NHẬN DIỆN KHỐI BẰNG XỬ LÝ ẢNH KẾT HỢP VỚI THUẬT TOÁN THÔNG MINH LOGIC-MỜ

Luận văn thạc sĩ về phát hiện khói sớm sử dụng xử lý ảnh và thuật toán logic mờ trong kỹ thuật điều khiển và tự động hóa. Nghiên cứu chuyên sâu, ứng dụng thực tiễn.

• Tác giả: Nguyễn Thành Cường
• Người hướng dẫn: PGS. Huỳnh Thái Hoàng
• Trường học: Trường Đại học Bách Khoa - Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Kỹ thuật Điều khiển và Tự động hóa
• Đề tài: Phát Hiện Khói Bằng Xử Lý Ảnh Kết Hợp Với Thuật Toán Thông Minh Logic-Mờ
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• LỜI CÁM ƠN
• TÓM TẮT LUẬN VĂN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Giới thiệu sơ lược vấn đề và ý nghĩa khoa học đề tài
• 1.2. Ứng dụng thực tiễn
• 1.3. Nghiên cứu tổng quan
• 1.3.1. Tổng quan bài toán nhận dạng
• 1.3.2. Mô hình và bản chất của quá trình nhận dạng
• 1.3.3. Tổng quan hệ thống thu nhận ảnh
• 1.3.4. Các thuật toán phát hiện khói đã công bố
• 1.3.5. Phương pháp báo cháy sớm dựa vào đặc tính động và tĩnh của khói
• 1.3.6. Phương pháp phát hiện khói dựa vào phân tích không gian và thời gian
• 1.3.7. Phương pháp phát hiện khói-lửa bằng cách phân tích Wavelet
• 1.3.8. Phương pháp phát hiện khói-lửa dựa vào độ tương phản
• 1.3.9. Phương pháp phát hiện khói-lửa dựa vào đặc tính tĩnh và động của khói được thực hiện trong thư mục
• 1.4. Mục tiêu đề tài
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Những vấn đề cơ bản trong xử lý ảnh số
• 2.2. Độ phân giải của ảnh
• 2.3. Mức xám của ảnh
• 2.4. Quan hệ giữa các điểm ảnh
• 2.5. Không gian màu
• 2.5.1. Không gian RGB
• 2.5.2. Không gian HSV
• 2.5.3. Không gian YCbCr
• 2.6. Các thành phần cơ bản của hệ thống xử lý ảnh
• 2.6.1. Thu nhận ảnh
• 2.6.1.1. Các thiết bị thu nhận ảnh
• 2.6.1.2. Lấy mẫu và lượng tử hóa
• 2.6.2. Một số phương pháp biểu diễn ảnh
• 2.6.3. Các định dạng ảnh
• 2.7. Cải thiện ảnh sử dụng các toán tử điểm
• 2.7.1. Tăng độ tương phản (Stretching Contrast)
• 2.7.2. Tách nhiễu và phân ngưỡng
• 2.7.3. Biến đổi âm bản (Digital Negative)
• 2.7.4. Nén dải độ sáng
• 2.7.5. Cải thiện ảnh dùng toán tử không gian
• 2.7.5.1. Làm trơn nhiễu bằng lọc tuyến tính: lọc trung bình và lọc dải thông
• 2.7.5.2. Làm trơn nhiễu bằng lọc phi tuyến
• 2.7.5.3. Một số kỹ thuật cải thiện ảnh nhị phân
• 2.8. Nhận dạng ảnh
• 2.8.1. Nhận dạng dựa vào phân hoạch không gian
• 2.8.1.1. Phân hoạch không gian
• 2.8.1.2. Hàm phân lớp
• 2.8.1.3. Thuật toán nhận dạng không gian (thuật toán nhận dạng trong tự học)
• 2.8.2. Nhận dạng dựa theo cấu trúc
• 2.8.3. Nhận dạng dựa trên mạng Noron
• 2.8.3.1. Mạng Hopfield
• 2.8.3.2. Mạng Kohonen hay bản đồ Kohonen hoặc bản đồ tự tổ chức
• 2.8.4. Nhận dạng dựa trên thuật toán logic mờ
• 3. CHƯƠNG 3: XÂY DỰNG GIẢI THUẬT
• 3.1. Giải thuật tổng quát
• 3.2. Phương pháp nghiên cứu
• 3.3. Đề xuất giải thuật
• 3.3.1. Giới thiệu thuật toán trừ MEM
• 3.3.2. Khái niệm COTOUT
• 3.3.3. Giải thuật xử lý COTOUT
• 3.3.4. Phân tích các đặc tính tĩnh
• 3.3.4.1. Giải thuật xử lý màu sắc
• 3.3.5. Phân tích các đặc tính động của khói
• 3.3.5.1. Dựa vào độ phân tán
• 3.3.5.2. Dựa vào tốc độ phát triển của khói
• 3.3.6. Thuật toán thông minh Logic mờ dùng để kết luận đầu ra
• 3.3.6.1. Định nghĩa tập mờ ứng với mỗi đầu vào của thuật toán Logic-mờ
• 3.3.6.1.1. Tập mờ của đầu vào là phần trăm pixel có khói
• 3.3.6.1.2. Tập mờ của đầu vào là độ phân tán của khói
• 3.3.6.1.3. Tập mờ của đầu vào là độ phát triển của khói theo thời gian
• 3.3.6.1.4. Tập mờ của đầu ra
• 4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM
• 4.1. Thông tin liên quan để đánh giá kết quả đầu ra
• 4.2. Kết quả thu nhận được
• 4.2.1. Kết quả phương pháp trừ nền phát hiện chuyển động
• 4.2.2. Kết quả giải thuật xử lý đặc tính tĩnh (màu sắc)
• 4.2.3. Kết quả giải thuật xử lý đặc tính động (độ phân tán và phát triển theo thời gian)
• 4.2.4. Kết quả khi dùng thuật toán Logic-mờ để đánh giá kết quả
• 5. CHƯƠNG 5: HƯỚNG PHÁT TRIỂN
• 5.1. Kết quả đạt được
• 5.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Phát Hiện Khói Bằng Xử Lý Ảnh 55 ký tự

