Chương 1: Tổng quan một số công trình nghiên cứu liên quan đến đề tài cũng như đưa ra những vấn đề tồn đọng của các công trình nghiên cứu đó cũng như những cải tiễn của đề tài khóa luận. e_ Chương 2: Cung cấp cơ sở lý thuyết và các kiến thức nền tảng về mạng than kinh tích chập Convolutional Neural Network, các mô hình mạng liên quan cũng như các phương hướng giải thuật liên quan của đề tài. e Chương 3: Trinh bày tổng quan về mô hình đề xuất và đề xuất hướng phát triên dé tai. e Chương 4: Trinh bay chỉ tiết mô hình đề xuất và phương hướng tiếp cận của khóa luận cũng như giải thuật và các phương pháp tiếp cận dé giải quyết van đề.
e Chương 5: Giới thiệu các tập dữ liệu, mô hình và kịch ban mô phỏng cũng như kết quả đạt được của đề tài khóa luận. e Chương 6: Trình bày những kết qua đã dat được của dé tài, đồng thời đưa ra những giải pháp đóng góp và đề xuất cho hướng phát triển tiếp theo của đề tài. GIỚI THIEU TONG QUAN DE TÀI 1. Dat van dé Thời gian gần đây, do anh hưởng của biến đôi khí hậu dẫn đến diễn biến thời tiết thất thường khiến nhiều diện tích rừng Việt Nam bị thiêu rụi và đe dọa nghiêm trọng đến thảm thực vật rừng, cũng như ảnh hưởng tới phát triển kinh tế - xã hội, môi trường, khí hậu.
Theo Tổng cục lâm nghiệp thống kê: Năm 2016, nước ta đã xảy ra hàng chục vụ cháy rừng. Diện tích rừng thiệt hại hơn 3000 ha. Năm 2017, cả nước xảy ra 182 vụ cháy rừng lớn nhỏ, diện tích rừng thiệt hại là hơn 350 ha. Đến đầu năm 2018, có nhiều vụ cháy rừng đã xảy ra trên nhiều địa phương.
Chăng hạn như Lang Sơn, Lai Châu, Điện Biên, Gia Lai, Đắk Lắk, Ving Tau, Binh Thuận, Kiên Giang, Ca Mau. Mặc dù chưa gây thiệt hai lon về tài nguyên và người nhưng lại cho biết diễn biến của thời tiết; cần phải nâng cao ý thức cộng đồng trong phòng chống cháy rừng. Những năm gần đây, nhìn chung tỉ lệ cháy rừng đã giảm tuy nhiên hậu quả của việc cháy rừng van rat nghiêm trong: Cạn kiệt nguồn tài nguyên thiên nhiên. Gây ra tình trạng ô nhiễm môi trường, hiệu ứng nhà kính, biến đối khí hậu.
Lũ lụt, xói mòn, sạt lở đất, lũ quét (nếu cháy rừng đầu nguồn, rừng phòng hộ). Sinh vật, động thực vật bị thiêu hủy, dẫn đến mắt cân bằng sinh thái. Ô nhiễm không khí: các đám khói lớn có thé bao trùm cả một thành phố gây ảnh hưởng nghiêm trọng đến giao thông. Ngoài ra, có thể gây ảnh hưởng đến sức khỏe của người dân sống trong khu vực đó.
Thiệt hại vê kinh tê, cuộc sông con người, xã hội bị ảnh hưởng tram trọng. Những hệ lụy này hàng chục năm sau con người cũng không dễ dàng khắc phục. Vì thế, việc chủ động phòng chống cháy rừng đã và đang được đặt lên hàng đầu cho cả xã hội, đặc biệt vào mùa khô, nắng nóng, nguy cơ cháy rừng dễ xảy ra hơn. Do vậy việc phát hiện cháy càng sớm càng tốt là một vấn đề mang tính cấp thiết.
