
Mô hình AI được xử lý trực tiếp trên máy bay (onboard computing) thông qua máy tính nhúng NVIDIA Jetson Nano. Mô hình nhận diện YOLOv11 sau khi huấn luyện được chuyển đổi sang định dạng ONNX và tối ưu hóa bằng NVIDIA TensorRT để chạy suy luận thời gian thực ngay trên bo mạch của drone, giúp giảm thiểu độ trễ và không bị phụ thuộc vào băng thông truyền dẫn về trạm mặt đất.

2. Cơ chế can thiệp điều khiển tự động (autonomous intervention) diễn ra như thế nào khi phát hiện đám cháy?
Khi luồng suy luận AI trên Jetson Nano xác định sự hiện diện của khói hoặc lửa với độ tin cậy vượt ngưỡng, thuật toán điều khiển thông minh sẽ can thiệp vào hệ thống bay thông qua thư viện DroneKit-Python. Hệ thống lập tức phát lệnh MAVLink yêu cầu mạch Pixhawk 6C chuyển chế độ bay từ hành trình tự động ('Auto/Guided') sang chế độ lượn tiêu điểm ('Loiter'), giữ máy bay đứng yên hoặc lượn quanh tọa độ đám cháy để giám sát liên tục khu vực mục tiêu.

3. Cấu hình phần cứng bay của hệ thống bao gồm những thiết bị chính nào?
Hệ thống sử dụng khung quadcopter cấu hình chữ X, trang bị 4 động cơ không chổi than SunnySky 2216-1100KV, 4 bộ điều tốc Hobbywing SkyWalker 40A ESC, khối pin nguồn GNB 5500mAh 4S LiPo, mạch điều khiển bay Pixhawk 6C Kit (chạy ArduPilot và tích hợp thuật toán EKF), máy tính nhúng NVIDIA Jetson Nano và camera Raspberry Pi Camera Module V2.

4. Các giới hạn vận hành về môi trường và quy chuẩn hàng không của hệ thống là gì?
Hệ thống được thiết kế để bay vào ban ngày trong điều kiện thời tiết không có mưa lớn, vận tốc gió dưới 10 m/s. Để tuân thủ các quy định hàng không hiện hành của Việt Nam, trần bay tối đa được giới hạn ở mức 120 mét so với mặt đất (AGL) và được lập trình trực tiếp vào phần mềm lái tự động nhằm ngăn chặn vi phạm không phận.

5. Hệ thống cảnh báo từ xa gửi những thông tin gì cho người dùng qua ứng dụng Telegram?
Khi phát hiện đám cháy, module Telegram Bot tích hợp trên hệ thống sẽ tự động gửi một thông báo đẩy đến điện thoại của người quản lý, bao gồm siêu dữ liệu đầy đủ: tọa độ định vị GPS chính xác (kinh độ, vĩ độ), thời gian phát hiện, điểm số tin cậy của thuật toán AI, kèm theo một bức ảnh chụp khung hình bằng chứng (snapshot) ghi nhận vị trí khói hoặc lửa.

Kết luận

Khóa luận tốt nghiệp của sinh viên Lê Hoàng Khang và Nguyễn Việt Khuê đã giải quyết trọn vẹn bài toán tích hợp công nghệ điều khiển tự động và trí tuệ nhân tạo biên trong giám sát, phát hiện sớm cháy rừng. Bằng việc kết hợp nền tảng khí động học quadcopter, mạch điều khiển Pixhawk 6C và máy tính nhúng NVIDIA Jetson Nano chạy mô hình YOLOv11 tối ưu qua TensorRT, nhóm nghiên cứu đã hiện thực hóa thành công một hệ thống bay tự hành có khả năng phát hiện khói, lửa ở cự ly trên 10 mét, tự động chuyển chế độ bay 'Loiter' và phát cảnh báo tức thời qua Telegram Bot. Kết quả nghiên cứu khẳng định tính khả thi của giải pháp công nghệ nội địa hóa, đóng góp một mô hình tham khảo kỹ thuật quan trọng cho công tác bảo vệ rừng và phòng chống cháy rừng tại Việt Nam.