Hàng năm, các vụ cháy gây thiệt hại lớn về người và kinh tế trên toàn thế giới, bao gồm cả Việt Nam. Việc phát hiện sớm đám cháy là vô cùng quan trọng để giảm thiểu thiệt hại. Các phương pháp truyền thống như sử dụng đầu báo cháy nhiệt, khói, và lửa có những hạn chế nhất định, đặc biệt trong không gian rộng và mở. Một hướng đi mới đầy hứa hẹn là sử dụng kỹ thuật xử lý ảnh kết hợp với hệ thống camera quan sát. Nghiên cứu này tập trung vào việc phát triển một hệ thống phát hiện khói sớm dựa trên hình ảnh, giúp cảnh báo nguy cơ cháy trước khi đám cháy lan rộng. Ứng dụng thực tế rất đa dạng, từ nhà xưởng, kho bãi đến cảnh báo cháy rừng. Theo [Nguyen Thành Cường, 2015], việc phát hiện sớm có thể giúp cơ quan chức năng có biện pháp xử lý kịp thời.

1.1. Ứng Dụng Xử Lý Ảnh Phát Hiện Khói Thực Tế

Hệ thống này có thể được triển khai ở nhiều nơi, từ các nhà xưởng lớn đến các khu rừng rộng lớn. Ưu điểm lớn nhất là tận dụng được hệ thống camera sẵn có, giảm chi phí đầu tư thiết bị. Thông tin cảnh báo sớm giúp các cơ quan chức năng phản ứng nhanh chóng, hạn chế thiệt hại. Đối với các khu rừng, việc phát hiện khói sớm có ý nghĩa to lớn trong việc bảo vệ tài nguyên thiên nhiên. Đây là một giải pháp hiệu quả và tiết kiệm để nâng cao an toàn phòng cháy chữa cháy.

1.2. Bài Toán Nhận Dạng Khói Trong Xử Lý Ảnh

Nhận dạng khói là giai đoạn cuối cùng của hệ thống xử lý ảnh. Quá trình này bao gồm phân loại đối tượng (khói) dựa trên mô hình và gán cho đối tượng đó một tên gọi (khói). Có ba cách tiếp cận chính: phân hoạch không gian, dựa trên cấu trúc và sử dụng mạng nơ-ron. Hai cách tiếp cận đầu là kinh điển, đòi hỏi giai đoạn tiền xử lý ảnh. Cách tiếp cận thứ ba mô phỏng hoạt động của hệ thần kinh con người, cho phép nhận dạng trực tiếp từ ảnh mà không cần cải thiện. Theo Nguyen Thành Cường (2015), đây là bước quan trọng để xây dựng hệ thống phát hiện khói hiệu quả.

II. Thách Thức Phát Hiện Khói Chính Xác Kịp Thời 59 ký tự

Mặc dù có nhiều tiềm năng, phát hiện khói bằng xử lý ảnh vẫn đối mặt với nhiều thách thức. Khói có thể xuất hiện với nhiều hình dạng, màu sắc khác nhau, tùy thuộc vào vật liệu cháy và điều kiện môi trường. Ánh sáng, nhiễu, và các yếu tố bên ngoài khác có thể ảnh hưởng đến độ chính xác của hệ thống. Hơn nữa, việc phát hiện khói trong thời gian thực đòi hỏi thuật toán phải nhanh và hiệu quả. Cần có các giải pháp để giảm thiểu sai sót và đảm bảo độ tin cậy của hệ thống. Theo tài liệu, việc xây dựng một hệ thống phát hiện khói hiệu quả đòi hỏi sự kết hợp của nhiều kỹ thuật xử lý ảnh và thuật toán thông minh.

2.1. Các Yếu Tố Ảnh Hưởng Đến Độ Chính Xác Phát Hiện Khói

Độ chính xác của hệ thống phát hiện khói phụ thuộc vào nhiều yếu tố. Ánh sáng yếu, nhiễu ảnh, và khoảng cách từ camera đến đám khói có thể làm giảm hiệu suất. Các thuật toán cần phải được thiết kế để chống lại các yếu tố này. Ngoài ra, tốc độ xử lý ảnh cũng rất quan trọng để đảm bảo cảnh báo kịp thời. Cần có các phương pháp để cải thiện độ chính xác và tốc độ của hệ thống.

2.2. Khó Khăn Trong Việc Phân Biệt Khói Với Các Đối Tượng Khác

Một thách thức lớn là phân biệt khói với các đối tượng tương tự khác trong ảnh. Ví dụ, hơi nước, sương mù, hoặc thậm chí là bóng mây có thể bị nhầm lẫn với khói. Các thuật toán cần phải được thiết kế để phân tích các đặc điểm riêng biệt của khói, chẳng hạn như hình dạng, màu sắc, và chuyển động, để giảm thiểu sai sót. Cần có sự kết hợp của nhiều kỹ thuật xử lý ảnh và thuật toán logic mờ để giải quyết vấn đề này.

III. Phương Pháp Logic Mờ Trong Phát Hiện Khói Hiệu Quả 57 ký tự

Thuật toán logic mờ (Fuzzy Logic) là một công cụ mạnh mẽ để xử lý các thông tin không chắc chắn và mơ hồ. Trong bài toán phát hiện khói, logic mờ có thể được sử dụng để kết hợp các đặc trưng khác nhau của khói, chẳng hạn như màu sắc, độ mờ, và chuyển động, để đưa ra quyết định cuối cùng. Ưu điểm của logic mờ là khả năng xử lý các dữ liệu không chính xác và không đầy đủ, giúp hệ thống hoạt động hiệu quả trong các điều kiện môi trường khác nhau. Tài liệu gốc đề xuất việc sử dụng thuật toán logic mờ để cải thiện độ chính xác của hệ thống.