Việc ngăn chặn các đám cháy lớn xảy ra, không những mang lại lợi ích to lớn cho kinh tế, xã hội mà còn góp phần bảo vệ bầu không khí không bị ô nhiễm bởi khói bụi từ các đám cháy. Tính cấp thiết của đề tài Việc bảo vệ rừng khỏi các đám cháy lớn là một vấn đề nan giải và là một bài toán khó cần giải quyết vì những cánh rừng thường rất lớn nên việc kiểm soát và nắm bắt tình hình khi những đám cháy xảy ra một cách nhanh nhất rất khó. Dé giải quyết được bài toán trên, CNNs là một trong những phương pháp tối ưu trong việc nhận diện, phân loại và phát hiện các đám cháy trong một khu vực lớn. Đề xuất của nhóm thực thi mô hình CNNs trên SoC-FPGA dựa vào OpenCL framework vì ưu điểm mà những phương pháp hiện thực khác không có: e CPU dường như không thể hiện thực được mô hình CNNs với tốc độ cao vì độ phức tap của các phép tính toán trong CNNs.
e GPU có thê triển khai được mô hình CNNs, tuy nhiên vấn đề là GPU tiêu thụ điện năng rất cao không mang lại tính thực tiễn. e Phương pháp hiện thực mô hình CNN bang ngôn ngữ RTL truyền thống dường như cực kì phức tạp và mất rất nhiều thời gian trong công việc mô phỏng cũng như biên dịch trước khi hiện thực trên FPGA. e Công cu synthesis (HLS), gần đây được sử dụng rất nhiều trong công việc chuyền đổi từ ngôn ngữ cấp cao C/C++ sang ngôn ngữ cấp thấp như VHDL, Verilog hay System Verilog. So với RTL, OpenCL có thé triển khai mô hình CNNs một cách nhanh chóng va dễ dàng lên FPGA.
Vì những ưu điểm mà OpenCL mang lại so với những phương pháp khác, nhóm quyết định nghiên cứu, thiết kế và hiện thực hệ thống phát hiện cháy trên FPGA sử dụng OpenCL làm nền tang. Các đề tài nghiên cứu liên quan Trên thế giới đã có không ít bài báo nghiên cứu về vấn đề này. Tuy nhiên, không có nhiều bai báo dé cập tới việc thực hiện hệ thống cháy trên SoC-FPGA mà chi dừng ở mức nghiên cứu thuật toán và giải thuật. Nhằm tao ra một cái nhìn tổng quan về điểm khác biệt giữa nhóm chúng tôi và những nghiên cứu khác, nhóm đặc biệt chú ý đên một sô công trình sau.
Năm 2018, trong đề tài “Early Fire Detection using Convolutional Neural Networks during Surveillance for Effective Disaster Management” [4] tác gia cũng đã sử dụng mô hình CNNs dé hiện thực hệ thống phát hiện cháy. Kết quả của dé tài khá kha quan khi có thé đạt được 17 FPS khi sử dụng CCTV. Tuy nhiên dé tài này vẫn có một số hạn chế đó là: kích thước mô hình quá lớn (~238 MB), chỉ thử nghiệm trên MATLAB R2015a do đó tính thực tiễn khi đặt ở những khu rừng vẫn chưa có,. Nội dung nghiên cứu Đề tài nghiên cứu về hệ thống phát hiện cháy sử dụng Camera.
Bao gồm những nội dung sau: e Thu thập dữ liệu và tiến hành training với Caffe và Google Colab. e Xây dựng Linux SDCard Image cho board Arria 10 SoC. e Cài đặt OpenCV lên hệ điều hành Linux. e Cài đặt OpenCL lên hệ điều hành Linux.
e Tìm hiểu và hiện thực kiến trúc PipeCNN. e Cải tiến mô hình PipeCNN nhằm cải thiện FPS. e Cải tiễn toàn bộ hệ thống băng phương pháp Pipeline. e Thu nghiệm mô hình trên tập dữ liệu test.
e Tich hợp và thử nghiệm mô hình với Camera. Phạm vi đề tài Mục tiêu hướng đến của đề tài khóa luận là xây dựng một hệ thong phát hiện cháy hoàn chỉnh có thể ứng dụng vào thực tiễn, do đó nhóm chỉ thu thập dữ liệu tại những đám cháy ngoài trời như cháy rừng, cháy xe, cháy nhà nhằm mang lại hiệu quả cao nhất cho hệ thống. Hướng phát triển Ý tưởng phát triển hệ thống phát hiện cháy được xây dựng dựa trên kiến trúc PipeCNN. Nhóm đề xuất cải tiến kiến trúc PipeCNN đồng thời tích hợp Camera và hiện thực trên board Arria10 SoC.