Trích đoạn nội dung tài liệu

HCMC UNIVERSITY OF TECHNOLOGY AND ENGINEERING FACULTY OF ADVANCED EDUCATION GRADUATION THESIS DEVELOPMENT OF AN UNMANNED AERIAL VEHICLE SYSTEM FOR FOREST FIRE MONITORING AND DETECTION USING AI TECHNOLOGY STUDENT: NGUYỄN VIỆT KHUÊ ID: 21151028 LÊ HOÀNG KHANG ID: 21151022 CLASS OF: 2021 MAJOR: AUTOMATION AND CONTROL ENGINEERING THESIS ADVISOR : DR. DƯƠNG MINH THIỆN HO CHI MINH CITY, January 2026 HCMC UNIVERSITY OF TECHNOLOGY AND ENGINEERING FACULTY OF ADVANCED EDUCATION GRADUATION THESIS DEVELOPMENT OF AN UNMANNED AERIAL VEHICLE SYSTEM FOR FOREST FIRE MONITORING AND DETECTION USING AI TECHNOLOGY STUDENT: NGUYỄN VIỆT KHUÊ ID: 21151028 LÊ HOÀNG KHANG ID: 21151022 CLASS OF: 2021 MAJOR: AUTOMATION AND CONTROL ENGINEERING THESIS ADVISOR : DR. DƯƠNG MINH THIỆN HO CHI MINH CITY, January 2026 HO CHI MINH CITY UNIVERSITY OF TECHNOLOGY AND SOCIALIST REPUBLIC OF VIETNAM ENGINEERING Independence – Freedom – Happiness FACULTY OF ADVANCED EDUCATION DEPARTMENT OF AUTOMATION AND CONTROL ---o0o--- DECLARATION AND CONFIRMATION OF PLAGIARISM CHECK RESULT I. General Information Title of the academic product: Development of an unmanned aerial vehicle system for forest fire monitoring and detection using AI technology 1.

Academic product type: Graduation Thesis. Academic product code: None. Author information: No. Full Name Student ID Role 1 Lê Hoàng Khang 21151022 Project Leader 2 Nguyễn Việt Khuê 21151028 Member 4.

Supervisor information Full Name: Doctor Dương Minh Thiện Staff ID:. Faculty: Electrical and Electronic Engineering II. Plagiarism Check Results Date of Date of Plagiarism Overall Highest Similarity from a Submission Check Similarity Single Source 10/01/2026 10/01/2026 10% 2% III. Declaration The group of authors and the supervisor hereby declare that: 1.

The content of the above-mentioned academic product does not violate scientific ethics or academic integrity. The similarity percentages stated in Section II are completely accurate and truthful. By signing this declaration, the group of authors and the supervisor take full responsibility for any issues related to the above-mentioned academic product. Author Representative Confirmation Supervisor Confirmation (Signature and full name) (Signature and full name) x Acknowledgement  Our team would like to express sincere gratitude to Dr.

Duong Minh Thien, whose dedicated mentorship and profound expertise have been instrumental in helping us complete this graduation thesis to the highest standard. We extend our heartfelt appreciation to all faculty members of the Faculty of International Education, particularly the lecturers and professors in the Automatic Control Division, who provided us with fundamental knowledge throughout our four years of undergraduate study. The valuable lessons they imparted have served as essential tools enabling us to successfully apply theoretical concepts to this practical project. Finally, we wish to acknowledge our classmates who share our passion for drones, as well as our senior peers from previous cohorts.

Their enthusiastic technical support, valuable reference materials, and timely encouragement have provided us with the motivation needed to overcome challenges throughout this research journey. Ho Chi Minh, December 2025 Students conducting the project INDEX GRADUATION THESIS ASSIGNMENT.4 GRADUATION THESIS IMPLEMENTATION TIMELINE .6 SUPERVISOR’S EVALUATION FORM .8 PRE – DEFENSE EVALUATION FORM .9 DECLARATION AND CONFIRMATION OF PLAGIARISM CHECK RESULT. xii TABLE OF FIGURES. xvii LIST OF TABLES .xx LIST OF ABBREVIATIONS.1 International Research Status .2 Domestic Research Status .5 Project report’s content .1 Overview of unmanned aerial vehicles.1 Concept of Unmanned Aerial Vehicles .2 History and Development of Surveillance UAVs .3 Configuration analysis of various types of drones .1 Fixed-Wing UAVs .2 Single-Rotor (Helicopter) UAVs .4 Hybrid VTOL UAVs .5 Configuration Selection for Forest Fire Surveillance .4 Potential and applications .1 Early Detection and Prevention .2 Real-Time Fire Monitoring and Situational Awareness .3 Safety Enhancement and Damage Assessment .4 Cost-Effectiveness and Integration Potential .5 Relevance to Vietnam .5 Theory of Quadcopter Flight Control .1 The coordinate axes .3 Angular dynamics method .8 Spatial rotation angles .10 Measurement and navigation modules for Unmanned Aerial Vehicles .2 The INS system .12 MAVLink communication protocol .13 The DroneKit library .3 Object detection using the YOLO model .1 Definition of YOLOv11 .2 Operational principle of YOLOv11 .3 Key algorithmic improvements.