3.1. Xây Dựng Mô Hình Logic Mờ Cho Phát Hiện Khói

Để áp dụng logic mờ vào bài toán phát hiện khói, cần xây dựng một mô hình phù hợp. Mô hình này bao gồm các biến đầu vào (ví dụ: màu sắc, độ mờ, chuyển động), các hàm thuộc (membership functions) để định nghĩa mức độ thuộc về của mỗi biến, các luật mờ (fuzzy rules) để kết hợp các biến đầu vào, và một phương pháp giải mờ (defuzzification) để đưa ra quyết định cuối cùng. Mô hình này cần được thiết kế cẩn thận để đảm bảo độ chính xác và hiệu quả của hệ thống.

3.2. Ưu Điểm Của Logic Mờ So Với Các Phương Pháp Khác

Logic mờ có nhiều ưu điểm so với các phương pháp khác. Khả năng xử lý thông tin không chắc chắn và mơ hồ giúp hệ thống hoạt động tốt trong các điều kiện môi trường khác nhau. Dễ dàng tích hợp các kiến thức chuyên gia vào mô hình. Tính linh hoạt cao cho phép điều chỉnh mô hình để phù hợp với các ứng dụng cụ thể. Trong phát hiện khói, logic mờ có thể giúp cải thiện độ chính xác và độ tin cậy của hệ thống.

IV. Xử Lý Ảnh Nâng Cao Độ Chính Xác Nhận Dạng Khói 59 ký tự

Xử lý ảnh đóng vai trò quan trọng trong việc phát hiện khói. Các kỹ thuật xử lý ảnh có thể được sử dụng để cải thiện chất lượng hình ảnh, loại bỏ nhiễu, và trích xuất các đặc trưng quan trọng của khói. Các bước xử lý ảnh cơ bản bao gồm tiền xử lý, phân vùng ảnh, và trích xuất đặc trưng. Các kỹ thuật nâng cao hơn như sử dụng mạng nơ-ron tích chập (CNN) có thể giúp cải thiện độ chính xác của hệ thống. Theo Nguyen Thành Cường, việc lựa chọn các kỹ thuật xử lý ảnh phù hợp là rất quan trọng để đảm bảo hiệu quả của hệ thống.

4.1. Các Bước Xử Lý Ảnh Cơ Bản Để Phát Hiện Khói

Các bước xử lý ảnh cơ bản bao gồm tiền xử lý (ví dụ: điều chỉnh độ sáng, độ tương phản), phân vùng ảnh (ví dụ: tách khói ra khỏi nền), và trích xuất đặc trưng (ví dụ: hình dạng, màu sắc, chuyển động). Các bước này giúp cải thiện chất lượng hình ảnh và làm nổi bật các đặc trưng quan trọng của khói. Việc lựa chọn các kỹ thuật phù hợp cho từng bước là rất quan trọng để đảm bảo hiệu quả của hệ thống.

4.2. Ứng Dụng Mạng Nơ Ron Tích Chập CNN Để Nhận Dạng Khói

Mạng nơ-ron tích chập (CNN) là một kỹ thuật mạnh mẽ để xử lý ảnh. CNN có thể tự động học các đặc trưng quan trọng của khói từ dữ liệu huấn luyện, giúp cải thiện độ chính xác của hệ thống. Việc sử dụng CNN đòi hỏi một lượng lớn dữ liệu huấn luyện, nhưng nó có thể mang lại kết quả vượt trội so với các phương pháp truyền thống. CNN đang trở thành một xu hướng quan trọng trong lĩnh vực phát hiện khói.

V. Kết Quả Nghiên Cứu Ứng Dụng Hệ Thống Phát Hiện Khói 58 ký tự

Luận văn thạc sĩ này đã trình bày một hệ thống phát hiện khói kết hợp xử lý ảnh và thuật toán logic mờ. Kết quả nghiên cứu cho thấy hệ thống có độ chính xác cao và hoạt động hiệu quả trong các điều kiện môi trường khác nhau. Hệ thống đã được thử nghiệm trên nhiều đoạn video và cho thấy khả năng phát hiện khói sớm và chính xác. Các ứng dụng thực tế của hệ thống rất đa dạng, từ nhà xưởng, kho bãi đến cảnh báo cháy rừng. Luận văn cũng đề xuất các hướng nghiên cứu tiếp theo để cải thiện hệ thống.

5.1. Đánh Giá Hiệu Quả Của Hệ Thống Phát Hiện Khói

Hiệu quả của hệ thống phát hiện khói được đánh giá dựa trên các chỉ số như độ chính xác, độ nhạy, và độ đặc hiệu. Hệ thống cần có độ chính xác cao để tránh cảnh báo sai, độ nhạy cao để phát hiện khói sớm, và độ đặc hiệu cao để phân biệt khói với các đối tượng khác. Các kết quả thử nghiệm cho thấy hệ thống đạt được các chỉ số này ở mức cao.

5.2. Triển Vọng Phát Triển Của Hệ Thống Phát Hiện Khói

Hệ thống phát hiện khói có nhiều triển vọng phát triển trong tương lai. Việc tích hợp các kỹ thuật học sâu (deep learning) như CNN có thể giúp cải thiện độ chính xác của hệ thống. Việc sử dụng các cảm biến khác như cảm biến nhiệt có thể giúp tăng độ tin cậy của hệ thống. Hệ thống có thể được tích hợp vào các hệ thống nhà thông minh và hệ thống cảnh báo cháy tự động để cung cấp các giải pháp an toàn toàn diện.

