Luận văn thạc sĩ về mô hình nhận diện người trong hệ thống giám sát trạm biến áp

• Tác giả: Nguyễn Hoàng Phi Long
• Người hướng dẫn: TS. Phạm Việt Cường
• Trường học: Đại học Bách Khoa - ĐHQG TP. Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Điều Khiển và Tự Động Hoá
• Đề tài: Huấn Luyện, Tối Ưu Và Triển Khai Mô Hình Nhận Diện Người Trên Hệ Thống Giám Sát Của Trạm Biến Áp
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: TP. Hồ Chí Minh

• LỜI CẢM ƠN
• TÓM TẮT LUẬN VĂN THẠC SĨ
• LỜI CAM ĐOAN CỦA TÁC GIẢ
• 1. GIỚI THIỆU ĐỀ TÀI
• 1.1. Tổng quan đề tài
• 1.2. Tình hình nghiên cứu hiện nay
• 1.3. Mục tiêu và nhiệm vụ
• 2. MÔ HÌNH DEEP LEARNING
• 2.1. Mô hình EfficientDet
• 2.2. Mô hình YOLOv5
• 2.3. Mô hình ResNet-50
• 2.4. Phương pháp đánh giá mô hình Deep Learning
• 2.4.1. Đánh giá Object Detection Model
• 2.4.2. Đánh giá Classification Model
• 2.4.3. Phương pháp đánh giá hiệu năng
• 2.5. Giải mã luồng camera
• 2.5.1. Real Time Streaming Protocol (RTSP)
• 2.5.2. NVIDIA DeepStream SDK
• 2.6. Tối ưu hoá mô hình Deep Learning bằng TensorRT
• 2.6.1. Giới thiệu về TensorRT
• 2.6.2. Layer Tensor Fusion
• 2.6.3. Reduce Mixed Precision
• 2.7. Nền tảng triển khai mô hình Deep Learning trên Server
• 2.7.1. DALI Triton Backend
• 3. QUÁ TRÌNH THỰC HIỆN
• 3.1. Ý tưởng thực hiện đề tài
• 3.2. Giải quyết các bài toán trong trạm biến áp
• 3.3. Giải quyết bài toán tốc độ xử lý
• 3.4. Huấn luyện mô hình Deep Learning
• 3.4.1. Chuẩn bị dữ liệu
• 3.4.2. Huấn luyện mô hình
• 3.4.3. Kết quả huấn luyện mô hình Deep Learning
• 3.5. Mô hình phát hiện chuyển động
• 3.6. Tối ưu mô hình Deep Learning
• 3.6.1. Tối ưu hoá model EfficientDet
• 3.6.2. Tối ưu hoá model YOLOv5
• 3.6.3. Tối ưu hoá model ResNet-50
• 3.7. Triển khai hệ thống xử lý AI
• 3.7.1. Xây dựng hệ thống xử lý AI
• 3.7.2. Triển khai hệ thống Cloud Computing
• 3.7.3. Triển khai hệ thống Edge Computing
• 3.7.4. Triển khai hệ thống giám sát
• 3.7.5. Xây dựng hệ thống giám sát
• 4. KẾT QUẢ VÀ ĐÁNH GIÁ
• 4.1. Kết quả thuật toán nhận diện chuyển động
• 4.2. Đánh giá độ chính xác
• 4.3. Đánh giá hiệu năng
• 4.4. Kết quả huấn luyện mô hình Deep Learning
• 4.4.1. Mô hình Object Detection
• 4.4.2. Mô hình Classification
• 4.5. Kết quả tối ưu mô hình Deep Learning
• 4.5.1. Phương pháp đánh giá
• 4.5.2. Kết quả hiệu năng tính toán trên Triton Serving
• 4.5.3. Phương pháp đánh giá
• 4.5.4. Kết quả hiệu năng tính toán thực thi tại Edge Device
• 4.5.5. Phương pháp đánh giá
• 5. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 5.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO

I. Giới thiệu đề tài

Trạm biến áp (TBA) là một phần quan trọng trong hệ thống truyền tải điện năng, đảm bảo cung cấp điện cho các cơ sở sản xuất và sinh hoạt. Tuy nhiên, TBA cũng là nơi dễ xảy ra các vụ cháy nổ và xâm nhập trái phép, do đó cần có một hệ thống giám sát hiệu quả. Việc triển khai một hệ thống giám sát thông minh không chỉ giúp phát hiện kịp thời các hành vi xâm nhập mà còn đảm bảo an toàn cho con người và tài sản. Hệ thống này có thể sử dụng công nghệ nhận diện người để phát hiện những người không được phép vào khu vực TBA, đồng thời cảnh báo khi có người không đội mũ bảo hộ. Đặc biệt, các công nghệ Deep Learning đang ngày càng được ứng dụng rộng rãi trong việc phát hiện và phân tích hình ảnh từ các camera giám sát.

II. Tình hình nghiên cứu hiện nay

Trong những năm gần đây, việc ứng dụng các kỹ thuật xử lý ảnh trong giám sát TBA đã nhận được nhiều sự quan tâm. Các nghiên cứu hiện tại chủ yếu tập trung vào việc phát hiện các tình trạng bất thường của thiết bị trong TBA, nhưng chưa nhiều đề tài nghiên cứu về nhận diện người và các yếu tố ngoại cảnh. Hệ thống giám sát thông minh có thể tích hợp các mô hình AI để phân tích video từ các camera và gửi cảnh báo khi phát hiện có người lạ hoặc các tình huống nguy hiểm. Tuy nhiên, vẫn còn nhiều thách thức trong việc triển khai, như chất lượng hình ảnh và khả năng xử lý đồng thời nhiều camera. Việc cải thiện độ chính xác của các mô hình Deep Learning là cần thiết để đảm bảo tính hiệu quả của hệ thống giám sát.

III. Mô hình Deep Learning

Mô hình Deep Learning được sử dụng trong nghiên cứu này bao gồm các mô hình như EfficientDet, YOLOv5, và ResNet-50. Các mô hình này được huấn luyện để nhận diện người và phát hiện các hành vi vi phạm trong TBA. Mô hình EfficientDet cho thấy hiệu suất vượt trội về độ chính xác trong việc phát hiện đối tượng với thời gian tính toán thấp hơn so với các mô hình trước đó. Việc tối ưu hóa các mô hình này không chỉ giúp cải thiện tốc độ xử lý mà còn đảm bảo khả năng hoạt động ổn định trong môi trường thực tế của TBA. Kết quả cho thấy mô hình nhận diện người có độ chính xác cao, đạt được 79.43% AP@50 trong môi trường TBA.

IV. Triển khai hệ thống giám sát

Hệ thống giám sát được xây dựng kết hợp giữa các thiết bị Edge Devices và máy chủ để xử lý hình ảnh từ các camera trong thời gian thực. Hệ thống này có khả năng phân tích video và gửi cảnh báo khi phát hiện có người xâm nhập hoặc không đội mũ bảo hộ. Việc triển khai hệ thống tự động giúp giảm thiểu sức lao động của nhân viên bảo vệ và nâng cao hiệu quả giám sát. Kết quả cho thấy hệ thống có thể xử lý 16 camera với tốc độ 25 FPS mỗi camera, đảm bảo khả năng phát hiện và cảnh báo kịp thời trong mọi tình huống. Đây là một bước tiến quan trọng trong việc nâng cao an ninh giám sát tại các TBA.