HARDWARE DESIGN AND IMPLEMENTATION.2 Model design and construction .4 BLDC motor and Propellers Selection .5 Battery selection and flight time calculation .6 Electronic speed controller (ESC) selection .7 Flight controller selection .8 Companion computer selection .10 The specifications of the system .60 CHAPTER 4: DESIGN OF CONTROL SYSTEM .1 Software system architecture .1 The overview of the system.2 HTTP/REST API (via Wi-Fi/4G) .3 MJPEG Video Stream (via Wi-Fi/4G) .2 The design of the AI detection models on Jetson Nano .1 Overview of AI model training pipeline .2 Smoke detection model .2 Smoke Detection Model training .3 Fire detection model .2 Fire detection model training progress .4 Model export to ONNX .1 Reasons for ONNX Conversion .5 TensorRT conversion and optimization .2 TensorRT build process .3 Design of the ground control station application (GCS web) .1 Backend architecture overview .2 Frontend UI desgin .1 Map and position tracking .2 Low-latency video streaming .3 Monitor dashboard and mission settings .4 Video streaming for JetsonNano only .3 Remote alert integration (Telegram Bot) .4 Control and fusion strategy .2 Smart fire alert logic .3 Autonomous loiter triggering .5 Overview of the quadcopter controller. SIMULATION – DEPLOYMENT - RESULTS.1 Simulation and control system validation .1 Simulation setup and parameters using MATLAB.3 Real -life validation .2 AI detection validation .1 Experimental constraints and safety protocols .2 Smoke detection at varying altitudes .3 Fire detection validation .3 Autonomous interference (Auto loiter mode) validation .4 IOT notification validation. CONCLUSION AND FUTURE WORKS .134 TABLE OF FIGURES Figure 1.1 Number of tree losses due to fire in Canada. The chart illustrating the land area burnt in the US.

Forest fire detection with UAV. Concepts of a quadcopter. The Ryan Firebee drone used in the Vietnam War. IAI Scout - an Israeli drone used in 1982.

RQ-1 Predator - the beginning of the advanced drone revolution. A fixed-wing drone. A single-rotor UAV. A Hybrid VTOL UAV.

How propellers rotate to move in different directions. Rotating directions of propeller pairs. The lift force to overcome gravity. The coordinate system.

Coordinate frames according to NED. Traditional Euler angles. The projection of vector Z. The projection of vector Y.

Fz to ZB. Rotational angles around the X axis. Pitch angles around the Y axis. Yaw angles around the Z axis.

An IMU sensor. INS in Pixhawk. Drone Position Determination Using GPS. The structure of a MAVLink message.

The interface of Mission Planner. Flowchart of EKF. Sunny Sky 2216-1100KV motor. GNB 5500mAh 4S LiPo Battery.

Hobbywing SkyWalker 40A ESC. Pixhawk 6C Flight Controller Kit. Raspberry Pi Camera Module V2. Final hardware product.

The overview flowchart of the system. The working flowchart of MAVLink. The working flowchart of video streaming. The working flowchart of SocketIO.

AI inference flowchart. AI model deployment pipeline. Smoke detection dataset. Some smoke images that are used for training.

Loss function and mAP@0.5 over the smoke detection training progress. The confusion matrix of the smoke detection model. Fire detection model dataset. Some fire images that are used in the dataset.

The fire detection model training progress. The confusion matrix of the fire detection model. ONNX conversion workflow. TensorRT optimization pipeline.

System multi-thread architecture. Map and position interface. Mission planning board. The video streaming section to monitor smoke and fire .22 Remote alert using a Telegram bot.