VI. Kết Luận Hướng Nghiên Cứu Phát Triển Phát Hiện Khói 56 ký tự

Phát hiện khói bằng xử lý ảnh kết hợp với thuật toán logic mờ là một hướng đi đầy tiềm năng trong lĩnh vực phòng cháy chữa cháy. Luận văn này đã trình bày một giải pháp hiệu quả và có thể được ứng dụng trong nhiều lĩnh vực khác nhau. Các hướng nghiên cứu tiếp theo tập trung vào việc cải thiện độ chính xác, tốc độ, và độ tin cậy của hệ thống. Hy vọng rằng nghiên cứu này sẽ đóng góp vào việc giảm thiểu thiệt hại do cháy gây ra.

6.1. Tổng Kết Các Ưu Điểm Của Phương Pháp Phát Hiện Khói

Phương pháp phát hiện khói này có nhiều ưu điểm. Phát hiện sớm giúp giảm thiểu thiệt hại. Tận dụng camera sẵn có giúp giảm chi phí. Hoạt động hiệu quả trong các điều kiện môi trường khác nhau. Khả năng tích hợp với các hệ thống khác giúp cung cấp các giải pháp an toàn toàn diện. Đây là một giải pháp hiệu quả và tiết kiệm để nâng cao an toàn phòng cháy chữa cháy.

6.2. Các Hướng Nghiên Cứu Tiếp Theo Để Phát Triển Hệ Thống

Các hướng nghiên cứu tiếp theo bao gồm việc sử dụng các kỹ thuật học sâu, tích hợp các cảm biến khác, và phát triển các ứng dụng cụ thể cho từng lĩnh vực. Việc tối ưu hóa thuật toán để cải thiện tốc độ xử lý cũng rất quan trọng. Hy vọng rằng các nghiên cứu tiếp theo sẽ giúp hệ thống phát hiện khói trở nên hiệu quả và tin cậy hơn.

Nội dung chính

Tổng quan nghiên cứu

Theo ước tính, mỗi năm trên thế giới và tại Việt Nam xảy ra hàng nghìn vụ cháy, gây thiệt hại nghiêm trọng về người và tài sản. Đa số các đám cháy được phát hiện khi đã phát triển trong thời gian dài, từ hàng chục phút đến hàng giờ, dẫn đến khó khăn trong việc ứng phó kịp thời. Do đó, việc nghiên cứu và phát triển các phương pháp phát hiện sớm đám cháy, đặc biệt là các đám cháy nhỏ hoặc mới hình thành, là một nhu cầu cấp thiết nhằm giảm thiểu thiệt hại.

Truyền thống, các hệ thống phát hiện cháy sử dụng đầu báo nhiệt, đầu báo khói và đầu báo lửa đã được ứng dụng rộng rãi và phát huy hiệu quả trong không gian nhỏ, kín như phòng. Tuy nhiên, các thiết bị này chỉ hoạt động khi nhiệt độ hoặc khói đạt ngưỡng nhất định, thường khi đám cháy đã phát triển lớn. Hơn nữa, trong các không gian mở như hành lang, nhà xưởng rộng hoặc khu vực có ảnh hưởng của gió, hiệu quả của các đầu báo này giảm đáng kể.

Trong những năm gần đây, kỹ thuật xử lý ảnh và nhận dạng qua hệ thống camera giám sát đã mở ra hướng đi mới cho việc phát hiện và cảnh báo cháy sớm. Các giải pháp dựa trên xử lý ảnh số tập trung khai thác các đặc tính quan sát được của khói và lửa như màu sắc, sự thay đổi vị trí điểm ảnh theo thời gian, đặc trưng tĩnh và động của khói-lửa.

Mục tiêu nghiên cứu của luận văn là xây dựng hệ thống phát hiện khói-lửa sớm dựa trên xử lý ảnh thu được từ camera quan sát, kết hợp với thuật toán điều khiển thông minh logic mờ nhằm nâng cao độ chính xác và giảm thiểu sai số. Phạm vi nghiên cứu tập trung vào việc thu thập và xử lý dữ liệu video đám cháy trong môi trường thực tế, mô phỏng trên nền Windows và thử nghiệm trên các thiết bị nhúng. Kết quả nghiên cứu có ý nghĩa quan trọng trong việc ứng dụng phát hiện cháy sớm tại các nhà xưởng, kho bãi, khu vực rừng phòng hộ, góp phần bảo vệ tài sản và tài nguyên thiên nhiên.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai khung lý thuyết chính:

1. Lý thuyết xử lý ảnh số:

   • Khái niệm điểm ảnh (pixel), độ phân giải ảnh, mức xám và không gian màu (RGB, HSV, YCbCr).
   • Các kỹ thuật tiền xử lý ảnh như tăng cường độ tương phản, lọc nhiễu (lọc trung bình, lọc trung vị, lọc thông thấp và phi tuyến), tách nền và phân ngưỡng ảnh.
   • Các phương pháp biểu diễn ảnh như mã loạt dài, mã xích, mã tứ phân.
   • Các thao tác hình học trên ảnh nhị phân như dãn ảnh (dilation) và co ảnh (erosion).

2. Lý thuyết nhận dạng và thuật toán thông minh:

   • Các phương pháp nhận dạng ảnh dựa trên phân hoạch không gian, mô hình tham số và mô hình cấu trúc.
   • Thuật toán phân lớp như K-means, thuật toán khoảng cách lớn nhất, k-nearest neighbor.
   • Thuật toán logic mờ (fuzzy logic) để xử lý các dữ liệu không chắc chắn, đặc biệt trong việc đánh giá các đặc tính tĩnh và động của khói như phần trăm pixel có khói, độ phân tán và tốc độ phát triển của khói theo thời gian.
   • Mạng nơ-ron nhân tạo như một giải pháp thay thế trong điều khiển thông minh.

Các khái niệm chính bao gồm: điểm ảnh, không gian màu HSV, thuật toán trừ nền (background subtraction), đặc tính tĩnh và động của khói, logic mờ, và thuật toán phân lớp.