Trong khóa luận này, đầu tiên nhóm sẽ nghiên cứu và tìm hiểu lý thuyết về kiến trúc PipeCNN và đánh giá tính khả thi của mô hình này. Sau đó, nhóm tiến hành xây dựng bộ dữ liệu với nhiều nguồn khác nhau và tiến hành đánh giá bộ dữ liệu bằng Matlab. Tiếp đó, nhóm tiến hành xây dựng Linux SDCard Image trên board Arrial0 SoC đồng thời tích hợp nền tảng OpenCL và OpenCV vào hệ điều hành. Sau đó nhóm tiến hành nghiên cứu cải tiễn kiến trúc PipeCNN và tích hợp Camera.
Cuối cùng là thử nghiệm trên những đám cháy cụ thê trong môi trường thực tế và tiến hành đánh giá kết quả. Convolutional Neural Network — Mạng Noron tích chập Mang noron tích chập được lấy cam hứng từ vo não thị giác. Mỗi khi chúng ta nhìn thấy một vật, một loạt các lớp tế bào thần kinh được kích hoạt, và mỗi lớp thần kinh sẽ phát hiện một tập hợp các đặc trưng như đường thăng, cạnh, màu sắc,. của đối tượng, lớp thần kinh càng cao sẽ phát hiện các đặc trưng phức tạp hon dé nhận ra những gì chúng ta đã thấy.
Mạng nơron tích chập là mạng bao gồm một lớp đầu vào và một lớp đầu ra, ngoài ra, ở giữa còn có nhiều lớp an (hidden layers). Các lớp an của mạng thường bao gồm nhiều lớp tích chập (convolutional), lớp tổng hop (pooling), lớp kết nối đầy đủ (Fully Connected) và theo sau các lớp an là các hàm kích hoạt (ReLU, Softmax, .1 mô tả kiến trúc tổng quan về mạng CNN Alexnet. Conv 1 Conv 2 Pool 1 Pool 2 11x11 3x3 5x5 3x3 S=4 S=2 S=1 S=2 —> —— .—> — Max same Max Pool Pool 227 x 227 x3 55 x 55 x 96 27 x27 x96 27 x 27 x 256 13 x 13 x 256 Conv 3 Conv 4 Cony 5 Pool5 |g 8 5 s 5 sài del Sn? Sey = bên sae oS > 5|: — ö|: — | —> °|: ö same same same Max lo) ° i) e Pool 9 1000 13 x 13 x 384 13 x 13 x 384 13 x 13 x 256 6x6x256 9216 4096 4096 Softmax Cac mang noron tich chap nổi bac như là LeNet [5] - một trong những mang CNN lâu đời nổi tiếng nhất duoc Yann LeCun phát triển vào năm 1998, AlexNet [6] - mạng CNN đã dành chiến thắng trong cuộc thi ImageNet LSVRC-2012 năm 2012 với large margin (15.2% error rates), VGGNet [7] có tỉ lệ sai (error rate) nho hon AlexNet trong ImageNet Large Scale Visual Recognition Challenge (ILSVRC) năm 2014, ResNets phát triển bởi Microsoft vào năm 2015, thắng giải ImageNet ILSVRC competition 2015 với tỉ lệ sai 3. Convolutional Layer — Lớp tích chap Mỗi lớp tích chập trong mạng nơron sẽ có đầu vào là một tensor với kích thước (Số ảnh đầu vào) x (chiều rộng ảnh) x (chiều cao ảnh) x (chiều sâu của ảnh).
Lớp tích chập sẽ thực hiện nhân chập với một kernel (ma trận lọc), chiều dài và rộng của kernel sẽ được chọn theo dạng tham số, còn chiều sâu thì phải bằng với chiêu sâu của anh, sau đó, kêt quả của lớp này sẽ được truyên sang lớp tiép theo. Dé tính tích chập ta cần quan tâm đến hai thông số là Stride va Padding. Kernel sẽ được trượt qua ảnh, với mỗi lần trượt ta sẽ tính kết quả tại vi trí đầu ra. Số bước ở mỗi lần trượt kernel được gọi là Stride, thông thường, trong tích chập, Stride bằng 1.
Nếu tích chap Same Padding, sẽ tạo các điểm ảnh bang 0 ở ria của ảnh, đặc trưng dau ra sẽ có kích thước không đôi so với ảnh đầu vào.