Data fusion flowchart. Fire alert logic. Autonomous intervention flowchart. The structure of the Quadcopter controller.

Roll, pitch, and yaw angles controller. Coordinate system conversion. Position controller in the system. Simulated drone flight path.

X and Y positional PID errors. Position roll axis. Our drone in reality. The flight path.

Position Roll axis. Velocity Roll axis.19 Experiment equipment (lighter, gasoline, sand, wood,.20 Setting up smoke and fire .21 Thick smoke was detected easily at a distance of > 10m (side view) .22 Thin smoke was detected at a distance of > 10m (side view).23 Thin smoke was detected at a distance of 5m (view from above) .24 Thin smoke detection under extreme light exposure conditions .25 Setting up a fire for an experiment .26 Tiny flames were detected confidently (at >10m high) .27 Flames were detected at a height of >5m (outdoor conditions) .28 Fire detection with slight light exposure .29 Fire detection with extreme light exposure .30 Loiter mode simulation .38 Log alert is being displayed in the dashboard using real-time telemetry communication .39 Real-time notification is being sent to a phone via Telegram .128 LIST OF TABLES Table 1 Hardware volume .53 Table 2 Estimation of motor power .55 Table 3 The specifications of devices .61 Table 4 Training hyperparameters .79 Table 5 TensorRT configuration .91 LIST OF ABBREVIATIONS AI Artificial Intelligence EKF Extended Kalman Filter UKF Unscented Kalman Filter IMU Inertial Measurement Unit UAV Unmanned Aerial Vehicle PI Proportional–Integral SLAM Simultaneous Localization and Mapping CHAPTER 1. OVERVIEW This chapter synthesizes and analyzes relevant domestic and international research related to the project, aiming to clarify the urgency and practical significance of the research direction. Subsequently, the chapter presents specific research objectives, scope, and limitations of the project to define the approach clearly.

Additionally, the research methodologies employed are discussed to ensure scientific rigor and logical coherence throughout the implementation process. Finally, the chapter outlines the main content of the project, providing direction for the subsequent chapters.1 Problem Statement In the context of climate change, with the increasing frequency and intensity of forest fires globally, the application of advanced technology for early forest fire detection and monitoring has become an urgent requirement. Particularly in Vietnam, with its vast forested areas in the Central Highlands and northern mountainous provinces, forest fires occur frequently during the dry season, causing severe damage to natural resources, human lives, and the economy. Meanwhile, the global trend is witnessing the strong development of UAV technology integrated with artificial intelligence for environmental monitoring [1], exemplified by systems such as FireWatch in the United States [2] or the ForestGuard project in Canada [3], with superior advantages in wide coverage capability, early detection, and rapid deployment.

Number of tree losses due to fire in Canada [4] AUTOMATION AND CONTROL ENGINEERING 1 CHAPTER 1. OVERVIEW In Vietnam, although the potential for applying UAVs to forest monitoring is substantial, many barriers remain, such as traditional monitoring methods (ground patrols, watchtowers) having limited range and slow response times, satellite imagery having low resolution and high latency, along with a lack of research on integrating AI for automatic smoke and fire detection. Moreover, research on optimizing specialized UAV design, real- time signal processing, or building automatic warning systems remains limited. This creates a gap that needs to be filled so that UAVs can become not just monitoring tools but effective forest fire prevention and control systems.

The chart illustrating the land area burnt in the US [5] Economically, deploying UAV forest fire monitoring systems promises to minimize massive financial losses from forest fires and response costs. Socially, it protects human lives, especially forest rangers and communities living in forested areas. Environmentally, the system contributes to biodiversity conservation and reduces CO₂ emissions from forest fires, aligning with sustainable development commitments. AUTOMATION AND CONTROL ENGINEERING 2 CHAPTER 1.

Forest fire detection with UAV Based on this reality, the project "Research and Development of an Unmanned Aerial Vehicle System for Forest Fire Monitoring and Detection Using Artificial Intelligence Technology" is conducted to design an optimal UAV system, integrate an AI model for smoke and fire detection, build a remote monitoring interface, and evaluate detection effectiveness compared to traditional methods. The research focuses on forested areas, examining factors such as detection time, accuracy, and reliability, while combining simulation methods (Solidworks, Python) and practical testing to ensure feasibility.