Phương pháp nghiên cứu

• Nguồn dữ liệu:
  Bộ dữ liệu video đám cháy được thu thập từ các thiết bị camera giám sát, điện thoại, máy quay phim và webcam Logitech C520. Các video được chỉnh sửa bằng phần mềm Movie Maker để đảm bảo dung lượng, kích thước và số khung hình phù hợp cho xử lý thời gian thực.

• Phương pháp phân tích:

  • Tiền xử lý ảnh: sử dụng các thuật toán trừ nền như Adaptive Median, Grimson, Eigenbackground để phát hiện vùng chuyển động.
  • Trích xuất đặc tính tĩnh: xử lý màu sắc trong không gian HSV để nhận dạng vùng khói dựa trên màu sắc đặc trưng.
  • Trích xuất đặc tính động: phân tích độ phân tán và tốc độ phát triển của vùng khói theo thời gian.
  • Kết hợp thuật toán logic mờ để đánh giá và phân loại vùng chuyển động có phải là khói hay không, nhằm giảm thiểu sai số do nhiễu và các chuyển động không phải khói.

• Cỡ mẫu và timeline:
  Nghiên cứu sử dụng 8 đoạn video với các môi trường khác nhau để đánh giá hiệu quả thuật toán. Thời gian nghiên cứu kéo dài từ tháng 1 đến tháng 12 năm 2015, bao gồm thu thập dữ liệu, xây dựng mô hình, mô phỏng và thử nghiệm trên nền Windows và thiết bị nhúng BeagleBone Black.

• Lý do lựa chọn phương pháp:
  Kết hợp xử lý ảnh và thuật toán logic mờ giúp tận dụng ưu điểm của cả hai lĩnh vực: xử lý đặc trưng hình ảnh và xử lý dữ liệu không chắc chắn, từ đó nâng cao độ chính xác và tính linh hoạt của hệ thống phát hiện cháy sớm.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả của thuật toán trừ nền trong phát hiện chuyển động:
   Các thuật toán như Adaptive Median, Grimson và Eigenbackground cho kết quả phát hiện vùng chuyển động chính xác với tỷ lệ phát hiện khói đạt khoảng 85-90% trên 8 đoạn video thử nghiệm. Ví dụ, thuật toán Adaptive Median phát hiện chính xác khói trong 7/8 video với sai số dưới 10%.

2. Đặc tính tĩnh (màu sắc) giúp phân biệt khói với các chuyển động khác:
   Phân tích màu sắc trong không gian HSV cho thấy phần trăm pixel có màu sắc đặc trưng của khói chiếm trung bình 60-70% trong vùng chuyển động. Kết quả này giúp loại bỏ các vùng chuyển động không phải khói, nâng cao độ chính xác nhận dạng lên khoảng 75%.

3. Đặc tính động (độ phân tán và tốc độ phát triển) hỗ trợ nhận dạng khói:
   Độ phân tán của vùng khói tăng trung bình 30% trong các khung hình liên tiếp, tốc độ phát triển vùng khói đạt khoảng 15-20 pixel/frame. Các đặc tính này giúp phân biệt khói với các chuyển động như người hoặc vật thể di chuyển, giảm tỷ lệ báo sai xuống dưới 15%.

4. Thuật toán logic mờ nâng cao độ chính xác nhận dạng:
   So sánh kết quả với và không có thuật toán logic mờ cho thấy, khi sử dụng logic mờ, độ chính xác nhận dạng khói tăng từ 78% lên 88%, đồng thời giảm tỷ lệ nhầm lẫn chuyển động không phải khói xuống dưới 10%. Ví dụ, tại frame thứ 140 của video thử nghiệm, thuật toán logic mờ phân biệt chính xác chuyển động khói trong khi phương pháp không dùng logic mờ bị nhầm lẫn.

Thảo luận kết quả

Nguyên nhân chính giúp nâng cao hiệu quả của hệ thống là việc kết hợp đồng thời các đặc tính tĩnh và động của khói, cùng với thuật toán logic mờ để xử lý các dữ liệu không chắc chắn và nhiễu trong môi trường thực tế. Việc sử dụng không gian màu HSV giúp giảm ảnh hưởng của điều kiện ánh sáng thay đổi, trong khi phân tích động giúp loại bỏ các chuyển động không liên quan.

So với các nghiên cứu trước đây chỉ tập trung vào một hoặc hai đặc tính, nghiên cứu này đã mở rộng phạm vi phân tích và áp dụng thuật toán điều khiển thông minh, từ đó cải thiện đáng kể độ chính xác và tính linh hoạt của hệ thống. Kết quả có thể được trình bày qua biểu đồ so sánh tỷ lệ phát hiện chính xác và tỷ lệ báo sai giữa các phương pháp, cũng như bảng thống kê chi tiết kết quả trên từng video thử nghiệm.

Ý nghĩa của kết quả nghiên cứu là tạo tiền đề cho việc ứng dụng hệ thống phát hiện cháy sớm trong các môi trường thực tế như nhà xưởng, kho bãi, khu vực rừng phòng hộ, góp phần nâng cao hiệu quả phòng cháy chữa cháy và bảo vệ tài sản.

Đề xuất và khuyến nghị

1. Triển khai hệ thống phát hiện cháy sớm dựa trên camera giám sát tại các nhà xưởng và kho bãi

   • Động từ hành động: Lắp đặt, tích hợp
   • Target metric: Giảm thời gian phát hiện cháy xuống dưới 1 phút kể từ khi khói xuất hiện
   • Timeline: 6-12 tháng
   • Chủ thể thực hiện: Các doanh nghiệp sản xuất, quản lý kho vận phối hợp với đơn vị công nghệ

2. Nâng cấp thuật toán logic mờ và tích hợp mạng nơ-ron nhân tạo để cải thiện độ chính xác

   • Động từ hành động: Phát triển, thử nghiệm
   • Target metric: Tăng độ chính xác nhận dạng lên trên 90%
   • Timeline: 12 tháng
   • Chủ thể thực hiện: Các nhóm nghiên cứu và phát triển công nghệ trong lĩnh vực tự động hóa và xử lý ảnh

3. Xây dựng bộ dữ liệu video đám cháy đa dạng về môi trường và điều kiện ánh sáng

   • Động từ hành động: Thu thập, chuẩn hóa
   • Target metric: Tăng số lượng video thử nghiệm lên ít nhất 50 đoạn với các điều kiện khác nhau
   • Timeline: 9 tháng
   • Chủ thể thực hiện: Các viện nghiên cứu, trường đại học, cơ quan phòng cháy chữa cháy

4. Phát triển giao diện cảnh báo trực quan và tích hợp hệ thống với các thiết bị báo cháy truyền thống

   • Động từ hành động: Thiết kế, tích hợp
   • Target metric: Giảm tỷ lệ báo sai và cảnh báo trễ xuống dưới 5%
   • Timeline: 6 tháng
   • Chủ thể thực hiện: Các công ty công nghệ, nhà sản xuất thiết bị báo cháy

Đối tượng nên tham khảo luận văn

1. Các nhà nghiên cứu và sinh viên ngành tự động hóa, kỹ thuật điều khiển và xử lý ảnh

   • Lợi ích: Hiểu rõ các phương pháp xử lý ảnh và thuật toán logic mờ trong phát hiện cháy sớm, áp dụng cho các đề tài nghiên cứu liên quan.

2. Doanh nghiệp sản xuất và quản lý kho bãi, nhà xưởng

   • Lợi ích: Áp dụng hệ thống phát hiện cháy sớm để nâng cao an toàn, giảm thiểu thiệt hại do cháy nổ.

3. Cơ quan phòng cháy chữa cháy và quản lý rừng

   • Lợi ích: Sử dụng công nghệ camera và xử lý ảnh để cảnh báo cháy rừng và các đám cháy nhỏ kịp thời, bảo vệ tài nguyên thiên nhiên.

4. Các nhà phát triển phần mềm và thiết bị an ninh, giám sát

   • Lợi ích: Nắm bắt công nghệ xử lý ảnh và thuật toán thông minh để phát triển các sản phẩm cảnh báo cháy tích hợp, nâng cao tính cạnh tranh trên thị trường.

Câu hỏi thường gặp

1. Hệ thống phát hiện cháy sớm dựa trên xử lý ảnh có ưu điểm gì so với đầu báo cháy truyền thống?
   Hệ thống sử dụng camera có thể phát hiện khói và lửa ngay khi mới xuất hiện, không phụ thuộc vào nhiệt độ hoặc khói lan tỏa đến cảm biến. Điều này giúp cảnh báo sớm hơn, đặc biệt trong không gian mở hoặc khu vực rộng lớn.

2. Thuật toán logic mờ được áp dụng như thế nào trong nhận dạng khói?
   Logic mờ xử lý các đầu vào không chắc chắn như phần trăm pixel có khói, độ phân tán và tốc độ phát triển của khói để đưa ra đánh giá chính xác hơn, giảm sai số do nhiễu và các chuyển động không phải khói.

3. Bộ dữ liệu video đám cháy được xây dựng như thế nào?
   Bộ dữ liệu gồm các đoạn video thu thập từ nhiều thiết bị khác nhau trong các môi trường đa dạng, được chỉnh sửa để phù hợp với yêu cầu xử lý thời gian thực, phục vụ cho việc huấn luyện và đánh giá mô hình.

4. Hệ thống có thể ứng dụng trong những môi trường nào?
   Hệ thống phù hợp với nhà xưởng, kho bãi, hành lang, khu vực rừng phòng hộ và các không gian mở khác, nơi các đầu báo truyền thống hoạt động kém hiệu quả.

5. Làm thế nào để giảm tỷ lệ báo sai trong hệ thống?
   Kết hợp phân tích đặc tính tĩnh và động của khói, sử dụng thuật toán logic mờ và nâng cao chất lượng dữ liệu đầu vào giúp giảm tỷ lệ báo sai xuống dưới 10%, đảm bảo cảnh báo chính xác và kịp thời.

Kết luận

• Luận văn đã xây dựng thành công mô hình phát hiện khói-lửa sớm dựa trên xử lý ảnh kết hợp thuật toán logic mờ, nâng cao độ chính xác và tính linh hoạt của hệ thống.
• Thuật toán trừ nền và phân tích đặc tính tĩnh, động của khói được áp dụng hiệu quả trên bộ dữ liệu video thực tế với tỷ lệ phát hiện chính xác đạt gần 90%.
• Việc sử dụng thuật toán logic mờ giúp giảm thiểu sai số và phân biệt chính xác chuyển động khói với các chuyển động khác trong môi trường nhiễu.
• Hệ thống có tiềm năng ứng dụng rộng rãi trong các nhà xưởng, kho bãi, khu vực rừng phòng hộ, góp phần nâng cao hiệu quả phòng cháy chữa cháy.
• Các bước tiếp theo bao gồm mở rộng bộ dữ liệu, nâng cấp thuật toán thông minh và phát triển giao diện cảnh báo tích hợp để đưa hệ thống vào ứng dụng thực tiễn.

Call-to-action: Các nhà nghiên cứu và doanh nghiệp quan tâm có thể tiếp cận và phát triển thêm dựa trên nền tảng này để ứng dụng công nghệ xử lý ảnh và điều khiển thông minh trong phòng cháy chữa cháy hiện đại.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 TÔNG QUAN 1.1 Giới thiệu sơ lược van dé và ý nghĩa khoa hoc dé tài Hiện trên thế giới cũng như ở Việt Nam, mỗi năm có hàng nghìn vụ cháy, gây thiệt hại lớn về người và kinh tế. Trong khi đó, hầu hết các đám cháy khi được phát hiện là những đám cháy đã xuất hiện, phát triển từ lâu (hàng chục phút đến hàng giờ). Vì vậy, việc tìm kiếm và phát triển những phương pháp phát hiện sớm các khu vực sắp cháy, cháy nhỏ một cách chính xác, kip thời thực sự cấp thiết. Hiện tại, đã có nhiều nghiên cứu đề xuất những biện pháp phát hiện và cảnh báo cháy như dùng các đầu báo cháy nhiệt, đầu báo cháy khói và đầu báo cháy lửa.

Hệ thống phát hiện và cảnh báo cháy dựa trên đầu báo cháy truyền thống đã phát huy hiệu quả trong nhiều tình huống. cảnh báo cháy chính xác khi nhiệt độ, khói lan toa tới đầu báo cháy đạt ngưỡng hoạt động của thiết bị. Tuy vậy, phương pháp này vẫn có hạn chế là các đầu báo cháy chỉ làm việc khi nhiệt độ, khói đã lan truyền tới đầu cảm biến và đạt ngưỡng hoạt động, khi đó thường đám cháy đã phát triển lớn. Vi vay, hệ thong chỉ hiệu quả trong không gian nhỏ và kín (như trong phòng), phát hiện cháy khi đám cháy bùng phát không nhanh, còn với vùng giám sát có không gian mở như các hành lang, phòng không kín, ảnh hưởng gió thì hệ thống hoạt động kém hiệu quả.

Việc phát hiện và cảnh báo cháy sử dụng đầu dò cũng còn nhiều hạn chế do phụ thuộc hoàn toàn vào thời gian lan truyền nhiệt và khói ké từ khi bắt đầu xảy ra hiện tượng cháy cho đến khi khói hoặc nhiệt độ lan tỏa tới đầu dò. Những năm gần đây, một hướng mở ra trong nghiên cứu cảnh báo cháy là sử dụng kỹ thuật xử lý ảnh nhận dạng thông qua hệ thống quan sát camera. Những nghiên cứu ứng dụng kỹ thuật xử lý ảnh, video vào các hệ thông camera cảnh giới với mục đích phát hiện và cảnh báo cháy phát triển mạnh và đã có những kết quả nhất định. Phần lớn các giải pháp được đề xuất cho bài toán phát hiện khói-lửa sử dụng kỹ thuật xử lý ảnh, video số hiện đều dựa trên những tính chất có thể quan sát 13 được của khói-lửa như mau sac, sự thay đôi về vi trí các điêm anh của khói-lửa theo thời gian, cũng như các đặc trưng riêng biệt của khói-lửa.

Xuất phát từ thực tiễn nói trên, dé tài hướng đến việc nghiên cứu, thử nghiệm mô hình, giải pháp phát hiện, cảnh báo cháy sớm dựa trên hình ảnh thu được từ camera quan sát, khi đám cháy mới bắt đầu hình thành khói, xuất hiện những ngọn lửa nhỏ, nhiệt độ và khói chưa lan tỏa tới camera quan sát. Đông thời, để xây dựng thử nghiệm hệ thống phát hiện và cảnh báo cháy sớm, đề tài sẽ xây dựng bộ dữ liệu video đám cháy, từ đó sẽ nghiên cứu xây dựng mô hình phát hiện và cảnh báo khói- lửa sớm. Úng dụng thực tiễn Đề tài này sử dụng camera giám sát để theo dõi sự xuất hiện của khói ở bất kỳ nơi nào trong phạm vi quan sát của camera như các nhà xưởng, nhà kho rộng lớn, nơi chưa các nguyên liệu dễ cháy n6 hay các bình khí gas, khí đốt, trong đường hâm, nha ga. Với các camera giám sát được lắp đặt san, phương pháp nay sẽ tiết kiệm được rất nhiều ch¡ phí bởi vì không phải mua và cài đặt các thiết bị phần cứng.

Mặt khác các thông tin được cung cấp sớm sẽ giúp các cơ quan chức năng có biện pháp xử lý kịp thời. Ngoài ra, hệ thống cũng có thể ứng dụng trong các trường hợp cảnh báo sớm cháy rừng khi mà các camera được găn ở những vị trí thích hợp, có thể bao quát được không gian rộng lớn của khu rừng. Đây cũng là một ứng dụng có ích lợi lớn trong việc bảo vệ tài nguyên thiên nhiên đang ngày cạn kiệt. Nghiên cứu tong quan 1.1 Tổng quan bài toán nhận dạng 1.1 Khái niệm Nhận dạng là quá trình phân loại các đối tượng được biểu diễn theo một mô hình nao đó va gan chúng một tên (gan cho đói tượng một tên gọi, tức là một dạng) dựa theo những quy luật và mẫu chuẩn.

Quá trình nhận dạng dựa vào những mẫu học biết trước gọi là nhận dạng có thầy hay học có thầy, trong những trường hợp ngược lại gọi là học không có thay. Nhận dang anh là giai đoạn cuối của các hệ thống xử lý ảnh. Trong lý thuyết về nhận dạng nói chung và nhận dạng ảnh nói riêng có ba cách tiép cận khác nhau: - - Nhận dạng vào phân hoạch không gian - - Nhận dạng dựa vào cau trúc - - Nhận dạng dựa vào kỹ thuật mạng noron Hai cách tiếp cận đầu là cách tiếp cận kinh điển. Các đối tượng ảnh quan sát và thu nhận được phải trải qua giai đoạn tiền xử lý nhằm tăng cường chất lượng, làm nỗi các chi tiết, tiếp theo là trích chọn và biểu diễn các đặc trưng, cuối cùng mới là giai đoạn nhận dạng.

Cách tiếp cận thứ ba hoàn toàn khác. Nó dựa vào cơ chế đoán nhận, lưu trữ và phân biệt đối trong mô phỏng theo hoạt động của hệ thần kinh con người. Do cơ chế đặc biệt, các đối tượng thu nhận bởi thị giác người không cần qua giai đoạn cải thiện mà chuyển ngay sang giai đoạn tong hợp, đối sánh với các mẫu đã lưu trữ để nhận dạng. Khối nhận dạng Ũ Trích chọn đặc Vv Phan lớp Vv Đánh giá > trưng Quá trình tiền xử lý Hình 1.1 : Sơ đô tong quát của một hệ thong nhận dạng anh.2 Mô hình và bản chât chất của quá trình nhận dạng 1.

Mô hình: Trong nhận dạng người ta chia thành hai họ lớn: - Họ mô tả theo tham số. - Họ mô tả theo cau trúc. Cách mô tả được lựa chọn sẽ xác định mô hình của đôi tượng. Như vậy, sẽ có hai loại mô hình: mô hình tham sô và mô hình câu trúc.

Mô hình tham số: sử dụng một vectơ dé đặc tả đối tượng. Mỗi phân tử của vecto mô tả một đặc tính của đối tượng. Thí dụ như trong các đặc trưng chức năng, người ta sử dụng các ham cơ sở trực giao để biểu diễn.Việc lựa chọn phương pháp biểu diễn sẽ làm đơn giản cách xây dựng. Tuy nhiên việc lựa chọn đặc trưng nào là hoàn toàn phụ thuộc vào ứng dung.

Thi dụ, trong nhận dạng chữ, các tham số là các dâu hiệu: ® $6 diém chac ba, chạc tư. UW Số điểm chu trình. W Sô điêm ngoat. ⁄ Số điểm kết thúc.

Mô hình câu trúc: Cách tiếp cận trong mô hình này dựa vào việc mô tả đối tượng nhờ một số khái niệm biểu thị các đỗi tượng cơ sở trong ngôn ngữ tự nhiên. Để mô tả đối tượng người ta dùng một sô dạng nguyên thủy như đoạn thang, cung. Chang hạn một hình chữ nhật được định nghĩa gom 4 doan thang vuông sóc với nhau từng đôi một. Trong mô hình này người ta sử dung một bộ ký hiệu kết thúc V;, một bộ kí hiệu không kết thúc gol là Vn.

Ngoài ra có dùng một tập các luật san xuất để mô tả cách xây dựng các đối tượng phù hợp dựa trên các đôi tượng đơn giản hơn hoặc đôi tượng nguyên thủy (tập V:). Trong cách tiếp cận này, ta chấp nhận khăng định là: cau trúc một dạng là kết quả của việc áp dụng luật sản xuất theo những nguyên tắc 16 xác định bắt đầu từ một dạng gốc ban đầu. Một cách hình thức, ta có thể coi mô hình này tương đương một văn phạm G=(V,V.,P, S) với: - Vt là bộ ký hiệu kết thúc; - _ V„ là bộ ký hiệu không kết thúc; - Pa luật sản xuất; - § là dạng (kus hiệu bat dau). Bản chất Quá trình nhận dạng gôm 3 giai đoạn chính: - Chọn mô hình biéu diễn đối tượng.

- Chọn luật ra quyết định (phương pháp nhận dạng) và suy diễn. - Học trong nhận dạng. Trong việc lựa chọn để biểu diễn đối tượng, đói tượng có thé được xác định theo cách định lượng (mô hình tham s6) hay định tính (mô hình cấu trúc). Khi đối tượng đã được xác định, quá trình nhận dạng chuyền sang giai đoạn thứ hai-giai đoạn học (Learning).

Học là giai đoạn cung cấp tri thức cho hệ thống. Mục đích học nhằm cải thiện, điều chỉnh việc phân loại tập đối tượng thành các lớp. Nhận dạng là tìm ra quy luật và các thuật toán để có thé gan đối tượng vào một lớp hay nói một cách gán cho đối tượng một tên. Học có thay: ky thuat phan loai nho kiến thức biết trước gọi là học có thay.

Dac điểm co bản của kỹ thuật nay là người ta có một thu viện các mẫu chuẩn. Mau cần nhận dạng sẽ được đem so sánh với mẫu chuẩn để xem nó thuộc loại nào. Vấn đề chủ yếu là thiết kế một hệ thống để có thể đối sánh đối tượng trong ảnh với mẫu chuẩn và quyết định gán cho chúng vào một lớp. Việc đối sánh nhờ vào các thủ tục ra quyết định dựa trên một công cụ gọi là hàm phân lớp hay hàm ra quyết định.

17 Học không có thay: kỹ thuật này phải tự định ra các lớp khác nhau và xác định các tham số đặc trưng cho từng lớp. Học không có thầy đương nhiên là gặp khó khan hơn. Một mặt, do số lớp không được biết trước, mặt khác những đặc trưng của lớp cũng không được biết trước. Kỹ thuật này nhăm tiến hành mọi cách gộp nhóm có thé và chọn lựa cách tốt nhất.

Bat đầu từ tập dữ liệu, nhiều thủ tục xử lý khác nhau nhằm phân lớp và nâng cấp dan dé đạt được một phương án phân loại.2 Tổng quan hệ thông thu nhận ảnh: Camera sử dung dé thu nhận anh là loại USB Webcam vì giá thành không quá cao, sử dụng chuẩn kết nối USB để truyền nhận dữ liệu với laptop. Nhưng chủ yếu trong luận văn nảy thì tôi sẽ quay các mẫu video bằng các thiết bị khác như là điện thoại, ipab, máy quay phim. Sau đó sẽ chỉnh sữa lại video bang phần mềm “Movie Maker” của Microsoft, mục đích chỉnh sữa là sẽ có được đoạn video có dung lượng, kích thước và số frame ảnh trên giây phù hợp, để đảm bảo cho việc hệ thống nhận diện khói đáp ứng thời gian thực nhưng kết quả vẫn được tốt.3 Các thuật toán phát hiện khói đã công bo 1.1 Phương pháp báo cháy sớm dựa vào dac tính động và tinh của khói Phương pháp này được thực hiện trong bài báo "The smoke Detection for Early Fire-Alarming System Base on Video Processing".